Remigiusz J. Rak, M.

Koodziej, A Majkowski, Instytut Elektrotechniki Teoretycznej i Systemw Informacyjno-Pomiarowych, Politechnika Warszawska

9. Interfejs mzg-komputer
Streszczenie - W ostatniej dekadzie ubiegego wieku, w kilkunastu orodkach naukowych, rozpoczto intensywne prace nad interfejsem mzg-komputer (Brain-Computer Interface, BCI). Aktualny stan bada sprowadza si do wykorzystania pewnych waciwoci fal elektromagnetycznych mzgu rejestrowanych za pomoc technik elektroencefalograficznych (sygnay EEG odczytane z elektrod przymocowanych do skry gowy metoda bezinwazyjna lub te z elektrod wszczepionych bezporednio w kor mzgu metoda inwazyjna). System BCI odczytuje intencje uytkownika za porednictwem zmieniajcych si parametrw sygnau EEG. Pewne, wyekstrahowane cechy tych sygnaw s klasyfikowane i tumaczone w czasie rzeczywistym na rozkazy wykorzystywane do sterowania komputerem, protez, wzkiem inwalidzkim lub te innym urzdzeniem.

9.1. Wstp
Naturalnym sposobem komunikacji czowieka ze wiatem zewntrznym jest wykorzystanie aktywnoci poszczeglnych mini ciaa ludzkiego. Rodzce si w mzgu intencje uytkownika s przekazywane, za pomoc ukadu nerwowego, do wybranych czci ciaa i stymuluj ich ruch. Jak wiadomo, najczciej do komunikacji czowiek wykorzystuje mow (krta, jzyk, usta), ale rwnie palce doni w przypadku jzyka migowego. Komunikacja czowiek-maszyna (Man-Machine Communication MMC), to rodzaj komunikacji, w ktrej obowizuj te same zasady. Pewnym uproszczeniem problemu jest komunikacja czowiek-komputer, ktra tradycyjnie odbywa si za pomoc klawiatury i/lub myszy. Alternatyw jest moliwo wykorzystania mikrofonu i karty dwikowej do wydawania polece gosowych lub kamery i systemu wizyjnego do przekazywania rozkazw w formie mimiki twarzy czy uoenia rk. Wreszcie mona sobie wyobrazi sterowanie komputerem za porednictwem sygnaw elektrycznych wydobytych z poszczeglnych fragmentw obwodowego ukadu nerwowego czy te orodkowego ukadu nerwowego, w tym bezporednio z mzgu. Ostatnia pozycja nosi szumn nazw interfejsu mzg-komputer (Brain-Computer Interface: BCI). Zestawienie tych interfejsw zobrazowano na rys. 9.1.

Rys 9.1. Zestawienie interfejsw czowiek-maszyna 1

Gwnym zadaniem interfejsu mzg-komputer jest umoliwienie komunikacji ze wiatem zewntrznym pacjentom w cikich stadiach takich chorb neurologicznych jak: stwardnienie zanikowe boczne, udar mzgowy podkorowy, zesp Guillaina-Barrgo, mzgowe poraenie dziecice czy stwardnienie rozsiane. Mierzenie aktywnoci mzgu jest kluczowym problemem systemu BCI. Jednak wykrycie samej aktywnoci mzgu nie jest wystarczajce. Systemy BCI nie odczytuj dowolnych myli. Mog jedynie sklasyfikowa pewne wybrane stany aktywnoci mzgu, skojarzone ze specyficznymi zdarzeniami. Zadaniem uytkownika interfejsu mzg-komputer jest wygenerowanie odpowiednich wzorcw aktywnoci mzgu poprzez wykorzystanie pewnych sprawdzonych mentalnych strategii. Strategie te definiuj co uytkownik ma sobie wyobraa lub na czym koncentrowa swoj uwag, aby jego mzg generowa odpowiednie fale (wzorce). Niektre strategie wymagaj dugiego treningu. W zwizku z tym, praktyczna realizacja interfejsu mzg-komputer wymaga spenienia kilku podstawowych warunkw. Po pierwsze system musi selektywnie odczytywa aktywno mzgu. Musi zawiera sprzenie zwrotne do uytkownika, dziaajce w czasie rzeczywistym. Wreszcie, musi zawiera ukad wykonawczy intencji uytkownika. Oczywicie, stosownie do uytej strategii, w niektrych zastosowaniach, uytkownik musi realizowa pewne zadanie mylowe niekoniecznie skojarzone z przedmiotow intencj. Urzdzenia, ktre w sposb pasywny rejestruj pewne zmiany aktywnoci mzgu, bez potrzeby/moliwoci odczytania intencji lub wykrycia zdarzenia przyczynowego, tak jak medyczny rejestrator EEG, nie s systemami BCI. Badania nad interfejsem mzg-komputer (BCI) rozpoczto w latach 70-tych na Uniwersytecie Kalofornijskim (University of California Los Angeles - UCLA) w ramach grantu National Science Foundation. Za pierwsz publikacj naukow opisujc BCI mona uzna prac: Jacque Vidal: "Toward Direct Brain-Computer Communication", Annual Review of Biophysics and Bioengineering, Vol. 2, 1973 [40]. Pierwsza midzynarodowa konferencja powicona BCI miaa miejsce w 1999 roku, w Nowym Jorku, gdzie Jonathan R. Wolpaw sformalizowa definicj systemu BCI jako [89]: "A brain-computer interface (BCI) is a communication or control system in which the users messages or commands do not depend on the brains normal output channels. That is, the message is not carried by nerves and muscles and furthermore, neuromuscular activity is not needed to produce the activity that does carry the message". W literaturze istnieje jeszcze kilka innych definicji tego samego zjawiska, okrelanego z wykorzystaniem nieco odmiennej terminologii: Donoghue et al.: A major goal of a BMI (brain-machine interface) is to provide a command signal from the cortex. This command serves as a new functional output to control disabled body parts or physical devices, such as computers or robotic limbs [15]; Levine et al.: A direct brain interface (DBI) accepts voluntary commands directly from the human brain without requiring physical movement and can be used to operate a computer or other technologies [43]; Schwartz et al.: Microelectrodes embedded chronically in the cerebral cortex hold promise for using neural activity to control devices with enough speed and agility to replace natural, animate movements in paralyzed individuals. Known as cortical neural prostheses (CNPs), devices based on this technology are a subset of neural prosthetics, a larger category that includes stimulating, as well as recording, electrodes [69].
2

Pocztkowo badania nad BCI koncentroway si gwnie wok zastosowa w dziedzinie neuroprotetyki, ktrej gwnym celem byo przywrcenie uszkodzonych zmysw np. suchu, wzroku lub zdolnoci ruchowej pacjentw. Neuroprotetyka polega na uyciu sztucznych urzdze do zastpienia pewnych narzdw/zmysw czowieka. W takich przypadkach mzg musi nauczy si odczytywa sygnay pochodzce z protez lub generowa sygnay potrzebne do sterowania protez, za porednictwem sygnaw pochodzcych z systemu nerwowego. Jednakowo sygnay te nie musz by dostarczane bezporednio do mzgu lub pochodzi bezporednio z mzgu (centralnego ukadu nerwowego) lecz np. nerww obwodowych. W oglnoci przyjmuje si, e w zakresie neuroprotetyki wystpuje cze: system nerwowy (jakakolwiek jego cz) urzdzenie, podczas gdy w zakresie BCI chodzi o bezporednie sprzenie mzg komputer. Sztuczne ucho jest chirurgicznie wszczepionym implantem limaka, ktry moe pomc odzyska such osobie guchej. Implant limakowy nie wzmacnia suchu, ale dziaa przez bezporedni stymulacj nerww suchowych, prowadzcych do mzgu. Trwaj rwnie badania nad udoskonaleniem implantu, w ktrym elektrody podczone s bezporednio do pnia mzgu. Sztuczne oko to implant siatkwki, ukad mikroelektroniczny wszczepiany w gak oczn i poczony z kamer zamocowan w okularach pacjenta, umoliwiajcy odczytywanie sygnaw pochodzcych z kamery przez mzg, a majcy przywrci zdolno widzenia ludziom, ktrzy zachorowali np. na zwyrodnienie plamki zwizane z wiekiem. Z kolei protezy koczyn to urzdzenia zainstalowane na ciele pacjentw po urazach i amputacjach, u ktrych cz mini i nerww obwodowych zachowaa sprawno. Zwykle stosuje si sterowanie protez przy pomocy impulsw pochodzcych z odpowiednich mini. W przypadku uycia do tego celu fal pochodzcych bezporednio z mzgu, czy to pozyskanych w drodze inwazyjnej czy nieinwazyjnej, mamy do czynienia z najczystszym interfejsem mzg-komputer. Niestety terminy neuroprotetyka oraz interfejs mzg-komputer s nierzadko uywane zamiennie. Wynika to z faktu, e zarwno neuroprotetyka jak i BCI mog suy do osignicia tego samego celu. Zestawienie elementw umoliwiajcych fizyczn ingerencj z zewntrz w ukad nerwowy czowieka w celu usprawnienia jego zmysw zamieszczono na rys. 9.2 [25].

Rys 9.2. Zestawienie elementw umoliwiajcych fizyczn ingerencj z zewntrz w ukad nerwowy czowieka w celu usprawnienia jego zmysw 3

Reasumujc naley stwierdzi, e interfejsy mzg-komputer rni si od innych interfejsw wykorzystaniem, w procesie sterowania urzdzeniem, sygnaw generowanych bezporednio przez mzg, a nie sygnaw neuroaktywnoci mini (elektromiografia EMG). W gruncie rzeczy elektryczne sygnay pochodzce z mini, traktowane s w tym przypadku wrcz jako sygnay niepodane. Stanowi tak zwane artefakty fizjologiczne. Przykadem takich artefaktw mog by sygnay elektryczne powstajce podczas poruszania gakami ocznymi (elektrookulografia, EOG). Problem w tym, e zwykle amplituda artefaktw jest o rzd wielkoci wiksza (mierzona w mV) ni poziom samego sygnau EEG (do 100 V). Moliwo komunikacji czowieka z komputerem tylko za pomoc sygnaw pochodzcych bezporednio z mzgu zasugerowa J. Vidal ju w 1973 roku, prawie 40 lat temu! Zaproponowany przez J. Vidala interfejs mzg-komputer zobrazowano na rys. 9.3. Jednak dopiero w ostatniej dekadzie XX wieku, w kilku orodkach naukowych na wiecie, podjto prby wykorzystania elektroencefalografii (EEG) do bezporedniej komunikacji midzy mzgiem a komputerem.

Rys 9.3. Zaproponowany przez J. Vidala interfejs mzg-komputer [81]

9.2. Metody wykrywania aktywnoci mzgu

Aktywno mzgu, zwizana z prac neuronw, sprowadza si do ruchu adunkw, ktre wytwarzaj pole elektryczne i magnetyczne. Interfejsy mzg-komputer mierz aktywno pracy mzgu, ktra jest nastpstwem intencji uytkownika. Odpowiednie czujniki, umieszczone w wybranych obszarach mzgu, umoliwiaj badanie zarwno elektrycznej jak i magnetycznej aktywnoci mzgu. 9.2.1. Inwazyjne i czciowo inwazyjne Pierwsze eksperymenty z BCI miay charakter inwazyjny i jak zwykle w takich przypadkach, prowadzone byy na zwierztach (myszy, szczury, koty, mapy). Metody inwazyjne wymagaj interwencji chirurga, np. przecicia skry lub otwarcia czaszki (rejestracja wewntrzczaszkowa). Kiedy elektrody umiejscowione s na powierzchni kory mzgowej (metoda czciowo inwazyjna) mwimy o elektrokortykografii (ECoG). ECoG nie niszczy neuronw poniewa elektrody nie wchodz w gb mzgu. Sygna zarejestrowany za pomoc elektrod z wntrza obszarw mzgu (metoda inwazyjna) nazywa si rejestracj wewntrzkorow (intracortical recording). W oglnoci inwazyjne metody charakteryzuj si bardzo dobr jakoci sygnau (duy poziom amplitud, may poziom zakce) i bardzo dobr rozdzielczoci przestrzenn. Wewntrzne elektrody pozwalaj na rejestracj aktywnoci maych obszarw mzgu lub nawet pojedynczych neuronw (brain cell). Artefakty zwizane
4

z ruchem mini nie stanowi w tym przypadku problemu. Jednake, wspomniane metody maj powan wad, jak stanowi skomplikowana interwencja chirurgiczna, wzbudzajca uzasadnione kontrowersje etyczne. Ponadto, z czysto fizycznego punktu widzenia, dugi czas rejestracji sygnau za pomoc elektrod umieszczonych we wntrzu mzgu moe by problematyczny, poniewa elektrody wchodz w reakcj z pynami ustrojowymi, co w sposb znaczcy pogarsza jako mierzonego sygnau. 9.2.2. Nieinwazyjne Oczywicie, najwiksze nadzieje wizane s z interfejsem mzg-komputer o nieinwazyjnym charakterze. W tym zakresie znane s co najmniej trzy rne sposoby. Najbardziej znany jest pomiar sygnau elektrycznego z powierzchni skry gowy czyli elektroencefalografia [16]. Teoretycznie moliwe jest uycie innych nieinwazyjnych metod z czujnikami rozmieszczonymi na powierzchni gowy. Nale do nich megnetoelektroencefalografia (Magnetoencephalography: MEG) do rejestracji aktywnoci magnetycznej mzgu oraz funkcjonalny rezonans magnetyczny (functional Magnetic Resonance Imaging: fMRI), w ktrym mierzy si zmiany natlenienia aktywnych obszarw mzgu. Zamiast fMRI mona te zastosowa spektroskopi w podczerwieni (Near Infrared Spectroscopy: NIRS) jako technik oceny aktywnoci kory mzgowej. Wszystkie te metody mog zosta uyte w interfejsie mzg-komputer, ale maj praktyczne wady. Sprzt do MEG i fMRI ma due rozmiary i jest bardzo drogi. NIRS oraz fMRI maj sab rozdzielczo czasow [25].

9.3. Elektroencefalografia (EEG) w BCI

Elektroencefalografia (EEG) jest bezinwazyjn metod badania bioelektrycznej czynnoci mzgu. Badania realizowane s za pomoc elektrod, umieszczonych na powierzchni skry gowy, rejestrujcych zmiany potencjaw spowodowanych aktywnoci neuronw kory mzgowej. Badania EEG najczciej s wykonywane w celu monitorowania i diagnozowania padaczki, zaburze snu, urazw gowy, guzw mzgu, zaburze wiadomoci i innych schorze zwizanych z prac mzgu. Samo badanie nie jest dla pacjenta nieprzyjemne i trwa od 15 do 20 minut. Podczas badania pacjent siedzi wygodnie lub ley z elektrodami przyklejonymi do skry gowy. Pozycja, w jakiej znajduje si osoba zalena jest od tego, jaki jest cel badania. W badaniach zwykle wykorzystuje si od 16 do 32 elektrod (znane s rwnie rozwizania umoliwiajce rejestracj sygnaw za pomoc znacznie wikszej liczby np. 512 kanaw). Elektrody zamocowane s przy pomocy klejcej pasty i poczone s przez wzmacniacz z urzdzeniem rejestrujcym. Zapis sygnau EEG jest w duym stopniu cech osobnicz i zmienia si w zalenoci od stanu psychofizycznego czowieka. Zarwno amplituda sygnau, jak i dominujce czstotliwoci ulegaj tu zmianie. Przyjmuje si, e u zdrowego czowieka powstaj fale mzgowe o czstotliwociach z przedziau: 0,5 Hz do 100 Hz oraz amplitudzie od kilku do kilkuset V. Wyrnia si kilka charakterystycznych rytmw (fal) sygnau EEG (rys. 9.4) [20]: fale alfa o czstotliwoci od 8Hz do 13Hz, ktre s szczeglnie widoczne podczas braku bodcw wzrokowych, fale beta o czstotliwoci od 12Hz do 60Hz, ktre mona zaobserwowa w okolicy czoowej i s obserwowane podczas koncentracji uwagi, fale gamma wystpujce w zakresie 26Hz 100Hz, ktre mona obserwowa podczas wykonywania funkcji motorycznych, fale delta o czstotliwoci do 4Hz, ktre mona zaobserwowa w 3 i 4 stadium snu,
5

 fale theta o czstotliwoci od 4Hz do 8Hz, ktre wystpuj podczas lekkiego snu oraz obserwowane s podczas hipnozy.

Rys 9.4. Rytmy (fale) wystpujce w sygnale EEG

Badania zarejestrowanych sygnaw EEG doprowadziy do odkrycia waciwoci i regu, ktre pozwoliy nie tylko na diagnozowanie chorb, ale rwnie na odkrycie specyficznych sygnaw wywoanych przez okrelone bodce. Odkryto te, e charakterystyczne sygnay pojawiaj si nie tylko w przypadku wystpienia bodca, ale rwnie w przypadku, kiedy pacjent pomyli o wykonaniu okrelonej czynnoci, jeszcze zanim ona faktycznie nastpi. Moe to stanowi podstaw do konstruowania algorytmw komunikacji czowiek-komputer oraz aparatury do sterowania urzdzeniami za pomoc myli ludzkich. Standardowo w badaniu EEG uywa si 19 elektrod, zgodnie z tak zwanym systemem 1020 ktry jest zalecany przez Midzynarodow Federacj Neurofizjologii Klinicznej (IFCN) (rys.9.5). W zastosowaniu do interfejsu mzg-komputer, ktry nie jest objty norm, uywa mona innej liczby elektrod. Czasem liczba ta siga nawet 512. Liczba elektrod (kanaw BCI) i ich rozmieszczenie na powierzchni gowy jest jednym z waniejszych problemw w BCI.

Rys 9.5. Rozmieszczenie elektrod zgodnie ze standardem 10-20

Naklejenie wikszej liczby elektrod na powierzchni gowy jest zadaniem mozolnym i czasochonnym. Standardowo, badanie EEG wymaga waciwego przygotowania skry w miejscach naklejenia elektrod. Najczciej miejsca takie przeciera si specjaln past lub elem. Ponadto wymagany jest klej lub el do naklejenia elektrod, we waciwych miejscach. Wiele zespow badawczych, w tym zesp autorski, prbuje zminimalizowa liczb
6

wymaganych elektrod, co ma uproci sposb przygotowania pomiaru. Wygodne jest zastosowanie specjalnego czepka z wbudowanymi elektrodami. Najlepsze rezultaty uzyskuje si stosujc elektrody aktywne (z wbudowanymi wzmacniaczami elektronicznymi). W kadym z tych przypadkw konieczne jest uywanie elu, ktry z praktycznego punktu widzenia, stanowi spor niedogodno. W zwizku z tym prowadzone s te eksperymenty z zastosowaniem suchych elektrod. 9.3.1. Potencjay wywoane Oprcz tradycyjnej analizy sygnaw EEG w diagnostyce medycznej stosuje si badanie tak zwanych potencjaw wywoanych (Evoked Potentials, EP) [10]. Potencjay wywoane to sygnay elektryczne rejestrowane na powierzchni gowy (za pomoc kilku elektrod) po pobudzeniu (wywoane) odpowiednim bodcem zewntrznym. Najczciej s to bodce wzrokowe (np. bysk wiata), suchowe lub czuciowe. W zalenoci od pobudzenia wyrniamy wzrokowe, suchowe i somatosensoryczne potencjay wywoane. Amplituda rejestrowanych na powierzchni gowy potencjaw jest bardzo maa. Dodatkowo wystpuj spontaniczne czynnoci elektryczne mzgu, dlatego przy rejestracji potencjaw wywoanych stosuje si wielokrotne powtarzanie danego bodca, a nastpnie wykonuje urednienie wynikw. Przykad wzrokowych potencjaw wywoanych zamieszczono na rys. 9.6. W chwili t=0 wystpowaa ekspozycja bodca. Wida tak zwane zaamki N75, P100 oraz N135. Po ich latencji lekarz moe zdiagnozowa dziaanie ukadu nerwowego.

Rys 9.6. Przykad wzrokowych potencjaw wywoanych. SSVEP

Jednym ze wzrokowych potencjaw wywoanych, wykorzystywanym w BCI jest Steady State Visually Evoked Potential (SSVEP) [61]. Potencjay SSVEP pochodz z kory wzrokowej i zbierane s z tylnej czci czaszki. Uytkownik obserwuje pulsujce z pewn czstotliwoci (od kilku do kilkunastu Hz) rdo wiata (lub pole na ekranie monitora). Taki bodziec wywouje powstanie w korze wzrokowej fal o tej samej czstotliwoci. Dokonujc analizy czstotliwociowej zmierzonego sygnau EEG, zaobserwowa mona wyran dominacj tej czstotliwoci w sygnale. W przypadku wikszej liczby rde, pulsujcych z rn czstotliwoci, po dokonaniu pomiaru odczytanej czstotliwoci mona stwierdzi, ktre rdo obserwowa uytkownik interfejsu. Z danym rdem najczciej skojarzone s gotowe intencje (polecenia), ktre uytkownik chce przekaza maszynie. Interfejsy SSVEP s stosunkowo popularne, gdy dziaaj poza percepcj uytkownika, nie wymagaj treningu z jego strony i s skuteczne dla wikszoci osb. Niestety istnieje pewien odsetek ludzi, u ktrych skupianie uwagi na pulsujcych rdach wiata moe by przyczyn napadu padaczki. Przykad obrazujcy wykorzystanie potencjaw SSVEP do wybierania numeru telefonu pokazano na rys. 9.7 [49]. W tym przypadku pulsujce pola, skojarzone s z odpowiednimi cyframi, rozmieszczonymi zgodnie z obowizujcym standardem.
7

Rys 9.7. Wykorzystanie potencjaw SSVEP do wybierania numeru telefonu. Pulsujce pola skojarzone s z odpowiednimi cyframi. P300

Wydaje si, e jednym z najbardziej wygodnych potencjaw wywoanych, najczciej wykorzystywanym i opisywanym jest potencja P300 [14,57,41]. Potencja ten wystpuje jako odpowied na pewien charakterystyczny, moliwie silnie emocjonalny, oczekiwany przez uytkownika bodziec, np. wzrokowy lub suchowy. Potencja P300 pojawia si po czasie okoo 300ms od wystpienia tego bodca - std jego nazwa. Amplituda i latencja odpowiedzi na bodziec zale od wielu czynnikw psychofizycznych i mog ulega nieprzewidywalnym zmianom. W przypadku stymulacji wzrokowej, uytkownik obserwuje zbir losowo podwietlanych pl. Mog by to pola zawierajce litery lub inne znaki. W chwili podwietlenia oczekiwanego pola, to jest pola, na ktrym uytkownik skupia swoj uwag, w okolicy czubka gowy pojawia si potencja o niewielkiej amplitudzie. W celu dokadniejszego okrelenia potencjau P300, uytkownik obserwuje kilkukrotne podwietlenie tego samego znaku, a odpowiedzi na bodce (potencjay P300) s uredniane. Przejcie uytkownika do obserwacji kolejnego znaku umoliwi mu pisanie tekstu. Czsto, aby przypieszy wybr odpowiedniego pola stosuje si podwietlanie caego wiersza i caej kolumny. Typowy panel wywietlacza pojawiajcy si na monitorze podczas dziaania systemu BCI z wykorzystaniem potencjau P300 zobrazowano na rys. 9.8.

Rys 9.8. Typowy panel wywietlany na monitorze systemu BCI z wykorzystaniem P300
8

Na rys. 9.9 przedstawiono natomiast, obok przebiegu czasowego, lokalizacj aktywnoci mzgu dla P300.

Rys 9.9. Lokalizacja aktywnoci mzgu dla P300 [68]

Jak ju wspomniano, zalet interfejsw budowanych z wykorzystaniem potencjaw wywoanych jest to, ze dziaaj poza percepcj czowieka i std nie wymagaj, ale te i nie daj moliwoci przeprowadzenia treningu. Wikszo uytkownikw moe po prostym przeszkoleniu korzysta z interfejsu. Zaproponowano wiele metod wykorzystania interfejsw P300 i SSVEP do pisania tekstu, poruszania kursorem, sterowania robotem czy wyposaeniem inteligentnego budynku. Zasadnicz wad tych interfejsw (P300 i SSVEP) jest to, e wymagaj od uytkownika pewnej aktywnoci w przenoszeniu wzroku. Czsto jest to trudne dla osoby cakowicie sparaliowanej. 9.3.2. Potencjay skojarzone z wyobraeniem ruchu Najbardziej zaawansowane technologicznie i jednoczenie najtrudniejsze do realizacji s interfejsy asynchroniczne, w ktrych wykorzystuje si sygnay generowane w efekcie wyobraania sobie ruchu. Okazuje si, e aktywnoci mzgu s bardzo zblione do siebie podczas wykonywania ruchu i podczas jego wyobraania. Dziki temu uytkownik nie musi wykonywa ruchu, a wystarczy, e ten ruch sobie wyobraa. Ponadto, zrnicowana jest lokalizacja obszarw aktywnoci mzgu stosownie do wybranych czci ciaa. Daje to moliwo odpowiedniego zaklasyfikowania intencji uytkownika, a co za tym idzie zbudowania ukadu wykonawczego, w ktrym na przykad, wyobraenie ruchu praw rk powoduje skrt wzka inwalidzkiego w praw stron, lew rk w lew stron, praw stop do przodu. Podczas analizy sygnaw powstaych w wyniku wyobraania sobie ruchu mwi si o desynchronizacji i synchronizacji potencjaw mzgowych skojarzonych z tymi intencjami (Event-Related Desynchronization/Synchronization ERD/ERS) [54,27,60]. Jak ju wspomniano wan wskazwk prowadzc do waciwej detekcji sygnaw EEG jest funkcjonalny podzia obszarw kory mzgowej. Pewna wiedza anatomiczna pozwala wskaza miejsca na gowie, ktre s skojarzone z wyobraeniem sobie ruchu pewnymi czciami ciaa. Podzia kory mzgowej na cz sensoryczn i motoryczn z uwzgldnieniem stosownych czci ciaa czowieka zobrazowano na rys. 9.10. Przykadowo wyobraanie sobie ruchu lew rka powoduje wzrost aktywnoci mzgu pod elektrod C3. Wyobraenie ruchu stopami objawia si najbardziej na elektrodzie Cz. Rozrnienie wyobrae ruchu pomidzy praw a lew stop z pomoc EEG nie jest moliwe. Odpowiadajce im obszary mzgu le zbyt blisko siebie. Podobnie jest z wyobraeniem ruchu poszczeglnymi palcami. Natomiast obszary rk, stp i jzyka wyrnione s sporymi rnicami topograficznymi dlatego te najczciej wykorzystuje si je jako obiekty zada mylowych.

Rys 9.10. Podzia kory mzgowej na cz sensoryczn i motoryczn [68]

Szczliwie, uytkownik, dziki zastosowaniu sprzenia zwrotnego w postaci tzw. biofeedbacku, moe nauczy si generowa wzorce poprzez umiejtne wyobraanie sobie ruchu. Pewne cechy tych wyobrae s najbardziej widoczne w sygnale EEG, dla czstotliwoci w pasmach 8Hz12Hz i 18Hz26 Hz [25]. W inwazyjnych systemach BCI wykorzystuje si rwnie aktywno gamma. 9.3.3. Neurofeedback Mniej zaawansowan form interfejsw mzg-komputer jest tak zwany neurofeedback. Jest to jeden z rodzajw biofeedbacku czyli biologicznego sprzenia zwrotnego, pomagajcego uzyska samokontrol nad funkcjami organizmu. W tym przypadku sygna EEG wykorzystuje si do oceny stanu aktywnoci mzgu. Do akwizycji sygnau EEG wykorzystuje si zaledwie kilka elektrod. Informacja o tym, jakie rytmy EEG dominuj jest wywietlana na ekranie monitora. Pacjent tak steruje aktywnoci swojego mzgu, aby wpyn na informacje obrazowane na ekranie monitora. Neurofeedback znalaz zastosowanie w terapii dzieci z ADHD (zesp nadpobudliwoci psychoruchowej), u ludzi z zaburzeniami procesu uczenia si, po urazach czaszki, we wspomaganiu leczenia padaczki. W ostatnim czasie z neurofeedbacku korzystaj osoby zdrowe dla poprawy kondycji psychicznej (koncentracja uwagi, opanowanie emocji, odporno na stres, usprawnienie procesw mylowych, szybka nauka, pami, sen itp.). Przykad interfejsu uytkownika, przeznaczonego do neurofeedbacku zamieszczono na rys 9.11.

Rys 9.11. Przykad interfejsu uytkownika przeznaczonego do neurofeedbacku 10

9.4. Algorytmy przetwarzania sygnau EEG na uytek BCI

W poprzedniej czci pracy wskazano na rne sposoby odczytywania aktywnoci mzgu. Wykazano zalety wykorzystania sygnaw EEG w tym zakresie. W tym kontekcie, nie budzi wtpliwoci fakt, e bardzo wanym elementem interfejsw mzg-komputer jest akwizycja, przetwarzanie, analiza i klasyfikacja sygnaw EEG. Wszystkie te elementy, zarwno analogowego, jak i cyfrowego przetwarzania sygnau EEG musz odbywa si w czasie rzeczywistym. W celu odczytania i waciwej interpretacji zarejestrowanych sygnaw EEG istnieje konieczno dokonania ekstrakcji i selekcji cech tych sygnaw oraz ich klasyfikacji. Selekcja cech jest powszechnie stosowana w zagadnieniach zwizanych z przetwarzaniem duych zbiorw danych, ktre czsto zwizane s z takimi zagadnieniami jak: rozpoznawanie mowy, pisma rcznego, twarzy, krwinek, komrek itp. Problem selekcji cech w wielu pracach naukowych jest postrzegany jako majcy due znaczenie dla skutecznoci klasyfikacji. Obecnie, w powszechnym uyciu znajduje si wiele metod umoliwiajcych dokonywanie selekcji cech, ktre optymalizowane s pod wzgldem: zwikszenia skutecznoci klasyfikacji, zmniejszenia nakadw obliczeniowych, zmniejszenia iloci przechowywanych danych, ograniczenia nadmiarowoci danych. Schemat blokowy typowego rozwizania interfejsu mzg-komputer przedstawiony jest na rysunku 9.12.

Rys 9.12. Schemat blokowy typowego rozwizania interfejsu mzg-komputer [37]

9.4.1. Przetwarzanie wstpne sygnau EEG Akwizycja sygnau EEG jest zadaniem bardzo trudnym. W niniejszej pracy rozwaana bdzie wycznie bezinwazyjna metoda rozmieszczenia elektrod na powierzchni skry gowy. Wiadomo, e rne czci mzgu odpowiadaj za aktywno rnych elementw ludzkiego ciaa, ale ich rozmieszczenie moe ulega pewnym zmianom. Std umiejscowienie elektrod nie jest zadaniem trywialnym. Sygnay odebrane z elektrod maj bardzo mae poziomy (do 100V) i s obarczone caym szeregiem zakce oraz szumw. rdem zakce s artefakty wprowadzane przez procesy fizjologiczne (aktywno mini, ruch gaek ocznych, praca serca i inne) jak i zjawiska techniczne jak np. sie elektroenergetyczna - 50Hz.
11

Uyteczne pasmo sygnaw EEG obejmuje zakres czstotliwoci od 0,5Hz do 100Hz. Typowy przebieg surowego sygnau EEG zamieszczono na rys. 9.13. Wida wyran dominacj czstotliwoci 50 Hz.

Rys 9.13. Typowy przebieg surowego sygnau EEG

Z tych przyczyn proces kondycjonowania sygnaw EEG ma bardzo due znaczenie. Tak wic trzeba w sposb znaczcy wzmocni sygna, uwzgldni napicia wolnozmienne generowane na styku skra-elektroda, odfiltrowa zakcenia o czstotliwoci sieci elektroenergetycznej (50Hz) oraz dokona dolnopasmowej filtracji sygnau. Wzmocnione sygnay, pochodzce z kilku, a czasem nawet kilkudziesiciu elektrod, s dalej przetwarzane do postaci cyfrowej i przekazywane do komputera. Tam zwykle, w pierwszym etapie, realizowane jest dalsze, ale ju cyfrowe przetwarzanie sygnau, zwane przetwarzaniem wstpnym (zgrabna nazwa ang. preprocessing). Wanym elementem wstpnego przetwarzania sygnau EEG jest zastosowanie filtrw przestrzennych. Do metod filtracji przestrzennej zaliczy mona filtry Laplacea lub metod CSP (Common Spatial Patterns). Dziaanie filtru Laplacea polega na odjciu od sygnau rejestrowanego z pewnej elektrody wartoci sygnau elektrod ssiednich. Metoda CSP jest bardziej zaawansowan technik i polega na doborze za pomoc specjalnego algorytmu wag dla poszczeglnych elektrod. Algorytm doboru wag maksymalizuje rnice wariancji sygnau w pewnym pamie (najczciej 830 Hz) dla wybranych zada mylowych nalecych do rnych klas. W bardziej zaawansowanych systemach BCI, wykorzystuje si metody lepej separacji sygnaw (Blind Signal Separation - BSS) na przykad analiz skadowych niezalenych (ICA) do rozseparowania sygnaw i usunicia artefaktw. Przebiegi poszczeglnych skadowych rzeczywistego sygnau zamieszczono na rys. 9.14.

Rys 9.14. Przebiegi skadowych rzeczywistego sygnau EEG 12

Warto podkreli, e istotne znaczenie ma szybko dziaania algorytmw cyfrowego przetwarzania sygnau EEG, gdy musz by one wykonywane w czasie rzeczywistym. Efektem wynikowym przetwarzania wstpnego jest sygna EEG odfiltrowany, pozbawiony artefaktw i w sposb bardziej przejrzysty eksponujcy oczekiwane cechy. 9.4.2. Ekstrakcja cech sygnau EEG Nastpnym etapem jest ekstrakcja cech sygnau EEG. takich, ktre w sposb najbardziej przejrzysty opisywa bd oczekiwane waciwoci sygnau. Mog to by cechy zwizane z ksztatem przebiegu sygnau (analiza czasowa), z poszczeglnymi skadowymi czstotliwociowymi (analiza czstotliwociowa), widmem gstoci mocy, parametrami czasowo-czstotliwociowymi (krtkoczasowa transformata Fouriera - STFT, transformata Falkowa DWT), modelami autoregresyjnymi (AR) lub z parametrami statystycznymi niszych i wyszych rzdw (HOS) wariancja, skono, kurtoza. Najczciej uywane cechy to amplituda sygnau (dla potencjau P300) lub rozkad widmowy (dla potencjaw SSVEP oraz ERD/ERS). W interfejsie z potencjaem P300 mamy moliwo (i potrzeb) uredniania sygnau, dopiero potem wybieramy cechy, ktre posu do trenowania klasyfikatora. Wybr odpowiednich cech w tym przypadku, uatwia fakt, e wiemy, w ktrej chwili czasu rozpocz analiz sygnau. W przypadku interfejsw asynchronicznych, aby odszuka charakterystyczne cechy naley przeanalizowa cay fragment zarejestrowanego sygnau. W tym celu naley wybra przesuwane okno czasowe o okrelonej szerokoci i dla fragmentu sygnau objtego przez to okno wyznaczy cechy (rys. 9.15).

Rys 9.15. Generacja cech z uyciem przesuwanego okna czasowego

9.4.3. Selekcja cech sygnau EEG W wyniku ekstrakcji cech otrzymuje si zbiory zwane wektorami cech (feature vectors). I tak przykadowo, dla 1-sekundowego okna czasowego typowo otrzymuje si 40 prkw widma (FFT: 1Hz40Hz). W ten sposb dla systemu 32-elektrodowego powstanie 1280 cech. Jak wida liczba cech moe osiga bardzo due wartoci, ponadto mog si tam znale cechy nadmiarowe. Std potrzeba eliminacji cech przed klasyfikacj selekcja. Selekcja cech jest bardzo trudnym i odpowiedzialnym zadaniem. Chocia znane s oglne waciwoci sygnau przypisane konkretnym zdarzeniom, to s one rne dla rnych uytkownikw. Mao tego, mog si zmienia z dnia na dzie, a nawet z sesji na sesj. Dlatego te selekcj cech warto powtarza przed kadym uyciem interfejsu. Istnieje wiele metod selekcji cech od szybkich, rankingowych po czasochonne zawierajce zoone klasyfikatory. Jedn z najprostszych metod jest uszeregowanie cech
13

wedug pewnego kryterium rankingowego. Miar jakoci cech, w tym przypadku, s najczciej: t-statystyki, wspczynnik K-Fishera lub korelacja wzajemna. Do bardziej zaawansowanych metod zawierajcych klasyfikatory zalicza si: sekwencyjn selekcj w przd (Sequence Forward Selection - SFS) lub algorytmy genetyczne (Genetic Algorithms GA). Wane miejsce zajmuje te liniowa analiza dyskryminacyjna (Linear Dicriminant Analysis - LDA). Dziaanie takich zoonych metod selekcji przynosi zwykle lepsze rezultaty, jednak zajmuje sporo czasu. Innym, wanym elementem, po czci wicym si z procesem selekcji cech, jest wskazanie najlepszych elektrod (selekcja elektrod), z ktrych powinien by odczytany sygna EEG. Selekcja ta moe polega na zliczeniu wybranych cech, przypadajcych na konkretn elektrod. W pniejszym etapie, dla konkretnego uytkownika, mona uy ograniczonej liczby elektrod, zlokalizowanych we wskazanych obszarach. Powiksza to ergonomiczno systemu BCI. 9.4.4. Klasyfikacja Pewne waciwoci charakteryzujce dany fragment sygnau EEG (tj. wybrane w wyniku selekcji cechy), s wykorzystywane w procesie klasyfikacji. Znanych jest wiele algorytmw umoliwiajcych klasyfikacj cech sygnaw EEG. Najczciej wykorzystuje si maszyny wektorw podtrzymujcych (Support Vector Machine - SVM), wielowarstwowe sieci neuronowe (Multilayer Perceptron - MLP), klasyfikator Bayesa (Naive Bayes Classifier NBC), klasyfikator najbliszego ssiada (Neerest Neighbour - KNN) oraz liniowa analiza dyskryminacyjna (Linear Discriminant Analysis - LDA) i ukryte modele Markowa (Hidden Markov Models - HMM). Warto podkreli, e wanym elementem interfejsw mzgkomputer s sesje kalibracyjne, podczas ktrych przeprowadzana jest analiza rejestrowanego sygnau EEG oraz trenowane s klasyfikatory. Podsumowanie rozwaa nad moduami interfejsu mzg-komputer zawarto w tabeli 1.
Tabela 1. Zestaw algorytmw przyporzdkowanych kolejnym etapom interfejsu mzg-komputer Akwizycja sygnau Przetwarzanie wstpne Wzmacnianie, filtracja analogowa, przetwarzanie A/C Filtracja cyfrowa (FIR/IIR), , filtracja przestrzenna: filtry Laplacea, Common Spatial Patterns (CSP), lepa separacja sygnau (BSS), Analiza Skadowych Niezalenych ( ICA), Filtr Kalmana. Dyskretna Transformata Fouriera (DFT), widmo gstoci mocy (PSD), Dyskretna Transformata Falkowa (DWT), statystyki wyszych rzdw (HOS), Modele Autoregresyjne (AR), Analiza Skadowych Gwnych (PCA). Metody: Rankingowe: K-Fisher, statystyki, Nierankingowe: Algorytmy genetyczne (GA), Sequence Forward Selection (SFS), Analiza Skadowych Gwnych PCA, Liniowa analiza dyskryminacyjna LDA. Sieci neuronowe MLP, maszyny wektorw wspierajcych (SVM), Liniowa analiza dyskryminacyjna (LDA), klasyfikator Bayesa (NBC), klasyfikator najbliszego ssiada (KNN), K-means, ukryte modele Markowa (HMM), Drzewa decyzyjne (DT), Klastrowanie (C).

Ekstrakcja cech

Selekcja cech

Klasyfikacja

Ostatnim etapem interfejsu mzg-komputer jest wykorzystanie sygnau wyjciowego z klasyfikatora do wysterowania elementu wykonawczego, generujcego pewne zdarzenie jako efekt intencji uytkownika.
14

9.5. Ocena i porwnanie jakoci systemw BCI

Jako dziaania interesw mzg-komputer mona mierzy na wiele sposobw. Najprostsz miar jest trafno klasyfikacji (classification accuracy, classification rate). Jest to liczba poprawnie zaklasyfikowanych zdarze podzielona przez liczb wszystkich moliwych prb. Czsto zamiast poprawnoci klasyfikacji podaje si bd klasyfikacji. Innym rodzajem parametru okrelajcego jako systemw BCI jest efektywna szybko ich dziaania. Jest to miara mwica ile dziaa moliwych jest do wykonania w jednostce czasu (np. liczba znakw alfanumerycznych na minut). Miary te s ze sob skojarzone, gdy na liczb poprawnie wykonanych dziaa duy wpyw ma jako klasyfikacji. Bardziej ogln miar oceny jakoci interfejsw mzg-komputer jest szybko transferu podstawowej informacji w systemie, opisana za pomoc wspczynnika (Information Transfer Rate - ITR). Warto ITR zaley od liczby moliwych wyborw (klas), czasu potrzebnego na klasyfikacj jednego wyboru, oraz redniej wartoci bdu podczas dziaania interfejsu. Wspczynnik ITR (w bitach na prb), dla systemw BCI z N moliwymi wyborami, definiuje si jako [36]:
= log + log + 1 log

(1)

gdzie P oznacza redni skuteczno klasyfikacji. Jeli okres czasu na klasyfikacj wynosi Tk to ITR mona wyrazi np. w bitach na minut (B/Tk). Na rys. 9.16 zobrazowano wpyw trafnoci P dziaania klasyfikatora na warto ITR wyraon w bitach na prb. Oczywicie wykres ma sens dla trafnoci klasyfikatora wikszych ni 1/N, gdzie N to liczba wyborw.

Rys 9.16. Zaleno wartoci ITR [w bitach na prb] od trafnoci dziaania P klasyfikatora

Typowo, systemy BCI bazujce na potencjaach wywoanych (SSVP, P300), maj wysz warto wspczynnika ITR ni systemy wykorzystujce strategi wyobraania sobie ruchu (ERD/ERS). Gwn przyczyn jest to, e systemy ktre wymagaj skupienia uwagi uytkownika, zwykle wykorzystywane s do detekcji wikszej liczby klas. Spotykane s interfejsy, ktre umoliwiaj transmisj informacji z szybkoci 30 bit/min [56], a nawet 60 bit/min [49] czy 90 bit/min [70]. Jednak poziom jakoci dziaania interfejsu, nie jest jednakowy dla wszystkich czonkw populacji i jest indywidualny dla kadego uytkownika. Naley zauway, e z obiektywnego punktu widzenia, szybko dziaania interfejsu jest zbyt maa. Jednak w przypadku osb z dysfunkcjami jest wystarczajca, zwaszcza jeli interfejs BCI stanowi dla nich jedyn form komunikacji z otoczeniem.
15

9.6. Wybrane aspekty realizacji BCI na przykadzie bada wasnych1

Badania naukowe nad interfejsem mzg-komputer, realizowane przez zesp autorski, koncentruj si na wykorzystaniu dwch podstawowych potencjaw: potencjau wywoanego P300 (interfejs synchroniczny) i potencjaw mzgowych skojarzonych z ruchem ERD/ERS (interfejs asynchroniczny). Jak ju wspomniano, w interfejsie P300 wykorzystuje si detekcj potencjau wywoanego na skutek podwietlenia na ekranie oczekiwanej litery. Niestety jego detekcja, przy aktualnym stanie metod analizy sygnaw, wymaga zwykle szeregu powtrze, co zmniejsza szybko transferu informacji i w sposb znaczcy opnia dziaanie interfejsu. W przypadku ERD/ERS dokonuje si odczytu intencji ruchu praw lub lew rk, czy np. stop. Ten najbardziej "naturalny" tryb sterowania w BCI, w ktrym np. wyobraenie ruchu praw rk moe oznacza "skrt w prawo", lew "skrt w lewo", a ruchu stop - "ruch do przodu", jest jednoczenie najbardziej skomplikowany w realizacji. Odrnienie intencji ruchu za pomoc koczyn moliwe jest dziki funkcjonalnemu podziaowi obszarw mzgu i teoretycznie wymaga stosunkowo duej liczby elektrod. Wstpne eksperymenty zostay przeprowadzane na sygnaach z oglnodostpnych baz sygnaw EEG (BCI) oraz danych zebranych eksperymentalnie za pomoc wielokanaowego (16), komercyjnego wzmacniacza referencyjnego wysokiej klasy [60]. Wszystkie eksperymenty prowadzone s wycznie w sposb bezinwazyjny, na sygnaach EEG zbieranych za pomoc tradycyjnych, pasywnych elektrod miseczkowych, pokrytych past przewodzc oraz firmowych elektrod aktywnych. Eksperymenty takie, w zasadzie, nie wymagaj wiedzy medycznej, a jedynie przeszkolenia, przez technika, w zakresie nakadania elektrod. Nadrzdnym celem eksperymentw wykonywanych przez autorw jest minimalizacja liczby elektrod, na uytek interfejsu z wyobraeniem ruchu (ERD/ERS). W tym celu stosowane s rne metody analizy sygnau EEG, ktre uatwiaj dokonanie ekstrakcji cech. S to metody czstotliwociowe (transformata Fouriera DFT, transformata Falkowa DWT, transformata kosinusowa DCT) oraz model autoregresyjny (AR) [50]. Istotnym novum jest generowanie wektorw cech na podstawie statystyk wyszych rzdw (HOS) liczonych dla kolejnych detali transformaty falkowej. Zdaniem autorw daje to moliwo polepszenia wynikw klasyfikacji, a co za tym idzie znaczcego usprawnienia dziaania systemu BCI. W wyniku procesu ekstrakcji cech powstaje dosy dua ich liczba (nawet kilka tysicy). Tak dua liczba cech niesie ze sob wiele problemw. Najwaniejsze z nich to moliwo wystpienia nadmiarowoci danych oraz zwizane z tym trudnoci w trenowaniu klasyfikatora. Stwierdzono, e selekcja "najlepszych cech, spord wielkiej ich liczby, daje lepsz jako dziaania klasyfikatora. Obecnie stosowane systemy BCI najczciej bazuj na intuicyjnych metodach selekcji cech, nie zawsze optymalnych. Przez autorw stosowane s zaawansowane metody selekcji takie jak: liniowa analiza dyskryminacyjna (LDA), analiza skadowych gwnych (PCA) oraz algorytmy genetyczne (GA) [33]. Jednoczenie, na tym etapie, planuje si dokonanie wyboru najlepszych elektrod (w sensie pooenia na powierzchni gowy). Biorc pod uwag fakt, e cechy wydobyte z sygnaw mog by rne dla kolejnych sesji tego samego uytkownika, wprowadza si moliwo ich biecej aktualizacji, czy te wielokrotnego doboru. Jako wybranych cech jest na bieco weryfikowana za pomoc takich klasyfikatorw jak: LDA, KNN, SVM, MLP, ktre s trenowane z nauczycielem (pod nadzorem) [36]. Dodatkowo autorzy podjli prb implementacji klasyfikatorw, ktre ucz si bez wiedzy o przynalenoci do danej klasy (trenowanie bez nadzoru).
1

Badania wasne autorw realizowane s w ramach projektu MNiSW Nr N N510 526239, pt: Opracowanie efektywnych metod akwizycji i nowych algorytmw przetwarzania sygnau EEG na uytek interfejsu mzg-komputer 16

W opinii autorw, wyej opisane badania, doprowadz do znaczcego ograniczenia liczby elektrod z jednoczesnym, niejako automatycznym wyonieniem ich optymalnego pooenia. Dla tak wybranego zestawu elektrod zostanie podjta prba zaprojektowania nowego systemu BCI z ograniczon liczba elektrod. Bdzie to stanowio drugi etap bada. Podczas przeprowadzanych bada, duy nacisk pooony zosta na kwesti kondycjonowania sygnau (wzmacnianie, filtracja, odszumianie, eliminacja zakce, eliminacja artefaktw). W tym celu, oprcz metod tradycyjnych, zdecydowano si na uycie algorytmw lepej separacji (Blind Signal Separation - BSS), a w szczeglnoci analizy skadowych niezalenych (Independent Component Analysis - ICA). Na tak "wybielonym" sygnale zostaa podjta ponowna prba ekstrakcji cech oraz ich selekcji. Nastpnie cechy zostay ponownie zweryfikowane za pomoc klasyfikatorw, podczas eksperymentalnych bada systemu w warunkach rzeczywistych. Ostatecznym sprawdzianem algorytmw bd testy na ochotnikach.

P300
Jak ju wspomniano, jednym z zada autorw, bya te prba wykorzystania potencjau P300 do edycji tekstu. Posikujc si systemem BCI20002 autorzy uruchomili interfejs mzgkomputer z wykorzystaniem potencjau wywoanego P300. Elementem umoliwiajcym zarejestrowanie sygnau EEG, by czepek wraz z 8 aktywnymi elektrodami oraz firmowy wzmacniacz potencjaw elektrofizjologicznych. Zastosowane elektrody aktywne nie wymagay oczyszczania skry powierzchni gowy. Kontakt skra-elektroda moliwy by dziki niewielkiej iloci elu. Elektrody zostay umieszczone w pozycjach Cz, CPz, FCz, C1, C2, Oz. Elektrod GND umieszczono na pozycji FPz, a elektrod referencyjn (Ref) na lewym uchu. Pierwszym etapem bada bya tzw. sesja kalibracyjna. W tym celu uytkownik mia za zadanie koncentrowa swoja uwag na monitorze, na ktrym podwietlane byy wybrane znaki (rys. 9.8). W celu lepszego nauczenia klasyfikatora wykonano kilka sesji kalibracyjnych. Zbir przebiegw towarzyszcych rejestracji potencjau P300 dla sesji kalibracyjnej zamieszczono na rys.9.17.

Rys 9.17. Potencja P300. Kolor niebieski - potencja skojarzony z wystpowaniem bodca, kolor czerwony - potencja skojarzony z polem na ktre uytkownik nie patrzy.

BCI2000 otwarty dla rodowisk naukowych system BCI zawierajcy moduy akwizycji danych, prezentowania bodcw, analizy i klasyfikacji sygnaw. 17
2

Ostatnim etapem przeprowadzonych eksperymentw byo wykorzystanie podwietlanych znakw (matryca 6x6) do pisania dowolnego tekstu (rys. 9.18). Zadaniem uytkownika byo skupianie uwagi na literze, ktr mia zamiar napisa. Analiza odpowiedzi na bodziec (potencjau wywoanego P300), umoliwia sprawne pisanie tekstu. Dokonanie wyboru jednego znaku (spord 36), zajmowao rednio 8 sekund. Sprawno przebadanego interfejsu wynosia ok. 93%.

Rys 9.18. Wykorzystanie potencjau P300 do pisania tekstu

9.6.1. ERD/ERS Dotychczasowe prace autorw, dotyczce interfejsu asynchronicznego ERD/ERS, koncentroway si na minimalizacji liczby elektrod, przy jednoczesnym wskazaniu ich optymalnego pooenia na gowie pacjenta. Jako cechy autorzy wykorzystywali DFT, DWT/HOS oraz wspczynniki AR. Ekstrakcja cech wykonywana bya dla okna sygnau EEG przesuwanego w czasie. Sposb ekstrakcji cech z uyciem pomoc szybkiego przeksztacenia Fouriera (FFT), zilustrowano na rys. 9.19.

Rys 9.19. Sposb ekstrakcji cech z sygnau EEG (FFT

Ekstrakcja cech przeprowadzana bya dla 32 kanaowego zapisu EEG. Wynikiem ekstrakcji bya olbrzymia liczba danych. Dokonujc analizy cech, autorzy mogli jednoczenie
18

stwierdzi, z ktrych elektrod wywodz si najwaniejsze spord nich. W procesie selekcji autorzy wykorzystywali metody rankingowe i nierankingowe: K-Fisher, t-statystyki oraz algorytmy ewolucyjne [53]. Przykady otrzymanych rezultatw przedstawione s na rys.9.20.

Rys 9.20. Prezentacja pooenia najlepszych elektrod - selekcja za pomoc opracowanych metod: a) rnica potencjaw, b) wspczynnik K-Fishera [36]

Po zobrazowaniu rozkadu potencjaw na gowie, moliwe byo okrelenie miejsc, gdzie powinny zosta naklejone elektrody. Taka wizualna reprezentacja ma bardzo du zalet, poniewa umoliwia szybk konfrontacj z wiedz teoretyczn (neuropsychologia). Wykonujc selekcj cech oraz wskazujc najlepsze miejsca na gowie uytkownika autorzy wskazali cechy, ktre daj najwiksza szans na poprawn klasyfikacj. Na rys. 9.21 zaprezentowano rozkad najlepszych cech, otrzymany dla przypadku DWT/HOS z algorytmem genetycznym do selekcji.

Rys 9.21. Rozkad najlepszych cech, otrzymany dla przypadku DWT/HOS z algorytmem genetycznym do selekcji. Im ciemniejsze pole tym czciej wystpowaa cecha [31]

19

Rys 9.22. Rozkad cech na elektrodach dla DWT/HOS i algorytmu genetycznego

Podczas bada, autorzy stwierdzili, e najbardziej znaczce cechy DWT/HOS wypaday na czterech elektrodach C3, CP1, C4 oraz C4 (rys.9.22). Nastpnie ograniczono zbir tylko do wybranych czterech elektrod i ponownie przeprowadzono selekcj oraz trenowanie klasyfikatora [31]. Takie ograniczenie liczby elektrod nie pogorszyo znaczco wynikw klasyfikacji. Podobn analiz zrealizowano dla cech FFT. Wyniki zobrazowano na rys. 9.23.

Rys 9.23. Rozkad najlepszych cech, otrzymany dla przypadku DFT z algorytmem genetycznym do selekcji. Im ciemniejsze pole tym czciej wystpowaa cecha [48]

Na rysunku 9.24 zaprezentowano rozkad cech na elektrodach dla FFT i algorytmu genetycznego. Otrzymane wyniki wskazuj, e jest moliwe ograniczenie liczby elektrod, na uytek systemw BCI. Takie ograniczenie znaczco moe usprawni proces akwizycji przetwarzania, analizy i klasyfikacji sygnau EEG.

20

Rys 9.24. Rozkad cech na elektrodach dla FFT i algorytmu genetycznego [33]

9.7. Podsumowanie
Zaprojektowanie i realizacja interfejsu mzg-komputer (BCI) jest jednym ze znaczcych wyzwa wspczesnej nauki. wiadcz o tym liczne publikacje w czasopismach naukowych jak i wyrane zainteresowanie mediw. Moliwo bezporedniej interakcji czowieka z komputerem (bez manualnej obsugi urzdze peryferyjnych) otwiera nowe kanay przekazu informacji w medycynie, psychologii, technikach multimedialnych i wojskowych. Szczeglne znaczenie maj tutaj zastosowania tego interfejsu w medycynie zarwno w aspekcie poznawczym, funkcjonowania ludzkiego mzgu, jak i praktycznym jako jedyna szansa rozwoju dla osb dotknitych chorobami neurologicznymi. Interfejs mzg-komputer moe pomc w komunikacji ze wiatem zewntrznym osobom w cikich stadiach takich chorb neurologicznych jak stwardnienie zanikowe boczne, udar mzgowy podkorowy, zesp Guillain-Barrea, mzgowe poraenie dziecice czy stwardnienie rozsiane zanikowe boczne. Wiele osb cierpi na stwardnienie zanikowe boczne, neurodegeneracyjn chorob ukadu nerwowego, ktra niszczy cz centralnego ukadu nerwowego odpowiedzialn za ruch, nie zaburza natomiast czucia, zdolnoci poznawczych i intelektu. Osoby, ktre na ni zapadaj, stopniowo trac kontrol nad wasnym ciaem i w cigu 2 do 3 lat osigaj stan, w ktrym nie maj adnej moliwoci komunikacji z otoczeniem. Kolejn grup ludzi, ktrym naley zapewni moliwo porozumiewania si z otoczeniem za pomoc BCI s osoby, ktre zapady na udary mzgu, a w szczeglnoci udary pnia mzgu. Do wymienionych grup naleaoby doczy ofiary wypadkw komunikacyjnych, w wyniku ktrych doszo do uszkodzenia szyjnego odcinka rdzenia krgowego. Barier dla upowszechnienia metody bezporedniej komunikacji mzg-komputer, z wykorzystaniem sygnaw elektroencefalograficznych, s wysokie ceny i zoono aparatury. Najczciej bowiem, w tym przypadku, uywane s wzmacniacze, ktre byy konstruowane do zastosowa w diagnostyce medycznej, zawierajce od 32 do 512 kanaw. Dodatkowo s one zwykle przystosowane do wsppracy z innego rodzaju sprztem medycznym, za porednictwem specjalnego interfejsu, ktrego protok komunikacyjny nie jest powszechnie udostpniany. Powstaje zatem potrzeba stworzenia dedykowanych, taszych wzmacniaczy na uytek BCI. Cho, jak pokazuj badania, moliwe jest ograniczenie liczby elektrod, to jednak nie jest dotychczas znana ani ich minimalna liczba ani pooenie. Poza tym rozmieszczenie
21

elektrod moe by inne dla kadego uytkownika. Pomocna bywa intuicja i wiedza lekarza. Nie bez znaczenia jest te fakt, e cechy sygnau EEG, uytkownika mog zmienia si z wraz ze zmian stanu psychicznego. Dodatkowo, w interfejsach ERD/ERS cechy silnie zale od przebiegu procesu "wyobraania sobie ruchu". Dotychczas nie przeprowadzono gruntownych bada majcych na celu ekstrakcj najlepszych cech z sygnau EEG. Nie przebadano te gruntownie narzdzi, ktre w szybki i skuteczny sposb pozwol selekcjonowa najlepsze cechy. Rozwizanie powyszych zada pomoe w przeamaniu bariery efektywnego uycia interfejsw mzg-komputer w praktyce.

Bibliografia
[1] [2] [3] [4] [5] [6] [7] [8]
Allison B.Z., McFarland D.J., Schalk G., Zheng S.D., Jackson M.M., Wolpaw J.R., Towards an independent brain-computer interface using steady state visual evoked potentials. Clin Neurophysiol (2008). Bang-hua Yanga, Guo-zheng Yanb, Ting Wub, Rong-guo Yanb, Subject-based feature extraction using fuzzy wavelet packet in braincomputer interfaces, Signal Processing 87 (2007). Bauernfeind G., Leeb R., Wriessnegger S.C., Pfurtscheller G., Development, set-up and first results for a one-channel near-infrared spectroscopy system, Biomedizinische Technik, (2008). Birbaumer N., Elbert T., Canavan A.G.M., Rockstroh B., Slow potentials of the cerebral cortex and behavior. Physiol Rev, 70 (1990). Birbaumer N., Ghanayim N., Hinterberger T., et al., A spelling device for the paralysed. Nature, 398 (1999). Birbaumer N., Hinterberger T., Kubler A., Neumann N., The thought-translation device (TTD): neurobehavioral mechanisms and clinical outcome. IEEE Trans Neural Syst Rehabil Eng, 11 (2003). Birbaumer N., Slow cortical potentials: their origin, meaning, and clinical use. In: G.J.M. van Boxtel and K.B.E. Bocker (Eds.), Brain and behavior past, present, and future, Tilburg Univ Press (1997).

Byczuk M., Interfejs czowiek-komputer z detekcj elektrycznych sygnaw mzgowych wywoanych naprzemiennym pobudzaniem pl wzrokowych, Rozprawa doktorska. [9] Byczuk M., Materka A., Komunikacja czowieka z komputerem za pomoc sygnau EEG, Elektronika Prace Naukowe, Wydzia Elektrotechniki Politechniki dzkiej, (2003). [10] Celesia G.G., Peachey N.S., Visual Evoked Potentials and Electroretinograms. In E.Niedermeyer and F.H.L da Silva (Eds.), Electroencephalography: Basic principles, clinical applications, and related fields, Williams and Wilkins, Baltimore, MA, (2004).

[11] Dennett D.C., Consciousness explained, Back Bay Books, Lippincott Williams & Wilkins,
(1992).

[12] Donchin E., Presidential address, 1980. Surprise! ... Surprise? Psychophysiology, 18, (1981). [13] Donchin E., Ritter W., McCallum C., Cognitive psychophysiology: the endogenous
components of the ERP., Brain-event related potentials in man, Academic, New York, (1978).

[14] Donchin E., Spencer K.M., Wijesinghe R., The mental prosthesis: assessing the speed of a
P300-based brain-computer interface, IEEE Trans Rehabil Eng, 8 (2000).

[15] Donoghue J.P., Connecting cortex to machines: recent advances in brain interfaces. Nat
Neurosci. 5 (2002).

[16] Dornhege G., Blankertz B., Curio G., Mulle K., Boosting bit rates in non-invasive EEG
single-trial classifications by feature combination and multi-class paradigms. IEEE Transactions on Biomedical Engineering 100 (2004). 22

[17] Dornhege G., Millan J.D.R., Hinterberger T., McFarland D.J., Mller K., Sejnowski T.J.,
Toward Brain-Computer Interfacing, The MIT Press, Cambridge, MA, (2007). [18] Elbert T., Rockstroh B., W. Lutzenberger, and N. Birbaumer Biofeedback of slow cortical potentials. I. Electroencephalogr Clin Neurophysiol, 48 (1980).

[19] Farwell L.A., Donchin E., Talking off the top of your head: toward a mental prosthesis
utilizing event-related brain potentials, Electroencephalographz Clin Neurophysiol, 70 (1988).

[20] Fisch BJ., Fisch and Spehlmanns third revised and enlarged EEG primer, Elsevier,
Amsterdam (1999).

[21] Fries P., Nikolic D., Singer W., The gamma cycle. Trends Neurosci, 30 (2007). [22] Gastaut H., tude electrocorticographique de la racivit des rythmes rolandiques. Rev
Neurol, 87 (1952).

[23] Ghez C., Krakauer J., Voluntary movement. In E.R. Kandel, J.H. Schwartz T.M. Jessell,
(Eds.), Principles of neural science, (2000).

[24] Glover A.A., Onofrj M.C, M.F, Ghilardi Bodis-Wollner I., P300-like potentials in the normal
monkey using classical conditioning and the oddball paradigm. Electroencephalogr Clin Neurophysiol (1986).

[25] Graimann B., Allison B., Pfurtscheller G., BrainComputer Interfaces, ISBN: 978-3-64202090-2 (2011). [26] Gutirrez D., Escalona-Vargas D., EEG data classification through signal spatial redistribution and optimized linear discriminants, Computer methods and programs in biomedicine 97 (2010). [27] Hyekyoung Lee, Cichocki A., Seungjin Choi, Kernel nonnegative matrix factorization for spectral EEG feature extraction, Neurocomputing 72 (2009).

[28] Ince N., Fikri Goksu, Tewfik A., Sami Arica, Adapting subject specific motor imagery EEG
patterns in spacetimefrequency for a brain computer interface, Biomedical Signal Processing and Control 4 (2009).

[29] Incea N., Ahmed H. Tewfika, Sami Aricab, Extraction subject-specific motor imagery time
frequency patterns for single trial EEG classification, Computers in Biology and Medicine 37 (2007) .

[30] Kam Swee Ng, Hyung-Jeong Yang, Sun-Hee Kim, Hidden pattern discovery on event
related potential EEG signals, BioSystems 97 (2009). [31] Koodziej M., Majkowski A., Rak R., A new method of EEG classification for BCI with feature extraction based on higher order statistics of wavelet components and selection with genetic algorithms, International Conference on Adaptive and Natural Computing Algorithms, ICANNGA'11, which will take place in Ljubljana, Slovenia, April 14-16 (2011).

[32] Koodziej M., Majkowski A., Rak R., A new method of feature extraction from EEG signal
for brain-computer interface design, Przegld Elektrotechniczny nr 9 (2010). [33] Koodziej M., Majkowski A., Rak R., Implementation of genetic algorithms to feature selection for the use of brain-computer interface, International Workshop "Computational Problems of Electrical Engineering, CPEE2010, Lzn Kynvart, Czech Republic, Sep. 2010.

[34] Koodziej M., Majkowski A., Rak R., Interfejs mzg-komputer wybrane problemy
rejestracji i analizy sygnau EEG, Przegld Elektrotechniczny Nr 12 (2009). [35] Koodziej M., Majkowski A., Rak R., Matlab FE_Toolbox - an universal utility for feature extraction of EEG signals for Brain-Computer Interface realization. Przegld Elektrotechniczny Nr 1 (2010).

[36] Koodziej M., Majkowski A., Rak R., Optymalizacja doboru okien czasowych do
przetwarzania sygnau EEG w interfejsach mzg-komputer, IX Szkoa-Konferencja "Metrologia Wspomagana Komputerowo" MWK'2011, Waplewo, (2011). 23

[37] Koodziej M., Majkowski A., Rak R., Wizualizacja rozkadu potencjau EEG na gowie
pacjenta w zastosowaniu do asynchronicznego interfejsu mzg MPM, X Jubileuszowe Sympozjum "Modelowanie i Pomiary w Medycynie", Krynica, (2011).

[38] Koodziej M., Majkowski A., Rak R., Wykorzystanie t-statystyk do szybkiej selekcji cech
sygnau EEG na uytek interfejsu mzg-komputer IX Szkoa-Konferencja "Metrologia Wspomagana Komputerowo" MWK'2011, Waplewo, maj (2011).

[39] Koodziej M., Majkowski A., Wybrane problemy przetwarzania, analizy i klasyfikacji
sygnau EEG na uytek interfejsu mzg-komputer. Metrologia dzi i jutro, (2010). [40] Koodziej M., Wykorzystanie sygnau EEG do komunikacji czowieka z maszyn , praca dyplomowa, Wydzia Elektryczny, Politechnika Warszawska, (2007).

[41] Kouji Takano, Tomoaki Komatsu, Naoki Hata, Yasoichi Nakajima, Kenji Kansaku, Visual
stimuli for the P300 braincomputer interface: A comparison of white/gray and green/blue flicker matrices, Clinical Neurophysiology 120 (2009).

[42] Kozelka J.W, Pedley T.A., Beta and mu rhythms, J Clin Neurophysiol 7 (1990). [43] Levine S.P., Huggins J.E., BeMent S.L., Kushwaha R.K., Schuh L.A., Passaro E.A., Rohde
M.M., Ross D.A., Identification of electrocorticogram patterns as the basis for a direct brain interface, J Clin Neurophysiol. 16 (1999).

[44] Li Lin, Ji Hongbing, Signal feature extraction based on an improved EMD method,
Measurement 42 (2009) . [45] Lutzenberger W., Elbert T., Rockstroh B., Birbaumer, N. Biofeedback of slow cortical potentials. II. Analysis of single event-related slow potentials by time series analysis. Electroencephalogr Clin Neurophysiol 48 (1980).

[46] Maillot F., Laueriere L., Hazouard E., Giraudeau B., Corcia P., Quality of life in ALS is
maintained as physical function declines. Neurology (2001). [47] McFarland D.J., Miner L.A., Vaughan T.M., Wolpaw J.R. Mu and Beta rhythm topographies during motor imagery and actual movements. Brain Topogr 12, (2000).

[48] Montgomery SM., Buzsaki G., Gamma oscillations dynamically couple hippocampal CA3
and CA1 regions during memory task performance. Proc Natl Acad Sci USA, 104 (2007). [49] Muller-Putz G.R., Pfurtscheller G., Control of an electrical prosthesis with an SSVEPbased BCI. IEEE Trans Biomed Eng, (2008).

[50] Niedermeyer E., Silva F.L.D., Electroencephalography: Basic principles, clinical

applications, and related fields, Lippincott Williams & Wilkins, (2004). [51] Niedermeyer E., The Normal EEG of the Waking Adult. In: E. Niedermeyer E and F.H.L.da Silva (Eds.), Electroencephalography: Basic principles, clinical applications, and related fields, Williams and Wilkins, Baltimore (2004). [52] Nijholt A., D. Tan, Brain-Computer Interfacing for Intelligent Systems. Intell Syst IEEE, (2008). [53] P. Malinowski, S. Fuchs, and M.M. Muller Sustained division of spatial attention to multiple locations within one hemifield. Neurosci Lett, 414, 6570, (2007).

[54] Pfurtscheller G., EEG event-related desynchronization (ERD) and event-related

synchronization (ERS). In: E. Niedermeyer and L.F.H. da Silva (Eds.), Electroencephalography: Basic principles, clinical applications and related fields. Williams and Wilkins, Baltimore, MD, (1999). [55] Pham M., Hinterberger T., Neumann N., et al., An auditory brain-computer interface based in the self-regulation of slow cortical potentials. Neurorehabil Neural Repair, 19 (2005).

[56] Polich J., Criado J.R., Neuropsychology and neuropharmacology of P3a and P3b, Int
JPsychophysiol 60 (2006). [57] Polich J., Updating P300: an integrative theory of P3a and P3b. Clin Neurophysiol, 118 (2007).

[58] Pritchard W.S., Psychophysiology of P300, Psychol Bull, 89 (1981).

24

[59] Qi Xu, Hui Zhou, Yongji Wang, Jian Huang, Fuzzy support vector machine for classification
of EEG signals using wavelet-based features, Medical Engineering & Physics 31 (2009). [60] Rak R., Koodziej M., Zastosowanie analizy czstotliwociowej sygnau EEG w interfejsach mzg-komputer, Przegld Elektrotechniczny Nr 5 (2008).

[61] Regan D., Steady-state evoked potentials. J Opt Soc Am 1977. [62] Robbins R.A., Simmons Z., Bremer B.A., Walsh S.M., Fischer S., Quality of life in ALS is
maintained as physical function declines. Neurology, 56 (2001). [63] Rockstroh, T. Elbert, A. Canavan, W. Lutzenberger, and N. Birbaumer, Slow corticalpotentials behavior, Urban and Schwarzenberg, Baltimore, MD, (1989). [64] Roder B., Rosler F., Hennighausen E., Nacker F., Event-related potentials during auditory and somatosensory discrimination in sighted and blind human subjects. Brain Res, (1996).

[65] Rutkowski T., Zdunek R., Cichocki A., Multichannel EEG brain activity pattern analysis in
timefrequency domain with nonnegative matrix factorization support, Elsilver, International Congress Series 1301 (2007) .

[66] Salmoni A.W., Schmidt R.A., Walter C.B., Knowledge of results and motor learning: a
review and critical reappraisal, Psychol Bull, (1984).

[67] Sanei S., Chambers J.A. EEG Signal Processing, ISBN: 978-0-470-02581-9 (2007). [68] Schalk G., McFarland D., Hinterberger T., Birbaumer N., Wolpaw J., BCI2000: A GeneralPurpose Brain-Computer Interface (BCI) System. IEEE Transactions on Biomedical Engineering 51 (2004). [69] Schwartz A.B., Cortical neural prosthetics. Annu Rev Neurosci (2004).

[70] Sellers E.W., Krusienski D.J., McFarland D.J., Vaughan T.M., Wolpaw J.R., A P300 eventrelated potential brain-computer interface (BCI): The effects of matrix size and inter stimulus interval on performance. Biol Psychol (2006).

[71] Silva F.H. L, Event-related potentials: Methodology and quantification. In E.Niedermeyer

and F.H.L da Silva, (Eds.), Electroencephalography: Basic principles, clinical applications, and related fields, Williams and Wilkins, Baltimore, MD (2004).

[72] Silva F.H.L., Neural mechanisms underlying brain waves: from neural membranes to
networks. Electroencephalogr Clin Neurophysiol (1991). [73] Simmons Z., Bremer B.A., Robbins R.A., Walsh S.M, Fischer S., Quality of life in ALS depends on factors other than strength and physical function, Neurology, 55 (2000).

[74] Simmons Z., Felgoise S.H., Bremer B.A., et al., The ALSSQOL: balancing physical and
nonphysical factors in assessing quality of life in ALS, Neurology, 67 (2006). [75] Singer W., Neuronal synchrony: a versatile code for the definition of relations? Neuron, 24 (1999). [76] Sutter E.E, The brain response interface: communication through visually guided electrical brain responses. J Microcomput Appl (1992).

[77] Sutton S., Braren M., Zubin J., John E.R, Evoked correlates of stimulus uncertainty. Science,
150 (1965).

[78] Tadashi I., Fetz E., Mller K., Recent advances in brain-machine interfaces, Neural
Networks 22 (2009) .

[79] Trollund-Boye A., Kristiansen U., Billinger M., Feix-Nascimento O., Farina D.,
Identification of movement-related cortical potentials with optimized spatial filtering and principal component analysis, Biomedical Signal Processing and Control 3 (2008).

[80] Vaughan T.M., Sellers E.W., McFarland D.J., Carmack C.S., Brunner P., Fudrea P.A., Braun
E.M., Lee S.S., Kbler A., Mackler S.A., Krusienski D.J., Miller R.N., Wolpaw J.R., Daily use of an EEG-based brain-computer interface by people with ALS: technical requirements and caretaker training. Program No. 414.6. 2007 Abstract Viewer/Itinerary Planner.Society for Neuroscience (2007) 25

[81] Vidal J.J., Real-time detection of brain events in EEG. IEEE Proc: Special Issue on
BiolSignal Processing and Analysis, 65 (1977). [82] Vidal J.J., Toward direct brain-computer communication. Annu Rev Biophys Bioeng, 2, 157180, (1973).

[83] Vidal, JJ "Toward direct brain-computer communication". Annual review of biophysics and
bioengineering 2: 15780. (1973). [84] Vidaurre C., Krmerc N., Blankertz B., Schlgl A., Time Domain Parameters as a feature for EEG-based Brain-Computer Interfaces, Neural Networks 22 (2009) .

[85] Walter W.G., Cooper R., Aldridge V.J., McCallum W.C., Winter A.L., Contingent negative
variation: An electric sign of sensorimotor association and expectancy in the human brain. Nature 203 (1964).

[86] Wei-Yen Hsu, Yung-Nien Sun, EEG-based motor imagery analysis using weighted wavelet
transform features, Journal of Neuroscience Methods 176 (2009) . [87] Williamson J., Murray-Smitha R., Blankertzc B., Krauledatc M., Mullerc R., Designing for uncertain, asymmetric control: Interaction design for braincomputer interfaces, Int. J. Human-Computer Studies 67 (2009) . [88] Woowik P., Zastosowanie sygnau EEG w interfejsach czcych czowieka z komputerem, Poznaskie Warsztaty Telekomunikacyjne, (2004). [89] Wolpaw J.R., Birbaumer N., McFarland D.J., Pfurtscheller G., Vaughan T.M., Braincomputer interfaces for communication and control. Clin Neurophysiol, 113, (2002).

[90] Wolpaw J.R., Loeb G.E., Allison B.Z., Donchin E., Nascimento O.F., Heetderks W.J.,
Nijboer F., Shain W.G., Turner J.N., BCI Meeting 2005 workshop on signals and recording methods, IEEE Trans Neural Syst Rehabil Eng: A Pub IEEE Eng Med Biol Soc. 14 (2006). [91] Wu Ting, Yan Guo-zheng, Yang Bang-hua, Sun Hong, EEG feature extraction based on wavelet packet decomposition for brain computer interface, Measurement 41 (2008).

26