Los potenciales evocados visuales en estado estacionario utilizan diferentes frecuencias de estímulos visuales para distinguir entre objetos en aplicaciones BCI y tienen tasas de transferencia de información relativamente altas.

Los potenciales evocados son las señales de EEG más utilizadas en BCI. Para recapitular, un potencial evocado es una respuesta estereotipada provocada cuando a un sujeto se le presenta un estímulo. En las publicaciones de blog anteriores, observamos un potencial evocado P300, que se obtiene cuando el sujeto encuentra un estímulo raro dentro de una corriente de estímulos frecuentes o rutinarios. Además de este potencial P300, otros tipos de potenciales como 1) potencial evocado visualmente (VEP) generado por luces intermitentes, 2) VEP de estado estacionario (SSVEP) generado por estímulos visuales repetidos, 3) potenciales evocados auditivos (AEP) generados por clics o tonos (es decir, estímulos auditivos) y 4) potencial evocado somatosensorial (SSEP) causado por estimulación somatosensorial se pueden usar en BCI. En esta publicación de blog, nos centraremos en los SSVEP.

BCI basado en SSVEP

La idea detrás del uso de SSVEP en aplicaciones BCI es bastante simple. Considere un escenario en el que el usuario tiene que pedir una bebida y hay tres opciones. Cada una de las opciones se puede representar como un estímulo visual, por ejemplo, usando emoticonos en la pantalla parpadeando a diferentes frecuencias. El usuario solo tiene que concentrarse en su elección (por ejemplo, mirándola). Centrar la atención en el botón (que representa la elección de bebida del usuario) parpadeando a una frecuencia particular generará señales de EEG (en las regiones occipitales) que oscilan a la misma frecuencia. Esta señal de EEG, que oscila a la misma frecuencia que los estímulos visuales parpadeantes (y sus armónicos) se conoce como potencial evocado visualmente en estado estacionario (SSVEP). La siguiente figura muestra un esquema de una BCI típica basada en SSVEP.

Figura 1: BCI basado en SSVEP [1]

Las BCI basadas en SSVEP han recibido una mayor atención, ya que proporcionan una velocidad de transferencia de información relativamente alta (hasta 70 bits/min) y requieren poca capacitación. Por lo general, se emplea una serie de pasos de procesamiento de señales que incluyen filtrado de paso de banda, detección/corrección de artefactos, extracción de características y clasificación de características para detectar la respuesta SSVEP.

Parámetros que afectan el rendimiento de la ICB basada en SSVEP

La elección de varios parámetros puede afectar el rendimiento de las BCI basadas en SSVEP [1]. Primero, se ha demostrado que el tipo de estímulos afecta la fuerza de la respuesta SSVEP. Se utilizan tres tipos principales de estímulos: 1) estímulos luminosos (por ejemplo, LED, luces fluorescentes), 2) estímulos gráficos individuales (por ejemplo, rectángulo, flechas) y 3) inversión de patrones (por ejemplo, tableros de ajedrez). Se ha demostrado que tanto los estímulos de inversión de luz como los de patrón producen una respuesta SSVEP más fuerte que los estímulos gráficos individuales modulados a la misma frecuencia [2,3]. Además, los estímulos luminosos producen una mayor respuesta SSVEP en comparación con la inversión de patrones, lo que también resulta en las tasas de transferencia de información más altas para SSVEP-BCI en comparación con los otros dos tipos de estímulos [4].

La mayoría de los estudios que comparan tipos de estímulos han mantenido constantes la mayoría de las otras variables, incluido el color, la frecuencia de los estímulos parpadeantes y / o la luminancia de los estímulos, lo que también podría afectar el rendimiento del BCI [1]. Sin embargo, desde el punto de vista práctico, es más fácil usar una pantalla de computadora (es decir, un patrón de inversión o gráficos individuales) que construir unidades de hardware dedicadas para generar estímulos de luz. La desventaja de esto es que el rango de frecuencias que se pueden usar para los estímulos visuales está limitado por la frecuencia de actualización de las pantallas de las computadoras.

La frecuencia del estímulo es otro parámetro, que se puede clasificar en bandas de frecuencia bajas (1-12 Hz), medias (12-30 Hz) y altas (30-60 Hz). La mayoría de las aplicaciones han utilizado bandas de frecuencia baja y media, sin embargo, tienen algunas desventajas sustanciales, ya que se ha observado fatiga visual en el rango de 5-25 Hz. Además, un estudio ha demostrado la aparición de ataques epilépticos en el rango de 15-25 Hz con estímulos de patrón e inversión [5]. Otro problema con las bandas de frecuencia baja y media es su superposición con la banda alfa (8-13 Hz), lo que podría resultar en altos falsos positivos. Sin embargo, las bandas de frecuencia baja y media producen señales de EEG de mayor amplitud [4] en comparación con las bandas de frecuencia más altas, lo que las hace atractivas. Se han propuesto varios enfoques para mitigar el problema de las amplitudes débiles de SSVEP a frecuencias más altas. Primero, hay menos actividad cerebral espontánea a frecuencias más altas en comparación con los rangos bajos y medios. En segundo lugar, la respuesta SSVEP se puede aumentar con filtrado espacial (por ejemplo, formadores de haces), [6].

El color de los estímulos es otro parámetro importante, aunque aún falta un estudio sistemático sobre cómo afecta exactamente el color de los estímulos al rendimiento de BCI. Se ha informado que la luz roja, cuando se modula a 11 Hz, genera la respuesta más fuerte, mientras que para la luz azul y amarilla, la fuerza de respuesta fue relativamente menos dependiente de la elección de frecuencia y la fuerza fue más débil en comparación con la luz roja [7]. Actualmente, la luz roja, gris, negra y blanca son las más utilizadas.

En la próxima publicación de blog, veremos algunas de las aplicaciones y limitaciones comunes de BCI basadas en SSVEP.

Referencias

1. Zhu, D., Bieger, J., García Molina, G. y Aarts, R. M. (2010). Un estudio de los métodos de estimulación utilizados en las BCI basadas en SSVEP. Inteligencia computacional y neurociencia, 2010.
2. E. C. Lalor, S. P. Kelly, C. Finucane, et al., «Control de interfaz cerebro-computadora basado en VEP de estado estacionario en un entorno de juego 3D inmersivo», Eurasip Journal on Applied Signal Processing, vol. 2005, no. 19, págs. 3156–3164, 2005.

3. Z. Wu, Y. Lai, Y. Xia, D. Wu y D. Yao, «Selección de estimuladores en BCI basada en SSVEP», Ingeniería médica y física, vol. 30, no. 8, págs. 1079–1088, 2008.
4. D. Regan, Electrofisiología del cerebro humano: potenciales evocados y campos magnéticos evocados en ciencia y medicina, Elsevier, Ámsterdam, Países Bajos, 1989.

5. R. S. Fisher, G. Harding, G. Erba, G. L. Barkley y A. Wilkins, «Convulsiones inducidas por patrones y fóticas: una revisión para el grupo de trabajo de la fundación de epilepsia de América», Epilepsia, vol. 46, no. 9, págs. 1426–1441, 2005.

6. O. Friman, I. Volosyak y A. Gräser, «Detección de canales múltiples de potenciales evocados visuales en estado estacionario para interfaces cerebro-computadora», IEEE Transactions on Biomedical Engineering, vol. 54, no. 4, págs. 742–750, 2007.
7. Y. Wang, X. Gao, B. Hong, C. Jia y S. Gao, «Interfaces cerebro-computadora basadas en potenciales evocados visuales: viabilidad de diseños de sistemas prácticos», Revista IEEE Engineering in Medicine and Biology, vol. 27, no. 5, págs. 64–71, 2008.