Informations

Comment construire un casque EEG haute sensibilité pour une surveillance continue ?

Comment construire un casque EEG haute sensibilité pour une surveillance continue ?

Après avoir eu une conversation avec quelques-uns des fabricants d'EEG de niveau « consommateur » les plus populaires tels que Contre, j'ai constaté que leurs capacités de surveillance sont soit limitées, soit totalement absentes. L'utilitaire des appareils, bien que cool du point de vue de la formation contrôlée par un tiers, est neutralisé lorsqu'il s'agit simplement d'obtenir des données brutes et de les tracer de manière à permettre à chacun de faire ses propres interprétations et appels.

Je voudrais construire mon propre appareil capable de surveiller de très bas < 0,5 Hz jusqu'à au moins 200 Hz. Mon objectif est d'intégrer cela dans mon propre logiciel afin de conserver un graphique en cours d'exécution pour l'analyse, etc.

Comment s'y prendrait-on pour construire un EEG qui a ce niveau de sensibilité ?


Il existe quelques fabricants d'EEG commerciaux qui permettent la surveillance des données EEG brutes. Par exemple, je sais que le bandeau Muse et OpenBCI vous permettent de le faire avec peu de problèmes. Ces deux prennent en charge des taux d'échantillonnage jusqu'à 250 Hz. (L'OpenBCI pourrait en principe avoir un taux d'échantillonnage plus élevé, mais je ne connais personne qui l'ait fait.)

L'Emotiv EPOC a également une option pour obtenir des données EEG brutes. Vous devez payer plus pour la version de recherche du SDK pour obtenir les données officiellement. Cependant, quelqu'un a rétro-conçu son protocole, vous pouvez donc accéder aux données brutes de cette façon. Cela a un taux d'échantillonnage allant jusqu'à 128 Hz.

Cela dit, si vous souhaitez toujours créer votre propre EEG, OpenBCI a documenté tous leurs plans. Un bon début serait donc de répliquer leur produit.

Il existe également le projet OpenEEG, plus ancien mais toujours utile, qui propose également des plans ouverts pour un appareil EEG.


Nouvel ensemble d'électrodes EEG pour une mesure rapide et facile des anomalies de la fonction cérébrale

Le jeu d'électrodes est facile à utiliser et convient, par exemple, aux mesures rapides dans les soins d'urgence et à la surveillance à long terme dans les hôpitaux.

Un nouvel ensemble d'électrodes EEG facile à utiliser pour la mesure de l'activité électrique du cerveau a été développé dans une étude récente réalisée à l'Université de Finlande orientale. Les solutions développées dans l'étude de doctorat de Pasi Lepola, MSc, permettent de fixer rapidement l'ensemble d'électrodes sur le patient, ce qui permet d'obtenir des résultats fiables sans aucun traitement spécial de la peau. Comme les mesures EEG en soins d'urgence sont souvent effectuées dans des conditions difficiles, la conception du jeu d'électrodes accorde une attention particulière à la réduction des interférences électromagnétiques provenant de sources externes.

Les mesures EEG peuvent être utilisées pour détecter de telles anomalies de l'activité électrique du cerveau qui nécessitent un traitement immédiat. Ces anomalies sont souvent des indications de lésions cérébrales graves, d'infarctus cérébral, d'hémorragie cérébrale, d'empoisonnement ou de troubles de la conscience non précisés. L'une des anomalies de la fonction cérébrale les plus graves est une crise d'épilepsie prolongée, l'état de mal épileptique, qui est impossible à diagnostiquer sans mesure EEG. Dans de nombreux cas, une mesure EEG effectuée rapidement et le début d'un traitement approprié réduit considérablement le besoin de suivi et de rééducation. Ceci, à son tour, améliore considérablement la rentabilité de la chaîne de traitement.

Bien que les avantages des mesures EEG soient incontestables, ils restent sous-utilisés dans les soins aigus et d'urgence. Une raison importante à cela est le fait que les jeux d'électrodes disponibles sur le marché sont difficiles à fixer sur le patient, et leur utilisation nécessite des compétences particulières et une formation constante. Ce nouveau type d'ensemble d'électrodes devrait fournir des solutions pour rendre les mesures EEG réalisables le plus tôt possible.

L'ensemble d'électrodes EEG a été produit à l'aide de la technologie de sérigraphie, dans laquelle de l'encre d'argent a été utilisée pour imprimer les conducteurs et les électrodes de mesure sur un film polyester flexible. L'ensemble d'électrodes EEG se compose de 16 électrodes enduites d'hydrogel qui, contrairement à la méthode traditionnelle, sont placées sur les zones sans poils de la tête du patient, ce qui facilite la fixation. Le nouveau jeu d'électrodes EEG accélère considérablement le processus de mesure car il n'est pas nécessaire de gratter la peau du patient ou d'utiliser des gels séparés. Comme le jeu d'électrodes est flexible et solide, les électrodes sont automatiquement placées à leur place. De plus, il n'est pas nécessaire de bouger la tête du patient lors de la mise en place du jeu d'électrodes EEG, ce qui est particulièrement important chez les patients souffrant éventuellement d'une blessure au cou ou au crâne. En raison du fait que le jeu d'électrodes jetables est facile et rapide à utiliser, il est particulièrement bien adapté pour être utilisé dans les soins d'urgence, dans les ambulances et même sur le terrain. Grâce aux matériaux utilisés, le jeu d'électrodes n'interfère avec aucune imagerie par résonance magnétique ou tomodensitométrie que le patient peut subir.

Contrairement à la méthode EEG traditionnelle, le jeu d'électrodes EEG est placé sous la racine des cheveux.

Les performances du jeu d'électrodes ont été testées à l'aide de divers tests électriques, sur plusieurs volontaires et dans des cas réels de patients. Les résultats ont été comparés à ceux obtenus par les méthodes EEG traditionnelles.

L'étude de doctorat s'est également concentrée sur l'utilisation de solutions technologiques de sérigraphie pour protéger les électrodes contre les interférences électromagnétiques. La couche de blindage en argent ou en graphite imprimée sur le bord extérieur de l'ensemble d'électrodes s'est avérée réduire considérablement les interférences externes sur le signal EEG. Cette couche de blindage peut être introduite facilement et à moindre coût sur toutes les électrodes de mesure produites avec des méthodes similaires. La protection de l'électrode avec une couche de blindage est bénéfique lors de la mesure de signaux faibles dans des conditions contenant des interférences externes.


Bleichner MG, Debener S (2017) Acquisition EEG dissimulée et discrète centrée sur l'oreille : cEEGrids pour un EEG transparent. Hum avant Neurosci 11:163

Bleichner MG, Lundbeck M, Selisky M, Minow F, J¨ager M, Emkes R, Debener S, De Vos M (2015) Exploration d'électrodes EEG miniaturisées pour les interfaces cerveau-ordinateur. Un EEG que vous ne voyez pas ? Physiol Rep 3(4):e12362

Bleichner MG, Mirkovic B, Debener S (2016) Identification de l'attention auditive avec l'EEG de l'oreille : comparaison cEEGrid versus cap-EEG haute densité. J Neural Eng 13(6):066004

Debener S, Emkes R, De Vos M, Bleichner M (2015) EEG ambulatoire discret utilisant un smartphone et des électrodes imprimées flexibles autour de l'oreille. Sci Rep 5:16743

Denk F, Grzybowski M, Ernst SM, Kollmeier B, Debener S, Bleichner MG (2017) Mesure de la modification du son des aides auditives à l'aide d'un EEG auriculaire intégré. Proc Int Symp Audit Audiolog Res 6:351-358

Denk F, Grzybowski M, Ernst SM, Kollmeier B, Debener S, Bleichner MG (2018) Potentiels liés aux événements mesurés à l'intérieur et autour des électrodes auriculaires intégrées dans un appareil auditif en direct pour surveiller la perception sonore. Tendances Entendre 22:2331216518788219

Fiedler L, Obleser J, Lunner T, Graversen C (2016) Ear-EEG permet l'extraction de réponses neuronales dans des scénarios d'écoute difficiles - une future technologie pour les aides auditives ? En 2016, 38e conférence internationale annuelle de l'IEEE Engineering in Medicine and Biology Society (EMBC), IEEE pp. 5697-5700.

Fiedler L, Woestmann M, Graversen C, Brandmeyer A, Lunner T, Obleser J (2017) L'EEG monocanal dans l'oreille détecte le foyer de l'attention auditive sur les flux de tonalité simultanés et la parole mixte. J Neural Eng 14(3):036020

Grady CL, Van Meter JW, Maisog JM, Pietrini P, Krasuski J, Rauschecker JP (1997) Modulation de l'activité liée à l'attention dans le cortex auditif primaire et secondaire. NeuroReport 8(11) : 2511–2516

Gramfort A, Papadopoulo T, Olivi E, Clerc M (2010) Openmeeg : logiciel open source pour la bioélectromagnétique quasistatique. Biomed Eng en ligne 9(1):45

Hallez H, Vanrumste B, Grech R, Muscat J, De Clercq W, Vergult A, D'Asseler Y, Camilleri KP, Fabri SG, Van Huffel S et al (2007) Review on solve the forward problem in EEG source analysis. J Neuroeng Rehabil 4(1):46

Hine J, Debener S (2007) L'asymétrie des potentiels évoqués auditifs tardifs revisitée. Clin Neurophysiol 118(6):1274-1285

Holmes CJ, Hoge R, Collins L, Woods R, Toga AW, Evans AC (1998) Amélioration des images RM en utilisant l'enregistrement pour la moyenne du signal. J Comput Assist Tomogr 22(2):324–333

Kanai R, Rees G (2011) La base structurelle des différences interindividuelles dans le comportement humain et la cognition. Rév Nat Neurosci 12(4):231

Kappel L, Makeig S, Kidmose P (2019) Modèles avancés d'EEG-oreille : modèles de tête améliorés pour l'EEG-oreille. Neurosci avant 13:943

Kidmose P, Looney D, Mandic DP (2012) Réponses évoquées auditives à partir d'enregistrements oreille-EEG. En 2012 Conférence internationale annuelle de l'IEEE Engineering in Medicine and Biology Society, IEEE pp. 586-589.

Lee JH, Lee SM, Byeon HJ, Hong JS, Park KS, Lee S-H (2014) Électrodes auriculaires à canal de type Cnt/pdms pour un enregistrement EEG discret. J Neural Eng 11(4):046014

Llera A, Wolfers T, Mulders P, Beckmann CF (2019) Les différences interindividuelles dans la structure et la morphologie du cerveau humain sont liées à la variation démographique et comportementale. Évie 8 : e44443

Looney D, Park C, Kidmose P, Rank ML, Ungstrup M, Rosenkranz K, Mandic DP (2011) Une plate-forme intra-auriculaire pour l'enregistrement de l'électroencéphalogramme. En 2011 Conférence internationale annuelle de l'IEEE Engineering in Medicine and Biology Society, IEEE. pages 6882–6885

Looney D, Kidmose P, Park C, Ungstrup M, Rank ML, Rosenkranz K, Mandic DP (2012) Le concept d'enregistrement intra-auriculaire : surveillance cérébrale portable et centrée sur l'utilisateur. IEEE Pulse 3(6) : 32–42

Looney D, Goverdovsky V, Rosenzweig I, Morrell MJ, Mandic DP (2016) Capteur d'encéphalographie intra-auriculaire portable pour la surveillance du sommeil. Observations préliminaires des études de sieste. Ann Am Thorac Soc 13(12):2229-2233

Mikkelsen KB, Kappel SL, Mandic DP, Kidmose P (2015) EEG enregistré depuis l'oreille : caractérisation de la méthode oreille-EEG. Neurosci avant 9:438

Mirkovic B, Bleichner MG, De Vos M, Debener S (2016) Détection du locuteur cible avec EEG dissimulé autour de l'oreille. Neurosci avant 10:349

Mosher JC, Leahy RM, Lewis PS (1999) EEG et MEG : solutions directes pour les méthodes inverses. IEEE Trans Biomed Eng 46(3):245-259

Nakamura T, Goverdovsky V, Morrell MJ, Mandic DP (2017) Surveillance automatique du sommeil à l'aide d'un EEG auriculaire. IEEE J Transl Eng Santé Med 5:1–8

Nogueira W, Dolhopiatenko H, Schierholz I, Bu¨chner A, Mirkovic B, Bleichner MG, Debener S (2019) Décodage de l'attention sélective chez les auditeurs normaux et les utilisateurs d'implants cochléaires bilatéraux avec EEG d'oreille cachée. Neurosci avant 13:720

Roth BJ, Balish M, Gorbach A, Sato S (1993) Dans quelle mesure un modèle à trois sphères prédit-il les positions des dipôles dans une tête de forme réaliste ? Électroencéphalogramme Clin Neurophysiol 87(4) : 175–184

Tadel F, Baillet S, Mosher JC, Pantazis D, Leahy RM (2011) Brainstorm : une application conviviale pour l'analyse MEG/EEG. Comput Intell Neurosci 2011 : 8

Whittingstall K, Stroink G, Gates L, Connolly J, Finley A (2003) Effets de la position, de l'orientation et du bruit du dipôle sur la précision de la localisation de la source EEG. Biomed Eng en ligne 2(1):14

Wolforff MG, Gallen CC, Hampson SA, Hillyard SA, Pantev C, Sobel D, Bloom FE (1993) Modulation du traitement sensoriel précoce dans le cortex auditif humain pendant l'attention sélective auditive. Proc Natl Acad Sci 90 (18): 8722-8726

Yvert B, Bertrand O, Echallier J, Pernier J (1996) Amélioration de la localisation des dipôles en utilisant le raffinement local du maillage de géométries de tête réalistes : une étude de simulation EEG. Electroencéphalogramme Clin Neurophysiol 99(1):79-89

Zibrandtsen I, Kidmose P, Christensen CB, Kjaer T (2017) Ear-EEG détecte les anomalies ictales et interictales dans l'épilepsie focale et généralisée - une comparaison avec la surveillance EEG du cuir chevelu. Clin Neurophysiol 128(12):2454-2461


Métriques de cohérence EEG pour la vigilance : sensibilité à la charge de travail, au temps consacré à la tâche et aux différences individuelles

La baisse de vigilance des performances est un enjeu opérationnel important dans divers contextes appliqués. Les méthodes psychophysiologiques de surveillance diagnostique de la vigilance se sont concentrées sur les mesures de densité spectrale de puissance à partir de l'électroencéphalogramme (EEG). Cet article traite de la diagnosticité d'un ensemble alternatif de mesures EEG, la cohérence entre les différents sites d'électrodes. Les métriques de cohérence peuvent indexer la connectivité fonctionnelle entre les régions du cerveau qui soutient une attention soutenue. La cohérence a été calculée pour sept réseaux cérébraux prédéfinis. Les facteurs de charge de travail et de temps consacré à la tâche ont principalement influencé la cohérence alpha et thêta dans les réseaux antérieurs, centraux et interhémisphériques. Différences individuelles de cohérence dans les réseaux interhémisphériques, intro-hémisphérique gauche et postérieurs en corrélation avec la performance. Ces résultats démontrent l'utilité potentielle appliquée des métriques de cohérence, bien que plusieurs limitations et défis méthodologiques doivent être surmontés.

Ceci est un aperçu du contenu de l'abonnement, accessible via votre institution.


Comment construire un casque EEG haute sensibilité pour une surveillance continue ? - Psychologie

Tous les articles publiés par MDPI sont rendus immédiatement disponibles dans le monde entier sous une licence en libre accès. Aucune autorisation particulière n'est requise pour réutiliser tout ou partie de l'article publié par MDPI, y compris les figures et les tableaux. Pour les articles publiés sous licence Creative Common CC BY en accès libre, toute partie de l'article peut être réutilisée sans autorisation à condition que l'article original soit clairement cité.

Les articles de fond représentent la recherche la plus avancée avec un potentiel important d'impact élevé dans le domaine. Les articles de fond sont soumis sur invitation individuelle ou sur recommandation des éditeurs scientifiques et font l'objet d'un examen par les pairs avant leur publication.

L'article de fond peut être soit un article de recherche original, une nouvelle étude de recherche substantielle qui implique souvent plusieurs techniques ou approches, ou un article de synthèse complet avec des mises à jour concises et précises sur les derniers progrès dans le domaine qui passe systématiquement en revue les avancées les plus passionnantes dans le domaine scientifique. Littérature. Ce type d'article donne un aperçu des orientations futures de la recherche ou des applications possibles.

Les articles du Choix de l'éditeur sont basés sur les recommandations des éditeurs scientifiques des revues MDPI du monde entier. Les rédacteurs en chef sélectionnent un petit nombre d'articles récemment publiés dans la revue qui, selon eux, seront particulièrement intéressants pour les auteurs ou importants dans ce domaine. L'objectif est de fournir un aperçu de certains des travaux les plus passionnants publiés dans les différents domaines de recherche de la revue.


Résultats

Comportement

Pour l'arrêt, le SSRT moyen était significativement plus long pour la condition G > S (288 ± 26 ms) que pour la condition S > G (249 ± 46 ms), t(13) = 3.6, p < 0,005 (Figure 2a). Ce modèle de comportement a confirmé que la manipulation de la récompense influençait le comportement d'arrêt des sujets.

A) Temps de réaction en millisecondes sur les essais de Go et les essais d'arrêt échoués. B) Le retard du signal d'arrêt (SSD) et le temps de réaction du signal d'arrêt (SSRT). G > S = aller vite a gagné 10 points et arrêt réussi a gagné 1 point S > G = arrêt réussi a gagné 10 points et aller vite a gagné 1 point. ** indique une signification à p < 0,01 et *** indiquent une signification à p < 0,001.

Le SSD moyen était significativement plus court pour la condition G > S (63 ± 39 ms) que pour la condition S > G (291 ± 121 ms), t(13) = 7.6, p < 0,001 (Figure 2a). Le p(inhiber) moyen était également significativement plus petit pour la condition G > S (0,35 ± 0,14) que le p(inhiber) pour la condition S > G (0,58 ± 0,05), t(13) = 5.7, p < 0,001, et le RT moyen d'arrêt raté était significativement plus lent pour la condition S > G (420 ± 20 ms) que pour la condition G > S (328 ± 9 ms), t(13) = 5.7, p < 0,0001 (Figure 2b). Le modèle de p(inhibition) et d'échec de la RT d'arrêt a également reproduit les résultats de l'étude précédente (Leotti & Wager, 2010). Cependant, le p(inhibition) était relativement faible dans la condition G > S, et bien que chaque sujet ait fourni au moins 44 essais d'arrêt réussis, l'estimation de la SSRT résultante peut ne pas être fiable (Verbruggen & Logan, 2009b).

Le Go RT moyen était significativement plus rapide pour la condition G > S (373 ± 36 ms) que pour la condition S > G (494 ± 78 ms), t(13) = 6.1, p < 0,001 (Figure 2b). Le total moyen de points gagnés pour la condition G > S était de 1205 ± 249 et pour la condition S > G était de 1148 ± 66, et ce n'était pas une différence significative t(13) = 0.92, p = 0,4. Combinés, ce modèle de Go RT et de points gagnés indique que les participants modifiaient leurs stratégies de contrôle proactif en fonction des différentes contingences ponctuelles, c'est-à-dire qu'ils préféraient s'arrêter plutôt qu'aller dans la condition stop-récompense et vice versa.

Trois composants ERP distincts ont été identifiés pour les essais d'arrêt réussis et échoués dans les deux conditions de tâche. Ceux-ci comprenaient le N2, le P3 et, fait intéressant, le visuel postérieur N1. Le N2 fronto-central a culminé environ 210 ms après le signal d'arrêt, centré sur Cz ( Figure 3 ). La composante P3 a culminé environ 300 ms après le signal d'arrêt, avec une topographie fronto-centrale, centrée sur Cz ( Figure 3 ). Le N1 occipito-pariétal postérieur a culminé en premier, environ 190 ms après le début du signal d'arrêt, centré sur l'électrode Oz (Figure 4).

A) L'ERP moyen mesuré à l'électrode Cz est présenté pour les essais d'arrêt réussis et échoués pour les deux conditions de tâche différentes. Le N2 pour les essais d'arrêt échoués et le P3 pour tous les types d'essais sont représentés. B) La vague de différence ERP pour l'arrêt réussi - échoué est présentée pour les deux conditions de tâche différentes et montre une différence importante entre les deux conditions de tâche de

200 à 300 ms après le signal d'arrêt. C) Les topographies du cuir chevelu pour l'amplitude maximale du P3 fronto-central sont présentées pour les essais d'arrêt réussis et échoués pour chaque condition ainsi que les cartes de différence et de valeur t. SS = arrêt réussi FS = arrêt raté G > S = aller vite gagné 10 points et arrêt réussi gagné 1 point S > G = arrêt réussi gagné 10 points et aller vite gagné 1 point.

A) L'ERP moyen mesuré à l'électrode Oz est présenté pour les essais d'arrêt réussis et échoués pour les deux conditions de tâche différentes. B) La vague de différence ERP pour l'arrêt réussi – a échoué est présentée pour les deux conditions de tâche différentes et indique qu'il n'y avait pas de différence de condition dans le N2. C) Les topographies du cuir chevelu pour l'amplitude maximale du N1 occipito-pariétal sont présentées pour les essais d'arrêt réussis et échoués pour chaque condition ainsi que les cartes de différence et de valeur t. L'émergence du N2 fronto-central est également visible pour les arrêts ratés. SS = arrêt réussi FS = arrêt raté G > S = aller vite gagné 10 points et arrêt réussi gagné 1 point S > G = arrêt réussi gagné 10 points et aller vite gagné 1 point.

Pour chaque sujet, nous avons dérivé l'amplitude de crête minimale (N1 et N2) et maximale (P3) des ERP sur leurs sites d'électrodes correspondants pour les essais d'arrêt réussis et échoués dans chacune des deux conditions de tâche. Nous avons effectué une ANOVA distincte pour chacune des trois amplitudes ERP maximales avec la condition des facteurs (S > G vs. G > S) et le type d'essai d'arrêt (réussite vs échec).

Notamment, nous n'avons pas observé de composante N2 fronto-centrale pour à succès arrêter les essais dans la condition S > G ou G > S, quantifiés à l'électrode Cz. Cependant, nous avons observé un N2 à l'électrode Cz émergeant vers 200 ms pour échoué arrêtez les essais dans les deux conditions de récompense (Figure 3a). L'amplitude du pic N2 sur les essais d'arrêt ratés était plus grande pour la condition S > G que la condition G > S, t(13) = 3.6, p < 0,005.

Comme prévu, l'amplitude P3 était plus grande pour les arrêts réussis que pour les arrêts échoués et était également plus grande pour la condition S > G que G > S, F(1,13) = 117.3, p < 0,0001 et F(1,13) = 8.3, p < 0,05, respectivement (Figure 3a). De plus, il y a eu une interaction significative, F(1,13) = 16.3, p < 0,01 (Figure 3c). Suivre t-les tests ont indiqué que la différence d'amplitude P3 entre les essais d'arrêt réussis et échoués était plus grande pour la condition S > G que pour la condition G > S, t(13) = 4.0, p < 0,01, bilatéral.

Le N1 postérieur a montré une amplitude beaucoup plus grande pour la condition S > G pour les essais d'arrêt réussis et échoués, F(1,13) = 25.7, p < 0,0001 (Figure 4a et b). Fait intéressant, contrairement au P3 fronto-central chronologiquement plus tardif, il n'y avait pas d'effet principal d'arrêt réussi ou échoué et aucune interaction.

Pour notre analyse exploratoire de la cohérence entre les électrodes Cz et Oz sur les essais Go, la PLV était significativement plus élevée à 12 Hz pour la condition S > G que la condition G > S (p < 0,05, FDR corrigé) (Figure 5). Cette différence est apparue peu de temps après le début du stimulus Go et a persisté pendant environ 150 ms. Il est important de noter que c'est bien avant la moyenne Go RT pour la condition G > S (373 ms) et la condition S > G (494 ms). Il n'y avait pas d'autres différences significatives entre les deux conditions de tâche à aucun autre moment ou fréquence.

A) La cohérence de phase a été calculée entre les électrodes Cz et Oz pour les 373 ms suivant la flèche Go cible pour les conditions S &# x0003e G (en haut) et G &# x0003e S (en bas). B) Il y avait une cohérence de phase significativement plus grande pour la condition S > G que la condition G > S à 12 Hz, et cela a duré environ 150 ms après le début de la cible Go.


Une nouvelle technologie portable fait passer la surveillance du cerveau du laboratoire au monde réel

Imaginez si un entraîneur pouvait savoir à quels moments de compétition un certain joueur pourrait culminer, ou si un chauffeur de camion avait des données objectives lui disant que son corps et son esprit étaient trop fatigués pour continuer à conduire.

Traditionnellement, mesurer la vigilance ou la fatigue mentale nécessite d'interrompre un moment naturel pour intervenir dans un cadre artificiel. Mais le neuroscientifique de Penn Michael Platt et le postdoctorant Arjun Ramakrishnan ont créé un outil à utiliser en dehors du laboratoire, une technologie portable qui surveille l'activité cérébrale et renvoie des données sans mettre un joueur sur le banc ou demander à un camionneur de s'arrêter.

La plate-forme s'apparente à un Fitbit pour le cerveau, avec un ensemble de capteurs à nanofils en silicium et en argent intégrés dans un couvre-chef comme un bandeau, un casque ou une casquette. L'appareil, un électroencéphalogramme portable (EEG), est intentionnellement discret pour permettre un port prolongé, et, à l'arrière, de puissants algorithmes décodent les signaux cérébraux collectés par les capteurs. Bien qu'elle en soit encore à ses débuts, la technologie a des applications potentielles des soins de santé aux performances sportives et à l'engagement des clients.

Construire un prototype fonctionnel
« Tout cela est né de notre désir en tant que groupe – et de ma forte conviction – de sortir les neurosciences du laboratoire et de les mettre entre les mains de personnes qui pourraient les utiliser pour atteindre leur plein potentiel », déclare Platt, professeur de Penn Integrates Knowledge avec nominations à la School of Arts and Sciences, à la Perelman School of Medicine et à la Wharton School. « Nous pensions naïvement que nous pouvions simplement tirer parti des solutions actuelles prêtes pour le marché qui existaient. »

Mais plus l'équipe testait d'options, plus il devenait évident que rien n'était tout à fait ce qu'ils voulaient. La plupart manquaient globalement de capteurs de haute qualité ou avaient des capteurs dont la qualité diminuait rapidement une fois que le porteur commençait à bouger. Début 2017, ils ont décidé de construire leur propre EEG portable, grâce à une subvention de démarrage financée par la National Science Foundation et allouée par le Penn's Singh Center for Nanotechnology.

« Nous avons lutté pendant six ou sept mois pour fabriquer un capteur fonctionnel », explique Ramakrishnan, qui fait partie des Platt Labs depuis trois ans. « Nous avons finalement eu notre premier prototype fonctionnel en décembre 2017. »

La version à succès, conçue en partie par l'ingénieur de recherche Naz Belkaya, était composée d'une combinaison d'argent et d'un matériau semblable au silicium appelé polydiméthylsiloxane (PDMS). L'argent est flexible, sensible et conducteur. Le PDMS est extensible et peut se plier, des propriétés similaires à celles de la peau. Le fait de placer le PDMS au-dessus des nanofils d'argent a rendu le produit essentiellement antimicrobien et a évité d'avoir besoin d'utiliser du gel pour le faire adhérer à la peau. Cela signifiait que les capteurs pouvaient rester confortablement en place pendant de longues périodes.

Avec ce qu'ils pensaient être une technologie de capteur puissante en main, Platt et Ramakrishnan ont commencé à parler avec PCI Ventures, une branche du Penn Center for Innovation visant à guider les professeurs de l'université tout au long du processus de création d'une entreprise. L'équipe de licence de PCI les a aidés à déposer un brevet provisoire pour le produit (appelé à l'origine NanoNeuroScope), et Cogwear, LLC, est née en mai 2018. Début 2019, la société a embauché un PDG, Patrick Wood, avec l'objectif de comprendre comment augmenter la production et quelle direction viser en premier.

« Il existe un grand nombre d'applications potentielles », déclare Wood. « C'est vraiment un excellent point de départ pour une entreprise. Nous avons une belle dynamique. »

Performance sportive et engagement
Platt et ses collègues ont déjà fait des progrès en testant leur technologie EEG dans l'arène sportive. Au printemps 2019, une équipe dirigée par le postdoctorant de Platt Labs, Scott Rennie, a travaillé avec Penn Rowing pour étudier la chimie de groupe, la confiance, la communication et la synchronie cérébrale, essentielles pour une activité qui repose sur un mouvement coordonné.

Dans une salle de sport, les chercheurs ont placé les capteurs sur les athlètes, puis les ont analysés en ramant sur des machines uniques sélectionnées au hasard à côté de leurs coéquipiers, mais sur des machines non liées et sur des machines liées. Les lectures d'EEG et de fréquence cardiaque ont montré que la synchronisation physiologique était sans surprise la plus élevée lorsque les coéquipiers manœuvraient sur des machines attachées et presque aussi élevée lorsqu'ils s'entraînaient l'un à côté de l'autre sans attache.

L'aviron n'est pas le seul sport pour lequel les données cérébrales peuvent être utiles. Cet été, les chercheurs ont travaillé avec une équipe de football professionnelle au Royaume-Uni pour évaluer la concentration des joueurs pendant les exercices d'entraînement, leur sensibilité au stress sous pression et leur capacité à prédire et déjouer leurs adversaires. Une étude à venir avec Penn Wrestling mesurera l'influence de la fatigue sur les signaux neuronaux sous-jacents à la prise de décision et sur la communication entre le lutteur et l'entraîneur. Wood voit un fort potentiel pour un sport axé sur les chiffres comme le baseball.

« Vous avez les statistiques précédentes de tous les joueurs, leur poids, leurs dimensions, toutes sortes de mesures, mais vous aurez peut-être besoin d'un point de données supplémentaire sur leur capacité mentale à résister à la pression de se tenir debout à la plaque sur le point de frapper la balle. » dit Bois. « Vous devrez peut-être en savoir plus sur chaque joueur avant de pouvoir commencer à les comparer. »

Au-delà du sport, Platt et son équipe testent la capacité de la technologie à déterminer l'engagement dans des activités de groupe comme une maison hantée au pénitencier de l'État de l'Est ou une conférence d'affaires organisée par une société de solutions d'entreprise comme SAP. « Nous avons mené une brève étude pilote à Las Vegas pour mesurer l'activité cérébrale et la fréquence cardiaque des personnes se promenant dans un salon SAP », explique Platt. «Nous avons constaté que la fréquence cardiaque ne variait pas du tout, elle ne bougeait pas. Mais les mesures d'engagement à partir des données EEG ont montré des pics et des creux vraiment intéressants. Pour la plupart, les gens n'étaient pas très engagés, sur le plan cérébral, sauf lorsqu'ils parlaient à d'autres personnes. »

En mai dernier, les chercheurs ont mené une étude plus vaste avec SAP. Pour un groupe de discussion participant à une conférence, l'équipe de Platt a découvert que les données cérébrales aidaient à prédire quels stands et activités les gens visiteraient. Tout comme avec le pilote, les interactions sociales semblaient maximiser l'engagement.

« L'étalon-or actuel consiste à envoyer par courrier électronique un sondage aux participants après la conférence, ce qui est une mauvaise mesure de l'engagement », explique-t-il. "Nous avons déjà des résultats passionnants montrant que les interactions sociales déplacent l'aiguille plus que les non-sociales et que nous pouvons, peut-être, faire d'autres prédictions basées sur l'activité cérébrale."

Un avenir dans les soins de santé et au-delà
En fin de compte, Platt et Ramakrishnan disent qu'ils pourraient voir l'industrie des soins de santé utiliser cette technologie à la fois pour des applications physiques comme la surveillance des crises à domicile pour les enfants et pour la santé mentale, pour surveiller les changements d'état d'esprit qui pourraient indiquer l'anxiété ou la dépression, par exemple.

« Environ 40 % des étudiants qui fréquentent l'université sont anxieux ou déprimés aux États-Unis. C'est un nombre ahurissant », déclare Ramakrishnan. Le défi est que les gens ne sont pas souvent conscients de leur propre situation de santé mentale, ajoute-t-il. Soutenue par une subvention de la Brain & Behavior Research Foundation, l'équipe de Platt Labs travaille sur un kit à emporter qui comprend des jeux et l'EEG portable, qui pourrait objectivement suivre plusieurs jours les pics et les vallées émotionnels d'une personne. Un composant de laboratoire déjà terminé a montré que l'équipe de Platt pouvait identifier les niveaux d'anxiété des participants avec une précision d'environ 84 % en utilisant de nouveaux algorithmes qui combinaient des caractéristiques basées sur l'EEG avec la variabilité de la fréquence cardiaque et la conductance cutanée.

« C'est la direction que prennent les soins de santé en général », dit Ramakrishnan. « Il y a beaucoup de promesses pour ce genre d’approche. »

Toutes les applications technologiques que l'équipe de recherche a testées jusqu'à présent se sont concentrées sur une utilisation institutionnelle à grande échelle. Mais à terme, tout individu pourrait être en mesure d'acheter un produit EEG centré sur la technologie des capteurs, un ajout à l'écosystème d'outils de collecte de données individualisés tels que les montres intelligentes et les applications de surveillance du sommeil déjà sur le marché.

« À la base, l'avancée que nous réalisons ici est la technologie des capteurs, mais en réalité, nous tirons parti de toute l'expertise que nous avons développée au cours des 25 dernières années en termes de compréhension et de décodage des signaux cérébraux », explique Platt. « Ensuite, nous pouvons exploiter ces signaux pour faire des prédictions sur les performances, l'expérience utilisateur, l'engagement client, toutes sortes de choses. C’est le cœur de la surveillance du cerveau, cela nous permet d’avoir un aperçu de la fonction ou du dysfonctionnement que les gens ne peuvent pas ou ne veulent pas déclarer eux-mêmes. »

Arjun Ramakrishnan et Scott Rennie sont des chercheurs postdoctoraux dans le Laboratoires Platt. Naz Belkaya est ingénieur de recherche au Platt Labs. Patrick Wood est le PDG de Cogwear, LLC.

Les membres de l'équipe du Penn Center for Innovation qui ont participé au développement de Cogwear incluent Neal Lemon, qui a aidé l'équipe de Platt à déposer des brevets provisoires et non provisoires, Ryan Mendoza, qui a aidé au lancement de Cogwear et Jordana Barmish, qui a agi en tant que PDG par intérim de l'entreprise pour les neuf premiers de Cogwear. mois.

Le financement du projet provient de la subvention NNCI-1542153 de la National Science Foundation (NSF), du P&S Fund et du prix FabNet ™ de la Brain and Behaviour Research Foundation parrainé par Ben Franklin Technology Partners Penn Health-Tech et une subvention Penn I-Corps financée par la NSF.


La surveillance du cerveau fait un bond hors du laboratoire avec le premier système d'EEG sec en son genre

Des bio-ingénieurs et des scientifiques cognitifs ont développé le premier système portable de surveillance de l'activité cérébrale portable à 64 canaux qui est comparable aux équipements de pointe trouvés dans les laboratoires de recherche.

The system is a better fit for real-world applications because it is equipped with dry EEG sensors that are easier to apply than wet sensors, while still providing high-density brain activity data. The system comprises a 64-channel dry-electrode wearable EEG headset and a sophisticated software suite for data interpretation and analysis. It has a wide range of applications, from research, to neuro-feedback, to clinical diagnostics.

The researchers’ goal is to get EEG out of the laboratory setting, where it is currently confined by wet EEG methods. In the future, scientists envision a world where neuroimaging systems work with mobile sensors and smart phones to track brain states throughout the day and augment the brain’s capabilities.

“This is going to take neuroimaging to the next level by deploying on a much larger scale,” said Mike Yu Chi, a Jacobs School alumnus and CTO of Cognionics who led the team that developed the headset used in the study. “You will be able to work in subjects’ homes. You can put this on someone driving.”

The researchers from the Jacobs School of Engineering and Institute for Neural Computation at UC San Diego detailed their findings in an article of the Special Issue on Wearable Technologies published recently in IEEE Transactions on Biomedical Engineering.

They also envision a future when neuroimaging can be used to bring about new therapies for neurological disorders. “We will be able to prompt the brain to fix its own problems,” said Gert Cauwenberghs, a bioengineering professor at the Jacobs School and a principal investigator of the research supported in part by a five-year Emerging Frontiers of Research Innovation grant from the National Science Foundation. “We are trying to get away from invasive technologies, such as deep brain stimulation and prescription medications, and instead start up a repair process by using the brain’s synaptic plasticity.”

En rapportDes postes

How a new mother’s brain responds her infant’s emotions predicts postpartum depression and anxiety

Could listening to music be slowing you down at work or school?

In 10 years, using a brain-machine interface might become as natural as using your smartphone is today, said Tim Mullen, a UC San Diego alumnus, now CEO of Qusp and lead author on the study. Mullen, a former researcher at the Swartz Center for Computational Neuroscience at UC San Diego, led the team that developed the software used in the study with partial funding from the Army Research Lab.

For this vision of the future to become a reality, sensors will need to become not only wearable but also comfortable, and algorithms for data analysis will need to be able to cut through noise to extract meaningful data. The paper, titled “Real-time Neuroimaging and Cognitive Monitoring Using Wearable Dry EEG,” outlines some significant first steps in that direction.

EGG headset

The EEG headset developed by Chi and his team has an octopus-like shape, in which each arm is elastic, so that it fits on many different kinds of head shapes. The sensors at the end of each arm are designed to make optimal contact with the scalp while adding as little noise in the signal as possible.

Researchers spent four years perfecting the recipe for the sensors’ materials. Sensors designed to work on a subject’s hair are made of a mix of silver and carbon deposited on a flexible substrate. This material allows sensors to remain flexible and durable while still conducting high-quality signals–a silver/silver-chloride coating is key here. Sensors designed to work on bare skin are made from a hydrogel encased inside a conductive membrane. These sensors are mounted inside a pod equipped with an amplifier, which helps boost signal quality while shielding the sensors from interferences from electrical equipment and other electronics.

Next steps include improving the headset’s performance while subjects are moving. The device can reliably capture signals while subjects walk but less so during more strenuous activities such as running. Electronics also need improvement to function for longer time periods–days and even weeks instead of hours.

Software and data analysis

The data that the headset captured were analyzed with software developed by Mullen and Christian Kothe, another former researcher at the Swartz Center for Computational Neuroscience and currently CTO of Qusp. First, brain signals needed to be separated from noise in the EEG data. The tiny electrical currents originating from the brain are often contaminated by high amplitude artifacts generated when subjects move, speak or even blink. The researchers designed an algorithm that separates the EEG data in real-time into different components that are statistically unrelated to one another. It then compared these elements with clean data obtained, for instance, when a subject is at rest. Abnormal data were labeled as noise and discarded. “The algorithm attempts to remove as much of the noise as possible while preserving as much of the brain signal as possible,” said Mullen.

But the analysis didn’t stop there. Researchers used information about the brain’s known anatomy and the data they collected to find out where the signals come from inside the brain. They also were able to track, in real time, how signals from different areas of the brain interact with one another, building an ever-changing network map of brain activity. They then used machine learning to connect specific network patterns in brain activity to cognition and behavior.

“A Holy Grail in our field is to track meaningful changes in distributed brain networks at the ‘speed of thought’,” Mullen said. “We’re closer to that goal, but we’re not quite there yet.”

Both Chi and Mullen have created start-ups focused on commercialization of brain technology, including some components featured in this study. Chi’s company, Cognionics, sells the headset to research groups. The device also is popular with specialists in neuro-feedback, who map the brain to later influence behavior. The ultimate goal is to get the headset into the clinic to help diagnose a range of conditions, such as strokes and seizures.

Mullen’s start-up, Qusp, has developed NeuroScale, a cloud-based software platform that provides continuous real-time interpretation of brain and body signals through an Internet application program interface. The goal is to enable brain-computer interface and advanced signal processing methods to be easily integrated with various everyday applications and wearable devices.

Under joint DARPA funding, Cognionics is creating an improved EEG system, while Qusp is developing an easy-to-use graphical software environment for rapid design and application of brain signal analysis pipelines.

“These entrepreneurial efforts are integral to the success of the Jacobs School and the Institute for Neural Computation to help take neurotechnology from the lab to practical uses in cognitive and clinical applications,” said Cauwenberghs, who is co-founder of Cognionics and serves on its Scientific Advisory Board.


Putting Patients First

At Nihon Kohden, every employee is driven by the idea that each patient touched by our products could be a member of our own family.

This belief is the origin of our commitment to the quality and reliability of our technology and services. It is also the reason we develop our products with our premium-as-standard philosophy and design it to work across the healthcare continuum, giving providers the ability to deliver care without compromise.

Because we know that every time one of our products is used, a person’s life is at stake.

And we understand just how precious every life is.


Search Methodology

Sommaire

In recent years, the number of portable, low-cost EEG-based systems available on the market has increased (Wei et al., 2018). Research examining the use of low-cost EEG systems has focused on the continuous recording of EEG data and/or the replication of larger EEG analytical systems using portable devices. In this review, we surveyed research papers that described the use of low-cost EEG devices, focusing on the devices where the headset was below $1,000 USD in price, independent of licensing fees: the InteraXon Muse, the Neurosky MindWave, the Emotiv Epoc, the Emotiv Insight, and the OpenBCI. These devices represent a sample of widely-used commercial models. Although other devices and suppliers have been used (Li and Chung, 2015), the search was focused on those non-invasive EEG devices that were below $1000, not marketed as medical devices, accessible to consumers, prominent in the hobbyist community, and have provided tools or options for brain-computer interface (BCI) applications. Table 1 presents a comparison of these commercial, low-cost EEG headsets. Most low-cost headsets use dry electrodes, which are more convenient for casual users. Similarly, most headsets come bundled with software that includes research tools, open-source software, and additional hardware (Lin et al., 2014 Farnsworth, 2017).


Voir la vidéo: attention!!! à sa tête Les casques de chantier (Janvier 2022).