Studio applicabilità di un sistema BCI basato su segnali EEG per il riconoscimento dei movimenti immaginati

I sistemi Brain-Computer Interface (BCI) interpretano l'attività neurale di un soggetto attraverso un calcolatore che la traduce in un output digitale. Ad oggi, la comunità scientifica riconosce alle BCIs un grande potenziale nel campo della riabilitazione e delle tecnologie assistive, quali dispositivi di comunicazione per pazienti con sindrome locked-in o sistemi di controllo di uno stimolatore elettrico applicato ad un arto paretico. Nonostante siano oggetto di studio da parte di numerosi gruppi di ricerca, le BCIs trovano uno spazio ridotto nelle applicazioni cliniche, poiché sistemi non invasivi e di semplice utilizzo difficilmente riescono ad ottenere performance accettabili. Scopo di questo studio è investigare la possibilità di implementare un sistema Brain-Computer Interface asincrono, ovvero che classifichi l’attività neurale dell’utente in qualsiasi momento questi lo richieda, e soggetto-indipendente, ossia in grado di essere utilizzato da un nuovo utente senza richiedere una fase di calibrazione. A differenza delle BCIs sincrone e soggetto-specifiche, quelle maggiormente implementate, il sistema in oggetto garantirebbe un utilizzo immediato e aumenterebbe l’indipendenza dell’utente, con evidenti vantaggi ad esempio nel caso di una tecnologia assistiva di uso quotidiano. Per effettuare questo studio è stato utilizzato il dataset 1 della BCI Competition IV, contenente il segnale elettroencefalografico (EEG) prelevato per mezzo di un caschetto a 59 elettrodi da quattro soggetti sani, i quali eseguivano una serie di esercizi di immaginazione del movimento (Motor Imagery). Al fine di definire un modello in grado di discriminare il segnale prelevato in fase di riposo da quello prelevato durante il Motor Imagery, si è eseguito uno studio strutturato in cui sono state valutate diverse combinazioni di elaborazione del segnale (scelta delle epoche), tecniche di estrazione dei parametri (CSP, FBCSP e analisi tempo-frequenza) e tipi di classificatore (LDA e SVM). Si sono quindi applicate le combinazioni ottenute a segnali di test e di validazione, questi ultimi ottenuti da una sessione di registrazione di EEG differente. I risultati hanno dimostrato l’efficacia di alcuni modelli (con accuratezze sopra al 70%) per i segnali di test, mentre i risultati sui segnali di validazione si sono rivelati insufficienti. In seguito allo studio dei risultati ottenuti si è scelto di valutare la variabilità inter-soggetto dei segnali a disposizione e la possibilità di generalizzare il modello, effettuando una nuova calibrazione dell'algoritmo con i migliori parametri ricavati in precedenza dal set di test e utilizzando una cross-validazione per determinare le prestazioni dell'algoritmo su un soggetto non utilizzato in fase di calibrazione. I risultati hanno messo in risalto una spiccata variabilità del segnale EEG inter-sessione ed inter-soggetto per cui ritiene necessario uno studio su un database più ampio, al fine di investigare la possibilità di realizzare un algoritmo asincrono e soggetto-indipendente con prestazioni migliori. Al termine di questo studio si sono quindi poste le basi di un protocollo sperimentale volto ad acquisire segnali di Motor Imagery su una popolazione sufficientemente estesa da poter ottimizzare un algoritmo asincrono e soggetto-indipendente. Questo sviluppo futuro è volto a superare la variabilità inter-soggetto e ad aumentare l’indipendenza dell’utente, avvicinandosi a un'idea di BCI più adatta ad un utilizzo clinico.