Estudio y diseño de un sistema interfaz cerebro-computador de bajo coste con módulo Arduino

i Sevilla, 2017 Dep. de Ingeniería de Sistemas y Automática Escuela Técnica Superior de Ingeniería Universidad de Sevilla Sevilla, 2017 Autor: José Álvaro Fernández Carrasco Tutor: Carlos Vivas Venegas Trabajo Fin de Grado Grado en Ingeniería de las Tecnologías Industriales Estudio y Diseño de un Sistema Interfaz Cerebro- Computador de Bajo Coste con Módulo Arduino ii iii Trabajo Fin de Grado Grado en Ingeniería de las Tecnologías Industriales Estudio y Diseño de un Sistema Interfaz Cerebro- Computador de Bajo Coste con Módulo Arduino Autor: José Álvaro Fernández Carrasco Tutor: Carlos Vivas Venegas Profesor Contratado Doctor Dep. de Ingeniería de Sistemas y Automática Escuela Técnica Superior de Ingeniería Universidad de Sevilla Sevilla, 2017 iv v Trabajo Fin de Grado: Estudio y Diseño de un Sistema Interfaz Cerebro-Computador de Bajo Coste con Módulo Arduino Autor: José Álvaro Fernández Carrasco Tutor: Carlos Vivas Venegas El tribunal nombrado para juzgar el Proyecto arriba indicado, compuesto por los siguientes miembros: Presidente: Vocales: Secretario: Acuerdan otorgarle la calificación de: Sevilla, 2017 El Secretario del Tribunal vi vii A mi familia A mi abuela viii ix Agradecimientos Quisiera aprovechar estas líneas para agradecer a todas las personas que han sido parte de mi vida estos cuatro años de carrera. En primer lugar, tengo que dar las gracias a mis padres, ya que sin ellos no estaría aquí. Me han dado la estabilidad, cariño y apoyo necesarios para llegar donde estoy hoy. Todo lo que soy ahora y todo lo que consiga en el futuro siempre se lo deberé a los dos. Al resto de mi familia: Isabel, abuelos, tíos, primos… no creo que se pueda tener una familia mejor y más unida, tanto en los buenos como en los malos momentos. A Carlos Vivas, mi tutor del Proyecto, por ayudarme durante el desarrollo del trabajo y por haber sido comprensivo y flexible con respecto a la fecha de entrega. También tengo que agradecer a Daniel Limón y Fernando Castaño el haber estado siempre dispuestos a ayudar y permitirme trabajar en el Laboratorio cuando se lo solicitaba. A mis amigos, los de toda la vida, porque las amistades que se hacen de pequeño son las que más unen. Aunque vaya apareciendo gente nueva y se vayan cumpliendo etapas, sé que siempre tendrán un lugar especial y que siempre podré contar con ellos. A mi primo Daniel, con el que he pasado gran parte de estos cuatro años de carrera. Esas horas de estudios, trabajos, prácticas, comidas… han hecho que estos cuatro años hayan sido mucho más llevaderos y nos haya unido más si cabe. Juntos empezamos la carrera y juntos la acabamos, pero esto es solo el principio. Y por último a Rocío, por alegrarme la vida y estar siempre conmigo. Doy las gracias por haberte conocido y por haber tenido la suerte de compartir estos años a tu lado. José Álvaro Fernández Carrasco Sevilla, 2017 xvi 4.3 Alimentación 23 4.4 Filtro Paso Alto 1.59Hz 23 4.5 Amplificador de instrumentación 25 4.5.1 Introducción y ecuaciones 25 4.5.2 AD620AN 26 4.6 Filtro Notch 28 4.7 Filtro Paso Alto 7 Hz de 2º orden 31 4.8 Filtro Paso Bajo 13 Hz de 2º orden 33 4.9 Amplificación seleccionable 35 4.10 Ajuste de offset 37 4.11 Sistema completo 40 5 SOFTWARE 41 5.1 Introducción 41 5.2 LabVIEW 41 5.2.1 Filtros Digitales 41 5.2.2 Simulación 46 5.2.3 Adquisición de datos 48 5.3 Arduino 52 5.3.1 Hardware 52 5.3.2 Software 53 5.3.3 Código 54 5.3.4 Esquema y Fritzing 55 5.4 Interacción de Arduino con LabVIEW 56 6 RESULTADOS 61 6.1 Señal proveniente del generador 61 6.1.1 Resultados del circuito analógico 62 6.1.2 Resultados de los filtros digitales con LabVIEW 65 6.2 Señal proveniente de los electrodos 67 7 CONCLUSIONES Y LÍNEAS DE MEJORA 73 7.1 Líneas de mejora 73 7.2 Conclusiones 74 ANEXO I: CIRCUITO DE ACONDICIONAMIENTO DE SEÑAL 75 ANEXO II: SIMULACIÓN 76 ANEXO III: FILTRADO DIGITAL 78 Referencias 81 Glosario 85 xvii ÍNDICE DE TABLAS Tabla 2.1 Tipos de ondas cerebrales y frecuencias 10 Tabla 3.1 Técnicas de captación de señal cerebral 13 Tabla 3.2 Tipos de posiciones en el sistema 10-20 16 Tabla 4.1 Características del AD620AN 26 Tabla 5.1 Características del NI USB 6211 48 Tabla 5.2 Características del Arduino UNO 52 Tabla 6.1 Resultados con el circuito de acondicionamiento de señal y el generador 60 Tabla 6.2 Resultados con los filtros digitales y el generador 62 xviii xix ÍNDICE DE FIGURAS Figura 1.1 Etapas de una BCI 4 Figura 2.1 Estructura del Sistema Nervioso Central 5 Figura 2.2 Lóbulos del cerebro 7 Figura 2.3 Partes de una neurona 8 Figura 2.4 Tipos de ondas cerebrales 10 Figura 3.1 Magnetómetro para MEG 12 Figura 3.2 Electrodos en casco de malla 14 Figura 3.3 Electrodos pasivos sinterizados de Ag/AgCl 15 Figura 3.4 Gel conductor 15 Figura 3.5 Sistema 10-20 16 Figura 3.6 Tipos de artefactos 17 Figura 3.7 Montaje monopolar 18 Figura 3.8 Montaje bipolar 19 Figura 3.9 Colocación de los electrodos 19 Figura 4.1 Circuito de acondicionamiento de señal 21 Figura 4.2 Pines del TL084CN 23 Figura 4.3 Pila Duracell 9V 23 Figura 4.4 Filtro paso alto de 1º orden 23 Figura 4.5 Gráfica filtro paso alto 1º orden 24 Figura 4.6 Esquema de un A.I 25 Figura 4.7 Pines del AD620AN 27 Figura 4.8 Esquema de un filtro notch 28 Figura 4.9 Esquema final del filtro notch 30 Figura 4.10 Gráfica del filtro notch 30 Figura 4.11 Esquema de un filtro paso alto 2º orden 31 Figura 4.12 Esquema final del filtro paso alto 2º orden 32 Figura 4.13 Gráfica del filtro paso alto 2º orden 32 Figura 4.14 Esquema de un filtro paso bajo 2º orden 33 Figura 4.15 Esquema final del filtro paso bajo 2º orden 34 Figura 4.16 Gráfica del filtro paso bajo 2º orden 34 Figura 4.17 Etapa de amplificación 35 Figura 4.18 Componentes de la etapa de amplificación 36 Figura 4.19 Gráfica de la etapa de amplificación 37 Figura 4.20 Etapa de ajuste de offset 38 Figura 4.21 Esquema final de la etapa de offset 39 Figura 4.22 Gráfica de la etapa de offset 39 Figura 4.23 Gráfica del comportamiento ofrecido por el sistema completo 40 xx Figura 5.1 Diagrama de bloques de un filtro FIR 42 Figura 5.2 Diagrama de bloques de un filtro IIR 43 Figura 5.3 Filtro Butterworth paso bajo 44 Figura 5.4 Filtro Chebyshev paso bajo 44 Figura 5.5 Filtro inverso de Chebyshev paso bajo 45 Figura 5.6 Filtro elíptico paso bajo 45 Figura 5.7 Simulate Signal 46 Figura 5.8 Filtro Notch de orden 9 y tipo Butterworth 47 Figura 5.9 Filtro Paso Alto 7Hz de orden 9 y tipo Butterworth 47 Figura 5.10 Filtro Paso Bajo 13Hz de orden 9 y tipo Butterworth 47 Figura 5.11 NI USB 6211 48 Figura 5.12 Bloque DAQ Assistant 49 Figura 5.13 Configuración inicial del bloque DAQ Assistant 50 Figura 5.14 Bloque DAQ Assistant: selección de la entrada 50 Figura 5.15 Diagrama de conexión del NI USB 6211 51 Figura 5.16 Configuración del bloque DAQ Assistant 51 Figura 5.17 Arduino UNO 52 Figura 5.18 Código de Arduino 54 Figura 5.19 Esquema para controlar el LED 55 Figura 5.20 Visualización de la conexión de la salida 8 con el LED 55 Figura 5.21 Código para activar la conexión Arduino-LabVIEW 57 Figura 5.22 Bloques para trabajar con Arduino desde LabVIEW 58 Figura 5.23 Bloques de LabVIEW para controlar Arduino 58 Figura 5.24 Simulación con la librería de Arduino 59 Figura 6.1 Divisor de tensión 61 Figura 6.2 Resultado del circuito analógico a 100Hz 62 Figura 6.3 Resultado del circuito analógico a 10Hz 62 Figura 6.4 LED encendido a 9 Hz 64 Figura 6.5 LED apagado a 1 Hz 65 Figura 6.6 Resultado de los filtros digitales a 100Hz 65 Figura 6.7 Resultado de los filtros digitales a 10Hz 66 Figura 6.8 EEG durante 3 minutos con registro bipolar 68 Figura 6.9 Resultado del EEG con registro bipolar entre los segundos 30 y 40 68 Figura 6.10 Densidad espectral con registro bipolar 69 Figura 6.11 Análisis frecuencial del EEG con registro bipolar frente al tiempo 69 Figura 6.12 EEG durante 35 segundos con registro monopolar 70 Figura 6.13 Resultado del EEG con registro monopolar en los 10 primeros segundos 71 Figura 6.14 Densidad espectral con registro monopolar 71 Figura 7.1 Gel abrasivo Nuprep 71 Figura 7.2 Pasta conductora Ten20 71 1 1 INTRODUCCIÓN 1.1 Antecedentes El ser humano siempre ha tratado de controlar cosas con la mente. No son pocos los libros o películas que muestran este hecho, donde el protagonista tiene la capacidad de mover objetos sin necesidad de tocarlos o de comunicarse sin hablar. ¿Quién no ha soñado alguna vez con tener poderes mentales? Existe la creencia popular de que solo utilizamos el 10% de la capacidad de nuestro cerebro, de forma que si usáramos la totalidad del mismo, podríamos tener capacidades que actualmente no tenemos. Sin embargo, por desgracia, esto no es así. El cerebro es una herramienta que usa completamente todos sus recursos (de forma bastante eficiente) y que está en constante funcionamiento, no descansa; incluso cuando estamos durmiendo o realizamos acciones tan simples como coger un lápiz o hablar, el cerebro está trabajando a más del 10% de su capacidad total. El interés en tener el control de dispositivos externos mediante la interpretación de la actividad cerebral ha ido creciendo en los últimos años. En la actualidad se está investigando profundamente en este campo con el objetivo de poder realizar tareas de diversa dificultad con la mente, gracias a dispositivos que leen y monitorizan la actividad cerebral. Así, hoy en día es posible controlar un ordenador, un teléfono móvil, una silla de ruedas o incluso ya es posible (aunque está en fase de investigación) conducir gracias al desarrollo de las interfaces cerebro-computador, o BCI. Multinacionales como Google o Toyota están muy involucrados en el desarrollo de esta tecnología. De esta forma, la ciencia de las BCI es un terreno que ofrece multitud de posibilidades y que tiene aún un largo camino por recorrer. Con el paso de los años, estos dispositivos irán cobrando mayor importancia y protagonismo en la vida cotidiana. Las ondas cerebrales son el resultado de los impulsos eléctricos que viajan a través de las neuronas para ejecutar alguna actividad o función. Además, también se emiten ondas en estados de profunda relajación o mientras se duerme. La correcta interpretación y medición de las mismas puede permitir realizar una BCI. Además, la medicina también ha encontrado utilidad en las ondas cerebrales, ya que mediante la realización de un encefalograma o EEG, estas pueden indicar en el paciente estados de depresión, adicción a las drogas o incluso enfermedades como Parkinson, esquizofrenia, epilepsia o desórdenes psiquiátricos. El estudio de las ondas cerebrales puede ayudar a la hora de interpretar emociones, sentimientos, concentración, fatiga, relajación o incluso la calidad del sueño. Por todo ello, aunque es una rama en pleno estudio y desarrollo, las ondas cerebrales y las BCI son cada día más importantes, debido a que nos permiten realizar todo tipo de tareas que de cualquier otra forma sería imposible. 1.2 Objetivo y estructura El objetivo principal de este proyecto es desarrollar una Interfaz Cerebro-Computador de bajo coste mediante la medición e interpretación de las ondas alfa producidas en el cerebro. De este modo, se pretende desarrollar una BCI capaz de encender y apagar un LED en función de si el usuario tiene los ojos cerrado o abiertos, respectivamente. La señal proveniente del cerebro se recogerá con unos electrodos colocados en la cabeza del paciente, para a continuación realizar el correspondiente acondicionamiento de la señal. Para procesar la señal se han elegido dos opciones. La primera es realizar un circuito de acondicionamiento de señal en una placa de prototipado y la segunda opción consiste en realizar el mismo acondicionamiento con INTRODUCCIÓN 2 2 LabVIEW, implementando las diferentes etapas desde este softwareci filtros digitales. Se compararán ambos métodos. En cuanto a la estructura, el presente Trabajo Fin de Grado se organizará en los siguientes capítulos: En el Capítulo 2, ‘El Cerebro Humano’, se presentará el marco teórico del proyecto, explicando las diferentes partes del cerebro, centrándonos en los lóbulos de la corteza cerebral, ya que es ahí donde se produce la mayor actividad mental. A continuación se hará una breve descripción de las neuronas, explicando su estructura, los tipos y cómo se conectan las neuronas para transmitirse información entre ellas. Por último, se mostrarán los tipos de ondas cerebrales, detallando en qué casos se producen y en qué frecuencias se dan. En el Capítulo 3, ‘Captación de Señal’, se desarrollarán algunas de las técnicas de medición de actividad cerebral más importantes, demostrando que el electroencefalograma (EEG) es la técnica más adecuada para una BCI. Después, se hará un análisis de los electrodos disponibles en el mercado para justificar la elección final de los mismos. También se explicará el sistema 10-20 para mostrar en qué puntos se deben colocar los electrodos. A continuación, se resaltará la importancia de reducir la incidencia de los artefactos (señales que distorsionan la medida de la actividad cerebral) y, por último, se presentarán los dos tipos de montaje de los electrodos: monopolar y bipolar. En el Capítulo 4, ‘Acondicionamiento de Señal’, se explicará con detalle las diferentes etapas necesarias para realizar un circuito analógico que procese la actividad cerebral para obtener una señal tratable a la salida, de forma que pueda ser interpretada por un Arduino. Así, se mostrarán los diseños de los diferentes filtros con sus respectivos componentes, las etapas de amplificación y la etapa de ajuste de offset. Además, se justificarán las elecciones de los elementos que componen el sistema, entrando en detalle en el amplificador de instrumentación, al ser este un componente de gran importancia. Los esquemas de los circuitos y las gráficas que muestran el comportamiento de cada etapa han sido realizados con LTspice, por lo que también se hará una breve presentación del mismo. En el Capítulo 5, ‘Software’, se desarrollarán las características de LabVIEW y Arduino, que serán los programas que permitirán desarrollar la interfaz. Con LabVIEW se ha recogido de la salida del amplificador de instrumentación con una tarjeta de adquisición de datos (NI USB 6211) para aplicarle los filtros digitales correspondientes. Así, se mostrarán las características de los filtros digitales, comparándolos con los filtros analógicos, además de analizar los tipos de filtros digitales que se pueden implementar. En este proyecto se opta por usar filtros IIR de tipo Butterworth. También se expone cómo pueden interaccionar Arduino y LabVIEW para controlar el encendido del LED. En el Capítulo 6, ‘Resultados’, se expondrán los resultados obtenidos tanto con el circuito analógico como con los filtros digitales de LabVIEW. Además, se muestran los resultados para la señal proveniente de los electrodos y para una señal del orden de 50µV de amplitud (simulando la señal de los electrodos) producida por un generador de señales. Se demostrará que se obtienen mejores resultados con filtros digitales y con la onda senoidal del generador. Por otro lado, también se realizará un análisis de la actividad recogida con los electrodos con un Toolbox del software matemático MATLAB, llamado EEGLAB, cuya principal utilidad es precisamente la extracción de características de un EEG. En el Capítulo 7, ‘Conclusiones y líneas de mejora’, se desarrollan las conclusiones de este proyecto, además de proponer algunas posibles opciones para mejorar la eficacia de la Interfaz Cerebro Computador, ya que, como se muestra en el Capítulo 6, no se consigue controlar completamente la actividad cerebral. Por último, se presentan tres Anexos donde el lector puede consultar en detalle el esquema del circuito de acondicionamiento de señal realizado con LTspice y el Diagrama de Bloques y el Panel Frontal de los diferentes programas realizados con LabVIEW. 3 1.3 Interfaz Cerebro – Computador (BCI) Una Interfaz Cerebro - Computador, o BCI (Brain - Computer Interface) es un sistema que mide la actividad cerebral y la procesa para extraer las características de interés para realizar alguna tarea como el control de un dispositivo y así interaccionar con el entorno. En este proyecto se tratará de controlar el apagado y encendido de un LED. De este modo, es posible establecer un canal de comunicación entre el hombre y su entorno sin necesidad de accionar las capacidades nerviosas o motoras. Esto ofrece multitud de posibilidades y actualmente se está trabajando ampliamente en este campo, realizándose diversos estudios para avanzar en esta tecnología. Cada vez van apareciendo nuevas universidades y empresas que apuestan por el desarrollo de las BCI. Existen varias técnicas para captar la señal proveniente del cerebro: Electroencefalografía (EEG), Electrocorticografía (ECoG), Magnetoencefalografía (MEG), Tomografía por Emisión de Positrones (PET), Imágenes de Resonancia Magnética Funcional (fMRI), Espectroscopia de Infrarrojo Cercano (NIRS), entre otras. Entre estas técnicas, se ha decidido realizar la BCI mediante EEG, ya que es una técnica nada invasiva, sencilla y de bajo coste. Las BCI´s son usadas actualmente en diversas aplicaciones: la más importante es en el campo de la medicina, de forma que una persona con enfermedades neuromusculares severas o con discapacidades motoras puede controlar mediante una BCI cualquier dispositivo motor como un brazo robótico o una silla de ruedas. Además, se puede usar para controlar dispositivos como la calefacción, luces, televisión, teléfono, ordenador… con el objetivo de facilitar la autonomía de personas con dependencia. Por otro lado, las BCI´s encuentran también su campo de aplicación en videojuegos o situaciones de ocio. Un ejemplo de este tipo de dispositivos puede ser Mindball, que es un juego en el que se controla una pelota con la mente, Second Life en la que el usuario controla las acciones de un avatar o Emotiv EPOC, que interpreta las emociones (aburrimiento, frustración, excitación…) [1] [2]. 1.3.1 Tipos de BCI Una BCI puede ser síncrona o asíncrona. Si es síncrona solo analiza el valor de la señal en intervalos de tiempo determinados, mientras que si es asíncrona estudia la señal continuamente. En cuanto a la naturaleza de la señal de control, pueden ser endógenas o exógenas [3] [4]:  Endógenas: Son aquellas que no requieren ningún tipo de estimulación externa, de manera que dependen de la capacidad del usuario para controlar su actividad cerebral. Por ello, requiere de un entrenamiento previo por parte del mismo. Los BCI endógenos se basan en los potenciales corticales lentos y los ritmos sensoriomotores. Los potenciales corticales lentos (SCP) son variaciones de voltaje (entre 0.5 y 10 segundos) que se producen a bajas frecuencias. Para controlar este tipo de señal el entrenamiento por parte del usuario debe ser de 1 a 5 meses. Los BCI basados en los ritmos sensoriomotores se basa en las variaciones de la señal cuando se realiza un movimiento o incluso cuando se imagina el propio movimiento. Esto produce que disminuya la amplitud en los ritmos µ (de 8 a 12Hz) y β (de 16 a 24Hz).  Exógenas: En este tipo de sistemas, la señal electrofísica del cerebro es provocada por estímulos externos al paciente, por lo que no requiere ningún tipo de entrenamiento previo. Para realizar un sistema BCI exógeno se pueden utilizar los potenciales evocados (P300) y los potenciales evocados visuales (VEP). Los potenciales evocados (P300) se producen en torno a 300ms después de que el usuario detecte un estímulo visual o auditivo poco frecuente. Esta idea se puede aprovechar para realizar un sistema INTRODUCCIÓN 4 4 deletreador, de forma que las letras se vayan iluminando y cuando se ilumine la letra que el usuario quiere escoger se produzca este pico. Los potenciales evocados visuales (VEP) se producen cuando el usuario recibe un estímulo visual. Si el estímulo se presenta de forma constante a una frecuencia superior a 6Hz, se puede detectar la frecuencia del estímulo observando estos potenciales. Siguiendo este razonamiento, se podría realizar, por ejemplo, un sistema en que los distintos actuadores disponibles para el usuario parpadeen cada uno a una frecuencia distinta. Cuando el sujeto observe el actuador deseado se producirán este tipo de potenciales a la misma frecuencia de muestreo. 1.3.2 Etapas de una BCI Lograr una BCI no es una tarea sencilla. Para desarrollar una Interfaz Cerebro Computador se deberá seguir estas etapas [4] [5]: Figura 1.1 Etapas de una BCI [6]  Adquisición de la señal: En esta etapa se captura la señal proveniente del cerebro. Esta medición se puede realizar por medio de diversas técnicas, siendo la electroencefalografía (EEG) la más adecuada para desarrollar una BCI (Apartado 3.2.2.4). En nuestro caso, los sensores que aparecen en la imagen serán unos electrodos colocados sobre el cuero cabelludo. Esta etapa se corresponde con el Capítulo 3 del Proyecto.  Procesado de la señal: El procesado de la señal implica todo el acondicionamiento de la señal para extraer las características que se requieren para la BCI en cuestión. En este proyecto, este paso consistirá en amplificar la señal y filtrar las frecuencias indeseadas, además de los artefactos (Apartado 3.4) para capturar únicamente las ondas alfa. También se añadirá en esta etapa una componente de offset para que la tensión no sea nunca negativa y pueda ser tratada con Arduino. Este acondicionamiento de señal se realizará de dos formas: con un circuito con filtros analógicos (Capítulo 4) y con una tarjeta de adquisición de datos más filtros digitales con LabVIEW (Capítulo 5).  Aplicación: En este paso se realiza la acción determinada en función de la señal recibida. En el presente Trabajo, un Arduino será el responsable de controlar el encendido y apagado de un LED. El Capítulo 5 mostrará los detalles de esta etapa. 5 2 EL CEREBRO HUMANO “El cerebro humano es el objeto más maravilloso y misterioso de todo el universo” - Henry Fairfield Osborn - 2.1 Introducción El cerebro humano es, sin duda, la herramienta más importante y avanzada que poseemos. En él se encuentra todo lo que somos: sentimientos, recuerdos, movimientos, decisiones… todo está controlado por el cerebro, incluido la regulación de las funciones vitales del organismo, como la respiración o los latidos del corazón, además de sensaciones como el sueño o el hambre. En definitiva, el cerebro es una estructura realmente compleja. Por ello, la comunidad científica es consciente de la importancia de dar respuesta a uno de las grandes preguntas de la humanidad: ¿cómo funciona el cerebro? Se conoce que en el cerebro hay unas 100.000 millones de neuronas conectadas entre sí, pero no se conoce cómo esta conexión permite al cerebro realizar todas sus tareas. El estudio de la actividad eléctrica en el cerebro ha permitido avanzar en el conocimiento del mismo. Sin embargo, aún estamos lejos de alcanzar el conocimiento completo del cerebro. 2.1.1 El Encéfalo El encéfalo es la masa nerviosa contenida dentro del cráneo y junto con la médula espinal, forma el Sistema Nervioso Central (SNC) [7]. A su vez, el encéfalo está formado principalmente por el bulbo raquídeo, el cerebelo y el cerebro, tal y como se muestra en el siguiente esquema. Figura 2.1 Estructura del Sistema Nervioso Central SISTEMA NERVIOSO CENTRAL ENCÉFALO CEREBRO CEREBELO BULBO RAQUÍDEO MÉDULA ESPINAL CAPTACIÓN DE SEÑAL 12 12 3.2.2.1 Magnetoencefalografía (MEG). Este método pretende registrar la actividad cerebral mediante la medición de campos magnéticos gracias al fenómeno de la inducción magnética. La resolución espacial y temporal de esta técnica es bastante buena (de pocos milímetros y varios milisegundos), sin embargo, se requiere el uso de aparatos voluminosos (no transportables) y de coste elevado [32] [33]. Este hecho hace que sea una técnica poco adecuada para una Interfaz Cerebro Computador como la que se pretende en este Proyecto. Figura 3.1 Magnetómetro para MEG 3.2.2.2 Imágenes de resonancia magnética funcional (fMRI) El método fMRI se suele usar con fines médicos, pero no son útiles para aplicaciones en tiempo real (como una BCI) ya que ofrece una resolución temporal insuficiente. No obstante, la resolución espacial es alta (de 1 a 3 mm). Esta técnica permite obtener imágenes de la actividad cerebral y de las partes más internas del cerebro, mediante un potente imán que puede llegar a costar 300.000$ [34]. Una de sus principales ventajas es que ofrece información de las zonas más profundas del cerebro. Debido a su elevado coste y a su baja resolución temporal (de 5 a 8 segundos), se rechaza esta técnica en el proyecto. 3.2.2.3 Espectroscopia de infrarrojo cercano (NIRS). Esta técnica es bastante compleja y se basa en la emisión de fotones de luz en un rango de longitud de onda perteneciente al infrarrojo cercano (entre 780nm y 3000nm) sobre la piel de la frente del paciente. El objetivo es medir los cambios del nivel de oxígeno en el córtex prefrontal cuando el paciente ejecuta una tarea o se ve sometido a un estímulo externo. De este modo, se obtiene una monitorización en tiempo real de la oxigenación de los tejidos en el cerebro [35]. No obstante, la resolución temporal es bastante pobre, por lo que se descarta para la realización de una BCI. 13 3.2.2.4 Electroencefalograma (EEG) El EEG se basa en las corrientes iónicas que tienen lugar en la corteza cerebral y que pueden ser registradas mediante la colocación de unos electrodos sobre el cuero cabelludo. Es una de las técnicas de captación de señal cerebral más antigua (1924) y más estudiada. El objetivo es captar los potenciales eléctricos generados por la actividad bioeléctrica del cerebro. Es un método nada invasivo, ya que no supone ningún riesgo para el paciente. Por otro lado, la señal que ofrece esta técnica está alterada por una serie de factores como el ruido eléctrico o los artefactos, (véase Capítulo 3.4). Otro factor a tener en cuenta es la atenuación debida a la resistividad del cuero cabelludo, del cráneo y del cerebro, lo cual afecta sensiblemente a la calidad de la señal. Además, la resolución espacial que ofrece es peor en comparación con las técnicas ya analizadas (en torno a 2-3cm) [36]. A pesar de estos inconvenientes, el electroencefalograma ofrece una serie de ventajas que hacen que sea el método más idóneo para realizar una BCI. Entre estas ventajas la más importante es la gran resolución temporal que ofrece (del orden de milisegundos), característica esencial para sistemas de tiempo real. Otra ventaja importante para este proyecto es el coste, el cual es significativamente menor que el del resto de métodos. Por ello, el método escogido en este proyecto para la captación de las ondas cerebrales será el electroencefalograma. De hecho, el EEG es, sin duda, la técnica más usada en aplicaciones BCI. El electroencefalograma también es muy usado en aplicaciones médicas para detectar tumores cerebrales, epilepsia, trastornos del sueño o muerte cerebral [37]. A continuación, se muestra una tabla comparativa entre las diferentes técnicas de captación de señal cerebral. Coste Resolución Temporal Resolución espacial Nocividad Transportable ECoG Medio Buena Regular Alta (invasivo) No MEG Alto Buena Buena Nula No fMRI Alto Mala Buena Nula No NIRS Medio Mala Buena Nula Sí EEG Bajo Buena Mala Nula Sí Tabla 3.1 Técnicas de captación de señal cerebral 3.3 Electrodos Una vez que se elige el EEG como técnica para obtener la señal proveniente del cerebro, el siguiente paso lógico es elegir qué tipo de electrodos se van a utilizar, cuántos se van a necesitar y dónde se van a colocar. Estas tres preguntas no son triviales y requieren de un análisis previo para explorar todas las opciones posibles y elegir aquellas que mejor se adapten a las necesidades del Trabajo. Un electrodo no es más que una pequeña placa conductora que transforma las corrientes iónicas (que son el mecanismo de conducción de las señales bioeléctricas en los tejidos) en corriente eléctrica para así poder recoger la actividad cerebral. Al ser las señales de una amplitud del orden de los microvoltios, es necesario que los electrodos sean construidos con materiales que ofrezcan una alta conductividad: oro (Au), cloruro de plata (AgCl) o plata (Ag). Los electrodos son una parte básica de una BCI, ya que de nada sirve tener un circuito de acondicionamiento de señal de gran calidad si la señal se recoge con una distorsión demasiado elevada. Por tanto, la señal obtenida con los electrodos debe ser lo más limpia posible [38]. CAPTACIÓN DE SEÑAL 14 14 3.3.1 Tipos Hay numerosos tipos de electrodos disponibles en el mercado, por lo que se pueden hacer diversas clasificaciones en función de las características que ofrece, el material con el que están hechos, el tamaño de la placa conductora o el lugar de aplicación de los mismos. En cuanto a las diferentes formas de colocación, podemos encontrar tres tipos de electrodos [36] [37] [38]:  Neuroquirúrgicos: Son aquellos que precisan de cirugía para ser implantados. Por ello, son electrodos invasivos y no pueden ser usados para EEG. Pueden ser corticales (para ECoG) o intracerebrales.  Basales: Este tipo de electrodo se aplica en la base del cráneo pero sin la necesidad de procedimiento quirúrgico. Algunos ejemplos pueden ser los electrodos faríngeo, esfenoidal o timpánico.  Superficiales: Son los electrodos más fáciles de colocar, indoloros para el paciente y de un coste menor que los otros dos tipos. Por ello, la elección de los electrodos a utilizar saldrá de este grupo. Entre los electrodos superficiales se distinguen otros tres tipos: 1. De aguja: Están en desuso y solo se utilizan con recién nacidos y en UCI. 2. De contacto: Consisten en tubos de plata clorurada enroscado a través de soportes de plástico. La parte en contacto con el cuero cabelludo es una almohadilla humedecida con una pasta conductora. Deben ser sujetados con bandas elásticas. La colocación es simple pero resulta incómodo para el sujeto. 3. En casco de malla: Los electrodos se reparten por un casco elástico. Es el más usado para pruebas de larga duración por la comodidad que ofrece. Ofrecen una buena calidad de medida por la gran cantidad de canales que dispone. Muy usado en hospitales. Figura 3.2 Electrodos en casco de malla [39] 4. Adheridos: Estos electrodos son pequeños discos metálicos de entre 4 y 12 mm de diámetro que se colocan sobre el cuero cabelludo mediante una pasta conductora. Ofrecen una resistencia de contacto muy baja (entre 1kΩ y 2 kΩ). Los electrodos se elegirán del grupo de los adheridos por la fácil accesibilidad, el precio y las características que ofrece. Entre estos electrodos adheridos, se pueden encontrar bañados en oro, plata, estaño, acero inoxidable, sinterizados de Ag/AgCl o platino. Además, es posible encontrarlos de diferentes diámetros (entre 4 y 12mm). En el estudio correspondiente a la referencia [40] se comparan las propiedades de algunos de estos tipos de electrodos. En dicho estudio, se demuestra que aquellos electrodos sinterizados de Ag/AgCl son los más adecuados para mediciones de EEG, ya que apenas se degrada su comportamiento en el tiempo y ofrecen una 15 respuesta más nítida y exacta. Así, los electrodos elegidos son de este material y se pueden apreciar en la siguiente imagen. Tienen un diámetro de 10mm y una longitud del cable de 2 metros. El precio de cada electrodo es de 10€, relativamente barato en comparación con otros electrodos o dispositivos de captación de señal cerebral. Figura 3.3 Electrodos pasivos sinterizados de Ag/AgCl 3.3.2 Gel Conductor Para aumentar la adherencia de los electrodos y para mejorar la calidad de la señal en mediciones de EEG, resulta indispensable usar un gel o pasta conductora. La función de este gel conductor es reducir la impedancia entre la piel y el electrodo; también ayuda limpiar la zona con alcohol. La correcta aplicación de este gel ayuda a la reducción de los artefactos (capítulo 3.4). Se deberá aplicar la cantidad idónea de gel en cada electrodo, ya que si no se usa suficiente, no tendrá la incidencia necesaria en el contacto piel-electrodo. Por el contrario, si se aplica demasiada cantidad de gel, el electrodo puede resbalar por la piel y no quedarse fijo. Figura 3.4 Gel conductor CAPTACIÓN DE SEÑAL 16 16 3.3.3 Sistema 10-20 Existe un Sistema Internacional aceptado para definir la colocación de electrodos en la cabeza del paciente. Este sistema es conocido como 10-20 [37], debido a que las posiciones están separadas entre un 10% y un 20% de la distancia total entre puntos reconocibles del cráneo. Estos puntos son:  Nasión: Es el punto intersección entre el final de los huesos de la nariz y el principio de la frente.  Mastoides: Punto situado detrás de cada oreja, cerca del lóbulo. Fácilmente detectable tocando la zona.  Inión: Es el punto donde acaba el cráneo y empieza la nuca, en la línea media. En la siguiente imagen se observa claramente la localización de cada uno de estos puntos, así como las distintas posiciones donde deben colocarse los electrodos en este sistema: Figura 3.5 Sistema 10-20 Se pueden observar 6 tipos de posiciones en función de la letra que los define: LETRA TIPO POSICIONES A Auricular A1, A2 C Cortical C3, Cz, C4 O Occipital O1, O2 F Frontal F3, F4, F7, F8, Fz, Fp1, Fp2 T Temporal T3, T4, T5, T6 P Parietal P3, Pz, P4 Tabla 3.2 Tipos de posiciones en el sistema 10-20 17 Se observa que las posiciones del lado izquierdo llevan numeración impar, mientras que en las del lado derecho llevan números pares. Además, los electrodos que se colocan en las posiciones situadas en la línea que une el nasión con el inión llevan el subíndice ‘z’ (de “zero” en inglés). El punto Cz es la intersección entre esta línea y la línea que une A1 y A2; a este punto también se le conoce como vértex. Nótese también que cada letra señala un lóbulo, excepto la letra C, que se refiere a la zona cortical y que se encuentra en la línea horizontal central [41]. 3.4 Artefactos Los artefactos están íntimamente relacionados con la electroencefalografía, debido a que son señales que pueden distorsionar la medida de la actividad cerebral. Además, la amplitud media de los artefactos es de unos 100µV, mientras que la amplitud media de la señal cerebral es de unos 30µV. Se pueden dividir en dos tipos [42] [43] [44]:  Biológicos o internos: Son los derivados del paciente. La respiración, movimientos involuntarios de los músculos craneofaciales, movimientos oculares (parpadeo), sudor o la actividad eléctrica del corazón (pulso) son ejemplos de este tipo de artefactos que pueden provocar que aparezcan cambios en el EEG.  No-biológicos o externos: Son aquellos provocados por la mala colocación o movimiento de los electrodos, exceso o déficit de pasta conductora. Estos artefactos son fácilmente evitables. Otro ejemplo de artefacto externo es la interferencia de 50Hz de la red eléctrica, la cual puede provocar una gran distorsión en la medida. Para solucionar este problema se debe filtrar esa frecuencia (Capítulo 4.6). Es importante eliminar estas componentes a la hora de realizar un electroencefalograma, ya que pueden provocar alteraciones como estas en la medida: Figura 3.6 Tipos de artefactos [26] Para minimizar la incidencia de los artefactos, es necesario tomar una serie de medidas, como filtrar correctamente la señal para eliminar estas componentes (por ejemplo, usar un filtro notch para eliminar la componente de 50Hz de la red eléctrica), indicarle al paciente que no realice movimientos bruscos y realizar un buen montaje del sistema (colocar los electrodos correctamente y fijos en la cabeza, no balancear los cables, usar CAPTACIÓN DE SEÑAL 18 18 la cantidad correcta de gel conductor…). En este proyecto, además se ha usado un electrodo de referencia colocado en A2 (oreja derecha), para atenuar muchas de estas componentes. Sin embargo, a pesar de acudir a estas medidas, la aparición de los artefactos en la medida serán inevitables (Apartado 6.2). 3.5 Montaje En lo referente al registro de la actividad cerebral, se pueden seguir dos vías para la organización topológica de los electrodos: montaje monopolar y montaje bipolar [45] [46]. En el registro monopolar se toma la medida proporcionada por cada uno de los electrodos individualmente, es decir, que no se combina con la medida de otro electrodo. Para realizar este tipo de registro, es necesario un electrodo activo, que será el encargado de medir la señal, y un electrodo de referencia. Este electrodo de referencia debe tener un voltaje nulo y hay dos formas de obtenerlo: La primera opción es situar este electrodo de referencia en el mastoides (A1 o A2) o en el mentón, lugares donde la señal es mínima. Este electrodo de referencia será común para todos los canales y, aunque debe tener potencial cero, esto nunca se consigue, por lo que se introduce un pequeño error en la medición. La segunda opción consiste en sumar las componentes de todos los electrodos y utilizarlo como referencia. Esta idea se basa en el hecho de que la suma de estos potenciales es muy cercano a cero. Figura 3.7 Montaje monopolar [45] Mientras, el registro bipolar se basa en calcular la diferencia de las medidas de dos electrodos activos. De este modo, es posible realizar multitud de combinaciones entre electrodos, cada una de las cuales proporcionará una medida. Sin embargo, no todas las combinaciones entre posiciones aportan medidas de interés, por lo que habrá que estudiar qué posiciones habrá que combinar en función de lo que se quiera registrar. 19 Figura 3.8 Montaje bipolar [45] Cuando una persona se encuentra en estado de relajación con los ojos cerrados, se produce mayor cantidad de ondas alfa en el lóbulo occipital. Por ello, es ahí donde deberemos enfocar la medida. En este proyecto se ha realizado un montaje bipolar de un solo canal, colocando los electrodos en las posiciones Fp2 y O2. Además, como se ha explicado en el Apartado 3.4, se colocará un electrodo en A2 que servirá como referencia para atenuar el efecto de los artefactos. Sin embargo, también se han realizado pruebas basadas en el registro monopolar (Apartado 6.2) con el objetivo de comparar ambos métodos. Como el lector podrá observar, en este Proyecto en concreto, el registro bipolar da resultados ofrece resultados más sólidos que con el montaje monopolar. Además del gel conductor, se usará una gasa (ver imagen) que rodeará la cabeza del paciente y que permitirá fijar los tres electrodos a cada uno de sus puntos. Figura 3.9 Colocación de los electrodos CAPTACIÓN DE SEÑAL 20 20 21 4 ACONDICIONAMIENTO DE SEÑAL 4.1 Introducción En este Capítulo se va a explicar el circuito de acondicionamiento de señal diseñado para procesar la señal cerebral y obtener una BCI. El objetivo es filtrar la señal obtenida por los electrodos, de manera que se atenúen las componentes de frecuencias por debajo de 7Hz y por encima de 13Hz (rango de frecuencias de las ondas alfa) y amplificar la señal para que pueda ser interpretada por un Arduino UNO, ya que el Arduino no es capaz de leer tensiones del orden de los microvoltios. Además, se deberá añadir al final del circuito una tensión de offset para que la tensión que entre en el Arduino no sea negativa en ningún momento. Por tanto, a la salida debemos obtener la señal proveniente de los electrodos filtradas y en el rango de 0-5V (tensiones con las que trabaja Arduino). En la siguiente imagen se puede observar cómo queda la placa final: Figura 4.1 Circuito de acondicionamiento de señal ACONDICIONAMIENTO DE SEÑAL 28 28 4.6 Filtro Notch Con el objetivo de eliminar ruido proveniente de la red eléctrica (en caso de que obtengamos la alimentación de la misma), se colocará un filtro Notch de 50Hz a la salida del AD620. El esquema de este filtro se muestra en la siguiente imagen: Figura 4.8 Esquema de un filtro notch En primer lugar, para simplificar el cálculo de los valores de las resistencias y el condensador, se hace: 𝑅1=𝑅2 ; 𝐶1=2𝐶 (4.13 ;4.14) Como las tensiones a la entrada del operacional tienen que ser iguales (v3=Vo). A continuación, observando el circuito y sustituyendo las anteriores expresiones, se tienen las siguientes 3 ecuaciones, las cuales definen por completo el comportamiento del filtro: 𝑉𝑖𝑛−𝑣2 𝑅=𝑣2−𝑉𝑜 𝑅+𝑣2 1𝑗𝑤2𝐶 ⁄ (4.15) 𝑣1−𝑉𝑜 𝑅/2 +𝑣1−𝑉0 1/𝑗𝑤𝐶 =𝑉𝑖𝑛−𝑣1 1/𝑗𝑤𝐶 (4.16) 𝑣𝑜−𝑣2 𝑅=𝑣1−𝑉0 1/𝑗𝑤𝐶 (4.17) Despejando, se obtienen v1 y v2 en función de Vo y Vin: 𝑣1=𝑗𝑤𝑅2𝐶(𝑉𝑖𝑛+𝑉𝑜)+𝑉𝑜 1+𝑗𝑤𝑅𝐶 (4.18) 29 𝑣2 = 𝑉𝑖𝑛+𝑉𝑜 2(1+𝑗𝑤𝑅𝐶) (4.19) Sustituyendo ambas expresiones en (4.17) podemos calcular la función de transferencia: 𝐻(𝑗𝑤)= 𝑉𝑜 𝑉𝑖𝑛=(𝑗𝑤)2+1 (𝑅𝐶)2 (𝑗𝑤)2+2𝑗𝑤 𝑅𝐶+1 (𝑅𝐶)2 (4.20) Así, podemos calcular tanto la frecuencia angular a la cual se obtiene Vo= 0 (wr), y las frecuencias tales que la ganancia resulta 1/√2 (w1 y w2) 0=(𝑗𝑤𝑟)2+1 (𝑅𝐶)2→𝑤𝑟=1 𝑅𝐶 (4.21) 1 √2=|(𝑗𝑤)2+1 (𝑅𝐶)2 (𝑗𝑤)2+2𝑗𝑤 𝑅𝐶+1 (𝑅𝐶)2|=𝑤𝑟2−𝑤2 √(𝑤𝑟2−𝑤2)2+(2𝑤𝑤𝑟)2→𝑤4−6𝑤2𝑤𝑟2+𝑤𝑟4=0 (4.22) Despejando, se obtienen 4 soluciones para w: 2 positivas y 2 negativas. Nos quedamos con las dos positivas, que serán w1 y w2. 𝑤1= 𝑤𝑟(√2 + 1) ; 𝑤2= 𝑤𝑟(√2 − 1) (4.23 ;4.24) Por tanto, si elegimos R=14kΩ y C=220nF, obtenemos una fr = 51.7Hz (obtenida con la ecuación (4.3)). Así, una vez calculada esta frecuencia y teniendo en cuenta las ecuaciones (4.23) y (4.24) podemos calcular las frecuencias f1 y f2. 𝑓1=124.8𝐻𝑧 ; 𝑓2= 21.4𝐻𝑧 (4.25 ;4.26) Como se puede observar en el esquema final del filtro, se necesitarán 4 resistencias de 14kΩ y 4 condensadores de 220nF. Esto es así porque colocando en paralelo dos resistencias iguales se obtiene una resistencia equivalente que resulta ser la mitad de ambas; y si se colocan dos condensadores de igual capacidad en paralelo, la capacidad equivalente es el doble, por lo que se cumplen las ecuaciones (4.13) y (4.14). En la Figura 4.9 puede apreciarse el esquema final de este filtro. ACONDICIONAMIENTO DE SEÑAL 30 30 Figura 4.9 Esquema final del filtro notch Con LTspice se observa que el filtro ha sido diseñado correctamente, ya que para 50 Hz, la señal se ha atenuado en un 93%, mientras que para 21.4 Hz ganancia está en torno a -3dB (≈1/√2). Por tanto, el diseño de esta etapa es correcta y se corresponde con los cálculos realizados. Además, las frecuencias dentro del rango de 7 a 13 Hz apenas se ven afectadas por la atenuación de este filtro. Figura 4.10 Gráfica del filtro notch 31 4.7 Filtro Paso Alto 7 Hz de 2º orden El siguiente paso es filtrar las señales de frecuencias menores de 7Hz. Para ello, se colocará a la salida del filtro Notch un filtro de segundo orden paso alto con estructura Rauch, cuyo esquema se puede observar en la Figura: Figura 4.11 Esquema de un filtro paso alto 2º orden Siguiendo los pasos de los apartados anteriores, se van a mostrar las ecuaciones que definen al filtro, sabiendo que v2=0 por ser la tensión que entra en el terminal de entrada nula: 𝑗𝑤𝐶2(𝑉𝑖𝑛−𝑣1)+𝑗𝑤𝐶1(𝑣𝑜−𝑣1)=𝑗𝑤𝐶3𝑣1+𝑣1 𝑅1 (4.27) 𝑗𝑤𝐶3𝑣1+𝑣𝑜 𝑅2=0 (4.28) Para simplificar los cálculos, se hará C2 = C3 = C. Despejando, se obtiene la función de transferencia: 𝐻(𝑗𝑤)=𝑣𝑜 𝑉𝑖𝑛=−𝑅1𝑅2𝐶2(𝑗𝑤)2 𝐶1𝐶𝑅2𝑅1(𝑗𝑤)2+𝑅1(2𝐶+𝐶1)𝑗𝑤+1=−𝐶/𝐶1 1 𝑅1𝑅2𝐶𝐶1·1 (𝑗𝑤)2+2𝐶+𝐶1 𝑅2𝐶𝐶1·1 𝑗𝑤+1 (4.29) Nótese que la ganancia del filtro será –C/C1, es decir, será negativa. Esto es así porque la estructura del filtro es de amplificador inversor. Sin embargo, esto no es problema, ya que el siguiente filtro (Apartado 4.8) también tendrá una configuración inversora y, por tanto, la salida no se verá afectada. Una vez obtenida la función de transferencia, la frecuencia de corte es: ACONDICIONAMIENTO DE SEÑAL 32 32 𝑓𝑐=1 2𝜋√𝑅1𝑅2𝐶1𝐶 (4.30) Los valores de las resistencias y los condensadores se muestran en la siguiente imagen. Con estos componentes, la frecuencia de corte resulta 7.11 Hz, con una ganancia unitaria, al ser C1 = C2 = C3. Figura 4.12 Esquema final del filtro paso alto 2º orden En la simulación realizada con LTspice, se observa que el comportamiento es el deseado, de forma que a la frecuencia de corte la ganancia está en torno a -3 dB. Para una frecuencia de 2 Hz, la salida se atenúa en más de un 90%. Figura 4.13 Gráfica del filtro paso alto 2º orden 33 4.8 Filtro Paso Bajo 13 Hz de 2º orden El último filtro del circuito se encargará de atenuar aquellas frecuencias superiores a 13 Hz. Para ello, se utilizará un filtro paso bajo de segundo orden de estructura Rauch, cuyo esquema y ecuaciones se muestran a continuación. Figura 4.14 Esquema de un filtro paso bajo 2º orden 𝑉𝑖𝑛−𝑣1 𝑅1+𝑣𝑜−𝑣1 𝑅2=𝑗𝑤𝐶1𝑣1+𝑣1 𝑅3 (4.31) 𝑗𝑤𝐶2𝑣𝑜+𝑣1 𝑅3=0 (4.32) Utilizando ambas ecuaciones, obtenemos la función de transferencia: 𝐻(𝑗𝑤)=𝑣𝑜 𝑉𝑖𝑛=−𝑅2/𝑅1 𝐶2𝐶1𝑅2𝑅3(𝑗𝑤)2+𝐶2(𝑅3𝑅2 𝑅1+𝑅2+𝑅3)𝑗𝑤+ 1 (4.33) La ganancia del filtro es –R2/R1, sin embargo, al ser la ganancia del filtro paso alto igual a -1, la salida no se invierte. En este caso también se elegirá una ganancia unitaria haciendo R1=R2. Al igual que en el filtro paso alto, la frecuencia de corte será: 𝑓𝑐=1 2𝜋√𝑅2𝑅3𝐶1𝐶2 (4.34) Teniendo en cuenta esta ecuación, las resistencias serán de 270kΩ cada una, C1 será 100nF, y C2 20nF. El esquema final de esta etapa se observa en la Figura 4.15. ACONDICIONAMIENTO DE SEÑAL 34 34 Figura 4.15 Esquema final del filtro paso bajo 2º orden Escogiendo estos componentes, la frecuencia de corte será de 13.18 Hz. Por otro lado, en lugar de colocar un condensador de 20nF, se han colocado dos condensadores de 10nF en paralelo por la falta de disponibilidad de condensadores de 20nF. Siguiendo la estructura de las etapas anteriores, se muestra a continuación una gráfica mostrando el comportamiento del filtro para diferentes frecuencias. Figura 4.16 Gráfica del filtro paso bajo 2º orden 35 Como se puede apreciar, el comportamiento del filtro es el deseado ante cualquier frecuencia. Así, se observa que, tal y como se ha calculado teóricamente, a unos 13 Hz la ganancia es de -3 dB. A partir de esta frecuencia la ganancia cae rápidamente y para 30 Hz la salida tiene una ganancia en torno a -14 dB, es decir, una ganancia del 20%. De este modo, se consigue eliminar las componentes de las frecuencias mayores del rango de trabajo. 4.9 Amplificación seleccionable Hasta ahora solo se ha amplificado la señal en un factor de 4117.7 en la etapa del amplificador de instrumentación. Recordemos que la señal de los electrodos es del orden de 50µV de amplitud, y se requiere a la salida una amplitud de 5V como máximo. Así, necesitamos amplificar aún más la señal. Para ello, a la salida del filtro paso bajo, colocamos el siguiente circuito: Figura 4.17 Etapa de amplificación Nótese que se ha colocado un filtro de primer orden paso bajo y otro paso alto para filtrar aún más las frecuencias indeseadas. La frecuencia de corte para ambos filtros será: 𝑓𝑐1=1 2𝜋𝑅4𝐶2 (4.35) 𝑓𝑐2=1 2𝜋𝑅1𝐶1 (4.36) En el filtro paso alto no se ha multiplicado la tensión por ningún factor, simplemente se filtran las componentes de bajas frecuencias. Por tanto, hasta v1 la ganancia es unitaria. Observando el circuito se define esta ecuación, sabiendo que v1 = v2: 𝑣𝑜−𝑣2 𝑅1+𝑗𝑤𝐶1(𝑣𝑜−𝑣2)=𝑣2 𝑅2+𝑅3 (4.37) ACONDICIONAMIENTO DE SEÑAL 36 36 Operando, se obtiene: 𝑣𝑜 𝑣2=𝑗𝑤𝐶1𝑅1(𝑅2+𝑅3)+𝑅1+𝑅2+𝑅3 𝑗𝑤𝐶1𝑅1(𝑅2+𝑅3)+𝑅2+𝑅3 (4.38) Así, si las frecuencias son significativamente menores que la frecuencia de corte del filtro paso bajo, se tendrá una ganancia a la salida de la etapa que será: 𝐺=𝑅1+𝑅2+𝑅3 𝑅2+𝑅3 =1 + 𝑅1 𝑅2+𝑅3 (4.39) Con las resistencias R1, R2 y R3 controlamos la ganancia de la etapa, siendo R3 un potenciómetro de 1kΩ. Si elegimos R4 = 47kΩ y C2 = 1µF, y siguiendo la ecuación (4.35), tendremos una frecuencia de corte en el filtro paso alto de 3.39 Hz. Mientras, con R1 = 10kΩ y C1 = 440nF (colocando dos condensadores de 220nF en paralelo) podemos obtener la frecuencia de corte del filtro paso bajo con la ecuación (4.36). Esta frecuencia de corte será de 36.17 Hz. Figura 4.18 Componentes de la etapa de amplificación Por otro lado, si elegimos R2 = 1kΩ tendremos una ganancia a la salida que dependerá del valor del potenciómetro. Sabiendo que el potenciómetro puede variar de 0 a 1kΩ, podemos calcular un rango de ganancias: 𝐺𝑚𝑖𝑛=1+ 10𝑘Ω 1𝑘Ω+1𝑘Ω =6 (4.40) 𝐺𝑚𝑎𝑥=1 + 10𝑘Ω 1𝑘Ω+0 =11 (4.41) 37 En la gráfica se muestra el comportamiento de esta etapa para una resistencia del potenciómetro nula. Por tanto, la ganancia teórica será de 11, es decir, 20.82 dB. Dicho esto, en la gráfica se contempla como, efectivamente, la señal se amplifica por un factor en torno a 20 dB para aquellas frecuencias cercanas al rango de frecuencias deseado (de 7 a 13 Hz). Así, el resto de frecuencias fuera del rango también se amplifica aunque con un factor menor. Nótese que la función principal de esta etapa no es la de filtrado, sino la de amplificación. Los dos filtros colocados de primer orden simplemente aportan un filtrado adicional para complementar a los tres filtros de segundo orden implementados en las etapas anteriores. De este modo, con el simple ajuste de un potenciómetro, podemos variar la ganancia del circuito según se requiera entre 6 y 11 sin necesidad de realizar ninguna modificación o ajuste adicional en el esquema. Figura 4.19 Gráfica de la etapa de amplificación 4.10 Ajuste de offset El último paso del circuito será añadir una componente de offset ajustable mediante un potenciómetro de 1kΩ, de forma que se obtenga a la salida una tensión que siempre sea positiva (el Arduino no puede trabajar con tensiones negativas). Para lograr este propósito, se usará el siguiente esquema, mostrado en la Figura 4.20. SOFTWARE 44 44 Figura 5.3 Filtro Butterworth paso bajo [52] Mientras, los filtros de tipo Chebyshev [53] se caracterizan por ofrecer una región de transición entre las bandas de paso y de rechazo menores que un filtro Butterworth del mismo orden, lo cual es una ventaja a considerar. Sin embargo, esto se logra incluyendo un rizado en la banda de paso (que será mayor a medida que se aumenta el orden del filtro), por lo que cerca de la frecuencia de corte en la banda de paso, la señal se distorsiona. LabVIEW permite indicar el rizado máximo permitido en decibelios a la hora de implementar este tipo de filtro. En la banda de rechazo no habrá rizado, ofreciendo un comportamiento similar al filtro de tipo Butterworth. En la gráfica puede apreciarse cómo a mayor orden del filtro la región de transición decrece, pero con un rizado mayor en la banda de paso. Figura 5.4 Filtro Chebyshev paso bajo [52] 45 El filtro inverso de Chebyshev [54] es similar al de tipo Chebyshev, pero en lugar de tener rizado en la banda de paso, este rizado se produce en la banda de rechazo de manera que en la banda de paso la respuesta es plana. Figura 5.5 Filtro inverso de Chebyshev paso bajo [52] Por último, los filtros elípticos ofrecen la región de transición más estrecha en comparación con los otros tipos de filtros para el mismo orden. Sin embargo, estos filtros poseen rizado tanto en la banda de paso como en la banda de rechazo, aunque, al estar distribuido el rizado en ambas bandas, la amplitud es menor que en los filtros de tipo Chebyshev e inverso de Chebyshev. Figura 5.6 Filtro elíptico paso bajo [52] SOFTWARE 46 46 5.2.1.3 Comparación entre filtros IIR y FIR En primer lugar, se debe elegir entre ambos tipos de filtros a la hora de implementar el filtrado de la señal en LabVIEW. Por ello, es necesario comparar las características de los dos filtros y definir las ventajas y desventajas [50]. Los filtros de tipo FIR siempre son estables, por lo que nunca entran en oscilación. Sin embargo, los filtros IIR, al tener retroalimentación, tienden a entrar en oscilación y resonancia si no están bien diseñados. Además, la respuesta de fase en un filtro FIR es lineal, característica que no poseen los filtros IIR. Por otro lado, los filtros IIR presentan una serie de ventajas con respecto a los filtros FIR. En primer lugar, para similares operaciones de filtrado, requieren menos coeficientes, por lo que se ejecutan más rápido y ocupan menos memoria. De este modo, para aplicar un filtro IIR de 4º orden sería necesario aplicar varios cientos de etapas en un filtro FIR para obtener una respuesta similar. Como en este proyecto no es un aspecto a considerar la linealidad de la fase, se optará por implementar filtros IIR en todas las etapas del sistema. Por último, se deberá elegir un tipo de filtro IIR entre los explicados en el apartado anterior. Para este proyecto, es importante no tener rizado en la banda de paso (entre 7 y 13 Hz) para no incrementar el error. Además, no se requiere una banda de transición estrecha, ya que el rango de frecuencias de las ondas alfa no está claramente definido (pueden aparecer ondas alfa a 6 o 14 Hz) y no es crítico eliminar por completo las frecuencias en torno a la banda de paso. Por todo ello, se elegirán filtros de tipo Butterworth. 5.2.2 Simulación A modo de simulación y para comprobar que se va a obtener un funcionamiento correcto con los filtros digitales, se realizará un programa de simulación. Para empezar, en el Panel Frontal se podrá observar en distintas gráficas la respuesta obtenida a la salida de cada etapa. Como señal de entrada para la simulación se usará la suma tres señales senoidales afectadas por un factor de ruido, tratando de simular de forma aproximada la señal que se obtendría a la salida del amplificador de instrumentación usando los electrodos. La amplitud de cada onda senoidal podrá variarse entre 0 y 0.4V con una barra vertical desde el Panel Frontal. La amplitud de la señal de ruido será para las tres señales de 0.05V de amplitud. El bloque de LabVIEW que permite crear una señal simulada es el bloque ‘Simulate Signal’: Figura 5.7 Simulate Signal Dentro de este bloque se definirán las características de la señal a simular. Por otro lado, se podrá cambiar, además de la amplitud, la frecuencia de las ondas durante la ejecución. De este modo, se obtiene una señal a tratar que será la suma de tres componentes de distintas frecuencias sumadas a una componente de continua, la cual se podrá modificar también desde el Panel Frontal. Esta señal resultante será tratada por un filtro notch con frecuencias de corte de 40 y 60 Hz, un filtro paso alto de 7 Hz y un filtro paso bajo de 13 Hz. Estos tres filtros serán de tipo Butterworth (ver apartado 5.2.1.3) y de orden 9. 47 Figura 5.8 Filtro Notch de orden 9 y tipo Butterworth Figura 5.9 Filtro Paso Alto 7Hz de orden 9 y tipo Butterworth Figura 5.10 Filtro Paso Bajo 13Hz de orden 9 y tipo Butterworth También aparece una tercera barra vertical para modificar la amplificación de la señal a la salida del filtro paso bajo, simulando la etapa de amplificación del circuito de acondicionamiento de señal. Para añadir la componente de offset se usará otra barra vertical, cuyo valor será sumado a la onda proveniente de la etapa de amplificación. Por último, se incluirá una señal luminosa simulando un LED que se encenderá cuando la diferencia entre el valor máximo y mínimo de la salida (valor pico-pico) sea mayor de 2V. Para darle robustez al sistema, se calculará la media de la diferencia de estos valores tomando 30 medidas del valor pico pico. Si esta media es mayor de 2V, la luz se encenderá. SOFTWARE 48 48 Para observar tanto el Diagrama de Bloques como el Panel Frontal del programa de simulación, consultar el Anexo II: Simulación. La versión de LabVIEW utilizada para este programa es la 14.0. 5.2.3 Adquisición de datos LabVIEW es un entorno bastante útil para este proyecto porque permite una fácil integración con el hardware. Para medir tensiones y representarlas en LabVIEW se utiliza un dispositivo de adquisición de datos (DAQ). Con este dispositivo se recoge la tensión obtenida a la salida del amplificador de instrumentación para que LabVIEW le aplique los diferentes filtros, amplifique la señal y le añada la componente de offset necesaria para que la tensión no sea negativa. Para el proyecto se ha utilizado el USB-6211 de National Instruments, cuyo aspecto se muestra en la siguiente imagen: Figura 5.11 NI USB 6211 Las características que ofrece esta tarjeta se muestran en la siguiente tabla: 49 Entradas Analógicas 16 Entradas Digitales 4 Salidas Analógicas 2 Salidas Digitales 4 Resolución del Convertidor A/D 16 bits Resolución Temporal 50 ns Frecuencia de Muestreo Máxima 250KS/s Impedancia de Entrada >10GΩ en paralelo con 100pF CMRR (desde DC hasta 60Hz) 100dB Máxima Tensión de Entrada ±10.4V Temperatura de Funcionamiento De 0ºC a 45ºC Tabla 5.1 Características del NI USB 6211 LabVIEW permite recoger la señal en modo diferencial, esto es, recogiendo dos señales y mostrando la diferencia. Por tanto, se podría recoger directamente la medida de los dos electrodos y que LabVIEW realice la amplificación diferencial y las diferentes etapas de filtrado a continuación. Sin embargo, se ha optado por realizar la amplificación diferencial con el amplificador de instrumentación AD620 del Apartado 4.5.2 (conectado a tierra con el electrodo de referencia colocado en la oreja izquierda) y recoger la señal de salida con la tarjeta de adquisición de datos. Esta etapa es la etapa más importante y crítica, ya que si no se realiza con suficiente precisión no se obtienen resultados coherentes. El motivo principal de esta elección es que la tarjeta de adquisición de datos no es capaz de recoger tensiones del orden de los microvoltios. Además, las características que ofrece el AD620 son superiores al modo diferencial de LabVIEW. Por último, con el modo diferencial de LabVIEW no se puede tener la tierra virtual del electrodo de referencia, por lo que aparecerían artefactos y distorsión de la señal. Dicho esto, la salida del amplificador de instrumentación será recogida por la tarjeta para a continuación someterla a todo el proceso de filtrado. Para captar la señal con la tarjeta de adquisición de datos, se utiliza el bloque DAQ Assistant en el Diagrama de Bloques. Figura 5.12 Bloque DAQ Assistant SOFTWARE 50 50 El primer paso para leer tensión analógica se elige el modo Acquire Signals  Analog Input  Voltage: Figura 5.13 Configuración inicial del bloque DAQ Assistant A continuación, se elige la entrada que va a leer la tensión. En este proyecto se usará la entrada 1 (ai1): Figura 5.14 Bloque DAQ Assistant: selección de la entrada 51 Una vez completados estos pasos se puede seleccionar el método de captura de señal. En primer lugar se elige la opción RSE (Reference Single Ended) en el modo Configuration Terminal. Se escogerá este modo para que la medida se realice respecto a la tierra del circuito de acondicionamiento de señal. De este modo, el canal 17 se conectará con la salida del circuito y la salida 28 con la tierra (ver Figura 5.15). Figura 5.15 Diagrama de conexión del NI USB 6211 Además, se configurará el modo de adquisición como Continuous Samples. Con este método se hará una adquisición continua de la señal, especificando la frecuencia de adquisición (Rate) como 1kHz y el número de muestras a leer (Samples to Read) en 100. Todos estos cambios pueden apreciarse en la siguiente Figura: Figura 5.16 Configuración del bloque DAQ Assistant De este modo, podremos realizar la medida de la señal a la salida del circuito de acondicionamiento de señal para comprobar que se ha realizado el filtrado y la amplificación correctamente, o para medir directamente a la salida del amplificador de instrumentación para aplicarle posteriormente los filtros digitales. En consecuencia, a la salida del bloque DAQ Assistant tendremos la tensión medida a la salida del amplificador de instrumentación, para a continuación aplicarle las mismas etapas de filtrado, amplificación y offset expuestas en el Apartado 5.2.2. Por ello, tanto el Diagrama de Bloques como el Panel Frontal son similares a los que aparecen en dicho Apartado, aunque realizados con la versión de LabVIEW 8.2, y pueden ser consultados en el Anexo III: Filtrado Digital. SOFTWARE 52 52 En el Capítulo 6 se mostrarán los resultados obtenidos con este método. 5.3 Arduino Arduino [55] [56] [57] es una plataforma electrónica de código abierto creada en 2005 basada en software y hardware fáciles de usar. Así, Arduino se basa en una placa con un microcontrolador (hardware) y una herramienta de desarrollo (software) para realizar proyectos multidisciplinares. En los últimos años, Arduino se ha convertido en una de las plataformas más utilizadas para realizar proyectos de electrónica, automatización o robótica gracias a las ventajas que ofrece:  El precio, más bajo que otras placas microcontroladoras de las mismas prestaciones.  Entorno de programación muy intuitivo y de fácil uso para cualquier persona que disponga de conocimientos básicos de programación.  La documentación disponible en la red es enorme, de forma que para casi cualquier proyecto o aplicación existe algún tutorial o información relacionada. La función de Arduino, tanto hardware como software, en este proyecto, será recoger la tensión a la salida del circuito de acondicionamiento de señal por medio de una de sus entradas analógicas y apagar o encender el LED (aplicando tensión por una de sus salidas digitales) según convenga. 5.3.1 Hardware El hardware de Arduino [55] consiste en una placa con un microcontrolador. Un microcontrolador es un circuito integrado programable, capaz de realizar tareas grabadas en su memoria. El microcontrolador que incorpora la placa de Arduino es de la familia Atmel. En función del tipo de placa podemos encontrar diferentes microcontroladores, como el ATmega328, que es el que utiliza la placa Arduino UNO. Entre los diferentes tipos de placas que ofrece Arduino encontramos: Arduino UNO (es la placa estándar y más vendida), Leonardo, Due, Zero, Yun, Mega, Nano, Mini… Figura 5.17 Arduino UNO Cada placa tiene sus propias características en cuanto al número de entradas analógicas, salidas PWM, memoria de programa (Flash), memoria de datos (SRAM), precio, resolución del convertidor analógico-digital, velocidad de reloj o pines digitales de entrada y salida, entre otras. 53 En este proyecto se ha usado la placa Arduino UNO, cuyas principales características se muestran en la siguiente tabla Casi cualquier tipo de placa habría servido para realizar el trabajo, debido a que no es necesario una gran velocidad de reloj ni se ocupan un gran número de pines de entrada y salida. Microcontrolador ATmega328 Pines Digitales I/O 14 (6 con salida PWM) Entradas Analógicas 6 Resolución Analógica 10 Memoria Flash 32 KB SRAM 2 KB EEPROM 1 KB Velocidad de Reloj 16 MHz Tensión de Alimentación 7 – 12 V Tabla 5.2 Características del Arduino UNO 5.3.2 Software En cuanto al software, Arduino ofrece un entorno de desarrollo integrado (IDE) basado en Java bastante intuitivo y de facilidad de uso. El lenguaje de programación está basado en C++ con algunas diferencias. El software consiste en un editor de código, un compilador, un depurador y un constructor de interfaz gráfica (GUI). Además incorpora las herramientas para cargar el programa ya compilado en la memoria flash del hardware [56]. Es una herramienta gratuita y que puede ser adquirida desde sitio web oficial de Arduino. Todo código creado con Arduino debe contar obligatoriamente con dos funciones:  void setup ( ): Es la primera función que se ejecuta en el Arduino cuando se sube el código. Esta función solo se ejecuta una vez y en él se definen los pines que se van a usar como salida de tensión (pinMode (pin, OUTPUT)) o si se va a usar comunicación serie (Serial.begin). En definitiva, se colocará en esta función aquellas sentencias que solo se requiere ejecutar una sola vez.  void loop ( ): La principal diferencia entre ambas funciones es que esta se ejecuta continuamente, es decir, cuando llega a la última línea de la función, vuelve al principio y se vuelve a ejecutar. Así, este código se ejecutará de forma indefinida hasta que se desconecte o reinicie el microcontrolador. Una vez expuestas las dos funciones necesarias para crear un programa en Arduino, se revela en el siguiente apartado el código que se usará en este proyecto para controlar al LED, explicado paso a paso. Por otro lado, es conveniente aclarar para el siguiente apartado que cuando se lea tensión por un pin analógico (por ejemplo, A0), el convertido analógico digital convierte esta tensión en un número entre 0 y 1023 (210 – 1), ya que la resolución del convertidor en el Arduino UNO es de 10 bits (ver tabla 5.2). De este modo, si no se realiza ningún ajuste específico, 1023 se corresponderían con 5V y 0 serían 0V. SOFTWARE 60 60 61 6 RESULTADOS En este Capítulo se van a evaluar los resultados de los dos modos de adquisición, tanto con el circuito de acondicionamiento de señal como con los filtros digitales de LabVIEW. Además, se estudiará cómo responde cada método ante la señal proveniente de los electrodos y ante una onda del orden de 50µV de amplitud mediante el generador de señales (simulando la tensión que se obtendría con los electrodos). Así, se mostrará que usando como entrada la señal del generador, tanto el circuito analógico como las etapas con filtros digitales funciona correctamente, filtrando las frecuencias indeseadas y amplificando el rango entre 7 y 13 Hz. Sin embargo, tomando la señal proveniente de los electrodos, el ruido que acompaña a la captura impide realizar una medición completamente limpia, por lo que no se consigue filtrar correctamente. 6.1 Señal proveniente del generador Cuando la entrada del circuito analógico es una onda senoidal proveniente del generador los resultados son significativamente mejores. Para conseguir una onda senoidal de unos 50µV de amplitud se crea una onda con el generador de unos 0.1V de amplitud y, mediante el uso de un divisor resistivo, se disminuye esta tensión al rango deseado, tal y como se muestra en el siguiente esquema realizado con LTspice: Figura 6.1 Divisor de tensión Siguiendo este esquema, es simple el cálculo de la tensión que va a entrar en el A.I (Vin) en función de la señal que proviene del generador de ondas (Vgen): 𝑉𝑖𝑛=𝑉𝑔𝑒𝑛 12 24700 = 48.6µV (4.32) Esta señal, tras pasar por el filtro paso alto de primer orden (Apartado 4.4), será una de las entradas del amplificador de instrumentación. La otra entrada se colocará a 0V conectándola a tierra. RESULTADOS 62 62 De este modo, en el amplificador de instrumentación simplemente se amplificará la tensión de entrada con un factor de 4117.7, tal y como se especificó en el Apartado 4.5.2. A partir de ahí, la señal puede tratarse con el circuito analógico de acondicionamiento de señal o con los filtros digitales desde LabVIEW. Para comprobar los resultados de ambos métodos, la señal de entrada será la misma y de 0.1V de amplitud (0.2V de valor pico-pico), de forma que al A.I entren unos 50µV. 6.1.1 Resultados del circuito analógico A la salida del A.I, la señal recorrerá todas las etapas del circuito, pasando por cada uno de los tres filtros de segundo orden, la etapa de amplificación y la etapa de ajuste de offset. La salida del circuito será recogida con la tarjeta de adquisición de datos de LabVIEW para mostrar la gráfica de la señal. Así, podremos comprobar si la señal se atenúa para las ondas de frecuencias fuera del rango 7-13 Hz y si se amplifica cuando se encuentra dentro del rango. De este modo, se muestra un ejemplo de cómo responde el circuito a 100Hz y 10Hz de frecuencia y ganancia de la etapa de amplificación unitaria. Figura 6.2 Resultado del circuito analógico a 100Hz Figura 6.3 Resultado del circuito analógico a 10Hz 63 Se observa como para 100Hz, el valor pico-pico de tensión, (la diferencia entre el valor máximo y el mínimo) es mínima, en torno a 0.02V, mientras que para 10Hz el valor pico-pico está alrededor de 0.42V. A continuación, se muestra una tabla con el fin de presentar los resultados obtenidos en función de la frecuencia de la señal de entrada. Así, se expone el valor pico-pico de la tensión a la salida del circuito y la ganancia obtenida (la relación entre las amplitudes de la señal de entrada y la señal de salida). Se recuerda que la entrada al circuito es una onda senoidal de 48.6µV de amplitud (97.2µV de valor pico-pico). El factor de multiplicación de la etapa de amplificación ajustable se ha elegido como 6, colocando el potenciómetro a 1kΩ (Apartado 4.9). Por tanto, la ganancia que sufrirá la señal de entrada vendrá dada por la multiplicación de la amplificación proporcionada por el AD620 y el factor de amplificación anterior. 𝐺𝑚𝑎𝑥=4117.7∗ 6= 24706.2 (4.32) Sin embargo, se ha demostrado que la ganancia total que sufrirá la señal de entrada dependerá de forma clara de la frecuencia de la misma. Así, para frecuencias fuera del rango de 7 a 13 Hz, la ganancia debería ser visiblemente menor que Gmax (idealmente cero). Frecuencia (Hz) Valor pico-pico de la Tensión de salida (V) Ganancia 2 0.2 2058 6 1.15 11831 8 2.05 21090 10 2.45 25206 12 2.80 28807 14 3.05 31379 18 1.75 18004 22 0.95 9774 26 0.55 5658 30 0.35 3601 34 0.25 2572 38 0.15 1543 Tabla 6.1 Resultados con el circuito de acondicionamiento de señal y el generador Observando la tabla, lo primero que se observa es que para ciertas frecuencias (entre 8Hz y 14Hz) la ganancia obtenida es mayor que la ganancia teórica máxima. Esto es así porque el ruido eléctrico y térmico producido en cada una de las etapas del circuito hace aumentar la tensión de la señal, de forma que a la salida se obtiene un valor pico-pico mayor del que un principio se podría pensar observando la magnitud de Gmax. RESULTADOS 64 64 Además, se contempla como para el rango de frecuencias de trabajo, la tensión pico-pico es mayor que para el resto de frecuencias. Sin embargo, para 14 Hz, que está fuera del rango, la ganancia es mayor incluso que para 8, 10 y 12Hz. Esto es así porque, además de por la influencia del ruido, los componentes usados en este circuito tienen una pequeña tolerancia en su valor, que suele ser de +/- 5% del valor nominal (incluso hay componentes con una tolerancia del 10%). Estas pequeñas diferencias pueden hacer que las frecuencias de corte de los filtros se desplacen ligeramente. A pesar de ello, a partir de 14 Hz la ganancia empieza a bajar claramente, ya que a 18 Hz la tensión cae a 1.75V. Además, se recuerda que el rango de frecuencias de las ondas cerebrales no está claramente definido, sino que es aproximado (Apartado 2.4.1), de modo que no es crítico el hecho de que no se atenúe las señales de 14 Hz. Por otro lado, aunque en las frecuencias cercanas al rango de trabajo la ganancia es menor, esta no es despreciable, de modo que no se consigue eliminar al completo estas componentes. Este hecho se debe al bajo orden de los filtros utilizados (orden 2). Dicho esto, el comportamiento del circuito de acondicionamiento de señal es holgadamente satisfactorio, ya que atenúa correctamente el resto de frecuencias que no está en el rango y amplifica aquellas que sí están entre 7 y 13 Hz. Así, se demuestra la validez del circuito analógico, aunque con los inconvenientes nombrados. Recordemos que la salida del circuito analógico será recogida por el Arduino Uno para que este decida si aplicar tensión o no al LED, atendiendo al código expuesto en el Apartado 5.3.3. Así, se presentan dos imágenes en las que se demuestra que el Arduino enciende el LED cuando la señal de entrada está dentro del rango de 7 a 13 Hz (en este caso 9 Hz), ya que el valor pico-pico está en torno a 2.5V, es decir, mayor de 2V, que es la condición para encender el LED (Apartado 5.3.3). Mientras, cuando la entrada es una onda de una frecuencia fuera de este rango (1 Hz), el LED se encuentra apagado, demostrando que los filtros analógicos son capaces de atenuar esta frecuencia, en particular el filtro paso alto de 7 Hz. Del mismo modo, para frecuencias por encima de 13 Hz, la señal también se atenúa, tal y como se expone en la Tabla 6.1 y el LED no se enciende. Figura 6.4 LED encendido a 9Hz 65 Figura 6.5 LED apagado a 1 Hz 6.1.2 Resultados de los filtros digitales con LabVIEW Mediante el uso de filtros digitales, la señal a la salida del A.I será recogida directamente por la tarjeta de adquisición de datos. A partir de ahí, este voltaje será tratado con los tres filtros digitales de orden 9, cuyas características se exponen en el Apartado 5.2.2. También, se recuerda que se podrá modificar la magnitud de amplificación y la componente de offset (simulando el efecto de los dos potenciómetros del circuito analógico). Para comparar los resultados con la estrategia anterior, se elegirá una amplificación de ganancia seis que, junto a la amplificación del A.I, se obtiene la misma amplificación que en el estudio del circuito analógico. A continuación, se muestra como ejemplo la respuesta obtenida a 10Hz y 100Hz y sin aplicarle ningún factor de amplificación extra: Figura 6.6 Resultado de los filtros digitales a 100Hz RESULTADOS 66 66 Figura 6.7 Resultado de los filtros digitales a 10Hz Como podría esperarse, el valor pico-pico para 10Hz de frecuencia de la señal de entrada es significativamente superior que para 100Hz. Siguiendo la estructura del apartado anterior, se ha realizado una tabla donde se muestra la eficacia de este método, mostrando el valor pico-pico de la tensión a la salida y la ganancia para diferentes valores de frecuencia. Para poder comparar los valores de esta tabla con la anterior, se multiplica la señal recogida por un factor igual a 6, simulando la etapa de amplificación del circuito analógico. Frecuencia (Hz) Valor pico-pico de la Tensión de salida (V) Ganancia 2 0.06 617 6 0.42 4321 8 2.28 23456 10 2.46 25309 12 2.34 24074 14 1.32 13580 18 0.18 1851 22 0.12 1234 26 0.06 617 30 0.06 617 34 0.06 617 38 0.06 617 Tabla 6.2 Resultados con los filtros digitales y el generador 67 Mediante el uso de filtros digitales, se observa como la señal se atenúa de forma más pronunciada para las frecuencias fuera del rango de 7 a 13Hz. Esto es así porque se ha trabajado con filtros de orden 9, a diferencia del circuito analógico, donde los filtros son de 2º orden. Además, al recogerse la señal directamente a la salida del amplificador de instrumentación, el ruido producido es mínimo. Así, el mayor orden de los filtros y la menor cantidad de ruido, hace que la implementación de filtros digitales con LabVIEW sea una estrategia más eficiente para procesar la señal que el circuito de acondicionamiento de señal, ya que los resultados que ofrece son significativamente mejores. No obstante, para implementar los filtros digitales se requiere de equipamento específico y de elevado precio: el software de LabVIEW y la tarjeta de adquisición de datos. Nótese que el NI USB-6211, usado para capturar la señal, supera los 1000€ de precio unitario [58] y que la licencia para el uso del paquete completo de LabVIEW es vendido por National Instruments por 3605€ [59]. 6.2 Señal proveniente de los electrodos Cuando se captura la señal proveniente de los electrodos, esta se encuentra contaminada por mucho ruido, a diferencia de la tensión que aporta el generador de señales. Por tanto, el correcto procesado de la señal de los electrodos es claramente más complicado, ya que depende de más factores a controlar. Entre esos factores se encuentran los artefactos, expuestos en el Apartado 3.4, los cuales afectan de forma decisiva a la calidad de la señal. Por otro lado, es esencial colocar los electrodos correctamente, es decir, fijos al cuero cabelludo y con el mínimo contacto posible con el pelo del paciente, ya que en caso contrario se produce un aumento del ruido en la señal que es insostenible y que no permite observar la actividad cerebral. Así, hay que ser extremadamente precisos a la hora de realizar todo el montaje. Por todo ello, los resultados obtenidos con los tres electrodos sinterizados de Ag/AgCl no son completamente satisfactorios, debido a que no es posible mostrar el aumento de la amplitud de la señal cuando el sujeto se encuentra con los ojos cerrados en actitud relajada respecto a cuando tiene los ojos abiertos con una actitud atenta, que es el objetivo que se persigue en esta BCI. Por tanto, no se logra controlar el encendido y apagado del LED mediante la interpretación de las ondas cerebrales. El motivo principal por el que no se alcanza el objetivo es que, durante gran parte del proceso de recogida de la señal, el ruido no permite observar la actividad cerebral. Sin embargo, si todo el montaje se realiza de forma rigurosa, es posible obtener tramos donde se puede observar la señal cerebral de forma más o menos nítida. De este modo, tanto con el circuito analógico como con los filtros digitales de LabVIEW, la gran cantidad de ruido impide que se muestren con claridad las ondas alfas, ya que no se consigue observar un aumento de la señal procesada cuando el paciente se encuentra con los ojos cerrados en actitud relajada. Aun así, se va a mostrar a continuación una gráfica con los datos obtenidos de la señal proveniente de los electrodos tras pasar por el amplificador de instrumentación, tanto con montaje bipolar como con montaje monopolar (Apartado 3.5), ya que se pueden obtener características interesantes de la señal medida, como las frecuencias que aparecen con mayor relevancia, o los valores máximo y mínimo que se obtienen. Esta señal se recoge con la tarjeta de adquisición de datos y se muestra en LabVIEW para a continuación volcar los datos en el software matemático MATLAB. A diferencia del apartado anterior, en LabVIEW no se realiza ningún tipo de procesado de la señal, simplemente se obtiene la medida y se vuelca en un fichero para que sea leído por MATLAB. Para realizar el procesado de la señal, se ha hecho uso de un grupo de instrucciones (o Toolbox) de MATLAB, llamado EEGLAB, el cual permite procesar señales EEG para extraer determinadas características o incluso realizar un filtrado pasa-banda o Notch. Dicho esto, se muestra a continuación la actividad cerebral recogida durante 3 minutos con un montaje bipolar (ver Apartado 3.5), donde se puede observar que la tensión oscila entre -0.3 y 0.3V. Recordemos que el factor de amplificación escogido para el AD620 es de 4117, por lo que la diferencia de tensiones entre las dos entradas del amplificador, es decir, entre las tensiones recogidas por los electrodos situados en O2 y Fp2, está en torno al rango de -70 a 70 µV. Durante la prueba, el paciente estuvo los 3 minutos en actitud relajada, sentado y sin hablar. RESULTADOS 68 68 En la Figura 6.8 se muestra cómo hay momentos en los que la tensión aumenta considerablemente. Esto no tiene por qué significar que la actividad cerebral ha aumentado, ya que es probable que sea por efecto de algún artefacto (movimiento de los electrodos, pestañeo, algún movimiento relativamente brusco del usuario…). Figura 6.8 EEG durante 3 minutos con registro bipolar Para que el lector pueda apreciar con más detalle la señal, se expone el mismo resultado de esta medida entre los segundos 30 y 40. Figura 6.9 Resultado del EEG con registro bipolar entre los segundos 30 y 40 69 Una vez mostrado el resultado de la señal recogida con los electrodos, el siguiente paso es realizar hacer uso de EEGLAB, para extraer las características de interés. De este modo, en la siguiente Figura aparece el resultado de la densidad espectral de la señal, donde se muestra que las frecuencias que aparecen con mayor intensidad son aquellas situadas en el rango entre 6 y 15 Hz, lo cual quiere decir que hay, en principio, predominio de ondas alfa en el sujeto durante los 3 minutos de medida. Figura 6.10 Densidad Espectral con registro bipolar Por otro lado, este Toolbox permite también realizar un análisis de las frecuencias que aparecen con respecto al tiempo. Es decir, puede mostrar qué frecuencias predominan a lo largo de la medida. En este caso, la Figura 6.11 es bastante reveladora, pudiéndose extraer de ella mucha información acerca de la señal recogida. Figura 6.11 Análisis frecuencial del EEG con registro bipolar frente al tiempo ANEXO II: SIMULACIÓN 76 76 ANEXO II: SIMULACIÓN 77 78 ANEXO III: FILTRADO DIGITAL 79 80 81 Referencias [1] N. Birbaumer.: Slow cortical potentials: their origin, meaning, and clinical use, in Brain and behavior past, present, and future, 1st ed., he Netherlands: Tilburg University Press, pp. 25–39, 1997. [2] J. R. Wolpaw, N. Birbaumer, D. J. McFarland, G. Pfurtscheller, and T. M. Vaughan, Brain Computer Interfaces for communication and control, Front. Neurosci., vol. 4, no. 113, pp. 767–791, 2002. [3] Hornero, E., Corralejo R., Álvarez D.: Brain Computer Interface (BCI) aplicado al entrenamiento cognitivo y control domótico para prevenir los efectos del envejecimiento, Grupo de Ingeniería Biomédica (GIB), Universidad de Valladolid, 2012. [4] Gutiérrez Martínez J., Cantillo Negrete J., Cariño Escobar R.I., Elías Viñas D.: Los sistemas de interfaz cerebro-computadora: una herramienta para apoyar la rehabilitación de pacientes con discapacidad motora, Investigación en Discapacidad, Vol.2, Num.2, pp. 62-69, 2013. [5] Ron Angevin R.: Interfaz cerebro computadora, pensamientos al servicio de la comunicación, Uciencia: Revista de divulgación científica de la Universidad de Málaga, Nº9, pp.36-39, Abril 2012. [6] Durán Fonseca M.A., Escamilla Delgado O., Gudiño Lau J., Charre Ibarra S.M., Vélez Díaz D.: Manipulación de un robot móvil mediante un neurotransmisor, Universidad Autonómica del Estado de Hidalgo, Vol.5, Num.9, 2017. [7] Massion J.: Cerebro y motricidad, INDE Publicaciones, pp. 155-160, 2000. [8] Torres A.: Cerebelo humano: sus partes y funciones, https://psicologiaymente.net/neurociencias/cerebelo-humano-partes-funciones [9] Castillero Mimenza O.: Bulbo raquídeo: estructura anatómica y funciones, https://psicologiaymente.net/neurociencias/bulbo-raquideo [10] Gratacós M.: Bulbo Raquídeo: Anatomía, Partes y Funciones (con Imágenes), https://www.lifeder.com/bulbo-raquideo/. [11] M.: Qué es el cerebro humano – Partes y funcionamiento, http://queesela.net/cerebro-humano-partes-y-funcionamiento/ [12] Castillero Mimenza O.: Ganglios basales: anatomía y funciones, https://psicologiaymente.net/neurociencias/ganglios-basales [13] El Sistema Límbico, https://neurofisiologia10.jimdo.com/sistema-nervioso/sistema-limbico/ 82 82 [14] Triglia A.: El sistema límbico: la parte emocional del cerebro, https://psicologiaymente.net/neurociencias/sistema-limbico-cerebro#! [15] Dr. George Boeree C.: Psicología General, la corteza cerebral, Departamento de Psicología, Universidad de Shippensburg, 2015. [16] López Bendito G.: Cómo darle forma a nuestro cerebro: moldeando la corteza cerebral, Ciencia al Dia Internacional, Vol.5, Num.2, Art.4, 2004. [17] Los lóbulos del cerebro y sus distintas funciones, http://www.saludypsicologia.com/posts/view/658/name:8203-Los-lobulos-del-cerebro-y-sus-distintas- funciones [18] Triglia A.: Los lóbulos del cerebro y sus distintas funciones, https://psicologiaymente.net/neurociencias/lobulos-del-cerebro-funciones# [19] Dr. Geffner D.: El cerebro. Organización y función, Cap. 2 del libro Guía de Información al paciente con Ictus, Generalitat Valenciana, 2007. [20] Dr. George Boeree C.: La neurona, Departamento de Psicología, Universidad de Shippensburg, 2015. [21] Triglia A.: ¿Qué son las dentritas de las neuronas?, https://psicologiaymente.net/neurociencias/dendritas [22] Triglia A.: ¿Qué son los axones de las neuronas?, https://psicologiaymente.net/neurociencias/axones [23] ¿Cuáles son las partes de una neurona?, http://respuestas.tips/partes-de-una-neurona/ [24] Función y estructura de la neurona, https://es.khanacademy.org/science/biology/human-biology/neuron-nervous-system/a/overview-of- neuron-structure-and-function [25] García-Allen J.: Tipos de neuronas: características y funciones, https://psicologiaymente.net/neurociencias/tipos-de-neuronas [26] Guzmán Álvarez J.J.: Electroencefalograma, capítulo La actividad cerebral, Clínicas Rincón, Neurofisiología Málaga, 2015. [27] Triglia A.: Tipos de ondas cerebrales: Delta, Theta, Alfa, Beta y Gamma, https://psicologiaymente.net/neurociencias/tipos-ondas-cerebrales [28] ¿Qué son las ondas cerebrales?, NeuroFeedBack Barcelona. [29] Morcan J., Morcan L.: Inteligencia de Genio, Ed, Babelcube Inc, cap.5, 2017. [30] Sanei S., Chambers J.A.: EEG signal processing, Hoboken, NJ: Wiley, 2007. [31] Leuthardt E.C., Schalk G., Wolpaw J.R., Ojemann J.G., Moran D.W.: A brain-computer interface using electrocorticographic signals in humans, Journal of neural engineering 1, no. 2, pp. 63-71, 2004. 83 [32] Matti Hämäläinen, Riitta Hari, Risto J. Ilmoniemi, Jukka Knuutila, and Olli V. Lounasmaa, Magnetoencephalography—theory, instrumentation, and applications to non invasive studies of the working human brain, Reviews of Modern Physics 65, no. 2, pp. 413-497, 1993. [33] Magnetoencefalografía, Radiological Society of North America, Inc. (RSNA), 2017, https://www.radiologyinfo.org/sp/info.cfm?pg=meg [34] fMRI - Resonancia Magnética Funcional, Neuromarca, http://neuromarca.com/neuromarketing/fmri/ [35] Santamaría Vázquez E.: Diseño y Desarrollo para controlar un teléfono móvil mediante sistemas Brain Computer Interface (BCI) orientada a personas con grave discapacidad, Trabajo Fin de Grado, Escuela Técnica Superior de Ingenieros de Telecomunicación, Universidad de Valladolid, 2016 [36] Barea Navarro R.: Electroencefalografía, Instrumentación Biomédica. Departamento Electrónica. Universidad Alcalá. [37] Talamillo García T.: Manual básico para enfermeros en encefalografía, Junta de Andalucía, Enfermería Docente, n.94, pp. 29-33, 2011. [38] Órtiz González J.P, Reinoso Avecillas M.J.: Diseño y construcción de un prototipo de encefalógrafo para adquisición de señales cerebrales, Universidad Politécnica Salesiana (Cuenca, Ecuador), Facultad de Ingenierías, pp. 22-24, 2010. [39] Así sirvió mi cerebro de cobaya para un estudio científico, http://www.elespanol.com/ciencia/20160624/134987481_0.html [40] Tallgreen P., Vanhatalo S., Kaila K., Voipio J.: Evaluation of commercially available electrodes and gels for recording of slow EEG potentials, Departament of Biological and Environment Sciences, University of Helsinki, 2004. [41] Órtiz González J.P, Reinoso Avecillas M.J.: Diseño y construcción de un prototipo de encefalógrafo para adquisición de señales cerebrales, Universidad Politécnica Salesiana (Cuenca, Ecuador), Facultad de Ingenierías, pp. 24-28, 2010. [42] Santamaría Vázquez E.: Diseño y Desarrollo para controlar un teléfono móvil mediante sistemas Brain Computer Interface (BCI) orientada a personas con grave discapacidad, Trabajo Fin de Grado, Escuela Técnica Superior de Ingenieros de Telecomunicación, Universidad de Valladolid, pp. 22-25, 2016. [43] Fatourechi M., Bashashati A., Ward R.K., Birch G.E.: EMG and EOG artifacts in brain computer interface systems, Clinical neurophysiology: official journal of the International Federation of Clinical Neurophysiology 118, n.3, pp. 480–94, 2007. [44] Vaca Herrera E.R.: Prototipo de prótesis de un brazo con 12 gdl controlada mediante ondas cerebrales, Facultad de Ingeniería en Sistemas Electrónica e Industrial, Universidad Técnica de Ambato, Ecuador, pp. 24-25, 2017. [45] Órtiz González J.P, Reinoso Avecillas M.J.: Diseño y construcción de un prototipo de encefalógrafo para adquisición de señales cerebrales, Universidad Politécnica Salesiana (Cuenca, Ecuador), Facultad de Ingenierías, pp. 29-32, 2010. [46] Vaca Herrera E.R.: Prototipo de prótesis de un brazo con 12 gdl controlada mediante ondas cerebrales, Facultad de Ingeniería en Sistemas Electrónica e Industrial, Universidad Técnica de Ambato, Ecuador, pp. 12-13, 2017. [47] ¿Qué es LabVIEW?, National Instruments, http://www.ni.com/es-mx/shop/labview.html 84 84 [48] LabVIEW, User Manual, National Instruments, 2003. [49] Órtiz González J.P, Reinoso Avecillas M.J.: Diseño y construcción de un prototipo de encefalógrafo para adquisición de señales cerebrales, Universidad Politécnica Salesiana (Cuenca, Ecuador), Facultad de Ingenierías, pp. 88-92, 2010. [50] Marín de la Rosa, J.M.: Estudio de la sensibilidad de filtros FIR e IIR en presencia de S.E.U., Universidad de Sevilla, Proyecto Fin de Carrera, pp. 7-20. [51] Butterworth Filters, National Instruments, 2013, https://zone.ni.com/reference/en-XX/help/371361K-01/lvanlsconcepts/lvac_butterworth_filters/ [52] IIR Filters, National Instruments, 2011, http://zone.ni.com/reference/en-XX/help/371361H-01/lvanlsconcepts/iir_filters/ [53] Chebyshev Filters, National Instruments, 2017, http://zone.ni.com/reference/en-XX/help/370592AB-01/digitizers/chebyshev_filters/ [54] Chebyshev II Filters, National Instruments, 2017, http://zone.ni.com/reference/en-XX/help/371361P-01/lvanlsconcepts/lvac_chebyshev_ii/ [55] Doutel F.: Guía del Arduinomaníaco: todo lo que necesitas saber sobre Arduino, 2015, https://www.xataka.com/especiales/guia-del-arduinomaniaco-todo-lo-que-necesitas-saber-sobre-arduino [56] Qué es Arduino, 2016, https://aprendiendoarduino.wordpress.com/2016/09/25/que-es-arduino/ [57] Arduino, Tecnología para todos, http://arduinodhtics.weebly.com/iquestqueacute-es.html [58] NI-USB 6211, National Instruments, http://sine.ni.com/nips/cds/view/p/lang/es/nid/203224#productlisting [59] Sistema de Desarrollo Completo de LabVIEW, http://sine.ni.com/nips/cds/view/p/lang/es/nid/212666 85 GLOSARIO BCI: Brain Computer Interface (Interfaz Cerebro Computador) 1 EEG: Electroencefalografía 1 LED: Light Emitting Diode (Diodo Emisor de Luz) 1 ECoG: Electrocorticografía 3 MEG: Magnetoencefalografía 3 fMRI: Functional Magnetic Resonance Imaging (Imágenes de Resonancia Magnética) 3 PET: Positron Emission Tomography (Tomografía por emisión de positrones) 3 NIRS: Near Infrared Spectroscopy (Espectroscopia de Infrarrojo Cercano) 3 SNC: Sistema Nervioso Central 5 A.I: Amplificador de Instrumentación. 22 A.O: Amplificador Operacional 24 TFG: Trabajo Fin de Grado 40 FIR: Finite Impulse Response (Respuesta Finita al Impulso) 41 IIR: Infinite Impulse Response (Respuesta Infinita al Impulso) 41 DAQ: Data Acquisition (Adquisición de datos) 47 IDE: Integrated Development Environment (Entorno de Desarrollo Integrado) 52 PWM: Pulse Width Modulation (Modulación por Ancho de Pulso) 52