Brein-computer interfaces: Spellen met enkel je ogen en brein.

Patienten die lijden aan amyotrophic lateral sclerosis (ALS), andere neurodegeneratieve ziektes of ruggegraat letsels hebben het vaak moeilijk om hun wil en verlangens uit te drukken. Recente ontwikkelingen in het technologische, en dan vooral de technologie van artificiële intelligentie, geven de patient een nieuwe communicatiemethode in de vorm van brein-computer interfaces (BCI).

In het verleden zijn er al enkele BCIs ontwikkeld met toepassingen in beide brein-gestuurde selectieconsoles of het controleren van een computermuis door simpelweg te denken aan het uitvoeren van een actie (bijvoorbeeld het bewegen van je rechterarm). De meest succesvolle BCIs vereisen echter een medische ingreep waarin een elektrode direct in het brein wordt aangebracht. Een alternatief hiervoor is BCIs die gestuurd worden via elektroencephalografie (EEG). EEG is een niet-invasieve methode om hersenactiviteit te meten door elektrodes aan te brengen op de scalp. De layout hoe deze elektroden op de scalp geplaasts worden  vindt u in Figuur 2.

Door een visuele stimulans te presenteren aan de patient zoals bijvoorbeeld een bewegende lijn (motion Visual Evoked Potentials (mVEP)) of een plots anderskleurig beeld (P300 “oddball”) kunnen we met EEG een piek meten die een constant tijds patroon vertoond afhankelijk van het moment van stimulatie. In de scriptie werd vooral gefocust op het bestuderen van de mVEP die een negatieve piek vertoont rond 200ms na stimulus en een postieve piek 250-300ms na stimulus.

Door een computerprogramma te schrijven dat de stimulatie uitvoerd en de exacte tijd van stimulatie opslaat tesamen met de respons gemeten door de EEG, hebben we de mogelijkheid om een classificatie algoritme (Spatiotemporal Beamformer (stBF)) te trainen. Dit gebeurt door de patient te presenteren met een interface waarop 1 richting als “target” wordt aangeduid. De patient wordt verzocht om zich te focussen op het target. Vervolgens worden alle mogelijke targets gestimuleerd en dit wordt vervolgens opgeslagen door ons computerprogramma. Dit proces wordt enkele keren herhaald aangezien een EEG signaal veel ruis bevat. We nemen vervolgens het gemiddelde van de responsen om een klaar signaal te bekomen. Een visuele representatie van het interface vindt u in Figuur 3. Indien de patient de instructies correct heeft uitgevoerd zouden de gemeten reacties voor target en niet-target eruit moeten zien zoals in figuur 4.

Door de aanwezigheid van de pieken in het gemeten signaal kunnen we nu een classificatiealgoritme trainen om te voorspellen naar waar de patient kijkt door simpelweg het signaal in te laden per mogelijk target. Deze leert het patroon dat gemeten wordt door de EEG wanneer er een stimulus voorkomt in het gezichtsveld van de patient. Het patroon komt overeen met een relevantieschaal, indien het gemeten signaal van een target goed overeenkomt met het patroon, wordt dit target als de bedoelde richting geslecteerd en bijgevolg de bijhordende “knop” ingeduwd. Het patroon en hoe dit gemeten wordt door de EEG vindt u in figuur 5.

Het originele doel van het werk was nagaan indien het stBF algoritme even accuraat voorspelt als algoritmes die voordien voor deze doeleinden als state-of-the-art beschouwd werden (support vector machines (SVM) en stepwise linear discriminent analysis (SWLDA)). Het speciale aan de stBF vergeleken met tradiotionele beamformers is dat het niet enkel kijkt naar de oorsprong van het signaal op de scalp maar ook naar het veranderende signaal in de tijd om de belangrijkste eigenschappen (i.e. pieken) van het signaal te berekenen. Als bijdoelen hebben we het effect getest op de richting waarin de stimulus zich beweegd (links of rechts) en een hybride-BCI gecreërd die beide in een bewegende lijn (mVEP) en een kleurverandering (P300) respons teweegdbrengd.

Uit de resultaten bleek dat de stBF even accuraat functioneerd als de andere classificatiealgorithmes maar dat de trainingtijd van de stBF significant lager ligt (respectievelijk 10x en 43x lager voor SWLDA en SVM) dan zijn voorgangers. Dit maakt het mogelijk om de stBF te gebruiken in on-line applicaties, dit zijn applicaties die getrained kunnen worden voor gebruik in dezelfde sessie, zoals bijvoorbeeld een spellingsconsole afgebeeld hieronder in Figuur 6. Ook bleek dat een hybride-BCI met mVEP en P300 tesamen afgeraden zou moeten worden aangezien de accuraatheid van het algoritme niet verbeterde en de P300 belastend is voor de ogen van de patient. Een interessant resultaat was dat voor rechtshandigen blijkt dat indien de stimulans van rechts naar links gaat, enkel de linkerhersenhelft geactiveerd wordt, terwijl wanneer de stimulans van links naar rechts gaat, beide hersenhelfden geactiveerd worden maar met een vertraging van 50ms. Dit phenomeen wordt momenteel nader onderzocht in een postgraduaat onderzoek. Het verschil is hieronder visueel gepresenteerd in Figuur 7