通过提供完全便携、无线的脑机接口(BMI),该可穿戴系统可以在测量人脑视觉诱发电位信号方面,对传统的脑电图(EEG)进行改进。该系统通过测量脑电图信号来衡量身体质量指数的能力已经在6名受试者身上进行了评估,但还没有在残疾人身上进行研究。
该项目由乔治亚理工学院、肯特大学和威奇托州立大学的研究人员进行。“这项工作报告了为各种辅助设备、智能家庭系统和神经游戏界面设计符合人体工程学的便携式脑电图系统的基本策略,”乔治亚理工学院乔治W.伍德夫机械工程学院和华莱士H. Coulter生物医学工程系的助理教授Woon-Hong Yeo说。“主要的创新是在小型化皮肤适形系统中开发一个完全集成的高分辨率脑电图监测系统和电路包。”
BMI是康复技术的重要组成部分,它可以让那些患有肌萎缩侧索硬化症(ALS)、慢性中风或其他严重运动残疾的人控制假肢系统。采集被称为稳态虚拟诱发电位(SSVEP)的大脑信号,现在需要使用一种布满电极的头套,它使用湿电极、粘合剂和电线来连接计算机设备来解释信号。
杨和他的合作者正在利用一种新型的灵活的无线传感器和电子设备,可以很容易地应用到皮肤上。该系统包括三个主要部件:高度灵活、安装在头发上的电极,通过头发直接与头皮接触;一种超薄纳米膜电极;柔软、灵活的电路和蓝牙遥测单元。从大脑中记录的脑电图数据在柔性电路中处理,然后通过蓝牙无线传输到15米以外的平板电脑上。
除感知要求之外,由于低信号幅度,检测和分析SSVEP信号的检测和分析是具有挑战性的,这在几十微伏的范围内,类似于身体中的电噪声。研究人员还必须处理人类脑的变化。然而,测量信号对于确定用户希望该系统做什么至关重要。
为了解决这些挑战,研究团队转向了在柔性电路上运行的深度学习神经网络算法。肯特大学多媒体/数字系统高级讲师Chee Siang (Jim)说:“深度学习方法通常用于分类猫和狗等日常事物的图片,现在被用于分析脑电图信号。”“就像狗的图片可以有很多变化,脑电图信号也有同样的高变异性。深度学习方法已经被证明可以很好地处理图片,我们证明它们也可以很好地处理脑电图信号。”
此外,研究人员使用深度学习模型来识别哪些电极对收集信息分类脑电图信号最有用。昂补充说:“我们发现,该模型能够识别出大脑中BMI的相关位置,这与人类专家的观点一致。”“这减少了我们需要的传感器数量,降低了成本,提高了便携性。”
该系统使用三个弹性头皮电极,用织物带固定在头上,超薄无线电子设备安装在脖子上,一个类似皮肤的打印电极放置在耳朵下面的皮肤上。干燥的软电极附着在皮肤上,不要使用粘合剂或凝胶。与现有系统相比,该系统可以降低噪音和干扰,并提供更高的数据传输速率。
该系统在六名受试者中进行了评估。基于实时数据分类的深度学习算法可以控制电动轮椅和小型机器人车辆。这些信号也可以用来控制显示系统,而不用键盘、操纵杆或其他控制器,Yeo说。“典型的脑电图系统必须覆盖大部分头皮来接收信号,但潜在的用户可能对佩戴它们很敏感,”Yeo补充道。“这款微型化、可穿戴的软设备完全集成在一起,设计得非常舒适,适合长期使用。”
下一步将包括改善电极并使系统对电动机障碍的个体更有用。“未来的研究将专注于可以安装在毛状头皮上的完全弹性体,无线自粘电极的调查,而无需从头杆的任何支撑,以及电子设备的进一步小型化,可以纳入更多电极与其他研究一起使用,”Yeo说。“EEG系统也可以重新配置,以监测用于电动机受损的电机的电机诱发电位或电动机想象,这将进一步研究作为治疗应用的未来工作。”
长期来看,该系统可能有其他应用的潜力,比如更简单的脑电图监测将会有所帮助,比如佐治亚理工学院心理学副教授奥德丽·杜阿尔特(Audrey Duarte)所做的睡眠研究。她说:“这种脑电图监测系统有可能最终让科学家在受试者正常生活时,以一种相对不显眼的方式监测人类神经活动。”例如,杨博士和我目前正在使用一种类似的系统,在人们舒适地在自己家里睡觉时监测神经活动,而不是像以往那样,在实验室里使用笨重、坚硬、不舒服的设备。用一个难以察觉的系统来测量与睡眠相关的神经活动,可能会让我们识别出新的、非侵入性的生物标记物,这些标记物与阿尔茨海默氏症相关的神经病理学可以预测痴呆症。”
来源:格鲁吉亚理工学院