logo SBA

ETD

Archivio digitale delle tesi discusse presso l’Università di Pisa

Tesi etd-03192009-092615


Tipo di tesi
Tesi di laurea specialistica
Autore
CAPRONI, MARCO
URN
etd-03192009-092615
Titolo
An analysis framework for near Infrared spectroscopy based brain-computer interface applied to medical robotics
Dipartimento
INGEGNERIA
Corso di studi
INGEGNERIA BIOMEDICA
Relatori
Relatore Prof. Dario, Paolo
Relatore Prof. Yang, Guang-Zhong
Relatore Prof.ssa Menciassi, Arianna
Parole chiave
  • BCI
  • NIRS
Data inizio appello
28/04/2009
Consultabilità
Non consultabile
Data di rilascio
28/04/2049
Riassunto
Il settore della robotica chirurgica si sta espandendo in virtu' dei benefici clinici appurati e dei chiari vantaggi stabilitisi in alcune specialità chirurgiche. Allo stesso tempo, mentre la complessità delle procedure aumenta, la tradizionale console di input della piattaforma robotica non e’ in grado di fornire al chirurgo un controllo ergonomico e naturale dell’azione. Le brain-computer interfaces (BCI) sono un’opportunità per poter arricchire l’interazione chirurgo-robot rendendo l’utilizzo di robot chirurgici più semplice ed intuitivo. La spettroscopia del cervello nel vicino infrarosso (NIRS) è una modalità di neuroimaging non invasiva, relativamente economica e portatile che è in grado di rilevare il flusso sanguigno corticale come surrogato dell’attività corticale. L’utilizzo della NIRS come input per una BCI è un campo scientifico sviluppatosi unicamente negli ultimi anni, per cui c’è la necessità di stabilire le sue reali potenzialità nel settore; è inoltre necessario lo sviluppo di una robusta struttura di analisi che sia in grado di interpretare questi segnali come intenzioni o controlli motori.
Per queste ragioni, in questo lavoro è stato sviluppato un framework di analisi multilivello con lo scopo di investigare e risolvere i nodi chiave del processo di pattern recognition. I tre stadi del flusso di analisi dei dati, vale a dire Dimensionality Reduction, classificazione binaria e aggregazione in decisioni multi-class, sono stati esplorati e implementati in diverse modalità.
Lo stadio di Dimensionality Reduction consiste sia di una strategia di Feature Selection che di una di Feature Extraction. Per risolvere il problema della separazione di punti appartenenti a classi diverse nello spazio basso dimensionale ottenuto con lo stadio di Dimensionality Reduction, sono stati implementati dei classificatori binari. Ogni classificatore binario è stato creato utilizzando Support Vector Machine (SVM), o AdaBoost. Per combinare le diverse informazioni provenienti dai diversi classificatori binari, sono state utilizzate tre strategie di aggregazione: Majority Voting (MV), Weighted Majority Voting (WMV) e Correcting Classifiers (CC).
Il framework di analisi sviluppato è stato quindi testato con segnali cerebrali derivanti da un semplice stimolo visuo-motorio di controllo, compiuto in modalità off line. Il compito è stato svolto in due diverse modalità: compito puramente immaginativo e compito di Motor Imagery. Nel primo caso il soggetto doveva pensare di compiere il task utilizzando solo la sua immaginazione, mentre nel secondo doveva pensare di muovere l’oggetto utilizzando la sua mano destra. Vari esperimenti sono stati condotti, in modo da creare un dataset con il quale testare il framework implementato.
Nonostante il carattere esplorativo dello studio si è riusciti a delineare le potenzialità pratiche di questo promettente approccio. Alla luce dei risultati ottenuti, si può affermare che le BCI basate sulla NIRS hanno le potenzialità di arricchire le esistenti interfacce uomo-macchina utilizzate in chirurgia.
File