Lezione 3

14/02/2011
EEG e BCI
Introduzione all’utilizzo dei sistemi EEG
Antonio Frisoli
Potenziali Evento-Correlati
ERP (Event-Related Potentials)
• Gli ERP rappresentano modificazioni
del segnale EEG (variazioni del
potenziale elettrico) che fanno
seguito ad uno stimolo (ad es, visivo,
somestesico o uditivo).
1
14/02/2011
Potenziali Evocati (PE) e Potenziali EventoCorrelati (ERPs, Event-Related Potentials)
• Gli ERPs sono delle modificazioni
dell’attività elettrica cerebrale
spontanea sincronizzati con un evento
definibile sperimentalmente, come il
momento di inizio di uno stimolo
sensoriale (in questo caso si parla
spesso di PE) o di un movimento, o
ancora legati a un processo cognitivo
più endogeno (es. aspettativa di uno
stimolo).
Potenziali Evocati (PE) e Potenziali EventoCorrelati (ERPs, Event-Related Potentials)
• Gli ERPs hanno una dimensione molto ridotta rispetto
all’EEG e vengono quindi estratti dal rumore di fondo
mediando numerose registrazioni (Averaging).
L’operazione di estrazione del segnale dal rumore
avviene con un processo di media effettuato nel
tempo immediatamente successivo alla presentazione
dello stimolo per una durata prescelta (ad es. 1 sec).
Si tratta di un processo di soppressione statistica del
rumore che fa si che le variazioni di potenziale
elettrico (casuali) che non sono sincronizzate con lo
stimolo si cancellino (la loro media statistica è 0) e le
variazioni sincronizzate con lo stimolo si sommino in
fase. Di conseguenza al crescere del numero di
stimolazioni la morfologia del segnale risulterà più
definita dando origine ad un ERP.
2
14/02/2011
Potenziali Evocati (PE) e Potenziali EventoCorrelati (ERPs, Event-Related Potentials)
• Gli ERPs (e/o i PE) vengono rappresentati sotto forma di onde
(variazioni di voltaggio nel tempo dell’ordine del microVolt, µV)
e consistono in una serie di deflessioni positive e negative.
• I punti in cui la direzione della deflessione cambia (picchi)
vengono convenzionalmente definiti sulla base della loro polarità
(pos, neg) e della loro posizione ordinale nell’onda (N1, P2, N2
etc) o della latenza (in ms, ad esempio P300).
Potenziali Evocati (PE) e Potenziali EventoCorrelati (ERPs, Event-Related Potentials)
• In generale, nel caso dei PE sensoriali, le componenti
precoci riflettono principalmente le qualità fisiche dello
stimolo (modalità, intensità, frequenza) ed originano dai
livelli più periferici del sistema nervoso (parte sensitiva del
nervo periferico, midollo spinale, tronco encefalico, talamo).
• Le componenti tardive riflettono principalmente
l’eleborazione cerebrale del significato psicologico dello
stimolo e lo stato psicologico del soggetto che riceve la
stimolazione (livello di attenzione, livello di vigilanza).
• Si distinguono, a seconda della via sensoriale usata, PE
uditivi, visivi, somatosensoriali (stimolazione elettrica,
meccanica o mediante air-puff) e laser (stimolazione
termica nocicettiva di fibre-C o A). Gli PE associati ai
esecuzione o preparazione di movimenti vengono chiamati
PE motori.
3
14/02/2011
4
14/02/2011
Caratteristiche principali del segnale EEG
ERP
5
14/02/2011
ERP
La registrazione degli ERP
6
14/02/2011
Esempio di posizionamento degli elettrodi
Parametri fondamentali del segnale EEG
7
14/02/2011
Ritmi di fondo EEG
Definizione degli elementi ERP importanti
ERP negativo (N...)
ERP positivo (P...)
8
14/02/2011
Definizione degli elementi ERP importanti
ERP negativo (N...)
ERP positivo (P...)
Estrazione del segnale ERP
9
14/02/2011
ERP
•
•
•
Le risposte elettriche relativamente piccole a eventi specifici possono essere osservate
soltanto estraendo la media (averaging) dei tracciati EEG su una serie di prove.
Le ampie oscillazioni di fondo dell’EEG rendono possibile rilevare con una singola prova la
risposta evocata allo stimolo sensoriale. Calcolando la media di decine o centinaia di prove, il
rumore di fondo dell’EEG viene eliminato e resta soltanto il potenziale evento-correlato
(ERP).
Si noti la differenza di scala tra le onde dell’EEG e le onde dell’ERP
Tecnica dell’averaging
10
14/02/2011
Teoria dell’averaging
Esempio di P300
11
14/02/2011
Esempio
P300
12
14/02/2011
P300
•
•
Un potenziale evocato uditivo che evidenzia un’onda P300.
Quest’onda compare solo se lo stimolo ha significato per il soggetto; in questo
caso il click sonoro avverte dell’imminente arrivo di un premio. Per
convenzione le onde positive dell’EEG vengono rappresentate come deflessioni
verso il basso
P300 (2)
13
14/02/2011
N400
Vantaggi/svantaggi ERP
14
14/02/2011
SISTEMI DI BCI
Outline
Introduction to Brain Computer Interfaces (BCI)
Classification of BCI techniques
Invasive BCI
Non-invasive BCI
Slow cortical potentials
Steady state visual evoked potentials (SSVEP)
P300 evoked potentials
Sensorimotor rhythms
Example application: sensorimotor rhythms
Conclusions
15
14/02/2011
General scheme of a BCI
BCIs represent a set of
techniques to allow direct
control of a software or device
via brain activity – without the
need of a motor output
Machine
learning
The most common BCI approach
exploits voluntary modulation of
EEG activity, although more
invasive approaches have been
explored
These techniques have
successfully been employed to
aid disabled patients
Recently BCIs have also been
investigated as a rehabilitation
tool
Feedback for
subject training
BCI: communication strategies
Selection
among many
possibilities
Communicatio
n
Sequential
selection
A
B
E
F
C
D
G
H
I
L
O
P
M
N
Q
R
A
B
C
D
A
16
14/02/2011
BCI: device control strategies
Device control
Manual control
Shared control
Autonomous
control
BCI in neurological rehabilitation
Daly & Wolpaw,
Lancet, 2008
17
14/02/2011
BCI in neurological rehabilitation
Goal: The subject should be able to control
muscle activity through brain activity
Daly & Wolpaw,
Lancet, 2008
BCI in neurological rehabilitation
Strategy 1: Train subjects to modulate
brain activity via visualization and
voluntary control of relevant features
Daly & Wolpaw,
Lancet, 2008
18
14/02/2011
BCI in neurological rehabilitation
Strategy 2: Train subjects by using brain
activity to aid motion with assistive devices
Daly & Wolpaw,
Lancet, 2008
Classification: signal acquisition
BCI
Invasive
Non invasive
Single recording
site
EEG
Multiple recording
sites
MEG
LFP, ECoG
fMRI
19
14/02/2011
Invasive vs. non-invasive BCI
Invasive BCI
Insertion of arrays of microelectrodes in cortical
tissue
Control of 2-3 DoF, with good accuracy.
Implants have only been tested for months
after surgery
Hochberg et al., Nature, 2006
Highly expensive
Non-invasive BCI
EEG systems range from low to high density
(19 to 256 eletrodes)
Several portable, cheap systems exist
Motion artifacts and interferences can be
greatly reduced by employing active electrodes
Classification: feature extraction
EEG
activity
Asynchronous
algorithms
Synchronous
algorithms
Subjects are asked to
perform visual
imagery tasks and
the local changes in
EEG power spectra
are recorded
The differences in EEG
response following
different stimuli are
used to discriminate
what subjects want
20
14/02/2011
Non-invasive BCI: signal acquisition
Slow cortical potentials ●Users learn to modulate slow (<1Hz) EEG
rhythms
Can be employed in both analog and digital
controls
●
Slow response, needs healthy cortical
motor areas
●
Wolpaw et al., 2002
Non-invasive BCI: signal acquisition
Steady-state visual evoked potentials (SSVEP)
Users focus their attention on a LED/screen
flashing at a known frequency
●
Up to 30 different frequencies can be
discriminated
●
Habituation can lower the signal to noise
ratio (SNR)
●
21
14/02/2011
Non-invasive BCI: signal acquisition
P300 evoked potentials
Requires a screen with a dedicated interface
●
●Users perform a sequential selection of
choices
Wolpaw et al., 2002
Suitable for typewriting, task selection
●
Application: P300 visual evoked potentials
Feature extraction
Signals - time-locked to stimuli presentation – are collected in
correspondence of the visual cortex and an ERP trace is
constructed for each stimulus.
Paradigm
Subjects are asked to fixate a matrix of
letters/commands, with flashing rows and
columns
1. Feature classification
Acquired data is classified into two
classes, to discriminate the expected
stimulus from the others.
2. Subject training
Training simply consists in reaching a level
of concentration sufficient to allow
detection of the expected stimulus.
A good subject needs only 2 row/column
presentation to select a letter.
22
14/02/2011
Non-invasive BCI: signal acquisition
Sensorimotor rhythms
●Users learn to perform visual and motor
imagery tasks
●Can be employed even if motor areas are
impaired
Wolpaw et al., 2002
●Works mostly for digital control, has a fast
response
Application: sensorimotor rhythms
EEG channels: minimal configuration
Frontal ground electrode
Reference ear lobe electrode
Four electrodes in bipolar
configuration in
correspondence of the motor
cortex + additional
electrodes if necessary
Feature extraction
The power in the mu (8-12 Hz) and beta (16-24
Hz) bands is computed over 500 ms windows.
23
14/02/2011
Application: sensorimotor rhythms
Training paradigm
Subjects are asked to perform several
motor imagery trials.
1. Feature classification
Acquired data is classified into two or
more classes via machine learning
techniques, to optimize feature
classification
2. Subject training
The subject is trained again with the
output of the feature classifier as a
feedback signal, in order to optimize
its motion imagery
Application: sensorimotor rhythms
Developing an application
for rehabilitation
24