slides - PET Engenharia de Computação

INTERFACES CÉREBRO
COMPUTADOR
André Ferreira
Alessandro Botti Benevides
Anibal Cotrina Atencio
Sumário:
1 – Anatomia do encéfalo
humano;
2 - O que é o sinal de EEG?
3 - Como medir o sinal de EEG?
4 - Qual é a informação
existente no sinal de EEG?
2
1 - Anatomia do encéfalo
humano;
Controle de dispositivos por:
- Tarefas mentais motoras
(imaginação de movimento de
membros);
- Potenciais evocados visuais;
- Tarefas mentais auditivas
(imaginação de sons);
- Tarefas mentais de associação de
palavras;
3
1- Anatomia do encéfalo humano
• Lobos cerebrais
4
1- Anatomia do encéfalo humano
• Mapa citoarquitetônico de Brodmann (47 áreas)
Esquerda: Mapa citoarquitetônico de Brodmann;
Direita: Principais áreas relacionadas ao processamento dos
sentidos.
5
1- Anatomia do encéfalo humano
• Áreas motoras
Esquerda: Mapa somatotópico do giro
pré-central
(M1);
Direita:
Mapa
somatotópico do giro pós-central (S1).
6
1- Anatomia do encéfalo humano
• Contralateralidade dos movimentos motores
7
1- Anatomia do encéfalo humano
• Córtex visual
8
1- Anatomia do encéfalo humano
• Córtex auditivo
Mapa tonotópico cortical
9
1- Anatomia do encéfalo humano
• Córtex auditivo teciário – imaginação de sons.
10
1- Anatomia do encéfalo humano
• Áreas relacionadas à linguagem
11
2- O que é o sinal de EEG?
12
2- O que é o sinal de EEG?
• Córtex cerebral
É formado por 10% de células nervosas (neurônios) e 90%
de células gliais (astrócitos, oligodendrócitos, célula
ependimária, célula radial glial).
13
2- O que é o sinal de EEG?
• Dipolo equivalente:
- disposição bipolar;
- PPS (10 - 100 ms), PA (1 ms);
- mesmo neurotransmissor
(glutamato - PEPS);
- orientação;
- sincronismo;
14
2- O que é o sinal de EEG?
15
3. Como medir o sinal de EEG?
- Métodos para aquisição do EEG;
- Sistema Internacional de
Posicionamento de Eletrodos ;
- Artefatos;
- Circuitos de aquisição de EEG;
16
3- Como medir o sinal de EEG?
• Aquisição do EEG:
- eletricidade estática (4 a 35 kV)*;
- EEG (~100 µV);
- ruído inserido no terra do circuito de aquisição
(devido à fonte de alimentação) é da ordem de
grandeza do sinal medido (µV).
• Amplificação diferencial
- eletrodo ativo (A);
- eletrodo de aterramento (T);
- eletrodo de referência (R);
17
* Electrostatic Discharge Association (ESDA)
3- Como medir o sinal de EEG?
• Derivações:
- bipolar;
- unipolar (referência comum);
- referência média comum (CAR);
- derivação Laplaciana;
18
3- Como medir o sinal de EEG?
• Sistema Internacional de
Posicionamento de Eletrodos
10/20 (1958):
A = Auricular (A1 e A2)
Fp = Frontal pole (Fp1 e Fp2)
F = Frontal (Fz, F3, F4, F7 e F8)
C = Central (Cz, C3 e C4)
P = Parietal (Pz, P3 e P4)
T = Temporal (T3, T4, T5 e T6)
O = Occipital (O1 e O2)
19
3- Como medir o sinal de EEG?
• Sistema Internacional de Posicionamento de Eletrodos 10/10:
20
3- Como medir o sinal de EEG?
• Artefatos:
- artefatos de origem técnica:
- artefatos de linha: fontes de tensão AC (60 Hz)
- artefatos devido a flutuações na impedância do eletrodo: má fixação
dos eletrodos e sudorese (0,1 a 1,7 V CC).
21
3- Como medir o sinal de EEG?
• Artefatos:
- artefatos de origem fisiológica:
- Artefato de movimento ocular;
- Artefato de movimento muscular: movimentos da cabeça, do pescoço
ou piscadas de olhos.
- Artefato cardíaco;
22
3- Como medir o sinal de EEG?
• Circuito de aquisição:
- Primeiro estágio: amplificação diferencial;
INA118: Amplificador de instrumentação com alta resistência
de entrada (1010 Ω) e baixo ruído (0.28µVP-P / 0 a 10Hz).
23
3- Como medir o sinal de EEG?
• Circuito de aquisição:
24
3- Como medir o sinal de EEG?
• Circuito de aquisição com filtro ativo (60 Hz):
Filtro ativo de banda de rejeição com alto fator de
qualidade (filtro supressor de faixa em duplo T)
25
3- Como medir o sinal de EEG?
• Projeto do circuito analógico com 4 canais diferenciais
26
3- Como medir o sinal de EEG?
• AD7716: 4 quatro canais, banda passante de até 584 Hz e
conversores AD com resolução de 22 bits.
27
3- Como medir o sinal de EEG?
LPC2148 : micro-controlador baseado numa CPU de 32 bits ARM7TDMIS com clock de até 60 MHZ. Memória flash de 512 KB. Interfaces USB
2.0, UARTS múltiplas, SPI, SSP para I2C e um chip SRAM de 8 KB.
Conversores AD de 10 bits.
28
3- Como medir o sinal de EEG?
• Projeto do circuito digital com
4 canais diferenciais.
• BrainNet – BNT 36
- 20 de EEG;
- 10 canais bipolares
para EMG.
29
4. Qual é a informação
existente no sinal de EEG?
- Ritmos do EEG;
- Potenciais relacionados à eventos
(ERPs);
- Dessincronização e Sincronização
relacionada à evento (ERD/ERS);
- Circuito oscilatório tálamo-cortical;
- Características para identificação
de tarefas mentais;
30
4- Qual é a informação existente no sinal de
EEG?
• Espectro de freqüências do EEG:
• Ritmos principais:
Banda
Freqüência (Hz)
Amplitude ( µV )
Localização (lóbulos)
Delta (δ)
1-4
< 100
Variável
Teta (θ)
4-8
< 100
Variável
Alfa (α)
8 - 13
20 - 60
Occipital
Beta (β)
14 - 30
20 - 30
Frontal e Parietal
Mu (µ)
10 - 12
< 50
Frontal e Parietal
Gama(γ)
25-100
< 50
Variável
31
4- Qual é a informação existente no sinal de
EEG?
• Ritmo δ (1 - 4 Hz): observado em estágios de sono profundo.
• Ritmo θ (4 - 8 Hz) : observado sobre a região frontal quando a
pessoa realiza atividades mentais tais como a solução de problemas
e na região temporal e parietal durante emoções de stress
despontamento e frustração.
• Ritmo α (8 -13 Hz): detectado com os olhos fechados e sob
condições de relaxamento físico e inatividade mental. É atenuado
por atenção, principalmente visual, e esforço mental.
• Ritmo µ (10 -12 Hz): registrado sobre o córtex motor. É atenuado
durante movimento ou intenção de se mover.
• Ritmo β (14 - 30 Hz) : observado durante abertura dos olhos em
estado de vigília, ou no sono REM. É bloqueado por atividade motora
e estimulação tátil.
• Ritmo γ (25 - 100 Hz) : relacionado à percepção sensorial (auditiva e
visual).
32
4- Qual é a informação existente no sinal de
EEG?
• Potenciais relacionados à evento (ERPs): o evento é um estímulo físico
externo, como um estímulo elétrico em um nervo, um estímulo visual ou um
estímulo auditivo.
• Considera-se que o ERP ocorre com um atraso aproximadamente constante
em relação ao evento, e a atividade espontânea do EEG é modelada como
um ruído aleatório aditivo
33
4- Qual é a informação existente no sinal de
EEG?
• Dessincronização e Sincronização relacionada à evento (ERD/ERS):
34
4- Qual é a informação existente no sinal de
EEG?
• Dessincronização e Sincronização relacionada à evento (ERD/ERS):
35
4- Qual é a informação existente no sinal de
EEG?
Circuitos neurais dos núcleos da base
Língua → Nervos cranianos VII, IX e X → VPM → Córtex gustativo primário
Cóclea → Nervos cranianos VIII → CGM → Córtex auditivo primário (A1)
Retina→ Nervo óptico (Nervo craniano II)→ CGL → Córtex visual primário (V1)
Sistema sensorial → Medula espinhal → VP → Córtex somatossensorial primário (S1)
36
Córtex frontal→núcleos da base→VL→Córtex (AMS) → Córtex motor primário (M1)
4- Qual é a informação existente no sinal de
EEG?
Circuito neuronal da alça motora
Córtex frontal→núcleos da base→VL→Córtex (AMS) → Córtex motor primário (M1)
37
4- Qual é a informação existente no sinal de
EEG?
Circuitos neuronais:
Circuito neuronal excitatório-inibitório
Circuito neuronal oscilatório simples
(2 neurônios)
Circuito neuronal oscilatório complexo
38
4- Qual é a informação existente no sinal de
EEG?
Neurônios marca-passo:
O tálamo apresenta um conjunto particular de células
neuronais chamadas neurônios marca-passo que podem
compelir um grupo muito maior de células corticais a seguir o
ritmo talâmico.
ERD/ERS na banda α no lobo occipital:
39
ERD/ERS
4- Qual é a informação existente no sinal de
EEG?
ERD/ERS na banda µ do córtex motor:
40
4- Qual é a informação existente no sinal de
EEG?
ERD/ERS durante tarefas motoras:
- Imaginação de movimento da mão direita.
41
4- Qual é a informação existente no sinal de
EEG?
ERD/ERS durante tarefas motoras:
- Imaginação de movimento da mão esquerda.
42
4- Qual é a informação existente no sinal de
EEG?
ERD/ERS durante tarefas motoras:
- Imaginação de movimento de ambos os pés.
43
4- Qual é a informação existente no sinal de
EEG?
ERD/ERS durante tarefas motoras:
- Imaginação de movimento da boca.
44
4- Qual é a informação existente no sinal de
EEG?
ERD/ERS durante tarefas motoras:
- Imaginação de rotação de um cubo.
45
4- Qual é a informação existente no sinal de
EEG?
ERD/ERS durante tarefas motoras:
- Imaginação/lembrança de sons.
46
4- Qual é a informação existente no sinal de
EEG?
Características simples:
- energia média das bandas α, β e γ de cada canal;
47
4- Qual é a informação existente no sinal de
EEG?
energia média das bandas α, β e γ de cada canal;
48
PARTE 3...
49
Navegação de Cadeira de Rodas
50
51
CONTROL
52
CONTROL
RECONHECIMENTO
DE COMANDO
53
Interface Cérebro Computador
54
Operação on-line
55
O que é Reconhecimento de Padrões
“A atribuição de um objeto físico ou evento para uma das várias categorias
pré-especificados” -- Duda & Hart
• Um padrão é um objeto, processo ou
evento que pode ser dado um nome.
• Uma classe (ou categoria) é um
conjunto de padrões de
compartilhamento de atributos comuns e,
geralmente, oriundos da mesma fonte.
• Durante o reconhecimento (ou
classificação) objetos dados são
atribuídos a categorias prescritas.
• Um classificador é uma máquina que
realiza a classificação.
Exemplos de aplicação
•Reconhecimento
• manuscritos: organização de envelopes
por CEP.
ótico de caracteres
• Textos impressos: Leitura para pessoas
cegas, digitalização de documentos.
(OCR)
• Biometria
• Sistemas de
• Reconhecimento de faces,
verificaçãoFace recognition, busca e
verificação.
• Reconhecimento de impressões digitais.
•Reconhecimento de fala
•Diagnóstico médico: X-Ray, ECG, EEG.
•Diagnóstico de falhas em máquinas.
diagnóstico
• Reconhecimento automático de alvos
(ATR).
•Aplicações militares
• Segmentação de imagens e analise
(reconhecimento a partir de fotografias de
satélite).
Abordagens
• Estatístico: baseado em modelos
estatísticos dos padrões e das classes.
• Estrutural (ou sintático): As classes são
representadas por estruturas formais
como gramática, autômatos, cordas, etc.
• Redes neurais: O classificador é
epesentado como uma rede de neuônios
do cérebro humano (abordagem
conexionista).
Conceptos básicos
Pattern
y ∈Y
y
 x1 
x 
 2 = x
M
 
 xn 
Vetor de características
x∈X
- Vetor de observações (medições).
- x é um ponto no espaço de
-características. X
Estado oculto
- Não pode se medido diretamente.
-Padrões com o mesmo estado oculto pertence à mesma
classe.
Tarefa
- Projetar um classificador (regra de decisão) q : X → Y
que decide sobre um estado oculto com base em uma
observação.
Example
height
Tarefa: jockey-hoopster recognition.
weight
 x1 
x  = x
 2
Classificador linear:
Conjunto de estados ocultos
Espaço de características
Y = {H , J }
X = ℜ2
Exemplos de
Treinamento
{( x1 , y1 ),K , (x l , yl )}
x2
y=H
H if (w⋅ x) +b ≥ 0
q(x) = 
 J if (w⋅ x) +b < 0
y=J
(w⋅ x) +b = 0
x1
Componentes de um Sistema de
Reconhecimento de Padrões
Padrão
Sensores e preprocessamento
Teacher
Extração de
Características
Classificador
Atribuição
da classe
Algoritmo de
aprendizagem
• Sensores e pre-processamento.
• Extração de características ajuda criar boas características discriminativas para
melhorar a classificação.
• Classificador.
• Teacher fornece informações sobre o estado oculto.
• Algoritmo de aprendizagem define o reconhecimento de padrões a partir de
exemplos de treinamento.
Extração de característica
Objetivo: Extrai boas características para a classificação
Boas características:• Objetos da mesma classe tem valores de características
semelhantes.
• Objetos de classes diferentes tem diferentes valores.
“Good” features
“Bad” features
Extração de característica
Métodos de extração de características
Extração de características
 m1 
m 
 2
 M 
 
mk 
φ1
φ2
φn
 x1 
x 
 2
M
 
 xn 
Seleção de
Características
 m1
m 
 2
 m3 
 
 M 
mk 
 x1 
x 
 2
M
 
 xn 
φ(θ)
Problema pode ser expresso como a optimização dos parâmetros de featrure
extractor.
Métodos supervisionados: a função objetivo é o critério de separabilidade
(discriminability) de exemplos rotulados, por exemplo, análise de discriminar
linear (LDA).
Métodos não supervisionados: menor representação dimesional que
preserva características importantes dos dados de entrada, por exemplo, a
análise de componentes, principal (PCA).
Classificação
O classificador particiona o espaçõ de características X en regiões tal que
X = X 1 ∪ X 2 ∪ K ∪ X |Y |
X1
and
X 1 ∩ X 2 ∩ K ∩ X |Y | = {0}
X1
X3
X1
X2
X2
X3
A classificação consiste em determinar a região à qual uma característica
vector x pertence.
As fronteiras entre os limites de decisão são chamadas de regiões de
decisão.
Representação de um Classificador
O classificador é tipicamente representado como um conjunto d funções
discriminantes
f i (x) : X → ℜ, i = 1, K, | Y |
O classificador atribui um vetor de característica x à iésima classe se
f i (x) > f j (x) ∀j ≠ i
f1 ( x )
x
Vetor de
características
f 2 ( x)
M
f|Y|(x)
Funções
discriminantes
max
y
Identificador de
classe
Regiões de decisão
Classificadores mais usados
68
Classificador Bayesiano
KNN
SVM
Redes Neurais
Regiões de decisão de Redes
Neurais
Operação on-line
74
AULA PRATICA...
75