EEG biofeedback - návrh a realizace v prostředí LabVIEW

Rok / Year: Svazek / Volume: Číslo / Number: EEG biofeedback - návrh a realizace v prostředí LabVIEW EEG Biofeedback design and implementation in LabVIEW Jiří Dvořák, Vratislav Čmiel xdvora8@stud.feec.vutbr.cz, cmiel@feec.vutbr.cz Fakulta elektrotechniky a komunikačních technologií VUT v Brně Abstrakt: Cílem této práce byl návrh a realizace pracoviště EEG biofeedback pro výukové i cvičné účely, a to za pomoci dostupných univerzitních prostředků. Vzhledem k požadavku práce v reálném čase byl návrh proveden pomocí akviziční jednotky MP Biopac, univerzální měřící karty NI USB- a prostředí LabVIEW. Abstract: The aim of this work was to design and implement an EEG Biofeedback training program for educational and training purposes, using university resources available. To meet the requirement of real-time processing, the system was made by means of the MP Biopac acquisition unit, NI USB- universal measuring card and LabVIEW.

VOL., NO., APRIL EEG biofeedback - návrh a realizace v prostředí LabVIEW Jiří Dvořák, Vratislav Čmiel Fakulta elektrotechniky a komunikačních technologií VUT v Brně Email: xdvora8@stud.feec.vutbr.cz, cmiel@feec.vutbr.cz Abstrakt Cílem této práce byl návrh a realizace pracoviště EEG biofeedback pro výukové i cvičné účely, a to za pomoci dostupných univerzitních prostředků. Vzhledem k požadavku práce v reálném čase byl návrh proveden pomocí akviziční jednotky MP Biopac, univerzální měřící karty NI USB- a prostředí LabVIEW. Úvod EEG biofeedback (dále jen EBFB) je terapeutická metoda léčby lehkých mozkových dysfunkcí (LMD) [], využívající kontinuální vyhodnocování elektrických potenciálů šedé kůry mozkové. Jedná se o vysoce specifickou metodu pro posílení žádoucí aktivace nervové soustavy, především pro trénink pozornosti a soustředění, sebeovládání a sebekázně, zklidnění impulzivity a hyperaktivity, a zlepšení výkonů intelektu. Na rozdíl od farmakoterapie je účinek EEG biofeedbacku trvalý, protože se jedná o proces učení co se mozek při tréninku naučí, už se nelze "odnaučit" [, ]. Metoda upravuje chyby v autonomní regulaci fyziologických funkcí a má princip ve snímání signálu EEG z těla pacienta a jeho následného předkládání zpět pacientovi, a to ve vizuální nebo zvukové podobě. Pacientovi je tak okamžitě poukázáno na přirozenou či patologickou činnost mozku. Ten se pak svou vůlí snaží odchylku korigovat [8]. Jedná se tedy o samostatnou regulaci mozkové aktivity za přispění cílené inhibice specifických frekvencí EEG a zesilování jiných. Obecné se provádí dvě formy tréninku: podle stimulačního neboli výcvikového modelu (trénink pozornost) a podle antistresového modelu (trénink relaxace) [8, ]. Metoda ke své realizaci potřebuje hardwarové a současně i softwarové technické prostředky, což z ní dělá typickou úlohu biomedicínského inženýrství. Zpětná vazba bývá většinou -převážně v případě dětských pacientů- vytvořena pomocí interaktivní počítačové hry. Dítě dostává okamžitou informaci o stavu své mozkové aktivity pomocí měnícího se parametru zvoleného herního motivu (výška letícího letadla, hladina vody v řece apod.). Forma a parametry tréninku jsou nastaveny terapeutem vždy tak, aby bylo dítě motivováno zvyšujícím se herním skóre ke korekci odchylky správným směrem [8]. Bližší popis tréninku a vysvětlení principu terapie uvádí kapitola. Schéma pracoviště Dnes je dostupná celá řada zařízení pro domácí trénink EBFB (NEUROSET BrainGym, Laxball, BioGraph Infiniti). Z profesionálních aplikací je pak nejvíce rozšířený Deymed Diagnostic BRAINFEEDBACK nebo Mind WorkStation. Obecný princip jejich funkce je vždy stejný a lze ho odvodit z obrázku, které je zároveň blokovým schématem námi navrženého pracoviště EBFB. To se skládá z následujících hardwarových komponent:. Akviziční jednotka MP, sdružená s programovým balíkem Biopac Student Lab PRO [], slouží ke sběru analogových dat nejrůznějšího biologického charakteru. Jejím úkolem je zesílení ( x) a filtrace pomocí horní propusti o mezní frekvenci, Hz (zájmové pásmo spektra EEG signálu je v našem případě, Hz až Hz) []. Jednotka utlumí artefakty spojené s pomalým kolísáním nulové izolinie napětí, způsobené změnou impedance vlivem dýchacího cyklu či měnícím se půlčlánkovým napětím elektrod. Signál snímáme pomocí nalepovacích stíněných elektrod typu ELS nebo EL. Zapojení elektrod určuje MP akviziční jednotka jako bipolární. Pár aktivních diferentních elektrod je umístěno v oblasti hlavy podle aktuálního tréninkového modelu (většinou v oblasti Cz a Pz centrální části temene podle systému rozmístění elektrod /) a další referenční (zemnicí) bývá umístěna do oblasti nejmenší elektrické aktivity (ušní lalůček) []. Měří se rozdíl napětí mezi dvěma aktivními elektrodami vztaženo k elektrodě zemnící.. Měřící karta NI USB- je využita jako A/D převodník signálu jdoucího s analogového výstupního portu akviziční jednotky MP. Karta komunikuje s osobním počítačem přes USB sběrnici, využívá k tomu balík ovladačů skupiny NI-DAQmx.. Osobní počítač se spuštěnou aplikací EBFB a dvěma monitory. Aplikace EBFB, vytvořená v prostředí LabVIEW, se stará o konečnou filtraci signálu, jeho rozdělení do EEG pásem a výpočet výkonu v těchto pásmech. Na základě tohoto výkonu je měněn herní parametr na Monitoru, který zobrazuje herní motiv pro pacienta. Monitor naopak obsahuje ovládací panel, pomocí kterého terapeut sleduje vývoj snímaného EEG a nastavuje parametry tréninku. Zpracování signálu Konečná filtrace signálu EEG je provedena softwarově až v samotné aplikaci. První čtveřice pásmových propustí tvoří banku číslicových IIR filtrů a vymezuje jednotlivá EEG pásma 7

VOL., NO., APRIL NI USB- měřicí karta (digitalizace) MP MONITOR akviziční jednotka (zesílení EEG, potlačení offsetu, galvanické oddělení) aplikace HRY.VI (vizuální zpětná vazba) USB. MONITOR aplikace EEG BIOFEEDBACK.VI (analýza EEG, řízení hry) PC vývojové prostředí LabView 7. Obrázek : Blokové schéma hardwarové části pracoviště EBFB v pořadí Delta, - Hz, Theta 8 Hz, Alfa 8 Hz, Beta Hz) [9]. Tato klasifikace frekvenční škály slouží čistě pro informativní zobrazení časových průběhů jednotlivých pásem na monitoru terapeuta a neovlivňují herní motiv. Proto byly použity eliptické filtry. řádu typu IIR. IIR filtry potřebují oproti FIR filtrům mnohem menší řád přenosové funkce k dosažení totožné odezvy. Klesají tak nároky na paměť při výpočtu koeficientů a stavových proměnných a tím i zpoždění při zpracování vstupních vzorků. Poslední pátý FIR filtr typu dolní propust s mezní frekvencí Hz filtruje vstupní signál pro následné zpracování, vyhodnocení a výpočet úspěšností terapeutických tréninků. Z tohoto důvodu si nepřejeme velké zpoždění ve filtrační větvi a současně požadujeme minimální zkreslení signálu a hlavně stabilitu filtru. Typ filtru s konečnou impulsní charakteristikou je tedy zvolen zejména pro jeho stabilitu (neosciluje), možnost lineární fázové charakteristiky a tím i konstantního skupinového zpoždění (nemění tvar signálu). Sice FIR více zpožďuje vstupní signál oproti druhému typu, ale jelikož zde není -jak bude popsáno později- prioritou strmost přechodu z propustného pásma do pásma zádržného, vystačíme si s délkou impulsní charakteristiky rovnou padesáti vzorkům. Zpoždění signálu je proto rovno -ti vzorkům (polovina délky impulsní charakteristiky filtru), což je při vzorkovací frekvenci Hz jedna desetina vteřiny. V našem případě je nejvíce směrodatným parametrem (hned vedle zpoždění výstupního signálu) plochost amplitudové frekvenční charakteristiky. Projeví-li se vlivem zvlnění plata modulu frekvenční charakteristiky nějaké diference mezi útlumem jednotlivých harmonických komponent, může to vést až k chybnému vyhodnocení úspěšnosti tréninku. Z tohoto důvodu je třeba vhodným váhováním impulsní charakteristiky posledního FIR filtru toto zvlnění eliminovat. Volíme takové váhové okno, které ve výsledku způsobí nejmenší zvlnění. Nejvhodnějším adeptem je Kaiserovo okno, které vykazuje největší útlum vedlejších laloků frekvenční charakteristiky. Výsledná amplitudová frekvenční charakteristika tvořena dílčími filtry použitými v aplikaci je znázorněna na obrázku. V aplikaci EEG Biofeedback realizuje výpočet individuálních výkonových spekter blok subvi s názvem Auto Power Spectrum.VI [], což je v podstatě algoritmus výpočtu jednostranného výkonového spektra Sff pomocí součinu komplexního Fwi a komplexně sdruženého spektra *Fwi (). Symbol wi zde udává index příslušné spektrální realizace a N zase počet vzorků v jednom úseku vstupního signálu. Výsledná hodnota složek výkonového spektra je udávána v jednotce Vrms. Umocnění N je zde ve významu jednostranného výkonového spektra. kω, nt a mt vyjadřují vzorky signálu ve frekvenční, resp. časové diskrétní oblasti. 𝑤 𝑖 𝑆𝑓𝑓 = 𝐹𝑤 𝑖 𝐹𝑤 𝑖 𝑘Ω 𝐹𝑤 𝑖 𝑘Ω 𝑘Ω = = = 𝑁 𝑁 𝑁 𝑗𝑘 Ω𝑛𝑇 𝑁 𝑚 = 𝑓𝑤 𝑖 (𝑚)𝑒 𝑗𝑘 Ω𝑚𝑇 𝑛= 𝑓𝑤 𝑖 (𝑛)𝑒 𝑁 () Každý úsek signálu váhujeme obdélníkovým oknem o délce N= vzorků. Ačkoliv lze zvyšováním délky okna dosáhnout většího frekvenčního rozlišení (časové rozlišení se vlivem překrývání oken stává na délce okna do značné míry invariantní), zhoršil by se dynamický rozsah a také rychlost odezev jednotlivých složek spektra na náhlé změny amplitud v odpovídajících kmitočtových pásmech (zejména pak těch vyšších). S přihlédnutím k tomuto omezení byla optimální délka okna zvolena podle minimálně požadovaného rozlišení frekvenční osy spekter, které je dle vztahu f=fvz/n rovno Hz []. Vstupní signál je vzorkován kmitočtem Hz. Tato hodnota je při uvažování nejvyšší zájmové harmonické složky rovné -ti Hz více než dostačující a byla zvolena v zájmu zachování detailnějšího tvaru EEG signálu pro jeho záznam a pozdější vykreslení. Překrytí okna činí N/ neboli vzorků. To vše ve výsledku znamená, že desetkrát za vteřinu ( t=ms) je vypočítáno a současně vykresleno jednostranné výkonové spektrum z úseku signálu o délce s. Obnovovací frekvence Hz by měla být dostatečná k vyvolání zpětnovazebních smyček v neuronové síti lidského mozku a tím i vytvoření efektivního procesu učení a autoregulace. Realizace zpětné vazby Klíčovou podmínkou použitelnosti metody je správné navázání vizuálních prostředků zpětnovazební smyčky na sledovaný Délka signálu v jedné realizaci je shodná se vzorkovacím kmitočtem signálu. 7

A dig.filtry [-] A MP [-] VOL., NO., APRIL,,8,,, f [Hz] FIR [-] IIR Delta [-] IIR Theta [-] IIR Alpha [-] IIR Beta [-] MP [-] Obrázek : Amplitudové frekvenční charakteristiky filtrů parametr snímaného signálu. Tento parametr zde představuje okamžitá aktivita příslušných EEG pásem, kterou lze ze signálu získat několika rozdílnými způsoby. V této práci jsou diskutovány dvě níže uvedené metody.. Průměrování spektrálních čar: Vhodným průměrováním všech výkonových spektrálních čar příslušejících svému EEG pásmu získáme vhodnou aproximaci aktivity v tomto pásmu, kterou pak lze použít k vyhodnocení úspěšnosti tréninku. Přesnost této metody stoupá s rozlišením frekvenční osy spektrogramu a klesá s prosakováním spektra (vliv volby použitého váhového okna). Principiálně tuto metodu vysvětluje obrázek. Index n v rovnici () zde uvádí pořadí spektrální složky v individuálním výkonovém spektru S. P DELTA = P ALPHA = n= n=9 S n ; P THETA = S(n) ; P BETA = 8 n= n= S n ; S(n) () Principiální schéma metody je uvedené na obrázku. Vstupní signál je nejprve rozdělen na dílčí frekvenční pásma sadou paralelních filtrů. Takto získané složky jsou následně umocněny pro získání reprezentace okamžitých výkonů pásem. Krátkodobé integrátory určují ekvivalentní časové okno odhadu, což umožňuje sledovat vývoj spektra s časem. Podělíme-li každý z výstupů schématu šířkou přiřazeného pásma, získáme normovaný údaj o výkonu v tomtéž pásmu [W.Hz - ]. Nespornou výhodou tohoto řešení je zlepšení časové odezvy, resp. zkrácení dopravního zpoždění při vyhodnocování aktivity vyšších frekvenčních pásem. Toho se dá docílit jednoduchým zkrácením časového okna příslušejících pásem. Úvaha je taková, že změní-li se např. v pásmu alfa skokově amplituda určité frekvenční složky, objeví se tato změna na výstupu systému nejrychleji právě při délce okna rovnajícího se jedné celé periodě uvažované složky. Při délce okna o hodnotě vyšší bude dána okamžitá úroveň spektrální složky průměrem všech těchto úrovní v daném okně obsažených a tím pádem se na výstupu změna projeví s větším zpožděním. V praxi by tedy pro zjednodušení postačilo vytvořit pro každé pásmo krátkodobý integrátor s takovou konstantou (délkou časového okna) rovnou periodě nejnižší frekvenční složky propuštěné příslušným filtrem. V našem případě, tj. při uvažování dolních mezních frekvencí EEG pásem f m podle kapitoly, překrytí oken rovnajícímu se -ti vzorkům a vzorkovací frekvenci -ti Hz, by vypadaly délky oken N tak, jak udává tabulka (hodnoty jsou vždy zaokrouhleny na nejbližší celý vyšší násobek překrytí oken): Tabulka : Výsledné délky oken Pásmo Dolní mezní frekvence Délka okna DELTA, Hz vzorků THETA Hz vzorků ALPHA 8 Hz vzorků SMR Hz vzorků BETA Hz vzorků Obrázek : Metoda průměrování spektrálních čar. Výpočet výkonu pásem pomocí banky filtrů: Příklad výpočtu pro pásmo THETA je následující: T THETA _max = Hz =, s N THETA =, s f vz = =, s =, vz vz 7

VOL., NO., APRIL Toto řešení bohužel zavádí do systému problém oscilací všech harmonických složek v pásmu, jejichž perioda není rovna celému násobku délky okna. Kmity se projeví v případě delšího časového úseku signálu konstantní aktivity a rozsah vzniklého vlnění se nakonec ukázal být pro aplikaci EEG Biofeedback nežádoucí. Z toho důvodu byla pro aplikaci vybrána metoda první, čili metoda spektrálních čar. načítání dat, zpracování dat a řízení zpětné vazby v reálném čase možnost volit kanály zahrnuté do tréninku, parametry tréninku a velikost rozhodovacích úrovní možnost záznamu zvolených kanálů snímaného EEG signálu do souboru a možnost zpětného prohlížení vytváření pacientské databáze zahrnující také informace o jednotlivých sezeních (délka, úspěšnost, trénovaný parametr, ) a vyhodnocení dlouhodobé úspěšnosti terapie jednoduché nastavení napěťového rozsahu a citlivosti jednotlivých vstupních kanálů přehledné a jednoduché uživatelské prostředí. výběr z většího počtu herních motivů možnost vkládání informačních popisků do snímaného průběhu Obrázek : Výpočet výkonu pásem pomocí banky filtrů Výsledky srovnávacích testů obou metod udává obrázek. Vstupem testu byl napěťový skok signálů pěti harmonických složek o kmitočtu,,, a Hz. Tento skok by měl simulovat rázovou změnu aktivity (napětí) vybraných složek všech spektrálních pásem z hodnoty uv na hodnotu uv a zpět. Větší strmost náběžných a sestupných hran křivek druhé metody jasně potvrzuje lepší časové odezvy ve vyšších pásmech. Oproti nim je při první metodě dopravní zpoždění všech pásem konstantní, rovnající se dle vztahu t=t*(n/m) jedné vteřině (M zde představuje velikost překrytí časového okna neboli vzorků, N= délku okna a T=,s periodu vykreslování spektra). Z grafu lze dále vidět, že jediná kmitočtová složka Hz má hladkou odezvu a to právě z důvodu celistvého násobku délky časového okna ( vz). Aplikace LabVIEW Aplikace pro terapii metodou EEG biofeedback by měla zahrnovat následující funkce [, 8, 9]:. Funkční popis Detailní blokové schéma navržené aplikace EEG biofeedback je zobrazeno v příloze. Aplikaci lze z funkčního hlediska rozdělit na okno pro nastavení parametrů tréninku, čili okno terapeuta (tvořené programem EEG biofeedback.vi; detail na obrázku 8), a okno s herním motivem (program Hry.vi; detail na obrázku 9). Účel ovládacích a signalizačních prvků obou oken, stejně jako účel jednotlivých částí blokového schématu, vyplývá z následujícího popisu:. Volba režimu - Načítání signálu z měřící karty, načítání s pomocí vstupu zvukové karty (použito pří vývoji aplikace), simulované načítání EEG z externího datového souboru (pro účely výuky a prezentace), zobrazení záznamu EEG a ukončení programu.. Záložky - Zobrazení údajů o probíhajícím tréninku, dat pacientské databáze nebo zaznamenaných úseků signálu.. Průběh EEG - Vykreslení snímaného EEG signálu po průchodu pásmovou propustí, Hz až Hz, tvořenou blokem FIR.VI. Hz,,, Hz,,,,, Hz,,, Zpoždění [s] Zpoždění [s] Zpoždění [s] Hz,,,,,,, Hz,,,,, Metoda průměrování spektrálních čar P [V rms.hz - ] Metoda odhadu výkonu pásem pomocí banky filtrů P[W.Hz - ] Zpoždění [s] Zpoždění [s] Obrázek : Porovnání metod odhadu aktivity pásem 7

VOL., NO., APRIL 9 7 8 Obrázek : Hlavní okno aplikace EBFB. Průběh pásem - Vykreslení výstupů z jednotlivých filtrů z banky IIR filtrů (blok IIR.VI). Jejich účel je pouze informativní. Výkonové spektrum - Ukazatel individuálních výkonových spekter signálu, z nichž se vyhodnocuje aktivita jednotlivých trénovaných pásem a tím i úspěšnost tréninku. Dílčí spektrum se počítá vždy z vzorků signálů uložených v softwarovém posuvném registru, tedy vždy z části signálu o délce jedné vteřiny. Spektrum je vykreslováno v rozsahu Hz s rozlišením frekvenční osy Hz.. Průměrná pásmová aktivita - Ukazatele normované aktivity (výkon vztažený k jednomu hertzi) v jednotlivých pásmech. Jsou pro terapeuta stěžejním ukazatelem distribuce aktivity ve všech pěti základních EEG pásmech (plus dvou přídavných, daných vzájemným poměrem základních pásem [, 9]). Matematické vyjádření jejich hodnot koresponduje s metodou průměrování spektrálních čar. 7. Volba pásem - Určuje pásma, které budou zahrnuty do tréninkového kola. Jakou formu tréninku terapeut zvolí, to závisí na formě postižení mozkových funkcí pacienta. Obecně lze vybírat mezi relaxačním a výcvikovým tréninkem. Do relaxačních metod patří pásma Delta, Theta a Alfa, naopak do výcvikových metod pásma SMR a Beta. Herní motivy mohou být maximálně dvouparametrické (výsledek hry může být ovlivňován maximálně dvěma parametry). Častokrát je snahou tréninku současně pásmo z jedné skupiny stimulovat, zatímco pásmo ze skupiny opačné potlačit. 8. Nastavení prahů - Pro každé trénované pásmo nastavuje terapeut hodnotu aktivity, která odlišuje úspěch tréninku od neúspěchu. 9. Výběr hry - Volbou herního tématu se zároveň i spustí odpovídající hra na monitoru pacienta.. Tréninkové kolo - Současné spuštění tréninkového kola a záznamu úspěšnosti. Délku kola lze ukončit manuálně nebo s využitím časovače.. Úspěšnost tréninku - Slouží pro kontrolu okamžité a průměrné úspěšnosti tréninku. Okamžitá úspěšnost může nabývat stavů z oboru hodnot { %, %, %}. Průměrná úspěšnost je vyhodnocována od začátku kola až do jeho konce dle vztahu: průměrná úspěšnost = % N p n n= () p c N N celkový počet parametrů vybraných pro trénink p n počet cyklů od začátku záznamu, kdy velikost n-tého parametru přesáhla rozhodovací práh p c počet všech cyklů od začátku záznamu. Záznam signálu - Uložení snímaného signál do binárního souboru. Celý zaznamenaný soubor lze zpětně použít jak pro jeho zobrazení ze záznamu (obrázek 8), tak k režimu simulace EBFT (bod kap..).. Vybraný pacient - Zobrazuje jméno a rodné číslo pacienta a umístění souboru s odpovídajícím záznamem EEG.. Databáze pacientů - Databáze pro správu pacientů. Uchovávány jsou základní osobní data, diagnóza a parametry jednotlivých terapeutických sezení. 77

VOL., NO., APRIL Obrázek 7: Databáze pacientů Ty obsahují i hodnoty dosažených výsledků. Z těchto dat je následně pořízen graf dosažené úspěšnosti v závislosti na pořadí tréninkového kola (obrázek 7). Celkem byly pro aplikaci vytvořeny herní témata. Jejich popis je uveden v tabulce. Obecně lze volit pro každý tréninkový program libovolný herní motiv. Aplikace není v tomto ohledu nijak limitována. Z velmi zobecněné interpretace výsledků [, 8, 9, ] však vyplývá, že je dobré volit hry s udržovacím motivem pro relaxační formy tréninku. Cílem je vyvolat a udržet stav uvolnění. Herní motiv na obrazovce musí proto plynout spojitě a pomalu. Rychlé a nečekané změny ve hře by naopak rušily klidný a relaxovaný stav mysli pacienta. Při relaxační formě tréninku usilujeme o co nejdelší setrvání pásmové aktivity pod inhibičním prahem, respektive nad prahem vybuzení. Potlačují se vyšší pásma (Beta) a naopak se trénuje vzrůst aktivity pásem nižších (Alfa, Theta). Hry se stimulačním soutěžním motivem volíme pro výcvikový model terapie (snaha o vybuzení vyšších pásem). Zde má požadovaný přechod pásmových aktivit přes rozhodovací úrovně charakter impulsů, což může klidně odpovídat skokovým změnám v odvíjejícím se herním motivu. Tyto změny totiž soustředění pacienta nijak nenarušují. Odměňování skokovým vzrůstem skóre naopak vytváří pozitivní zpětnou vazbu a přispívá tak k upevnění správných vzorců funkce pacientova mozku. Obrázek 8: Prohlížeč záznamu signálu. Herní témata Obrázek 9: Herní motivy 78

VOL., NO., APRIL Tabulka : Popis herních motivů a variací tréninku Název hry Parametry Možné přidělené pásmo Odměňování ve hře δ, θ, α, β, SMR, SMR/β, α/θ posun obrazu ve vodorovném i svislém směru ke středu obrazovky. parametr KRAJINA ( parametr) Vhodné pro relaxační model tréninku - aktivace nižších pásem či inhibice vyšších pásem; dlouhá tréninková kola δ, θ, α, β, SMR, SMR/β, α/θ rozkvět poupěte, růst stonku a zbarvení květu. parametr KVĚTINA ( parametr) Vhodné pro relaxační model tréninku - aktivace nižších pásem či inhibice vyšších pásem; kratší tréninková kola. parametr δ, θ, α, β, SMR, SMR/β, α/θ předjetí červeného vozu AUTA Vhodné pro výcvikový model tréninku - aktivace vyšších pásem; středně ( parametr) dlouhá tréninková kola. parametr δ, θ, α, β, SMR, SMR/β, α/θ odkrytí dalšího dílku obrázku PUZZLE Vhodné pro výcvikový model tréninku - aktivace vyšších pásem; krátká ( parametr) tréninková kola. parametr α, β, SMR, SMR/β posun obrazu ve vodorovném směru ke středu obrazovky KRAJINA δ, θ, α/θ posun obrazu ve svislém směru ke středu. parametr ( parametry) obrazovky Vhodné pro relaxační model tréninku - stimulace nižších pásem za soustavné inhibice vyšších pásem; dlouhá tréninková kola. parametr α, β, SMR, SMR/β rozkvět poupěte a růst stonku KVĚTINA. parametr δ, θ, α/θ zbarvení květu ( parametry) Vhodné pro relaxační model tréninku - stimulace nižších pásem za soustavné inhibice vyšších pásem; krátká tréninková kola α, β, SMR, SMR/β předjetí červeného vozu (podmíněno dopředným pohybem obou vozů). parametr AUTA. parametr δ, θ, α/θ dopředný pohyb obou vozů ( parametry) Vhodné pro výcvikový model tréninku - stimulace vyšších pásem za soustavné inhibice nižších pásem; středně dlouhá tréninková kola PUZZLE ( parametry). parametr α, β, SMR, SMR/β odkrytí dalšího dílku obrázku. parametr δ, θ, α/θ odkrytí dalšího dílku obrázku Vhodné pro výcvikový model tréninku - stimulace vyšších pásem za soustavné inhibice nižších pásem; krátká tréninková kola Pokaždé, když se pacient dokáže natolik zkoncentrovat, že průměrná pásmová aktivita v hlídaném pásmu skokově překročí požadovanou mez, dojde na jeho monitoru k předjetí automobilu nebo odkrytí dalšího pole skládanky. Z výše uvedených důvodů byly hry KRAJINA a KVĚTI- NA (obrázek 9 nahoře) navrženy spíše pro pásma Delta, Theta, Alpha a hry AUTA a PUZZLE (obrázek 9 dole) pro pásma Beta a SMR. Na základě uvedených zdrojů jsou také navržena všechna doporučení uvedená v tabulce. Závěr Zdrojový kód hotové aplikace realizovaný pomocí LabVIEW umožňuje názornou, leč plně funkční ukázku tréninku za pomoci terapeutické metody EEG biofeedback. Nabízí plnohodnotnou obsluhu stanoviště terapeuta a současně v sobě implementuje čtyři jednoduché zpětnovazební herní motivy. Součástí je i funkční pacientská databáze. Program umožňuje práci jen s jedním snímacím kanálem. Vícekanálové zpracování by znamenalo znásobení nároků na výpočetní výkon. Pro základní trénink je však jednokanálové EEG zcela dostačující [8]. Lze jím provádět jak trénink individuálních EEG pásem, tak i jejich kombinací, čímž je zajištěna vysoká míra variability tréninku. Herní témata pro vizuální zpětnou vazbu úspěšnosti tréninku jsou oblastí aplikace, ve které se projevily negativní důsledky volby programovacího prostředí LabVIEW, které není navrženo pro profesionální práci s herní grafikou (alespoň v jeho základní verzi). Graficky jednodušší herní motivy udrží pacientovu pozornost po kratší dobu, a proto je třeba je i v rámci jednoho tréninkového kola častěji střídat []. Tato možnost byla v aplikaci EBFB ponechána. Zvýšení atraktivity her a tím i efektivity tréninku by mohlo být dosaženo doplněním jednotlivých herních motivů o zvukové podněty, které velkou mírou přispívají k upevnění autoregulačních vazeb mozkové aktivity [, ]. Aplikace je ve zjednodušené verzi využívána jako demonstrační program při výuce a laboratorních cvičení na FEKT VUT v Brně [7]. 79

VOL., NO., APRIL Literatura [] TYL Jiří; TYLOVÁ, Vendula. Lehké mozkové dysfunkce [Online]. Praha : Asociace pro aplikovanou psychofiziologii a biofeedback ČR - Biofeedback institut,., str.. [citováno. března 9.] Dostupný z: http://zsvojanova.cz/doc/lmd.pdf [] TYL, Jiří. Závěrečná zpráva o řešení grantu Interní grantové agentury Ministerstva zdravotnictví ČR.. [Online] Biofeedback institut,. červen. [citováno 8. prosince 8.] Dostupný z: http://www.eegbiofeedback.cz [] Auto Power Spectrum.VI. National Instruments [online]. National Instruments Corporation, [cit. --]. Dostupné z: http://zone.ni.com/reference/en-xx/help/7h- /lvanls/auto_power_spectrum/ [] BIOPAC Systems, Inc. BSL hardware guide. BIOPAC Systems, Inc. [Online]. červen. [citováno. března 9.] Dostupný z: http://www.biopac.com [] LINDEN, Michael, Thomas HABIB a Vesna RADO- JEVIC. A controlled study of the effects of EEG biofeedback on cognition and behavior of children with attention deficit disorder and learning disabilities. Biofeedback and Self-Regulation. 99, vol., issue, s. 97-97. DOI: http://dx.doi.org/.7/bf7. [] Discrete Fourier Transform (DFT). The MathWorks, Inc. [online]. 99- [cit. --]. Dostupné z: http://www.mathworks.com/help/matlab/math/discretefourier-transform-dft.html [7] CMIEL, V., O. JANOUSEK a J. KOLAROVA. EEG biofeedback. Proceedings of the th International Symposium on Applied Sciences in Biomedical and Communication Technologies - ISABEL '. New York, New York, USA: ACM Press,, s. -. DOI:./998.97. Dostupné z: http://dl.acm.org/citation.cfm?doid=998.97 [8] KOPŘIVOVÁ, Jana, Martin BRUNOVSKÝ, Ján PRAŠKO a Jiří HORÁČEK. EEG biofeedback a jeho použití v klinické praxi: EEG Biofeedback and its Use in Clinical Practice. Psychiatrie. Praha: Grada, 8, roč., č., s. -. [9] FRIEL, Patrick. EEG Biofeedback in the Treatment of Atttention Deficit / Hyperactivity Disorder. Alternative Medicine Review. 7, roč., č., s. -. [] FREDERICK, Jon A., Joel F. LUBAR, Howard W. RASEY, Sheryl A. BRIM a Jared BLACKBURN. Effects of 8. Hz Auditory and Visual Stimulation on EEG Amplitude at the Vertex. Journal of Neurotherapy. 999, vol., -, s. -8. DOI: http://dx.doi.org/./j8vn_. [] SOKHADZE, Estate Tato a Olga M. BAZANOVA. Peak Performance Training Using Prefrontal EEG Biofeedback. Biofeedback., vol., issue, s. 7-9. DOI: http://dx.doi.org/./97899998.ch. 8

VOL., NO., APRIL Příloha : Blokové schéma softwarového řešení aplikace EBFB Načítání z měřicí karty Načítání ze souboru (režim simulace) Načtení záznamu EEG biofeedback.vi Vykreslení snímaného EEG signálu FIR.VI (Filtrace PP. Hz Hz) IIR.VI (Banka filtrů pro EEG pásma δ, θ, α, β) Vykreslení EEG pásem δ, θ, α, β Vykreslení záznamu Výpočet ind.výkonového spektra Úprava a vykreslení ind.výkonového spektra Záznam načítaného signálu (ukládání do souboru) Výpočet a vykreslení výkonu jednotl. EEG pásem Řídicí jednotka: výběr režimu výběr trénovaných pásem nastavení rozhodovacích prahů přepínač INHIBICE/STIMULACE volba délky tréninkového kola volba herního motivu volba pacienta editace pacientské databáze záznam REC/PAUSE/STOP PRUMERNA USPESNOST.VI (Výpočet okamžité a průměrné úspěšnosti) Hry.VI Vykreslení okamžité úspěšnosti ve formě hry na pacientově monitoru Přepínač režimů Načítání ze zvukové karty 7, 8, 9,,, Data Instrukce DATA.TXT (Pacientská databáze) 8