Estudi i desenvolupament d’un sistema BCI basat en SSVEP

Abstract

Brain Computer Interface, BCI, és un conjunt de software i hardware que permet interaccionar amb el medi utilitzant els senyals provinents de l’electroencefalografia, EEG. La creació d’un sistema BCI consta de 5 fases: adquisició dels senyal, preprocessament, extracció de característiques, classificació, i la interfície de control. Aquest projecte adreça les primeres 4 etapes. Per facilitar la creació del sistema BCI el projecte s’ha dividit en 2 fases: fase offline i fase en viu. En els dos processos l’adquisició de la senyal és realitzat amb el hardware i software proporcionats per OpenBCI i MatLab. L’extracció de característiques és realitzada mitjançant la Fast Fourier Transform, FFT, a través de MatLab. La FFT permet transformar el senyal d’EEG del domini temporal al de la freqüència, detectant els Steady State Visual Evoked Potential, SSVEP, a l’EEG. La generació dels SSVEP requereix l’exposició d’un usuari a un estímul visual en una freqüència determinada. La generació dels estímuls també s’adreça en aquest projecte. La classificació s’ha realitzat buscant el pic més alt del vector característic del senyal, o FFT. La creació de la interfície de control no s’ha realitzat per manca de temps.

Brain Computer Interface, BCI, is a mixture of software and hardware that allows interacting with the environment using only electroencephalography, EEG, signals. The development of a BCI system consists of 5 phases: signal acquisition, processing, feature extraction, classification, and control interface. This project addresses the first 4 phases. TO facilitate the creation of a BCI the project has been diovided into 2 parts: offline and online. Signal acquisition is done with the OpenBCI software and hardware and MatLab in both parts. Feature extraction is done with the Fast Fourier Transform, FFT, using MatLab. FFT allows to transform an EEG signal from the time domain to the frequency domain, detecting Steady State Visual Evoked Potentials, SSVEP, in the EEG. The generation of SSVEP requires a user to be exposed to a visual stimulus with a defined frequency. The stimuli generation is done in this project. Classification has been done by finding the highest peak value in the feature vector, or FFT. An action interface has not been developed due to the lack of time.