Rozhraní mezi mozkem a počítačem

18 Kvě

V minulém století došlo k nesmírnému rozvoji informatiky a výpočetní techniky. Od prvního velkého nasazení stroje pro automatické provádění výpočtů až k dnešním počítačům a koncepci všudypřítomné elektroniky (tzv. pervasive computing) vedla dlouhá cesta bouřlivé evoluce. Jedním z chvályhodných trendů posledního desetiletí je přibližování počítačů a úprava jejich rozhraní uživatelům s nejrůznějším postižením. Tyto problémy řeší nejen mediálně velmi známá světová pracoviště, ale i laboratoř katedry teorie obvodů Fakulty elektrotechniky ČVUT v Praze.

Braillovy terminály a syntéza hlasu z textu už nejsou ničím neobvyklým; výkon běžně používaných počítačů už umožňuje i více či méně bezproblémové rozpoznávání hlasu. Přesto stále zbývá mnoho lidí, kteří v důsledku motorického poškození nemohou počítač používat. Část z nich není dokonce vůbec schopna komunikace s vnějším světem. Jde například o pacienty s postižením míchy. U nejtěžších případů jsou pacienti plně při vědomí, avšak neschopni jakéhokoli pohybu.

Výzkum na hranici řady oborů

Zde přichází na scénu myšlenka přímého rozhraní mozek-stroj (BCI, brain-computer interface). BCI má překlenout klasické techniky ovládání počítače založené na svalové aktivitě rukou nad klávesnicí a myší a tak umožnit komunikovat i těžce zdravotně postiženým jedincům. Právě tak je postavena i definice BCI: „Rozhraní mezi mozkem a počítačem (BCI) je komunikační systém obcházející obvyklé výstupní kanály mozku – periferní nervy a svaly.“ Výzkum v oblasti vývoje BCI systémů je navíc velmi zajímavý, pohybuje se na společné hranici matematiky, biofyziky, psychologie, fyziologie a neurologie, v poslední době mikroelektroniky a v budoucnosti snad i nanotechnologických oborů. A jak realizace takového rozhraní vypadá?

Popišme si jeho jednotlivé části:

Snímání dat – je dnes možné mnoha metodami pro neinvazivní monitorování mozkové činnosti – připomeňme elektroencefalograf (EEG), magnetoencefalograf (MEG), pozitronovou emisní tomografii (PET) nebo např. funkční magnetickou rezonanci (fMRI). Metody MEG, PET i fMRI jsou technicky náročné a drahé, PET a fMRI mají navíc dlouhou časovou konstantu, a proto je snímání typicky realizováno pomocí EEG přístroje.

Separace artefaktů –ve snímaném EEG jsou přítomny jednak žádoucí signály, jednak artefakty. Artefakty jsou nežádoucí snímané potenciály vyvolané například pohyby očí, mrkáním, stejně jako vliv dalších, vnějších, elektromagnetických polí. Artefakty je nutné potlačit na nejvyšší možnou míru.

Prostorová filtrace –snímané EEG je zatlumeno vrstvami, kterými na cestě od neuronu k elektrodě prochází – mozkomíšní mok, lebka a kůže. Všechny zmiňované vrstvy působí jako dolnofrekvenční prostorový filtr; proto se provádí navazující prostorová filtrace se zrcadlovou frekvenční charakteristikou – je použita horní propust. To umožní zesílit lokalizovanou aktivitu a zlepšit tak funkci celého systému.

Parametrizace – zde dochází k extrakci parametrů EEG signálů podstatných pro správnou funkci příslušného BCI. Nejběžnější parametrizace jsou postavené na lineárním spektru a autoregresním modelování.

Klasifikátor –klíčovým blokem celého BCI systému zodpovědný za rozpoznávání jednotlivých druhů mozkové aktivity a generování příkazů pro navazující systémy.

Akční člen – vykonává příslušné akce na základě povelů z klasifikátoru (např. řídicí elektronika kolečkového křesla nebo úsek programu zajišťující adekvátní pohyb kurzoru po obrazovce).

Zpětná vazba –umožňuje uživateli systému sledovat reakce na jeho mozkovou aktivitu a tak dále zdokonalovat spolupráci se systémem.

Problémy EEG

Pro rozpoznávání charakteru EEG signálu jsou použity stejné algoritmy, jaké se používají pro rozpoznávání řeči – neuronové sítě, markovské modely atd. Samotná aplikace „řečových“ algoritmů na EEG ale není přímočará.

Rozpoznávání EEG přináší vlastní specifické problémy:

  1. EEG není univerzální komunikační prostředek (řeč ano). Variabilita signálu mezi pokusnými osobami je obrovská – trendy zůstávají zachovány, ale skutečné parametry jsou zcela jiné.
  2. EEG snímáme polem senzorů (elektrod) a získaný signál má velmi nízký odstup signál-šum. Projevy pohybů v EEG jsou rušeny např. spontánní aktivitou nebo artefakty.
  3. Řečové signály jsou nepoměrně jednodušeji dosažitelné a lze vybudovat rozsáhlou databázi pro experimenty rychleji než v případě EEG.

Typické intervaly

Podívejme se blíže na funkci takového systému. Na obrázku 2 je znázorněn časový vývoj krátkodobého spektra EEG signálu doprovázejícího pohyb ramene pokusné osoby. V čase 0 dochází k pohybu, je vynesen interval 5 sekund před a 5 sekund po pohybu. Všechny časové údaje jsou udávány relativně k okamžiku pohybu.

V EEG lze jasně rozlišit čtyři typické intervaly:

  1. ticho před pohybem (-5 s; -0,6 s ): spektrum signálu je ploché, bez výrazných projevů.
    1. desynchronizace (ERD) (-0,6 s; +0,2 s): neurony senzomotorické kůry „vypočítávají“ pohyb a vytrácí se jejich synchronizace s okolními neurony. Dochází k útlumu v pásmu (zde 10 – 11 Hz).
  2. synchronizace (ERS) (+0,2 s; 2,2 s): krátkodobý nárůst výkonu po pohybu v ß pásmu.
  3. ticho po pohybu (+2,2 s; 5 s): stejně jako v prvním případě jde o klidový interval. Na základě synchronizace a desynchronizace lze odlišit jednotlivé druhy pohybů. Například srovnáme-li ERS a ERD pohybu pravého ukazováčku a pravého ramene ve vertikálním směru, lze zjistit, že zatímco pohyb ramene doprovází silnější ERS, proti pohybu ukazováčku je ERD ramene naopak slabší.

Rozpoznávání signálu

Tedy už samotné spektrum lze v nejjednodušším případě použít pro odlišení pohybů. Na obrázku 3 je vyznačen vlastní proces klasifikace EEG doprovázejícího pohyb. V horní části obrázku je umístěný model (konečný automat), který může generovat takový průběh signálu. Jeho každý stav obsahuje generátor náhodných čísel s odpovídajícími vlastnostmi. Každý z generátorů je schopen generovat přiřazený úsek signálu (časový vývoj EEG je zobrazen v prostřední části obrázku, k pohybu dochází v okamžiku označeném šipkou). Model tak lze využít pro generování syntetického EEG. Současně lze ale celou situaci obrátit – při znalosti konkrétního EEG můžeme jednoduše zjistit, s jakou pravděpodobností by známý automat byl schopen vygenerovat naměřený průběh signálu. Pokud máme určené parametry modelů jednotlivých druhů EEG, lze rozpoznávat signály. Jednoduše vybereme model, který nejlépe reprezentuje naměřený průběh, a data označíme podle tohoto modelu. Použití modelů pro rozpoznávání přináší i další výhodu v možnosti jednoduše zjistit, na co je model naučen (což například u neuronových sítí nemusí být triviální úloha).

Cesty k prototypu

V laboratoři zpracování biologických signálů na katedře teorie obvodů ČVUT FEL se výzkumem v oblasti BCI zabýváme už od roku 1998. Katedra teorie obvodů úzce spolupracuje s Ústavem normální, klinické a fyziologické patologie na III. LF UK a nově navázala spolupráci i s neurologií Thomayerovy nemocnice. Bez spolupráce s lékařskými institucemi by takový mezidisciplinární výzkum vůbec nebyl možný. Prvním krokem v našem výzkumu byla studie použitelnosti skrytých markovských modelů na klasifikaci pohybu pravého ramene a flexního pohybu pravého ukazováčku. Výsledky ukázaly, že je možné od sebe oba pohyby odlišit s úspěšností v rozsahu 70 – 100 %. Tak široký rozptyl je způsoben už zmíněnou variabilitou EEG jednotlivých pokusných osob. V současné době pracujeme na nové studii. Její součástí je detailní analýza různých přístupů k realizaci bloků systému se zřetelem na úspěšnost klasifikace. Charakter experimentů umožní v budoucnu testovat on-line klasifikační systém – prototyp BCI rozhraní. Popsané systémy mohou být jednou užitečné nejen pro pomoc pohybově postiženým. Dovedeme si představit i mnoho dalších – mírových – aplikací: například dálkové řízení robotů, virtuální realita… O BCI a jeho nasazení však už jeví zájem i armáda.

One Response to “Rozhraní mezi mozkem a počítačem”

  1. Tomáš Grosman #

    Dobrý den,

    chci se zeptat, jestli je u nás v ČR nějaký subjekt, co se zabývá touto oblastí? Nebo se touto oblastí zabývají jen v zahraničí?

    Předem děkuji za odpověď.

    Tomáš Grosman

Leave a Reply