Havadan Ultrasonik Dokunsal Ekran Beyin-Bilgisayar Arayüzü Paradigması

İçindekiler

1. Giriş

Beyin-bilgisayar arayüzleri (BCI'lar) geleneksel olarak kapsamlı kullanıcı eğitimi ve sağlam duyusal yetenekler gerektiren görsel, işitsel veya motor imgelem paradigmalarına dayanmıştır. Bu araştırma, daha erişilebilir ve hijyenik bir BCI paradigması oluşturmak için temasız hava kaynaklı ultrasonik dokunsal ekran (AUTD) teknolojisini kullanan yeni bir yaklaşım sunmaktadır.

2. Materyaller ve Yöntemler

2.1 Deneysel Kurulum

On üç erkek gönüllü BCI kullanıcısı (ortalama yaş 28.54 ± 7.96 yıl) Japonya'daki çoklu araştırma kurumlarında yürütülen deneylere katıldı. Çalışma, Dünya Tıp Birliği Helsinki Bildirgesi kurallarını izledi ve etik onay aldı.

2.2 AUTD Teknolojisi

AUTD uyaran jeneratörü, faz dizili teknik kullanılarak odaklanmış ultrason yoluyla titreşimli dokunsal temasız uyarım üretir. Radyasyon basıncı $P_r$ şu şekilde hesaplanır:

$$P_r = \frac{I}{c} = \frac{p^2}{\rho c}$$

burada $I$ ses şiddeti, $c$ ses hızı, $p$ ses basıncı ve $\rho$ hava yoğunluğudur. Cihaz, izin verilen cilt emilim limitlerinin 40 kat altında çalışarak güvenliği sağlar.

2.3 Sinyal İşleme

EEG sinyalleri, özellik çıkarımı için ortak uzamsal desenler (CSP) algoritması kullanılarak işlendi. Uzamsal filtre $W$, genelleştirilmiş özdeğer problem çözülerek elde edilir:

$$\Sigma_1 W = \Lambda \Sigma_2 W$$

burada $\Sigma_1$ ve $\Sigma_2$ iki sınıfın kovaryans matrisleridir.

3. Sonuçlar ve Çıkarımlar

3.1 Performans Karşılaştırması

AUTD tabanlı BCI (autdBCI), çevrimiçi deneylerde geleneksel titreşimli dokunsal dönüştürücü tabanlı BCI (vtBCI) ile karşılaştırılabilir performans sergiledi. Her iki paradigma da şans seviyesinin üzerinde sınıflandırma doğruluğu elde ederek temasız dokunsal BCI'nın uygulanabilirliğini doğruladı.

3.2 İstatistiksel Analiz

İstatistiksel analiz, autdBCI ve vtBCI paradigmaları arasında sınıflandırma doğruluğunda anlamlı bir fark olmadığını ortaya koydu (p > 0.05), bu da temasız uyarımın BCI uygulamaları için somatosensoriyel beyin yanıtlarını etkili bir şekilde uyarabildiğini göstermektedir.

4. Teknik Analiz

Bu araştırma, invaziv olmayan BCI teknolojisinde önemli bir ilerlemeyi temsil etmektedir. AUTD yaklaşımı, özellikle hijyen ve uzun süreli kullanım konforu açısından geleneksel dokunsal BCI'ların kritik sınırlamalarını ele almaktadır. CycleGAN'ın görüntü çeviri görevlerindeki dönüştürücü etkisine benzer şekilde (Zhu ve diğerleri, 2017), bu çalışma yeni duyusal uyarım yöntemlerinin BCI yeteneklerini nasıl genişletebileceğini göstermektedir.

Kullanılan faz dizili ultrason teknolojisi, tıbbi ultrason görüntüleme sistemleriyle prensipleri paylaşmakta, ancak bunları dokunsal uyarım için yaratıcı bir şekilde uygulamaktadır. IEEE Transactions on Haptics araştırmalarına göre, ultrasonik havadan dokunma hissi çeşitli uygulamalarda umut vaat etmiştir, ancak bu çalışma BCI amaçları için ilk uygulamalardan birini temsil etmektedir.

Radyasyon basıncı etkisinin matematiksel temeli, birim alan başına kuvvet $F/A$'nın akustik şiddet $I$ ile orantılı olduğu iyi bilinen akustik prensipleri izler: $F/A = I/c$. Bu fiziksel prensip, bu araştırmanın temel yeniliğini oluşturan temasız uyarımı mümkün kılar.

Sinyal işleme perspektifinden, çalışma özellikle ortak uzamsal desenler (Ramoser ve diğerleri, 2000) üzerine kurulu EEG sınıflandırma metodolojileri üzerine inşa edilmiş ve bunları ultrasonik uyarım tarafından üretilen yeni somatosensoriyel uyarılmış potansiyeller için uyarlamıştır.

5. Kod Uygulaması

Aşağıda AUTD kontrol sisteminin basitleştirilmiş bir sözde kod uygulaması bulunmaktadır:

class AUTDController:
    def __init__(self, transducer_count):
        self.transducers = [Transducer() for _ in range(transducer_count)]
        self.frequency = 50  # Hz
        
    def set_focal_point(self, x, y, z):
        """Faz dizili teknik kullanarak odak noktasını ayarla"""
        phases = self.calculate_phases(x, y, z)
        for i, transducer in enumerate(self.transducers):
            transducer.set_phase(phases[i])
    
    def calculate_phases(self, x, y, z):
        """Odak noktası için faz kaymalarını hesapla"""
        phases = []
        for transducer in self.transducers:
            distance = self.calculate_distance(transducer.position, (x,y,z))
            phase_shift = (distance % wavelength) * 360 / wavelength
            phases.append(phase_shift)
        return phases
    
    def generate_stimulus(self, pattern, duration):
        """Dokunsal uyarım deseni oluştur"""
        for position in pattern:
            self.set_focal_point(*position)
            self.activate_transducers(duration)

6. Gelecek Uygulamalar

AUTD-BCI paradigması, gelecek uygulamalar için çok sayıda olasılık açmaktadır:

• Tıbbi Rehabilitasyon: Geleneksel BCI'ları kullanamayan kilitli kalma sendromu hastaları için
• Oyun ve Eğlence: Temasız dokunsal geri bildirimle geliştirilmiş sürükleyici deneyimler
• Sanal Gerçeklik: Çok duyulu deneyimler için VR sistemleriyle entegrasyon
• Yardımcı Teknoloji: Ağır engelli bireyler için iletişim sistemleri

Gelecek araştırma yönleri arasında uzamsal çözünürlüğün iyileştirilmesi, çok noktalı uyarım yeteneklerinin geliştirilmesi ve hibrit sistemler için diğer BCI modaliteleriyle entegrasyon yer almaktadır.

7. Referanslar

1. Hamada, K., Mori, H., Shinoda, H., & Rutkowski, T. M. (2014). Airborne Ultrasonic Tactile Display Brain-Computer Interface Paradigm. arXiv:1404.4184
2. Zhu, J. Y., Park, T., Isola, P., & Efros, A. A. (2017). Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks. IEEE ICCV
3. Ramoser, H., Muller-Gerking, J., & Pfurtscheller, G. (2000). Optimal spatial filtering of single trial EEG during imagined hand movement. IEEE Transactions on Rehabilitation Engineering
4. IEEE Transactions on Haptics. (2020). Advances in Mid-Air Haptic Technology
5. Mori, H., et al. (2012). Vibrotactile Stimuli for Brain-Computer Interface. Journal of Neural Engineering