El presente estado del arte expone una síntesis
de uno de los temas con mayor desarrollo en los últimos
años debido a la variedad de aplicaciones que ofrece,
así como su importancia en la comprensión de la
neurociencia. Las Interfaces Cerebro Computadora presentan un
esquema de desarrollo definido que comienza con la
obtención de las señales cerebrales, su
correspondiente análisis según el resultado
deseado, la creación de una interfaz externa y su
posterior aplicación en un sinnúmero de formas que
crecen cada día según las necesidades actuales. La
principal aplicación de las Interfaces Cerebro Computadora
es la creación de dispositivos que ayuden a personas
impedidas físicamente en su movimiento a controlar
dispositivos externos que utilicen como control señales
cerebrales, en lugar de señales musculares, para el mejor
manejo de su entorno y una óptimo desenvolvimiento en la
sociedad. Aunque las Interfaces presentan un amplio rango de
aplicación, también existen problemas relacionados
con el procesamiento de las señales cerebrales y su
correcta interpretación.
Abstract— This state of the art discloses
a synthesis of one of the subjects most development in recent
years due to the variety of applications available, and their
importance in understanding neuroscience. The Brain Computer
Interfaces have a defined development scheme that begins with
obtaining brain signals, their analysis according to the desired
result, the creation of an external interface and its subsequent
application in a number of forms that grow each day as needed
current. The main application of Brain Computer Interfaces is
creating devices that help physically challenged people in their
movement to control external devices using brain signals as a
control rather than muscle signals, for better management of
their environment and optimal society development. Although
Interfaces present a wide range of applications, there are
problems related to the processing of brain signals and their
correct interpretation
Índice de
términos—Electroencefalograma, Interfaz
Aumentada Cerebro Computadora, Interfaz Cerebro Computadora,
Interfaz Cerebro Máquina.
UNA Interfaz Cerebro Computadora (ICC o BCI
por sus siglas en inglés), a veces llamada Interfaz
Neuronal Directa o una Interfaz Cerebro Máquina (ICM),
detecta e interpreta las señales del cerebro y utiliza los
resultados para comunicar la intención de un usuario [1],
convirtiéndose así en una nueva modalidad de
interacción hombre-máquina que permite a los
usuarios utilizar sus pensamientos para controlar diversos
dispositivos externos [2].
A pesar del interés existente en la posibilidad
de controlar los dispositivos que utilizan directamente las
señales del cerebro [3], ha sido sólo durante los
últimos 20 años donde este campo de
investigación se ha desarrollado mediante experimentos y
publicaciones de interés al respecto a pesar de que las
bases de esta exploración se asentaron a principios del
siglo XX [4].
Un sistema de ICC está, en general, integrada por
los siguientes componentes: adquisición de señales,
preprocesamiento, extracción de características,
clasificación, una interfaz de la aplicación, y
retroalimentación del sistema [5].
Fig. 1. Diagrama de bloques de una
ICC [6].
Adquisición de la
Señal
Las señales cerebrales a analizarse se obtienen
mediante un Electroencefalograma (EEG), dado que varias de sus
características y formas de onda se relacionan con
procesos cerebrales bien conocidos que pueden ser generados
espontáneamente por el usuario o inducidos mediante
estímulos visuales o sonoros [7].
Los EEG se clasifican según su método de
adquisición invasivo, parcialmente invasivo y no invasivo
[7]. El tipo más común de ICC no invasivo capturar
la señal de EEG por medio de electrodos (o canales) que se
encuentran en diferentes lugares en el cuero cabelludo del
usuario [5] [7].
Fig. 2. Electroencefalograma no
Invasivo para pruebas en Interfaces Cerebro Computadora
[8].
Para la adquisición de señal de tipo
invasivo es necesario la utilización de electrodos
profundos y electrodos subdurales que se colocan de forma
intracraneal en el individuo [9]. La diferencia en el uso de
métodos invasivos o no invasivos está sujeta a la
aplicación y tipo de procesamiento de la señal a
obtenerse [8].
Fig. 3. Electroencefalograma
Invasivo mediante la utilización de una macro red de
electrodos [9].
Procesamiento
Una vez obtenidas las señales del EEG,
están tienen que ser procesadas mediante diversos
pasos:
1. Un filtro espacial L se aplica a los datos
de dominio de tiempo, representados por una
transformación lineal de los datos originales
[10].
2. La transformada rápida de Fourier
(FFT siglas en inglés) se aplica a los datos filtrados
espacialmente. Por lo tanto, los datos de EEG se transforman
del dominio del tiempo al dominio de frecuencia
[7].
3. Finalmente, se seleccionan las bandas de
frecuencia más relevantes de acuerdo a la
aplicación futura [7].
En el campo de las interfaces cerebro-computadora uno de
los temas más relevantes es clasificar la señal de
EEG con precisión mediante el filtrado de las series
expresadas en el dominio del tiempo [7].
El mayor obstáculos para la construcción
de BCI potentes basadas en el EEG es la baja relación
señal –ruido de los registros de EEG; es decir, que los
componentes del EEG que proporcionan información sobre la
intención del usuario son por lo general muy encubiertos
por curso la actividad de fondo del cerebro, lo que dificulta en
gran medida el análisis de las señales necesarias
para una correcta interfaz cerebral [11].
El objetivo fundamental de la investigación ICC
ha sido el establecimiento de la tecnología de interfaz
como un dispositivo de ayuda para ser utilizado por personas con
discapacidades motoras severas tales como trastornos
neuromusculares graves, accidente cerebrovascular del tronco
cerebral, parálisis cerebral, lesión de la
médula espinal de alto nivel [12], entre otros
[4].
El objetivo de BCI principalmente consiste en convertir
pensamientos en acciones. Las aplicaciones potenciales incluyen
interfaces de ordenador (ej. teclado virtual [11] o entornos de
realidad virtual [5]), robots móviles [14], la
estimulación muscular funcional, entre otras muchas
aplicaciones [15].
Como un sistema de comunicación no muscular, las
ICC han encontrado muchas aplicaciones para las personas que no
pueden usar sus músculos, pero son cognitivamente intactos
para escribir frases seleccionando cartas de un alfabeto [13] o
para transmitir información a través de
señales cerebrales específicas [16].
C.1 Interfaz Cerebro
Máquina
La Interfaz Cerebro Máquina (ICM o BMI por sus
siglas en inglés) se puede definir como los circuitos
neuronales eléctricos y computacionales artificiales que
compensan, reconstruyen, reparan, e incluso mejoran las funciones
cerebrales que van desde el centro sensorial a los dominios de
control de motores [17].
En las últimas dos décadas, se ha
producido un rápido progreso en este tipo de interfaces
que proporcionan un vínculo claro entre lo humano y una
máquina externa, dado que en un principio fueron
utilizados como un medio para la comprensión de los
mecanismos básicos a través del cual el sistema
nervioso controla el movimiento [18].
Las ICM son capaces tanto de extender las capacidades
humanas (ej. control de computadores) y de su sustitución
(ej. miembros biónicos) [19].
Fig. 4. Esquemática de una
interfaz típica Cerebro-Máquina. Señales
obtenidas mediante EEG, Electromiograma (EEM) y medición
de fuerzas en las extremidades. [19]
Las Interfaces Cerebro Máquina son especialmente
relevantes para los trastornos del movimiento como la
parálisis grave, esclerosis lateral amiotrófica, o
síndrome de locked-in, donde hay poca o ninguna capacidad
de control de movimiento residual. Una característica
notable de este proceso de reorganización es que los
dispositivos de ayuda ya no se tratan como objetos externos
anexos al cuerpo, sino que casi se convierten en una parte
integral y esencial del cuerpo [25].
Incluso con niveles significativos de discapacidad, la
gente todavía puede generar una serie de señales
fisiológicas o de movimiento, que superan el número
de variables de control necesarias para el funcionamiento de los
dispositivos de ayuda y la interacción con el mundo
externo. Estas señales definen un espacio de alta
dimensión, donde un individuo puede elegir entre una gama
de posibilidades para establecerse en subespacios de control para
determinar una u otra señal de salida [19].
C.2 Control de Robots
Un tipo particular de ICM que ha recibido mucha
atención y desarrollo en los últimos años es
la capacidad de controlar robots humanoides mediante
señales cerebrales directamente en una interfaz con la
máquina, así también como la réplica
del comportamiento cerebral humano en un cerebro artificial
[17].
Fig. 5. Parte superior del robot
humanoide ARMAR III [20].
Mediante el enfoque "Entender el cerebro mediante la
creación de Cerebro" se expone que la única manera
de entender completamente los mecanismos neurales en un sentido
riguroso es mediante su reproducción en cerebros
artificiales [17].
Un robot humanoide controlado por un cerebro artificial,
que se implementa como software basado en modelos computacionales
de las funciones cerebrales [17], parece ser la dirección
más plausible para este propósito, dada la
tecnología disponible actualmente, además de abrir
al futuro una amplia gama de posibilidades de aplicación
al incluir en los robots elementos de aprendizaje artificial
básicos ("Aprendizaje por Observación" ,
"Aprendizaje por Imitación ", y " Aprendizaje por
Demostración ") [21].
C.3 Futuras Aplicaciones
Dada la creciente investigación y desarrollo de
nuevas técnicas para la implementación de ICC, han
surgido nuevas aplicaciones que acoplan este tipo de interfaces
en nuestra vida diaria mediante dispositivos de Interfaz
Aumentada Cerebro Computadora (ABCIs por sus siglas en
inglés) [22].
Un ABCI es similar a una ICC en el aspecto en donde se
basan en biosensores, los cuales graban señales desde el
cerebro en entornos cotidianos y éstas se procesan en
tiempo real para monitorear el comportamiento del ser humano.
Para utilizar una ABCI como una técnica de imagen cerebral
móvil para todos los días, en aplicaciones de la
vida real, los sensores y dispositivos correspondientes deben ser
de peso ligero y el tiempo de respuesta de los equipos debe ser
corto [22].
Fig. 6. Dispositivos de EEG Móviles
disponibles en el mercado: (a) Emotiv, (b) NeuroSky, (c) Zeo,(d)
Starlab, (e) EmSense, (f) Nia regulador del juego, ( g ) Mindo 4
con electrodos de espuma seca, y (h) Mindo 16 con sensores
resistentes [22].
Como ya se ha demostrado en varios estudios publicados,
es posible controlar un entorno virtual con una ICC [23], [24] y
utilizarlo como un medio de evaluación para futuras
investigaciones [5]. El control de juegos (principal eje de esta
tecnología), cuidados en el hogar, e ingeniería
para la rehabilitación son posibles aplicaciones futuras
de los ABCIs en las próximas décadas
[22].
En el campo de las Interfaces Cerebro Computadora, uno
de los principales inconvenientes es clasificar el
electroencefalograma (EEG) con precisión, ya que las
señales presentan una buena resolución temporal,
sin embargo, una baja resolución espacial [7].
Este inconveniente conlleva que para los sistemas BCI
invasivas basadas en grabaciones de una sola neurona en
aplicaciones clínicas, el mayor obstáculo es la
imposibilidad de registrar las señales estables durante
largos períodos de tiempo [26].
Otro de los problemas presentados en el análisis
de las señales proporcionadas por el EEG es que incluso en
la actualidad no está claro que las señales del
cerebro pueden reflejar mejor una determinada acción. A
diferencia de las habilidades motoras normales, estas nuevas
habilidades ICC son ejecutados por las señales del cerebro
en lugar de los músculos; obteniéndose un amplio
espectro de señales que podrían sugerir la variedad
de opciones existentes para realizar dicha acción
[27].
El objetivo adecuado en el desarrollo de las ICC es
encontrar las señales cerebrales precisas que el usuario
puede controlar con seguridad, maximizar ese control, y
traducirla en acciones implementadas en una interfaz para
garantizar un máximo rendimiento de todos los procesos
externos. Las ICC además de proveernos nuevas aplicaciones
al control cerebral, ayudan en gran manera la comprensión
de nuestro sistema neurológico, la transmisión de
las señales en nuestro cerebro y la forma en que
éstas son interpretadas.
En la actualidad el procesamiento de las señales
de EEG no están únicamente confinadas a ambientes
de laboratorio u hospitales; con la implementación de
dispositivos portátiles que realicen estas funciones, se
ha expandido enormemente el rango de aplicaciones posibles y cada
vez es más factible al público en general acceder a
ellas para seguir explorando las posibilidades de
utilización de este tipo de interfaces hasta
límites que tal vez aún no imaginamos.
A pesar de los problemas que puedan aún existir
en el procesamiento de las señales EEG, y por ende en las
ICC; se ha recorrido un gran camino en el desarrollo de este tipo
de tecnología que sin duda nos llevará a ese
panorama idealizado del futuro en donde todo nuestro entorno
pueda ser controlado por algo más que las fuerzas
mecánicas a las que estamos acostumbrados y podamos entrar
en una nueva era en donde explotemos todo el potencial aún
desconocido que poseemos los seres humanos en nuestro
cerebro.
[1] Wolpaw, J. R., Birbaumer, N., McFarland, D.
J., Pfurtscheller, G., & Vaughan, T. M. (2002).
Brain–computer interfaces for communication and
control. Clinical Neurophysiology, 113,
767–791.[2] Kubler, A. and Müller, K.R., 2007. An
introduction to brain–computer interfacing.
In: Toward brain–computer
interfacing, Cambridge, MA: MIT Press,
1–26.[3] Fetz, E. E., & Finocchio, D. V. (1971).
Operant conditioning of specific patterns of neural and
muscular activity. Science, 174,
431–435.[4] Chang S. Nam , Gerwin Schalk & Melody
M. Jackson (2010) Current Trends in Brain–Computer
Interface (BCI) Research and Development, International
Journal of Human-Computer Interaction, 27:1, 1-4.[5] Lee, R. Lee, F. Keinrath, C. Scherer, R.
Bischof, H. Pfurtscheller, G. 2007. Brain–Computer
Communication: Motivation, Aim, and Impact of Exploring a
Virtual Apartment. IEE Transactions on Neural Systems
and Rehabilitation Engineering. Vol. 15, No 4.[6] Interfaz Cerebro Computadora. Acceso: 20 de
diciembre de 2014.
http://es.wikipedia.org/wiki/Interfaz_Cerebro_Computadora[7] Ricardo Aler , Alicia Vega , Inés M.
Galván & Antonio J. Nebro (2012) Multi-
objective metaheuristics for preprocessing EEG data in
brain–computer interfaces, Engineering
Optimization, 44:3, 373-390.[8] Lopes da Silva, F. Schomer, D.
Niedermeyer's Electroencephalography: Basic
Principles, Clinical Applications, and Related Fields.
Lippincott Williams & Wilkins. October 2012.[9] Schalk, G. Leuthardt, E.
Brain-Computer Interfaces Using Electrocorticographic
Signals. Clinical Aplication Review. IEE Reviews in
Biomedical Engineering. Vol. 4, 2011[10] Dornhege, G., et al., 2007.
General signal processing and machine learning tools for BCI
analysis. In: Towards brain–computer
interfacing, Cambridge, MA: MIT Press,
207–234.[11] Grosse-Wentrup, M. Liefhold, C.
Gramann, K. Buss, M. Beamforming in Noninvasive
Brain–Computer Interfaces. IEE transactions on
Biomedical Engineering. Vol. 56, No. 4. April
2009.[12] Wolpaw, J. R. (2009). Brain–computer
interface. In L. Squire (Ed.), Encyclopedia of
neuroscience (Vol. 2, pp. 429–437). Oxford:
Academic Press.[13] N. Birbaumer, N. Ghanayim, T.
Hinterberger, I. Iversen, B. Kotchoubey, A. Ku¨ bler, J.
Perelmouter, E. Taub, and H. Flor, "A spelling device for
the paralysed," Nature, vol. 398, no. 6725, pp.
297–298, Mar. 1999.[14] J. D. R. Milla´n, F. Renkens, J.
Mourin˜ o, and W. Gerstner, "Noninvasive
brain-actuated control of a mobile robot by human EEG,"
IEEE Trans. Biomed. Eng., vol. 51, no. 6, pp.
1026–1033, Jun. 2004.[15] C. T. Moritz, S. I. Perlmutter, and E. E.
Fetz, "Direct control of paralysed muscles by cortical
neurons," Nature, vol. 456, no. 7222, pp.
639–642, Dec. 2008.[16] Chang S. Nam (2012)
Brain–computer interface (BCI) and ergonomics,
Ergonomics, 55:5, 513-515.[17] Mitsuo Kawato (2008) Brain controlled
robots, HFSP Journal, 2:3, 136-142.[18] Litvintsev, A. I. (1968). Search activity
of muscles in the presence of an artificial feedback loop
enclosing several muscles simulta- neously. Automation
and Remote Control, 29,
464–472.[19] Maura Casadio , Rajiv Ranganathan &
Ferdinando A. Mussa-Ivaldi (2012) The Body-Machine
Interface: A New Perspective on an Old Theme, Journal of
Motor Behavior, 44:6, 419-433.[20] Kröger, Torsten. Wahl, Friedrich.
Advances in Robotics Research: Theory,
Implementation, Application. Springer. May
2009.[21] Miyamoto, H, Schaal, S, Gandolfo, F, Gomi,
H, Koike, Y, Osu, R, Nakano, E, Wada, Y, and Kawato, M
(1996). "A Kendama learning robot based on dynamic
optimization theory." Neural Networks 9,
1281–1302.[22] Lun-De Liao, Chin-Teng Lin, Kaleb
McDowell, Alma E. Wickenden, Klaus Gramann, Tzyy-Ping Jung,
Li-Wei Ko, Jyh-Yeong Chang. Biosensor Technologies for
Augmented Brain–Computer Interfaces in the Next
Decades. IEEE Invited paper. March 2012.[23] J. D. Bayliss and D. H. Ballard, "A
virtual reality testbed for brain- computer interface
research," IEEE Trans. Rehabil. Eng., vol. 8, no. 2,
pp. 188–90, Jun. 2000.[24] G. Pfurtscheller, R. Leeb, C. Keinrath, D.
Friedman, C. Neuper, C.
Guger, and M. Slater, "Walking from thought," Brain
Res., vol. 1071, no. 1, pp. 145–52, 2006.
[25] L. R. Hochberg, M. D. Serruya, G. M.
Friehs, J. A. Mukand, M. Saleh, A. H. Caplan, A. Branner, D.
Chen, R. D. Penn, and J. P. Donoghue, "Neu- ronal
ensemble control of prosthetic devices by a human with
tetraplegia" Nature, vol. 442, no. 7099, pp.
164–171, Jul. 2006.[26] Seymour, W. (1998). Remaking the body.
Rehabilitation and change. London, England:
Routledge.[27] Jonathan R. Wolpaw (2010)
Brain–Computer Interface Research Comes of Age:
Traditional Assumptions Meet Emerging Realities, Journal
of Motor Behavior.
Autor:
Montalvo, Melissa.
Estudiante Ing.
Electrónica
Universidad Politécnica
Salesiana