Desarrollo de Interfaces para Personas con Discapacidad Basadas en Señales EMG y EEG

Transcripción

1 Desarrollo de Interfaces para Personas con Discapacidad Basadas en Señales EMG y EEG André Ferreira, Wanderley Cardoso Celeste, Teodiano Freire Bastos-Filho, Mário Sarcinelli-Filho Departamento de Engenharia Elétrica Universidade Federal do Espírito Santo Av. Fernando Ferrari, 514, , Vitória, Brasil teodiano@ele.ufes.br Fernando Auat Cheeín, Ricardo Carelli Instituto de Automática Universidad Nacional de San Juan Av. San Martín 1109 (o) 5400, San Juan, Argentina Abstract Two different electro-biological signal based Interfaces for impaired people were developed: EMG and EEG based. Such interfaces present like main characteristics relatively simple acquisition and processing systems, which need of few hardware and software resources, so that they are computational and financial low cost solutions. Both interfaces have been applied to robotic systems (emulating a robotic wheelchair) and their performance has been shown in such applications. The EMG based interface was tested in a mobile robot (emulating a wheelchair), while the EEG based interface was tested as much in a mobile robot as a robotic manipulator (emulating a manipulator on the wheelchair). 1. Introducción En los últimos años, varios centros de investigación se han dedicado al estudio de señales electro-biológicas, debido a las recientes descubiertas en las áreas cardiovascular, muscular y neurociencias, a la disponibilidad de recursos computacionales con mejores prestaciones y bajo costo, y al avance en el conocimiento y comprensión acerca de disfunciones motoras [1] [2]. Señales eléctricas de diferentes partes del cuerpo humano se pueden utilizar como señales de comando para el control de diferentes sistemas. Sin embargo, es necesario que el usuario sea capaz de generar, de forma intencional, dichas señales. Además, también es necesario que la interfaz desarrollada sea capaz de entender y procesar dichas señales, detectando el comando que mejor se ajusta al deseo del usuario. La interfaz puede entonces ser utilizada para mejorar la capacidad de movimiento de personas con disfunciones motoras, utilizando, por ejemplo, una silla de ruedas robotizada para transportarlas. Entre los varios tipos de señales electrobiológicas que se pueden utilizar en interfaces para personas con discapacidad, las más cónmumente empleadas son señales electromiográficas (EMG), electrooculográficas (EOG) y electroencefalográficas (EEG). Las señales EOG se obtienen a través del registro del potencial entre la cornea y la retina, y posee un rango de valores que es proporcional al ángulo de movimiento del ojo con relación a la cabeza. Dichos niveles de señal se sitúan entre 0,05 y 3,5 mv. Este trabajo aporta resultados de investigaciones relacionadas a señales EMG y EEG. Señales EOG están todavía en estudio en nuestro grupo de investigación. Señales EMG se generan por actividad neuromuscular y poseen niveles que varían entre 100 µv y 90 mv, en un rango de frecuencia que va desde CC hasta 10 khz. Las señales EMG normalmente poseen un comportamiento estándar, lo que es una buena característica a ser tomada en cuenta si se quiere desarrollar una interfaz para personas con discapacidad. Además, dichas señales son más limpias y poseen mayor amplitude cuando comparada con señales EEG. Así, si un individuo posee cualquier movimiento muscular voluntario, es

2 preferible utilizar señales EMG como señal de control. Sin embargo, hay problemas intrínsecos en utilizar estos tipos de señales. Considerando que la tecnología asistiva propuesta en este trabajo es también dirigida a personas con discapacidades neuromotoras, pueden ocurrir en dichas personas espasmos musculares, lo que representa un problema bastante serio para las interfaces que utilizan señales EMG como señal de control, a menos que la interfaz tenga una forma robusta de rechazar dichas perturbaciones. Problemas neuromusculares severos pueden también causar pérdida de movilidad muscular, lo que imposibilita el uso de sistemas controlados por señales EMG. Así, otros canales de comunicación (señales electrobiológicas) deberían ser utilizados, con el fin de evitar este tipo de problema. Tal como mostrado en la Figura 1, señales cerebrales pueden ser una solución para el problema cuando no se pueden utilizar señales EMG y EOG de personas con espasmos musculares y síndrome de locked in [3]. Figura 1: Diferentes niveles de interfaces. Señales EEG son potenciales eléctricos generados por actividad cerebral (neuronas), las cuales se pueden adquirir sobre el cuero cabelludo (amplitud de señal usualmente por debajo de los 100 µv) o directamente del córtex (por forma invasiva en el área del cerebro, con una amplitud de cerca de 1 a 2 mv). El rango de frecuencias de dichas señales es de, usualmente, un poco por encima de CC hasta 50 Hz (Figura 2). Figura 2: Espectro de frecuencias de señales EEG normales. Aunque las señales EEG han sido inicialmente utilizadas en Neurología y Psiquiatría, principalmente para el diagnóstico de enfermedades cerebrales como epilepsia, trastornos del sueño y algunos tipos de tumores cerebrales, varios grupos de investigación están utilizando señales EEG como canal de comunicación entre el cerebro de una persona y equipos electrónicos, con el fin de desarrollar sistemas que aportan mejores condiciones de vida para estas personas. El objetivo principal de esta idea es una interfaz denominada Interfaz Cerebro-Computadora, ICC (o BCI, del inglés Brain Computer Interface), la cual es un sistema capaz de adquirir señales de EEG, extraer características de la señal, "entender" el deseo del usuario y comandar dispositivos o equipos electrónicos, tales como computadoras, robots o sillas de ruedas. Además, si el objetivo es desarrollar una ICC portátil, un bajo costo, pequeñas dimensiones y bajo peso son ventajas muy importantes cuando comparada con otras formas de registro de actividad cerebral [4]. Las señales EEG poseen una buena resolución temporal y, con métodos de procesamiento de señales apropiados, es posible extraer algunas características con el fin de comandar dispositivos/equipos electrónicos. Una ICC, tal como una Interfaz Hombre-Máquina (IHM), presenta la estructura básica mostrada en la Figura 3 y posee dos partes principales. La primera es responsable por la adquisición y condicionamiento de señal (filtrado de señal y amplificación). En el paso siguiente, la señal es enviada para una computadora (a través de un conversor A/D). La segunda parte empieza con la aplicación de un algoritmo de procesamiento, el cual es necesario para atenuar señales indeseadas (artefactos). Tras la extracción de las características deseadas de la señal, el sistema obtiene información suficiente para la toma de decisiones (clasificación) y generar acciones de comando de dispositivos/equipos. El usuario de la ICC es quién cierra el lazo de bio-realimentación. La información que se utiliza en este trabajo para clasificar señales de EEG está relacionada con patrones de Desincronización Relacionada a Eventos (o del inglés ERD, Event Related Desynchronization) y Sincronización Relacionada a Eventos (o ERS, Event Related Synchronization), los cuales se analizan en el rango de ondas alfa (8 a 13 Hz) adquiridas con electrodos de superficie en la región occipital de la cabeza. Los patrones ERD y ERS son fenómenos relacionados a eventos que representan cambios específicos de frecuencia en la actividad cerebral. Dichos patrones pueden consistir, en términos generales, en la disminución (ERD) o aumento (ERS) de potencia en un rango específico de frecuencia. Esto puede ser debido a una disminución o aumento en la sincronía de populaciones neuronales [5].

3 Figura 3: Estructura Básica de una ICC. Este trabajo presenta la secuencia de desarrollo de interfaces para personas con discapacidad, en la cual son llevadas en consideración las consideraciones hechas anteriormente, mostrando el aumento del grado de dificultad en relación a la adquisición y procesamiento de ambas señales. De esta forma, en la primera etapa de implementación de la ICC, se ha desarrollado un sistema basado en el parpadeo de ojos (señal EMG). Dicho sistema se ha utilizado para comandar un robot móvil, el cual es capaz de navegar en un entorno semi-estructurado. En la etapa siguiente, se ha implementado un sistema capaz de adquirir y procesar señales EEG. En este caso, se utilizan patrones ERS/ERD de las señales EEG adquiridas por electrodos ubicados en la región occipital (ubicaciones O1 y O2 del standard 10-20), las cuales están relacionados con la actividad visual. Dichos sistemas se han utilizado para comandar un robot móvil y un robot manipulador. Se muestran resultados y discusiones con vista a mejorar las interfaces desarrolladas. 2. Breve Revisión de Comando de Robots Utilizando Señales EMG Señales EMG son generadas por la contracción o distensión del músculo humano. Dichas señales se pueden utilizar para comandar sistemas robóticos, tales como manipuladores robóticos (brazos y manos robóticos) y robots móviles (silla de ruedas robotizadas). El objetivo es desarrollar sistemas capaces de ayudar personas con diferentes discapacidades motoras. En las referencias [6] [7] se presentan sistemas que permiten comandar robots manipuladores a través de señales musculares. En [6] se utilizan sensores en los músculos radiales carpio flexores derecho e izquierdo (músculo próximo al codo) y un tercer sensor ubicado sobre el músculo braquio radial (músculo sobre el antebrazo) para generar una serie de comandos para abrir/cerrar una garra, y moverla para posiciones predefinidas, permitiendo a personas con discapacidad motora severa ejecutar actividades de la vida diaria. En [8] se adquieren señales EMG de biceps braquiales, que es el músculo principal responsable por la flexión del codo humano, con el fin de teleoperar un brazo robótico. Aunque el modelo dinámico del brazo robótico es tomado en cuenta, los resultados experimentales muestran la robustez del sistema en la suavización de los movimientos. Un trabajo similar es presentado en [9]. Sin embargo, los experimentos llevados a cabo en ese trabajo muestran la precisión y robustez para movimientos de agarre lentos y rápidos, en lugar de únicamente en movimientos rápidos. Además, los experimentos se realizan con objetivos ubicados en diferentes direcciones y distancias. Otro trabajo que utiliza un sistema basado en señales EMG para el control de una mano robótica es mostrado en [7]. Dicho sistema reproduce, por teleoperación, los movimientos de los dedos de la mano robótica cuando el usuario mueve sus dedos, tal como mostrado en [8]. La tasa de aciertos en la reproducción de seis tipos diferentes de movimientos de dedos es superior al 77%. Unos pocos sistemas utilizan señales EMG para comandar una silla de ruedas. Una silla de ruedas es de fundamental importancia para personas con discapacidades motoras provocadas por parálisis o amputación. En [10] se muestra una Interfaz Hombre-Máquina con tres soluciones para el comando de una silla de ruedas: usando señales EMG, gestos faciales y voz. Las señales EMG se adquieren del músculo escapular elevador, las cuales se generan por movimientos voluntarios de elevación del hombro derecho e izquierdo. Los resultados experimentales mostrados en [10] permiten concluir que el sistema puede utilizarse por personas con discapacidad motoras, aunque se han realizado únicamente experimentos en ambientes internos. Una de las conclusiones del trabajo desarrollado en [10] es la necesidad de construir el mapa del ambiente para la navegación externa. En [11] y [12] se presentan sistemas similares al presentado en [10], los cuales utilizan únicamente señales EMG como señales de control. La gran ventaja del trabajo mostrado en [11], con relación a los demás, es su bajo costo y pequeñas dimensiones, debido a que se utiliza un amplificador de señales EMG no comercial. Además, en [12] se utiliza una combinación de movimientos de los músculos de hombro y cuello para comandar una silla de ruedas. Varios trabajos tratan del tema de control de robots a través de sistemas basados en señales EMG. Se utilizan muchos tipos de músculos como

4 generadores de señal. En general, se utilizan mayoritariamente músculos de la extremidad superior como, por ejemplo, músculos para flexión de mano y codo. Cuando el individuo no posee dichos músculos, se utilizan comúnmente músculos de movimiento de hombros y/o cuello. En algunos casos, el individuo no es capaz de mover cualquier parte de su cuerpo, pero puede parpadear sus ojos. En este caso, la señal EMG generada por el parpadeo puede ser utilizada como señal de comando de dispositivos/equipos electrónicos. 3. Breve Revisión de Comando de Robots Utilizando Señales de EEG El potencial eléctrico generado por la actividad neuronal y adquirido en el cuero cabelludo (de forma no-invasiva) o directamente en el córtex (de forma invasiva) puede ser utilizado para comandar robots y otros aparatos electrónicos. Los trabajos a continuación presentan una visión general de sistemas comandados por señales cerebrales. La señal EEG adquirida en la superficie del córtex (invasiva) no es tan atenuada cuanto la señal adquirida en el cuero cabelludo (tras atravesar el cráneo), lo que implica en mejor calidad en la señal. Un ejemplo de adquisición invasiva de señales EEG se puede encontrar en [13]. En ese trabajo, el objetivo era realizar un mapeo de las varias señales de un mono y hacer una correspondencia con las posiciones tridimensionales del brazo del mono. La posición estimada de la mano del mono es entonces utilizada para comandar un brazo robótico. En la referencia [2] se presenta un ejemplo del uso de electrodos de superficie (no-invasivos) para comandar un robot móvil a través de señales cerebrales. En dicho trabajo se presentan los resultados de dos experimentos, tras unos días de entrenamiento, donde se podía comandar un pequeño robot Khepera en sus movimientos dentro de una maqueta representando una casa. Se han utilizado ocho electrodos en ese experimento, los cuales fueron ubicados en posiciones fronto-centropariental. Se han utilizado filtrado espacial, algoritmo de Welch y clasificador estadístico para reconocer los estados mentales. Los estados mentales que se han clasificados fueron relajamiento, imaginación de movimiento de mano (o brazo), derecho o izquierdo, rotación de cubos, operación de resta y asociación de palabras". Dichos estados mentales se han utilizado en una máquina de estados finitos para el control del robot. Se ha aplicado una ICC asíncrona, evitando de esta forma la espera por eventos externos, lo que difiere de ICCs síncronas. Con dicho sistema, se ha conseguido un reconocimiento correcto del estado mental con una tasa superior al 60% Se ha verificado que utilizando dicha ICC el control del robot se realiza con un tiempo solamente 35% mayor de que si el robot fuera controlado de forma manual. Un trabajo similar es presentado en [14], en el cual 15 individuos han conseguido controlar un robot a través de un teclado virtual y una ICC asíncrona. Estudios más recientes muestran que es posible utilizar el sentimiento de frustración del individuo para corregir errores de ejecución. Cuando un individuo envía un comando para un dispositivo/equipo y dicho aparato no responde como esperado, se genera en el individuo un sentimiento de frustración, aunque el error no fuera causado por el propio individuo. Dicho sentimiento puede ser detectado en señales cerebrales (a través de potenciales relacionado a errores, o del inglés Errorrelated Potentials, ErrP) y utilizado para mejorar las prestaciones de la ICC [15]. Como se ha mostrado anteriormente, varios trabajos permiten comandar dispositivos/equipos a través de señales cerebrales. Sin embargo, se tratan de ICCs de alto costo, en muchos casos más caros que el robot, la silla de ruedas o el dispositivo/equipo que se quiere comandar. La interfaz propuesta en este trabajo trata de encontrar una mejor relación entre aplicación y costo, tal como se muestra a continuación. 4. Métodos Se han realizado experimentos basados en actividades musculares y cerebrales con el fin de verificar que un individuo es capaz de comandar dispositivos/equipos electrónicos utilizando ambas interfaces. Se han desarrollado dos diferentes interfaces de señal electro-biológicas: EMG y EEG. La primera permite que un individuo comande dispositivos/equipos a través de parpadeos [16]. La otra interfaz permite el comando a través de señales cerebrales [17]. En esta sección se presenta el desarrollo de dichos sistemas. 4.1 Interfaz Basada en Señales EMG La Figura 4 muestra la estructura de la interfaz basada en señales EMG que se ha desarrollado. Dicha interfaz es compuesta de un sistema de adquisición y procesamiento de señales. No hace falta cualquier preparación práctica para utilizar dicho sistema. El individuo debe utilizar un gorro comercial, el cual posee electrodos posicionados de acuerdo con el sistema internacional de posicionamiento de electrodos (Figura 5). Los electrodos para detección de parpadeos se ubican en las posiciones FP 1 y FP 2 del sistema En los experimentos realizados se requiere únicamente que el cuero cabelludo esté limpio y se debe aplicar un

5 gel de contacto entre el electrodo y el cuero cabelludo, con el fin de establecer un buen casamiento de impedancia en dichos contactos. Se conecta finalmente un electrodo de referencia para la oreja izquierda o derecha. Una vez que se tenga puesto el gorro correctamente, se hace la conexión eléctrica entre el cable del gorro y la tarjeta de amplificación y filtrado que se ha desarrollado (Figura 4). En dicha tarjeta se ha incorporado una fuente de alimentación, la cual se ha diseñado para reducir las interferencias de la red eléctrica y de otros equipos externos, tales como fuentes conmutadas. Dicha tarjeta se conecta a un sistema de conversión analógico-digital (A/D). Se dispone de cuatro canales analógicos en dicho sistema de conversión A/D, aunque es posible disponer de más canales en una conexión cascada. Los datos digitalizados de la señal se envían a una computadora a través de una conexión serial. En resumen, el sistema opera de la siguiente forma: se hace la adquisición de señal con electrodos y dichas señales son transmitidas a un sistema de amplificación y filtrado. Seguidamente, las señales se envían a una tarjeta que realiza la conversión A/D. Finalmente, dichas señales se transmiten a una computadora, donde se lleva a cabo el procesamiento de las señales recibidas. Una vez procesadas las señales, se generan los comandos para comandar un robot móvil. Un individuo cierra el lazo de control, haciendo la realimentación biológica. La interfaz es programada en la computadora, la cual también tiene instalado los softwares de procesamiento de señal y de envío de comandos para el robot móvil. Dichos comandos se transmiten para el robot a través de un enlace de radio Ethernet. Figura 4: Estructura del sistema propuesto. Los experimentos llevados a cabo en este trabajo se han realizado con un robot móvil a ruedas noholonómico Pioneer 2DX, el cual emula una silla de ruedas. Dicho robot posee un microcontrolador, para procesar las instrucciones de bajo nivel, y una PC empotrada (Intel Pentium MMX 266 MHz, 128 MB RAM). Para generar un comando, el usuario de esta interfaz debe ser capaz de parpadear sus ojos. Como forma de ayudarlo en dicha tarea, se ha desarrollado un tablero electrónico con barrido automático. Dicho tablero representa el área del ambiente de navegación del robot, dividido en celdas (Figura 6). Así, cuando la celda deseada (que está asociada a una posición deseada en el mapa del ambiente) es seleccionada por el sistema de barrido, el usuario debe parpadear un ojo para elegir dicha celda. Con el parpadeo, se genera una señal de EMG que es capturada y procesada por el sistema de adquisición y procesamiento de señal. Figura 5: Sistema internacional para posicionamiento de electrodos. Figura 6: Tablero electrónico desarrollado. Como la señal EMG producida por un parpadeo posee una forma bien definida (Figura 7), el sistema de procesamiento es relativamente sencillo. Dicho sistema actúa de la siguiente forma: primero, un umbral es empíricamente establecido para cada usuario, en base a los cambios de señal que ocurren durante la duración de los parpadeos generados en la etapa de entrenamiento. Cuando el sistema está en operación, tras la generación de un parpadeo el sistema verifica si la señal producida ha superado el umbral establecido. En caso positivo, se inicializa un contador para contabilizar el número de muestras de la señal. Cuando la señal cae por debajo del umbral, el contador es parado, se contabiliza el número total de muestras y se compara dicho número con un valor predefinido: si es mayor que el valor predefinido, se considera como un parpadeo y sino la interfaz considera que no hubo parpadeo. El contador es nuevamente reinicializado para empezar un nuevo ciclo.

6 en las posiciones O1 y O2 (de acuerdo con el posicionamiento del sistema 10-20, Figura 5). Figura 7: Detección de un parpadeo Interfaz Basada en Señales EEG Es posible detectar el aumento o disminución de potencia de señales en el rango de frecuencias de las ondas alfa, las cuales son capturadas en la región occipital. La región occipital es responsable por el procesamiento de la información visual. Cuando en presencia de estímulo visual (ojos abiertos) la potencia de la señal disminuye, lo que caracteriza un patrón ERD. Por otro lado, si los ojos son cerrados, hay poco o ningún estímulo visual, lo que caracteriza un aumento de potencia de señal o un patrón ERS (Fig. 8). La potencia de un patrón ERS puede ser muy superior a la potencia de un ERD. Así, se puede establecer un umbral de 5 a 10 veces el valor de un ERD para detectar un patrón ERS. La Figura 9 muestra el aumento de energía asociado a un patrón ERS. Es importante resaltar que los niveles de señales de EEG varían constantemente, lo que requiere un proceso de calibración del sistema para determinar los niveles del patrón ERD antes de empezar el análisis. Los dos estados (aumento y disminución de potencia) se pueden asociar a acciones tales como "seleccionar la celda actual del tablero electrónico". Con la finalidad de validar dicha idea, se han llevado a cabo varios experimentos con un robot móvil y un robot manipulador. Una atención especial debería ser dada a los artefactos. Parpadeos, latidos cardíacos, ruido de la red y movimientos del cuerpo son ejemplos de artefactos. Ellos pueden perjudicar el análisis de la señal bajo estudio y deberían ser evitados y removidos. El rango de frecuencia de interés en este trabajo es de 8 a 13 Hz. Así, se utiliza en este trabajo un filtro pasa-banda para rechazar artefactos, los cuales ocurren usualmente entre 0,1 y 5 Hz, atenuando también ruidos de la red eléctrica (50 o 60 Hz) [18] [19]. La ICC desarrollada es relativamente fácil de utilizar. No se necesita cualquier preparación especial del usuario. Sin embargo, se debe utilizar un gel para mejorar el contacto entre el electrodo del gorro y el cuero cabelludo. Los electrodos se ubican Figura 8: Aumento de energía durante un ERS. Figura 9: Patrones ERD y ERS de la banda alfa. La ICC desarrollada en este trabajo se ha evaluado en un grupo de 25 personas, con edad entre 20 y 50 años, y con algunos de ellos con historial de meningitis y epilepsia. Los experimentos ejecutados se han dividido en tres etapas. En la primera, el individuo utiliza un detector de eventos en el cual se identifican los estados de alta o baja energía. En la segunda etapa, el individuo puede emitir comandos de movimiento del robot en un ambiente de simulación. En la última etapa, el individuo puede realizar experimentos prácticos para enviar comandos de movimiento para un robot real [1]. El individuo es considerado capaz de comandar la ICC si la primera y segunda etapas fueron exitosas, o sea, si fue capaz de comandar el robot por lo menos en el ambiente de simulación. Se han realizado dos diferentes experimentos para validar el método propuesto. En el primero, el individuo ha utilizado la ICC para mover el robot en

7 el laboratorio. El robot móvil emula una silla de ruedas que podría, por ejemplo, llevar el individuo para diferentes habitaciones de una casa u oficina. En el segundo experimento, el individuo utiliza la ICC para comandar un robot manipulador (emulando una prótesis de brazo). Se han hecho experimentos inclusive utilizando un canal de comunicación para teleoperación vía TCP/IP. Primer Experimento Comandar el Robot Móvil: La ICC se ha utilizado para comandar el robot móvil a ruedas Pioneer 2DX en un ambiente simulado (Figure 10) y en un ambiente real (Figura 11). El análisis de potencia de la señal en la banda alfa se ha utilizado para cambiar los estados de una Máquina de Estados Finitos (MEF) y para generar comandos de movimientos para el robot: mover hacia adelante, derecha, izquierda y atrás. Figura 11: Robot móvil comandado por señales EEG. Figura 10: Ambiente simulado del robot móvil. Segundo Experimento - Comandar el Robot Manipulador: La Figura 12 muestra el sistema completo que se ha utilizado en el experimento. En dicho experimento, se ha utilizado un robot manipulador BOSCH SR800 (Figura 13), con conexión vía TCP/IP. El usuario ve, en la pantalla de la computadora remota, únicamente el espacio de trabajo de dicho robot, el cual es dividido en celdas (Figura 14). El software existente en la computadora realiza el barrido de las celdas y evalúa la potencia de la banda alfa del individuo. La selección de la celda se ejecuta cuando el software reconoce un patrón ERS. Cuando esto ocurre, las coordinadas de la celda son transmitidas, vía TCP/IP, para la computadora que controla el robot manipulador, el cual mueve su extremidad para la posición deseada. Simultáneamente, los datos procedentes de los codificadores ópticos del robot son transmitidos para la computadora del individuo (operador), con el fin de actualizar la pantalla con las posiciones actuales del robot. La Figura 14 presenta la interfaz gráfica utilizada por el individuo para seleccionar la celda deseada. Figura 12: El sistema completo. Figura 13: Robot manipulador comandado por señales EEG.

8 resultados en la etapa de entrenamiento también ha realizado experimentos con el tablero electrónico, seleccionando celdas del tablero con parpadeos. Una vez seleccionada la celda deseada en el tablero electrónico, el software de control transmitía para el robot móvil la posición elegida por el individuo. El robot ejecutaba la acción de movimiento hasta dicha posición, siguiendo un camino determinado por un algoritmo de generación de caminos [16]. Dicho algoritmo es basado en el algoritmo de Dijkstra, el cual determina un camino corto y seguro, o sea, más distante de paredes u obstáculos. Figura 14: La interfaz gráfica. Es importante resaltar que en ambos experimentos es necesario realizar previamente el proceso de calibración del sistema. El procedimiento de calibración consiste en adquirir, por cerca de 10 s, señales de EEG con el fin de analizar el nivel del patrón ERD. Con base en dicha información, se establece el umbral para detectar el patrón ERS, el cual se ubica entre 5 a 10 veces el valor del nivel del patrón ERD. Este procedimiento es muy importante, puesto que dichos niveles varían constantemente en el tiempo y de persona para persona. 5. Resultados y Discusiones Se han utilizado ambas interfaces por individuos, previamente entrenados, para comandar robots. La interfaz basada en señales EMG se ha utilizada para comandar un robot móvil, mientras que la interfaz basada en señales EEG se ha utilizada para comandar tanto un robot móvil cuanto un robot manipulador. En esta sección se muestran los resultados y discusiones de cada experimento realizado. 5.1 EMG Inicialmente, se ha solicitado a ocho individuos que parpadeasen por diez veces cada ojo, con el fin de evaluar el algoritmo de detección de parpadeos. Los resultados de dichos experimentos se muestran en la Tabla 1. Los individuos también podían optar entre utilizar el gorro de electrodos o electrodos individuales. La Tabla 1 muestra únicamente resultados de individuos que fueron capaces de parpadear ambos ojos. Se observa que el algoritmo de detección de parpadeos ha alcanzado una tasa de éxito de 95,71% en la detección de parpadeos hechos por individuos que podían parpadear ambos ojos. Eso permite concluir que se puede utilizar dicho algoritmo para el comando de dispositivos/equipos electrónicos. Uno de los individuos que ha presentado buenos Tabla 1: Resultados exitosos de parpadeos con el ojo derecho e izquierdo. La Figura 15 muestra el mapa de un ambiente de navegación y el camino generado por el sistema para desplazar el robot desde su posición inicial hasta la posición final deseada por el individuo. Dicho camino se transmite al robot móvil, el cual ejecuta sus movimientos en el ambiente de navegación conocido. La Figura 16 muestra los resultados de la navegación realizada por el robot durante los experimentos EEG Individuo Ojo derecho Ojo izquierdo Todos los 25 individuos que han utilizado la interfaz basada en señales de EEG han aprendido a utilizarla en una única sesión de entrenamiento. La Figura 17 muestra los resultados estadísticos del entrenamiento, indicando el tiempo de entrenamiento promedio necesario para utilizar la ICC. Dicha Figura indica también el tiempo promedio para aprender a generar los estados mentales asociados a la concentración y relajamiento del área visual. Tal como se muestra en dicha Figura, la mayoría de los individuos han aprendido a utilizar la interfaz desarrollada en menos de 15 min y con únicamente un experimento. El tiempo mínimo y máximo llevado por los individuos para utilizar dicha interfaz ha sido de, respectivamente, 3 y 50 min.

9 Figura 17: Número de resultados exitosos de individuos que utilizaron la ICC versus tiempo de entrenamiento (en minutos). Figura 15: Camino generado por el sistema. Aunque dicha interfaz haya sido evaluada por individuos que han sufrido casos de meningitis y epilepsia, la ICC todavía no ha sido evaluada por personas con discapacidad motora severa. Dichos experimentos son importantes que sean realizados en personas con discapacidad, puesto que son para estas personas que dicha interfaz ha sido desarrollada. Los resultados presentados muestran la versatilidad de la ICC desarrollada. El corto tiempo de entrenamiento necesario para utilizar la ICC y su bajo costo son otras características significativas. Aunque la interfaz desarrollada haya alcanzado un muy buen desempeño, estados mentales más naturales, tales como imaginar el movimiento de una mano derecha (o izquierda) para mover el robot para la derecha (o izquierda) pueden ser interesantes. Además, si se utilizan más estados mentales se puede tener más flexibilidad para el comando de dispositivos/equipos. Dichos temas son actualmente objetos de estudio en nuestro grupo de investigación. Con la realización de los experimentos, tanto con un robot móvil cuanto con un robot manipulador, se ha podido verificar la bondad de la interfaz desarrollada para el comando de sistemas robóticos. Figura 16: Resultados de los experimentos utilizando el tablero electrónico y el algoritmo de generación de caminos. Figura 18: Silla de ruedas adaptada para utilizar la interfaz desarrollada. 6. Conclusiones En este trabajo se ha hecho una revisión de dos diferentes interfaces desarrolladas: basadas en señales EMG y EEG. Ambas interfaces son de implementación sencilla y de bajo costo. La señal EMG ha sido inicialmente elegida como señal electro-biológica de interés, debido a ser una señal bien comportada, de fácil adquisición y procesamiento, comparada a otras señales biológicas como, por ejemplo, señales EEG. Dicha interfaz ha demostrado ser de fácil uso por individuos que pueden parpadear sus ojos de forma voluntaria. Se ha evaluado dicha interfaz para comandar un robot móvil para desplazarse hasta un destino elegido por parpadeos, utilizando un tablero electrónico. En todos los experimentos el robot móvil ha alcanzado la posición de destino seleccionada por el individuo. La interfaz basada en señales EEG puede ser considerada una evolución de la interfaz basada en señales EMG. Esto es debido al aumento del grado de dificultad presente tanto en el sistema de adquisición cuanto en el sistema de procesamiento de señales. Se ha utilizado en esta interfaz los patrones ERS/ERD, los cuales son relativamente fáciles de identificar. Esto ha permitido obtener un sistema de bajo costo, lo que es muy importante para una aplicación práctica. Esta interfaz ha sido evaluada tanto en un robot móvil cuanto en un robot manipulador. En ambos casos, todos los comandos han sido ejecutados correctamente por los robots.

10 Estos trabajos son una parte inicial de un sistema de ayuda a personas con discapacidad neuromotoras, incluyendo aquellas con discapacidades severas. Las próximas etapas de este trabajo son: convertir una silla de ruedas eléctrica (Figura 18) en un vehículo móvil autónomo; implementar la interfaz abordo de dicha silla de ruedas, con el fin de posibilitar el desplazamiento de personas con discapacidades motoras; explorar más características de señales EEG, construyendo así una ICC más robusta y más rápida, permitiendo su uso seguro por personas con discapacidades. 7. Agradecimientos Los autores agradecen a CAPES (Brasil) y SPU (Argentina) por financiar el Programa Binacional CAPG-BA entre la Universidade Federal do Espírito Santo, de Vitória, Brasil, y la Universidad Nacional de San Juan, Argentina. Los autores también agradecen a FAPES/Brasil (Proceso /2005) por su apoyo financiero. 8. Referencias [1] Cheein F.A, Postigo J., A Fast Finite State Machine Design for a Brain Computer Interface, XI Reunión de Trabajo en Procesamiento de la Información y Control, Argentina, [2] Millán J., Renkens F., Mouriño J., Gerstner W., Non- Invasive Brain-Actuated Control of a Mobile Robot, 18th Int. Conf. on Artificial Intelligence, Acapulco, [3] Kubler A., Kotchoubey B., Kaiser J., Wolpaw J.R., Birbaumer N., Brain-computer communication: unlocking the locked in, Psychol Bull, 127 (3), pp , [4] Mouriño J. EEG-based Analysis for the Design of Adaptive Brain Interfaces, PhD thesis, Universitat Politécnica de Catalunya, Barcelona, Spain, [5] Pfurtscheller G., da Silva F.H.L., Event-related EEG/MEG synchronization and desynchronization: basic principles, Clinical Neurophysiology, Vol. 110 (11), pp , [6] Rani P., Sarkar M., EMG-based high level humanrobot interaction system for people with disability, IEEE International Workshop on Robot and Human Interactive Communication, Nashville, Tennessee, pp , [7] Wang J., Wang R., Li F., Jiang M., Jin D., EMG Signal Classification for Myoelectric Teleoperating a Dexterous Robot Hand, 27th Annual International Conference of the Engineering in Medicine and Biology Society, Shanghai, China, pp , [8] Artemiadis P., Kyriakopoulos K., Teleoperation of a robot manipulator using EMG signals and a position tracker, International Conference on Intelligent Robots and Systems, Alberta, Canada, pp , [9] Artemiadis P., Kyriakopoulos K., EMG-based teleoperation of a robot arm in planar catching movements using ARMAX model and trajectory monitoring techniques, IEEE International Conference on Robotics and Automation, Orlando, Florida, pp , [10] Moon I., Lee M., Ryu J., Mun M., Intelligent Robotic Wheelchair with EMG, Gesture, and Voice-based Interfaces, Int. Conference on Intelligent Robots and Systems, Las Vegas, Nevada, Vol. 4, pp , [11] Han J.S., Zenn Bien Z., Kim D.J., Lee H.E., Kim J.S., Human-machine interface for wheelchair control with EMG and its evaluation, 25th Annual International Conference of the Engineering in Medicine and Biology Society, Cancun, Mexico, Vol. 2, pp , [12] Moon I., Lee M., Chu J., Mun M., Wearable EMGbased HCI for Electric-Powered Wheelchair Users with Motor Disabilities, International Conference on Robotics and Automation, Barcelona, Spain, pp , [13] Darmanjian S., Kim S.P., Nechyba M., Morrison S., Principe J., Wessberg J., Nicolelis M., Bimodal brainmachine interface for motor control of robotic prosthetic, International Conference on Intelligent Robots and Systems, Las Vegas, Nevada, Vol. 4, pp , [14] Millán J., Mouriño J., Asynchronous BCI and Local Neural Classifiers: An Overview of the Adaptive Brain Interface Project, Trans. on Neural Systems and Rehabilitation Engineering, 11 (2), pp , [15] Pierre W., Ferrez J. R. M., You Are Wrong! Automatic Detection of Interaction Errors from Brain Waves, 19th International Joint Conference on Artificial Intelligence, Martigny, Switzerland [16] Frizera-Neto A., Martins V. R., Celeste W. C., Bastos-Filho T. F., Sarcinelli-Filho M., Human-Machine Interface Based on Electro-Biological Signals for Mobile Vehicles, International Symposium on Industrial Electronics, Montreal, Canada, pp , [17] Ferreira A., Bastos-Filho T. F., Sarcinelli-Filho M., Cheein F. A., Postigo J. F., Carelli R., Teleoperation of an Industrial Manipulator Through a TCP/IP Channel Using EEG Signals, International Symposium on Industrial Electronics, Montreal, Canada, pp , [18] Haas S. M., Frei M. G., Osorio I., Pasik-Duncan B., Radel J., EEG Ocular Artifact Removal Through ARMAX Model System Identification Using Extended Least Squares, Communications in Information and Systems, Vol. 3, pp , [19] Rohatova M., Sykacek P., Koska M., Dorffner G. Detection of the EEG Artifacts by the Means of the (Extended) Kalman Filter, Measurement Science Review, 2001.