Università degli studi di Napoli “Federico II” Corso di laurea in Informatica Facoltà di Scienze MM.FF.NN

Tesina Mente e Macchine Brain Computer Interface ed ErrP

Workgroup:

Alfonso Cimasa N86/254

acimasa@hotmail.com

1

Indice 1- Introduzione ...................................................................................................................................... 2

2 - Cervello e tecniche di Neuroimaging .............................................................................................. 4

2.1 Corteccia Cerebrale ................................................................................................................. 4

2.2 Cattura dei segnali cerebrali................................................................................................... 5

2.3 EEG ........................................................................................................................................... 5

2.4 MEG .......................................................................................................................................... 6

2.5 EcoG ......................................................................................................................................... 7

2.6 Intracortical Neuron Recording .............................................................................................. 7

2.7 fMRI .......................................................................................................................................... 7

3 – BCI ..................................................................................................................................................... 8

3.1 Cos’è una BCI ........................................................................................................................... 8

3.2 VEP BCI ..................................................................................................................................... 9

3.3 P300 BCI ................................................................................................................................... 9

3.4 Sensorimotor Rhythms Based BCI........................................................................................ 10

4 - BCI ed ErrP ...................................................................................................................................... 11

4.1 Cos’è il segnale ErrP .............................................................................................................. 11

4.2 BCI con ErrP ........................................................................................................................... 12

4.3 Integrazione dell’ErrP nelle BCI ............................................................................................ 14

4.4 ErrP sviluppi futuri................................................................................................................. 15

5 - Conclusioni ...................................................................................................................................... 16

Bibliografia ........................................................................................................................................... 17

2

1- Introduzione

“Lui non può muoversi Jim. La sua sedia a rotelle è costruita per interpretare le onde cerebrali. Può muoversi avanti e indietro rapidamente. Può persino, attraverso una luce intermittente, rispondere “si” o “no”. Ma quest’è tutto Jim. Questo è il massimo che può fare. La sua mente è viva come lo è la tua e la mia, ma è intrappolato in un corpo in stato vegetativo, mantenuto in vita artificialmente da un cuore meccanico …”.

Questo è un breve discorso tratto dalla nota serie TV Star Treck, andato in onda nel 1966. Ancora una volta la fantascienza anticipa la scienza immaginando un uomo, in questo caso il capitano Christopher Pike, tenuto in vita grazie a una macchina, la quale gli consente di interagire col mondo esterno.

A scoprire le potenzialità delle onde cerebrali fu lo scienziato tedesco Hans Berger (noto per i suoi esperimenti su cavie umane, in particolar modo bambini ebrei), che per primo le osservò e registrò.

Col passare degli anni lo studio dell’attività elettrica cerebrale ci ha consentito di toccare con mano e di poter osservare un cervello in funzione mentre pensa, ricorda, sogna!

Tutto ciò ha portato a metà degli anni ottanta alla creazione delle prime BCI (Brain Computer Interface),.

Le BCI sono dispositivi creati per offrire un nuovo mezzo comunicativo al cervello, alternativo a quello muscolare, in grado di poter esprimere quanto più fedelmente possibile la volontà dell’uomo.

Immediatamente si è pensato all’applicazione in ambito medico-riabilitativo, in particolare per quei soggetti con forti disabilità motorie o affetti da patologie degenerative come l’SLA (sclerosi laterale amiotrofica).

Le BCI possono quindi risultare particolarmente utili nel mantenimento di quelle facoltà mentali inutilizzate a causa di una disabilità fisica. Si ritiene infatti che alla cessazione di un attività motoria corrisponda una lenta degenerazione dell’attività intellettiva ad essa legata (Teoria Meccanica).

La BCI dunque si pone come un canale alternativo per l’interazione cervello-macchina.

Sembra di trovarci quasi di fronte a una macchina capace di “leggere la mente” ma non è così. Tutto ciò è frutto dell’evoluzione tecnologica e della convergenza di multiple competenze: elettroniche, informatiche, mediche e matematiche.

Elettroniche perché lo sviluppo e la potenza degli elaboratori in questi anni è cresciuto talmente tanto da non rappresentare più un limite per questi dispositivi.

Informatiche in quanto grazie alla formulazione di algoritmi sempre più efficienti, se pure complessi, consente l’associazione onda cerebrale-comando.

Mediche, grazie ai significativi passi avanti compiuti nella comprensione del funzionamento del cervello.

3

Infine matematiche in quanto gli algoritmi usati sono frutto di studi statistici, così come le tecniche di filtraggio applicate ai segnali cerebrali catturati tramite elettrodi posti sullo scalpo.

La tesina si articolerà come segue:

nel capitolo due tratterò riguardo le interazioni fra gruppi di neuroni e come esse hanno origine. Passerò poi all’analisi delle BCI, ovvero le tipologie, gli esperimenti e i risultati ottenuti fin ora. Nel capitolo tre analizzerò i segnali ErrP, in particolar modo la loro applicazione alle classiche BCI e come questa garantisca una maggior capacità di discernimento dei segnali e della volontà dell’utente da essi trasmessa.

Infine nell’ultimo capitolo riservo qualche critica circa gli sviluppi futuri delle BCI, pur tenendo in considerazione il loro potenziale, a mio parere, esse hanno subito una battuta di arresto dovuta alle esigue conoscenze attuali circa il funzionamento del cervello.

4

2 - Cervello e tecniche di Neuroimaging

2.1 Corteccia Cerebrale

Le BCI utilizzano i segnali cerebrali per catturare le intenzioni dell’utente. Vediamo, in breve, com’è strutturato il cervello umano e il processo di generazione dei segnali elettrochimici che consentono la trasmissione di informazione.

Il cervello è l’organo deputato al controllo delle funzioni vitali ed è sede delle regolazioni omeostatiche (temperatura, pressione sanguigna, etc…). È parte del sistema nervoso centrale ed è situato nel capo, protetto dal cranio. È suddiviso in due emisferi: emisfero sinistro ed emisfero destro che sono separati da un profondo solco longitudinale.

L’encefalo umano è estremamente sviluppato e può essere suddiviso in quattro lobi:

1) Lobo Frontale 2) Lobo Parietale 3) Lobo Occipitale 4) Lobo Temporale

La corteccia cerebrale è inoltre sede delle funzioni cerebrali superiori quali il pensiero e la coscienza e può essere suddivisa in aree di Brodmann (fig.1). Questa è una particolare suddivisione basata sulla localizzazione anatomica e funzionale delle aree e sulla loro citoarchitettura (composizione a livello cellulare). L’unità costituente il cervello è il neurone, una particolare cellula in grado di generare, in seguito a uno stimolo, un potenziale di azione e di propagarlo ad altri neuroni mediante un prolungamento del proprio corpo cellulare chiamato assone, oppure ricevere uno stimolo attraverso ulteriori prolungamenti detti dendriti. Tale differenza di potenziale viene generato dopo una depolarizzazione della membrana che riveste la cellula neuronale. (1)

In condizione di riposo il potenziale all’interno della membrana ha una carica pari a -70mV (milliVolt), un cambiamento verso valori positivi genera una depolarizzazione. Tale depolarizzazione è scatenata a seguito di uno stimolo esterno che, a secondo dell’intensità, se supera un certo valore soglia, può causare l’inversione temporanea della polarità all’interno della membrana cellulare. Vediamo più in dettaglio cosa accade in questa fase. Inizialmente la membrana cellulare è fortemente permeabile agli ioni potassio (K˖) e scarsamente permeabile agli ioni sodio (Na˖). Tale sproporzione produce una sostanziale differenza tra la concentrazione degli ioni K˖ ed Na˖ presen tra l’esterno e l’interno della cellula. La ricezione di uno s molo, in specifiche cellule eccitabili (ad es. neuroni), porta alla modificazione di tale permeabilità di membrana la quale, momentaneamente, consente agli ioni Na˖ di a raversarla, questo porta

Figura 1 - Cervello suddiviso in aree di Brodmann

5

alla depolarizzazione della stessa che da una carica iniziale di -70 mV passa a una carica di +30 mV, un salto di ben 100mV!

In seguito la membrana si ripolarizza, espellendo gli ioni Na˖ (tramite le pompe sodio-potassio) e ritorna alla sua carica iniziale, pronta a trasmettere ulteriori stimoli (2).

2.2 Cattura dei segnali cerebrali

Le BCI sono in grado dunque di catturare le intenzioni di un utente, e lo fanno attraverso diverse tecniche diagnostiche.

Vediamo in dettaglio quali sono queste tecniche e i vantaggi derivanti dall’applicazione di una piuttosto che un’altra. I metodi di misurazione dell’attività cerebrale possono essere classificati in base alla loro invasività, in generale quanto più essi sono invasivi tanto più sono precisi e privi di rumore.

Le attività cerebrali che possono essere catturate sono due:

Attività elettrofisiologica Attività metabolica

L’attività elettrofisiologica è dovuta all’interazione fra i neuroni e può essere captata tramite:

MEG EEG MEG ECoG Intracortical Neuron Recording

L’attività metabolica invece è dovuta all’aumento dell’afflusso di sangue in specifiche zone del cervello coinvolte nello svolgimento di un compito. Viene registrata tramite

fMRI

2.3 EEG

L’EEG misura i segnali elettrici transitanti all’interno degli assoni e dei dendriti delle cellule neuronali. È molto sensibile all’influenza di rumori esterni, come ad esempio i segnali provenienti dai muscoli, e proprio per questo i dati registrati richiedono un ben accurato filtraggio prima di essere adoperati.

6

È una tecnica non invasiva largamente adoperata per la sua facilità di utilizzo. Un sistema EEG è composto:

1) Elettrodi 2) Amplificatori di segnale 3) Convertitore di segnale analogico/digitale 4) Un sistema di registrazione dei dati

Gli elettrodi sono posti sullo scalpo secondo lo schema internazionale 10/20 (fig. 2).

Questi captano i segnali provenienti dallo scalpo (in termini di potenza parliamo di 20-100 µV) misurando la differenza di potenziale fra i segnali catturati, e i segnali provenienti da alcuni elettrodi detti di “riferimento”.

In seguito quest’ultimi vengono amplificati e passati al convertitore A\D che li invia in forma digitale al registratore (tipicamente un PC).

Sarà il PC ad occuparsi del filtraggio e dell’elaborazione mediante appositi algoritmi.

Il vantaggio principale derivante dall’utilizzo dell’EEG sta nella sua elevata risoluzione temporale, esso infatti è in grado di percepire qualsiasi variazione di potenziale (in gergo “sparo”) nel giro di pochi ms. Di contro però la risoluzione spaziale è bassissima ed è limitata alla sola posizione dell’elettrodo che ha percepito il segnale (1).

L’EEG cattura tutta una vasta gamma di segnali cerebrali che possono essere classificati in base alla loro frequenza in:

Onde Delta Δ (range di frequenza <4 Hz) Onde Theta θ (range di frequenza 4 - 8 Hz) Onde Alpha α (range di frequenza 8 - 12 Hz) Onde Beta β (range di frequenza 12 - 30 Hz) Onde Gamma γ (range di frequenza 30 - 100 Hz)

2.4 MEG

L’MEG (magnetoencefalografia) è una tecnica non invasiva di imaging che registra l’attività rilevando i campi magnetici prodotti dai segnali elettrochimici dei neuroni. Ha un elevata risoluzione sia temporale che spaziale, ma ha lo svantaggio di non essere molto pratica in quanto sono necessarie apparecchiature voluminose e speciali camere schermate magneticamente (1).

Figura 2 - Schema internazione 10/20

7

2.5 EcoG

L’EcoG (elettrocorticogramma) è una tecnica di registrazione dell’attività cerebrale invasiva, essa prevede l’apposizione sulla corteccia cerebrale di una serie di elettrodi. Rispetto alle due tecniche viste in precedenza ha una risoluzione spaziale e temporale migliore, inoltre il segnale catturato è privo di artefatti (disturbi). È richiesto però un intervento chirurgico e non è stata mai sperimentata sull’uomo (test eseguiti su scimmie) (1).

2.6 Intracortical Neuron Recording

Come suggerito dal nome questa tecnica prevede di registrare l’attività neuronale attraverso l’inserimento di elettrodi direttamente all’interno dello scalpo e, precisamente, all’interno della materia grigia.

Anche questa, come la precedente, ha un’ottima risoluzione temporale e spaziale ed anche questa richiede per l’impianto un intervento chirurgico con le relative complicazioni del caso (1).

2.7 fMRI

L’fMRI (functional Magnetic Resonance Imaging) è un metodo non invasivo di registrazione delle attività cerebrali, in grado di catturare le variazioni del flusso sanguigno nel cervello e i relativi livelli di ossigenazione.

Il maggiore afflusso di sangue ad un specifica area indica un coinvolgimento di quest’ultima nell’esecuzione di un task (compito, funzione).

Purtroppo però questa tecnica ha una scarsa risoluzione temporale in quanto i dati raccolti richiedono una lunga elaborazione prima di essere disponibili e quindi è pressoché inutilizzato nello sviluppo delle BCI (1).

Figura 3 - Tabella riassuntiva tecniche neuroimaging

8

3 – BCI

3.1 Cos’è una BCI

Una BCI è un dispositivo costruito per interpretare le intenzioni di un utente attraverso l’analisi delle sue attività cerebrali. Ad oggi della moltitudine dei segnali catturati dal cervello ne comprendiamo solo una minima parte. Di questa minima parte ne conosciamo l’origine fisiologia e, grazie a numerosi studi, siamo in grado di poterli comprendere e sfruttare per i nostri scopi, ovvero cogliere la volontà dell’utente.

Le BCI possono essere divise in:

esogene - endogene sincrone - asincrone.

Questa suddivisione è fatta in base ai tipi di segnali che vengono catturati: i segnali esogeni sono segnali indotti da stimoli esterni, fanno parte di questa categoria i VEP (Visual Evoked Potential) e i P300. I segnali endogeni sono invece naturalmente presenti nel cervello, fanno parte di questi gli SCP e i Sensorymotor rhythms.

Generalmente le BCI basate su segnali esogeni non richiedono una fase di training molto lunga e possono essere facilmente adattate e messe a punto. Al contrario quelle basate su segnali endogeni richiedono una fase di training che può durare anche alcune settimane, esse infatti necessitano di un riadattamento di segnali già presenti.

Il vantaggio delle BCI endogene sta nel fatto che l’utente può adoperare il dispositivo quando vuole senza la necessaria supervisione di un tecnico e senza l’induzione di uno stimolo artificiale. Queste caratteristiche risultano molto importanti in soggetti in avanzato stato vegetativo i quali non possono in alcun modo interagire con l’ambiente che li circonda.

L’altra suddivisione che abbiamo fatto è quella relativa alla sincronia o asincronia delle BCI. Questa suddivisione deriva dalla modalità con la quale il dispositivo riceve le informazioni in input e come esse vengono processate.

Nella modalità sincrona la BCI analizza il segnale cerebrale in specifiche finestre temporali, qualsiasi segnale catturato al di fuori di esse è ignorato. In quella asincrona invece il segnale viene analizzato continuamente, non importa cosa l’utente faccia. Quest’ultimo approccio risulta essere molto più naturale (1).

9

3.2 VEP BCI

I VEP sono particolari segnali EEG generati in risposta a uno stimolo visivo (da cui Visual Evoked Potentials) utilizzati per determinare il movimento oculare. Un primo esperimento su BCI che utilizza i VEP risale al 1970 quando Jacques Vidal creò una “Brain Computer Interface” (fu lui a coniare il termine) capace di catturare i segnali provenienti dalla corteccia visiva e utilizzarli per spostare un cursore su uno schermo. Merita menzione un ulteriore esperimento compiuto da Sutter il quale sviluppo una BCI capace di selezionare uno specifico simbolo da un griglia di 8x8 simboli (3).

3.3 P300 BCI

“I segnali P300 sono picchi positivi nell’EEG dovuti a uno stimolo esterno non frequente” (1). Com’è facile intuire dal nome, questo segnale viene rilevato dopo circa 300 ms dalla presentazione dello stimolo, e non è necessaria alcuna fase di training per scatenarlo. Donchin è stato il primo ad averlo utilizzato per lo sviluppo di una BCI che funziona così:

“viene mostrata all’utente una matrice 6x6 di lettere, numeri o altri simboli; ogni 125 ms una colonna o una riga a caso si illuminano. L’utente conta quante volte la colonna o la riga, contenenti il simbolo prescelto, si sono illuminate e ciò consente di scatenare un segnale P300 il quale viene catturato ed elaborato.

Al termine la BCI incrocia i risultati dei segnali P300 per le righe e quelli per le colonne e seleziona il simbolo corrispondente.”

La BCI di Donchin ha mostrato buoni risultati nel riconoscimento della volontà dei pazienti, con un numero di parole individuate per minuto pari a due.

Ulteriori studi (4) hanno dimostrato come l’accuratezza del riconoscimento di una lettera sia fortemente correlata con lo sguardo. Infatti ricreando la BCI di Donchin, con una piccola modifica, si è potuto notare come nel caso in cui lo sguardo fosse diretto sulla lettera selezionata allora la BCI mostrava le solite prestazioni, mentre nel caso in cui agli utenti venisse chiesto di non fissare il simbolo prescelto, vi era un netto decremento della capacità di riconoscimento del dispositivo.

Figura 4 - Prestazioni BCI Brunner

10

3.4 Sensorimotor Rhythms Based BCI

I ritmi sensomotori, catturati anch’essi tramite EEG, comprendono le onde α e β la cui banda di oscillazione, ricordiamo, è rispettivamente 8-12 Hz e 12-30 Hz. Questi ritmi sono associati a qualsiasi movimento e la loro ampiezza dipende dall’attività cerebrale.

Essi vengono adoperati in alcune BCI in quanto sono volontariamente generati dall’utente anche solo con l’immaginazione del moto di un arto. Hanno origine nella corteccia motoria e funzionano così:

Un movimento o la preparazione allo svolgimento di un movimento sono accompagnate da una diminuzione della frequenza delle onde α e β nella zona contro laterale rispetto al movimento. Questo processo è chiamato ERD (Event Related Desynchronization). In seguito, con il rilassamento, si ha invece un aumento dell’ampiezza delle onde chiamata ERS (Event Related Synchronization).

Per la loro caratteristica di essere presenti anche in caso di immaginazione di moto, essi sono stati oggetto di studi nell’ambito dello sviluppo delle BCI. Eccone alcune:

Wadsworth BCI: Walpaw e McFarland descrivono un dispositivo con cui persone affette da disabilità motorie possono imparare a controllare i ritmi α e β e usare tale abilità per muovere un cursore verso un target mostrato su uno schermo. L’utente può aumentare o diminuire a piacimento l’ampiezza di un ritmo in una certa banda per muovere il cursore verso l’alto o verso il basso.

The Graz BCI (5) : “ basata su ERD e ERS dei ritmi α e β. La ricerca si focalizza sul riconoscimento delle caratteristiche dell’EEG associate all’atto di immaginare un movimento. Si costruisce così un classificatore che associa le onde EEG a specifici task come ad esempio muovere un cursore su uno schermo. Dopo 6 – 7 sessioni di training sono state raggiunte percentuali di successo del 90% “ (6).

IDIAP BCI: Questa BCI si propone di controllare un robot, nello specifico una sedia a rotelle. “Due soggetti hanno imparato a controllare il robot facendolo muovere in 3 o 4 stanze nell’ordine da loro scelto. L’elemento chiave per il successo di questa BCI è stata la cooperazione fra l’intelligenza artificiale – deputata a compiere i comandi di basso livello (ad es. controllo della velocità o rilevazione ostacoli) – “ e l’utente umano” – che impartisce comandi di alto livello (ad es. scelta della direzione). Questa BCI è di tipo asincrono e l’utente può impartire comandi ad essa quando vuole (3). Grazie a questa forma di controllo condiviso è possibile costruire dispositivi in grado di compiere azioni modestamente complesse, dove l’utente comunica cosa fare e il come farlo è totalmente demandato all’IA.

11

4 - BCI ed ErrP

4.1 Cos’è il segnale ErrP

Il segnale ErrP (Error Related Potential) è un segnale osservato nel tracciato EEG a seguito dell’occorrenza di un errore.

Tipicamente esso viene registrato nei casi in cui un utente, posto davanti a una scelta da compiere il più velocemente possibile, sbaglia. Un esempio può essere quello di “utilizzare un arto piuttosto che un altro per premere un bottone”. Un meccanismo di autocorrezione si attiva nel cervello immediatamente dopo lo svolgimento dell’azione. Esso sembra legato a una forma di consolidamento della fase di apprendimento (7).

Grazie a una tecnica di neuroimaging innovativa, detta Low Resolution electomagnetic tomography (sLoreta), e all’analisi di numerosi tracciati EEG si è riusciti a determinare l’origine dell’ErrP. Questo sembra essere legato ad attività nell’area motoria presupplementare (area di Brodmann 6) e nella corteccia anteriore cingolata (ACC).

Figura 5 - Localizzazione dell' ErrP immagine ottenuta da sLORETA

12

Sono stati individuati, per ora, tre tipi di segnali ErrP che si differenziano in base al tipo di stimolo che li genera:

1. Response ErrP: si presenta a seguito di errori nello svolgimento rapido di un task (≈ 100ms)

2. Feedback ErrP: si presenta durante la fase di comprensione ed apprendimento (≈250ms) 3. Observation ErrP: è dovuto all’osservazione di un azione errata compiuta da un altro

(≈250ms)

Vediamo ora come si presenta l’ErrP nel tracciato EEG e le sue caratteristiche.

Questo è costituito da una flessione negativa del tracciato seguita da una positiva. La flessione negativa occorre dopo 50-100 ms dall’evento scatenante, ed è chiamata ERN o Ne (Error Negativity), e sembra associata ad un processo di analisi preliminare, studi evidenziano la presenza di Ne anche in task non errati. Il picco positivo che si presenta dopo circa 200 ms, è chiamato Pe (Error Positivity). Quest’ultimo sembra sia associato invece ad una fase di analisi delle azioni più complessa che interessa la parte conscia piuttosto che quella inconscia. (vd

fig. 6)

4.2 BCI con ErrP

“Rispetto alle altre modalità di interazione, la caratteristica del canale comunicativo cerebrale è che questo oltre a trasmettere le informazioni circa il controllo delle BCI, trasmette anche delle informazioni circa lo stato cognitivo dell’utente le quali risultano importanti per una corretta interazione. Uno di questi stati cognitivi trasmessi è la “preparazione a un possibile errore di riconoscimento da parte della BCI”, ebbene abbiamo sfruttato questo stato per migliorare le performance delle nostre BCI” (8).

È così che Josè Del R. Millàn introduce l’idea di adoperare l’ErrP all’interno delle BCI quale feedback all’azione che il dispositivo si appresta ad intraprendere o che ha già intrapreso.

Figura 6 - ErrP

13

L’utilizzo di tale segnale ha portato a un miglioramento delle prestazioni che và da un minimo del 75% ad un massimo del 90%.

Vediamo dunque alcuni degli esperimenti condotti dal gruppo di ricerca dell’IDIAP:

Progress Bar

In questo esperimento i ricercatori dimostrano l’effettiva presenza del segnale ErrP. Viene costruito un piccolo robot che si muove in una stanza, in una direzione o nell’altra, a seguito della pressione di uno specifico tasto da parte dell’utente. Il tasto deve essere premuto appena vi è il segnale di Start (“GO SIGNAL”), e la macchina comunica all’utente, mediante un feedback su schermo, l’avvento riconoscimento della pressione di un tasto piuttosto che un altro (i tasti sono due posti uno a sinistra e uno a destra). È stato introdotto un tasso di errore nel riconoscimento del 20% e sono stati analizzati i tracciati EEG, quando avviene un errore di riconoscimento da parte della macchina.

I tracciati, come si vede nella fig. 7, evidenziano l’occorrenza nell’EEG, dopo ≈ 250 ms, di un picco Ne seguito da un picco Pe e un ulteriore picco negativo, fin ora mai osservato.

La presenza di quest’ultimo picco negativo evidenza come l’ErrP sia in realtà il frutto di un processo cognitivo complesso che coinvolge sia la parte inconscia (picco veloce dopo 100 ms) sia quella conscia.

Figura 7 - Tracciato EEG a seguito di un errore

Picco sconosciuto

14

Ci si potrebbe dunque chiedere se l’ErrP non sia altro che una “specie” di segnale P300. Ebbene per evitare confusione ulteriori esperimenti sono stato compiuti, come ad esempio il protocollo “Moving Cursor”, nel quale, essenzialmente, viene aumentata la frequenza degli errori compiuti dal dispositivo (dal 20% al 50%) in modo che l’occorrenza di un errore non si presenti più occasionalmente all’utente, ma anzi sia piuttosto frequente (una volta su due).

Poiché, come abbiamo già detto, il segnale P300 si presenta solo a seguito di uno stimolo insolito, l’aumento della frequenza di errore ci assicura una certa indipendenza dal suddetto stimolo che dunque non dovrebbe verificarsi (9).

4.3 Integrazione dell’ErrP nelle BCI

Dimostrata la presenza dell’ErrP, è stato utilizzato per migliorare le prestazioni di alcune delle BCI che abbiamo già visto.

La BCI “migliorata” è l’ IDIAP BCI, basata su segnali sensomotori generati immaginando un movimento. L’esperimento è compiuto utilizzando sei soggetti sani, la principale modifica apportata al sistema è stata quella di introdurre un ritardo nell’esecuzione dei comandi, ritardo necessario per analizzare l’eventuale ErrP.

Si è osservato che all’aumentare della complessità dei task svolti dai soggetti corrisponde un aumento del tempo necessario per la presentazione del segnale ErrP.

Ebbene il risultato è stato un notevole aumento nel numero di comandi riconosciuti con successo dalla BCI, com’è possibile notare dalla tabella riassuntiva in basso (fig. 8 ), nella quale è mostrata una comparazione fra una BCI senza ErrP e una BCI con ErrP, la differenza è notevole.

Inoltre anche il bitrate (numero di comandi riconosciuti per minuto) ne ha tratto un notevole beneficio aumentando persino del 124% (9).

Figura 8 - Tabella Comparativa BCI senza ErrP e con ErrP

15

4.4 ErrP sviluppi futuri

Gli ErrP aprono le porte a BCI sempre più accurate in grado in alcuni casi persino di autocorreggersi, e aumentare così il feeling col paziente. La strada che si sta percorrendo è quella di integrare tutti questi sviluppi soprattutto nella fase di training, quella cioè durante la quale avviene la costruzione del cosiddetto classificatore che è l’elemento chiave di una BCI. È quest’ultimo infatti, mediante associazioni statistiche, a identificare un comando piuttosto che un altro dal semplice tracciato EEG.

Gli ErrP quindi consentiranno la messa a punto di nuovi algoritmi, capaci di discriminare meglio i segnali P300 o le onde α e β scegliendo le features migliori dai canali EEG. L’algoritmo genetico ne è un esempio, esso seleziona il “cromosoma” (set di EEG features) che meglio si adatta alle esigenze della BCI.

16

5 - Conclusioni

Le BCI sono strumento relativamente innovativo che consente ai cosiddetti pazienti “locked in” una forma di interazione con l’ambiente esterno. Dico relativamente perché ormai esse esistono da più di vent’anni, e ne esistono di svariati tipi, tanti quante sono le tecniche di neuroimaging ad ora disponibili. Tuttavia una vera rivoluzione in questi anni non c’è mai stata, nonostante gli annunci sensazionalistici dei giornali. Esse comunque si sono evolute, grazie agli sviluppi tecnologici, e ad oggi con strumenti piuttosto semplici consentono di ottenere ottimi risultati in termini di complessità delle operazioni svolte.

Consideriamo ora le BCI basate su segnale ErrP e facciamo alcune considerazioni:

Esse, rispetto a quelle tradizionali, hanno visto un netto miglioramento in termini di prestazioni, e tale miglioramento è frutto della sola scoperta di un nuovo segnale, l’ErrP appunto, il quale consente di avere un feedback rispetto ai comandi catturati dalla macchina. Ma le BCI restano sostanzialmente le stesse di qualche anno fa (IDIAP,Donchin,…), l’innovazione sta nell’utilizzo di una nuova feature, ma questo tipo di innovazioni può scaturire solo da una miglior comprensione dei meccanismi che regolano l’attività cerebrale, e quest’ultima da uno sviluppo degli strumenti diagnostici.

Per fare un esempio, supponiamo di voler ingrandire un oggetto e di usare perciò un microscopio, ovviamente più esso sarà potente e maggiori saranno i dettagli che si potranno osservare, finanche ad osservare la natura molecolare dell’oggetto.

Ebbene ad oggi disponiamo di un “microscopio” (L’EEG e simili) non molto potente, che ci fornisce delle informazioni approssimative sull’attività cerebrale. E più queste informazioni sono approssimative più difficile è comprenderle, interpretarle ed utilizzarle per i nostri scopi. Quello di usare l’ErrP è dunque un espediente, un trucco, per migliorare la capacità delle BCI di “capire” la mente. C’è da chiedersi dunque, esistono altri “ErrP” che ci possano aiutare? E se esistono, le attuali tecniche di neuroimaging sono in grado di rilevarli?

Il limite delle BCI quindi non è rappresentato tanto dalla possibilità di avere strumenti tecnologici sempre più importanti, ma piuttosto dalla pochezza delle informazioni ad oggi disponibili circa il funzionamento di un organo così complesso come il cervello.

In conclusione, in futuro certamente questi dispositivi apriranno la strada a nuovi interessanti scenari, si prospetta addirittura un applicazione anche in ambito ludico e non solo medico-riabilitativo, ma certamente la strada è ancora lunga e questo sembra un futuro remoto più che un futuro prossimo.

17

Bibliografia 1. Sensors. Nicolas-Alonso, Luis Fernando e Gomez-Gil, Jaime.

2. Germann, Cindy L. Stanfield. William J. Fisiologia.

3. Brain-computer interfaces for communication and control. R. Wolpaw, Jonathan, et al.

4. Brunner et al., 2010.

5. Pfrutscheller et al., 2000.

6. BRAIN COMPUTER INTERFACE BASATA SU P300: STATO DELL’ARTE E SVILUPPO DI UN NUOVO SISTEMA DI ANALISI SINGLE TRIAL. Cinetto, Andrea. Padova : UNIVERSITA’ DEGLI STUDI DI PADOVA, 2010.

7. Halroyd et al., 2003, Lu et al., 2003.

8. NON-INVASIVE BRAIN-MACHINE INTERACTION. DEL R. MILL´AN, JOS´E, et al.

9. Error-Related EEG Potentials in Brain-Computer Interfaces. Ferrez, Pierre. s.l. : ÉCOLE POLYTECHNIQUE FÉDÉRALE DE LAUSANNE.