Diseño de una interfaz cerebro-ordenador para el control de un estimulador eléctrico funcional, con el objetivo de ayudar en la neuro-rehabilitación de pacientes tras accidente cerebrovascular

Abstract

[ES] Los sistemas de interfaz cerebro-ordenador (BCI, Brain Computer Interfaces) usan directamente las señales del cerebro (EEG, electroencefalograma) para permitir al usuario actuar en el entorno sin necesidad de activación muscular. Son sistemas interactivos que traducen directamente las señales del cerebro para convertirlas en órdenes que son usadas para contralar una máquina externa. Actualmente, esta tecnología tiene un gran número de aplicaciones. Gracias a la doble interacción entre el cerebro y la máquina, las interfaces cerebro-ordenador pueden ser usadas para modificar las funciones del cerebro. Esto lo convierte en una adecuada herramienta en aplicaciones de neuro-rehabilitación. Ha sido usada en pacientes tras accidente cerebro-vascular fundamentalmente de dos formas diferentes: para sustituir la pérdida de funciones neuro-musculares utilizando las señales del cerebro del paciente para interacción con el medio, y como un método de rehabiliación para ayudar a recuperar las funciones motores pérdidas. La estimulación eléctrica funcional (FES) usa corrientes eléctricas para activar los nervios que innervan las extremidades afectadas.

En este trabajo, se propone un sistema de BCI-FES como herramienta para la neuro-rehabilitación de pacientes tras ictus, ayudándoles a recuperar sus capacidades motoras. El proyecto incluye entender los distintos sistemas de interfaces cerebro-ordenador, las señales de EEG y sus características, el diseño de la interfaz: la selección de las técnicas de procesamiento de señal, extracción de características y clasificación adecuadas, con su implementación en Matlab y la evaluación de los resultados. Se elaborará una propia base de datos con señales de EEG de pacientes realizando e imaginando cuatro movimientos diferentes. Esta base de datos será usada en el estudio.

[EN] According to the World Health Organization (WHO), cerebrovascular accidents (stroke) are the second leading cause of death and the third leading cause of disability. It is estimated that after acute stroke, approximately 80% of the patients have some form of motor impairment. About 20% of these patients regain at least part of their lost motor functions in the subsequent months; thus, of the patients surviving stroke, 50–60% are left with a chronic motor disorder, with several negative consequences on their quality of life. Motor imagery (MI) based Brain Computer Interface (BCI) systems have shown to be a potential technology to help restore motor control in stroke patients. These systems can be used to control a functional electrical stimulator (FES) to aid the rehabilitation by providing feedback to the subject in the form of electrical currents that activate nerves innervating extremities affected by paralysis. To control the FES system, the BCI paradigm has to be able to classify the MI tasks the patient is performing. In this project, we propose a MI-BCI scheme for possible neurorehabilitation of stroke patients. The presented method uses the filter bank common spatial pattern (FBCSP) algorithm with different multi-class extension approaches (one vs. all, one vs. one and two vs. two) to extract features from the recorded electroencephalogram (EEG) brain signals. The mutual information (MInf) algorithm is used for feature selection to train different linear discriminant analysis (LDA) classifiers. The main contribution of this project is the use of statistical techniques, the mode and the Dempster-Shafer theory (DST), to combine and improve the results of different classifiers. The proposed algorithm has been tested in two different datasets. The first one is an online available 4-class (right hand, left hand, feet and tongue) dataset from the BCI competition IV. The second dataset was obtained during the course of this project. It consist of EEG data recorded while performing 4 MI and motor executions (ME) tasks within the same limb. The study proved the benefits of combining classifiers with appropriate techniques, as well as the importance of using a feature selection algorithm to improve the performance. Not surprisingly, it was seen that the classification of the ME task was easier than classifying the MI task. Nevertheless, further improvements are necessary to achieve higher accuracies and for such a system to be implemented in practice.