Dra. M. D. del Castillo Grupo de Bioingeniería

Interfaz Cerebro-Computador para rehabilitación motora y cognitiva: minería de datos de la señal EEG
Dra. M. D. del Castillo Grupo de Bioingeniería Centro de Automática y Robótica CSIC

Grupo de bioingeniería: neurorehabilitación
Nuevas tecnologías y métodos para la evaluación, rehabilitación y compensación funcional de déficits motores y cognitivos consecuencia de desórdenes neurológicos Estas intervenciones persiguen: restaurar la función perdida induciendo neuroplasticidad al asistir la rehabilitación sustituir la función perdida cuando la rehabilitación no es posible a través de tecnologías protésicas u ortésicas

Tecnologías para la intervención en Rehabilitación Neurológica: Neuroprótesis Motoras (MNPs) Exoesqueletos vestibles (NeuroRobots, NR) Interacción multimodal Modelado Computacional Cognitivo (MCC) BCI (SNC), MMI (SNC, SP)

Estas tecnologías se caracterizan por: Interactuar física y cognitivamente con las estructuras corporales y cerebrales del usuario Obtener información sobre la planificación y ejecución de sus movimientos y sobre sus capacidades cognitivas

MÉTODOS: Análisis EMG. Actividad muscular en tareas funcionales o analíticas Análisis EEG. Planificación de movimentos, capacidades cognitivas (memoria, función ejecutiva, atención) Seguimiento ocular. Información sobre capacidades cognitivas a partir del movimiento de los ojos y la mirada Arquitecturas cognitivas. Modelos de comportamiento humano realizando tareas cognitivas

Interfaz Cerebro-Computador: introducción
La Neurorehabilitación con base en la tecnología BCI (Brain Computer Interface) puede ayudar a mejorar la calidad de vida y facilitar la recuperación funcional de personas con discapacidad motora grave BCI: Canal de comunicación del cerebro con el entorno y de control de dispositivos diversos para personas con problemas neuromusculares Desde finales de los años 90 han surgido numerosos programas de investigación en BCI impulsados por: un mayor conocimiento de la función cerebral el bajo coste de equipos computacionales cada vez más potentes una mayor toma de conciencia de las necesidades y del potencial de la gente discapacitada

Los BCIs actuales: pueden determinar la intención del usuario a partir de distintas señales electrofisiológicas que se transforman en tiempo real en órdenes de control de un dispositivo: ordenador, silla de ruedas, TV, neuroprótesis, … presentan velocidades de transferencia de información en el rango de los 10 a los 25 bits/minuto. Esta velocidad, que puede ser una limitación para determinadas aplicaciones, es más que suficiente para ofrecer una posibilidad de comunicación a personas con discapacidad severa que no pueden beneficiarse de otros métodos para garantizar una respuesta adecuada y estable, el usuario y el sistema BCI deben adaptarse entre sí tanto inicialmente como a lo largo del tiempo

Son muchas las enfermedades que conducen a una interrupción de la conexión entre el cerebro y los canales neuromusculares que impiden a un sujeto comunicarse e interaccionar con su entorno: Esclerosis Accidente Cerebro Vascular (ictus, derrame) Parálisis Cerebral Parkinson Lesión Medular Sólo en USA afectan a más de 2 millones de personas. Algunas de estas lesiones dan lugar a personas encerradas en un cuerpo inmóvil

Dado que es imposible reparar la lesión, existen tres vías para restablecer la funcionalidad: incrementar la capacidad de las rutas no dañadas entre el cerebro y el mundo: usar la mirada para manejar un programa de procesamiento de palabras o un sintetizador de voz utilizar la actividad de los músculos no afectados para estimular eléctricamente los músculos paralizados construir BCIs que utilicen la información cerebral para enviar mensajes al mundo exterior

OPCIONES DE COMUNICACIÓN CON EL MUNDO: A: El canal de comunicación normal del cerebro a la mano derecha está interrumpido B: La comunicación utiliza otra vía como el habla C: La comunicación puede emplear el cerebro y músculos no dañados D: El cerebro establece un canal de comunicación directo con un dispositivo o la mano (BCI)

Existen distintos métodos para monitorizar la actividad cerebral: electroencefalografía (EEG) magnetoencefalografía (MEG) tomografía por emisión de positrones (PET) resonancia magnética funcional (fMRI) imagen óptica. Tanto PET como MEG, fMRI e imagen óptica exigen una tecnología sofisticada y de cara y las tres últimas, además, dependen del flujo sanguíneo con unas constantes de tiempo largas lo que no les hace idóneas para comunicación en tiempo real EEG tiene una respuesta temporal adecuada, es barata y pueden funcionar en cualquier entorno

Desde que el psiquiatra alemán Berger en 1929 publicó su trabajo sobre la relación entre la actividad electroencefalográfica (patrones espacio-temporales) y la realización de determinadas funciones o estados del ser humano, el EEG se ha empleado fundamentalmente: para evaluar desórdenes neurológicos desde el punto de vista clínico (epilepsia) para investigar la función cerebral en laboratorio (en estado de relajación, predomina en la actividad los ritmos de 10hz) con fines terapéuticos (enseñar a modular la señal para situarla en los rangos de normalidad)

Corte vertical del cerebro que muestra las áreas corticales motoras en la zona roja y y las sensoriales en la zona azul. Las áreas de la corteza motora se asocian con las funciones de las distintas partes del cuerpo y las de la corteza sensorial con la función sensorial del cuerpo (Homúnculo de Penfield)

Desde entonces hasta aquí se ha especulado con la posibilidad de que el EEG sirviera para desentrañar pensamientos e intenciones, posibilidad no explotada hasta hace unas décadas debido a que: la cantidad de datos que subyace a la señal EEG y la variabilidad exponencial de los mismos, incluso realizando la misma función, impedían detectar la información relevante con fiabilidad era muy difícil analizar la señal en tiempo real y, además, la limitada velocidad de comunicación impedía la aplicación en escenarios reales

Los avances tecnológicos, científicos y la sensibilidad social han dado un vuelco a esta situación: La investigación clínica y básica ha generado conocimiento detallado sobre las señales EEG: se conoce con rigor el origen de ritmos y los potenciales evocados de la señal y su ubicación espacial, además de su relación con la función cerebral. De este modo, es posible establecer qué señales EEG son más adecuadas para usar en aplicaciones de comunicación y control Desarrollo de hardware y software permite el análisis continuo de los datos recogidos por múltiples electrodos La mayor apreciación social de las necesidades de las personas discapacitadas ya que las técnicas convencionales aumentativas no son suficientes para algunas de ellas

Interfaz Cerebro-Computador: partes de un bci
Un BCI, como cualquier sistema de comunicación o control, recibe una entrada la actividad electrofisiológica de un sujeto produce una salida una orden a un dispositivo mediante un algoritmo que transforma la entrada en la salida Es necesario, además, un protocolo que determina la planificación temporal y estructural para recoger los datos de entrada y proporcionar la salida

DISEÑO Y OPERATIVA BÁSICA DE CUALQUIER SISTEMA BCI: Las señales del cerebro se adquieren de electrodos situados en el cuero cabelludo y se procesan para extraer características específicas de la señal (medidas en los dominios de la frecuencia o del tiempo) que reflejan la intención del usuario. Estas características se trasladan a comandos que controlan un dispositivo (procesador de palabras, una neuroprótesis o una silla de ruedas)

Interfaz Cerebro-Computado: partes de un bci
ENTRADA La creación de un nuevo canal de comunicación requiere: el uso de sensores adecuados que puedan medir efectivamente las características de la señal cerebral que contienen la intención del usuario la definición de un lenguaje que permita la interacción correcta entre usuario y el sistema de comunicación: el usuario utiliza símbolos para construir un mensaje y el sistema entiende el mensaje

1) Sensores Las señales cerebrales se detectan mediante diferentes tipos de electrodos metálicos (plata, oro, platino, estaño) situados en el cuero cabelludo Los electrodos miden pequeños potenciales eléctricos que reflejan la actividad de las neuronas (±20µV) Para detectar la débil amplitud de las señales es necesario amplificarlas. El amplificador mide la diferencia de potencial (voltaje) entre dos electrodos En la mayoría de los sistemas BCI, existe un electrodo de referencia común al resto de electrodos (ubicado en la oreja normalmente) y un electrodo a tierra (mastoide) La conexión del electrodo al cuero cabelludo se potencia mediante un gel conductor La nomenclatura y el esquema de colocación de los electrodos estándar se denomina sistema internacional En este sistema se puede trabajar con más de 70 electrodos ubicados en posiciones preestablecidas

1) Sensores Esquema de ubicación de electrodos

2) Señal No es posible detectar en la señal aquello que el usuario no puede producir físicamente: La información utilizable puede ser la actividad electrofisiológica espontánea que genera el sujeto o una señal evocada por algún estímulo Los dos fenómenos neurofisiológicos más representativos y relevantes para la comunicación BCI la realización o imaginación del movimiento de determinadas partes del cuerpo tiene efectos detectables en la señal cerebral: ritmos sensorimotores cuando se presenta al usuario un estímulo, se produce una respuesta detectable en la señal: potencial evocado P300

i) Ritmos Sensorimotores (I) La mayoría de la gente presenta un ritmo cerebral dominante entre las frecuencias 8-12 Hz cuando está en reposo, esto es, sin realizar movimientos ni procesar información sensorial Esta oscilación localizada en el córtex sensorimotor o motor se conoce como ritmo mu, o ritmo alfa cuando se localiza en el córtex visual. Se cree producida por circuitos tálamo-corticales Normalmente se presenta asociada con ritmos beta en las frecuencias Hz Son las señales asociadas con las áreas corticales más directamente conectadas con los canales normales de la salida motora del cerebro

i) Ritmos Sensorimotores (II) Ejemplo de ritmos mu/beta. A, B: mapas topográficos de la diferencia entre la densidad de potencia EEG calculada para movimientos reales de la mano derecha y para reposo (A) y la diferencia entre movimientos imaginados de la mano derecha y reposo (B) en una banda de frecuencia de 3Hz centrada en 12 Hz. C: Cambios en el voltaje en diferentes frecuencias en la corteza sensorimotora izquierda comparando descanso (línea discontinua) con imaginación de movimiento

i) Ritmos Sensorimotores (III) Los cambios en estos ritmos se producen cuando se llevan a cabo funciones sensoriales o motoras. El movimiento, la intención del mismo o su imaginación se acompañan de un decremento en la actividad mu y beta, normalmente en el hemisferio contralateral al movimiento Este fenómeno neurofisiológico se denomina desincronización relacionada con el evento de moverse o de intentar moverse. La sincronización, fenómeno opuesto, tiene lugar cuando cesa el movimiento y se pasa a un estado de relajación: migración de ritmos Estos factores hacen que estos ritmos se consideren adecuados a la hora de ofrecer una vía para comunicación BCI y constituyen la base de estos desarrollos desde los años 80

i) Ritmos Sensorimotores (IV) Grupo Wadsworth: Se enseña a la gente con o sin problemas motores a controlar la amplitud de los ritmos mu y beta con el fin de mover y controlar un cursor en una o dos dimensiones y dirigirlo hacia un objetivo en una pantalla Mientras el usuario imagina el movimiento de alguna parte de su cuerpo, una ecuación lineal transforma la amplitud mu o beta de uno o varios electrodos 10 veces por segundo en una posición del cursor. El usuario aprende a controlar el sistema en sesiones de 40 minutos, dos veces por semana La tasa de aciertos es del 95% y se comprueba moviendo el cursor para responder Sí o No a preguntas que se le hacen a los sujetos de las que se conocen las respuestas

i) Ritmos Sensorimotores (V) Grupo Graz: Este sistema se basa en la sincronización y desincronización de los ritmos mu y beta. Las aplicaciones utilizan la imaginación del movimiento de manos o pies y pueden servir para controlar un cursor o un dispositivo ortopédico que abre o cierra una mano paralizada Se realizan series de ejercicios de imaginación de una o varias partes del cuerpo (mano, pie, lengua). Se analiza en el dominio de la frecuencia la señal EEG entre las bandas 5-30 Hz. Cada señal se etiqueta con el tipo de movimiento imaginado y se construye un clasificador multiclase que discrimina entre los tipos de movimiento

i) Ritmos Sensorimotores (VI) Grupo Graz: El clasificador se puede usar en sesiones posteriores para trasladar los movimientos imaginados dando una salida continua, como el movimiento de un cursor o una barra vertical que aumenta o disminuye su altura, o una salida discreta, como seleccionar una letra Normalmente, el clasificador se debe ajustar entre sesiones En 6-7 sesiones de entrenamiento se consigue una tasa de acierto del 90% y es apropiado para usar por el 90% de la gente Este tipo de BCI puede ser de uso doméstico con control remoto. El análisis y la actualización del clasificador se hace en laboratorio

i) Ritmos Sensorimotores (y VII) Progreso sobre estas dos corrientes: reducir el número de sensores (electrodos) y elaborar nuevos algoritmos de transformación de datos a comandos nuevos enfoques en el ámbito de laboratorio: potenciales relacionados con movimientos voluntarios ampliando la información del córtex sensorimotor con la del córtex motor suplementario diferencias en los clasificadores obtenidos de entrenamientos síncronos, en los que se indica al usuario cuando moverse o imaginar, con respecto a entrenamientos asíncronos, donde el usuario decide el momento de inicio del ejercicio relación entre movimientos simples y combinados

ii) Potencial evocado P300 (I) Además de las respuestas cerebrales moduladas por la acción o la imaginación motora, existen otras señales útiles para la operativa de un BCI: respuesta evocada que se produce en el córtex parietal cuando a un sujeto se le presenta un estímulo poco frecuente auditivo, visual o somatosensorial Esta respuesta se recoge normalmente en el córtex parietal a los 300ms de percibir el estímulo. La amplitud de este potencial es mayor en los electrodos parietales y se atenúa en las zonas centrales y frontales

ii) Potencial evocado P300 (II) Este potencial se observa cuando: 1) Se presenta una secuencia aleatoria de estímulos 2) El sujeto cuenta el número de veces que percibe el estímulo deseado 3) Se calcula la amplitud de la señal en el córtex parietal para cada estímulo El ejemplo más conocido es el de la matriz de letras cuyas filas y columnas parpadean de forma aleatoria a una frecuencia determinada: El usuario fija su atención en un elemento de la matriz y cuenta el número de veces que ha parpadeado ese elemento Se mide la señal P300 que evoca cada fila y cada columna Tras promediar varias respuestas, un programa establece qué elemento seleccionó el usuario: la intersección de fila y columna que produce el P300 con mayor amplitud

ii) Potencial evocado P300 (III) El clásico paradigma para deletrear una palabra basado en P300. Las filas y las columnas de la matriz parpadean aleatoriamente y la que contiene la letra buscada evoca un potencial Respuesta P300 A: Distribución topográfica del potencial P ms después del estímulo B: Curso temporal del voltaje registrado en el electrodo Pz para el estímulo esperado (línea sólida) o el no esperado (línea discontinua)

ii) Potencial evocado P300 (y IV) Un BCI basado en P300 puede servir para construir un procesador de palabras y frases. Normalmente, estos BCIs producen 5 letras por minuto. Para personas con déficits visuales, se pueden emplear estímulos auditivos Este tipo de BCIs no requieren entrenamiento ya que esta señal se da de forma natural cuando una persona elige una opción de entre varias

3) Selección de características de la señal (I) Filtrado de ruido y artefactos En los registros de la señal EEG se detectan en ocasiones interferencias debidas al ruido de equipos eléctricos, en frecuencias de 50-60hz, si las condiciones experimentales no son las adecuadas. Por ello, la mayoría de los amplificadores EEG están provistos de un filtro que eliminan esas frecuencias de la señal Otro tipo de ruido procede de los parpadeos o de los movimientos oculares. Este efecto se registra como un pico positivo de amplitud en la región frontal pero se propaga hacia otros canales atenuándose. El uso de electrodos cerca del ojo (EOG) permite eliminar este ruido Por último, se encuentran los artefactos producidos por los movimientos musculares (mandíbula apretada). La distribución de la frecuencia de estos movimientos puede afectar a las amplitudes de los ritmos mu y beta. La inclusión de un medidor de la señal electromiográfica en los experimentos permite detectarlos y eliminarlos La amplitud de la señal EEG se mueve en el rango de ±20µV. Los artefactos introducen amplitudes de ±100µV

Filtrado de ruido y artefactos Ruido de 60 Hz debido a la línea eléctrica contaminando un canal Artefactos por pestañeo Artefactos por movimientos oculares Artefactos por movimientos musculares

3) Selección de características de la señal (II) Filtrado espacial Persigue reducir el efecto de la deformación de la señal desde la zona del cerebro en la que se produce hasta que es capturada por los electrodos a su paso por un conjunto de tejidos heterogéneos. Con ello se busca aumentar la calidad de la señal Entre los métodos computacionales de filtrado espacial más empleados se encuentra: Análisis de Componentes Independientes (ICA), que representa la señal mediante componentes independientes estadísticamente. Se trata de una técnica de análisis que requiere de un exhaustivo volumen de datos Patrones Espaciales Comunes (CSP), que pondera las señales procedentes de los distintos canales en función de su capacidad para discriminar entre diferentes clases de señales cerebrales

3) Selección de características de la señal (III) Filtrado espacial Referencia Media Común (CAR), que referencia la amplitud de la señal de cada electrodo a la media de todos ellos Laplaciano, que calcula en cada instante de tiempo de medida y para cada electrodo, la diferencia entre el valor de la amplitud de la señal de ese electrodo y la suma ponderada de la amplitud de los cuatro electrodos próximos que le rodean

3) Selección de características de la señal (IV) Extracción de características Una vez recogida la señal y eliminados los artefactos, la señal digitalizada se somete a un conjunto de procedimientos para extraer las características que transportan el mensaje que el usuario quiere comunicar Para ello, ha sido y es esencial la investigación llevada a cabo sobre los efectos que tienen en determinadas señales cerebrales la realización de determinadas tareas: imaginar el movimiento de una mano se traduce en la desincronización del ritmo mu en una posición específica del cerebro Sin embargo, este hecho general está sometido a numerosas contingencias. La primera de ellas es que depende de cada sujeto. La segunda, depende del momento o estado del sujeto: Elegir, por ejemplo, el ritmo mu para construir un BCI implica seleccionar para cada sujeto la tarea, las frecuencias, los canales y las ventanas temporales que mejor codifican ese ritmo

3) Selección de características de la señal (V) Extracción de características El propósito de la extracción de características es representar la señal en el dominio que mejor refleja lo que el usuario modula o modifica con su actividad cerebral Los dos posibles dominios son el temporal y el de la frecuencia: en el dominio temporal se encuentra la amplitud de los potenciales evocados P300 (voltaje de la señal a lo largo del tiempo) en el dominio de la frecuencia, la densidad de potencia de los ritmos sensorimotores (cuadrado de la amplitud de la señal para cada frecuencia)

3) Selección de características de la señal (y VI) Extracción de características Filtrado temporal: (arriba) Dominio de la frecuencia: Diferentes amplitudes de la señal EEG durante imaginación de movimiento de la mano izquierda (línea roja) y durante el reposo (línea azul) (abajo) Distribución espacial (C4): El mismo canal refleja esa diferencia de amplitud en las frecuencias alfa y beta

ALGORITMO La etapa siguiente a la extracción de características es la del procedimiento que traduce o transforma esas características, que contienen la intención del usuario, en las órdenes o comandos a un dispositivo El algoritmo que lo lleva a cabo puede usar métodos lineales (análisis estadístico clásico) o no lineales (bayesiano, redes neuronales, vectores de soporte, árboles de decisión) Cualquiera que sea su naturaleza, el papel del algoritmo es el de combinar las variables independientes que representan las características de la señal (frecuencia, canal, tiempo) en variables dependientes que representan los parámetros de control del dispositivo

ALGORITMO La señal EEG, como otras señales electrofisiológicas, presenta una gran variabilidad no sólo entre distintos sujetos, sino de un día a otro en cada sujeto e incluso a lo largo del día debido a factores como la fatiga, los niveles hormonales, las circunstancias, etc. Los algoritmos pueden adaptarse al usuario en tres niveles: i) Cuando el usuario utiliza por primera vez un BCI, el algoritmo se adapta a las características de su señal Si el BCI está basado en ritmos mu (ritmos alfa medidos en el córtex sensorimotor), el algoritmo se ajusta al rango que el usuario presenta en esos ritmos. Si la característica es la amplitud del potencial evocado P300, el sistema ha de ajustarse a los valores de esa característica en ese usuario Un BCI que presente sólo este primer nivel de adaptación podrá ser eficaz en el transcurso del tiempo solo si la señal del usuario es muy estable

ALGORITMO ii) Para reducir el impacto de continuos reajustes debidos a estas variaciones espontáneas, es necesario un segundo nivel de adaptación en el que estas variaciones en el rango de los valores de las características de la señal se hagan corresponder con cambios en el rango de valores de los comandos del dispositivo iii) Sin embargo, un BCI realmente eficaz debe considerar no sólo la adaptación del algoritmo sino del cerebro, que es otro sistema adaptativo, al BCI Del mismo modo que la interacción normal entre el cerebro y el mundo a través de los canales neuromusculares sanos produce cambios en el cerebro, la interacción mediada por el BCI y los resultados de la acción que percibe el usuario también producen cambios en el cerebro y, por ende, en la señal neurofisiológica

ALGORITMO Si la característica empleada es la amplitud del ritmo mu, la correlación entre dicha amplitud y la intención del usuario debería incrementarse con el tiempo Un algoritmo que incluya el tercer nivel de adaptación debería reflejar este incremento, por ejemplo, respondiendo más rápidamente a la intención del usuario como forma de recompensar al usuario e involucrarle más en la operativa del BCI

SALIDA En la mayoría de los BCIs actuales, el dispositivo de salida consiste en la pantalla de un ordenador y la salida se circunscribe a la selección en ella de objetivos, letras o iconos o al movimiento de un cursor La salida no sólo es el producto de la operación del BCI sino también de la realimentación que recibe el usuario y, por tanto, de su cerebro que puede emplear para mantener o mejorar la precisión y la velocidad de comunicación Un campo de enorme interés y proyección actualmente es el control de dispositivos neurorobóticos o neuroprotésicos cuya actuación provee al usuario con una realimentación que percibe en su propio cuerpo (propiocepción): comunicación y control rehabilitación

Interfaz Cerebro-Computador
PROTOCOLO Todo BCI tiene un protocolo que guía su operación. Esta operación tiene varios factores que es necesario definir: cómo se enciende y se apaga el sistema si la comunicación es continua o discontinua si la transmisión del mensaje la inicia el sistema (envía un estímulo al usuario que evoca un potencial P300) o el usuario espontáneamente (imagina un movimiento) la secuencia y velocidad de interacción entre usuario y sistema la realimentación que se va a dar al usuario La mayoría de los protocolos que se emplean en laboratorio no se adecúan a priori a las necesidades reales de los usuarios con discapacidades: el investigador apaga y enciende el sistema y le indica al usuario lo que hacer para comenzar a interactuar Las diferencias en los protocolos son las que marcan la difícil transición de la investigación a la aplicación a la vida real

BCI para Rehabilitación: Bases Neurofisiológicas
Interfaz Cerebro-Computador para rehabilitación motora y cognitiva: minería de datos de la señal EEG BCI para Rehabilitación: Bases Neurofisiológicas Aprendemos nueva información y destrezas desde el período de desarrollo y a lo largo de la vida gracias a la plasticidad presente en las neuronas y sinapsis del sistema nervioso central desde la corteza cerebral hasta la médula espinal: cambios a nivel sináptico, neuronal o de red neuronal El término 'plasticidad cerebral' expresa la capacidad del cerebro para minimizar los efectos de las lesiones mediante cambios estructurales y funcionales Una gran parte de procesos lesivos del sistema nervioso que afectan a tractos corticoespinales y subcorticoespinales, cerebelosos, medulares, visuales y lingüísticos muestran el efecto de la plasticidad, unas veces de forma espontánea y otras tras tratamientos de rehabilitación adecuados

Interfaz Cerebro-Computador para rehabilitación motora y cognitiva: minería de datos de la señal EEG BCI para Rehabilitación: Bases Neurofisiológicas Las señales EEG han tenido un uso terapéutico para el tratamiento de enfermedades neurológicas (epilepsia, insomnio, déficit de atención) o para incrementar capacidades cognitivas en población sana (concentración, atención) conocido con el término neurofeedback Este tipo de técnica puede emplearse para promover la plasticidad cerebral en áreas asociadas a tareas motoras Para una recuperación/rehabilitación exitosa, tras un accidente cerebro-vascular, es posible plantear intervenciones que induzcan plasticidad motora mediante dos estrategias: BCI basado en neurofeedback BCI basado en rehabilitación convencional

Interfaz Cerebro-Computador para rehabilitación motora y cognitiva: minería de datos de la señal EEG BCI para Rehabilitación: Bases Neurofisiológicas Neurofeedback: el objetivo es entrenar al paciente para que modifique determinadas características de la señal EEG y las sitúe en los valores asociados a un actividad cerebral normal, apoyándose en la hipótesis de que alterando la plasticidad del sistema nervioso que produce una actividad normal, se recuperará la función normal del sistema nervioso y el control motor mejorará: BCIs basados en los ritmos sensorimotores. Se extiende su aplicación de la comunicación y el control a la rehabilitación

Interfaz Cerebro-Computador para rehabilitación motora y cognitiva: minería de datos de la señal EEG BCI para Rehabilitación: Bases Neurofisiológicas La rehabilitación convencional de la función motora consiste en la práctica de movimientos repetitivos de los miembros afectados con la expectativa de que influye en la plasticidad del sistema nervioso BCIs basados en el uso de la actividad cerebral existente para activar un dispositivo que asista al movimiento, apoyándose en la idea de que al realizarse el movimiento el sujeto recibe como salida del BCI una entrada sensorial propioceptiva que induce la plasticidad del sistema nervioso y conduce a la restauración del control motor normal Dispositivo rehabilitador: estimulación eléctrica funcional mediante electrodos de superficie o práctica de movimientos con un dispositivo robótico

Interfaz Cerebro-Computador para rehabilitación motora y cognitiva: minería de datos de la señal EEG BCI para Rehabilitación: Bases Neurofisiológicas

Interfaz Cerebro-Computador para rehabilitación motora y cognitiva: minería de datos de la señal EEG BCI para Rehabilitación: Bases Neurofisiológicas Los esfuerzos en investigación en rehabilitación dentro de esta segunda estrategia están empezando a dar sus primeros frutos: rehabilitación activa Métricas que reflejen la neuroplasticidad y los cambios funcionales En cualquier caso, es necesario analizar en detalle factores como hasta qué punto los pacientes tienen señales cerebrales detectables para poder utilizar una o las dos estrategias, qué características de la señal emplear para recuperar la función motora y cómo se pueden usar de forma efectiva. El valor de la tecnología BCI en la rehabilitación está vinculado a la respuesta a estas preguntas GBIO: BCI propioceptivo Interfaz natural: respuesta del sistema en el tiempo sincronizada con las expectativas del paciente

CANCELACIÓN DEL TEMBLOR
Metodología para la construcción de BCIs orientados a la rehabilitación CANCELACIÓN DEL TEMBLOR El paradigma de aplicación del BCI es el de controlar una neuroprótesis de miembro superior, con el objeto de eliminar o cancelar el movimiento tembloroso de pacientes, diagnosticados con Parkinson y con temblor esencial, cuando realizan un movimiento voluntario en actividades de la vida diaria El sistema propuesto realiza una monitorización de la actividad cerebral de los pacientes mediante la adquisición de la actividad eléctrica EEG en la corteza y del movimiento real caracterizado con sensores de movimiento y de electromiografía en la extremidad en la que se quiere reducir el temblor Un sistema de estimulación eléctrica funcional se encarga de generar corrientes eléctricas en la extremidad objetivo para reducir el temblor indeseado sin afectar a la funcionalidad de los movimientos voluntarios (metodología desarrollada por GBIO)

INSTRUMENTACIÓN: dispositivos empleados
Metodología para la construcción de BCIs orientados a la rehabilitación INSTRUMENTACIÓN: dispositivos empleados SENSOR INERCIAL

CANCELACIÓN TEMBLOR sin BCI
Metodología para la construcción de BCIs orientados a la rehabilitación CANCELACIÓN TEMBLOR sin BCI

REHABILITACIÓN MOTORA
Metodología para la construcción de BCIs orientados a la rehabilitación REHABILITACIÓN MOTORA El paradigma de aplicación del BCI es construir una interfaz natural para controlar una neuroprótesis/neurorobot para rehabilitación El sistema de control de la neuroprótesis integra la respuesta anticipada del BCI además de información de otras fuentes: EMG y la señal procedente de sensores inerciales, caracterizando el movimiento desde su planificación hasta su ejecución La respuesta de dichas fuentes pueden realimentar el BCI con fines adaptativos

Metodología para la construcción de BCIs orientados a la rehabilitación
OBJETIVO Desarrollar sistemas BCI que detecten la intención y el tipo de movimiento en la señal EEG de un sujeto para guiar su rehabilitación que configuren una interfaz natural: capacidad para responder de acuerdo a las expectativas temporales del sujeto y a su señal electrofisiológica (rápida y sólo cuando es necesario) sin necesidad de aprendizaje alguno de estrategias para controlar el dispositivo de ayuda (sin esfuerzo cognitivo) para adaptarse a los cambios que se presenten en la señal a lo largo del tiempo (precisa) el sujeto se motiva e involucra activamente en su rehabilitación lo que se traduce en una mayor plasticidad cognitiva y neural

HIPÓTESIS APLICACIONES
Metodología para la construcción de BCIs orientados a la rehabilitación HIPÓTESIS Es posible decodificar en la señal EEG la intención de movimiento voluntario y el tipo de movimiento Controlar la acción de un dispositivo protésico APLICACIONES Cancelación del temblor al realizar un movimiento voluntario. Tiempos de reposo prolongados. La anticipación en la detección prepara al sistema de valoración del temblor para su intervención inmediata Terapia de rehabilitación de diferentes tipos de movimientos analíticos de miembro superior de pacientes de ACV. Movimientos repetitivos con tiempos de reposo cortos.

Análisis exhaustivo de la señal presente: minería de datos
Metodología para la construcción de BCIs orientados a la rehabilitación METODOLOGÍA Detección anticipada del movimiento voluntario, o intención de movimiento, basado en la identificación de la desincronización ERD de los ritmos presentes Clasificación de la intención de movimiento detectada en una clase concreta de movimiento voluntario Análisis exhaustivo de la señal presente: minería de datos

1. Detector ERD personalizado (I)
Metodología para la construcción de BCIs orientados a la rehabilitación 1. Detector ERD personalizado (I) Modelo descriptivo formado por la distribución de los valores de potencia para cada una de las características, o par canal-frecuencia, en las que se identifica mejor el fenómeno ERD en ventanas de tiempo previas al movimiento Modelo predictivo bayesiano que analiza en continuo la señal EEG calculando la probabilidad total, a partir de la de cada par canal-frecuencia, de que en la ventana de tiempo analizada se dé el fenómeno ERD y, por tanto, se detecte la intención de movimiento Los modelos caracterizan la señal en el intervalo anterior al movimiento

1. Detector ERD personalizado (II)
Metodología para la construcción de BCIs orientados a la rehabilitación 1. Detector ERD personalizado (II)

1. Detector ERD personalizado (y III)
Metodología para la construcción de BCIs orientados a la rehabilitación 1. Detector ERD personalizado (y III)

2. Clasificador de tipo de movimiento (I)
Metodología para la construcción de BCIs orientados a la rehabilitación 2. Clasificador de tipo de movimiento (I) 6 sujetos sanos, diestros, años 7 tareas para tres articulaciones (hombro, codo, brazo) EEG => 32 canales; fs = 512Hz; filtro notch a 50Hz (gTec) EMG => 8 canales diferenciales sobre los principales grupos musculares del miembro superior que realiza la tarea IMUs => 4 sensores sobre los tres segmentos del brazo y acromion

2. Clasificador de tipo de movimiento (II)
Metodología para la construcción de BCIs orientados a la rehabilitación 2. Clasificador de tipo de movimiento (II) Modelo descriptivo característico y discriminante de cada tipo de movimiento Conjunto de entrenamiento: ejemplos de los distintos tipos de movimientos etiquetados con su clase (tarea) Extracción de características Valores de la densidad espectral de potencia en los canales disponibles, en intervalos de frecuencia de 2Hz para cada canal y en distintas ventanas de tiempo con respecto al inicio del movimiento

2. Clasificador de tipo de movimiento (III)
Metodología para la construcción de BCIs orientados a la rehabilitación 2. Clasificador de tipo de movimiento (III) Selección de características: técnicas de minería de datos para extraer el conjunto óptimo de características (canal-frecuencia-ventana de tiempo) asociado a cada tipo de movimiento propio de cada sujeto medidas de la teoría de la información (chi-square, ganancia de información, frecuencia, información mutua) y cálculo de correlaciones: ordenación de características por su capacidad informativa con respecto a la clase objetivo y eliminación de las irrelevantes método combinado Algoritmo genético (número máximo de características seleccionadas100) Ajuste de la eficacia obtenida con un clasificador Bayesiano Validación cruzada tomando el 75% de la muestra para entrenamiento

2. Clasificador de tipo de movimiento (y IV)
Metodología para la construcción de BCIs orientados a la rehabilitación 2. Clasificador de tipo de movimiento (y IV) Modelo predictivo: clasificador bayesiano multiclase que calcula la probabilidad que tiene una ventana de muestreo de pertenecer a una clase de movimiento, representada de acuerdo al conjunto óptimo de características del modelo descriptivo Clasificación continua de la señal en tiempo real cada125 ms

Salida del BCI al sistema de control del dispositivo
Metodología para la construcción de BCIs orientados a la rehabilitación Salida del BCI al sistema de control del dispositivo probabilidad de movimiento (clase movimiento, confianza) Asynchronous BCI-switch Movement Intention? Asynchronous BCI-classifier of kind of movement Which movement? IMUs/EMG online characterization of the movements Anticipated information on the patient’s attempted movement [prob-mov, (clase_mov, conf)]

Integración con otros dispositivos (EMG, IMU): BNI, MMI
Metodología para la construcción de BCIs orientados a la rehabilitación BCI adaptativo Integración con otros dispositivos (EMG, IMU): BNI, MMI realimentación sobre aciertos y fallos que permite adaptar los modelos descriptivos del detector y del clasificador curvas de probabilidad de las características umbrales de probabilidad y de confianza

Resultados detección y clasificación (I)
Metodología para la construcción de BCIs orientados a la rehabilitación Resultados detección y clasificación (I)

Resultados detección y clasificación (y II)
Metodología para la construcción de BCIs orientados a la rehabilitación Resultados detección y clasificación (y II) Los canales más discriminantes para las tareas son los frontales, frontocentrales y centrales, tanto contralaterales como ipsilaterales al movimiento Las frecuencias más relevantes se distribuyen homogéneamente por las bandas alfa y beta, destacando la zona alta de la banda beta (23-30Hz) La participación de canales tanto contralaterales como ipsilaterales indica que la función motora en sujetos sanos se recoge en ambos hemisferios y no sólo en el contralateral al miembro dominante: análisis de la señal en los sujetos ACV puede contribuir a la construcción de un BCI para controlar la realización de diferentes ejercicios de rehabilitación

Propuesta de un nuevo protocolo para rehabilitación en ACV:
Metodología para la construcción de BCIs orientados a la rehabilitación Actualmente Propuesta de un nuevo protocolo para rehabilitación en ACV: mejorar la anticipación reducir las falsas activaciones conducir el entrenamiento del BCI de cada sujeto mediante sus ritmos endógenos y no mediante eventos externos: asincronía Experimentación con pacientes Integración de nuevas señales: Potenciales lentos (1-4 Hz) relacionados con la anticipación del movimiento Otros algoritmos de clasificación: vectores de soporte, árboles de clasificación, vecino más cercano

PARÁLISIS CEREBRAL El principal objetivo es desarrollar y validar una plataforma robótica, que sirva de apoyo a las terapias de rehabilitación post-quirúrgica y reduzca el tiempo de rehabilitación de pacientes con parálisis cerebral, controlada por una interfaz multimodal que integra información procedente del SNP y del SNC en la estrategia de rehabilitación Estudios neurofisiológicos e Interfaz multimodal (BNMI): Estudiar la evolución temporal de la señal EEG realizando rehabilitación pasiva EEG como indicador de los efectos de la terapia de rehabilitación en mediciones periódicas: aparición o migración de ritmos, evolución de potenciales, …. BCI para control de rehabilitación con patrones extraídos del movimiento pasivo BCI para que la imaginación o intención de movimiento controle el movimiento de un avatar. Entrenamiento cognitivo Seguimiento ocular Sensores emocionales

Señal eferente dañada

COGNICIÓN Esta aplicación se sustenta en la hipótesis de que las conexiones sinápticas que determinan la capacidad de la memoria de trabajo están gobernadas por las mismas leyes de plasticidad que caracterizan otras partes del cerebro La plasticidad cognitiva simboliza el potencial de mejora de la conducta ante tareas cognitivas después del entrenamiento, es decir, cambios en el comportamiento cognitivo La edad parece limitar la capacidad plástica del cerebro La memoria de trabajo (WM) representa la capacidad de información retenida durante períodos breves de tiempo y determina, en gran medida, sus aptitudes para el razonamiento y la resolución de problemas El objetivo del estudio llevado a cabo en este proyecto es el de identificar los correlatos neuronales y los cambios neuropsicológicos derivados del entrenamiento de la WM

COGNICIÓN Grupo de entrenamiento y grupo de control:
Interfaz Cerebro-Computador para rehabilitación motora y cognitiva: minería de datos de la señal EEG COGNICIÓN Grupo de entrenamiento y grupo de control: Valoración neuropsicológica Tarea sobre la memoria de trabajo, en la que cada participante del grupo de entrenamiento: Determina (fase de recuerdo), tras un pequeño intervalo de tiempo (fase de consolidación), si una figura o cara estaba entre un grupo de dos o tres elementos presentados anteriormente (fase de codificación) Sesión semanal durante 6 semanas modificando la dificultad cognitiva (número de elementos a recordar, colores, gestos)

COGNICIÓN Correlatos neuronales del entrenamiento
Interfaz Cerebro-Computador para rehabilitación motora y cognitiva: minería de datos de la señal EEG COGNICIÓN Correlatos neuronales del entrenamiento Se analiza la evolución de la señal EEG en las fases de codificación y consolidación a lo largo de las sesiones empleando técnicas de minería de datos: diferencias estadísticamente significativas en todas las bandas de frecuencia entre diferentes sesiones y diferentes niveles de dificultad en todos los canales Se analizan los potenciales evocados (ERPs) en la fase de recuerdo en las respuestas correctas para la respuesta afirmativa SÍ y la respuesta negativa NO, encontrándose diferencias estadísticamente significativas entre diferentes sesiones y diferentes niveles de dificultad

COGNICIÓN 2) Mejoras en el comportamiento
Interfaz Cerebro-Computador para rehabilitación motora y cognitiva: minería de datos de la señal EEG COGNICIÓN 2) Mejoras en el comportamiento Se analiza la evolución de los tiempos de respuesta en la fase de recuerdo: diferencias estadísticamente significativas entre diferentes sesiones y diferentes niveles de dificultad Se analiza la repercusión en los tests neuropsicológicos encontrando correlaciones entre las diferencias: pre y post tests y los cambios en las amplitudes en las bandas de frecuencia del grupo de entrenamiento pre y post tests del grupo de control y del grupo de entrenamiento

COGNICIÓN La base electrofisiológica de los BCIs que hemos desarrollado hasta el momento en el ámbito motor nos ha conducido al estudio de la aplicación de esta estrategia para el ámbito cognitivo empleando la señal electroencefalográfica como indicador de plasticidad neural y los tests neuropsicológicos como indicadores de la plasticidad cognitiva En un futuro se podrán concebir intervenciones de entrenamiento, estimulación o rehabilitación cognitiva mediadas por BCIs: Integrando la señal EEG y los parámetros conductuales el sujeto podría guiar el ritmo de su entrenamiento

FUTURO EN BCI Las aplicaciones prácticas de los BCIs dependen fundamentalmente de su velocidad y precisión. Actualmente es posible controlar entornos sencillos (luces, TV), para respuestas binarias (sí-no) y para procesar palabras a una media de 1-2 palabras por minuto En aplicaciones con mayor riesgo, como una silla de ruedas o una neuroprótesis se puede sacrificar la velocidad a expensas de la precisión, es decir, de minimizar el número de errores El futuro de la investigación en BCI pasa por la colaboración multidisciplinar: neurobiología, computación, comunicaciones, matemáticas, ingeniería y psicología

FUTURO EN BCI Los retos a los que se enfrenta el progreso en esta área implican la investigación en ámbitos como: Función cerebral: normal o con patologías Valorar la capacidad cognitiva y de otros factores emocionales y psicológicos de los usuarios para el manejo de un BCI: muchas de las patologías que impiden el control muscular conllevan pérdidas de ritmos neuronales Integración del uso del BCI con otras actividades de la vida cotidiana Hasta ahora, los experimentos en laboratorio requieren que el usuario concentre toda su atención en el funcionamiento del BCI: protocolos síncronos Valorar el funcionamiento del sistema y la respuesta del usuario Eliminación de artefactos ajenos al Sistema Nervioso Central

FUTURO EN BCI Características de la señal mejora de la tasa de selección (los ritmos SMR permiten seleccionar entre 4 o más opciones cada 2-3 s) correlación con la intención del usuario: personalización la señal no es un canal de salida natural del cerebro sino artificial y creado por el BCI: involucrar otras partes del sistema nervioso si existe daño cerebral y no es posible encontrar las características buscadas en la señal Aceptación del dispositivo por parte del usuario (usabilidad) Estética, independencia, mantenimiento o ajustes del sistema Sistemas BCI de propósito general para investigación y desarrollo BCI2000 abierto y documentado de propósito general con cuatro procesos: adquisición y almacenamiento de señal, extracción de características y transformación a comandos de control, control de dispositivos y protocolos operativos.

Bibliografía 1. A Practical Guide to Brain–Computer Interfacing with BCI2000. General-Purpose Software for Brain–Computer Interface Research, Data Acquisition, Stimulus Presentation, and Brain Monitoring. Springer-Verlag London Limited 2010 2. Wolpaw J.R., Burbaumer N., McFarland D.J., Pfurtscheller G., Vaughan T.M. “Brain-computer interfaces for communication and control”, Clinical Neurophysiology 113, , 2002 3. Daly J.J., Wolpaw J.R. “Brain-computer interfaces in neurological rehabilitation”, Lancet Neurology 7, , 2008 4. del Castillo MD., Serrano J.I., Ibáñez J., Barrios L. “Metodología para la creación de una interfaz cerebro-computador aplicada a la identificación de la intención de movimiento”, Revista Iberoamericana de Automática e Informática Industrial 8(2), , 2011 5. del Castillo MD., Serrano J.I., Ibáñez J. “Metodología para la construcción de BCIs orientados a la rehabilitación”, Actas 4º Simposio CEA Bioingeniería, 57-63, 2012 6. Gallego J.A., Ibáñez J., Dideriksen J.L., Serrano J.I., del Castillo M.D., Farina D., Rocon E. “A Multimodal HRI to drive a Neuroprosthesis for Tremor Management”, IEEE Transactions on Systems, Man, and Cybernetics--Part C: Applications and Reviews 42(6), , 2012 6. Klingberg T. “Training and plasticiy of working memory”, Trends in Cognitive Science 14, , 2010 Los gráficos de carácter general para ilustrar la conferencia han sido tomados de varias de las fuentes citadas así como de algunos de los experimentos llevados a cabo dentro de los proyectos del Grupo de Bioingeniería

fin Dra. M. D. del Castillo Dr. J. I. Serrano Dr. A. Iglesias
J. Ibáñez J. Oliva

Dra. M. D. del Castillo Grupo de Bioingeniería

Presentaciones similares

Presentación del tema: "Dra. M. D. del Castillo Grupo de Bioingeniería"— Transcripción de la presentación:

Presentaciones similares

Sobre el proyecto

Feedback

Iniciar la sesión

Autorizarse a través de una red social:

Dra. M. D. del Castillo Grupo de Bioingeniería

Presentaciones similares

Presentación del tema: "Dra. M. D. del Castillo Grupo de Bioingeniería"— Transcripción de la presentación:

Presentaciones similares

Sobre el proyecto

Feedback