Estudo da visualização de dados neurais de Eletroencefalografia

Abstract

O objetivo dessa pesquisa de iniciação científica era explorar a viabilidade de controle direto de braços robóticos por meio de sinais neurais de eletroencefalografia (EEG). Devido à complexidade inerente da tarefa e à dificuldade em adquirir hardware adequado para ensaios, o foco da pesquisa foi ajustado para o desenvolvimento de novas estratégias e ferramentas de visualização de dados neurais, de modo a apoiar a exploração de sinais de EEG em aplicações de controle de movimento. As atividades realizadas incluíram o desenvolvimento de uma interface 3D para a visualização de dados de EEG, a proposta de uma arquitetura de rede neural que permite o tratamento de dados de EEG, e a criação de uma interface de “joystick virtual “que permitiria a visualização da intenção de movimento do usuário a partir dos outputs da rede neural. A interface de visualização implementou a normalização de dados neurais entre -1 e 1 para mapear potenciais excitatórios e inibitórios. A pesquisa também revelou a importância da qualidade do hardware de aquisição de sinais, com especialistas apontando que o equipamento utilizado captava ruídos miográficos em vez de sinais neurais confiáveis. Conclui-se que a comparação das visualizações de dados desenvolvidas com bibliotecas existentes, como MNE-Python, é crucial para validar abordagens, bem como são necessárias validações adicionais em relação ao método de normalização. Este trabalho destaca principalmente os desafios e aprendizados no campo das interfaces cérebro-máquina não invasivas e aponta para futuras direções de pesquisa.The objective of this undergraduate research was to explore the feasibility of direct control of robotic arms through neural signals from electroencephalography (EEG). Due to the inherent complexity of the task and the difficulty in acquiring adequate hardware for testing, the research focus was adjusted to developing new strategies and tools for neural data visualization to aid the exploration of EEG signals for motion control applications. The activities performed included the development of a 3D interface for EEG data visualization, the proposal of a neural network architecture that enables EEG data processing, and the creation of a “virtual joystick” interface that would allow visualization of user movement intention from neural network outputs. The visualization interface implemented neural data normalization between -1 and 1 to map excitatory and inhibitory potentials. The research also revealed the importance of signal acquisition hardware quality, with experts pointing out that the equipment used captured myographic noise instead of reliable neural signals. It is concluded that comparing the developed data visualizations with existing libraries, such as MNE-Python, is crucial for validating approaches and further validations regarding the normalization approach is warranted. This work primarily highlights the challenges and learnings in the field of non-invasive brain-machine interfaces and points to future research directions.