Nos quadrinhos dos X-Men, o professor Charles Xavier é um dos mutantes mais poderosos. Ele possui o poder mental de ler mentes e mover coisas.

Quer se tornar professor X? Leia!

Nosso cérebro é um órgão poderoso, é o centro de comando do sistema nervoso humano. Funciona como um grande computador, envia, recebe e processa informações.

E se conseguirmos interceptar esses sinais? Ao criar um dispositivo para ler a mente, você pode desbloquear o poder da TELEPATIA!

Uma interface cérebro-computador permite a decodificação de nossas intenções usando nossos sinais cerebrais. Isso significa que você nem precisa mover um músculo!

Imagine isso, se eu gostaria de enviar uma mensagem de texto. Começo olhando para o teclado, para as letras que quero digitar. E meu telefone começa a digitar as palavras e frases em que estou pensando!

Isso pode parecer ficção científica, você acha que a humanidade ainda está a anos de alcançar esse feito? Os cientistas vêm desenvolvendo e refinando essa tecnologia há décadas.

Neste artigo, deixe-me compartilhar com você uma pesquisa empolgante, onde podemos controlar um exoesqueleto olhando as luzes piscando!

O lobo occipital

O cérebro humano é um órgão incrível de três quilos que controla todas as funções do corpo. Ele processa todos os nossos pensamentos, é a base neurobiológica da inteligência humana, criatividade, emoção e memória. Nosso cérebro é dividido em várias partes, e cada parte tem uma função primária.

Para este experimento, nosso foco está no lobo occipital. Esse é o nosso centro de processamento visual, a parte que lida com a nossa visão. Ele processa e permite que nosso cérebro reconheça o que estamos vendo.

O tipo de dados que podemos coletar do nosso cérebro

O objetivo de uma interface cérebro-computador (BCI) é ter um caminho de comunicação direta entre o cérebro e um dispositivo externo. Isso permite que seus usuários interajam com os computadores por meio da atividade cerebral.

A BCI não é um dispositivo de leitura da mente como um Cerebro. Em vez disso, ele detecta as mudanças na energia emitida pelo cérebro. Um cérebro humano contém cerca de 86 bilhões de neurônios, cada um vinculado individualmente a outros neurônios. Toda vez que pensamos ou movemos um músculo, esses neurônios estão em ação, ativados com energia. Um BCI reconhece esses padrões de energia no cérebro.

Neurociência, Neurociência no Brasil, Neurociência Fácil

O eletroencefalograma (EEG) é uma técnica popular para registrar sinais do cérebro. Como não é invasivo, não precisamos abrir nosso crânio para coletar nossos sinais cerebrais.

O EEG registra a energia gerada pelo cérebro usando uma série de eletrodos colocados no couro cabeludo. Isso envolve uma pessoa usando uma tampa de EEG com eletrodos colocados em pontos específicos. Esses eletrodos detectam a atividade cerebral, que é a energia elétrica emitida pelo nosso cérebro.

Para este experimento, queremos registrar os sinais cerebrais relacionados ao que nossos olhos estão olhando. Ao colocar os eletrodos na região do lobo occipital, os eletrodos captam sinais do que estamos vendo. Nesse caso, luzes piscando. Esse tipo de sinal de EEG é chamado de potencial evocado visual em estado estacionário.

Potencial evocado visual em estado estacionário

O potencial evocado visual em estado estacionário (SSVEP) é um sinal gerado quando observamos algo que oscila, normalmente em frequências entre 1 e 100 Hz. Nesta experiência, essas luzes tremeluzentes estão piscando. Essas luzes piscando são “estímulos”.

Considere um sistema de interface cérebro-computador em que o objetivo é decodificar a entrada do usuário para uma das duas opções possíveis, “esquerda” ou “direita”. Existem dois estímulos, um para selecionar a opção “esquerda” e outro para a “direita”.

Os dois estímulos estão piscando em uma frequência diferente, 11 Hz representa uma “curva à esquerda”; enquanto “vire à direita” está em 15 Hz. Os usuários escolhem as opções concentrando-se em um dos estímulos. Por exemplo, concentrando-se no estímulo “esquerdo”, para selecionar a opção “esquerdo”.

Quando o usuário está focando em um dos estímulos, as frequências desse estímulo específico podem ser captadas no lobo occipital. Podemos determinar em quais luzes o usuário está focado extraindo a frequência do estímulo dos sinais de EEG. É assim que um sistema BCI pode interpretar os sinais cerebrais do SSVEP em instruções para dispositivos externos.

Este vídeo mostra uma demonstração ao vivo de como os sinais SSVEP podem ser afetados pelo que nossos olhos estão focando.

Configuração experimental

A Universidade Coreana projetou um ambiente experimental para controlar um exoesqueleto de membros inferiores usando SSVEP. Os usuários podem controlar o exoesqueleto concentrando sua atenção nos estímulos desejados.

O usuário pode escolher uma das cinco ações disponíveis para operar o exoesqueleto. Isso corresponde aos cinco diodos emissores de luz piscando em diferentes frequências.

avançar (9Hz)

vire à esquerda (11Hz)

vire à direita (15Hz)

em pé (13Hz)

sentar (17Hz)

Se a intenção é avançar, o usuário focaliza o diodo LED que está piscando em 9 Hz. Da mesma forma, concentrando-se no diodo LED piscando em 15 Hz, ele operará o exoesqueleto para virar à direita.

Durante o experimento, há instruções de voz fornecidas para orientar o usuário. Sua tarefa era seguir as instruções fornecidas e operar o exoesqueleto de acordo, concentrando-se na luz LED correspondente.

Para criar um classificador de aprendizado supervisionado, os sinais de EEG coletados são dados de entrada e as tarefas atribuídas são os rótulos. Para este experimento, os autores escolheram oito eletrodos na tampa do EEG, que correspondem aos oito canais nos dados de entrada.

Eles também realizaram uma transformação rápida de Fourier para converter o sinal do domínio do tempo no domínio da frequência. Isso resultou em 120 amostras nos dados de entrada. Portanto, os dados de entrada são um sinal de dimensão 120×8.

Classificador de rede neural convolucional

No-Sang Kwak et al. propuseram um classificador SSVEP robusto usando uma rede neural convolucional. No jornal, eles deram o nome de CNN-1. Possui duas camadas ocultas com tamanho de kernel 1×8 e 11×1, respectivamente. Eles são seguidos por uma camada de saída com 5 unidades, que representa as cinco ações possíveis para o movimento do exoesqueleto. A taxa de aprendizado foi de 0,1 e os pesos foram inicializados com uma distribuição normal.

Os autores também implementaram duas outras redes neurais e três métodos de processamento de sinal para comparar o desempenho com a CNN-1:

Arquitetura CNN # 2 (CNN-2): semelhante à arquitetura CNN descrita, mas inclui uma camada totalmente conectada de 3 unidades adicionais antes da camada de saída

Neurociência, Neurociência no Brasil, Neurociência Fácil

Feedforward (NN): uma simples rede neural de feedforward totalmente conectada em 3 camadas

Análise de correlação canônica (CCA): a análise de correlação canônica é uma abordagem popular para encontrar uma correlação entre a frequência alvo e o sinal. O CCA sempre foi o método de escolha para a classificação SSVEP

Índice de sincronização multivariada (MSI): o índice de sincronização multivariada estima a sincronização entre dois sinais como um índice para a freqüência de estímulo de decodificação

CCA + k-vizinhos mais próximos (CCA-KNN): análise de correlação canônica com k-vizinhos mais próximos

Esses métodos são usados ​​para comparar o desempenho com a arquitetura CNN-1 descrita acima. Não forneci detalhes para cada classificador porque a CNN-1 tem o melhor desempenho, e esse é o nosso foco.

Avaliação

Os autores realizaram 10 vezes a validação cruzada com 13500 dados de treinamento e 1500 dados de teste. Esta tabela mostra a precisão da classificação para cada classificador.

Esta tabela mostra que o CNN-1 superou outras arquiteturas de redes neurais. O CNN-1 também teve um desempenho melhor que o CCA, que é um método popular para a classificação SSVEP. No geral, os resultados da rede neural são mais robustos que o CCA, pois o CCA apresenta desempenho significativamente menor.

Redes neurais profundas geralmente têm melhor desempenho com grandes quantidades de dados. Para descobrir a quantidade de dados necessária para superar os métodos tradicionais. Os autores validam o desempenho com vários tamanhos de amostra de treinamento.

O CNN-1 supera outras redes neurais para cada quantidade de dados. No entanto, o CCA-KNN mostra melhor desempenho de classificação para menos de 4500 amostras de dados de treinamento.

Para finalizar

Neste estudo, o objetivo é construir um sistema BCI robusto com um classificador de aprendizado profundo. A rede neural convolucional apresentou desempenho promissor e altamente robusto para a classificação SSVEP.

Os sistemas BCI têm um grande potencial para ajudar pessoas com deficiência a controlar dispositivos como um exoesqueleto (como Ironman) ou uma cadeira de rodas (como Professor X).

Mas construir um sistema confiável de BCI é um desafio, e ainda é necessário um esforço significativo para trazer esses dispositivos do laboratório para o mercado de massa.