Интерфейс Мозг-Компьютер: Полностью Автономная Система SSVEP

Автор: Денис Аветисян

Новая платформа обеспечивает высокоточную и оперативно работающую связь с мозгом без использования внешних вычислительных ресурсов.

Пока крипто-инвесторы ловят иксы и ликвидации, мы тут скучно изучаем отчетность и ждем дивиденды. Если тебе близка эта скука, добро пожаловать.

Купить акции "голубых фишек"

Платформа EdgeSSVEP представляет собой автономную систему для сбора и классификации ЭЭГ-сигналов непосредственно на микроконтроллере, обеспечивая работу в реальном времени без необходимости подключения к внешнему ПК и предлагая возможность потоковой передачи данных через Lab Streaming Layer для интеграции со стандартным программным обеспечением интерфейсов «мозг-компьютер».

Разработана полностью встроенная система SSVEP для маломощных приложений реального времени, использующая анализ канонической корреляции.

Несмотря на значительный прогресс в области интерфейсов мозг-компьютер (ИМК), их широкое внедрение часто сдерживается громоздким и энергоемким оборудованием. В данной работе, представленной в статье ‘EdgeSSVEP: A Fully Embedded SSVEP BCI Platform for Low-Power Real-Time Applications’, описывается полностью встроенная платформа ИМК, использующая потенциалы, вызванные устойчивыми зрительными стимулами (SSVEP), способная к обработке ЭЭГ, фильтрации и классификации непосредственно на микроконтроллере с низким энергопотреблением. Достигнута высокая точность классификации (99.17%) и скорость передачи информации (27.33 бит/мин) в реальном времени, устраняя зависимость от внешних вычислительных ресурсов. Возможно ли дальнейшее масштабирование подобных энергоэффективных систем для создания надежных и доступных ИМК для широкого круга приложений, включая нейрореабилитацию и вспомогательные коммуникации?

Раскрытие Намерения: Обещание Управления на Основе SSVEP

Традиционные интерфейсы мозг-компьютер зачастую требуют инвазивных процедур, таких как имплантация электродов непосредственно в мозг, что связано с риском осложнений и ограничивает их применение в клинической практике и повседневной жизни. Альтернативные подходы, основанные на анализе электроэнцефалограммы (ЭЭГ), хоть и не требуют хирургического вмешательства, сталкиваются с проблемой высокой сложности обработки сигнала, обусловленной низким разрешением и подверженностью помехам. Необходимость в сложных алгоритмах фильтрации и выделения полезной информации значительно увеличивает вычислительную нагрузку и энергопотребление, что препятствует созданию компактных и удобных устройств для широкого круга пользователей. В результате, потенциал технологии в областях реабилитации, управления протезами и расширения человеческих возможностей остается нереализованным из-за практических сложностей, связанных с внедрением.

Парадигма устойчивых вызванных потенциалов (SSVEP) представляет собой неинвазивный метод декодирования намерений пользователя, основанный на использовании естественной реакции мозга на визуальную стимуляцию. В основе этого подхода лежит тот факт, что при фокусировке внимания на мерцающем стимуле в определенной частоте, в коре головного мозга возникает электрическая активность, синхронизированная с этой частотой. Зарегистрировав эту активность с помощью электроэнцефалографии (ЭЭГ), можно определить, на какой частоте мерцания пользователь сосредоточил своё внимание, тем самым определяя его намерение. В отличие от инвазивных интерфейсов «мозг-компьютер», SSVEP не требует хирургического вмешательства, что делает его потенциально доступным для широкого круга пользователей и приложений, включая управление протезами, взаимодействие с виртуальной реальностью и помощь людям с ограниченными возможностями.

Несмотря на перспективность интерфейсов «мозг-компьютер», основанных на стабильных вызванных потенциалах (SSVEP), их практическое внедрение в мобильные и носимые устройства сталкивается с серьезными трудностями. Достижение одновременно высокой точности распознавания намерений пользователя и минимального энергопотребления остается сложной задачей. Существующие системы часто либо требуют значительных вычислительных ресурсов, что быстро истощает заряд батареи, либо страдают от низкой надежности в реальных условиях, когда визуальные стимулы могут быть зашумлены или пользователь испытывает усталость. Разработка алгоритмов, способных эффективно фильтровать помехи и оптимизировать потребление энергии без ущерба для точности, является ключевым направлением современных исследований в этой области, что позволит создать действительно удобные и доступные устройства управления для широкого круга пользователей.

Реализованная система БКИ на основе SSVEP, включающая в себя сбор данных с ЭЭГ, фильтрацию, анализ методом канонической корреляции (CCA) и отображение результатов на планшете в реальном времени посредством выделения целевого стимула, позволяет пользователю взаимодействовать с устройством посредством визуальных сигналов.

Системная Архитектура: Интегрированное Решение с Низким Энергопотреблением

В основе системы лежит микроконтроллер ESP32-S3, выбранный благодаря оптимальному сочетанию вычислительной мощности и низкого энергопотребления. ESP32-S3 содержит два ядра Xtensa LX7, работающих на частоте до 240 МГц, что обеспечивает достаточную производительность для обработки многоканальных сигналов ЭЭГ в реальном времени. Режим глубокого сна позволяет снизить потребляемую мощность до нескольких микроампер, что критически важно для портативных и автономных приложений. Встроенный модуль Wi-Fi и Bluetooth позволяют осуществлять беспроводную передачу данных и управление системой.

Для сбора многоканальных сигналов ЭЭГ используется аналоговый фронтенд ADS1299, обеспечивающий высокое качество захвата данных. Данное устройство представляет собой 8-канальный 24-битный АЦП с низким уровнем шума и высокой скоростью дискретизации, что позволяет регистрировать слабые биоэлектрические сигналы мозга с высокой точностью. ADS1299 также включает в себя встроенные функции для подавления помех, такие как фильтрация сетевых частот и подавление электромиографических артефактов, что способствует повышению надежности получаемых данных. Устройство обеспечивает динамический диапазон до 168 дБ, что позволяет регистрировать как слабые, так и сильные сигналы ЭЭГ.

В системе реализована обработка данных в реальном времени благодаря использованию операционной системы реального времени FreeRTOS. FreeRTOS обеспечивает эффективное управление задачами и ресурсами микроконтроллера ESP32-S3, позволяя одновременно выполнять несколько процессов с предсказуемой временной задержкой. Это достигается за счет приоритетного планирования задач, механизмов синхронизации и управления памятью, оптимизированных для встраиваемых систем с ограниченными ресурсами. Применение FreeRTOS позволяет минимизировать задержки при обработке поступающих сигналов ЭЭГ, что критически важно для приложений, требующих быстрого реагирования и анализа данных в режиме реального времени.

Сравнение временных рядов необработанных ЭЭГ-данных, выходных данных полосно-пропускающего фильтра C с нулевой фазой и причинного полосно-пропускающего фильтра (2-45 Гц) для субъекта S01, канала 1, на первых 500 отсчетах демонстрирует эффективность обработки сигнала.

Декодирование Сигнала: Обработка для Повышения Точности

Для повышения точности декодирования используются фильтры верхних и нижних частот с нулевой фазой. Эти фильтры применяются для удаления шума и артефактов из электроэнцефалографических (ЭЭГ) сигналов, фокусируясь на узких полосах частот, характерных для стабильных визуальных вызванных потенциалов (ССVЭП). Нулевая фаза гарантирует, что сигнал не искажается во временной области, что критически важно для точного определения частоты и фазы ССVЭП. Частотный диапазон фильтров подбирается в соответствии с частотами стимуляции, обычно от 5 Гц до 20 Гц, для максимизации отношения сигнал/шум и повышения надежности декодирования.

В основе алгоритма декодирования используется канонический корреляционный анализ с использованием фильтровальных банков (filter bank CCA). В отличие от традиционного ККА, который оперирует с сигналами в их исходном виде, filter bank CCA применяет набор полосно-пропускающих фильтров к входным данным ЭЭГ. Это позволяет выделить и коррелировать специфические частотные компоненты, соответствующие сигналам SSVEP, в различных частотных диапазонах. Использование фильтровальных банков значительно повышает точность декодирования, особенно в условиях зашумленных данных или при наличии нескольких источников SSVEP, поскольку позволяет более эффективно разделять и анализировать сигналы, улучшая статистическую значимость корреляций между ЭЭГ и стимулами.

Анализ спектральной плотности мощности (PSD) применяется для выявления преобладающих частотных компонентов в сигналах электроэнцефалограммы (ЭЭГ). Этот метод позволяет преобразовать сигнал из временной области в частотную, демонстрируя распределение мощности сигнала по различным частотам. Выделение доминирующих частот является ключевым этапом в процессе декодирования, поскольку позволяет идентифицировать частоты, связанные со стабильными зрительными вызванными потенциалами (SSVEP). Результаты PSD-анализа служат входными данными для последующих алгоритмов декодирования, обеспечивая основу для точного определения намерения пользователя на основе активности мозга. $PSD(f) = \lim_{T \to \in fty} \frac{|X(f)|^2}{T}$ , где $X(f)$ — преобразование Фурье сигнала, а $T$ — продолжительность анализа.

Анализ ЭЭГ в временной и частотной областях показывает различные реакции на стимулы с разными частотами, демонстрируя паттерны, характерные для зрительной стимуляции с устойчивыми вызванными потенциалами (SSVEP).

Результаты и Валидация: Производительность в Реальном Времени с Низким Энергопотреблением

Система продемонстрировала выдающуюся точность декодирования вызванных потенциалов с частотной модуляцией (SSVEP) — в среднем 99.17%. Такой уровень распознавания свидетельствует о высокой эффективности системы в определении намерений пользователя. Данный показатель точности, полученный в ходе испытаний, позволяет утверждать, что система способна надежно интерпретировать сигналы мозга, связанные с визуальным вниманием, и преобразовывать их в конкретные команды. Высокая точность декодирования является ключевым фактором, обеспечивающим плавное и интуитивно понятное управление посредством интерфейса «мозг-компьютер», открывая широкие возможности для применения в различных областях, включая ассистивные технологии и управление устройствами.

Система демонстрирует работу в режиме реального времени с минимальной задержкой, что является ключевым фактором для практического применения. Исследования показали, что время принятия решения, то есть задержка между регистрацией сигнала и выдачей команды, составляет всего 0.48 секунды. Такой показатель позволяет пользователю взаимодействовать с системой практически мгновенно, обеспечивая плавное и естественное управление. Данная характеристика особенно важна для приложений, требующих высокой точности и скорости реакции, например, для управления протезами, роботизированными системами или в игровых интерфейсах.

Разработанная система демонстрирует исключительно низкое энергопотребление, составляющее приблизительно 222 мВт. Этот показатель критически важен для широкого спектра применений, в особенности для мобильных и носимых устройств, где продолжительность работы от батареи является ключевым фактором. Такая энергоэффективность позволяет интегрировать систему в компактные и удобные устройства, не требующие частой подзарядки, что открывает возможности для создания инновационных интерфейсов «человек-компьютер» в сферах реабилитации, ассистивных технологий и повседневного управления устройствами.

Полученный показатель скорости передачи информации, достигающий 27.33 бит в минуту, подтверждает возможность практического применения разработанной системы в различных областях. Этот параметр указывает на то, что система способна достаточно быстро и эффективно передавать команды или данные, необходимые для управления устройствами или взаимодействия с программным обеспечением. Такая скорость позволяет использовать систему не только в лабораторных условиях, но и в реальных сценариях, например, для управления протезами, роботизированными устройствами или в интерфейсах «человек-компьютер», требующих оперативного и надежного взаимодействия. Подобный уровень производительности делает систему конкурентоспособной и перспективной для интеграции в носимые устройства и мобильные приложения.

Характеризация входного шума показала стабильные микровольтные флуктуации по всем восьми каналам при потоковой записи, с гауссовским распределением и средним квадратичным отклонением <span class="katex-eq" data-katex-display="false">\sigma=0.28~\mu V</span> и амплитудой пик-пик в <span class="katex-eq" data-katex-display="false">2.4~\mu V</span>. — Характеризация входного шума показала стабильные микровольтные флуктуации по всем восьми каналам при потоковой записи, с гауссовским распределением и средним квадратичным отклонением $\sigma=0.28~\mu V$ и амплитудой пик-пик в $2.4~\mu V$ .

Перспективы Развития: Расширение Возможностей Управления на Основе SSVEP

В дальнейшем планируется расширение возможностей системы за счет интеграции с другими сенсорами, что позволит создать мультимодальный интерфейс «мозг-компьютер», способный распознавать более широкий спектр команд пользователя. Такой подход предполагает одновременный анализ данных, полученных от различных источников — например, от датчиков движения глаз, электромиографических сигналов или даже от анализа выражения лица. Комбинирование информации из нескольких модальностей значительно повышает надежность и точность распознавания намерений, позволяя пользователю управлять устройствами более интуитивно и эффективно. Перспективным направлением является разработка адаптивных алгоритмов, способных динамически взвешивать вклад каждого сенсора в зависимости от контекста и индивидуальных особенностей пользователя, обеспечивая оптимальную производительность в различных условиях.

Исследования направлены на применение методов машинного обучения для персонализации алгоритмов декодирования в системах управления, основанных на стабильных вызванных потенциалах (SSVEP). Вместо использования универсальных настроек, система сможет адаптироваться к индивидуальным особенностям каждого пользователя, учитывая вариации в физиологических сигналах мозга и паттернах реакции на визуальные стимулы. Это позволит значительно повысить точность и эффективность управления, минимизируя влияние индивидуальных различий и обеспечивая более надежную интерпретацию намерений пользователя. Алгоритмы машинного обучения будут непрерывно оптимизироваться на основе данных, полученных от конкретного пользователя, что обеспечит динамическую адаптацию и улучшение производительности системы с течением времени.

Для обеспечения гибкости и расширяемости системы, исследователи использовали Lab Streaming Layer — программную платформу, предназначенную для стандартизации передачи данных между различными устройствами и приложениями. Это позволяет легко интегрировать систему управления, основанную на SSVEP, с другими сенсорами и устройствами ввода-вывода, создавая мультимодальный интерфейс “мозг-компьютер”. Благодаря стандартизации потоков данных, становится возможным одновременный сбор и синхронизация информации от различных источников, что значительно расширяет спектр возможных команд и приложений, доступных пользователю. Внедрение Lab Streaming Layer упрощает процесс разработки и отладки системы, а также обеспечивает совместимость с существующими платформами и оборудованием, открывая перспективы для создания комплексных решений в области нейротехнологий и реабилитации.

Надёжная передача данных и управление, обеспечиваемые протоколом TCP, открывают широкие перспективы для реализации систем дистанционного контроля и управления. Благодаря стабильному каналу связи, разработанная система может быть интегрирована в различные платформы, позволяя осуществлять управление устройствами и мониторинг параметров на расстоянии. Это особенно важно для приложений, требующих высокой степени надёжности и безопасности передачи данных, таких как роботизированная хирургия, дистанционное управление дронами или мониторинг состояния здоровья пациентов на дому. Использование TCP гарантирует целостность данных и предотвращает потери информации, что критически важно для точности и эффективности управления в реальном времени.

Представленная работа демонстрирует стремление к созданию самодостаточных систем, способных функционировать вне привычной среды вычислительных ресурсов. Эта тенденция к интеграции и автономности не нова; она коренится в понимании, что любая система, независимо от ее сложности, является частью более широкой, динамичной экосистемы. Как однажды заметил Анри Пуанкаре: «Наука не состоит из ряда заключенных в логические формы истин, а в ряде более или менее вероятных гипотез». Подобно тому, как предложенная платформа EdgeSSVEP стремится к обработке данных непосредственно на устройстве, минимизируя задержки и энергопотребление, так и научный поиск требует постоянного пересмотра и адаптации моделей к поступающим данным. Стабильность системы, как и уверенность в научной теории, — это лишь временное состояние, которое поддерживается постоянным взаимодействием с окружающей средой и вероятностным анализом входящих сигналов.

Куда же дальше?

Представленная работа, несомненно, демонстрирует возможность создания полностью встроенной системы, способной к обработке SSVEP-сигналов в реальном времени. Однако, каждый успешный деплой — это лишь отсрочка неизбежного. Система, функционирующая на микроконтроллере, сужает пространство для компромиссов, а значит, любое расширение функциональности — это неизбежное усложнение и, следовательно, предсказание будущих точек отказа. Упор на низкое энергопотребление, разумеется, важен, но он же и диктует жёсткие ограничения на сложность алгоритмов и объём обрабатываемых данных.

Настоящий вызов, кажется, заключается не в оптимизации существующих методов корреляционного анализа, а в поиске принципиально новых подходов к декодированию SSVEP-сигналов, которые будут менее зависимы от вычислительной мощности. Более того, вместо того чтобы стремиться к созданию универсальных систем, возможно, стоит признать, что каждая BCI-система — это уникальная экосистема, адаптированная к конкретному пользователю и конкретной задаче. И тогда документация… кто пишет пророчества после их исполнения?

В конечном итоге, вся эта гонка за производительностью и энергоэффективностью — лишь попытка отложить момент, когда система столкнется с непредсказуемостью человеческого мозга. И это не недостаток, а фундаментальная особенность любой системы, пытающейся взаимодействовать с живым организмом. Развитие, вероятно, пойдёт по пути адаптивных алгоритмов, способных к самообучению и компенсации индивидуальных особенностей пользователя, а не по пути создания всё более сложных и хрупких конструкций.

Оригинал статьи: https://arxiv.org/pdf/2601.01772.pdf

Связаться с автором: https://www.linkedin.com/in/avetisyan/

Смотрите также:

2026-01-06 15:57