All
 
|
 
 


Brain-computer interface: basic approaches. Part I. Interface based on registration of brain electrical activity
 
PIIS020595920017071-4-1
DOI10.31857/S020595920017071-4
Publication type Article
Status Published
Authors
A. A. Medyntsev 
Occupation: Researcher
Affiliation: Institute of Psychology, Russian Academy of Sciences
Address: Russian Federation, Moscow
Journal namePsikhologicheskii zhurnal
EditionVolume 43 Issue 1
Pages72-82
Abstract

An informative and analytical review of the basic principles underlying the development of brain-computer interfaces is presented. Analysis of principles underlying interfaces using brain electrical activity recording is made in the first part of the review. As such, the following principles are considered: the use of sustained visual evoked potentials, slow cortical potentials, the P300 component, and the characteristics of the electrical activity spectrum of the brain. An analysis of contemporary works on this subject shows that modern technology allows for a sufficiently high accuracy of control signal recognition in such interfaces. However, the main problem is the slow (compared to traditional interfaces) speed of command generation. This problem is a serious obstacle in the way of introduction of non-invasive neuro-interfaces technology into the field of practical application.

Keywordsbrain-computer interface, EEG, P300, slow cortical potentials
AcknowledgmentThe work was carried out under Government Order No. 0138-2020-0005.
Publication date01.03.2022
Number of characters28051
Cite   Download pdf To download PDF you should sign in
100 rub.
When subscribing to an article or issue, the user can download PDF, evaluate the publication or contact the author. Need to register.

Table of contents

1. ИМК, ОСНОВАННЫЙ НА РЕГИСТРАЦИИ ЭЭГ
1.1. УСТОЙЧИВЫЕ ЗРИТЕЛЬНЫЕ ВЫЗВАННЫЕ ПОТЕНЦИАЛЫ
1.2. МЕДЛЕННЫЕ ПОТЕНЦИАЛЫ КОРЫ
1.3. СВЯЗАННЫЙ С СОБЫТИЕМ ПОТЕНЦИАЛ P300 (P3B)
1.4. СПЕКТРАЛЬНЫЕ ХАРАКТЕРИСТИКИ ЭЭГ
ЗАКЛЮЧЕНИЕ
1 Большинство современных исследований, проводимых в психологии и нейронауках, имеют сугубо научные цели, направленные на приумножение фундаментального научного знания и относительно далеки от практического применения их результатов. Ежегодно в отечественных и зарубежных журналах публикуются десятки статей, посвященных фундаментальным темам: исследованию памяти и внимания, принятия решений, процессов решения задач и проблем и т.п. Вместе с тем, среди множества этих тем есть одна, которая, с одной стороны, порождает немалое количество публикаций, а с другой — обладает сугубо практической направленностью. Речь идет о разработке технологии взаимодействия между человеком и компьютерным устройством без прямого физического контакта — созданию интерфейсов “мозг–компьютер” (ИМК).
2 Естественным является вопрос о том, на каком этапе своего развития находится технология ИМК. Часто для оценки развития новой технологии используется концепция “цикла шумихи” (Hype cycle), предложенная компанией Gartner [11]. Согласно этой концепции любая технология (с момента своего появления до интеграции в повседневную жизнь) проходит пять стадий:
3 - появление первых публикаций о новой технологии;
4 - пика чрезмерных ожиданий, когда технология становится популярной и люди ждут от нее слишком многого;
5 - периода “избавления от иллюзий”, когда выявляются недостатки новой технологии и в обществе наблюдается некое разочарование и даже отказ от дальнейшей работы с ней;
6 - стадия преодоления недостатков, когда интерес к технологии возвращается и технология начинает постепенно внедряться в коммерческих проектах.
7 -последняя стадия, когда общество наконец адекватно оценивает плюсы и минусы новой технологии, и она прочно занимает свою нишу в жизни общества, получила название “плато продуктивности” [11].
8 Ответ на вопрос о том, на какой же из стадий находится технология ИМК, не очевиден. Cо времен пионерских публикаций Vidal [33] до появления на рынке коммерческих предложений наподобие продуктов от фирм Emotive (https://www.emotiv.com/) или Neurosky (http://neurosky.com/), ИМК технология прошла большой путь развития. На нем были и чрезмерные ожидания и периоды разочарований. На современном этапе развития потенциал ИМК технологии реализован не полностью. В настоящее время как коммерческий продукт ИМК технология по большей части служит для развлечения и экспериментов отдельных интузиастов-исследователей. Наблюдается эпизодическое применение ИМК в области ухода за пациентами. По данным некоторых авторов количество клиентов у фирм, предлагающих ИМК решения для работы с пациентами, крайне мало (по сравнению с развлекательной индустрией). Можно предположить, что ИМК технология благополучного миновала четыре первые стадии. Однако на “плато продуктивности” она пока что не вышла.

Price publication: 0

Number of purchasers: 0, views: 531

Readers community rating: votes 0 

1. Akbari H.,Khalighinejad B., Herrero J., Mehta A., Mesgarani N. Towards reconstructing intelligible speech from the human auditory cortex // Sci rep. 2019. 9 (1). P. 1–12. doi: 10.1038/s41598-018-37359-z.
2. Allison T. Recovery functions of somatosensory evoked responses in man // Electroencephalogr Clin Neurophysiol. 1962. № 14. P. 331–343. doi: 10.1016/0013-4694(62)90110-4.
3. Banerjee, A., Monalisa Р., Datta S., Tibarewala D., Konar A. Voluntary eye movement controlled electrooculogram based multitasking graphical user interface // International Journal of Biomedical Engineering and Technology. 2015. № 18(3). P. 254–271 doi: 10.1504/IJBET.2015.070574.
4. Belkacem A., Jamil N., Palmer J., Ouhbi S., Chen C. Brain computer interfaces for improving the quality of life of older adults and elderly patients // Frontiers in neuroscience, 2020. № 14 (692). P. 1–11. doi: https://doi.org/10.3389/fnins.2020.00692. 
5. Birbaumer N., Elbert T., Canavan A. G., Rockstroh B. Slow potentials of the cerebral cortex and behavior // Physiological Reviews. 1990. 70 (1). P. 1–41. doi:10.1152/physrev.1990.70.1.1.
6. Birbaumer N, Kubler A, Ghanayim N, Hinterberger T, Perelmouter J, Kaiser J, Iversen I, Kotchoubey B, Neumann N, Flor H. The thought translation device (TTD) for completely paralyzed patients // IEEE Trans Rehabil Eng. 2000. № 8. P. 190–192.
7. Chatterjee A., Aggarwal V., Ramos A., Acharya S., Thakor N.V. A brain-computer interface with vibrotactile biofeedback for haptic information // Journal of NeuroEngineering and Rehabilitation // 2007. № 4 (40). P. 1–12 doi:10.1186/1743-0003-4-40.
8. Elbert T., Rockstroh B., Lutzenberger W., Birbaumer N. Biofeedback of slow cortical potentials // Electroencephalography and Clinical Neurophysiology. 1980. № 48(3). P. 293–301. doi:10.1016/0013-4694(80)90265-5.
9. Farwell L., Donchin E. Talking off the top of your head: toward a mental prosthesis utilizing event-related brain potentials // Electroencephalogr Clin Neurophysiol. 1988. № 70(6). P. 510–523. doi: 10.1016/0013-4694(88)90149-6. PMID: 2461285.
10. Fazel-Rezai R. Human error in P300 speller paradigm for brain-computer interface / Annu Int Conf IEEE Eng Med Biol Soc. 2007. P. 2516–2519. doi: 10.1109/IEMBS.2007.4352840.
11. Fenn J., Raskino M. Mastering the hype cycle: how to choose the right innovation at the right time. Harvard Business School Press, 2008.
12. Guger C., Allison B., Growindhager B., Pruckl R., Hintermuller C., Kapeller C., Bruckner M., Krausz G., Edlinger G. How many people could use an SSVEP BCI? // Front Neurosci. 2012. № 6 (169). P.1–6. doi: 10.3389/fnins.2012.00169.
13. Herrmann С. Human EEG responses to 1-100 Hz flicker: resonance phenomena in visual cortex and their potential correlation to cognitive phenomena // Exp. Brain Res. 2001. № 137(3–4). P. 346-53. doi: 10.1007/s002210100682.
14. Hongmei C., Qin J., Wenzhang L., Xiujun L. Review article: the key technologies of brain-computer interface // Journal of Physics: Conference Series. 2020. doi: 10.1088/1742-6596/1544/1/012190.
15. Hotson G., Mcmullen D., Matthew F., Johannes M., Katyal K., Para M., Armiger R., Anderson W., Thakor N., Wester B. Individual finger control of a modular prosthetic limb using high-density electrocorticography in a human subject // Journal of neural engineering, 2016. № 13 (2). doi: 10.1088/1741-2560/13/2/026017.
16. Huggins J., Wren P., Gruis K. What would brain-computer interface users want? Opinions and priorities of potential users with amyotrophic lateral sclerosis // Amyotrophic lateral sclerosis, 2011. № 12 (5). P. 318–324. doi: 10.3109/17482968.2011.572978
17. Hwang H., Lim J., Jung Y., Choi H., Lee S., Iim C. Development of an SSVEP-based BCI spelling system adopting a QWERTY-style LED keyboard // J Neurosci Methods. 2012. № 208(1). P. 59–65. doi: 10.1016/j.jneumeth.2012.04.011.
18. Jacob R. Eye movement-based human-computer interaction techniques: toward non-command interfaces // Advances in human-computer interaction. 1993. Vol. 1. № 4. P. 151–190.
19. Kelly S., Lalor E., Finucane C., Mcdarby G., Reilly R. Visual spatial attention control in an independent brain-computer interface // EEE trans biomed eng. 2005. Vol. 9. № 52. P. 1588–1596. doi: 10.1109/TBME.2005.851510.
20. Kubler A., Neumann N., Kaiser J., Kotchoubey B. Brain-computer communication: self-regulation of slow cortical potentials for verbal communication // Archives of physical medicine and rehabilitation. 2001. Vol. 11. № 82. P. 1533–1539. doi: 10.1053/apmr.2001.26621.
21. Liburkina S., Vasilyev A., Yakovlev L., Gordleeva S., Kaplan A. A motor imagery-based brain–computer interface with vibrotactile stimuli // Neuroscience and behavioral physiology. 2018. Vol. 1. № 48. P. 1067–1077. doi: 10.1007/s11055-018-0669-2.
22. Lim J., Kim Y., Lee J., An K., Hwang H., Cha H., Han C., Im C. An emergency call system for patients in locked-in state using an SSVEP-based brain switch // Psychophysiology. 2017. Vol. 11. № 54. P. 1632–1643. doi: 10.1111/psyp.12916.
23. Lyskov E., Ponomarev V., Sandstrom M., Mild K., Medvedev S. Steady-state visual evoked potentials to computer monitor flicker // Int j psychophysiol. 1998. Vol. 3. № 28. P. 285–290. doi: 10.1016/s0167-8760(97)00074-3.
24. Mcfarland D., Sarnacki W., Wolpaw J. Electroencephalographic (EEG) control of three-dimensional movement // J neural eng. 2010. Vol. 3. № 7. doi: 10.1088/1741-2560/7/3/036007.
25. Mishchenko Y., Kaya M., Ozbay E., Yanar H. Developing a three- to six-state EEG-based brain-computer interface for a virtual robotic manipulator control // IEEE trans biomed eng. 2019. Vol. 4. № 66. P. 977–987. doi: 10.1109/TBME.2018.2865941.
26. Pfurtscheller G., Da Silva L. Event-related EEG/MEG synchronization and desynchronization: basic principles // Clin neurophysiol. 1999. Vol. 11. № 110. P. 1842–1857. doi: 10.1016/s1388-2457(99)00141-8.
27. Pfurtscheller G., Neuper C. Motor imagery activates primary sensorimotor area in humans // Neurosci lett. 1997. Vol. 2. № 239. doi: 10.1016/s0304-3940(97)00889-6
28. Picton T. The P300 wave of the human event-related potential // Journal of clinical neurophysiology: official publication of the American electroencephalographic society. 1992. № 9. P. 456–479. doi: 10.1097/00004691-199210000-00002.
29. Ravden D., Polich J. Habituation of P300 from visual stimuli // Int j psychophysiol. 1998. Vol. 3. № 30. P. 359–365. doi: 10.1016/s0167-8760(98)00039-7.
30. Rodriguez-Bermudez G., Lopez-Belchi A., Girault A. Testing brain–computer interfaces with airplane pilots under new motor imagery tasks // International journal of computational intelligence systems. 2019. P. 1–10. doi: 10.1016/s0167-8760(98)00039-7.
31. Schalk G., Leuthardt E. Brain-computer interfaces using electrocorticographic signals // IЕЕЕ reviews in biomedical engineering. 2011. № 4. P. 140–154. doi: 10.1109/RBME.2011.2172408.
32. Speier W., Chandravadia N., Roberts D., Pendekanti S., Pouratian N. Online BCI typing using language model classifiers by ALS patients in their homes // Brain-computer interfaces. 2016. Vol. 1. № 4. P. 114–121. doi: 10.1080/2326263x.2016.1252143.
33. Vidal J. Real-time detection of brain events in EEG // Proceedings of the IEEE. 1977. Vol. 5. № 65. P. 633–641. doi: 10.1109/PROC.1977.10542.
34. Walter W., Cooper R., Aldrige V., Mccallum W., Wintter A. Contingent negative variation: an electric sign of sensorimotor association and expectancy in the human brain // Nature. 1964. Vol. 203. № 25. P. 380–384. doi: 10.1038/203380a0.
35. Wolpaw J., Birbaumer N., Mcfarland D., Pfurtscheller G., Vaughan T. Brain–computer interfaces for communication and control // Clinical neurophysiology. 2002. Vol. 6. № 113. P. 767–791. doi: 10.1016/s1388-2457(02)00057-3.
36. Wolpaw J., Mcfarland D., Vaughan T. Brain–computer interface research at the Wadsworth Center // IEEE trans rehabil eng. 2000. Vol. 2. № 8. P. 222–225. doi: 10.1109/86.847823.
37. Woodman G. A brief introduction to the use of event-related potentials in studies of perception and attention // Atten percept psychophys. 2010. Vol. 8. № 72. P. 2031–2046. doi: 10.3758/APP.72.8.2031.
38. Wronka E., Kaiser J., Coenen A. Neural generators of the auditory evoked potential components P3a and P3b // Acta neurobiol exp (wars). 2012. Vol. 1. № 72. P. 51–64.
39. Yi W., Qiu S., Qi H., Zhang L., Wan B., Ming D. EEG feature comparison and classification of simple and compound limb motor imagery // Journal of neuroengineering and rehabilitation. 2013. Vol. 1. № 10. doi: 10.1186/1743-0003-10-106.
40. Yu X., Da Silva-Sauer L., Donchin E. Habituation of P300 in the use of P300-based brain-computer interface spellers: individuals with amyotrophic lateral sclerosis versus age-matched controls // Clinical EEG and neuroscience. 2020. Vol. 3. № 52. P. 221–230. doi: 10.1177/1550059420918755
41. Zander T., Kothe C. Towards passive brain-computer interfaces: applying brain-computer interface technology to human-machine systems in general // J neural eng. 2011. Vol. 2. № 8. doi: 10.1088/1741-2560/8/2/025005.
42. Zhu D., Bieger J., Molina G., Aarts R. A survey of stimulation methods used in SSVEP-based BCIs // Computational intelligence and neuroscience. 2010. № 1. P. 1–12. doi: 10.1155/2010/702357.

Система Orphus

Loading...
Up