Controllare una brain-computer interface: studio sull'apprendimento a lungo termine da parte di utenti tetraplegici

A brain–computer interface (BCI) is a system that measures the user’s brain activity and converts it into an artificial output that replaces, restores, enhances, supplements or improves the natural output of nerves and muscles. BCI’s field of research is constantly growing and finds its most prominent applications in the rehabilitation and in the implementation of assistive technologies for people with reduced motor abilities, such as people who had strokes, brain or spinal injuries or suffer from diseases which affect the peripheral nervous system or the muscular system. BCI’s aim is to restore their movement autonomy and therefore to improve their life quality. However, current state-of-the-art BCI presents some limitations that prevent its usability in outside-of-the-lab environments: among these, there is the fact that these technologies lack stability and robustness. This limitation can be overcome by adopting a mutual learning approach, in which the user and the BCI learn to adapt to each other during a training period. In this thesis three variables, the Fisher Score and the Riemann distances, will be studied in order to determine whether they are solid parameters to measure user learning and performance improvements. More specifically, the study will be done on the EEG signals of four people with severe tetraplegia, who were asked to undertake a long training to learn to control a BCI based on motor imagery.

Una brain-computer interface (BCI) consiste in un sistema che permette di acquisire, processare e decodificare le intenzioni di un utente tramite i suoi segnali cerebrali e tradurre queste intenzioni in comandi eseguibili da un attuatore artificiale che non dipende, oppure dipende solo in parte, dai canali di esecuzione fisiologici formati da muscoli e nervi. Quello della BCI è un ambito di ricerca che offre molte opportunità nel campo della riabilitazione e dell’implementazione di tecnologie assistive per persone vittima di ictus, traumi a livello spinale o in generale di persone con ridotte capacità motorie, con l’obiettivo di restituire loro autonomia nel movimento e di migliorarne la qualità della vita. Tuttavia, da evidenze di ricerca emergono alcune limitazioni, ancora non superate, che ostacolano l’utilizzo della BCI nella vita di tutti i giorni: tra queste vi è la mancanza di stabilità, intesa come la capacità di far fronte al meglio e di adattarsi alle varie condizioni che emergono dall’interazione utente-BCI, e di mantenere queste caratteristiche anche nel lungo periodo. Questa problematica può essere affrontata adottando un approccio di mutual-learning, in cui l’utente e la BCI imparano a relazionarsi reciprocamente durante un periodo di allenamento. In questa tesi verranno studiati tre parametri, la Fisher Score e le distanze di Riemann, che si ritiene possano essere chiave nel misurare il livello di apprendimento e i miglioramenti nella performance di coloro che utilizzano la BCI. In particolare, verranno studiati i segnali EEG di quattro pazienti tetraplegici, ai quali è stato chiesto di sostenere un lungo periodo di allenamento per imparare a controllare una BCI basata su motor imagery.