WearBCI Dataset: Understanding and Benchmarking Real-World Wearable Brain-Computer Interfaces Signals

Resumo Técnico: WearBCI Dataset

1. O Problema

As Interfaces Cérebro-Computador (BCIs) baseadas em Eletroencefalografia (EEG) têm grande potencial para aplicações em interação humano-computador, reabilitação neurológica e diagnóstico médico. No entanto, os sistemas tradicionais são caros, invasivos e exigem configurações complexas de eletrodos úmidos, limitando seu uso a ambientes controlados de laboratório.

Os sistemas de BCI vestíveis (wearable) surgem como uma solução portátil e não invasiva, mas enfrentam um desafio crítico para a implantação no mundo real: a degradação severa da qualidade do sinal devido a artefatos de movimento.

• Causas: Movimentos faciais e do couro cabeludo geram sinais de EMG que sobrepõem a atividade neural; movimentos corporais causam deslocamentos sutis dos eletrodos, aumentando a impedância e introduzindo saltos de tensão.
• Limitação Atual: A maioria dos conjuntos de dados (datasets) existentes foi coletada em condições estáticas ou controladas (ex: sentado), não refletindo a variabilidade de movimento do dia a dia. Isso impede o desenvolvimento e a avaliação robusta de algoritmos de limpeza de sinal para cenários reais.

2. Metodologia e Coleta de Dados (WearBCI)

Para preencher essa lacuna, os autores introduzem o WearBCI, o primeiro conjunto de dados multimodal projetado especificamente para avaliar sinais de BCI vestível sob diferentes dinâmicas de movimento.

• Participantes: 36 adultos saudáveis (18-26 anos).
• Equipamento:
  • EEG: 8 eletrodos secos posicionados em Fp1, Fp2, P7, P8, T3, T4, O1, O2 (sistema 10-20), gravados a 250 Hz.
  • IMU (Unidade de Medição Inercial): 5 sensores (acelerômetro e giroscópio) posicionados na cabeça, pulsos e tornozelos, gravados a 100 Hz.
  • Vídeo: Gravação de vídeo em primeira pessoa (egocêntrica) a 30 FPS (apenas durante a sessão de navegação).
  • Sincronização: Todos os fluxos de dados foram sincronizados via Protocolo de Tempo de Rede (NTP).
• Protocolo Experimental (3 Níveis de Intensidade):
  1. Estático: Sessão de referência (olhos abertos/fechados).
  2. Movimentos Corporais: 5 ações isoladas (balançar cabeça, acenar com a cabeça, movimento ocular, esticar o braço, digitar).
  3. Caminhada: Caminhada em três velocidades (2, 3 e 4 km/h).
  4. Navegação Natural: Um trajeto pré-definido em ambiente interno envolvendo tarefas como abrir portas, evitar obstáculos, ler cartazes e bater em portas, simulando interações do mundo real.

3. Contribuições Principais

O artigo apresenta três contribuições fundamentais:

1. O Dataset WearBCI: Um recurso multimodal único com EEG, IMU e vídeo sincronizados, cobrindo desde movimentos discretos até navegação complexa, permitindo o estudo sistemático de artefatos de movimento.
2. Benchmarking de Técnicas de Limpeza: Uma avaliação abrangente de seis métodos representativos de aprimoramento de sinal EEG (3 tradicionais e 3 baseados em Deep Learning) sob condições de movimento.
3. Estudos de Caso Aplicados:
   • Melhoria de sinal EEG assistida por IMU (Cross-modal).
   • Compreensão de comportamento humano multidimensional usando fusão de sensores e Grandes Modelos de Linguagem (LLMs).

4. Resultados e Análise

A. Impacto do Movimento no Sinal EEG:

• Correlação IMU-EEG: Existe uma associação clara entre a variabilidade do IMU (aceleração) e a degradação do EEG. Movimentos mais intensos geram flutuações maiores no domínio do tempo e elevação espectral de banda larga.
• Distorção Espectral: Atividades leves causam elevação moderada, enquanto movimentos de cabeça e navegação introduzem distorções severas.
• Regionalidade: Diferentes ações afetam regiões distintas do cérebro (ex: esticar o braço afeta regiões parietais/temporais; bater em portas afeta áreas frontais/occipitais), indicando a necessidade de processamento sensível à região e ao movimento.

B. Desempenho das Técnicas de Denoising (Benchmark):
Os autores testaram ICA, EMD, ASR (tradicionais) e GAN, Transformer, Diffusion (Deep Learning).

• Métodos Tradicionais: Desempenho degradado drasticamente com o aumento da intensidade do movimento. O ASR e ICA falham em condições não estacionárias (ex: caminhada e navegação), com distorção espectral ($D_{PSD}$) aumentando exponencialmente.
• Modelos de Deep Learning: Modelos como EEGDfus e EEGDNet conseguiram manter baixa distorção espectral ($D_{PSD} \approx 9.0$) em todos os cenários.
• O Dilema "Over-cleaning": Embora os modelos de Deep Learning limpassem o ruído, eles apresentaram uma baixa taxa de componentes cerebrais preservados (Brain IC Ratio < 0.35), sugerindo que eles tendem a suprimir sinais neurais genuínos junto com os artefatos.

C. Estudos de Caso:

1. Melhoria Assistida por IMU: Um modelo de regressão linear que usa dados do IMU para estimar e subtrair artefatos do EEG. Este método superou técnicas tradicionais em cenas de navegação, reduzindo a distorção espectral e preservando melhor os componentes neurais (Brain IC Ratio = 0.52).
2. Compreensão de Comportamento: A fusão de EEG, IMU e Vídeo permitiu uma descrição semântica de comportamentos humanos (Cognição, Ação, Cena) significativamente superior ao uso de um único sensor. A fusão otimizada atingiu um escore BERTScore de 0.86, demonstrando que a multimodalidade compensa as limitações espaciais do EEG vestível.

5. Significado e Conclusão

O trabalho do WearBCI é fundamental para o avanço das BCIs vestíveis para o mundo real.

• Insight Chave: O movimento degrada a qualidade do sinal em mais de 10 vezes em comparação com condições estáticas.
• Limitação Atual: Métodos de limpeza de sinal existentes (especialmente os baseados em suposições de estacionariedade) são inadequados para cenários complexos. Modelos de Deep Learning são promissores, mas precisam ser ajustados para não suprimir sinais neurais.
• Futuro: O dataset demonstra que a fusão multimodal (usando IMU e vídeo) é essencial não apenas para limpar o sinal, mas também para decodificar estados cognitivos e comportamentos complexos em tempo real.

O WearBCI serve como um recurso de referência (benchmark) para a comunidade desenvolver algoritmos mais robustos, permitindo a transição das BCIs de laboratórios controlados para aplicações cotidianas, como monitoramento de sono, reabilitação de AVC e interação natural.