Publicado en Sinápticas.
Léelo completo en su sitio: https://sinapticas.com/2019/07/04/mejorando-la-calidad-de-vida-a-traves-de-dispositivos-eeg-portatiles-avances-y-desafios/
©
Leandro Castelluccio
Como parte de mi trabajo en Naxon, nuestras iniciativas para profesionales se alinea con los estándares globales que implican promover el bienestar y el desarrollo humano. Las ventajas de la tecnología de los dispositivos EEG portátiles aplicados al área de la Medicina y Psicología Clínica son cuantiosas y mejoran sustancialmente varias problemáticas actuales, como se describirán a continuación. Los rápidos avances en la utilización de tecnología de software para el análisis de patrones y la conformación de algoritmos de procesamiento de información permiten trabajar con estos dispositivos generando procesamientos automáticos de la información que reducen la carga de trabajo de los profesionales, aumentan su eficacia y mejoran los diagnósticos y consecuentes tratamientos.
Mejorar la calidad de vida de las personas mayores y discapacitadas y brindarles la atención adecuada en el momento adecuado es uno de los roles más importantes que debemos desempeñar como miembros responsables de la sociedad (Mirza et al., 2015). Antes de algunas décadas, las personas con discapacidad no podían realizar tareas diarias como encender la luz, hacer una llamada telefónica e incluso controlar el televisor. La discapacidad era un obstáculo, por lo que las personas con discapacidad necesitaban supervisión y servicios diarios. Con la evolución del poder de cómputo y el progreso en los estudios neuronales, la tecnología moderna y la ciencia lograron superar la discapacidad humana (Rihana, Azar, & Bitar, 2016).
Un desarrollo reciente dentro del área de la tecnología portátil y las interfaces cerebro-computadora (ICC) ha sido la creación de dispositivos EEG portátiles que se conectan a una computadora, tableta o teléfono inteligente a través de Bluetooth, lo que realmente puede expandir el desarrollo de aplicaciones dada esta conectividad, así como el bajo costo que presentan, sumado a las cualidades no invasivas de los dispositivos. Estos dispositivos usan un biosensor que permite capturar ondas cerebrales que pueden usarse para desarrollar una aplicación para hardware controlado por la mente, así como otras aplicaciones como la terapia de entrenamiento por Neurofeedback, meditación, manejo del sueño, evaluación de emociones, entre otras.
Las aplicaciones modernas de ICC han demostrado ser eficientes en “dispositivos controlados por el pensamiento”. Un ejemplo típico se encuentra en una silla de ruedas controlada por el pensamiento, que utiliza las señales capturadas del cerebro y los ojos y la procesa para controlar sus movimientos. La técnica de EEG despliega una tapa de electrodo que se coloca en el cuero cabelludo del usuario para la adquisición de señales que se capturan y traducen en comandos de movimiento que a su vez mueven la silla de ruedas (Mirza et al., 2015). Se pueden usar muchos comandos EEG. Por ejemplo el sistema portátil de bajo costo ha sido diseñado y probado para permitir que una persona controle el televisor a través de parpadeos con alta precisión. Un prototipo no superó los 60 USD (Rihana, Azar, & Bitar, 2016).
En otro contexto, en la unidad de cuidados intensivos, o durante la anestesia, los pacientes se conectan a los monitores por medio de cables. Estos cables obstruyen al personal de enfermería e impiden que los pacientes se muevan libremente en el hospital. Sin embargo, se espera que las tecnologías inalámbricas de rápido desarrollo resuelvan estos problemas, uno de los cuales son los EEG portátiles (Paksuniemi, Sorvoja, Alasaarela, & Myllyla, 2006).
La capacidad de telemonitorización en relación con las aplicaciones de software, es una característica clave de estos dispositivos, y se define como el uso de la tecnología de la información para monitorear a los pacientes a distancia. La revisión de la literatura sugiere que las aplicaciones más prometedoras para la telemonitorización son las enfermedades crónicas. La monitorización permite reducir las complicaciones de las enfermedades crónicas gracias a un mejor seguimiento; brinda servicios de atención médica sin utilizar camas de hospital; y reduce el viaje del paciente, el tiempo fuera del trabajo y los costos generales. Varios sistemas han demostrado ser rentables. El telecontrol también es una forma de responder a las nuevas necesidades de atención domiciliaria en una población que envejece. Los obstáculos para el desarrollo de la telemonitorización incluyen los costos iniciales de los sistemas, las licencias de los médicos y el reembolso (Meystre, 2005). Una característica clave de los EEG portátiles son sus costos relativamente bajos, incluso en comparación con el nuevo hardware más simple utilizado por muchas clínicas en la actualidad.
Recientemente se ha probado la versatilidad de esta tecnología de EEG orientada a la ICC, probando la realización de tareas complicadas solo con el control mental, como lo es jugar un videojuego táctico. En este caso concreto, el control confiable se logra mediante la adaptación de un clasificador de potencial visual evocado de estado estable (SSVEP), un tipo de medida obtenida con EEG, para que sea lo suficientemente robusto como para hacer frente a la calidad de señal del dispositivo portátil de EEG utilizado, en este caso el Emotiv Epoc. Se ha examinado la diferencia en el rendimiento del juego que se ejecuta en equipos EEG más avanzados de tipo “investigación” en comparación con el EPOC Emotiv, teniendo una respuesta satisfactoria del público (van Vlietet al., 2012).
Las interfaces convencionales cerebro-computadora son a menudo caras, complejas de operar y carecen de portabilidad, lo que limita su uso en las configuraciones de laboratorio. Las ICC portátiles y baratas pueden mitigar estos problemas, pero su desempeño debe ser probado. Varios autores han realizado investigaciones prometedoras en este sentido. McCrimmon et al. (2017) desarrollaron una ICC portátil de bajo costo con un rendimiento comparable al de las ICC convencionales. Dichas plataformas son adecuadas para aplicaciones ICC fuera de un laboratorio. Según Krigolson, Williams, Norton, Hassall y Colino (2017), la validación del uso de sistemas de EEG de bajo costo se ha centrado en el registro continuo de datos de EEG y/o la replicación de configuraciones de EEG de sistemas grandes que dependen de marcadores de eventos para permitir el examen de potenciales cerebrales relacionados con eventos (ERP). Estos autores demuestran que es posible realizar una investigación de ERP sin depender de marcadores de eventos utilizando un sistema Muse EEG portátil y una sola computadora. Su trabajo destaca que con una sola computadora y un sistema de EEG portátil como el MUSE, se puede realizar investigación de ERP con facilidad, extendiendo así el posible uso de la metodología a una variedad de contextos novedosos. Al mismo tiempo, muestra las prometedoras capacidades de estos dispositivos. A su vez Armanfard, Komeili, Reilly y Pino (2016) propusieron un enfoque práctico de aprendizaje automático para la identificación de fallas de vigilancia mental utilizando señales de EEG portátil registradas desde una configuración de electrodos muy dispersos con solo 4 de estos. Este es un problema difícil ya que estos cuatro electrodos se contaminan fácilmente con parpadeos y artefactos musculares. El rendimiento del algoritmo basado en el aprendizaje automático propuesto se demuestra en un escenario del mundo real en el que los lapsos de vigilancia se identifican con aproximadamente el 95% de precisión, agregando mayor validación a estos dispositivos.
Por otro lado, la comunidad científica está trabajando con varias herramientas para el procesamiento y clasificación de señales, lo que ayuda a desarrollar aplicaciones adicionales. Karydis, Aguiar, Foster y Mershin (2015) proponen un nuevo protocolo de autocalibración (SCP) que puede clasificar de manera sólida los estados cerebrales cuando se combinan con cinco algoritmos estándar de aprendizaje automático. Sus resultados indican que los sensores de EEG portátiles disponibles en el mercado proporcionan una fidelidad de datos suficiente a velocidades suficientemente rápidas para diferenciar en tiempo real los estados arbitrarios definidos por el usuario. La clasificación de las señales de EEG es una tarea importante en las ICC. Zhang, Liu, Ji y Huang (2017) presentan dos estrategias combinadas de extracción de características en señales de EEG utilizando coeficientes autoregresivos y de entropía aproximada de EEG de señales de descomposición en subbandas, que también resulta muy satisfactoria.
Un aspecto importante en la investigación no invasiva de la interfaz cerebro-computadora es adquirir el EGG de manera adecuada. Desde la perspectiva del usuario final, esto significa con la máxima comodidad y sin ningún inconveniente adicional (por ejemplo, lavar el cabello), mientras que desde una perspectiva técnica, la calidad de la señal debe ser óptima para que la ICC funcione de manera efectiva y eficiente (Pinegger, Wriessnegger , Faller, & Müller-Putz, 2016). Estos autores encontraron que la construcción de una ICC confiable es posible con todos los sistemas evaluados, y es responsabilidad del usuario decidir qué sistema cumple mejor con los requisitos dados.
Así, la interfaz cerebro-computadora se ha investigado en mayor medida en el área de la robótica y medicina, y no tanto en la aplicación directa al consumidor. A medida que los procesadores han avanzado en términos de una relación sorprendentemente alta de rendimiento/costo, la ICC para uso popular fuera del entorno médico de uso intensivo ha dado grandes pasos para llegar al alcance de los consumidores en la última década (Chu, 2017). En este sentido McKenzie et al. (2017) evaluaron la capacidad de una aplicación de EGG basada en teléfono inteligente, el Smartphone Brain Scanner-2 (SBS2), para detectar anomalías epileptiformes en comparación con el EEG clínico estándar. Las descargas epileptiformes se detectaron en el 14% de SBS2 y en el 25% de los EEG estándar. A pesar de las limitaciones en la sensibilidad, el SBS2 puede convertirse en una prueba de apoyo viable para la captura de anomalías epileptiformes y extender el acceso a EEG a nuevas poblaciones, especialmente de recursos limitados, a un costo reducido. Toda esta investigación muestra la potencialidad de desarrollar aplicaciones de software baratas que pueden usarse con dispositivos personales de bajo costo que pueden ser utilizados de forma masiva por la población, ampliando la accesibilidad de los diagnósticos y tratamientos.
Referencias
Armanfard, N., Komeili, M., Reilly, J. P., & Pino, L. (2016, May). Vigilance lapse identification using sparse EEG electrode arrays. In Electrical and Computer Engineering (CCECE), 2016 IEEE Canadian Conference on (pp. 1-4). IEEE.
Chu, N. N. (2017). Surprising Prevalence of Electroencephalogram Brain-Computer Interface to Internet of Things [Future Directions]. IEEE Consumer Electronics Magazine, 6(2), 31-39.
McCrimmon, C. M., Fu, J. L., Wang, M., Lopes, L. S., Wang, P. T., Karimi-Bidhendi, A., … & Do, A. H. (2017). Performance Assessment of a Custom, Portable, and Low-Cost Brain–Computer Interface Platform. IEEE Transactions on Biomedical Engineering, 64(10), 2313-2320.
McKenzie, E. D., Lim, A. S., Leung, E. C., Cole, A. J., Lam, A. D., Eloyan, A., … & Bui, E. (2017). Validation of a smartphone-based EEG among people with epilepsy: A prospective study. Scientific reports, 7, 45567.
Meystre, S. (2005). The current state of telemonitoring: a comment on the literature. Telemedicine Journal & e-Health, 11(1), 63-69.
Mirza, I. A., Tripathy, A., Chopra, S., D’Sa, M., Rajagopalan, K., D’Souza, A., & Sharma, N. (2015, February). Mind-controlled wheelchair using an EEG headset and arduino microcontroller. In Technologies for Sustainable Development (ICTSD), 2015 International Conference on (pp. 1-5). IEEE.
Karydis, T., Aguiar, F., Foster, S. L., & Mershin, A. (2015, July). Self-calibrating protocols enhance wearable EEG diagnostics and consumer applications. In Proceedings of the 8th ACM International Conference on Pervasive Technologies Related to Assistive Environments (p. 96). ACM.
Krigolson, O. E., Williams, C. C., Norton, A., Hassall, C. D., & Colino, F. L. (2017). Choosing MUSE: Validation of a low-cost, portable EEG system for ERP research. Frontiers in neuroscience, 11, 109.
Rihana, S., Azar, T., & Bitar, E. (2016, October). Portable EEG recording system for BCI application. In Biomedical Engineering (MECBME), 2016 3rd Middle East Conference on (pp. 80-83). IEEE.
Paksuniemi, M., Sorvoja, H., Alasaarela, E., & Myllyla, R. (2006, January). Wireless sensor and data transmission needs and technologies for patient monitoring in the operating room and intensive care unit. In Engineering in Medicine and Biology Society, 2005. IEEE-EMBS 2005. 27th Annual International Conference of the (pp. 5182-5185). IEEE.
Pinegger, A., Wriessnegger, S. C., Faller, J., & Müller-Putz, G. R. (2016). Evaluation of different EEG acquisition systems concerning their suitability for building a brain–computer interface: case studies. Frontiers in neuroscience, 10, 441.
van Vliet, M., Robben, A., Chumerin, N., Manyakov, N. V., Combaz, A., & Van Hulle, M. M. (2012, January). Designing a brain-computer interface controlled video-game using consumer grade EEG hardware. In Biosignals and Biorobotics Conference (BRC), 2012 ISSNIP (pp. 1-6). IEEE.
Zhang, Y., Liu, B., Ji, X., & Huang, D. (2017). Classification of EEG signals based on autoregressive model and wavelet packet decomposition. Neural Processing Letters, 45(2), 365-378.
Red Latinoamericana de Cultura Científica 