Negli ultimi anni stiamo assistendo alla diffusione commerciale delle cosiddette “BCI“, Interfaccie uomo-macchina portatili.
Questi dispositivi permettono la lettura delle onde celebrali attraverso elettrodi posizionati sullo scalpo. L’interpretazione dell’attività elettrica dell’encefalo, può permettere di controllare con la sola attività mentale vari tipi di dispositivi o interagire con un computer permettendo ad esempio di “sfogliare” le pagine web.
Il livello di sviluppo attuale di queste tecnologie permette di compiere, con qualche imprecisione e velocità limitata, alcune di queste semplici azioni. Il futuro sembra essere promettente, pieno di sorprese e nuove applicazioni, probabilmente in grado anche di cambiare la vita quotidiana e il modo con cui l’uomo si interfaccia con la società virtuale.
Anche se questi dispositivi commerciali non sono all’altezza in precisione e affidabilità, rispetto agli strumenti medicali utilizzati a fini diagnostici negli ospedali, si stanno comunque rivelando molto validi. Per esempio, sono molte le applicazioni che utilizzano BCI per terapie di riabilitazione e moltissime in psicoterapia.
Inoltre, l’interpretazione dell’attività celebrale potrebbe migliorare enormemente la qualità della vita di molte persone colpite da malattie neurodegenerative. Il “BCI speller” è uno strumento che permette la comunicazione ad una persona immobilizzata in un letto, per esempio un paziente locked-in. (Per una trattazione più tecnica sullo speller P300 si veda l’articolo pubblicato su Brain factor: “Brain Computer Interface: il futuro, ora“).
Il costo ridotto di questi strumenti portatili ci permette di studiare e sperimentare a casa nostra l’elettroencefalografia in vivo. Nel seguente articolo riporterò un semplice studio delle principali frequenze celebrali durante due diversi stati mentali, una normale attività e uno stato di rilassamento. Vengono fatte due prove per confermare il risultato su un solo soggetto. Tali misure possono essere ampliate e arricchite con altri stati mentali e un campione di più soggetti. Il lavoro svolto di seguito vale come esempio.
Utilizzo “Emotiv Epoc” come BCI, dotata di 14 elettrodi, è un buon compromesso come qualità/prezzo. (Per concessione di “Integrational Mind Labs” – Milano)
Emotiv Epoc Headset
Gli altri strumenti che utilizzeremo oltre l’epoc di emotiv sono:
- Matlab 2012a
- Eeglab (toolbox per matlab, sviluppato da Swartz Center for Computational Neuroscience)
- Software Test Bench fornito da emotiv epoc
La registrazione consiste in un totale di 10 minuti di attività celebrale, per i primi 5 minuti il soggetto svolge dell’attività poco impegnativa al pc. Nei secondi 5 minuti il soggetto chiude gli occhi e cerca di rilassarsi.
Tale rilassamento indurrà la produzione istantanea di onde celebrali “Alfa”, ovvero ad una frequenza compresa fra 8 e 14 Hz circa. Nell’esperimento verrà dimostrata questa ipotesi. Le frequenze misurabili con questo tipo di strumenti sono:
- Onde Delta: sono caratterizzate da una frequenza che va da 0,1 a 3.9 hertz. Sono le onde che caratterizzano gli stadi di sonno profondo.
- Onde Theta: vanno dai 4 ai 7.9 hertz, caratterizzano gli stadi 1 e 2 del sonno REM.
- Onde Alfa: sono caratterizzate da una frequenza che va dagli 8 ai 13.9 hertz, sono tipiche della veglia ad occhi chiusi e degli istanti precedenti l’addormentamento. Una delle caratteristiche delle – - Onde alfa: è la loro configurazione regolare e sincronizzata. Gli esperimenti condotti registrando le onde cerebrali di monaci Zen in meditazione hanno dimostrato che tale pratica dà luogo a un’emissione consistente di onde alfa.
- Onde Beta: vanno dai 14 ai 30 hertz, si registrano in un soggetto cosciente.
La registrazione viene fatta con Test Bench, software di emotiv, i dieci minuti di attività sono salvati all’interno di un file “.edf”, che possiamo successivamente convertire in .”csv” per importarlo con eeglab, all’interno del workspace di matlab.
Test bench
Test Bench possiede un tool di conversione, selezionabile dal menù.
Una volta in possesso del file di testo, tramite matlab e eeglab vengono importati i canali di interesse e salavati all’interno di strutture timeseries di matlab (timseries perchè poi importabili anche in Simulink).
Il seguente script di matlab esegue le suddette operazioni:
% import data from testbench csv file
tbdata = importdata('Z:\VmShared\EEGLab\data\Exp1_5+5 att_e_rilassamento occhi chiusi registrazione e analisi\07-09-2013\Matteo Tosato-Att_5_Rilassamento_5-07.09.13.23.30.12.CSV');
eegdata = tbdata.data;
% remove unwanted fields
eegdata(:,17:35) = [];
eegdata(:,1:2) = [];
eegdata = eegdata';
% Prepare data in EEGLAB
eeglab
EEG = pop_importdata('data',eegdata,'srate',128); % import data from MATLAB array
EEG = pop_chanedit(EEG, 'load',{'C:\Users\Matteo\Documents\MATLAB\eeglab10_2_5_8b\eeglab10_2_5_8b\sample_locs\Standard-10-10-Cap14_emotiv_epoc.ced' 'filetype' 'autodetect'}); % channel locations
eeglab redraw
% Parsing to different timeseries
t = timeseries(EEG.data);
AF3 = timeseries(t.getdatasamples(1));
F7 = timeseries(t.getdatasamples(2));
F3 = timeseries(t.getdatasamples(3));
FC5 = timeseries(t.getdatasamples(4));
T7 = timeseries(t.getdatasamples(5));
P7 = timeseries(t.getdatasamples(6));
O1 = timeseries(t.getdatasamples(7));
O2 = timeseries(t.getdatasamples(8));
P8 = timeseries(t.getdatasamples(9));
T8 = timeseries(t.getdatasamples(10));
FC6 = timeseries(t.getdatasamples(11));
F4 = timeseries(t.getdatasamples(12));
F8 = timeseries(t.getdatasamples(13));
AF4 = timeseries(t.getdatasamples(14));
La funzione pop_chanedit() di eeglab riceve come argomento un file .ced che contiene i parametri degli elettrodi dell’headset emotiv (esistono gli standard per l’EEG). Siccome eeglab non fornisce la configurazione dell’headset di emotiv, ho editato un file .ced esistente per ricostruire la configurazione utilizzata dallo strumento. Qui di seguito riporto il codice da incollare in un file .ced da utilizzare come primo argomento della funzione pop_chanedit() nello script.
Number labels theta radius X Y Z sph_theta sph_phi sph_radius type datachan ref urchan 1 AF3 -23 0.411 0.885 0.376 0.276 23 16 1 1 1 1 14 AF4 23 0.411 0.885 -0.376 0.276 -23 16 1 1 1 2 2 F7 -54 0.511 0.587 0.809 -0.0349 54 -2 1 1 1 3 3 F3 -39 0.333 0.673 0.545 0.5 39 30 1 1 1 4 12 F4 39 0.333 0.673 -0.545 0.5 -39 30 1 1 1 5 13 F8 54 0.511 0.587 -0.809 -0.0349 -54 -2 1 1 1 6 4 FC5 -69 0.394 0.339 0.883 0.326 69 19 1 1 1 7 11 FC6 69 0.394 0.339 -0.883 0.326 -69 19 1 1 1 8 5 T7 -90 0.511 6.12e-17 0.999 -0.0349 90 -2 1 1 1 9 10 T8 90 0.511 6.12e-17 -0.999 -0.0349 -90 -2 1 1 1 10 15 EVENT 0 6 P7 -126 0.511 -0.587 0.809 -0.0349 126 -2 1 1 1 11 9 P8 126 0.511 -0.587 -0.809 -0.0349 -126 -2 1 1 1 12 7 O1 -162 0.511 -0.95 0.309 -0.0349 162 -2 1 1 1 13 8 O2 162 0.511 -0.95 -0.309 -0.0349 -162 -2 1 1 1 14
Posizione elettrodi Emotiv Epoc
Il codice sistema tutti i dati raccolti in timeseries, per una eventuale analisi a posteriori (Che non affronteremo in questo articolo).
Tramite la GUI di eeglab possiamo ora analizzare i dati raccolti.
Prima di concentrarci sull’analisi delle frequenze presenti nel segnale, dobbiamo eseguire alcuni passaggi di correzzione preventivi per eliminare, nel limite del possibile, i disturbi presenti.
- Rimozione baseline
- Low-pass filtering a 30 Hz
- High-pass filtering a 1 Hz
- Visualizzazione ed eventuale eliminazione delle parti di tracciato fortemente disturbate
In aggiunta a queste operazioni va eseguito anche un controllo e rimozione degli artefatti (per esempio quelli introdotti dai movimenti oculari). Tuttavia, non vedremo ora come eseguire questa operazione, che può divenire molto laboriosa, comunque in parte viene fatta manualmente salvo alcuni sistemi automatici basati su algoritmi di machine learning o statistici.
La rimozione della baseline è molto semplice, esiste una voce da menù “Tools“:
Remove baseline
Questa operazione riporta il segnale a cavallo dello zero, in altri termini, ad ogni segnale si sottrare la sua media.
L’applicazione di filtri passa-basso e passa-alto si trovano sotto la voce “Filter the data” e “Basic FIR filter“, sotto il menù “Tools“.
Filtering
Low-pass filter
Il segnale deve essere fatto passare prima sotto un filtro e poi sotto l’altro (passa-basso e passa-alto o viceversa) separatamente.
Questo filtraggio implica la rimozione delle frequenze superiori a 30 Hz e inferiori a 1 Hz dal segnale tramite l’analisi di Fourier. Eventualmente si possono scegliere valori diversi per altre esigenze. Un metodo alternativo è l’analisi delle componenti indipendenti (ICA), sempre compresa in eeglab.
Infine, se visualizziamo i dati per intero dovremmo vedere qualche cosa di questo genere (da menù “plot” -> “Channel data (scroll)“):
Scroll data
Da questa videata è possibile eliminare porzioni di tracciato se necessario.
Terminato il preprocessing dei dati, lo studio delle frequenze può essere eseguito tramite un tool di eeglab. (Da menù “Plot” -> “Channel spectra and maps“)
Plot spectra and maps
Attraverso questa videata possiamo scegliere:
il range temporale di segnale da analizzare, nel nostro caso compareremo i primi 5 minuti con i secondi 5.
La percentuale di segnale da analizzare, impostiamo il 100% dato che abbiamo a che fare con un tempo ridotto.
Le frequenze di cui vogliamo visualizzare la distribuzione con una mappa topologica del cranio 2D
Di seguito, dividendo per tipologia di onde, riporto i risultati della prima e della seconda prova effettuata. I grafici riportano l’analisi spettrale dei primi 5 minuti di attività normale e dei secondi 5 minuti registrati in rilassamento. Per sicurezza sono state fatte due prove.
Delta in attività (5′) 1
Delta in attività (5′) 2
Delta in rilassamento (5′) 1
Delta in rilassamento (5′) 2
Theta in attività (5′) 1
Theta in attività (5′) 2
Theta in rilassamento (5′) 1
Theta in rilassamento (5′) 2
Alfa in attività (5′) 1
Alfa in attività (5′) 2
Alfa in rilassamento (5′) 1
Alfa in rilassamento (5′) 2
Beta in attività (5′) 1
Beta in attività (5′) 2
Beta in rilassamento (5′) 1
Beta in rilassamento (5′) 2
Sia nella prima che nella seconda prova i risultati ottenuti hanno confermato le attese, Emotiv è in grado di registrare, se pur con alcune imprecisioni dovute agli elettrodi utilizzati, la variazione di attività celebrale di frequenza alfa (8 – 13.9 Hz) negli stati di rilassamento.
Uno sviluppo di questo studio potrebbe consistere nell’eseguire lo stesso tipo di indagine negli stati di meditazione Yoga con un campione più consistente di soggetti. Verificare poi se lo stato di rilassamento del praticante di Yoga porta ad una aumentata produzione di onde Alfa rispetto al rilassamento normale.
Bibliografia:
- EEGLAB (http://sccn.ucsd.edu/eeglab/index.html), Swartz Center for Computational Neuroscience
- Massachusetts Institute of Technology, Brain Signal Analysis, MIT Press, 2009
Pacman
Nostradamus
Magical Cat Adventure
Snake