Solo testo.pdf - Fondazione Santa Lucia

Neurofisiopatologia clinica
San Diego (California). Il lavoro svolto nel primo anno di progetto ha visto la
realizzazione di procedure standard di analisi di ritmi cerebrali (ritmo-µ in
frequenza e di risposte evocate (P300) nel tempo realizzate nell’ambiente di
sviluppo Matlab e racchiuse in un pacchetto software eseguibile indipendentemente
dall’ambiente di sviluppo stesso e funzionante su sistemi Windows
98/XP/2000. Una versione Matlab (compilata) del MARIO è attualmente
inclusa nella distribuzione ufficiale del BCI2000.
2. Documentare il processo di analisi di dati e della configurazione
di sistema. Descriveremo la funzionalità specifica delle procedure sviluppate
nello scopo 1. Questa descrizione sarà inserita in un generale contesto
per l’esecuzione di esperimenti con BCI; inoltre, verranno illustrate con
dimostrazioni didattiche alcune linee guida su come usare i metodi di analisi
per supportare le conclusioni specifiche dagli esperimenti ondine, e
come questi ultimi possano essere usati per cambiare la configurazione di
sistema degli esperimenti successivi. Un’ulteriore sforzo si sta compiendo
per ottenere un’integrazione delle routine standard di analisi realizzate nel
MARIO con il pacchetto EEGlab sviluppato al Salk Institute di San Diego
(California), in accordo con lo scopo generale di questo lavoro: rendere
disponili ad una comunità scientifica sempre maggiore gli strumenti per
una ricerca sul BCI.
E.2.2 – Apprendimento del controllo volontario di pattern EEG:
strumentazioni, procedure e imaging neuroelettrico (Febo Cincotti)
I sistemi brain computer interface (BCI) sono basati su due componenti
mutuamente interagenti: la macchina, che deve essere ottimizzata per riconoscere
i pattern elettroencefalografici (EEG) dell’individuo e l’utente, che deve
imparare a produrre modificazioni ai pattern stessi che siano massimamente
distinguibili dal classificatore. Questo progetto si propone di affrontare gli
aspetti della sperimentazione BCI in relazione a:
1. Studio di procedure ottimizzate per individuare le caratteristiche individuali
che permettano all’utente di ottimizzare le proprie capacità di controllo.
Questo primo obiettivo mira all’ottimizzazione del sistema di classificazione
ed è stato perseguito: (a) prendendo in considerazione features EEG
alternative o additive rispetto a quelle utilizzate attualmente; (b) utilizzando
classificatori più avanzati di quelli in uso attualmente; (c) utilizzando sistemi
paralleli che estraggano e classifichino simultaneamente tutte le informazioni
disponibili; (d) utilizzando segnali da sistema nervoso centrale o autonomo
che rilevino la percezione di un errore di classificazione.
I risultati del primo anno di ricerca hanno portato alla implementazione
di un approccio nuovo per la classificazione dei pattern EEG che permette la
discriminazione dei correlati corticali dell’immaginazione ed esecuzione dei
movimenti bidimensionali. Questo approccio è basato sulla selezione di features
(ampiezza dei ritmi cerebrali µ/b) in frequenza tramite l’R-square e la loro
classificazione mediante un algoritmo di regressione lineare stepwise. Il successivo
segnale bidimensionale è passato in un discriminatore lineare a soglia
2006 537