Real-time EEG denoising for embedded BCI applications

Electroencephalography (EEG) is a non-invasive neuroimaging technique for studying brain activity by recording electric potentials generated across the scalp. EEG signals present patterns correlated with sensory, cognitive, or motor events that can be exploited to create a Brain-Computer Interface (BCI). A BCI is a computer-based system that acquires brain signals, analyzes them, and translates them into commands that machines can understand (e.g., motorized wheelchair, neuroprosthetic); this enables impaired people to improve their quality of life by restoring or replacing, the lost abilities. However, BCI applications still struggle to leave researcher laboratories and find real-world implementations. This is mainly due to the great deal of computational power required and the delicate nature of EEG signals, making them susceptible to the corruption of different artifacts (e.g., heartbeats, ocular movements, and muscle contractions). The goal of this thesis is to explore more applicative solutions, this is, by designing a portable, low-power, and cost-effective BCI system, which is able to perform reliably even in noisy conditions. This is achieved by developing a wearable ultra-low-power embedded device capable of real-time EEG denoising using lightweight Deep Learning (DL) models. This proof-of-concept was validated on two healthy subjects. The denoising performance of the DL model, trained to remove all aforementioned biological artifacts, showed an average SNR improvement of +12.35dB across all 8 EEG channels used. The final implementation of the DL model in the embedded platform was able to process incoming EEG signals with a minimal latency of 11.36ms, which ensured a consistent real-time performance at a data rate of 62.5Hz.

L'elettroencefalografia (EEG) è una tecnica di neuroimaging non invasiva utilizzata per studiare l'attività cerebrale registrando potenziali elettrici generati sullo scalpo. I segnali EEG presentano regolarità correlate con eventi sensoriali, cognitivi o motori che possono essere sfruttate per creare una Brain-Computer Interface (BCI). Una BCI è un sistema computerizzato che acquisisce segnali cerebrali, li analizza e li traduce in comandi che le macchine possono comprendere (e.g., sedia a rotelle motorizzata, neuroprotesi); ciò consente alle persone con disabilità di migliorare la loro qualità di vita, ripristinando o sostituendo le capacità perdute. Tuttavia, le applicazioni BCI faticano a lasciare i laboratori di ricerca e trovare implementazioni reali. Ciò è dovuto principalmente alla grande potenza di calcolo richiesta e alla natura delicata dei segnali EEG, che li rende suscettibili alla corruzione di diversi artefatti (e.g., battito cardiaco, movimenti oculari e contrazioni muscolari). L'obiettivo di questa tesi è esplorare soluzioni più applicative, progettando un sistema BCI portatile, a bassa potenza ed economico, in grado di funzionare in modo affidabile anche in condizioni rumorose. Questo è stato ottenuto sviluppando un dispositivo embedded efficiente e portatile in grado di filtrare segnali EEG in tempo reale utilizzando modelli di deep learning ottimizzati. Questo prototipo è stato convalidato su due soggetti sani. Le prestazioni di rimozione del rumore del modello, allenato per rimuovere tutti gli artefatti biologici sopracitati, hanno mostrato un miglioramento dell'SNR medio di +12.35 dB su tutti gli 8 canali EEG utilizzati. L'implementazione finale del modello sul microcontrollore è stata in grado di elaborare i segnali EEG in ingresso con una latenza minima di 11.36ms, il che ha garantito prestazioni in tempo reale consistenti a una velocità dati di 62.5Hz.