BCI-Ageing: Herramientas BCI para promover el envejecimiento activo
Aplicación de Sistemas Brain Computing Interface (BCI) al entrenamiento cognitivo y al control domótico para prevenir los efectos del envejecimiento.

Visión general del proyecto

El proyecto BCI-Ageing se centra en el desarrollo de nuevas herramientas capaces de ayudar a las personas mayores en su vida diaria. El objetivo principal consiste en el desarrollo de dos aplicaciones brain computer interface (BCI). La primera de las aplicaciones propuestas está orientada al entrenamiento de las capacidades cognitivas para prevenir los efectos de la edad. En segundo lugar, también se plantea la implementación de una aplicación BCI para la asistencia de las personas mayores dependientes, con el objetivo de proporcionarles una vida confortable y saludable en su propio hogar. Con el objetivo de desarrollar productos verdaderamente útiles, se tendrán en cuenta las opiniones y las necesidades reales de las personas mayores.

Un sistema BCI es un sistema de comunicación que monitoriza la actividad cerebral y traduce características específicas de la señal que reflejan las intenciones del usuario en comandos de un dispositivo. En los sistemas BCI, el método más comúnmente empleado para monitorizar la actividad cerebral es el electroencefalograma (EEG), debido a que es una metodología no invasiva, fácil de utilizar, y que requiere un equipamiento relativamente sencillo y de bajo coste.

De acuerdo con la Organización Mundial de la Salud, el envejecimiento es un deterioro de las funciones progresivo y generalizado, dando como resultado una pérdida de la respuesta adaptativa frente al estrés, y es un riesgo creciente de enfermedades asociadas a la edad. Una aplicación BCI de control domótico permitiría a las personas mayores interactuar mejor con su entorno habitual e incrementar su autonomía personal. Es más, las tareas mentales necesarias para entrenar al usuario en el manejo de ciertos tipos de BCIs podría ser verdaderamente apropiado para las personas en fases tempranas del envejecimiento, permitiendo prevenir el deterioro cognitivo.

Metodología

En primer lugar, se desarrollará una aplicación BCI de entrenamiento cognitivo basada en ritmos sensoriomotores. Esta aplicación utilizará los ritmos µ (8-12 Hz) y β (16-24 Hz). Ambas bandas de frecuencia presentan variaciones en el EEG sobre el córtex motor cuando se realiza un movimiento voluntario, pero también cuando el sujeto observa el movimiento o se lo imagina. En el proyecto BCI-Ageing se evaluará la utilidad de 13 canales EEG (4 prefrontales, 5 centrales y 4 centroparietales).

Con el objetivo de identificar apropiadamente las intenciones del usuario, se estudiarán los siguientes métodos de extracción de características:

  • Análisis espectral basado en la transformada de Fourier (Fourier transform, FT)
  • Modelos autorregresivos (autoregressive models, AR)
  • Análisis tiempo-frecuencia basado en la transformada Wavelet (Wavelet transform, WT)
  • Filtrado adaptado (matched filtering, MF)
  • Patrones espaciales comunes (common spatial patterns, CSP)
  • Métodos no lineales

También se estudiarán diferentes algoritmos de aprendizaje computacional para las tareas de selección y clasificación de características. Estos algoritmos permiten construir automáticamente la descripción de una categoría en base a un conjunto de ejemplos que caracterizan a cada una de las categorías involucradas, de forma que estos descriptores proporcionan el máximo poder de discriminación entre ellas. Estos descriptores se emplean posteriormente como modelos predictivos para clasificar una muestra desconocida dentro de una o varias de las categorías existentes. Concretamente, se estudiarán los siguientes métodos de selección y clasificación de características:

  • K-means
  • Naïve Bayes
  • Máquinas vector soporte (support vector machines, SVMs)
  • Redes neuronales artificiales (artificial neural networks, ANNs)
  • Árboles de decisión (decision trees, DTs)
  • Aprendizaje basado en reglas de asociación (association rule learning)
  • Algoritmos genéticos (genetic algorithms, GAs)

Finalmente, las tareas de entrenamiento cognitivo propuestas e integradas en la aplicación BCI serán diseñadas teniendo en cuenta tanto a los terapeutas como a las personas mayores del Centro de Referencia Estatal de Discapacidad y Dependencia (CRE-DyD) de León (España). Las tareas de entrenamiento cognitivo propuestas se dividirán en diferentes subconjuntos y niveles de dificultad, con el objetivo de evaluar el progreso en las habilidades cognitivas de los usuarios. Por lo tanto, la aplicación resultante permitirá a las personas mayores entrenar sus capacidades cognitivas por medio de diferentes tareas mentales. La interfaz gráfica diseñada será amigable y sencilla para evitar que los usuarios se puedan distraer debido a estímulos externos.

Por otro lado, se desarrollará una aplicación asistiva de control domótico empleando un sistema BCI basado en potenciales P300. La aplicación permitirá que las personas dependientes puedan controlar los dispositivos presentes comúnmente en el hogar, satisfaciendo así sus principales necesidades. La aplicación propuesta podría controlar los siguientes dispositivos electrónicos y domóticos presentes habitualmente en el hogar, así como sus principales funcionalidades:

  • Televisión
  • Reproductor de DVD
  • Equipo de música
  • Disco duro multimedia
  • Teléfono
  • Iluminación
  • Calefactor
  • Ventilador

Esta aplicación utilizará potenciales evocados P300, los cuales son activados por estímulos infrecuentes cuando se presentan intercalados en medio de estímulos de mayor frecuencia. El sistema BCI diseñado identificará qué opción ha provocado el potencial P300 al ser destacada (intensificada) de entre todas las opciones presentadas en la pantalla del ordenador, permitiendo identificar la opción seleccionada por el usuario y enviar el comando correspondiente. Para ello, se registrarán señales EEG mediante 8 canales situados principalmente sobre el córtex parietal y occipital. Estas señales serán analizadas empleando diferentes algoritmos para detectar de forma precisa los potenciales P300:

  • Método de correlación de Pearson’s (Pearson’s correlation method, PCM)
  • Discriminante lineal de Fisher’s (Fisher’s Linear Discriminant, FLD)
  • Análisis discriminante lineal por pasos (stepwise linear discriminant analysis, SWLDA)
  • Máquinas vector soporte (support vector machines, SVMs)