An embedded system for evoked biopotential acquisition and processing

García, Pablo Andrés; Spinelli, Enrique Mario; Toccaceli, Graciela Mabel

doi:10.1504/ijes.2014.060920

Cited by 9 publications

(5 citation statements)

References 9 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…EEG signals were developed 8) to extract thinking actions and translate them into electrical commands to develop an embedded BCI system that can be For improved biopotential acquisition and processing, an autonomous embedded BCI system was developed 9) based on an ARM9 processor that can port a real-time operating system for visualevoked potentials. The results show that this application recovered visual evoked potentials using fast Fourier transform (FFT) by extracting frequency-domain features from BCI signals and stimulus-locked interlace correlation (SLIC); thus, a classification method based on EEG signals in the time domain was proposed.…”

Section: Review Of Bci Applicationsmentioning

confidence: 99%

Review of Performance Improvement of a Noninvasive Brain-computer Interface in Communication and Motor Control for Clinical Applications

SAITO,

KAMAGATA,

AKASHI

et al. 2023

Juntendo Medical Journal

View full text Add to dashboard Cite

Brain-computer interfaces (BCI) enable direct communication between the brain and a computer or other external devices.They can extend a person's degree of freedom by either strengthening or substituting the human peripheral working capacity.Moreover, their potential clinical applications in medical fields include rehabilitation, affective computing, communication, and control. Over the last decade, noninvasive BCI systems such as electroencephalogram (EEG) have progressed from simple statistical models to deep learning models, with performance improvement over time and enhanced computational power. However, numerous challenges pertaining to the clinical use of BCI systems remain, e.g., the lack of sufficient data to learn more possible features for robust and reliable classification. However, compared with fields such as computer vision and speech recognition, the training samples in the medical BCI field are limited as they target patients who face difficulty generating EEG data compared with healthy control. Because deep learning models incorporate several parameters, they require considerably more data than other conventional methods. Thus, deep learning models have not been thoroughly leveraged in medical BCI.This study summarizes the state-of-the-art progress of the BCI system over the last decade, highlighting critical challenges and solutions.

show abstract

Section: Review Of Bci Applicationsmentioning

confidence: 99%

Review of Performance Improvement of a Noninvasive Brain-computer Interface in Communication and Motor Control for Clinical Applications

SAITO,

KAMAGATA,

AKASHI

et al. 2023

Juntendo Medical Journal

View full text Add to dashboard Cite

show abstract

“…It is the task of the classification algorithm to detect this delay in order to determine which stimulus the user is looking at. In the second case, the user is presented with visual stimuli blinking at different frequencies [12]. The classification algorithm in this case must determine which is the predominant frequency in the obtained record.…”

Section: Ssvep-based Bci Implementation 231 Steady State Visually Evoked Potentialsmentioning

confidence: 99%

SoC-FPGA systems for the acquisition and processing of electroencephalographic signals

Oliva

García

Spinelli

et al. 2021

IJRES

Self Cite

View full text Add to dashboard Cite

<span lang="EN-US">Real-time acquisition and processing of electroencephalographic signals have promising applications in the implementation of brain-computer interfaces. These devices allow the user to control a device without performing motor actions, and are usually made up of a biopotential acquisition stage and a personal computer (PC). This structure is very flexible and appropriate for research, but for final users it is necessary to migrate to an embedded system, eliminating the PC from the scheme. The strict real-time processing requirements of such systems justify the choice of a system on a chip field-programmable gate arrays (SoC-FPGA) for its implementation. This article proposes a platform for the acquisition and processing of electroencephalographic signals using this type of device, which combines the parallelism and speed capabilities of an FPGA with the simplicity of a general-purpose processor on a single chip. In this scheme, the FPGA is in charge of the real-time operation, acquiring and processing the signals, while the processor solves the high-level tasks, with the interconnection between processing elements solved by buses integrated into the chip. The proposed scheme was used to implement a brain-computer interface based on steady-state visual evoked potentials, which was used to command a speller. The first tests of the system show that a selection time of 5 seconds per command can be achieved. The time delay between the user’s selection and the system response has been estimated at 343 µs.</span>

show abstract

“…Dentro de los SE, aquellos de tiempo real son un caso particular que plantea numerosos problemas a resolver en campos diversos como circuitos digitales y microprocesadores, sistemas operativos de tiempo real [Laplante, 1992], procesamiento digital de señales [Proakis y Manolakis, 1996], procesamiento analógico de señales [Pallás Areny y Webster, 1999], diseño de hardware y desarrollo de software. El tema es de actualidad y está en continuo desarrollo, siendo habituales las publicaciones científicas sobre la implementación de estos sistemas [Stanciu et al, 2017] [ Zulzilawat et al, 2017] [García et al, 2014.a] [Short, 2008].…”

Section: Introductionunclassified

Sistemas embebidos de tiempo real con aplicaciones en bioingeniería

García¹

Self Cite

View full text Add to dashboard Cite

El avance de la tecnología permite abordar problemas cada vez más complejos con implementaciones cada vez más compactas. Un claro ejemplo de esto son los sistemas embebidos (SE): dispositivos electrónicos compactos y autónomos, con capacidad de cómputo, que realizan procesamiento de datos y/o control sobre variables físicas externas. La mayor diferencia que presenta un SE, respecto de un computador personal (PC), es que un SE está dedicado a una función particular para la cual fue desarrollado, mientras que un PC está concebido para usos múltiples. Además, los recursos de hardware que dispone un SE son generalmente más reducidos y deben afrontar importantes restricciones de consumo. Ejemplos actuales de equipos que contienen sistemas embebidos son: un router, un teléfono celular, un lavarropas, un equipo reproductor de audio o la unidad central de control de un automóvil, entre muchos otros. También son múltiples y diversas las aplicaciones biomédicas que requieren SE como dosificadores de drogas, monitores de parámetros fisiológicos, interfaces cerebro-computadora y equipos de diagnóstico autónomos. Una característica distintiva de estas aplicaciones es que deben cumplir con estrictas restricciones en los tiempos de respuesta y de ejecución para las tareas que deben realizar, por lo cual exigen sistemas embebidos de tiempo real. En general, las aplicaciones biomédicas requieren la captura de señales, su procesamiento y además de generar estímulos en forma sincronizada con la adquisición de las señales. Estas demandas imponen serias restricciones, tanto en el software como en el hardware de este tipo de equipos. Esta tesis propone una metodología de diseño de SE para aplicaciones biomédicas. A partir de ejemplos concretos se describe el fraccionamiento de las tareas; en primer lugar entre el procesamiento analógico y el procesamiento digital de señales, y luego entre distintas plataformas sobre las cuales se implementan las tareas de procesamiento digital. Los dispositivos desarrollados en el marco de esta tesis son: un adquisidor de señales de EEG autónomo con transmisión inalámbrica para Interfaces Cerebro-Computadora (ICC) basada en ritmos cerebrales, un equipo para diagnóstico de hipoacusias basado en Oto-emisiones Acústicas (OAE) diseñado para una empresa de audiología que actualmente lo comercializa y una plataforma para implementación de ICC basada en potenciales evocados visuales de estado estacionario (del inglés SSVEP: Steady State Visual Evoked Potential) Los dispositivos desarrollados, que tienen distintos grados de complejidad y requerimientos particulares, abarcan desde pequeños SE basados en microcontroladores de 8 bits, a plataformas con microprocesadores de 32 bits con sistemas operativos de tiempo real. Cada uno de estos equipos resultaron como soluciones propias y apropiadas a problemas específicos de bioingeniería e incorporan aportes originales en distintos aspectos de los SE.

show abstract

An embedded system for evoked biopotential acquisition and processing

Cited by 9 publications

References 9 publications

Review of Performance Improvement of a Noninvasive Brain-computer Interface in Communication and Motor Control for Clinical Applications

Review of Performance Improvement of a Noninvasive Brain-computer Interface in Communication and Motor Control for Clinical Applications

SoC-FPGA systems for the acquisition and processing of electroencephalographic signals

Sistemas embebidos de tiempo real con aplicaciones en bioingeniería

Contact Info

Product

Resources

About