Západočeská univerzita v Plzni Fakulta aplikovaných věd Katedra informatiky a výpočetní techniky. jednoduchý BCI systém

Za´padoˇceska´ univerzita v Plzni Fakulta aplikovanyćh vˇed Katedra informatiky a vy´poˇcetn´ı techniky

Bakal´ aˇ rsk´ a pr´ ace N´ avrh klasifik´ atoru pro jednoduch´ y BCI syst´ em

Plzeˇ n 2015

Lenka Ortinská

Prohl´ aˇ sen´ı Prohlaˇsuji, ˇze jsem bakaláˇrskou práci vypracovala samostatnˇe a v´ yhradnˇe s pouˇzit´ım citovan´ ych pramen˚ u. V Plzni dne 7. kvˇetna 2015 Lenka Ortinská

Podˇ ekov´ an´ı Ráda bych podˇekovala Ing. Pavlu Mautnerovi, Ph.D., vedouc´ımu své bakaláˇrské práce, za poskytnut´ı odborn´ ych rad a vˇecné pˇripom´ınky, vstˇr´ıcnost a ˇcas stráven´ y pˇri konzultac´ıch. ˇ Velké podˇekován´ı náleˇz´ı zdravotn´ı sestˇre Janˇe Solcov´ e, za pˇr´ıpravu student˚ u k mˇeˇren´ı a Ing. Petrovi Br˚ uhovi za organizace mˇeˇr´ıc´ıch dn´ı. Oba nám velmi pomohli s bezstarostn´ ym pr˚ ubˇehem EEG mˇeˇren´ı. Nakonec chci podˇekovat své rodinˇe, zejména mamince, která mˇela nejvˇetˇs´ı obavy o u ´spˇeˇsném dokonˇcen´ı mého bakaláˇrského stupnˇe.

Abstract ´ Práce je zamˇeˇrena na návrh klasifikátoru pro jednoduch´ y BCI systém. Ukolem je navrhnout vhodné stimulaˇcn´ı vzory, které u mˇeˇren´ ych osob v mozku evokuj´ı vizuáln´ı podnˇety. C´ılem je analyzovat namˇeˇrená data, navrhnout a implementovat klasifikátor, kter´ y bude ˇradit data do pˇredem specifikovan´ ych tˇr´ıd. Rozeznávat situace, které jsou prom´ıtány mˇeˇrenému subjektu v odst´ınˇené komoˇre. V´ ysledkem práce je sada test˚ u, které nastiˇ nuj´ı schopnost klasifikátoru správnˇe klasifikovat, urˇcuj´ı chybu klasifikace a znázorˇ nuj´ı funkˇcnost a stabilitu klasifikátoru za r˚ uzn´ ych podm´ınek.

This study is focused on the development of the classifier for simple BCI system. The task is to suggest appropriate stimulative models which evokes visual impulses in the brain of studied subjects. The aim is to analyse measured data, suggest and implement classifier for sorting the data into previously specified categories and differentiate situation projected to a subject in a shielded room. The result of this work is set of tests which outline the ability of classifier to classify correctly, determine a mistakes of classification and view the functionality and stability of classifier in different conditions.

Obsah ´ 1 Uvod 2 Elektroencefalografie 2.1 Elektroencefalogram . . . . . . . 2.1.1 Elektrody . . . . . . . . . 2.1.2 Zesilovaˇc . . . . . . . . . . 2.1.3 Procesor . . . . . . . . . . 2.2 Sn´ımán´ı signál˚ u EEG . . . . . . . 2.2.1 Invazivn´ı metoda . . . . . 2.2.2 Neinvazivn´ı metoda . . . . 2.3 Frekvence v EEG záznamu . . . 2.3.1 Delta vlny . . . . . . . . . 2.3.2 Théta vlny . . . . . . . . . 2.3.3 Alfa vlny . . . . . . . . . . 2.3.4 Beta vlny . . . . . . . . . 2.3.5 Gama vlny . . . . . . . . . 2.4 Artefakty v EEG . . . . . . . . . 2.4.1 Artefakty z prostˇred´ı . . . 2.4.2 Artefakty z EEG pˇr´ıstroje 2.4.3 Biologické artefakty . . . .

1

. . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . .

2 2 3 4 5 5 5 6 6 6 6 7 8 8 9 9 9 9

3 Evokovan´ e potenci´ aly 3.1 Rozdˇelen´ı evokovan´ ych potenciál˚ u . . . . . . . 3.1.1 Exogenn´ı evokované potenciály . . . . 3.1.2 Endogenn´ı evokované potenciály . . . . 3.1.3 Vlna P300 . . . . . . . . . . . . . . . 3.2 Druhy evokovan´ ych potenciál˚ u. . . . . . . . . 3.2.1 Sluchové evokované potenciály . . . . . 3.2.2 Vizuálné evokované potenciály . . . . . 3.2.3 Ustálené vizuáln´ı evokované potenciály 3.2.4 Motorické evokované potenciály . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

11 11 11 11 12 13 13 13 14 14

. . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . .

3.2.5 3.2.6

Somatosenzorické evokované potenciály . . . . . . . . . 14 Kognitivn´ı evokované potenciály . . . . . . . . . . . . . 15

4 Rozhran´ı mozek-poˇ c´ıtaˇ c 4.1 Stimulace . . . . . . . . . . . . . . . . . 4.1.1 c-VEP . . . . . . . . . . . . . . . 4.1.2 f-VEP . . . . . . . . . . . . . . . 4.1.3 t-VEP . . . . . . . . . . . . . . . 4.2 Stimulátor . . . . . . . . . . . . . . . . . 4.2.1 Nastaven´ı stimulátoru pro t-VEP 4.2.2 Stimulaˇcn´ı vzory pro t-VEP . . . 4.3 Pr˚ ubˇeh mˇeˇren´ı . . . . . . . . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

16 17 17 18 19 20 21 22 23

5 Metody zpracov´ an´ı ERP sign´ alu 5.1 Nástroje pro u ´pravu ERP . . . 5.1.1 EEGLAB . . . . . . . . 5.1.2 ERPLAB . . . . . . . . 5.2 Zpracován´ı dat . . . . . . . . . 5.2.1 Filtrován´ı . . . . . . . . 5.2.2 Segmentace . . . . . . . 5.2.3 Korekce . . . . . . . . . 5.2.4 Pr˚ umˇerován´ı . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

24 25 25 26 26 27 28 29 29

6 N´ avrh klasifik´ atoru 6.1 Pˇr´ıznakov´ y vektor . . . . . 6.1.1 Trénovac´ı mnoˇzina 6.1.2 Testovac´ı mnoˇzina 6.2 Zp˚ usob klasifikace . . . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

31 32 32 33 33

. . . .

. . . .

. . . .

7 Dosaˇ zen´ e v´ ysledky 34 7.0.1 Klasifikace pˇri mˇeˇren´ı pˇres pauzovac´ı pap´ır . . . . . . . 34 7.0.2 Klasifikace pˇri mˇeˇren´ı pˇres mléˇcné sklo . . . . . . . . . 36 8 Z´ avˇ er

39

Literatura

41

Seznam obr´ azk˚ u

43

Seznam tabulek

44

Seznam zkratek

46

A Seznam zkratek

46

Seznam pˇ r´ıloh

47

B Seznam pˇ r´ıloh 47 B.1 Uˇzivatelská pˇr´ıruˇcka . . . . . . . . . . . . . . . . . . . . . . . 47 B.2 Ukázka vstupn´ıho souboru . . . . . . . . . . . . . . . . . . . . 51 B.3 Ukázka v´ ystupn´ıho souboru . . . . . . . . . . . . . . . . . . . 52

´ 1 Uvod Brain-computer Interface (BCI), také znám´ y jako rozhran´ı mozek-poˇc´ıtaˇc, je systém, kter´ y osobám umoˇzn ˇuje ovládat poˇc´ıtaˇc nebo jiné elektronické zaˇr´ızen´ı pouze pomoc´ı mozkov´ ych vln, bez poˇzadovaného pohybu. V souˇcasné dobˇe se jedná o zp˚ usob komunikace, kter´ y zat´ım nemá velké uplatnˇen´ı, ale lze pˇredpokládat velk´ y rozvoj do budoucnosti, nebot’ metody zaloˇzené na BCI mohou b´ yt pouˇzity pro komunikaci osob se svalov´ ym postiˇzen´ım, které postrádaj´ı veˇskerou svalovou kontrolu mimo té oˇcn´ı. Mohou b´ yt téˇz pouˇzity k ˇr´ızen´ı invalidn´ıch voz´ık˚ u ˇci protetick´ ych paˇz´ı. Prakticky cokoliv, co je ˇr´ızeno poˇc´ıtaˇcem, by mohlo potenciálnˇe b´ yt ˇr´ızeno BCI. Rozhran´ı mozek-poˇc´ıtaˇc je posuzován jako rehabilitaˇcn´ı zaˇr´ızen´ı pro pomoc lidem k opˇetovnému z´ıskán´ı motorick´ ych ˇci komunikaˇcn´ıch dovednost´ı. BCI systémy jsou zaloˇzené na elektroencefalografii (EEG), která zaznamenává elektrickou odpovˇed’ mozku. Sn´ımá na povrchu hlavy elektrické potenciály, které neustále vznikaj´ı mozkovou ˇcinnost´ı. Takovou ˇcinnost bˇeˇznˇe pozorujeme pˇri kaˇzdodenn´ıch aktivitách, ale m˚ uˇzeme ji i umˇele evokovat urˇcit´ ymi podn´ıcen´ ymi stimulacemi, jedná se o tzv. evokované potenciály (ERP). ´ Ukolem je navrhnout vhodné stimulaˇcn´ı vzory, evokovat tak vizuáln´ı potenciály (VEP) a zaznamenat odpovˇedi na urˇcité druhy navrˇzen´ ych stimul˚ u. K tomuto u ´ˇcelu byly navrˇzeny ˇctyˇri stimulaˇcn´ı vzory na principu t-VEP, které jsou stimulované v krátk´ ych opakuj´ıc´ıch se ˇcasov´ ych intervalech, a otestovány na vhodnˇe zvoleném poˇctu osob. Z´ıskaná data peˇclivˇe zpracovat a provést d˚ ukladnou anal´ yzu. Na základˇe anal´ yzy vytvoˇrit dvˇe mnoˇziny stejnˇe stimulovan´ ych dat. Prvn´ı mnoˇzina poslouˇz´ı jako trénovac´ı a druhá jako testovac´ı. Z trénovac´ı mnoˇziny dat bude navrˇzen klasifikátor v podobˇe pˇr´ıznakového vektoru z pr˚ umˇer˚ u lokáln´ıch minim a maxim vˇsech amplitud, kter´ y bude v rámci trénovac´ı mnoˇziny testovat svou funkˇcnost. V práci se zamˇeˇr´ıme na metody zpracován´ı EEG/ERP signálu, které vedou k maximáln´ımu potlaˇcen´ı náhodné sloˇzky EEG pro v´ ybˇer vhodn´ ych pˇr´ıznak˚ u pro klasifikátor. C´ılem této práce je vytvoˇrit vhodnou implementaci pro navrˇzen´ y klasifikátor a plnˇe jej otestovat na namˇeˇren´ ych datech. V´ ysledkem by mˇelo b´ yt co nejpˇresnˇejˇs´ı zaˇrazen´ı do stanoven´ ych klasifikaˇcn´ıch tˇr´ıd. C´ılem je urˇcit, kter´ y stimulaˇcn´ı vzor mˇeˇrená osoba sleduje a prokázat tak funkˇcnost a stabilitu klasifikátoru.

1

2 Elektroencefalografie Elektroencefalografie (EEG) je diagnostická metoda zaloˇzená na sn´ımán´ı bioelektrické aktivity mozku pacienta elektrodami z povrchu hlavy a následném vyhodnocen´ı z´ıskaného signálu. EEG je randomizovan´ y kontinuáln´ı signál, kter´ y vzniká r˚ uznou aktivitou r˚ uzn´ ych ˇcást´ı kortexu. Prvn´ı zachycen´ı elektrické aktivity mozku bylo provedeno na konci 19. stolet´ı, pˇriˇcemˇz k nejvˇetˇs´ımu rozmachu doˇslo aˇz v pr˚ ubˇehu 20. let 20. stolet´ı.

Obrázek 2.1: Pr˚ ubˇeh kˇrivky EEG záznamu pˇri mˇeˇren´ı v laboratoˇri KIV. EEG je v dneˇsn´ı dobˇe standardn´ım zp˚ usobem vyˇsetˇren´ı elektrické aktivity centráln´ıho nervového systému, pˇri které se pomoc´ı elektrod sn´ımaj´ı elektrické potenciály na povrchu hlavy. Tyto potenciály vznikaj´ı neustálou ˇcinnost´ı mozku. Amplituda potenciál˚ u z pokoˇzky hlavy je velmi n´ızká, pohybuje se v ˇra´du des´ıtek mikrovolt [9]. Sn´ımaná aktivita je zobrazována na displeji nebo vykreslována na pap´ır viz Obrázek 2.1. Záznam má podobu kˇrivky, z kter´ ych je moˇzné rozeznat urˇcité druhy aktivity [4].

2.1

Elektroencefalogram

Elektroencefalogram je pˇr´ıstroj, kter´ y se skládá ze sn´ımac´ıch elektrod, které jsou um´ıstˇené ve speciáln´ıch EEG ˇcepic´ıch, zesilovaˇce a procesoru. Pˇr´ıstroj 2

Elektroencefalografie

Elektroencefalogram

sn´ımá elektrické potenciály vznikaj´ıc´ı ˇcinnost´ı mozku pomoc´ı elektrod z povrchu pokoˇzky hlavy. Tyto informace po zes´ılen´ı zpracovává a pˇrevád´ı do kˇrivek elektroencefalogramu na obrazovku [13]. Z kˇrivek je moˇzné rozeznat urˇcité druhy aktivity. Jedná se o periodické vlny, v naˇsem pˇr´ıpadˇe vlny, které maj´ı na opakuj´ıc´ı stimulaci stejnou odpovˇed’.

2.1.1

Elektrody

Prvn´ım elementem, kter´ y zajiˇst’uje pˇrevod elektrické aktivity z mozku do zesilovaˇc˚ u EEG pˇr´ıstroje, je ˇca´st tvoˇrená elektrodou a vodiv´ ym gelem, kter´ y zajiˇst’uje kvalitn´ı vodivost mezi touto elektrodou a pokoˇzkou hlavy. Elektrická charakteristika elektrod je urˇcena hlavnˇe druhem pouˇzitého kovu. Nejˇcastˇeji se elektrody zhotovuj´ı z ˇcistého stˇr´ıbra, nˇekteré speciáln´ı b´ yvaj´ı z nerezov´ ych ocel´ı, dále mohou b´ yt i z r˚ uzn´ ych slitin obsahuj´ıc´ıch c´ın nebo stˇr´ıbrné pokryté tenkou vrstvou zlata. Existuje mnoho druh˚ u elektrod, které lze pouˇz´ıt pro sn´ımán´ı mozkové aktivity. Nejˇcastˇeji se vyuˇz´ıvaj´ı jehlové elektrody a povrchové elektrody. Jehlové se ve vˇetˇsinˇe pˇr´ıpad˚ u vyuˇz´ıvaj´ı na operaˇcn´ıch sálech, vpichuj´ı se pˇr´ımo pod pokoˇzku hlavy. Zat´ımco povrchové elektrody se pˇrikládaj´ı k povrchu hlavy. Tyto elektrody jsou rozm´ıstˇené na EEG ˇcepici, která je zhotovena z pruˇzné tkaniny. Elektrody jsou tvoˇreny krátk´ ymi kanálky z umˇelé hmoty, v tˇech jsou um´ıstˇené elektrody se stˇredov´ ym otvorem. Kovové ˇcásti elektrod jsou kabely pˇripojeny ke spoleˇcnému konektoru, kter´ y navazuje ke kanálové sn´ımac´ı jednotce. Po navléknut´ı ˇcepice vstˇrikujeme gel stˇredov´ ymi otvory v elektrodách [15]. Systém rozm´ıstˇen´ı elektrod byl mezinárodnˇe sjednocen. Pozice jednotliv´ ych elektrod jsou definovány dle pomˇeru 10/20% mezi koˇrenem nosu , t´ yln´ı jamkou a uˇsn´ımi lal˚ uˇcky. Identifikace elektrod je zaloˇzena na oznaˇcen´ı z angliˇctiny. P´ısmenem F (frontáln´ı - pˇredn´ı), Fp (frontpolárn´ı - pˇredn´ı kolem pólu), T (temporáln´ı - spánkové), C (centráln´ı - stˇredn´ı), P (parietáln´ı - temenn´ı), O (occipitáln´ı - t´ yln´ı) a sud´ ymi ˇc´ısly (2, 4, 6, 8) pro oznaˇcen´ı pravé hemisféry, lich´ ymi ˇc´ısly (1, 3, 5, 7) pro levou hemisféru. Niˇzˇs´ı ˇc´ıselné hodnoty jsou orientovány bl´ıˇze ke stˇredu. P´ısmeno z oznaˇcuje elektrody v centráln´ı linii [8]. Pro naˇse mˇeˇren´ı jsou zapotˇreb´ı pouze elektrody nesouc´ı oznaˇcen´ı O1 , O2 , P3 , P4 , Pz viz znázornˇené elektrody na Obrázku 2.2.

3


Elektroencefalogram

Obrázek 2.2: Systém 10-20 rozm´ıstˇen´ı EEG elektrod.

2.1.2

Zesilovaˇ c

Z´ıskan´ y signál z elektrod má velmi n´ızkou amplitudu. Pro dalˇs´ı zpracován´ı je potˇreba signál zes´ılit. Jedn´ım ze zp˚ usob˚ u, jak minimalizovat vliv ruˇsen´ı, je pouˇz´ıt k zes´ılen´ı n´ızk´ ych signál˚ u vstupn´ı zesilovaˇc v diferenˇcn´ım zapojen´ı, zkrácenˇe ˇreˇceno diferenˇcn´ı zesilovaˇc. Ten zes´ıl´ı signál z mikrovolt˚ u aˇz na milivolty, tedy asi tis´ıckrát. Jedná se o citliv´ y zesilovaˇc s velk´ ym napˇet’ov´ ym zes´ılen´ım a dvˇema vstupy, jedn´ım pˇr´ım´ ym a druh´ ym invertovan´ ym. Diferenˇcn´ı zesilovaˇc pracuje tak, ˇze zesiluje napˇet’ov´ y rozd´ıl mezi obˇema vstupy. Od napˇet´ı na pˇr´ımém vstupu odeˇcte napˇet´ı na referenˇcn´ım vstupu a pak zes´ıl´ı pouze vznikl´ y rozd´ıl. Jeden smysl tohoto zapojen´ı je v tom, ˇze pokud se na oba vstupy pˇrivede signál od elektrod a na oba vstupy se naindukuje stejnˇe velké ruˇsivé napˇet´ı, pak se toto ruˇsivé napˇet´ı od sebe vzájemnˇe odeˇcte a na v´ ystupu zesilovaˇce se neprojev´ı.

4


2.1.3

Sn´ımán´ı signál˚ u EEG

Procesor

Signály z´ıskané z EEG ˇcepice, které projdou diferenˇcn´ım zesilovaˇcem prostupuj´ı do PC stanice, kde jsou zaznamenávány softwarem BrainVision recorder. V programu lze zkontrolovat stav vˇsech pˇripojen´ ych elektrod. Neˇza´douc´ı odpor neboli impedance referenˇcn´ı elektrody, typicky umist’ované na koˇrenu nosu, ˇci impedance semicefalick´ ych elektrod, které se pˇrip´ınaj´ı k uˇsn´ım boltc˚ um, by mˇely b´ yt co nejniˇzˇs´ı, aby byl pˇrenos signálu co nejkvalitnˇejˇs´ı. Snaˇz´ıme se zamezit vˇsem moˇzn´ ym ruˇsiv´ ym element˚ um, které by mohly bˇehem mˇeˇren´ı nastat. Software BrainVision recorder nab´ız´ı mnoho nastaven´ı, v naˇsem pˇr´ıpadˇe jsme si nechali vykreslovat pouze elektrody z t´ yln´ı oblasti, nebot’ ostatn´ı elektrody nebylo zapotˇreb´ı sledovat. Nastavili jsme i zobrazovan´ı marker˚ u, které rozdˇeluje jednotlivé opakuj´ıc´ı se vizuáln´ı podnˇety na jednotlivé epochy. Kaˇzdá novˇe zaˇc´ınaj´ıc´ı epocha je v programu viditelnˇe oznaˇcena a datovˇe uloˇzena do souboru s pˇr´ıponou .vmrk. Program zaznamenává data do nˇekolika r˚ uzn´ ych datov´ ych soubor˚ u. Hlaviˇckov´ y soubor .vhdr obsahuje informace o jednotliv´ ych kanálech, nastaven´ı zesilovaˇce nebo seznam aplikovan´ ych filtr˚ u. V tomto souboru je také uvedeno, jak se jmenuje soubor s namˇeˇren´ ym EEG (pˇr´ıpona .eeg) a jiˇz zm´ınˇen´ y soubor pro popis marker˚ u (pˇr´ıpona .vmrk). Hlavn´ı v´ yhodou jiˇz volnˇe dostupného softwaru BrainVision recorder je vizualizace EEG mˇeˇren´ı v reálném ˇcase.

2.2

Sn´ım´ an´ı sign´ al˚ u EEG

Lidsk´ y mozek je centrem nervové soustavy kaˇzdého ˇclovˇeka sloˇzen´ y asi z miliardy jednotliv´ ych neuron˚ u. Vˇsechny neurony dokáˇzou pˇrenáˇset informace a pˇritom vykazovat elektrickou aktivitu. Ze specifick´ ych vlastnost´ı mozkové aktivity lze odvodit signály vhodné pro ovládán´ı koncového zaˇr´ızen´ı. Bˇeˇznˇe pouˇz´ıvané diagnostické metody pro z´ıskáván´ı mozkov´ ych signál˚ u jsou dvˇe. Invazivn´ı elektrokortigrafie a neinvazivn´ı elektroencefalografie [10].

2.2.1

Invazivn´ı metoda

Invazivn´ı metoda se pouˇz´ıvá pouze na neurochirurgick´ ych pracoviˇst´ıch pro pˇresnˇejˇs´ı lokalizaci signálu. Elektrody se zavádˇej´ı pˇres pokoˇzku a leb pˇr´ımo 5


Frekvence v EEG záznamu

do mozku. Pˇr´ımé mˇeˇren´ı na mozkové k˚ uˇre je pˇresnˇejˇs´ı, protoˇze pr˚ uchodu signálu nepˇrekáˇz´ı lebka, k˚ uˇze ani vlasy, a je moˇzné se dostat do hlubˇs´ıch lokalit mozku. Nejˇcastˇejˇs´ı pouˇzit´ı kortikáln´ıch elektrod je pro zlepˇsen´ı rozsahu fokáln´ıho epileptického loˇziska pˇred proveden´ım operaˇcn´ıho zákroku [10].

2.2.2

Neinvazivn´ı metoda

Povrchová elektroencefalografie, jakoˇzto neinvazivn´ı metoda, nen´ı pro pacienta tak nepˇr´ıjemná, a pro základn´ı pomocné neurologické vyˇsetˇren´ı postaˇc´ı. Pomoc´ı mnoˇzstv´ı elektrod sn´ımá elektrické potenciály mozkové k´ ury vznikaj´ıc´ı pˇr´ımo pod mˇeˇr´ıc´ı povrchovou elektrodou. Záznamy se pohybuj´ı v ˇrádech mikrovolt˚ u. V´ yznam EEG je dnes hlavnˇe pˇri diagnostice a sledován´ı nejr˚ uznˇejˇs´ıch forem epilepsie, encefalitid a poruch spánku. Ve v´ yzkumu má velk´ y vliv na pˇrisouzen´ı funkˇcn´ıch vlastnost´ı jednotliv´ ych ˇcást´ı mozku [10].

2.3

Frekvence v EEG z´ aznamu

EEG signál je tvoˇren sinusov´ ymi vlnami a dˇel´ı se podle frekvenc´ı. Kaˇzdá z tˇechto frekvenc´ı se objevuje za urˇcité situace a v závislosti na stavu subjektu.

2.3.1

Delta vlny

Vlny delta jsou na frekvenc´ıch menˇs´ıch neˇz 4 Hz. Tyto vlny se bˇeˇznˇe objevuj´ı u dospˇel´ ych v nejhlubˇs´ı fázi non-REM spánku nebo u dˇet´ı. Non-REM fáze spánku je charakterizována u ´tlumem mozkové ˇcinnosti.V EEG záznamu je poznáme dle vysok´ ych amplitud a n´ızké frekvence viz Obrázek 2.3.

Obrázek 2.3: Ukázka delta vln

6


2.3.2

Frekvence v EEG záznamu

Th´ eta vlny

Vlny théta se objevuj´ı v rozmez´ı mezi 4 - 7 Hz. Bˇeˇznˇe m˚ uˇze b´ yt pozorována u dˇet´ı do 13-ti let nebo u dospˇel´ ych ve stavu ospalosti ˇci po probuzen´ı. Théta vlny jsou dále spojovány s kreativitou a intuic´ı, ale také s denn´ım snˇen´ım, u ´zkost´ı nebo depresemi viz Obázek 2.4.

Obrázek 2.4: Ukázka théta vln

2.3.3

Alfa vlny

Alfa vlny se vyskytuj´ı na frekvenc´ıch mezi 8 a 12 Hz. Takovou aktivitu lze nalézt v zadn´ıch ˇca´stech hlavy na obou stranách, nicménˇe amplitudy b´ yvaj´ı 1 vˇetˇs´ı v dominantn´ı hemisféˇre mozku . Alfa vlny se vyskytuj´ı v bdˇelém stavu pˇri zavˇren´ ych oˇc´ıch a bˇehem relaxace. Zobrazeny na Obrázku 2.5.

Obrázek 2.5: Ukázka alfa vln

2.3.4

Beta vlny

Beta vlny se vyskytuj´ı na frekvenc´ıch 12 - 30 Hz viz Obrázek 2.6. Pˇrevládaj´ı v normáln´ım bdˇelém stavu a jsou známkou logicko-analytického myˇslen´ı. Jelikoˇz se beta vlny nacházej´ı ve velkém rozsahu, jsou dále dˇeleny: 1

V mozkové k˚ uˇre se nach´ azej´ı s´ıdla vyˇsˇs´ı nervové ˇcinnosti (ˇreˇc, logika apod.). Dominantn´ı hemisférou mozku naz´ yv´ ame hemisféru, ve které je tˇechto s´ıdel bud’ v´ıce, nebo jsou v´ıce rozvinuté. U prav´ ak˚ u zpravidla levá hemisféra a u levák˚ u pravá.

7


Artefakty v EEG

• N´ızká beta (12 - 15 Hz) - Stav relaxovaného soustˇredˇen´ı. • Stˇredn´ı beta (15 - 18 Hz) - Stav pohotovosti, nikoliv ale podráˇzdˇenosti. • Vysoká beta (nad 18 Hz) - Stav podráˇzdˇenosti a ostraˇzitosti.

Obrázek 2.6: Ukázka beta vln

2.3.5

Gama vlny

Gama vlny se vyskytuj´ı na frekvenc´ıch vyˇsˇs´ıch neˇz 30 Hz viz Obrázek 2.7. Vyskytuj´ı se ve stavech extrémn´ıho vypˇet´ı, soustˇredˇenosti nebo ve velkém stresu. Pod´ıl´ı se také na ˇr´ızen´ı mozkov´ ych proces˚ u, fungován´ı pamˇeti a podporuje uˇcen´ı.

Obrázek 2.7: Ukázka gama vln

2.4

Artefakty v EEG

V EEG záznamu se kromˇe signál˚ u vhodn´ ych k anal´ yze vyskytuj´ı i jevy, které ˇ nemaj´ı vztah k sn´ımanému signálu. Reˇc je o artefaktech, které se projevuj´ı jako potenciály, které negativnˇe ovlivˇ nuj´ı sledovanou mozkovou aktivitu. Takové artefakty jsou zp˚ usobeny fyziologick´ ymi a vnˇejˇs´ımi vlivy. Vyskytuj´ı se zcela bˇeˇznˇe a v praxi je lze jen tˇeˇzko omezit, komplikuj´ı vˇsak vyhodnocen´ı v´ ysledk˚ u namˇeˇren´ ych dat, a tak je nutné je ze záznam˚ u filtrovat. Obecnˇe rozliˇsujeme tˇri druhy artefakt˚ u: 8


2.4.1

Artefakty v EEG

Artefakty z prostˇ red´ı

Artefakty z prostˇred´ı vznikaj´ı na základˇe interference se zdroji elektrické energie nebo jiného elektromagnetického pole z okol´ı EEG pˇr´ıstroje. Nejˇcastˇejˇs´ı pˇr´ıˇcinnou takového artefaktu jsou rozd´ıly impedanc´ı jednotliv´ ych elektrod. Na elektrodách s rozd´ıln´ ym odporem se indukuj´ı r˚ uzná napˇet´ı, jejich diference je zes´ılená a sm´ıˇsená s bioelektrick´ ym signálem. EEG záznam ovlivˇ nuj´ı i artefakty z okoln´ıch pˇr´ıstroj˚ u s jinou frekvenc´ı, neˇz je stˇr´ıdav´ y proud – mobiln´ı telefony, ventilaˇcn´ı pˇr´ıstroje, ˇcinnosti signalizaˇcn´ıch systém˚ u apod. Na EEG záznam vˇsak m˚ uˇze m´ıt velk´ y vliv i pohyb dalˇs´ıch osob v laboratoˇri [9].

2.4.2

Artefakty z EEG pˇ r´ıstroje

ˇ y je Nejbˇeˇznˇejˇs´ı artefakty z EEG pˇr´ıstroje jsou elektrodové artefakty. Cast´ elektrodov´ y pokles, jehoˇz podstatou je náhlá zmˇena pˇrechodové impedance elektrod. Dále do této skupiny ˇrad´ıme artefakty z nesprávného nasazen´ı EEG ˇcepice, z kabel˚ u mezi elektrodami a EEG zaˇr´ızen´ım, a n´ızkou kvalitou elektrod [9].

2.4.3

Biologick´ e artefakty

Jedná se o artefakty, které jsou zapˇr´ıˇcinˇené pacientem i ne´ umyslnˇe. Vytváˇrej´ı se pˇri mrkán´ı nebo jiném oˇcn´ım pohybu. Mohou se projevit i pˇri polykán´ı, kaˇslán´ı, pocen´ı, kde maj´ı vysokou amplitudu a n´ızkou frekvenci nebo z pohybu sval˚ u generovaném pˇri jeho kontrakci. Artefakty ze sval˚ u jsou nejˇcastˇejˇs´ımi artefakty, maj´ı krátké trván´ı a ostr´ y tvar. Vliv má i srdeˇcn´ı ˇcinnost a tep [19].

9

3 Evokované potenciály Evokované potenciály (EP) jsou zmˇeny elektrické aktivity mozku, ale také jin´ ych ˇcást´ı nervové soustavy, jsou vázané na senzorické nebo kognitivn´ı události. Vznikaj´ı po p˚ usoben´ı specifického podnˇetu nebo událost´ı z vnˇejˇs´ıho prostˇred´ı. Vˇsechny signály tohoto typu maj´ı spoleˇcnou charakteristiku. Vyznaˇcuj´ı se zmˇenou elektrického napˇet´ı v nervové tkáni a svou n´ızkou amplitudou s hodnotami mezi 0,1 - 20 µV. Nejˇcastˇejˇs´ım m´ıstem registrace evokovan´ ych potenciál˚ u je t´ yln´ı ˇca´st hlavy, právˇe elektrody O1 , O2 , P3 , P4 , Pz , na kter´ ych jsme provedli mˇeˇren´ı [17].

3.1

Rozdˇ elen´ı evokovan´ ych potenci´ al˚ u

Evokované potenciály mohou b´ yt z celkové EEG aktivity extrahovány celou ˇradou technik, a poté dále zpracovávány. Tyto specifické odpovˇedi se naz´ yvaj´ı evokované potenciály (ERP - z anglického event-related potentials). Rozliˇsujeme dva druhy evokovan´ ych potenciál˚ u [16]:

3.1.1

Exogenn´ı evokovan´ e potenci´ aly

Exogenn´ı evokované potenciály jsou potenciály, jejichˇz charakteristika, jako napˇr. latence, amplituda a lokalizace, závis´ı na smyslové oblasti, která se stimuluje.

3.1.2

Endogenn´ı evokovan´ e potenci´ aly

Endogenn´ı evokované potenciály jsou takové potenciály, jejichˇz charakteristika je relativnˇe nezávislá na stimulované smyslové oblasti, naopak velmi závis´ı na momentáln´ım psychickém stavu zkoumané osoby. Zamˇeˇr´ıme se pˇredevˇs´ım na endogenn´ı evokované potenciály. Rozliˇsujeme r˚ uzné ERP komponenty v závislosti na tom, v jakém ˇcase po v´ yskytu stimulu nastanou, obvykle prvn´ı znak názvu komponenty oznaˇcuje polaritu amplitud (P - kladná, N - záporná), zat´ımco druh´ y znak reflektuje velmi pˇribliˇznˇe 10

Evokované potenciály

Rozdˇelen´ı evokovaných potenciál˚ u

zpoˇzdˇen´ı pˇr´ıchodu ERP komponenty ve stovkách ms jak je znázornˇeno na Obrázku 3.1. Bˇeˇznˇe se zmiˇ nuj´ı následuj´ıc´ı komponenty: • cca 80 ms po v´ yskytu stimulu se objevuje nev´ yrazná komponenta oznaˇcována jako P1 • následuje jiˇz v´ yraznˇejˇs´ı komponenta N1 s negativn´ı amplitudou • komponenty vyskytuj´ıc´ı se kolem 150 - 200 ms po v´ yskytu stimulu se naz´ yvaj´ı P2 a N2 • nejznámˇejˇs´ı a nejv´ yraznˇejˇs´ı komponentou je P3 nebo také P300, objevuj´ıc´ı se 250 - 400 ms po v´ yskytu stimulu a podrobnˇeji popsána v Kapitole 3.1.3.

Obrázek 3.1: Ilustrativn´ı zobrazen´ı bˇeˇzn´ ych ERP komponent.

3.1.3

Vlna P300

P300 nˇekdy téˇz oznaˇcována jako P3, je jedn´ım z nejv´ yznamnˇejˇs´ıch evokovan´ ych potenciál˚ u. Jak jiˇz z názvu vypl´ yvá, objevuje se pˇribliˇznˇe 300 ms po 11


Druhy evokovaných potenciál˚ u

urˇcitém stimulu jako pozitivn´ı v´ ychylka v signálu. P300 se nejv´ yraznˇeji projevuje v signálu namˇeˇreném elektrodami v centráln´ı a temenn´ı oblasti. Byla pozorována souvislost mezi vlnou P300 a urˇcit´ ymi kognitivn´ımi funkcemi mozku. Nejˇcastˇeji se pˇr´ıtomnost této ERP komponenty vysvˇetluje pˇrekvapen´ım z v´ yskytu vzácnˇejˇs´ıho, tzv. targetového stimulu, nebo naopak jako reakce na stimul znám´ y a oˇcekávan´ y. Podle tvaru P300 lze usoudit urˇcité patologie: sn´ıˇzen´ı amplitudy P300 doprováz´ı mnoho psychick´ ych poruch, nejˇcastˇeji schizofrenii. Bˇeˇzné stárnut´ı je téˇz doprovázeno poklesem amplitudy a prodluˇzován´ım doby odezvy na urˇcit´ y stimul [16].

3.2

Druhy evokovan´ ych potenci´ al˚ u

Evokované potenciály (EP) jsou elektrofyziologické odpovˇedi centráln´ıho nervového systému na r˚ uzné druhy stimul˚ u. Tyto odpovˇedi jsou tvoˇreny sledem pozitivn´ıch a negativn´ıch vln. EP lze rozdˇelit podle délky latence na krátkolatentn´ı (BEAP - kmenové sluchové evokované potenciály), stˇrednˇelatentn´ı (VEP - zrakové evokované potenciály) a dlouholatentn´ı (tzv. kognitivn´ı evokované potenciály).

3.2.1

Sluchov´ e evokovan´ e potenci´ aly

Sluchové evokované potenciály (BEAP) vznikaj´ı pˇri pˇrenosu vzruch˚ u po nervech sluchové dráhy. Jedná se o tzv. potenciál vzdáleného pole, kdy je mezi elektrodou a generátorem odpovˇedi silná vrstva tkánˇe, mozková hemisféra. Nejˇcastˇeji pouˇzit´ ym stimulem je cvaknut´ı (z anglického click). Tento podnˇet nemá stálou frekvenci a trvá 0,1 ms nebo ménˇe [12]. Bˇehem stimulace je druhé ucho blokováno maskovac´ım ˇsumem, aby se zabránilo jeho stimulaci kostn´ım veden´ım. Pr˚ ubˇeh BEAP je tvoˇren séri´ı pozitivn´ıch vln, s latenc´ı do 10 ms. Chybˇej´ıc´ı vlny jsou známkou postiˇzen´ı sluchu.

3.2.2

Vizu´ aln´ e evokovan´ e potenci´ aly

Vizuálné evokované potenciály (VEP) jsou odvozeny z reakce mozku na vizuáln´ı stimulaci. Odráˇzej´ı vizuáln´ı mechanismus zpracováván´ı informac´ı v mozku. Stimulace tˇechto potenciál˚ u je moˇzná dvˇema zp˚ usoby [19]. Lze pou12



ˇz´ıt tzv. ”záblesky”(z anglického f lash), kde stimulaˇcn´ım podnˇetem je zmˇena jasu v zorném poli. Druh´ y zp˚ usob je stimulován´ı strukturovan´ ymi podnˇety. Takové podnˇety m˚ uˇzou b´ yt obrazce s tmav´ ymi a svˇetl´ ymi plochami, napˇr. ˇsachovnice. Stimulovat lze cel´ ym polem, polovinou nebo kvadranty, a to obˇe oˇci samostatnˇe nebo spoleˇcnˇe.

3.2.3

Ust´ alen´ e vizu´ aln´ı evokovan´ e potenci´ aly

Ustálené vizuáln´ı evokované potenciály (SSVEP) jsou speciáln´ı formou VEP. Jako SSVEP se oznaˇcuje reakce na pravidelnˇe se opakuj´ıc´ı vizuáln´ı podnˇet o konstantn´ı frekvenci pˇribliˇznˇe v rozmez´ı 4 aˇz 100 Hz. Vznikaj´ı periodické sinusové vlny o stejné frekvenci, jakou je stimulována s´ıtnice. Reakce je ovlivnˇená typem i frekvenc´ı stimulace. Bylo zjiˇstˇeno, ˇze reakce vyvolané blikaj´ıc´ımi diodami byly vˇetˇs´ı, neˇz stimulace obdéln´ıkov´ ym podnˇetem na obrazovce poˇc´ıtaˇce [5]. Prezentace stimul˚ u na monitoru je také velmi omezena z hlediska rozsahu frekvenc´ı, které mohou b´ yt pouˇzité pro stimulaci. Obnovovac´ı frekvence monitoru, tzn. kolikrát je monitor schopn´ y pˇrekreslit obrazovku za jednu sekundu, je niˇzˇs´ı neˇz 100 Hz. Pro LCD monitory je obnovovac´ı frekvence obvykle 60 Hz [9].

3.2.4

Motorick´ e evokovan´ e potenci´ aly

Motorické evokované potenciály (MEP) jsou odpovˇed´ı na elektrickou nebo magnetickou stimulaci mozku nebo m´ıchy. Odpovˇed’ je registrována ze svalu, tzn. je testována funkˇcn´ı integrita motorické dráhy. Vyˇsetˇruj´ı se pˇri podezˇren´ı na postiˇzen´ı motorick´ ych neuron˚ u, coˇz jsou nervové buˇ nky ve svalov´ ych vláknech. Takové onemocnˇen´ı propukne postiˇzen´ım specifické skupiny sval˚ u, napˇr. sval˚ u konˇcetin nebo d´ ychac´ıch sval˚ u ˇci postiˇzen´ım sval˚ u jazyka a hlasivek [12].

3.2.5

Somatosenzorick´ e evokovan´ e potenci´ aly

Somatosenzorické evokované potenciály (SSEP) vyˇsetˇruj´ı perifern´ı nervovou soustavu, kterou tvoˇr´ı vˇsechny nervy neleˇz´ıc´ı v centráln´ı nervové soustavˇe, tj. 13



v mozku a m´ıˇse. Stimulovan´ ymi nervy jsou n.medianus, nacházej´ıc´ı se v ob1 lasti horn´ıch konˇcetin , a n.tibialis, nacházej´ıc´ı se v oblasti doln´ıch konˇcetin2 . Mohou b´ yt stimulovány kdekoliv ve svém pr˚ ubˇehu. Nejˇcastˇeji na zápˇest´ı a na vnitˇrn´ım kotn´ıku [14].

3.2.6

Kognitivn´ı evokovan´ e potenci´ aly

Kognitivn´ı evokované potenciály (ERP) jsou vyvolány identifikovateln´ ymi neoˇcekávan´ ymi podnˇety nebo událostmi. Takov´ y podnˇet ˇci událost generuj´ı odpovˇed’, která má v´ yraznˇejˇs´ı amplitudu neˇz podnˇet ˇci událost oˇcekávané. Mezi kognitivn´ı evokované potenciály patˇr´ı napˇr. jiˇz zmiˇ novaná vlna P300 v Kapitole 3.1.3. Soubor tˇechto potenciál˚ u je ˇrazen mezi dlouholatentn´ı pomalé mozkové potenciály. Souvis´ı s ˇs´ıˇren´ım informac´ı strukturami mozku zapojen´ ymi do daného u ´kolu.

1 2

http : //en.wikipedia.org/wiki/M edian nerve http : //en.wikipedia.org/wiki/T ibial nerve

14

4 Rozhran´ı mozek-poˇc´ıtaˇc V posledn´ıch letech se rozhran´ı mozek-poˇc´ıtaˇc (BCI) zaloˇzené na neinvazivn´ı metodˇe elektroencefalografie (EEG) stává stále aktivnˇejˇs´ı oblast´ı v´ yzkumu. Pro akce souvisej´ıc´ı s vizuálnˇe evokovan´ ymi potenciály se bˇeˇznˇe pouˇz´ıvaj´ı BCI zaloˇzené na bázi EEG. Systém vyuˇz´ıvá odliˇsné frekvence vizuálnˇe evokovan´ ych potenciál˚ u v ustáleném stavu pro urˇcen´ı smˇeru pohledu uˇzivatele. Na rozd´ıl od jin´ ych systém˚ u jsou VEP závislé na BCI systémech, protoˇze souvis´ı s oˇcn´ım pohybem [3]. Tyto BCI systémy jsou pouˇzitelné pro osoby se svalov´ ym postiˇzen´ım, pro ty kteˇr´ı postrádaj´ı veˇskerou svalovou kontrolu mimo té oˇcn´ı. Mnoho lid´ı je upoutáno na invalidn´ı voz´ık, kv˚ uli nemocem jako jsou svalové atrofie. Pˇr´ıkladem m˚ uˇze b´ yt Hawking˚ uv pˇr´ıpad, jehoˇz spináln´ı svalová atrofie zapˇr´ıˇcinila postupné ochrnut´ı celého tˇela a u kterého byla testována metoda viz Obrázek 4.1 a existuje mnoho dalˇs´ıch. Systémy jsou urˇceny pro pomoc lidem, kteˇr´ı nedokáˇz´ı komunikovat, sdˇelovat své potˇreby nebo dokonce pohybovat pˇredmˇety jako motorizované invalidn´ı voz´ıky nebo robotické uchopovac´ı nástroje. Jen málo z tˇechto technologi´ı jsou v souˇcasné dobˇe v pravidelném pouˇz´ıván´ı osobami se zdravotn´ım postiˇzen´ım, protoˇze jsou tyto systémy v souˇcasné dobˇe pouze na u ´rovni experimentáln´ıho v´ yvoje [18].

Obrázek 4.1: Jeden z moˇzn´ ych oˇcn´ıch zp˚ usob˚ u komunikace osob s mimo oˇcn´ım zdravotn´ım svalov´ ym postiˇzen´ım. Avˇsak pro vˇetˇsinu zdravotnˇe postiˇzen´ ych osob jsou podobnˇe zpracované BCI systémy vhodnˇejˇs´ı neˇz jiné, pˇredevˇs´ım d´ıky vysoké pˇrenosové rychlosti (ITR). Zat´ımco v roce 1992 zvládli pˇr´ıstroje pˇreloˇzit 10-12 slov za minutu, v souˇcasné dobˇe je to aˇz nˇekolikanásobnˇe v´ıce, a právˇe tato otázka je pˇredmˇetem souˇcasn´ ych v´ yzkum˚ u, jak co nejrychleji a nejefektivnˇeji zpracovávat takto z´ıskané informace.

15

Rozhran´ı mozek-poˇc´ıtaˇc

4.1

Stimulace

Stimulace

Pˇri mˇeˇren´ı osob v laboratoˇri se provádˇelo stimulován´ı za pomoci LED panelu, kter´ y problikával skrze r˚ uzné materiály. Svˇeteln´ y panel se skládá z 8 × 8 LED diod ve ˇctvercovém uspoˇrádán´ı. Je dokázáno, ˇze mozkové reakce vyvolané LED panelem jsou intenzivnˇejˇs´ı, neˇz prom´ıtán´ı blikán´ı z monitoru. Pro prvn´ı polovinu mˇeˇren´ ych osob, problikával LED panel skrze pauzovac´ı pap´ır a pro druhou polovinu skrze mléˇcné sklo. Rozd´ılné pr˚ usvitné materiály zapˇr´ıˇcinily zmˇenu jasu a intenzity svˇetla pˇri svˇetelné stimulaci, a t´ım i identifikovatelné zmˇeny v namˇeˇren´ ych datech. V následuj´ıc´ı Tabulce 4.1 je moˇzné zhodnotit, jak moc vzrostly hodnoty jasu namˇeˇrené jasomˇerem Minolta LS-110. ´ Uroveˇ n jasu [%] Jas - Pauzovac´ı pap´ır [cd m2 ] Jas - Mléˇcné sklo [cd m2 ] 10

356

847,5

20

1520

3709

30

3110

7700

Tabulka 4.1: Hodnoty intenzity jasu pˇri dané frekvenci skrze r˚ uzné materiály. Nejvyˇsˇs´ı ostrosti zorného pole v oblasti zrakového kortexu docház´ı, kdyˇz se stimul nacház´ı právˇe ve stˇredu zorného pole. Tento efekt se naz´ yvá centráln´ı zvˇetˇsen´ı, tj. amplituda je enormnˇe nav´ yˇsena. R˚ uzné SSVEP jsou evokovány pˇr´ımo pˇri pohledu na jednu z ˇrady BCI zaloˇzené právˇe na bázi VEP, které se dˇel´ı do následuj´ıc´ıch kategori´ı: • Pseudonáhodnˇe modulovan´ y c-vep • Frekvenˇcnˇe modulovan´ y f-vep ˇ • Casovˇ e modulovan´ y t-vep Naˇs´ım u ´kolem je zab´ yvat se ˇcasovˇe modulovan´ ym t-VEP. V následuj´ıc´ıch kapitolách se jen podrobnˇe zm´ın´ıme o f-VEP a c-VEP a podrobnˇeji se zamˇeˇr´ıme na t-VEP a jeho nastaven´ı.

4.1.1

c-VEP

Systémy na bázi c-VEP vyuˇz´ıvaj´ı k vytvoˇren´ı stimulaˇcn´ıch vzor˚ u, tzv. pseudonáhodné m-sekvence, generované nejˇcastˇeji lineárn´ımi posuvn´ ymi regis16


Stimulace

try. Stimulaˇcn´ı vzory pro jednotlivé tˇr´ıdy se vytváˇrej´ı posuvem základn´ı msekvence o urˇcit´ y poˇcet bit˚ u [6]. Kaˇzd´ y stimulaˇcn´ı cyklus mus´ı b´ yt synchronizován podobnˇe jako u t-VEP viz Kapitola 4.1.3. M-sekvence obsahuje autokorelaˇcn´ı hodnotu, která je v podstatˇe aproximac´ı jednotkového signálu, a to je témˇeˇr kolmé k sekvenci prodlevy daného signálu. T´ım pádem m-sekvence a jej´ı sekvence prodlevy m˚ uˇze b´ yt pouˇzita pro BCI systémy na bázi c-VEP viz Obrázek 4.2. V´ ysledná odezva se podobnˇe jako u t-VEP urˇcuje pr˚ umˇerován´ım. V´ ysledné odezvy (targety) se vzájemnˇe liˇs´ı o ˇcasov´ y posun odpov´ıdaj´ıc´ı posunu základn´ı sekvence o násobek n bit˚ u.

Obrázek 4.2: a) ˇcasov´ y pr˚ ubˇeh pˇri blikán´ı 10 Hz, v´ ykonové spektrum b) v´ ykonové spektrum evokované odezvy c) stimulovan´ y pr˚ ubˇeh c-VEP d) autokorelace z vyvolané reakce.

4.1.2

f-VEP

U metody f-VEP se vyuˇz´ıvá nˇekolika vzor˚ u, pˇriˇcemˇz kaˇzd´ y z nich generuje blikaj´ıc´ı svˇetlo o r˚ uzn´ ych frekvenc´ıch. Tyto zdroje blikán´ı nesmˇej´ı obsahovat frekvence, které jsou sama sobˇe násobkem. Pˇri sledován´ı vybraného blikaj´ıc´ıho vzoru je generován periodick´ y EEG signál, kter´ y obsahuje základn´ı 17


Stimulace

frekvenci, jako je frekvence blikaj´ıc´ıho zdroje a harmonické frekvence. Harmonická frekvence k základn´ı frekvenci 10 Hz je napˇr´ıklad 20 Hz. Pro identifikaci sledovaného blikaj´ıc´ıho segmentu pˇri vyuˇzit´ı f-VEP na bázi BCI se nejˇcastˇeji pouˇz´ıvá spektráln´ı anal´ yza. T´ım se nebudeme podrobnˇeji zab´ yvat, nebot’ to nen´ı tématem práce. Naˇs´ım u ´kolem je podrobnˇe probádat ˇcasovˇe modulovan´ y t-VEP, nikoliv c-VEP a f-VEP. Modulace f-VEP na bázi BCI obvykle vyuˇz´ıvá frekvence vyˇsˇs´ı neˇz 6 Hz, tak se odpovˇedi na po sobˇe jdouc´ı stimulace z c´ılového blikaj´ıc´ıho segmentu vzájemnˇe pˇrekr´ yvaj´ı. Vytváˇr´ı tak periodickou sekvenci ustálen´ ych vizuáln´ıch evokovan´ ych potenciál˚ u (SSVEP), jejichˇz frekvence je u ´zce spjata s frekvenc´ı c´ılového zdroje blikán´ı. V´ yhodami f-VEP na bázi BCI systému jsou jednoduchá konfigurace, nepˇr´ıliˇs nároˇcné zaˇskolen´ı uˇzivatel˚ u a vysoká pˇrenosová rychlost. Ilustrativn´ı pˇredstava modulace f-VEP viz Obrázek 4.3 [2].

Obrázek 4.3: a) ˇcasov´ y pr˚ ubˇeh pˇri blikán´ı 10 Hz, v´ ykonové spektrum b) stimulovan´ y pr˚ ubˇeh f-VEP

4.1.3

t-VEP

Svˇetelné sekvence r˚ uzn´ ych vzor˚ u v t-VEP BCI musej´ı b´ yt vzájemnˇe nezávislé. Toho m˚ uˇze b´ yt dosaˇzeno napˇr. t´ım, ˇze svˇetelné sekvence r˚ uzn´ ych vzor˚ u se mezi sebou nesmˇej´ı pˇrekr´ yvat. At’ jsou jednotlivá mˇeˇren´ı na sobˇe nezávislá, bliknut´ı nesm´ı probˇehnout ve stejn´ y okamˇzik jako bliknut´ı z jiného vzoru. Byly navrˇzeny celkem ˇctyˇri svˇetelné sekvence a kaˇzdá z nich obsahuje tˇri bliknut´ı v r˚ uzn´ ych ˇcasov´ ych intervalech. Takto krátce blikaj´ıc´ı podnˇety vyvolávaj´ı v mozku vizuáln´ı evokované potenciály. Jednotlivé svˇetelné sek18


Stimulátor

vence maj´ı krátké latence a trván´ı. Obrázek 4.4 znázorˇ nuje typickou t-VEP stimulaˇcn´ı sekvenci a ˇcasov´ y pr˚ ubˇeh. C´ılem takového mˇeˇren´ı je zpr˚ umˇerovat veˇskerá z´ıskaná data a urˇcit maximáln´ı latence a amplitudy. Z´ıskané hodnoty se obsad´ı do pˇr´ıznakového vektoru, z kterého bude moˇzné klasifikovat jednotlivé stimulaˇcn´ı vzory.

Obrázek 4.4: a) stimulovan´ y pr˚ ubˇeh sekvence, b) ˇcasov´ y pr˚ ubˇeh t-VEP

4.2

Stimul´ ator

Programovateln´ y EEG stimulátor je vyv´ıjen na katedˇre informatiky na západoˇceské univerzitˇe v Plzni Ing. Jiˇr´ım Novotn´ ym. Je urˇcen pro mˇeˇren´ı vizuáln´ıch a sluchov´ ych ERP experiment˚ u. Stimulátor je modulárn´ı, lze jej nadále rozˇsiˇrovat jist´ ymi zmˇenami firmwaru ˇci pˇridán´ım modulu. Prvn´ı sadou jsou vstupnˇe/v´ ystupn´ı moduly. Mezi nˇe se ˇrad´ı vstupn´ı modul pro mˇeˇren´ı reakˇcn´ıch dob, kdy se zaznamenává doba reakce na vyvolan´ y stimul, kde jsou jednotlivé reakˇcn´ı ˇcasy ukládány na SD kartu. Dalˇs´ı, v´ ystupn´ı modul sloˇz´ı k synchronizaci a modul pro GPIO, kter´ y je tvoˇren souborem pinu, které se daj´ı softwarovˇe naprogramovat jako vstupn´ı nebo v´ ystupn´ı. Druhá sada modul˚ u slouˇz´ı pro nastaven´ı a sbˇer dat, mezi které patˇr´ı i modul pro LCD. Pomoc´ı nˇej lze lze stimulátor pˇripojit k monitoru, a modul pro komunikaci s USB, kter´ y slouˇz´ı k pro pˇripojen´ı zaˇr´ızen´ı k poˇc´ıtaˇci pˇres USB port. Dalˇs´ı sadou modul˚ u jsou speciálnˇe pro konkrétn´ı typ stimulace, zrakovou 19


Stimulátor

ˇci akustickou nebo jejich kombinac´ı. Zraková stimulace m˚ uˇze b´ yt provádˇena LED panely nebo zobrazován´ım grafick´ ych objekt˚ u na VGA monitoru nebo na extern´ım LCD displeji. Akustická stimulace se provád´ı bud’ zvuky uloˇzen´ ymi ve formátu .wav, nebo krátk´ ymi tóny s nastavitelnou frekvenc´ı a délkou trván´ı. Data pro nastaven´ı stimulátoru jsou uloˇzena v pamˇeti. Tato pamˇet’ nen´ı závislá na napájen´ı a jej´ı obsah se pˇri v´ ypadku proudu ˇci havárii systému neztrat´ı. Grafické objekty, zvuky a namˇeˇrená data jsou uloˇzena na SD kartˇe v stimulátoru. Stimulátor m˚ uˇze b´ yt vyuˇz´ıván pro nastavován´ı parametr˚ u samostatnˇe, protoˇze jeho souˇcást´ı je i displej. Pˇres USB port m˚ uˇze b´ yt pˇripojen k poˇc´ıtaˇci, coˇz umoˇzn ˇuje vytvoˇrenému grafickému rozhran´ı nastavovat parametry a komunikovat se stimulátorem pˇres USB rozhran´ı [19].

4.2.1

Nastaven´ı stimul´ atoru pro t-VEP

Pro z´ıskán´ı kvalitn´ıch dat, vhodn´ ych pro zpracován´ı, bylo zapotˇreb´ı i optimálnˇe nastavit stimulátor viz Tabulka 4.2, kter´ y evokuje dané svˇetelné segmenty. Pˇr´ıliˇs ˇcasté aˇz nepˇretrˇzité blikán´ı by zapˇr´ıˇcinilo znaˇcnou u ńavu oˇc´ı mˇeˇreného subjektu. Taková nepˇresná data plná neˇzádouc´ıho ˇsumu, jako mrkán´ı, u ńava, ˇci nesoustˇredˇenost subjektu, jsou nepouˇzitelná. V datech je pˇr´ıliˇs mnoho artefakt˚ u, které kdyˇz se za pomoci nˇekolika nástroj˚ u vyfiltruj´ı, zbude z dat jen malé procento pouˇzitelného záznamu. Stejnˇe tak pˇr´ıliˇs vysoká intenzita jasu pˇri blikán´ı by zp˚ usobila, ˇze mˇeˇren´ y subjekt by pˇr´ıliˇs ˇcasto mrkal, ostré svˇetlo oˇci velmi unavuje. Vzhledem k tomu, ˇze mˇeˇren´ı bylo provedeno skrze r˚ uzné materiály, konkrétnˇe pˇres pauzovac´ı pap´ır a mléˇcné sklo. Musel b´ yt stimulátor dvakrát optimálnˇe nastaven, protoˇze intenzita jasu skrze materiály se liˇs´ı, a to aˇz nˇekolikanásobnˇe, jak popisuje Tabulka 4.1 ze strany 17. Co se t´ yˇce nastaven´ı ohlednˇe stimulace, je zapotˇreb´ı pˇrepnout do reˇzimu t-VEP a následnˇe navolit navrˇzen´ y stimuluj´ıc´ı vzor viz následuj´ıc´ı Kapitola 4.2.2. Nastavuje se i poˇcet bit˚ u na 1 stimulaci, délka trván´ı jedné sekvence a intenzita jasu.

20


Stimulátor

´ Poˇcet bit˚ u [b] Délka sekvence [ms] Uroveˇ n jasu [%] Pauzovac´ı pap´ır

16

100

20

Mléˇcné sklo

16

100

15

Tabulka 4.2: Optimáln´ı nastaven´ı stimulátoru skrze r˚ uzné materiály.

4.2.2

Stimulaˇ cn´ı vzory pro t-VEP

Stimulaˇcn´ı vzory pˇredstavuj´ı sekvence blikán´ı, které stimuluj´ı mˇeˇren´ y subjekt. Byly navrˇzeny celkem ˇctyˇri stimuluj´ıc´ı vzory, které se nesmˇej´ı navzájem pˇrekr´ yvat, jak jiˇz bylo podrobnˇe vysvˇetleno v kapitole 4.1.3 na stranˇe 19. Stimulátor nab´ız´ı pole 16 bit˚ u neboli jednotliv´ ych segment˚ u, kdy stimulátor vyˇsle signál pro bliknut´ı LED panelu. Pro návrh svˇeteln´ ych segment˚ u bylo vyuˇzito pouze prvn´ıch 12 bit˚ u, zbylé 4 bity jsou neobsazené. To z d˚ uvodu, aby mezi jednotliv´ ymi opakuj´ıc´ımi se stimulacemi byly krátké pauzy, kdy nic nebliká. Trvaj´ı v ˇra´du nˇekolika milisekund, ale i pˇresto je to postaˇcuj´ıc´ı, aby stimulace nevypadala jako nepˇretrˇzité blikán´ı. Obrázek 4.5 pˇredstavuje navrˇzené frekvence vyobrazené v Tabulce 6.1: Klasifikaˇcn´ı tˇr´ıda: Obsazené bity:

T1

T2

T3

0 8 11 1 7 10 2 4 5

T4 369

Tabulka 4.3: Obsazen´ı bit˚ u ˇctyˇr navrˇzen´ ych klasifikaˇcn´ıch tˇr´ıd. Pod jednotliv´ ymi segmenty je zobrazené pole 16 bit˚ u. Z Obrázku 4.5 je patrné, na jak´ ych bitech LED panel bliká a na jak´ ych naopak nic nevys´ılá. Tˇr´ıdy jsou ˇc´ıselnˇe oznaˇcené ˇc´ısly, které symbolizuj´ı pozici obsazeného bitu.

Obrázek 4.5: Navrˇzené vzory pro stimulaci t-VEP. 21


4.3

Pr˚ ubˇeh mˇeˇren´ı

Pr˚ ubˇ eh mˇ eˇ ren´ı

ERP experiment lze obvykle rozloˇzit do následuj´ıc´ıch krok˚ u [16]: 1. Návrh experimentu nejˇcastˇeji zaˇc´ıná vytvoˇren´ım scénáˇre, tedy plánu, jaké stimuly v jakém poˇrad´ı zkoumanému subjektu pˇredloˇz´ıme. 2. Pˇr´ıprava mˇeˇren´ ych subjekt˚ u zahrnuje upevnˇen´ı sn´ımac´ıch elektrod na hlavu subjektu, pouˇcen´ı testovaného subjektu kv˚ uli eliminaci neˇza´douc´ıch artefakt˚ u jako je pohyb tˇela, mrkán´ı, k´ ychán´ı, polykán´ı apod. 3. Po pˇr´ıpravˇe testovaného subjektu lze provést samotn´ y ERP experiment. Testovan´ y subjekt provád´ı poˇzadované u ´kony dle scénáˇre experimentu. Souˇcasnˇe se ukládá EEG signál z´ıskan´ y z jednotliv´ ych elektrod spolu se synchronizaˇcn´ımi znaˇckami, které oznaˇcuj´ı okamˇziky v´ yskytu jednotliv´ ych událost´ı. 4. Segmentace signálu podle tzv. synchronizaˇcn´ıch znaˇcek (marker˚ u), které signalizuj´ı v´ yskyt stimulu, a dalˇs´ı zpracován´ı. 5. Statistická anal´ yza a interpretace v´ ysledk˚ u.

22

5 Metody zpracován´ı ERP signálu Pro u ´ˇcely zpracován´ı a u ´spˇeˇsnou interpretaci dat je ˇzádouc´ı z´ıskat EEG záznamy, které vedou maximáln´ı potlaˇcen´ı ˇsumu a jin´ ych ruˇsiv´ ych záznam˚ u. Vzhledem k tomu, ˇze ERP komponenty zpravidla maj´ı v porovnán´ı se základn´ım EEG signálem zanedbatelnou amplitudu, mus´ı se signál nejprve pˇredzpracovat. Toho je moˇzné dosáhnout pomoc´ı r˚ uzn´ ych filtr˚ u a pr˚ umˇerován´ı. Bˇehem mˇeˇren´ı mozkové aktivity docház´ı k jev˚ um, které je nutné co nejv´ıce eliminovat. Záznam nejv´ıce ovlivˇ nuj´ı ruˇsivé artefakty popsané v kapitole 2.4 Namˇeˇrená EEG data pˇr´ımo od subjektu v levé ˇca´sti Obrázku 5.1 zobrazuj´ı jednotlivé elektrické aktivity vyskytuj´ıc´ı se v mozku v urˇcitém ˇcasovém okamˇziku. V této podobˇe nám EEG kˇrivka neˇrekne sama o sobˇe nic v´ yznamného. Data je nutné zpr˚ umˇerovat do ERP pr˚ ubˇehu jak je znázornˇeno na Obrázku 5.1.

Obrázek 5.1: Pr˚ umˇerovan´ y ERP pr˚ ubˇeh z namˇeˇren´ ych EEG dat [1]. Proces pr˚ umˇerován´ı umoˇzn ˇuje odfiltrovat veˇskeré neˇzádouc´ı jevy z EEG, které nejsou v souvislosti s pozorován´ım dat ˇza´douc´ı. Jakékoliv nervové ˇcinnosti nesouvisej´ıc´ı s experimentem znehodnocuj´ı namˇeˇrená data. Pr˚ umˇerován´ı dat z nˇekolika subjekt˚ u zaruˇcuje pˇresnˇejˇs´ı v´ ysledky. Samozˇrejmˇe ˇc´ım v´ıce dat k pr˚ umˇerován´ı, t´ım pˇresnˇejˇs´ı v´ yslednou klasifikaˇcn´ı kˇrivku z´ıskáme viz Obrázek 5.1.

23

Metody zpracován´ı ERP signálu

Nástroje pro u ´pravu ERP

V obrázku 5.1 je vidˇet, ˇze vyobrazen´ y potenciál neboli vlna P300 se nacház´ı v záporné ˇcásti grafu, aˇckoliv pˇredepsanou konvenc´ı je vyobrazovat akˇcn´ı potenciál vzh˚ uru, vyobrazen´ y grafick´ y pr˚ ubˇeh pr˚ umˇerovaného ERP je vertikálnˇe otoˇcen. Velmi ˇcasto je to mateˇcné pro v´ yzkumn´ıky ERP, a proto je vhodné konvenci dodrˇzovat. V naˇsem pˇr´ıpadˇe je Obrázek 5.1 pouze ilustrativn´ı, v problematice následného zpracováván´ı dat, jsme konvenci samozˇrejmˇe dodrˇzeli.

5.1

N´ astroje pro u ´ pravu ERP

MATLAB, jako univerzáln´ı prostˇredek pro vˇedeckotechnické v´ ypoˇcty, zpracován´ı, modelován´ı, anal´ yzu a prezentaci dat, je jedn´ım z efektivn´ıch prostˇred´ı vhodné také pro zpracován´ı EEG signál˚ u. Umoˇzn ˇuje pohodlnˇe vytváˇret ˇsiroké mnoˇzstv´ı aplikac´ı. V posledn´ıch letech se stal celosvˇetov´ ym standardem v oblasti technick´ ych v´ ypoˇct˚ u, simulac´ı, v´ yzkum˚ u i v oblasti vzdˇeláván´ı. Jeho v´ yhoda spoˇc´ıvá v rozsáhl´ ych knihovn´ıch funkc´ıch, která lze pouˇz´ıt ve vˇsech oblastech lidské ˇcinnosti. Mimoˇrádnˇe rychlé v´ ypoˇcetn´ı jádro s optimalizovan´ ymi algoritmy je pˇripravené na ˇreˇsen´ı poˇcetnˇe nároˇcn´ ych u ´loh. Jednoduch´ ym zp˚ usobem dovoluje vytvoˇrit dvourozmˇerné nebo trojrozmˇerné grafy s voliteln´ ym vzhledem. Dalˇs´ım velk´ ym pozitivem je otevˇrená architektura, d´ıky n´ıˇz lze vyuˇz´ıvat funkce MATLABu i v extern´ıch aplikac´ıch, které si uˇzivatel m˚ uˇze sám vytvoˇrit ve zvoleném programovac´ım jazyce. Vzniklo tak mnoho nov´ ych knihoven, obsahuj´ıc´ı specializované funkce, které je moˇzné dále rozˇsiˇrovat a modifikovat. Samozˇrejmost´ı je srozumitelná, dostupná dokumentace a návody [17].

5.1.1

EEGLAB

Kl´ıˇcov´ y nástroj pro zpracován´ı EEG dat, je grafick´ y panel nástroj˚ u EEGLAB, kter´ y byl vytvoˇren a je neustále vyv´ıjen jako software s otevˇren´ ym zdrojov´ ym kódem, kaˇzd´ y uˇzivatel má právo si tak zdrojové kódy upravit dle vlastn´ıch potˇreb. Jedná se o volnˇe dostupn´ y modul, kter´ y lze jednoduˇse nahrát a spustit v prostˇred´ı MATLAB. Tento modul je velmi vhodn´ ym nástrojem pro zpracován´ı nejen EEG dat, ale i dalˇs´ıch elektrofyziologick´ ych dat za pomoci ˇcasov´ ych nebo frekvenˇcn´ıch anal´ yz, a poskytuje mnoho dalˇs´ıch metod, vˇcetnˇe nástroj˚ u na vyˇciˇstˇen´ı dat od artefakt˚ u. Obsahuje rozsáhlou podporu dostupn´ ych modul˚ u a detailn´ı dokumentaci s velk´ ym mnoˇzstv´ım 24


Zpracován´ı dat

manuál˚ u [17]. Mezi volnˇe dostupn´ ymi moduly existuje i modul bvaio, kter´ y umoˇzn ˇuje pohodln´ y import .vhdr dat, z´ıskan´ ych z EEG softwaru BrainVision Recorder. D´ıky tomuto modulu lze pohodlnˇe exportovat z´ıskaná data a následnˇe je zpracovat.

5.1.2

ERPLAB

Druh´ ym potˇrebn´ ym nástrojem pro zpracován´ı EEG dat je ERPLAB. Modul je u ´zce spjat s EEGLABem a jedná se téˇz o modul s volnˇe dostupn´ ymi zdrojov´ ymi kódy. Pouˇz´ıvá se pro anal´ yzu souvisej´ıc´ı pˇr´ımo s ERP. Rozˇsiˇruje moˇznosti EEGLABu a poskytuje dalˇs´ı uˇziteˇcné nástroje pro zpracován´ı dat. Data je potˇreba filtrovat od neˇza´douc´ıch frekvenc´ı, segmentovat jednotlivé epochy, provést korekci základn´ı u ´rovnˇe dle grafu a odstranit epochy s artefakty.V závˇeru jsou data pr˚ umˇerována a následnˇe je detekován evokovan´ y potenciál [1].

5.2

Zpracov´ an´ı dat

V´ yskyty stimul˚ u jsou bˇehem záznamu EEG oznaˇceny synchronizaˇcn´ımi znaˇckami, podle kter´ ych lze signál segmentovat. Segmentace spoˇc´ıvá v rozdˇelen´ı signálu na celou ˇradu tzv. epoch. Epocha se vˇzdy odv´ıj´ı od synchronizaˇcn´ı znaˇcky - zaˇc´ıná v nastavenou chv´ıli pˇred v´ yskytem stimulu a konˇc´ı v nastavenou chv´ıli po jeho v´ yskytu. Vhodné ˇcasy pro rozdˇelen´ı signálu mohou b´ yt napˇr. 0,1 s pˇred stimulem a 1 s po v´ yskytu stimulu. Krátké ˇcasové obdob´ı pˇred v´ yskytem stimulu obvykle slouˇz´ı k vyrovnán´ı ”nuly”, tzv. base line. C´ılem je zabránit tomu, aby celá epocha obsahovala pouze kledné, nebo záporné vzorky napˇr. vlivem n´ızkofrekvenˇcn´ıho ruˇsen´ı. Zaj´ımavˇejˇs´ı pro samostatnou klasifikaci je druh´ y ˇcasov´ y interval, v jehoˇz pr˚ ubˇehu oˇcekáváme v´ yskyt samotn´ ych ERP komponent. Dále se mus´ıme nˇejak vypoˇra´dat se znaˇcn´ ym zaˇsumˇen´ım signálu. V naˇsem pˇr´ıpadˇe máme k dispozici v´ıce dat z téhoˇz experimentu, nebot’ vˇsechny osoby byly mˇeˇreny stejn´ y experimentem, a tak m˚ uˇzeme s v´ yhodou pouˇz´ıt pr˚ umˇeˇ rován´ı. Sum má totiˇz zcela náhodn´ y charakter, zat´ımco ERP komponenty

25


Zpracován´ı dat

by se mˇely vyskytovat v´ıceménˇe pravidelnˇe. Segmentaci a pr˚ umˇerován´ı lze provádˇet online, tedy v pr˚ ubˇehu experimentu, a nebo offline, tedy po skonˇcen´ı experimentu. V´ ysledky segmentace a pr˚ umˇerován´ı se pr˚ ubˇeˇznˇe zobrazuj´ı v´ yzkumn´ıkovi na monitor, zat´ımco samotné zpracován´ı dat se obvykle provád´ı aˇz pozdˇeji, tedy offline. Obrázek 5.2 znázorˇ nuje schéma zpracován´ı EEG signálu [16].

Obrázek 5.2: Postup zpracován´ı EEG dat.

5.2.1

Filtrov´ an´ı

Filtrován´ı je nezbytné pro odstranˇen´ı neˇzádouc´ıch frekvenc´ı z namˇeˇren´ ych dat. K zobrazen´ı ERP komponent je nutné potlaˇcit základn´ı EEG aktivity, kter´ y se skládá pˇredevˇs´ım z alfa a beta vln, které jsou vysvˇetlené v Kapitole 2.3 na stranˇe 6. ˇ ım v´ıce Je d˚ uleˇzité si uvˇedomit, ˇze filtry jsou formou ˇr´ızeného zkreslen´ı. C´ filtrujeme data, t´ım v´ıce nastane jejich zkreslen´ı, zejména ˇcasového pr˚ ubˇehu ERP kˇrivky. V mnoha pˇr´ıpadech m´ırné filtrován´ı odstran´ı velké mnoˇzstv´ı ˇsumu a zároveˇ n zp˚ usob´ı minimáln´ı zkreslen´ı dat, coˇz je velmi uˇziteˇcné. Ukázka filtrovan´ ych dat viz Obrázek 5.3. Nevhodné nastaven´ı filtr˚ u m˚ uˇze vést k neˇzádouc´ım d˚ usledk˚ um. V naˇsem experimentu jsme odfiltrovali pˇr´ıliˇs n´ızké frekvence s nastaven´ım pod 0,1 Hz a pˇr´ıliˇs vysoké frekvence nad 30 Hz. Mezi filtry jsme vyuˇzili: • low-pass filtr - tlum´ı vysoké frekvence, nechává proj´ıt n´ızké frekvence • high-pass filtr - zadrˇzuje n´ızké frekvence a propouˇst´ı vysoké frekvence

26


Zpracován´ı dat

Obrázek 5.3: Filtrace EEG dat a) p˚ uvodn´ı data b) aplikován filtr [11]. Pˇri filtraci dat byly odstranˇeny i pˇr´ıliˇs vysoké amplitudy, které by zbyteˇcnˇe zhorˇsovaly aritmetick´ y pr˚ umˇer vˇsech namˇeˇren´ ych hodnot. Nastavili jsme prahového napˇet´ı v rozsahu -50 aˇz 50 µV. Amplitudy, které pˇresáhly takto stanoven´ y rozsah, nebyly v pr˚ umˇerován´ı zohledˇ novány.

5.2.2

Segmentace

Segmentace epoch je technika rozdˇelen´ı kontinuáln´ıho EEG signálu do stejnˇe dlouh´ ych u ´sek˚ u tzv. epoch. Provád´ı se na základˇe synchronizaˇcn´ıch impuls˚ u, které jsou generovány u v´ yskytu stimul˚ u viz Obrázek 5.4. Poˇca´tek je urˇcen v naˇsem pˇr´ıpadˇe 100 ms pˇred a 1000 ms za v´ yskytem stimulu, s c´ılem zachytit hledanou komponentu v epoˇse [17].

Obrázek 5.4: Ilustrativn´ı ukázka segmentace EEG dat na jednotlivé epochy..

27


5.2.3

Zpracován´ı dat

Korekce

Pˇri sn´ımán´ı EEG aktivity pomoc´ı elektrod um´ıstˇen´ ych na povrchu hlavy docház´ı k ruˇsiv´ ym vliv˚ um jako jsou pocen´ı ˇci ˇspatnˇe namazané elektrody. Je ho potˇreba dostateˇcnˇe redukovat, aby nedoˇslo ke zkreslen´ı v´ ysledn´ ych dat. Korekce baseline obecnˇe slouˇz´ı k odstranˇen´ı artefakt˚ u.

Obrázek 5.5: P˚ uvodn´ı namˇeˇrená data (ˇcernˇe), po korekci linie (ˇcervenˇe) [7]. Pr˚ ubˇeh kˇrivky je tˇemito artefakty ovlivnˇen a m˚ uˇze pr˚ ubˇeh signálu vych´ ylit, jak je znázornˇeno na Obrázku 5.5, kde je zobrazena p˚ uvodn´ı (ˇcerná) a poˇzadovaná kˇrivka (ˇcervená). Oprava se provád´ı odeˇcten´ım napˇet´ı od kaˇzdého bodu segmentu. Po odeˇcten´ı jsou odstranˇeny vysoké hodnoty napˇet´ı. Vytvoˇr´ı se ”nulová”´ uroveˇ n napˇet´ı. Tento proces se provád´ı pro kaˇzd´ y kanál zvláˇst’. Korekce kˇrivky je manipulace s daty, která m˚ uˇze ovlivnit dalˇs´ı kroky jejich zpracován´ı [11].

5.2.4

Pr˚ umˇ erov´ an´ı

Nejvˇetˇs´ım problémem v oblasti zpracován´ı EEG dat je vypoˇrádat se znaˇcn´ ym ˇ sen´ım je vhodné pˇredzpracován´ı signálu, napˇr. wavezaˇsumˇen´ım signálu. Reˇ letová transformace, nebo matching pursuit. Tˇemi se ale zab´ yvat nebudeme,

28


Zpracován´ı dat

protoˇze máme k dispozici v´ıce opakován´ı téhoˇz experimentu, a tak m˚ uˇzeme s v´ yhodou vyuˇz´ıt pr˚ umˇerován´ı viz Obrázek 5.6.

Obrázek 5.6: Princip pr˚ umˇerován´ı dat [7]. Pod´ıl evokované odpovˇedi na základn´ı EEG aktivitˇe se odhaduje kolem ˇ ım v´ 0,1 % - 10 % . C´ yraznˇejˇs´ı je evokovaná odpovˇed’ a ˇc´ım menˇs´ı je jej´ı ruˇsen´ı zevn´ımi i vnitˇrn´ımi vlivy, t´ım menˇs´ı poˇcet zpr˚ umˇerovan´ ych epoch je nutn´ y pro správnou detekci urˇcit´ ych komponent. Zˇretelné a kvalitn´ı evokované odezvy lze obvykle dosáhnout zpr˚ umˇerován´ım 50-ti epoch. Veˇskerá data, která jsme namˇeˇrili obsahuj´ı 50 epoch, ale i pˇresto nemus´ıme z´ıskat kvalitn´ı zpr˚ umˇerovan´ y záznam. Vysvˇetlen´ım m˚ uˇze b´ yt u ńava zkoumané osoby, která zv´ yˇs´ı neˇza´douc´ı artefakty v záznamu a signál znehodnot´ı.

29

6 Návrh klasifikátoru Tˇeˇziˇstˇem celé práce je návrh klasifikátoru pro jednoduch´ y BCI systém, kter´ y ˇrad´ı data do pˇredem pˇripraven´ ych tˇr´ıd. Pˇripraveny byly celkem ˇctyˇri tˇr´ıdy T1 , T2 , T3 a T4 , které jsou peˇclivˇe popsány v Kapitole 4.2.2. Jedná se o tˇr´ıdy, které vizuálnˇe stimuluj´ı mˇeˇren´ y subjekt záblesky v urˇcit´ ych ˇcasov´ ych intervalech. Pˇri mˇeˇren´ı EEG v laboratoˇri KIV byly poˇr´ızeny vˇzdy dvˇe mˇeˇren´ı od kaˇzdého subjektu, a to zámˇernˇe. Data prvn´ıho mˇeˇren´ı poslouˇz´ı jako trénovac´ı mnoˇzina, je vytvoˇrena jako velk´ y pr˚ umˇer skrze veˇskerá namˇeˇrená data. Na základˇe vˇsech namˇeˇren´ ych dat z prvn´ı mnoˇziny vyextrahujeme pˇr´ıznakové body, které charakterizuj´ı ERP kˇrivku, do textového souboru. Data z druhého mˇeˇren´ı budou pouˇzita jako testovac´ı mnoˇzina. Mˇejme tedy 2 body:

A = [x1 ; y1 ], B = [x2 ; y2 ]

(6.1)

kde vzdálenost mezi body se vypoˇcte:

d=

p

(y2 − y1 )2 + (x2 − x1 )2

(6.2)

Navrˇzen´ y klasifikátor je ˇr´ızen´ y v´ ypoˇctem minimáln´ı vzdálenosti viz Vzorec 6.2. Porovnává vzdálenost vˇzdy mezi pˇeti body. Prvn´ı bod je z urˇcitého ˇcasového intervalu viz Tabulka 6.1 z mnoˇziny testovac´ıch dat, zbylé ˇctyˇri body jsou vˇzdy body z totoˇzného pˇr´ısluˇsného ˇcasového intervalu z jednotliv´ ych klasifikaˇcn´ıch tˇr´ıd trénovac´ı mnoˇziny jak je tomu na Obrázku 6.1. ˇ Casov´ y interval [ms]: 0 - 265 245 - 510 490 - 755 755 - 1000 ˇ Tabulka 6.1: Casov´ e intervaly pro v´ ybˇer vhodn´ ych pˇr´ıznakov´ ych sloˇzek.

30

Návrh klasifikátoru

6.1

Pˇr´ıznakový vektor

Pˇ r´ıznakov´ y vektor

Pˇr´ıznakov´ y vektor slouˇz´ı pro klasifikaci objekt˚ u, jedná se o n-tici bod˚ u, která vystihuje charakteristické rysy objekt˚ u v naˇsem pˇr´ıpadˇe pr˚ ubˇeh ERP kˇrivky. Volby pˇr´ıznak˚ u, které charakterizuj´ı danou kˇrivku je obt´ıˇzné zvolit. Rozpoznáván´ı objekt˚ u, které maj´ı r˚ uznorodé v´ ysledky je tˇeˇzké identifikovat a správnˇe zaˇradit do patˇriˇcné tˇr´ıdy. C´ılem popisu je matematicky reprezentovat objekt vektorem X, jehoˇz prvky jsou body souˇradného systému v rovinˇe viz Vzorec 6.3. Jednotlivé sloˇzky vektoru symbolizuj´ı vyextrahované body z ERP signálu. Pˇr´ıznakov´ y ˇ vektor X obsahuje celkem osm bod˚ u. Ctyˇri body reprezentuj´ı body s kladnou amplitudou a zbylé ˇctyˇri se zápornou amplitudou, v závislosti na ˇcase latency.   X1 X2    X =  ..  (6.3)  .  X8 Pro plnohodnotn´ y popis pˇr´ıznakového vektoru bylo zapotˇreb´ı zvolit v´ıce ˇ ım v´ıce pˇr´ıznakov´ pˇr´ıznakov´ ych bod˚ u. C´ ych bod˚ u z pr˚ ubˇehu ERP kˇrivky z´ıskáme, t´ım pˇresnˇeji bude klasifikátor klasifikovat. Kaˇzd´ y zpracovan´ y ERP signál náleˇz´ı intervalu (0, 1000) ms. Tento interval byl rozdˇelen na ˇctyˇri dalˇs´ı viz Tabulka 6.1. Z tabulky je zˇrejmé, ˇze se intervaly navzájem pˇrekr´ yvaj´ı, to z d˚ uvodu, aby pˇr´ıznakov´ y bod neleˇzel na hranici dˇel´ıc´ı ˇca´ry mezi intervaly. Kdyby bod leˇzel pˇr´ımo na dˇel´ıc´ı ˇca´ˇre mohly by u klasifikace nastat problémy, nebot’ ERPLAB body na dˇel´ıc´ı ˇcáˇre nevygeneruje do pˇr´ıznakového vektoru, s hranicemi nakládá jako s otevˇren´ ym intervalem, tzn. ˇze se k dané hodnotˇe pouze pˇribliˇzuje.

6.1.1

Tr´ enovac´ı mnoˇ zina

Trénovac´ı mnoˇzina byla vytvoˇrena ze vˇsech namˇeˇren´ ych dat. Vzhledem k tomu, ˇze se mˇeˇren´ı provádˇelo skrze r˚ uzné materiály - pauzovac´ı pap´ır a mléˇcné sklo, byly vytvoˇreny dvˇe testovac´ı mnoˇziny. Veˇskerá data z jednotliv´ ych klasifikaˇcn´ıch tˇr´ıd byla zpracována a následnˇe se vytvoˇril tzv. velk´ y pr˚ umˇer, kter´ y zpr˚ umˇeroval vˇsechna data z urˇcité klasifikaˇcn´ı tˇr´ıdy. Vznikly tak ˇctyˇri soubory pˇr´ıznakov´ ych vektor˚ u neboli klasifikaˇcn´ıch tˇr´ıd, d´ıky nimˇz m˚ uˇzeme 31

Návrh klasifikátoru

Zp˚ usob klasifikace

vykonat sadu test˚ u.

6.1.2

Testovac´ı mnoˇ zina

Testovac´ı mnoˇzina je sada vstupn´ıch dat, které jsou pˇripraveny ke klasifikaci. Surová data byla zpracována a vyextrahována do pˇr´ıznakov´ ych vektor˚ u. Ty jsou následnˇe zpracovávány klasifikátorem a ve v´ ysledku ˇrazeny do jednotliv´ ych klasifikaˇcn´ıch tˇr´ıd.

6.2

Zp˚ usob klasifikace

Obrázek 6.1: Zp˚ usob klasifikace do jednotliv´ ych klasifikaˇcn´ıch tˇr´ıd. Princip klasifikace znázorˇ nuje Obrázek 6.1. Vstupn´ı bod Y z testovac´ı mnoˇziny z obrázku 6.1 postupnˇe procház´ı vˇsechny tˇr´ıdy jiˇz specifick´ ych pˇr´ıznakov´ ych vektor˚ u: 0 8 11, 1 7 10, 2 4 5 a 3 6 9 z trénovac´ı mnoˇziny, a propoˇc´ıtává vzdálenosti mezi vzájemn´ ymi body (elektrodami O1 s O1 , P3 s P3 ). Pˇri v´ ypoˇctu jednotliv´ ych vzájemn´ ych minimáln´ıch vzdálenost´ı se uchovávaj´ı ˇcetnosti s minimáln´ı vzdálenost´ı pod jednotliv´ ymi klasifikaˇcn´ımi tˇr´ıdami (T1 , T2 , T3 a T4 ). Po pr˚ uchodu vˇsemi elektrodami se vyhodnot´ı ta ˇcetnost, která je nejvyˇsˇs´ı a zaˇrad´ı se do pˇr´ısluˇsné tˇr´ıdy podle toho, z jaké klasifikaˇcn´ı tˇr´ıdy byla nejvyˇsˇs´ı ˇcetnost vybrána. 32

7 Dosaˇzené výsledky V následuj´ıc´ıch tabulkách se pod´ıváme na zhodnocen´ı implementovaného klasifikátoru pro r˚ uzné materiály (pauzovac´ı pap´ır a mléˇcné sklo). Porovnáme v´ ysledky a urˇc´ıme klasifikaˇcn´ı chybu s jakou navrˇzen´ y klasifikátor klasifikoval. Prvn´ı sloupec Tabulek 7.1 a 7.4 oznaˇcuje název vstupn´ıho souboru, kter´ y je zadáván jako parametr do programu, kter´ y klasifikuje jednotlivého tˇr´ıdy. P´ısmeno P charakterizuje mnoˇzinu vstupn´ıch dat namˇeˇrenou pˇres pauzovac´ı pap´ır, M pˇres mléˇcné sklo. Druh´ y sloupec urˇcuje mnoˇzinu dat, na jej´ımˇz základˇe by mˇel klasifikátor klasifikovat. Tud´ıˇz druh´ y sloupec by mˇel b´ yt roven hodnotˇe v tˇret´ım sloupci. Pokud se hodnoty sloupc˚ u na daném ˇra´dku neshoduj´ı, navrˇzen´ y klasifikátor neklasifikoval správnˇe. Na základˇe tˇechto ˇra´dk˚ us rozd´ıln´ ymi hodnotami ve sloupci urˇc´ıme chybu klasifikace.

7.0.1

Klasifikace pˇ ri mˇ eˇ ren´ı pˇ res pauzovac´ı pap´ır

Název vstupn´ıho souboru Subjekt 1 (P)

Subjekt 2 (P)

Subjekt 3 (P)

Subjekt 4 (P)

Testovac´ı vstupn´ı soubor 0 8 11 1 7 10 245 369 0 8 11 1 7 10 245 369 0 8 11 1 7 10 245 369 0 8 11 1 7 10 245 369

33

Klasifikaˇcn´ı tˇr´ıda 0 8 11 245 369 1 7 10 0 8 11 1 7 10 245 369 245 1 7 10 1 7 10 369 0 8 11 1 7 10 245 369

Dosaˇzené výsledky Název vstupn´ıho souboru Subjekt 5 (P)

Subjekt 6 (P)

Subjekt 7 (P)

Subjekt 8 (P)

Subjekt 9 (P)

Subjekt 10 (P)

Testovac´ı vstupn´ı soubor 0 8 11 1 7 10 245 369 0 8 11 1 7 10 245 369 0 8 11 1 7 10 245 369 0 8 11 1 7 10 245 369 0 8 11 1 7 10 245 369 0 8 11 1 7 10 245 369

Klasifikaˇcn´ı tˇr´ıda 0 8 11 1 7 10 245 369 369 1 7 10 245 369 0 8 11 1 7 10 245 369 0 8 11, 2 4 5 245 369 369 245 1 7 10 369 369 245 245 245 369

Tabulka 7.1: Klasifikace - ˇrazen´ı dat do jednotliv´ ych klasifikaˇcn´ıch tˇr´ıd, ovˇeˇren´ı funkˇcnosti klasifikátoru pˇres pauzovac´ı pap´ır. Celkem ze 40 namˇeˇren´ ych dat, coˇz odpov´ıdá 10 namˇeˇren´ ym subjekt˚ um 1 vyˇslo : • 27 klasifikováno do správné tˇr´ıdy • 12 klasifikováno do ˇspatné tˇr´ıdy • 1 zaˇrazen do dvou klasifikaˇcn´ıch tˇr´ıd Aˇckoliv dat bylo namˇeˇreno celkem 44, ve v´ ysledku jsme pracovali pouze se 40 soubory namˇeˇren´ ych dat, nebot’ zbylá data byla po zpracován´ı nepouˇzitelná. 1

Spr´ avnˇe klasifikované hodnoty jsou v tabulkách vyznaˇceny tuˇcnˇe.

34

Dosaˇzené výsledky

Zpracován´ım proˇslo minimum vzork˚ u. Pˇri klasifikaci dat do patˇriˇcn´ ych tˇr´ıd m˚ uˇze nastat pˇr´ıpad, kdy se nejvyˇsˇs´ı ˇcetnosti rovnaj´ı, v tom pˇr´ıpadˇe klasifikátor zaˇrad´ı data do v´ıce klasifikaˇcn´ıch tˇr´ıd, a my to vyhodnot´ıme jako chybu, viz v pˇr´ıpadˇe u Subjektu 8 z Tabulky 7.1. Vyjádˇr´ıme-li procentuáln´ı u ´spˇeˇsnost klasifikace dojdeme k pomˇeru: • 32,5% : 76,5% , kde 32,5 % je ne´ uspˇeˇsn´ ych a 76,5% u ´spˇeˇsn´ ych. Hodnoty ˇcetnosti správného urˇcen´ı klasifikaˇcn´ı tˇr´ıdy znázorˇ nuje Tabulka 7.2: Tˇr´ıda: Poˇcet zaˇrazen´ı:

0 8 11 1 7 10 2 4 5 3 6 9 6

7

6

9

ˇ Tabulka 7.2: Cetnosti správného zaˇrazen´ı do klasifikaˇcn´ı tˇr´ıdy. Hodnoty ˇcetnosti ˇspatného urˇcen´ı klasifikaˇcn´ı tˇr´ıdy znázorˇ nuje Tabulka 7.3: Tˇr´ıda: Poˇcet zaˇrazen´ı:

0 8 11 1 7 10 2 4 5 3 6 9 4

3

4

1

ˇ Tabulka 7.3: Cetnosti ˇspatného zaˇrazen´ı do klasifikaˇcn´ı tˇr´ıdy.

7.0.2

Klasifikace pˇ ri mˇ eˇ ren´ı pˇ res ml´ eˇ cn´ e sklo

Název vstupn´ıho souboru

Subjekt 1 (M)

Subjekt 2 (M)

Testovac´ı vstupn´ı soubor

Klasifikaˇcn´ı tˇr´ıda2

0 8 11 1 7 10 245 369 0 8 11 1 7 10 245 369

245 245 245 369 0 8 11 245 0 8 11 0 8 11

35

Dosaˇzené výsledky Název vstupn´ıho souboru Subjekt 3 (M)

Subjekt 4 (M)

Subjekt 5 (M)

Subjekt 6 (M)

Subjekt 7 (M)

Testovac´ı vstupn´ı soubor 0 8 11 1 7 10 245 369 0 8 11 1 7 10 245 369 0 8 11 1 7 10 245 369 0 8 11 1 7 10 245 369 0 8 11 1 7 10 245 369

Klasifikaˇcn´ı tˇr´ıda 245 245 369 369 0 8 11 369 245 369 0 8 11 1 7 10 245 369 245 245 245 0 8 11 0 8 11 1 7 10 245 369

Tabulka 7.4: Klasifikace - ˇrazen´ı dat do jednotliv´ ych klasifikaˇcn´ıch tˇr´ıd, ovˇeˇren´ı funkˇcnosti klasifikátoru pˇres mléˇcné sklo. Celkem z 28 namˇeˇren´ ych dat, coˇz odpov´ıdá 7 namˇeˇren´ ym subjekt˚ um vyˇslo : 3

• 16 klasifikováno do správné tˇr´ıdy • 12 klasifikováno do ˇspatné tˇr´ıdy Subjekt˚ u bylo namˇeˇreno celkem 11, ve v´ ysledku 44 soubor˚ u namˇeˇren´ ych dat. V´ yslednou klasifikaci vˇsak bylo moˇzné zpracovat pouze s 28 soubory dat, zbylá data po zpracován´ı nebyla pouˇzitelná. Vyjádˇr´ıme-li procentuáln´ı u ´spˇeˇsnost klasifikace dojdeme k pomˇeru: • 43% : 57% , kde 43 % je ne´ uspˇeˇsn´ ych a 57% u ´spˇeˇsn´ ych. 3

Spr´ avnˇe klasifikované hodnoty jsou v tabulkách vyznaˇceny tuˇcnˇe.

36

Dosaˇzené výsledky

Hodnoty ˇcetnosti správného urˇcen´ı klasifikaˇcn´ı tˇr´ıdy znázorˇ nuje Tabulka 7.5: Tˇr´ıda: Poˇcet zaˇrazen´ı:

0 8 11 1 7 10 2 4 5 3 6 9 4

2

5

5

ˇ Tabulka 7.5: Cetnosti správného zaˇrazen´ı do klasifikaˇcn´ı tˇr´ıdy. Hodnoty ˇcetnosti ˇspatného urˇcen´ı klasifikaˇcn´ı tˇr´ıdy znázorˇ nuje Tabulka 7.6: Tˇr´ıda: Poˇcet zaˇrazen´ı:

0 8 11 1 7 10 2 4 5 3 6 9 3

5

2

2

ˇ Tabulka 7.6: Cetnosti ˇspatného zaˇrazen´ı do klasifikaˇcn´ı tˇr´ıdy.

37

8 Závˇer Existuje nesˇcetnˇe mnoho zp˚ usob˚ u klasifikace, lze vyuˇz´ıt jiˇz známé a dobˇre prozkouˇsené metody, ˇci navrhnout vlastn´ı. My jsme se inspirovali metodou v´ ypoˇctu minimáln´ı vzdálenosti. Taková metoda je ve vˇetˇsinˇe pˇr´ıpad˚ u zaloˇzena na shlukován´ı bod˚ u, která p˚ usob´ı jako vhodn´ y zp˚ usob pro v´ ypoˇcet pr˚ umˇerné hodnoty - centroidu, a tak ke klasifikaci nejbliˇzˇs´ıch soused˚ u. Avˇsak v naˇsem pˇr´ıpadˇe nen´ı nutné body shlukovat, postaˇc´ı porovnávat jednotlivé vzdálenosti mezi stejn´ ymi elektrodami, t´ım doc´ıl´ıme vyˇsˇs´ı pˇresnosti pˇri klasifikaci. Elektrody jsou párovˇe um´ıstˇené ve stejné ˇca´sti hlavy, jedna vˇzdy reprezentuje levou hemisféru a druhá pravou hemisféru. Porovnáván´ım tˇechto elektrod z´ıskáváme podobnˇejˇs´ı hodnoty, nebot’ napˇr. elektroda P 3 bude ve vˇetˇsinˇe pˇr´ıpad˚ u bl´ıˇze elektrodˇe typu P , neˇz O. Rozptyl párov´ ych elektrod O a P byl pˇr´ıliˇs vysok´ y, pro vytváˇren´ı shlukován´ı, polomˇer centroidu by byl pˇr´ıliˇs velk´ y. V´ yhodou naˇs´ı klasifikace je, ˇze mˇeˇrené subjekty nemusely b´ yt nijak pouˇcovány o principu mˇeˇren´ı, protoˇze jsme se snaˇzili evokovat neˇcekané podnˇety. Mˇeˇren´ y subjekt postaˇcilo informovat o pr˚ ubˇehu mˇeˇren´ı, nikoliv o tom co se bude d´ıt. V laboratoˇri jsme zmˇeˇrili celkem 22 subjekt˚ u, z nichˇz kaˇzd´ y byl mˇeˇren dvakrát, pro vytvoˇren´ı trénovac´ı a testovac´ı mnoˇziny. Mnoho dat po zpracován´ı ERPLABem nebyla pouˇzitelná. Problém nastal zejména u dat mˇeˇren´ ych skrz mléˇcné sklo. Mˇeˇren´ y subjekt reagoval na stimulaci skrz mléˇcné sklo mnohem v´ yraznˇeji. Amplitudy pˇri mˇeˇren´ı byly mnohem vyˇsˇs´ı neˇz v pˇr´ıpadˇe mˇeˇren´ı skrz pauzovac´ı pap´ır. Pˇri zpracován´ı dat byla jasnˇe stanovená prahová hodnota pro rozsah amplitud. Tato hodnota byla neustále pˇresahována, data tak neproˇsla filtrac´ı. Vhodn´ ym ˇreˇsen´ım tohoto problému je sn´ıˇzen´ı u ´rovnˇe jasu na hardwarovém stimulátoru, aby intenzita jasu s kterou je mˇeˇren´ y subjekt stimulován, nebyla tak vysoká. Niˇzˇs´ı intenzita jasu by mohla zaruˇcit, ˇze stimulace nebude na mˇeˇrené osoby p˚ usobit tak intenzivnˇe. Dalˇs´ı moˇznost´ı je zv´ yˇsit rozsah hodnot prahu pˇri filtraci amplitud. T´ım doc´ıl´ıme, ˇze nastaven´ ym filtrem projde mnohem v´ıce epoch. Nejv´ıce dat nebylo pouˇzito pˇri mˇeˇren´ı pˇres mléˇcné sklo, to zp˚ usobilo, ˇze v´ ysledn´ y velk´ y pr˚ umˇer pro trénovac´ı mnoˇzinu se spoˇc´ıtal pouze ze 7 namˇeˇ ˇren´ ych dat. C´ım ménˇe dat zahrneme do pr˚ umˇeru, t´ım nepˇresnˇejˇs´ı z´ıskáváme v´ ysledky klasifikace, coˇz se prom´ıtlo pˇri testován´ı. Ve v´ ysledku klasifikátor pro mléˇcné sklo klasifikoval mnohem h˚ uˇre, neˇz je tomu u klasifikace pro pauzovac´ı pap´ır. V kapitole 7 jsou detailnˇe po38

Závˇer

psány jednotlivé v´ ysledky klasifikac´ı. Pro pauzovac´ı pap´ır m˚ uˇzeme ˇr´ıci, ˇze klasifikátor ˇrad´ı data do jednotliv´ ych tˇr´ıd ve v´ıce jak 70 % správnˇe. Taková klasifikace je pˇrijatelná a lze j´ı v budoucnosti vyuˇz´ıt. Klasifikace pˇres mléˇcné sklo má u ´spˇeˇsnost pouze kolem 50 %, jej´ı nepˇresnost je zapˇr´ıˇcinˇená nevhodn´ ym nastaven´ım stimulován´ı, konkrétnˇe hardwarového stimulátoru, nebo stanoven´ ym rozsahem napˇet’ového prahu pˇri zpracován´ı dat, konkrétnˇe pˇri filtrován´ı nevhodn´ ych epoch. Kvalitu klasifikace pˇres mléˇcné sklo nejv´ıce ovlivnilo mnoˇzstv´ı dat poskytnuté do pr˚ umˇeru, hodnoty z n´ızkého poˇctu dat ˇcin´ı pr˚ umˇer ménˇe pˇresn´ y. Pˇri vhodnˇejˇs´ım nastaven´ı stimulátoru a filtrace z´ıskáme pˇrijatelná data od v´ıce osob, a t´ım klasifikaci znaˇcnˇe zpˇresn´ıme. V budoucnosti lze klasifikaci rozˇs´ıˇrit a vylepˇsit. V´ ysledná klasifikace by mohla prob´ıhat online. Mˇeˇren´ y subjekt by v odst´ınˇené komoˇre sledoval napˇr. ˇctyˇri svˇetelné panely, které by evokovaly potenciály a samozˇrejmˇe se vzájemnˇe neruˇsily. V jeden okamˇzik sm´ı sv´ıtit pouze jeden LED panel. Naˇs´ım u ´kolem by bylo v reálném ˇcase urˇcit, kter´ y z panel˚ u subjekt právˇe sleduje. Problémem je implementace v reálném ˇcase, okamˇzit´ y pˇrenos signálu a jeho následné zpracován´ı nen´ı jednoduché, a online komunikace se svˇeteln´ ym panelem.

39

Literatura [1] Erp info - manuál pro erplab. Dostupné na http://www.erpinfo.org/ erplab, 2011. Naposledy navˇst´ıveno 21. dubna 2015. [2] Václav Bˇele. Jednoduch´ y bci na bázi ustálen´ ych evokovan´ ych potenciál˚ u (ssvep). Diplomová práce na Katedˇre informatiky a výpoˇcetn´ı techniky Západoˇceské univerzity v Plzni., 2015. [3] Anton Nijholt Desney S. Tan. Brain-computer interfaces: Applying our minds to human-computer interaction, 2010. e-ISBN: 978-1-84996-272-8. [4] Martin Fornbaum. Ustálené vizuáln´ı evokované potenciály (ssvep) a jejich aplikace v systému bci. Dostupné na https://otik.uk.zcu.cz/ handle/11025/3056, 2012. Naposledy navˇst´ıveno 12. dubna 2015. [5] D. Zhud G. Molina, D. Bieger. Survey of simulation methods used in ssvep - based bcis. Dostupné na http://www.hindawi.com/journals/ cin/2010/702357/, 2000. Naposledy navˇst´ıveno 28. dubna 2015. [6] Yijun Wang Guangyu Bin, Xiaorong Gao. Vep-based brain-computer interfaces: Time, frequency, and code modulations. IEEE COMPUTATIONAL INTELLIGENCE MAGAZINE, 2009. [7] Adam Hanzelka. Korekce kol´ısán´ı nulové izolinie, 2011. [8] Jiˇr´ı Holˇc´ık. Detekce epileptick´ ych vln v elektroencefalogramu. Dostupné na http://www.iba.muni.cz/esf/res/file/bimat-prednasky/ projekt-z-matematicke-biologie/PMB-holcik.pdf, 2011. Naposledy navˇst´ıveno 13. dubna 2015. [9] Eva Kleˇcková. Metody anal´ yzy eeg záznam˚ u obsahuj´ıc´ıch vizuáln´ı evokované potenciály (ssvep). Dostupné na https://otik.uk.zcu.cz/ handle/11025/13517, 2014. Naposledy navˇst´ıveno 12. dubna 2015. 40

LITERATURA

LITERATURA

[10] Michal Klus. Mˇeˇren´ı a anal´ yza enecefalogram. Dostupné na https://www.vutbr.cz/www_base/zav_prace_soubor_verejne. php?file_id=38946, 2011. Naposledy navˇst´ıveno 15. dubna 2015. [11] Steven J. Luck. An introduction to event-related potential, 2005. [12] Csc. Mudr. Jaroslav Dufek, Mudr. Petr Kaˇ novsk´ y. Evokované potenciály v klinické praxi, 2000. ISBN: 80-7013-306-6. [13] Lenka Okáˇcová. Co je to eeg? Dostupné na http://www. neurologie-okacova.cz/co-je-to-eeg.html, 2014. Naposledy navˇst´ıveno 13. dubna 2015. [14] Ph.D Prof. Miroslav Kuba, M.D. Motion-onset visual evoked potentials and their diagnostic applications, 2006. ISBN: 80-86225-89-5. [15] Helena Strnadová. Seminárn´ı práce z biofyziky. Dostupné na http://ftplf2.agarek.com/fyzio/prvak/biofyzika/semin/ helcas_eeg.php, 2004. Naposledy navˇst´ıveno 13. dubna 2015. [16] Lukáˇs Vaˇreka. Zpracován´ı eeg/erp signálu neuronovou s´ıt´ı. Dostupné na https://otik.uk.zcu.cz/handle/11025/13487, 2009. Naposledy navˇst´ıveno 20. dubna 2015. [17] Veronika Venc´ uriková. Metody zpracován´ı eeg/erp signál˚ u. Dostupné na https://otik.uk.zcu.cz/handle/11025/12521, 2014. Naposledy navˇst´ıveno 21. dubna 2015. [18] Shangkai Gao Yijun Wang, Ruiping Wang. A practical vep-based brain–computer interface. IEEE TRANSACTIONS ON NEURAL SYSTEMS AND REHABILITATION ENGINEERING, 2006. ˇ [19] Tereza Stanglov´ a. Test hw simulátoru pro mˇeˇren´ı erp experiment˚ u. Dostupné na https://otik.uk.zcu.cz/handle/11025/13487, 2014. Naposledy navˇst´ıveno 17. dubna 2015.

41

Seznam obr´ azk˚ u

2.1

Pr˚ ubˇeh kˇrivky EEG záznamu pˇri mˇeˇren´ı v laboratoˇri KIV. . .

2

2.2

Systém 10-20 rozm´ıstˇen´ı EEG elektrod. . . . . . . . . . . . . .

4

2.3

Ukázka delta vln. . . . . . . . . . . . . . . . . . . . . . . . . .

7

2.4

Ukázka théta vln. . . . . . . . . . . . . . . . . . . . . . . . . .

7

2.5

Ukázka alfa vln. . . . . . . . . . . . . . . . . . . . . . . . . . .

7

2.6

Ukázka beta vln. . . . . . . . . . . . . . . . . . . . . . . . . .

8

2.7

Ukázka gama vln. . . . . . . . . . . . . . . . . . . . . . . . . .

8

3.1

Ilustrativn´ı zobrazen´ı bˇeˇzn´ ych ERP komponent. . . . . . . . . 12

4.1

Oˇcn´ı zp˚ usob komunikace osob se zdravotn´ım postiˇzen´ım. . . . 16

4.2

Stimulovan´ y pr˚ ubˇeh sekvence, ˇcasov´ y pr˚ ubˇeh c-VEP, v´ ykonové spektrum a auto-korelace . . . . . . . . . . . . . . . . . . . . . 18

4.3

Stimulaˇcn´ı pr˚ ubˇeh sekvence a ˇcasov´ y pr˚ ubˇeh f-VEP . . . . . . 19

4.4

Stimulovan´ y pr˚ ubˇeh sekvence a ˇcasov´ y pr˚ ubˇeh t-VEP . . . . . 20

4.5

Navrˇzené vzory pro stimulaci t-VEP . . . . . . . . . . . . . . 22

5.1

Pr˚ umˇerovan´ y ERP pr˚ ubˇeh z namˇeˇren´ ych EEG dat

5.2

Postup zpracován´ı EEG dat . . . . . . . . . . . . . . . . . . . 27 42

. . . . . . 24

´ ˚ SEZNAM OBRAZK U

´ ˚ SEZNAM OBRAZK U

5.3

Filtrace EEG dat . . . . . . . . . . . . . . . . . . . . . . . . . 28

5.4

Ilustrativn´ı ukázka segmentace EEG dat na jednotlivé epochy.

5.5

P˚ uvodn´ı namˇeˇrená data (ˇcernˇe), po korekci linie (ˇcervenˇe) . . 29

5.6

Princip pr˚ umˇerován´ı dat . . . . . . . . . . . . . . . . . . . . . 30

6.1

Zp˚ usob klasifikace do jednotliv´ ych klasifikaˇcn´ıch tˇr´ıd . . . . . . 33

B.1 Pˇrepnut´ı do pracovn´ıho prostˇred´ı Eclipse tlaˇc´ıtkem workspace.

28

47

B.2 Volba existuj´ıc´ıho projektu. . . . . . . . . . . . . . . . . . . . 48 B.3 V´ ybˇer programu pro import do Eclipsu. . . . . . . . . . . . . . 49 B.4 Orientace v importovaném programu. . . . . . . . . . . . . . . 50 B.5 Vstupn´ı datov´ y soubor . . . . . . . . . . . . . . . . . . . . . . 51 B.6 V´ ystupn´ı datov´ y soubor. . . . . . . . . . . . . . . . . . . . . . 52

43

Seznam tabulek

4.1

Intenzity jasu pˇri dané frekvenci skrze r˚ uzné materiály . . . . 17

4.2

Optimáln´ı nastaven´ı stimulátoru skrze r˚ uzné materiály . . . . 22

4.3

Obsazen´ı bit˚ u ˇctyˇr navrˇzen´ ych klasifikaˇcn´ıch tˇr´ıd . . . . . . . . 22

6.1

ˇ Casov´ e intervaly pro v´ ybˇer vhodn´ ych pˇr´ıznakov´ ych sloˇzek . . . 31

7.1

Klasifikace - ˇrazen´ı dat do jednotliv´ ych klasifikaˇcn´ıch tˇr´ıd, ovˇeˇren´ı funkˇcnosti klasifikátoru pˇres pauzovac´ı pap´ır . . . . . . . 35

7.2

ˇ Cetnosti správného zaˇrazen´ı do klasifikaˇcn´ı tˇr´ıdy . . . . . . . . 36

7.3

ˇ Cetnosti ˇspatného zaˇrazen´ı do klasifikaˇcn´ı tˇr´ıdy . . . . . . . . 36

7.4

Klasifikace - ˇrazen´ı dat do jednotliv´ ych klasifikaˇcn´ıch tˇr´ıd, ovˇeˇren´ı funkˇcnosti klasifikátoru pˇres mléˇcné sklo . . . . . . . . . . 37

7.5

ˇ Cetnosti správného zaˇrazen´ı do klasifikaˇcn´ı tˇr´ıdy . . . . . . . . 38

7.6

ˇ Cetnosti ˇspatného zaˇrazen´ı do klasifikaˇcn´ı tˇr´ıdy . . . . . . . . 38

44

A Seznam zkratek Zkratka

N´ azev zkratky v angliˇ ctinˇ e-vˇ ceˇ stinˇ e

BCI

Brain Computer Interface - rozhran´ı mozek-poˇc´ıtaˇc

EEG

ElectroEncephaloGraph - elektroencefalograf

VEP

Visual Evoked Potentials - Vizuálné evokované potenciály

GUI

Graphical User Interface - grafické uˇzivatelské rozhran´ı

P3, P300

P3, P300 wave - vlna P3, P300

Non-REM

Non-Rapid Eye Movement - bez rychl´ ych oˇcn´ıch pohyb˚ u

EP

Evoked Potencials - evokované potenciály

BEAP

Brainstem Auditory Evoked Potentials - sluchové EP

MEP

Motoric Evoked Potentials - u ´stálené vizuáln´ı EP

SSEP

Steady State Evoked Potentials - Somatosenzorické EP

ITR

Information Transfer Rate - informaˇcn´ı pˇrenosová rychlost

45

B Seznam pˇr´ıloh B.1

Uˇ zivatelsk´ a pˇ r´ıruˇ cka

Cel´ y program byl vytvoˇren ve v´ yvojovém prostˇred´ı Eclipse verze Luna v programovac´ım jazyce Java SE verze 1.7 JDK. Program je navrˇzen pro u ´ˇcely testován´ı, a tak si podrobnˇe vysvˇetl´ıme, jak je moˇzné importovat existuj´ıc´ı program do v´ yvojového prostˇred´ı Eclipse za u ´ˇcelem vlastn´ıho rozˇsiˇrován´ı kódu a testován´ı. V´ yvojové prostˇred´ı eclipse je volnˇe ke staˇzen´ı na https://eclipse.org/downloads. Java je na http://www.oracle.com/index.html. Návody na k instalaci naleznete ve staˇzen´ ych bal´ıc´ıch. Po u ´spˇeˇsné instalaci, otevˇreme v´ yvojové prostˇred´ı Eclipse, které vyzve k uloˇzen´ı tzv. workspacu (pracovn´ıho prostˇred´ı) do libovolné sloˇzky. Doporuˇcuji si v poˇc´ıtaˇci vytvoˇrit novou prázdnou sloˇzku, do které poté nasmˇerujeme workspace. Po otevˇren´ı v´ yvojového prostˇred´ı Eclipse klepnˇete v pravém horn´ım rohu, jak je znázornˇeno na Obrázku B.1.

Obrázek B.1: Pˇrepnut´ı do pracovn´ıho prostˇred´ı Eclipse tlaˇc´ıtkem workspace.

46

Seznam pˇr´ıloh

Uˇzivatelská pˇr´ıruˇcka

Po pˇrepnut´ı do pracovn´ıho prostˇred´ı Eclipse, v horn´ı programové liˇstˇe navol´ıme ’File/Import’. Po naskoˇcen´ı dialogového okna Import rozvineme sloˇzku ’General’ a vybereme poloˇzku ’Existing Projects into Workspace’ dle Obrázku B.2 a klepnˇeme na talˇc´ıtko ’Next’.

Obrázek B.2: Volba existuj´ıc´ıho projektu.

47

Seznam pˇr´ıloh


V následuj´ıc´ım dialogovém oknˇe viz Obrázek B.3 zaˇskrtneme volbu ’Select root directory’ a tlaˇc´ıtkem ’Browse’ vybereme um´ıstˇen´ı sloˇzky s projektem z pˇriloˇzeného CD (na CD pod názvem ’clasification’). Nic dalˇs´ıho jiˇz nen´ı potˇreba zaˇskrtnout, jak je vidˇet na Obrázku B.3. Pokraˇcujeme tlaˇc´ıtkem ’Finish’.

Obrázek B.3: V´ ybˇer programu pro import do Eclipsu.

48

Seznam pˇr´ıloh


Nyn´ı je projekt naimportován do v´ yvojového prostˇred´ı Eclipse. Máme pˇr´ıstup ke vˇsem zdrojov´ ym kód˚ um. V pravé ˇca´sti ’Project Explorer’ vid´ıme celou strukturu a ˇclenˇen´ı programu. Rozvinut´ım pˇr´ısluˇsn´ ych bal´ık˚ u se dostaneme k hlavn´ı spouˇstˇec´ı tˇr´ıdˇe ’clasification/src/minimal length/Main class’. Dvojklikem tˇr´ıdu otevˇreme a spouˇstˇec´ım tlaˇc´ıtkem ’Run’ zobrazeného na Obrázku B.4 zaháj´ıme start programu.

Obrázek B.4: Orientace v importovaném programu. ’Console’ nás vyzve k zadán´ı vstupn´ıho souboru. Soubory jsou pˇr´ıstupné ˇ na pˇriloˇzeném CD (ve sloˇzce ’clasification’). Rid’te se pokyny konzole pro test programu. V´ ysledkem programu je urˇcen´ı klasifikaˇcn´ı tˇr´ıdy, kam program vstupn´ı soubor po zpracován´ı zaˇradil. Program je urˇcen k testován´ı, proto jeho spustitelná verze uˇzivateli nepˇrinese ˇzádnou v´ yhodu.

49

Seznam pˇr´ıloh

B.2

Ukázka vstupn´ıho souboru

Uk´ azka vstupn´ıho souboru

Vstupn´ı datov´ y soubor vygenerovan´ y pˇri zpracován´ı v ERPLABu, urˇcen´ y pro klasifikaci viz Obrázek B.5.

Obrázek B.5: Vstupn´ı datov´ y soubor

50

Seznam pˇr´ıloh

B.3

Ukázka výstupn´ıho souboru

Uk´ azka v´ ystupn´ıho souboru

V´ ystupn´ı datov´ y soubor vygenerovan´ y z klasifikaˇcn´ıho programu viz Obrázek B.6.

Obrázek B.6: V´ ystupn´ı datov´ y soubor.

51

Západočeská univerzita v Plzni Fakulta aplikovaných věd Katedra informatiky a výpočetní techniky. jednoduchý BCI systém

Recommend Documents