Decoding human movement intentions and postural reactions through brain signals

Abstract

Falls are one of the most common causes of injuries in the elderly population. As a result, treatment costs have also increased. Recent efforts to restore lower limb function in these populations have seen an increase in the use of wearable robotic systems, however, fall prevention measures in these systems require early detection of loss of balance to be effective. In short, the development of technologies, such as a brain-computer interface, that is capable of recognizing situations at risk of falling based on the loss of balance caused by several factors, is essential. Previous studies have investigated whether kinematic variables contain information about an impending fall, but few have examined the potential of using electroencephalography (EEG) as a predictor of falling and how the brain responds to prevent a fall. Perceived disturbances of balance are always accompanied by a specific cortical activation, called disturbance-evoked potential (PEP). In this study, the recognition of daily activities (walking, lifting, crouching, going up and down stairs) was also part of the initial objective, however, due to the challenges encountered, the object of study of the present work was focused on the recognition and binary classification of the presence of loss of balance (PEPs) in brain signals. Thus, this dissertation intends to take the first steps toward the decoding of brain activity in response to imbalanced events. Initially, to acquire the data, an experimental protocol was designed, so that the participants, using EEG, were submitted to gliding-like perturbations while walking on the treadmill. Two healthy subjects were exposed to a glide-like perturbation, and these perturbations occurred interspersed over a period lasting 30 to 60 seconds. Each subject performed 2 experiments, that is, perturbations provoked while the individual walked on the treadmill: i) at a speed of 1.6 km/h and ii) at a speed of 2.5 km/h. Based on the approached methods, the perturbation evoked potential (PEP) components were found between 70-155 ms after the onset of the external perturbation. To decode pre-processed EGG data, four (4) artificial neural networks were tested and different network architecture parameters and electrode layouts were compared. Overall, the convolutional neural network trained to predict EEG balance disturbances had a far superior classification performance than the other architectures, whose mean accuracy was 91.51 ˘ 2.91%, using a short window length of 200 ms. The electrode layout composed of 5 channels (Fz, C3, Cz, C4, and Pz) presented the shortest execution time to train the model, whose average value was 196 ˘ 44.24ms. In addition, it was possible to verify that the use of a single electrode (Cz) obtained satisfactory precision results (86.47 +/- 0.03%). These discoveries may contribute to the development of a system capable of detecting equilibrium disturbances in real-time.

As quedas são uma das causas mais comuns de lesões na população idosa. Como resultado, custos com o tratamento têm também aumentado. Esforços recentes para restaurar a função dos membros inferiores nessas populações viram um aumento no uso de sistemas robóticos vestíveis, no entanto, as medidas de prevenção de quedas nesses sistemas exigem a detecção precoce da perda de equilíbrio para serem eficazes. Em suma, é fundamental o desenvolvimento de tecnologias, tal como interface cérebro-computador, que seja capaz de reconhecer situações risco de queda com base na perda de equilíbrio ocasionada por diversos fatores. Estudos anteriores investigaram se as variáveis cinemáticas continham informações sobre uma queda iminente, mas poucos examinaram o potencial do uso da eletroencefalografia (EEG) como um sinal de previsão de queda e como o cérebro responde para evitar uma queda. As perturbações do equilíbrio percebidas são sempre acompanhadas por uma ativação cortical específica, chamada de potencial evocado por perturbação (PEP). Neste estudo, também fazia parte do objetivo inicial o reconhecimento das atividades diárias (andar, levantar, agachar, subir e descer escada), porém, devido aos desafios encontrados, o objeto de estudo do presente trabalho foi focado no reconhecimento e classificação binária da presença de perda de equilíbrio (PEPs) em sinais cerebrais. Assim, esta dissertação pretende dar os primeiros passos em direção a decodificação da atividade cerebral em resposta a eventos de desequilíbrio. Inicialmente, para adquirir os dados, um protocolo experimental foi delineado, de forma que os participantes, usando EEG, fossem submetidos a perturbações do tipo deslizamento enquanto andavam sobre a esteira. Dois sujeitos saudáveis foram expostos a perturbação do tipo deslizamento, e estas perturbações ocorreram intercaladamente em um período de duração de 30 a 60 segundos. Cada sujeitou realizou 2 experimentos, ou seja, perturbações provocadas enquanto o indivíduo andava na passadeira: i) a uma velocidade de 1.6 km/h e ii) a uma velocidade de 2.5 km/h. Com base nos métodos abordados os componentes de potencial evocado de perturbação (PEP) foram encontrados entre 70-155 ms após o início da perturbação externa. Para decodificar dados pré-processados do EGG, quatro (4) redes neurais artificiais foram testados e diferentes parâmetros da arquitetura de rede e layouts de eletrodos foram comparados. No geral, a rede neural convolucional treinada para prever as perturbações do equilíbrio do EEG teve um alcance desempenho de classificação superior as demais arquiteturas, cuja precisão média foi de 91,51 ˘ 2,91%, usando um comprimento de janela curto de 200 ms. O layout de eletrodo composto por 5 canais (Fz, C3, Cz, C4 e Pz) apresentou o menor tempo de execução para treinar o modelo, cujo valor médio foi 196 ˘ 44.24ms. Além disso, foi possível verificar que a utilização de um único eletrodo (Cz) obteve resultados de precisão satisfatórios (86.47 +/- 0.03%). Essas descobertas podem contribuir para o desenvolvimento de um sistema capaz de detectar perturbações do equilíbrio em tempo real.