PRZEGLD ELEKTROTECHNICZNY (Electrical Review), ISSN 0033-2097, R.

88 NR 11a/2012 101
Andrzej MAJKOWSKI, Marcin KOODZIEJ, Remigiusz Jan RAK
Politechnika Warszawska, Instytut Elektrotechniki Teoretycznej i Systemw Informacyjno-Pomiarowych


Wizualizacja rozkadu potencjaw EEG w zastosowaniu
do asynchronicznego interfejsu mzg-komputer



Streszczenie. Zadaniem interfejsu mzg-komputer (Brain-Computer Interface: BCI) jest umoliwienie osobom sparaliowanym komunikacji z
otoczeniem. W tym zakresie, systemy BCI umoliwiaj przetworzenie myli na proces sterowania urzdzeniami zewntrznymi takimi jak protezy
czy wzki inwalidzkie. Opisane w artykule badania maj na celu wskazanie najlepszych miejsc do naklejenia elektrod systemu
elektroencefalograficznego (EEG) na gowie pacjenta na potrzeby asynchronicznego interfejsu mzg-komputer.

Abstract. The main purpose of a brain-computer interface (BCI) is to allow paralyzed people to communicate with the environment. Currently, the
proposed BCI systems of this type are able to process "thoughts" in order to control external devices such as prostheses or wheelchairs. The article
presents results of our research how to identify the best places for EEG electrodes on the patient's head for asynchronous brain-computer interface.
(Visualization of EEG potential distribution on the patients head in application to asynchronous brain-computer interface).

Sowa kluczowe: interfejs mzg-komputer, BCI, EEG, ERD/ERS.
Keywords: brain-computer interface, BCI, EEG, ERD/ERS.


Wstp
Interfejs mzg-komputer stanowi zwykle zoony
system, w ktrym nieodzownymi elementami s: akwizycja,
przetwarzanie i analiza sygnau EEG. Cho idea interfejsw
mzg-komputer nie jest najnowsza [1], to praktyczne uycie
takich interfejsw stao si moliwe dopiero po
zastosowaniu szybkich komputerw, zapewniajcych
przetwarzanie sygnaw EEG w czasie rzeczywistym.
W systemach BCI wykorzystuje si wybrane sygnay
bioelektrycznej aktywnoci mzgu, zebrane bezporednio z
mzgu (inwazyjnie) lub z powierzchni skry czaszki
(bezinwazyjnie). Zarejestrowane sygnay, po odpowiednim
kondycjonowaniu, s przetwarzane i analizowane.
Realizowana jest: ekstrakcja cech, selekcja cech i wreszcie
ich klasyfikacja (rys.1). Miejsce naklejenia elektrod na
gowie, jak i sposb wydobycia cech z zarejestrowanego za
ich pomoc sygnau, mog ulega zmianie w zalenoci od
tego, jaka metoda zostanie zastosowana do realizacji
interfejsu mzg-komputer.



Rys.1. Zasada dziaania interfejsu mzg-komputer

Jak wspomniano, w interfejsie mzg-komputer
wykorzystuje si bezporednio fale generowane przez
mzg. Std te, impulsy elektryczne pochodzce od
aktywnoci mini, traktowane s w tym przypadku jako
niepodane. Naley zaznaczy, e amplituda tych
impulsw, mierzona w mV, jest o wiele wiksza ni
potencjay samego sygnau EEG, ktrego poziomy nie
osigaj nawet 100 V. Impulsy te nale do grupy
artefaktw fizjologicznych.
Wyrnia si synchroniczne i asynchroniczne interfejsy
mzg-komputer. W przypadku interfejsw synchronicznych
znana jest chwila wystpienia okrelonego zdarzenia,
zwizanego z pobudzeniem aktywnoci mzgu. W
konsekwencji, wiadomo z gry, ktry fragment sygnau EEG
naley przetwarza. W przypadku interfejsw
asynchronicznych, nie wiadomo, w ktrej czci zapisu
znajduje si uyteczna informacja. Dlatego naley
poddawa analizie cao sygnau. Interfejsy
asynchroniczne s trudniejsze w realizacji.

Potencjay ERD/ERS
Najtrudniejsze w realizacji s interfejsy asynchroniczne,
w ktrych wykorzystuje si sygnay powstajce na skutek
wyobrae dotyczcych ruchu wybranych czci ciaa. Jest
to moliwe dziki temu, e nie ma wikszej rnicy w pracy
mzgu pomidzy rzeczywicie wykonywanym, a tylko
wyobraanym ruchem. Na przykad uytkownik wyobraa
sobie ruch praw czy lew rk, a system, z uyciem
stosownego algorytmu, odgaduje intencje uytkownika.
Mona wyobrazi sobie system BCI, w ktrym wyobraenie
ruchu praw rk powoduje skrt wzka inwalidzkiego w
praw stron, lew rk w lew stron, praw nog ruch do
przodu, lew nog zatrzymanie. Jest to moliwe dziki
temu, e rne rejony kory mzgowej zmieniaj swoj
aktywno podczas wykonywania ruchu w zalenoci od
tego, ktr czci ciaa chcemy poruszy. Mwimy wtedy
o desynchronizacji i synchronizacji potencjaw mzgowych
skojarzonych z ruchem (ERD/ERS: event-related
desynchronization/syn-chronnization).

Sformuowanie problemu
W aktualnie budowanych systemach BCI wykorzystuje
si od kilkunastu do kilkudziesiciu elektrod. Eksperymenty
opisane w artykule maj na celu wskazanie najbardziej
odpowiednich miejsc na gowie pacjenta do naklejenia
elektrod, w celu rejestracji sygnau EEG na uytek
asynchronicznego interfejsu mzg-komputer. W mniemaniu
autorw, umoliwi to znaczce ograniczenie liczby
wykorzystywanych elektrod. Trzeba jednak liczy si z tym,
e znaczce ograniczenie liczby elektrod, moe pocign
za sob konieczno nauczenia si przez uytkownika
perfekcyjnego generowania potencjaw mzgowych,
przez realizacj konkretnych zada mylowych (mental
102 PRZEGLD ELEKTROTECHNICZNY (Electrical Review), ISSN 0033-2097, R. 88 NR 11a/2012
tasks). W zwizku z tym, bardzo cenne jest wskazanie tych
miejsc na gowie uytkownika, ktre najbardziej rnicuj
wyobraane sobie zdarzenia. W pniejszych
eksperymentach, wzmocniony i przetworzony sygna EEG,
pochodzcy z tych kilku wybranych elektrod, zostanie
wykorzystany do realizacji nowego interfejsu mzg-
komputer.

Opis eksperymentu
Sygnay uyte w eksperymencie zaczerpnite zostay z
oglnodostpnej bazy opracowanej w IDIAP Research
Institute (Silvia Chiappa, Jos del R. Milln) [2]. W procesie
tworzenia bazy sygnaw EEG, ochotnicy mieli za zadanie
wyobraanie sobie ruchu praw rk, lew rk oraz
wypowiadania sowa. Uzyskane fragmenty sygnaw
przyporzdkowano odpowiednio do klas: K2, K3, K7).
Kada sesja trwaa 4 minuty, po czym nastpowaa 5-10
minutowa przerwa pomidzy nimi.
Sygnay EEG zostay zarejestrowane z uyciem 32
elektrod zamocowanych zgodnie z systemem 10-20 (Fp1,
AF3, F7, F3, FC1, FC5, T7, C3, CP1, CP5, P7, P3, Pz,
PO3, O1, Oz, O2, PO4, P, P8, CP6, CP2, C4, T8, FC6,
FC2, F4, F8, AF4, Fp2, Fz, Cz). Czstotliwo prbkowanie
sygnau EEG wynosia 512 Hz. Nie zostay usunite
artefakty. Dodatkowo w plikach zapisano 33-ci komponent z
informacj do ktrej klasy (K2, K3, K7) przynalea fragment
sygnau EEG.
W eksperymencie, sygnay wstpnie zostay poddane
filtracji w zakresie 830 Hz (filtr pasmowoprzepustowy
Butterwortha). Ten typ filtru, w stosunku do innych filtrw
typu NOI, ma najbardziej paski przebieg charakterystyki
amplitudowej w pamie przepustowym. Nastpnie dla
kadej kolejnej sekundy sygnau EEG (dla wszystkich 32
elektrod) wyznaczane zostay cechy w postaci wariancji
(skojarzonej z energi sygnau). Wariancja zmiennej
losowej wektora X, jest wyraona rwnaniem (1).
(1) uar|X] = F|(X -)
2
]
gdzie, E[] oznacza warto oczekiwan, a jest wartoci
oczekiwan skadowych wektora X. W ten sposb dla
kadego jednosekundowego okna sygnau EEG otrzymano
32 cechy. Na rys. 2 przedstawiono pogldowy schemat
blokowy eksperymentu.



Rys. 2. Etapy eksperymentu

Okno, z ktrego pozyskiwano cechy, przesuwane byo
skokowo, co 6.25 ms. Wyekstrahowane cechy zostay uyte
do nauczenia klasyfikatora z nauczycielem, bowiem
wiadomo byo do jakiej klasy naleay dane pochodzce z
konkretnego okna sygnau. W charakterze klasyfikatora
wykorzystano algorytm liniowej analizy dyskryminacyjnej
(LDA). W celu weryfikacji wiarygodnoci klasyfikacji uyto
10-krotnego testu krzyowego (cross-validation test).
Nastpnie przeprowadzono kolejne eksperymenty dla
zmodyfikowanych cech, drog ich logarytmowania lub
pierwiastkowania. Okazao si, e te proste przeksztacenia
matematyczne pozwoliy na bardziej efektywne nauczenie
klasyfikatora.
Efekty klasyfikacji trzech zada mylowych otrzymane
w wyniku zastosowania 10-krotnego testu krzyowego, dla
wybranego uytkownika i rnych sesji, zostay
przedstawione w tabelach 1, 2 i 3. Bd cakowity wynosi
14.96%. Z tabel 1-3 mona odczyta jaka klasa powinna
zosta przypisana danemu przypadkowi (K2, K3, K7), a do
jakiej przypisa go klasyfikator (ZK2, ZK3, ZK7).

Tabela 1. Macierz pomyek dla trzech zada mylowych dla sesji I
ZK2 ZK3 ZK7
K2 210 31 27
K3 14 261 27
K7 28 16 342

Tabela 2. Macierz pomyek dla trzech zada mylowych dla sesji II
ZK2 ZK3 ZK7
K2 210 31 27
K3 14 261 27
K7 28 16 342

Tabela 3. Macierz pomyek dla trzech zada mylowych dla sesji III
ZK2 ZK3 ZK7
K2 266 28 36
K3 24 226 21
K7 18 14 323

Pierwszy etap eksperymentu, z ekstrakcj cech dla
systemu 32-elektrodowego wykonany by po to, aby
udowodni, e tak wybrane cechy (wariancja sygnau)
mog posuy do skutecznej nauki klasyfikatora oraz
wskaza takie miejsca na gowie uytkownika, ktre
najlepiej nadaj si do naklejenia elektrod, z nadziej na
znaczce ograniczenie wymaganej ich liczby. Wszystko to z
zaoeniem, e, dla nowego zestawu elektrod, zostan
powtrnie wyznaczone cechy, ktre posu do nauki
klasyfikatora i budowy finalnej wersji systemu BCI.
Zgodnie z systemem 10-20, kada elektroda ma
okrelon, sta pozycj na gowie uytkownika. Moliwa
jest zatem wizualizacja rozkadu efektywnych potencjaw
(cilej: odpowiednich miar potencjaw uzyskanych za
porednictwem cech) na gowie uytkownika, dla kadej z
klas sygnau: K2, K3, K7.
Jednym ze sposobw umoliwiajcych okrelenie, ktre
elektrody (oraz stowarzyszone z nimi cechy) wnosz do
procesu klasyfikacji najwicej informacji jest wyznaczenie
rnic urednionych cech (2) i ich wizualizacja na gowie
uytkownika (rys.3).
(2) R
23
= |p
2
-p
3
| R
27
= |p
2
-p
7
| R
37
= |p
3
-p
7
|
W tym przypadku symbole p
2
, p
3
, p
7
oznaczaj wartoci
rednie cech wszystkich elektrod odpowiednio dla klas: K2,
K3 i K7.
Do realizacji tego samego celu, w nastpnym etapie,
wykorzystano wspczynnik K-Fishera. Wspczynnik ten
oprcz rnicy w rednich uwzgldnia te odchylenia
standardowe cech. Wspczynniki wyznaczono wedug
wzorw (3):
PRZEGLD ELEKTROTECHNICZNY (Electrical Review), ISSN 0033-2097, R. 88 NR 11a/2012 103
(3) F
23
=
R
23
c
2
+c
3
, F
27
=
R
2
c
2
+c

, F
37
=
R
3
c
3
+c

Rys. 3. Rozkad rnic rednich wartoci cech klas K2 i K3

gdzie
2
,
3
,
7
oznaczaj odchylenia standardowe liczone
odpowiednio dla zbioru cech klas: K2, K3, K7. W ten
sposb zobrazowano wspczynniki przyporzdkowane do
kadej z elektrod (rys.4).
Inn miar wskazujc na ile cechy rni si od siebie
moe by stosunek ich wartoci rednich. Std w trzecim
podejciu wyznaczono wspczynniki:
(4) S
23
=

2

3
S
27
=

2

S
37
=

3

Przykad wizualizacji stosunku rednich wartoci cech dla
klas K2 i K3 zosta zamieszczony na rys. 5 .

Rys. 4. Rozkad wartoci wspczynnikw Fishera cech klas K2 i
K3

Zaproponowane metody wizualizacji rozkadu potencjaw,
bazujce na rnicy rednich wartoci cech, wartociach
wspczynnikw Fishera oraz stosunku wartoci rednich
cech dla par klas, daj bardzo podobne rezultaty (rys. 35).
Dziki tym metodom, moliwe jest wskazanie najlepszych
miejsc dla umiejscowienia elektrod.

Wnioski
Przeprowadzone eksperymenty pokazuj, e energia
sygnau EEG, zarejestrowanego za pomoc 32 elektrod,
pozwala na skuteczn klasyfikacj zdarze, w postaci
wyobraania sobie ruchu przez uytkownika.

Rys. 5. Rozkad stosunku rednich wartoci cech klas K2 i K3

Zobrazowanie rozkadw potencjaw natomiast
pokazuje, e moliwe jest ograniczenie liczby elektrod, co
pozostaje w zgodzie z wiedz neuro-psychologiczn.
Zgodnie z ni najwiksze potencjay i pojawiaj si na
elektrodach C3 oraz C4. Opracowane w wyniku bada
algorytmy do wizualizacji przydatnoci cech s uniwersalne
i mog posuy do wyznaczenia miejsc na gowie podczas
realizacji innych zada mylowych.

Niniejsza praca bya czciowo finansowana z grantu
MNiSZW nr N N510 526239.
This work was partly supported by MNiSZW grant N N510
526239.

LITERATURA
[ 1] Vidal J., Toward Direct Brain-Computer Communication,
Annual Review of Biophysics and Bioengineering, 2, 1973,
157-180.
[2] Milln, J. del R., On the need for on-line learning in brain-
computer interfaces, Proc. Int. Joint Conf. on Neural Networks,
Budapest, Hungary, 2004.
[3] Koodziej, M., Majkowski, A., Rak, R.J. A new method of
feature extraction from EEG signal for brain-computer interface
design, Przegld Elektrotechniczny, 86 (9), 2010, 35-38.
[4] Koodziej, M., Majkowski, A., Rak, R.J., Matlab FE-Toolbox - an
universal utility for feature extraction of EEG signals for BCI
realization, Przegld Elektrotechniczny, 86 (1), 2010, 44-46.
[5] Koodziej, M., Majkowski, A., Rak, R.J., Wizualizacja rozkadu
potencjau EEG na gowie pacjenta w zastosowaniu do
asynchronicznego interfejsu mzg-komputer, Modelowanie i
pomiary w medycynie 2011, 49-52
[6] Gareis, Ivan E.; Acevedo, Ruben C.; Atum, Yanina V.; Gentiletti,
Gerardo G.; Banuelos, Veronica Medina; Rufiner, Hugo L.,
Determination of an optimal training strategy for a BCI
classification task with LDA, Neural Engineering (NER), 2011 ,
Page(s): 286 - 289
[7] Sadeghian, E.B.; Moradi, M.H., Continuous Detection of Motor
Imagery in a Four-Class Asynchronous BCI, Engineering in
Medicine and Biology Society, 2007. EMBS 2007. 2007 ,
Page(s): 3241 - 3244


Autorzy: prof. dr hab. in. Remigiusz J. Rak, e-mail:
rakrem@iem.pw.edu.pl; dr in. Andrzej Majkowski, e-mail:
amajk@iem.pw.edu.pl; mgr in. Marcin Koodziej, e-mail:
kolodzim@iem.pw.edu.pl Politechnika Warszawska, Instytut
Elektrotechniki Teoretycznej i Systemw Informacyjno-
Pomiarowych, ul. Koszykowa 75, 00-661 Warszawa.