Interfaz Cerebro-Computadora Enero 2004

Uno de los principales proyectos actualmente en curso dentro del grupo de Sistemas Adaptativos Complejos es la construccin de un interfaz cerebrocomputadora. Este sistema permitir a un usuario controlar un ordenador (u otro dispositivo) simplemente pensando en ello. Existen retos significativos en la construccin de un sistema as. Este artculo resume estos retos y documenta nuestro progreso hacia el objetivo final de comunicacin y control mediante el pensamiento.

Introduccin
Millones de personas en todo el mundo sufren de una prdida severa de funcin motora. como resultado de accidente o enfermedad. Estas personas se ven forzadas a aceptar una reduccin en su calidad de vida, pasando a depender de otros individuos. Se han desarrollado sistemas tcnicos de ayuda para liberar a estos discapacitados, pero su efectividad cuando la discapacidad es severa se ve a menudo limitada por el interfaz persona-mquina. El concepto de interfaz cerebro-computadora (ICC) ha surgido en las dos ltimas dcadas como una alternativa prometedora. La finalidad ltima de la investigacin en este mbito consiste en crear un interfaz avanzado de comunicacin que permita a un individuo controlar un dispositivo externo, tal como una silla de ruedas o un ordenador, mediante seales obtenidas a partir de su propio cerebro. Este tipo de interfaz incrementara la independencia del individuo, lo que dara como resultado una mejora en su calidad de vida y una reduccin de los costes sociales.

Los retos
El concepto de un ICC parece relativamente sencillo: se mide la actividad del cerebro, se interpreta esta actividad de forma que determinados patrones de pensamiento sean detectados (por ejemplo, mover el cursor a la izquierda) y, por ltimo, se comunica con el sistema externo a controlar. Esta ltima tarea es en efecto sencilla, pero las dos anteriores no lo son en absoluto. La primera tarea, medir la actividad del cerebro, est plagada de dificultades. En primer lugar qu queremos decir exactamente con la actividad del cerebro? Como es de sobra conocido, el cerebro est compuesto de billones de neuronas, que se interconectan de forma compleja y desconocida mediante un nmero aun mayor de conexiones sinpticas. El cerebro funciona (o al menos eso se cree) enviando seales qumicas entre estas neuronas y modulando la potencia de las conexiones. Afortunadamente estas seales qumicas generan actividad elctrica como subproducto, y es esta actividad la que podemos medir e interpretar. Pero cmo medir esta actividad elctrica dentro del cerebro es tambin problemtico. Qu neuronas habra que monitorizar y cmo? La forma directa de hacer esto es abrir el crneo y conectar un sensor directamente a la neurona que hay que monitorizar. Esto no es muy prctico en la mayora de los casos y ciertamente no sera realista en nuestro laboratorio. Sin embargo, este enfoque invasivo del ICC ya ha sido demostrado

1/7

utilizando monos. Recientemente, cientficos de la Brown University, en Estados Unidos, han dado cuenta de un experimento en el que un mono fue capaz de controlar el cursor en una pantalla de ordenador (as como un brazo robtico) a travs de un electrodo implantado dentro de la parte de su cerebro correspondiente al cortex motor. Idealmente, sin embargo, sera preferible una forma no invasiva de medir la actividad del cerebro. Afortunadamente, la actividad elctrica que tiene lugar dentro del cerebro puede ser medida en la superficie del cuero cabelludo. Estas seales se denominan electroencefalograma (EEG) y son extremadamente dbiles (del orden de micro voltios). Un problema aadido al enfoque no invasivo es que las seales de EEG medidas son una superposicin de actividades de todas las neuronas del cerebro y no corresponden a neuronas individuales. Este problema se puede mitigar hasta cierto punto, utilizando mltiples sensores y complejas tcnicas de procesado de seal (ver abajo). El segundo mayor reto en la construccin de un ICC es cmo determinar patrones de pensamiento concretos. En otras palabras, cmo interpretar y decodificar las seales EEG y asociarlas a rdenes o patrones de pensamiento especficos. Este es un problema muy complejo, que se ve agravado por el hecho de que no existen dos cerebros iguales. Personas diferentes pueden tener patrones de EEG muy distintos para los mismos patrones de pensamiento. Como veremos a continuacin, una solucin a esto es hacer que el sistema sea adaptativo. Es decir, que sea capaz de aprender los patrones de EEG especficos de cada usuario del sistema en un periodo de tiempo dado.

Equipos utilizados
Como se mencion anteriormente, el primer paso en un sistema ICC consiste en la medicin de seales de EEG sin procesar. Estas seales son muy pequeas y son fcilmente contaminadas por ruido. Hasta hace poco, la medicin de EEG requera un sofisticado laboratorio que estuviera aislado de posibles interferencias electromagnticas (lo que se denomina jaula o cilindro de Faraday). En nuestro sistema utilizamos la ltima tecnologa en sensores EEG desarrollada por la compaa holandesa BioSemi. Se trata de sensores denominados activos, que cuentan con amplificadores de seal muy sensibles integrados directamente en el substrato del sensor. Esto permite que las minsculas seales EEG se puedan amplificar en el punto de contacto con el cuero cabelludo. La ventaja es que se minimizan los problemas de adicin de ruido y no es necesaria una jaula de Faraday. Los sensores activos requieren por supuesto alimentacin elctrica, que por razones de seguridad es suministrada por una batera de bajo voltaje. Una unidad de interfaz (ver figura) recibe las seales EEG sin procesar, las filtra y las digitaliza antes de enviar el flujo digital de datos a una tarjeta de interfaz en el ordenador, para su procesado y anlisis adicional. La conexin entre el digitalizador y el ordenador se realiza mediante fibra ptica, no existiendo ninguna conexin elctrica directa entre los sensores y el ordenador. Nuevamente, esto es debido a razones de seguridad.

2/7

Una vez las seales EEG llegan al ordenador, el trabajo real de procesado e interpretacin puede comenzar, lo cual constituye nuestro inters principal en este proyecto. Antes de describir cmo se va a realizar esto, parece apropiado introducir un breve comentario sobre las herramientas de software que se van a utilizar. El muestreo de las seales EEG en el ordenador y los mdulos de interfaz con el usuario se han desarrollado en el lenguaje de programacin LabVIEW (National Instruments). Se trata de un lenguaje de programacin por flujo de datos especialmente adecuado para operaciones en tiempo real e interfaz de bajo nivel con el hardware externo (como nuestra tarjeta de interfaz de seales EEG). LabVIEW, sin embargo, no es muy adecuado para los intensivos clculos numricos requeridos por los algoritmos de procesado de seal que interpretan los flujos de seal EEG. Para esta parte se utilizan mdulos de cdigo escritos en una combinacin de MATLAB y C++. Hay que sealar que este proyecto requiere de gran experiencia en programacin en tiempo real. Como veremos a continuacin, los algoritmos de procesado de seal son muy intensivos computacionalmente, de modo que al implementarlos en software hay que procurar hacerlo de la manera ms eficiente posible, para que el sistema en su conjunto funcione en tiempo real

Metodologa y procesado de seal

Pasemos a discutir como se procesan las seales EEG en bruto y se detectan patrones de pensamiento especficos. Estas tareas de procesado de seal son con mucho la parte ms compleja del proyecto y de hecho, es en el desarrollo y refinado de estos algoritmos donde estamos empleando la mayor parte de nuestro tiempo y esfuerzo. En este artculo discutiremos el sistema ICC en el contexto de mover el cursor en la pantalla del ordenador. En esta aplicacin el usuario puede mover el cursor a la derecha o a la izquierda o seleccionar una letra/ carcter; repitiendo este proceso el usuario puede (si bien lentamente) deletrear palabras o seleccionar comandos a realizar.

3/7

En este tipo de ICC hay cuatro estados mentales a identificar, a saber: (1) mover el cursor una posicin a la izquierda (2) mover una posicin a la derecha (3) seleccionar (es decir, elegir la letra o comando en la posicin actual del cursor y (4) no hacer nada. En nuestro enfoque al ICC hay asimismo cuatro etapas en la cadena de procesado de seal. Estas son: Preprocesado eliminacin inicial de ruido y limpieza de las seales Extraccin de caractersticas se extraen caractersticas importantes de la seal en bruto Clasificacin deteccin de estados mentales especficos Entrenamiento se entrena el sistema con un usuario especfico (y viceversa) Procedamos a explicar cada paso con mas detalle. Preprocesado de la seal Como ya se ha mencionado, las seales de EEG en bruto son de una magnitud extremadamente pequea, por lo que son fcilmente contaminadas por ruido e interferencias. Es por ello por lo que el primer eslabn en la cadena de procesado consiste en una serie de pasos que pretenden limpiar las seales EEG en bruto y eliminar cualquier componente de interferencia. Esta etapa consta de varias fases. En primer lugar, las seales de EEG en bruto se filtran utilizando un filtro pasabanda digital en cada canal. Es bien conocido que las seales EEG slo contienen informacin en el rango de frecuencias de 1 a 25 Hertzios, y por tanto este ser el ancho de banda de nuestros filtros preliminares. Estos filtros tienen la ventaja de eliminar cualquier interferencia de 50 Hertzios procedente de la red elctrica. Adems, el uso de filtros pasabanda nos permite submuestrear la seal EEG desde su frecuencia original de muestreo de 512 muestras por segundo a otra ms manejable de 128 muestras por segundo por canal. Esto se realiza sin prdida de informacin y ayuda a que el sistema sea ms rpido.

Seguidamente se aplica un algoritmo para eliminar de la seal en bruto los artefactos no deseados, que son el resultado de la actividad muscular del usuario. El movimiento de los ojos, parpadeo, la accin de tragar, as como movimientos de las extremidades

4/7

generan fuertes componentes EEG que enmascaran los componentes generados por las neuronas y por los que se interesa nuestro anlisis. Existen varias tcnicas que se utilizarn aqu para reducir el efecto de estos artefactos no deseados. En primer lugar, para artefactos generados por movimientos de los ojos y parpadeo, se pueden situar sensores adicionales cerca de los ojos que recojan el denominado electromiograma (es decir, las seales elctricas generadas por la actividad muscular). Estas seales pueden utilizarse como la entrada de referencia a un tipo especial de filtro llamado cancelador de ruido adaptativo, que reestructura y filtra los artefactos generados por los ojos, de manera que sean iguales a la interferencia que contamina las seales EEG brutas. Esto se lleva a cabo utilizando un algoritmo de realimentacin que utiliza anlisis de correlacin para aprender las caractersticas de la interferencia en cada canal EEG. Una vez el sistema ha aprendido estas caractersticas, la salida del filtro adaptativo se puede restar de la seal EEG bruta, produciendo as una versin limpia, sin los artefactos generados por los ojos. En segundo lugar, para eliminar otros artefactos resultantes de movimientos corporales, se aplica un algoritmo que compara las medias corrientes lentas y rpidas de las diferencias entre los distintos electrodos EEG. En tercer lugar, es un hecho que muchos componentes de ruido, especialmente aquellos que provienen de fuera del cuerpo humano (por ejemplo mquinas, trfico, vibraciones etc) resultan en seales que son comunes a todos los canales EEG. Sin embargo nosotros estamos interesados en las variaciones locales entre seales EEG. Por ello, una forma efectiva de eliminar esta interferencia global es emplear un filtro espacial Laplaciano, que tiene el efecto de enfatizar las diferencias entre canales individuales por encima de efectos globales mayores. El filtro espacial Laplaciano es una operacin relativamente simple que consiste en restar a la seal de cada electrodo EEG la media de las seales de sus vecinos ms prximos. Por ltimo, no es infrecuente que uno o ms sensores produzcan una salida errnea, generalmente debido a un mal contacto con el cuero cabelludo del usuario (aunque se utiliza gel para electrodos para minimizar este fallo). Para mitigar esto se utiliza un algoritmo de limitacin (thresholding) , que elimina aquellos canales que producen seales incorrectas para que stas no sufran posterior anlisis y procesado. Hay que sealar que normalmente utilizamos del orden de 16 canales en nuestros experimentos, y aunque ms sensores generalmente dan mejores resultados en aplicaciones ICC, hemos observado en algunos casos control ICC adecuado con tan slo 3 sensores. Como nota aparte, cabe mencionar que ms sensores tambin implican ms tiempo de procesado de seal. Extraccin de caractersticas Este es posiblemente el paso ms critico en el procesado de seal en un sistema ICC. El objetivo de este paso es crear una representacin manejable y significativa de la seal original (aunque limpia) EEG, con vistas a maximizar el xito potencial de la fase de clasificacin y a su vez el rendimiento global del sistema. Un segundo objetivo de la fase de extraccin de caractersticas es comprimir los datos sin prdida de informacin relevante, con objeto de reducir el nmero de variables de entrada en la fase de clasificacin (para que pueda operar en tiempo real). Existen varios enfoques que se pueden adoptar en la fase de extraccin de caractersticas y de hecho encontrar el ms apropiado de hacerlo es un objetivo activo de este proyecto. Un mtodo sencillo de extraccin de caractersticas es lo que se denomina el mtodo de banda de potencia espectral (band spectral power), que consiste en aplicar cada canal

5/7

a un banco de 4 filtros pasabanda digitales. Estos filtros tienen bandas de paso centradas en las cuatro bandas de frecuencia clsicas en anlisis de seal EEG: ondas Delta (0-4 Hz), Theta (4-8 Hz), Alfa (8-13 Hz) y Beta (> 13 Hz). Estas bandas de frecuencia han sido estudiadas durante dcadas y se sabe que representan formas interesantes de actividad cerebral. Por ejemplo, una componente alfa fuerte significa que el sujeto est muy relajado. A la salida de estos filtros pasabanda se mide la potencia instantnea utilizando un filtro de medias mviles de ventana deslizante. De esta forma cada canal de seal bruta EEG se transforma en un conjunto de cuatro medidas de potencia que se actualizan peridicamente. Un segundo mtodo de extraccin de caractersticas que estamos evaluando es el denominado modelado autorregresivo. Mediante este enfoque intentamos predecir la ensima muestra de la seal a partir de una combinacin lineal de un cierto nmero de muestras anteriores. Los coeficientes del mejor predictor lineal son las caractersticas que constituyen la entrada a la fase de clasificacin. Esta es exactamente la misma tcnica que se utiliza al comprimir y transmitir seales de voz a travs de lneas de telefona digital (tanto fijas como mviles). Asimismo estamos extendiendo la tcnica para tratar el aspecto multicanal de los datos EEG, aunque esto se est revelando bastante problemtico debido a los intensivos clculos que se requieren para encontrar un modelo de seal multicanal en tiempo real. Los estudios en esta rea continan. Clasificacin La fase de clasificacin es la tarea final de procesado. La entrada al clasificador es el conjunto de caractersticas extradas en el paso anterior y la salida es una indicacin del estado mental del usuario. En nuestro caso necesitamos detectar cuatro estados diferentes (izquierda, derecha, seleccionar o no hacer nada). En este caso tambin estamos experimentando activamente con diferentes mtodos de clasificacin. Nuestra primera aproximacin consista en utilizar una red neuronal feedforward estndar entrenada mediante el algoritmo de retropropagacin (backpropagation). Para detectar cuatro estados se necesita una red neuronal de al menos dos salidas y, segn descubrimos, al menos tres nodos internos. Actualmente estamos comenzando a experimentar con un algoritmo clasificador ms verstil denominado support vector machine (SVM). Se trata de una forma ms general de red neuronal con un algoritmo de entrenamiento diferente (y ms complejo). Una ventaja de la SVM es que parece ser capaz de generalizar sobre datos no vistos mejor de lo que lo hace una red neuronal. Adems, la SVM tiene propiedades tericas bien definidas que se adaptan a aplicaciones de reconocimiento de patrones como la que nos ocupa. El mayor problema con la SVM, sin embargo, es su coste computacional. Actualmente estamos trabajando activamente en el desarrollo de algoritmos eficientes de implementacin de la SVM en tiempo real, lo cual puede o no ser factible en un PC ordinario. En caso de no serlo, extenderamos nuestro hardware aadiendo una tarjeta dedicada de procesado de seal que actuara como coprocesador. Entrenamiento Como ya se mencion anteriormente, cada individuo tiene patrones EEG distintos y por tanto el sistema ICC debe ser entrenado para operar con cada usuario concreto. En la prctica el sistema debe aprender qu caractersticas del EEG de cada usuario corresponden a sus diferentes estados mentales. Estas asociaciones se aprenden durante la fase de entrenamiento (que puede durar varios das). La fase de entrenamiento se desarrolla como sigue:

6/7

1. El ordenador selecciona un estado mental al azar (izquierda, derecha, seleccionar o nada) y se lo indica al usuario 2. El usuario se concentra en el estado seleccionado durante unos segundos 3. Durante este tiempo de concentracin el ordenador recoge los datos EEG del usuario, los almacena y los etiqueta con el estado mental seleccionado 4. Los datos EEG son procesados y clasificados y el usuario recibe una realimentacin sobre el grado de xito de la clasificacin 5. Se vuelve a comenzar en el paso 1 hasta que finaliza la sesin (generalmente unos 15 minutos) El entrenamiento se repite varias veces durante varios das y si los patrones EEG del usuario son consistentes (normalmente lo son, aunque algunos sujetos son mejores que otros) el sistema ICC puede construir una base de datos de ejemplos de datos EEG y actividades mentales correspondientes, que se puede utilizar para entrenar la SVM o la red neuronal. Finalmente, tras un entrenamiento satisfactorio, el sistema se puede utilizar en modo operativo, donde el usuario puede directamente controlar el cursor exclusivamente desde su cerebro.

Conclusin
Este es un proyecto en curso que actualmente se encuentra en una fase muy preliminar. Aun as, en nuestros experimentos actuales hemos observado hasta un 70% de resultados de clasificacin correctos en modo operativo. Nuestro objetivo es mejorar esta cifra. Tenemos noticia de otros grupos que han conseguido unas tasas de xito superiores al 90%, aunque se trataba de discriminacin entre dos estados mentales, en lugar de los cuatro que se estn utilizando aqu. De cara al futuro planeamos realizar una serie de experimentos con vistas a mejorar los algoritmos de extraccin de caractersticas y de clasificacin. Pretendemos adems hacer el sistema porttil de manera que podamos hacer trabajo de campo con pacientes reales y personal mdico. Asimismo estamos explorando nuevas aplicaciones de esta tecnologa (por ejemplo, ocio y entretenimiento, monitorizacin de vigilia para conductores y operarios de maquinaria, bio-realimentacin y monitorizacin de la salud para atletas son tan slo algunas de estas aplicaciones)

Agradecimientos
Este proyecto est financiado por el programa ProfIT y por el Plan Nacional de I+D (ambos del Ministerio de Ciencia y Tecnologa), as como por el propio presupuesto de investigacin del ITI, que sufrag la adquisicin inicial del equipo EEG y las herramientas de software.

Autores: Ken Sharman y Anna Esparcia, Grupo de Sistemas Adaptativos Complejos @ ITI. Web: www.iti.upv.es/cas/ Contactos: ken@iti.upv.es anna@iti.upv.es

7/7