การพัฒนาระบบเชื่อมต่อสมองกับคอมพิวเตอร์สำหรับอุปกรณ์ช่วยฟื้นฟูสมรรถภาพด้วยการผสมผสานคลื่นไฟฟ้าสมองจากการจินตนาการการเคลื่อนไหวและการกระตุ้นทางการมองเห็นด้วยภาพเคลื่อนไหวลวงตา
คำสำคัญ:
การเชื่อมต่อสมองกับคอมพิวเตอร์, การจินตนาการการเคลื่อนไหว, ภาพเคลื่อนไหวลวงตาบทคัดย่อ
บทความฉบับนี้ได้นำเสนอการเพิ่มประสิทธิภาพให้วิธีการจินตนาการการเคลื่อนไหวเพื่อเชื่อมต่อสมองกับคอมพิวเตอร์สำหรับการบำบัดฟื้นฟูสมรรถภาพด้วยการรวมกันกับวิธีกระตุ้นสมองด้วยภาพเคลื่อนไหวลวงตา เนื่องจากวิธีการจินตนาการการเคลื่อนไหวใช้ระยะเวลานานในการฝึกฝน วิธีการกระตุ้นจากสิ่งเร้าภายนอกผ่านประสาทสัมผัสจึงเป็นทางเลือกเพื่อเพิ่มประสิทธิภาพได้ โดยงานวิจัยแบ่งออกเป็นสองส่วนใหญ่ คือ (1) การสำรวจและตรวจสอบรูปแบบของภาพเคลื่อนไหวลวงตาเพื่อการเชื่อมต่อสมองกับคอมพิวเตอร์ (2) ระบบเชื่อมต่อสมองกับคอมพิวเตอร์ด้วยการจินตนาการการเคลื่อนไหวร่วมกับกระตุ้นด้วยภาพเคลื่อนไหวลวงตา งานวิจัยนี้ได้เลือกใช้รูปแบบกังหันลมเพื่อกระตุ้นให้สมองเกิดการเปลี่ยนแปลง มีการทดสอบรูปแบบกังหันลมที่มีจำนวนใบพัดแตกต่างกัน พบว่ารูปแบบกังหันลม 96 ใบพัด สามารถกระตุ้นสมองได้ผลดีที่สุด นำรูปแบบที่ได้ไปใช้ร่วมกับวิธีการจินตนาการการเคลื่อนไหว ระบบเชื่อมต่อสมองแบบผสมนี้สามารถสร้างคำสั่งเพื่อควบคุมอุปกรณ์ฟื้นฟูได้สองคำสั่งสำหรับการยกแขนซ้ายหรือขวาด้วยอัลกอริทึมที่ได้ออกแบบด้วยโปรแกรมเชื่อมต่อที่พัฒนาจากซอฟต์แวร์ LabVIEW มีอาสาสมัครเข้าร่วมการทดลอง จำนวน 8 คน ทำการใช้ระบบเชื่อมต่อสมองด้วยวิธีจินตนาการการเคลื่อนไหวและวิธีรวมกันเพื่อเปรียบเทียบประสิทธิภาพ ผลการทดลองพบว่าวิธีที่นำเสนอสามารถเพิ่มความถูกต้องได้ประมาณ 4% ถึง 6% ความเร็วของการสร้างคำสั่งเพิ่มขึ้นซึ่งเกิดจากการกระตุ้นทางการมองเห็น ดังนั้นผลของวิธีรวมกันอาจเกิดจากวิธีกระตุ้นสมองด้วยภาพเคลื่อนไหวลวงตาเพียงวิธีเดียว อนาคตจะมีการพัฒนาอัลกอริทึม ตรวจสอบประสิทธิภาพ และสร้างแนวทางการใช้ที่เหมาะสมต่อการใช้งานจริงเพื่อควบคุมอุปกรณ์ฟื้นฟูสมรรถภาพมือและแขนของผู้ป่วย
References
Ahn, M., Cho, H., Ahn, S., & Jun, S. C. (2018). User's Self-Prediction of Performance in Motor Imagery Brain-Computer Interface. Frontiers in Human Neuroscience, 12, 59. https://doi.org/10.3389/fnhum.2018.00059
Ahn, S., Ahn, M., Cho, H., & Chan Jun, S. (2014). Achieving a hybrid brain-computer interface with tactile selective attention and motor imagery. Journal of neural engineering, 11(6), 1-14. https://doi.org/10.1088/1741-2560/11/6/066004
Allison, B. Z., Brunner, C., Kaiser, V., Müller-Putz, G. R., Neuper, C., & Pfurtscheller, G. (2010). Toward a hybrid brain-computer interface based on imagined movement and visual attention. Journal of Neural Engineering, 7, 1-9. doi: 10.1088/1741-2560/7/2/026007.
Annett, J. (1995). Motor imagery: Perception or action? Neurophychologia, 33(11), 1395-1417. https://doi.org/10.1016/0028-3932(95)00072-B.
Bashir, M., & Abdulhalim, K. (2014). A brief review of brain signal monitoring Technologies of BCI applications: Challenges and prospects. Journal of Bioengineering & Biomedical Science, 4(1), 1-10. doi: 10.4172/2155-9538.10000141.
Bureau of Non-Communicable Diseases, The Ministry of Public Health. (2018). Number and rate of non-communicable diseases. Retrieved from http://www.thaincd.com/2016/mission3. (in Thai)
Cecotti, H., Volosyak, I., & Graser, A. (2009). Evaluation of a SSVEP based Brain-Computer Interface on the command and application levels. 4th International Conference of Neural Engineering NER, (pp. 474-477). Antalya: NER. doi: 10.1109/NER.2009.5109336.
Cervera, M. A., Soekadar, S. R., Ushiba, J., Millán, J., del, R., Lui, M., Birbaumer, N., & Garipelli, G. (2018). Brain-computer interface for post-stroke motor rehabilitation: A meta-analysis. Annals of Clinical and Translational Neurology, 5(5), 651-663. doi: 10.1002/acn3.544.
Daly, J. J., & Huggins, J. E. (2015). Brain-Computer Interface: Current and Emerging Rehabilitation Applications. Archives of Physical Medicine and Rehabilitation, 96(3), S1-S7. https://doi.org/10.1016/j.apmr.2015.01.007.
Department of Empowerment of Persons with Disabilities. (2019). Situation for the disabled. Retrieved from http://dep.go.th/Content/View/5805/1. (in Thai)
Horki, P., Solis-Escalante, T., Neuper, C., & Muller-Putz, G. (2011). Combined motor imagery and SSVEP based BCI control of 2 DoF artificial upper limb. Medical & Biological Engineering & Computing, 49, 567-577. doi: 10.1007/s11517-011-07750-2.
Iturrate, I., Antelis, J. M., Kübler, A., & Minguez, J. (2009). A noninvasive brain-actuated wheelchair based on a P300 neurophysiological protocol and automated navigation. IEEE Transactions on Robotics, 25(3), 614-627. doi:10.1109/TRO.2009.2020347
Leow, R. S., Ibrahim, F., & Moghavvemi, M. (2007). Development of a steady state visual evoked potential (SSVEP)-based brain computer interface (BCI) system. 2007 International Conference in Intelligent and Advanced Systems (pp. 321-324). Kuala Lumpur: IEEE. doi: 10.1109/ICIAS.2007.4658399
Lupu, R. G., Irimia, D. C., Ungureanu, F., Poboroniuc, M. S., & Moldoveanu, A. (2018). BCI and FES based theraphy for stroke rehabilitation using VR facilities. Wireless Communications and Mobile Computing, 2018, 1-8. doi: 10.1155/2018/4798359.
Mebarkia, K., & Reffad, A. (2019). Multi optimized SVM classifiers for motor imagery left and right hand movement identification. Journal of Bioengineering & Biomedical Sciences, 42(4), 949-958. doi: 10.1007/s13246-019-00793-y.
Nicolas-Alonso, L. F., & Gomez-Gil, J. (2012). Brain Computer Interface. A Review Sensor, 12(2), 1211-1279. doi: 10.3390/s120201211.
Pfurtscheller, G., Solis-Escalante, T., Ortner, R., Linortner, P. & Muller-Putz, G. R. (2010). Self-Paced Operation of an SSVEP-Based Orthosis With and Without an Imagery-Based & Brain Switch: A Feasibility Study Towards a Hybrid BCI. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 18(4), 409-414. doi: 10.1109/TNSRE.2010.2040837.
Pires, G., Castelo-Branco, M., & Nunes, U. (2008). Visual P300-based BCI to steer a wheelchair: A Bayesian approach. Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference, 2008, 658–661. https://doi.org/10.1109/IEMBS.2008.4649238
Punsawad, Y., & Wongsawat, Y. (2017). Multi-command SSVEP-based BCI system with training sessions for SSVEP during an eye fatigue state. IEEJ Transactions on Electronics, Information and Systems, 12(S1), S89-S94. https://doi.org/10.1002/tee.22441.
Punsawad, Y., Siribunyaphat, N., & Wongsawat, Y. (2018). Self-Flickering Visual Stimulus based on Visual illusion for SSVEP-based BCI System. 2018 11th Biomedical Engineering International Conference (BMEiCON). 21-25 Nov. 2018 (pp.1-4). Chiang Mai. IEEE. doi: 10.1109/BMEiCON.2018.8610000.
Rhodes, D. L., & Robertson, L. C. (2002). Visual field asymmetries and allocation of attention in visual scenes. Brain and Cognition, 50(1), 95-115. https://doi.org/10.1016/S0278-2626(02)00014-3.
Rovati, L., Salvatori, G., Bulf, L., & Fonda, S. (2007). Optical and electrical recording of neural activity evoked by graded contrast visual stimulus. Biomedical Engineering Online. 28(6), 2-28. https://doi.org/10.1186/1475-925X-6-28.
Sokoliuk, R., & VanRullen, R. (2013). The flickering wheel illusion: When α rhythms make a static wheel flicker. The Journal of Neuroscience: The Official Journal of the Society for Neuroscience, 33(33), 13498–13504. https://doi.org/10.1523/JNEUROSCI.5647-12.2013
Song, M., & Kim, J. (2017). Motor imagery enhancement paradigm using moving rubber hand illusion system. 2017 39th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC) (pp. 1146-1149). Seogwipo: IEEE. doi: 10.1109/EMBC.2017.8037032.
Ma, T., Li, H., Deng, L., Yang, H., Lv, X., Li, P., Li, F., Zhang, R., Liu, T., Yao, D., & Xu, P. (2017). The hybrid BCI system for movement control by combining motor imagery and moving onset visual evoked potential. Journal of neural engineering, 14(2), 1-20. doi: 10.1088/1741-2552/aa5d5f.
Tsukasa, K., & Jun’ichi, K. (2017). Regularity of approaching visual stimuli influences spatial expectations for subsequent somatosensory stimuli. Experimental Brain Research, 235(6), 1657-1663. doi: 10.1007/s00221-016-4863-6.
Van Dokkum, L. E. H., Ward, T., & Laffont, I. (2015). Brain computer interfaces for neurorehabilitation – its current status as a rehabilitation strategy post-stroke. Annals of Physical and Rehabilitation Medicine, 58(1), 3-8. https://doi.org/10.1016/j.rehab.2014.09.016.
Verma, P. A., Heilinger, A., Reitner, P., Grünwald, J., Guger, C., & Franklin, D. (2019). Performance Investigation of Brain-Computer Interface that Combine EEG and fNIRS for Motor Imagery Tasks. 2019 IEEE International Conference on Systems, Man and Cybernetics (SMC) (pp. 259-263). Bari, Italy: IEEE. doi: 10.1109/SMC.20198914083.
Vialatte, F. B., Maurice, M., Dauwels, J., & Cichocki, A. (2009). Steady-state visually evoked potentials: Focus on essential paradigms and future perspectives. Journal Progress in Neurobiology, 90(4), 418-438. https://doi.org/10.1016/j.pneurobio.2009.11.005.
Wolpaw, J. R., Birbaumer, N., McFarland, D. J., Pfurtscheller, G., & Vaughan, T. M. (2002). Brain-Computer Interfaces for communication and control. Clinical Neurophysiology: Official Journal of the International Federation of Clinical Neurophysiology, 113(6), 767–791. https://doi.org/10.1016/s1388-2457(02)00057-3
Wu, Z., Lai, Y., Xia, Y., Wu, D., & Yao, D. (2008). Stimulator selection in SSVEP-based BCI. Medical Engineering & Physic, 30(8), 1079-1088. http://doi.org/10.1016/j.medengphy.2008.01.004.
Xiaokang, S., Lin, Y., Xinjun, S., Dingguo, Z., & Xiangyang, Z. (2017). Enhanced Motor Imagery-Based BCI Performance via Tactile Stimulation on Unilateral Hand. Frontiers in Human Neuroscience, 11, 585. https://doi.org/10.3389/fnhum.2017.00585.
Xie, J., Xu, G., Wang, J., Zhang, F. & Zhang, Y. (2012). Steady-State Motion Visual Evoked Potentials by Oscillating Newton’s Rings: Implications for Brain-Computer Interfaces. PLoS ONE, 7(6), 1-8. doi: 10.1371/journal.pone.0039707.
Yin, E., Zeyl, T., Saab, R., Chau, T., Hu, D. & Zhou, Z. (2014). A Hybrid Brain-Computer Interface Based on the Fusion of P300 and SSVEP Scores. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 23(4), 1-9. doi: 10.1109/TNSRE.2015.2403270.
Zainuddin, B. S., Hussain, Z., & Isa, I. S. (2014), Alpha and beta EEG brainwave signal classification technique: A conceptual study. IEEE 10 th International Colloquium on Signal Processing and its Application (pp. 233-237). Kuala Lumpur, Malaysia: IEEE. doi: 10.1109/CSPA.2014.6805755.
Zhu, D., Bieger, J., & Garcia Molina, G., (2010). A survey of stimulation methods used in SSVEP-based BCIs. Computational Intelligence and Neuroscience, 2010, 1-12. doi: 10.1155/2010/702357.
