BR112015007002B1

BR112015007002B1 - Método e sistema para fornecer avaliação cognitiva ou sensorial de um indivíduo

Info

Publication number: BR112015007002B1
Application number: BR112015007002-7A
Authority: BR
Inventors: Todd Prentice Coleman; Rui Ma; Sanggyun Kim; Cheolsoo Park; Ricardo Gil Da Costa; Raynard Fung; Diego Mesa
Original assignee: The Regents Of The University Of California; The Salk Institute For Biological Studies
Priority date: 2012-09-28
Filing date: 2013-09-27
Publication date: 2022-10-18
Also published as: PT2901342T; US20150248470A1; CN104871160B; EP2901342A4; US20180285442A1; CA2886095C; US9886493B2; KR102282961B1; WO2014052938A1; BR112015007002A2; EP2901342B1; ES2838682T3; US10891313B2; EP2901342A1; CN104871160A; KR20150076167A; CA2886095A1; JP2015533559A

Abstract

SISTEMAS E MÉTODOS PARA PERFIS COGNITIVOS E SENSORIAIS. A presente invenção refere-se a métodos, dispositivos e sistemas para produzir perfis cognitivos e/ou sensoriais. Em um aspecto, um método para fornecer uma avaliação cognitiva ou sensorial de um indivíduo inclui selecionar uma categoria de perfil dentre um perfil de desempenho cognitivo, um perfil de desempenho sensorial e um perfil de desempenho cognitivo e sensorial, apresentar uma sequência de estímulos a um indivíduo, a qual se baseia na categoria do perfil selecionado, adquirir sinais fisiológicos do indivíduo antes, durante e após a apresentação da sequência de estímulos para produzir dados fisiológicos e processar os dados fisiológicos para gerar um conjunto de informações, incluindo um ou mais valores quantitativos associados com a categoria do perfil selecionado.

Description

REFERÊNCIA CRUZADA AOS PEDIDOS RELACIONADOS

[0001] Este documento patente reivindica o benefício de prioridade do Pedido de Patente Provisório Norte-Americano No. 61/707,613, intitulado “METHOD AND APPARATUS FOR ACQUISITION, ANALYSIS AND EVALUATION OF BRAIN SIGNALS AND CORRELATED INDIVIDUAL KNOWLEDGE AND/OR STATE OF AWARENESS PROFILE", depositado em 28 de setembro de 2012. Todo o conteúdo do pedido de patente acima mencionado é incorporado por referência como parte da divulgação desse pedido.

CAMPO TÉCNICO

[0002] Esse documento de patente refere-se aos sistemas, dispositivos e processos para analisar o funcionamento do cérebro.

ANTECEDENTES DA INVENÇÃO

[0003] A eletroencefalografia (EEG) é o registro da atividade elétrica exposta pelo cérebro usando eletrodos posicionados no couro cabeludo de um indivíduo, formando um conteúdo espectral de oscilações de sinais neurais que compõem um conjunto de dados da EEG. Por exemplo, a atividade elétrica do cérebro que é detectada por técnicas de EEG pode incluir flutuações de tensão, por exemplo, resultantes de fluxos de corrente iônica dentro dos neurônios do cérebro. Em alguns contextos, a EEG refere-se ao registro da atividade elétrica espontânea do cérebro durante um curto período de tempo, por exemplo, de menos de uma hora. A EEG pode ser usada em aplicações de diagnóstico clínico, incluindo epilepsia, coma, encefalopatias, morte cerebral e outras doenças e defeitos, bem como em estudos do sono e distúrbios do sono. Em alguns casos, a EEG tem sido usada para o diagnóstico de tumores, derrame e outros distúrbios cerebrais focais.

[0004] Um exemplo de uma técnica de EEG inclui a gravação de potenciais relacionados a eventos (ERPs), que se referem a respostas do cérebro registradas pela EEG que estão correlacionadas com um determinado evento (por exemplo, estimulação simples e processos complexos). Por exemplo, um ERP inclui uma resposta elétrica do cérebro - uma onda cerebral - relacionada ao processamento sensorial, motor e/ou cognitivo. Os ERPs estão associados com medidas cerebrais de percepção (por exemplo, visuais, auditivas, etc.) e de cognição (por exemplo, atenção, linguagem, tomada de decisão, etc.). Uma forma de onda do ERP típica inclui uma evolução temporal das deflexões de tensão positivas e negativas, denominadas componentes. Por exemplo, componentes típicos são classificados usando uma letra (N/P: negativo/positivo) e um número (indicando a latência, em milissegundos, do evento de estímulo), para o qual este componente surge.

SUMÁRIO

[0005] São divulgados métodos, sistemas e dispositivos para o uso de estruturas de apresentação de estímulos especializadas (por exemplo, incluindo imagens e sons) para obter dados fisiológicos (por exemplo, sinais do cérebro) e/ou dados comportamentais para inferir e gerar um conjunto único de informações referentes ao indivíduo e/ou grupo de habilidades mentais (por exemplo, desempenho cognitivo e/ou sensorial), estados psicológicos (por exemplo, níveis de consciência) e preferências comportamentais.

[0006] Em um aspecto, um método para fornecer uma avaliação cognitiva ou sensorial de um indivíduo inclui selecionar uma categoria de perfil dentre um perfil de desempenho cognitivo, um perfil de desempenho sensorial e um perfil de desempenho cognitivo e sensorial, apresentar uma sequência de estímulos a um indivíduo com base na categoria do perfil selecionado, adquirir sinais fisiológicos do indivíduo antes, durante e após a apresentação da sequência de estímulos para produzir dados fisiológicos e processar os dados fisiológicos para gerar um conjunto de informações, incluindo um ou mais valores quantitativos associados com a categoria do perfil selecionado.

[0007] As implementações do método podem, opcionalmente, incluir uma ou mais das seguintes características exemplares. Em alguns exemplos, a aquisição pode ser implementada sem uma resposta comportamental realizada pelo indivíduo. Por exemplo, a sequência de estímulos pode incluir pelo menos um dentre os meios de estimulação visual, auditiva, olfativa, tátil ou gustativa, com base na categoria do perfil selecionado. Por exemplo, o um ou mais valores quantitativos podem incluir uma pontuação quantitativa, representando um nível de um ou de ambos o desempenho cognitivo e sensorial, com base em pelo menos um dentre a atenção, memória, capacidade de aprendizagem, características de confabulação, capacidade de integração padrão, capacidade de integração semântica, capacidade de detecção de alvo, valência emocional ou preferência do indivíduo, e em que a pontuação quantitativa retrata o nível em um determinado momento. Por exemplo, o um ou mais valores quantitativos pode incluir uma pontuação quantitativa que representa um nível ou estado de consciência do indivíduo em um determinado momento. Em algumas implementações do método, o processamento pode incluir identificar um intervalo de tempo associado com os sinais fisiológicos, com base nos estímulos apresentados e na categoria do perfil selecionado, agrupar os dados fisiológicos que correspondem ao intervalo de tempo em um ou mais conjuntos de dados agrupados e fornecer uma medida estatística de uma relação entre ou dentro dos conjuntos de dados agrupados para gerar o um ou mais valores quantitativos para a categoria do perfil selecionado. Por exemplo, em algumas implementações, o método pode ainda incluir processar os dados fisiológicos para aumentar uma razão sinal-ruído dos conjuntos de dados agrupados. Por exemplo, o agrupamento pode ser determinado com base em pelo menos um de uma categoria pré-atribuída do estímulo individual ou uma relação associativa de estímulos consecutivos. Em algumas implementações do método, o processamento pode incluir identificar um intervalo de tempo associado com os sinais fisiológicos, com base nos estímulos apresentados e na categoria do perfil selecionado, agrupar os dados fisiológicos que correspondem ao intervalo de tempo em um ou mais conjuntos de dados agrupados e fornecer uma medida estatística de uma relação entre ou dentro dos conjuntos de dados agrupados usando dados fisiológicos anteriores obtidos do indivíduo ou de outros indivíduos para gerar o um ou mais valores quantitativos para a categoria do perfil selecionado. Em algumas implementações do método, o processamento pode incluir identificar um intervalo de tempo associado com os sinais fisiológicos com base nos estímulos apresentados e na categoria do perfil selecionado, agrupar os dados fisiológicos que correspondem ao intervalo de tempo em um ou mais conjuntos de dados agrupados iniciais, classificar cada estímulo da sequência de estímulos apresentados ao indivíduo usando um teste estatístico envolvendo os conjuntos de dados agrupados iniciais, com base em estímulos classificados, reagrupar os dados fisiológicos que correspondem ao intervalo de tempo em um ou mais conjuntos de dados agrupados e fornecer uma medida estatística de uma relação entre ou dentro dos conjuntos de dados agrupados para gerar o um ou mais valores quantitativos para a categoria do perfil selecionado. Por exemplo, em algumas implementações, o método pode incluir ainda formar uma sequência de estímulos modificada usando o conjunto de informações geradas para o indivíduo, e apresentar a sequência de estímulos modificada ao indivíduo. Por exemplo, em algumas implementações, o método pode incluir ainda obter sinais fisiológicos do indivíduo antes, durante e depois da apresentação da sequência de estímulos modificada para produzir novos dados fisiológicos, e processar os novos dados fisiológicos para gerar um conjunto de informações aumentado incluindo um ou mais valores quantitativos aumentados associados com a categoria do perfil selecionada. Por exemplo, em algumas implementações, o método pode ainda incluir criando uma sequência de estímulos inicial para cada uma das categorias de perfil. Em alguns exemplos, a aquisição dos sinais fisiológicos pode incluir registrar sinais de eletroencefalograma (EEG) gerados pelo indivíduo. Por exemplo, o registro de sinais de EEG pode incluir usar um ou mais dispositivos de sensor de eletrodo de EEG flexível usados no couro cabeludo do indivíduo, para medir e transmitir os sinais de EEG registrados para uma unidade de processamento remoto. Em alguns exemplos, a aquisição dos sinais fisiológicos pode incluir registrar sinais de eletromiograma (EMG) gerados pelo indivíduo. Por exemplo, em algumas implementações, o método pode ainda incluir, antes do processamento, filtrar os sinais fisiológicos para aumentar uma razão sinal-ruído dos sinais fisiológicos. Por exemplo, em algumas implementações, o método pode incluir ainda, antes do processamento, pré- processar os dados fisiológicos, incluindo um ou mais dentre segmentação dos dados fisiológicos ou identificação das características dos dados fisiológicos. Por exemplo, em algumas implementações, o método pode incluir ainda, com base no conjunto de informações geradas para o indivíduo, gerar uma interação entre uma máquina e o indivíduo. Por exemplo, em algumas implementações, o método pode incluir ainda adquirir sinais fisiológicos basais do indivíduo antes de apresentar a sequência de estímulos para produzir os dados fisiológicos da linha de base. Em alguns exemplos, a sequência de estímulos apresentados ao indivíduo pode incluir estímulos ambientais para estimular, passivamente, uma resposta cerebral de um indivíduo. Por exemplo, em algumas implementações, o método pode incluir ainda obter sinais comportamentais do indivíduo antes, durante e depois da apresentação da sequência de estímulos para produzir dados fisiológicos, e processar os dados comportamentais com os dados fisiológicos para gerar um conjunto de informações incluindo um ou mais valores quantitativos associados com a categoria do perfil selecionada.

[0008] Em outro aspecto, um produto de programa de computador que compreende um meio de armazenamento legível por computador que tem um código armazenado no mesmo, o qual, quando executado, faz com que um processador de um computador ou sistema informático em uma rede de comunicação implemente um método para fornecer uma avaliação cognitiva ou sensorial de um indivíduo, em que o produto de programa de computador é operado pelo computador ou pelo sistema informático para implementar o método. O método implementado por computador inclui fornecer um aviso a um indivíduo para selecionar uma categoria do perfil, incluindo um perfil de desempenho cognitivo, um perfil de desempenho sensorial e um perfil de desempenho cognitivo e sensorial, controlar uma sequência de estímulos apresentados a um indivíduo através de um dispositivo, a sequência de estímulos sendo baseada na categoria do perfil selecionado, receber dados fisiológicos representando sinais fisiológicos obtidos do indivíduo antes, durante e após a apresentação da sequência de estímulos e processar os dados fisiológicos para gerar um conjunto de informações incluindo um ou mais valores quantitativos associados com a categoria do perfil selecionada.

[0009] As implementações do produto de programa de computador podem, opcionalmente, incluir uma ou mais das seguintes características exemplares. Por exemplo, no produto de programa de computador, a etapa de processamento do método pode incluir identificar um intervalo de tempo associado com os sinais fisiológicos com base nos estímulos apresentados e na categoria do perfil selecionado, agrupar os dados fisiológicos que correspondem ao intervalo de tempo em um ou mais conjuntos de dados agrupados e fornecer uma medida estatística de uma relação entre ou dentro dos conjuntos de dados agrupados para gerar o um ou mais valores quantitativos para a categoria do perfil selecionado. Em algumas implementações, o método implementado por computador do produto de programa de computador pode incluir ainda processar os dados fisiológicos para aumentar uma razão sinal-ruído dos conjuntos de dados agrupados. Por exemplo, o agrupamento é determinado com base em pelo menos um de uma categoria pré-atribuída do estímulo individual ou uma relação associativa de estímulos consecutivos. Por exemplo, no produto de programa de computador, a etapa de processamento do método pode incluir identificar um intervalo de tempo associado com os sinais fisiológicos, com base nos estímulos apresentados e na categoria do perfil selecionado, agrupar os dados fisiológicos que correspondem ao intervalo de tempo em um ou mais conjuntos de dados agrupados e fornecer uma medida estatística de uma relação entre ou dentro dos conjuntos de dados agrupados usando dados fisiológicos anteriores obtidos do indivíduo ou de outros indivíduos para gerar o um ou mais valores quantitativos para a categoria do perfil selecionado. Por exemplo, no produto de programa de computador, a etapa de processamento do método pode incluir identificar um intervalo de tempo associado com os sinais fisiológicos baseados nos estímulos apresentados e na categoria do perfil selecionado, agrupar os dados fisiológicos que correspondem ao intervalo de tempo em um ou mais conjuntos de dados agrupados iniciais, classificar cada estímulo da sequência de estímulos apresentados ao indivíduo usando um teste estatístico envolvendo os conjuntos de dados agrupados iniciais, com base em estímulos classificados, reagrupar os dados fisiológicos que correspondem ao intervalo de tempo em um ou mais conjuntos de dados agrupados e fornecer uma medida estatística de uma relação entre ou dentro dos conjuntos de dados agrupados para gerar o um ou mais valores quantitativos para a categoria do perfil selecionado. Em algumas implementações, o método implementado por computador do produto de programa de computador pode incluir ainda formar uma sequência de estímulos modificada usando o conjunto de informações geradas para o indivíduo, e controlar a sequência de estímulos modificada apresentada ao indivíduo através do dispositivo. Em algumas implementações, o método implementado por computador do produto de programa de computador pode incluir ainda receber novos dados fisiológicos que representam sinais fisiológicos obtidos do indivíduo antes, durante e depois da apresentação da sequência de estímulos modificada, e processar os novos dados fisiológicos para gerar um conjunto de informações aumentado incluindo um ou mais valores quantitativos aumentados associados com a categoria do perfil selecionada.

[0010] Em outro aspecto, um sistema para fornecer uma avaliação cognitiva ou sensorial inclui um dispositivo de sensor interfaceado com um indivíduo para detectar sinais fisiológicos exibidos pelo indivíduo antes, durante e depois de uma apresentação de uma sequência de estímulos ao indivíduo, a sequência de estímulos sendo baseada em uma categoria de perfil cognitivo-sensorial incluindo um perfil de desempenho cognitivo, um perfil de desempenho sensorial e um perfil de desempenho cognitivo e sensorial, e um sistema de processamento de dados em comunicação com o dispositivo de sensor e estruturado para incluir uma ou mais unidades de memória e um ou mais processadores configurados para processar os sinais fisiológicos como dados fisiológicos para gerar um conjunto de informações, incluindo um ou mais valores quantitativos associados com a categoria de perfil cognitivo-sensorial.

[0011] As implementações do sistema podem, opcionalmente, incluir uma ou mais das seguintes características exemplares. Em alguns exemplos, os sinais fisiológicos detectados pelo dispositivo de sensor não envolvem uma resposta comportamental pelo indivíduo. Em algumas implementações, por exemplo, o sistema pode incluir ainda um dispositivo de liberação por estímulo para produzir a sequência de estímulos que é apresentada ao indivíduo, em que os estímulos podem incluir pelo menos um dentre um meio de estimulação visual, auditivo, olfativo, tátil, ou gustativo. Por exemplo, o dispositivo de liberação por estímulo pode incluir uma tela de exibição para gerar uma sequência de imagens. Por exemplo, o dispositivo de liberação por estímulo pode incluir um alto-falante para gerar uma sequência de sons. Por exemplo, o dispositivo de liberação por estímulo pode incluir um acionador para gerar uma sequência de estímulos olfativos, táteis ou gustativos. Em algumas implementações, o dispositivo de liberação por estímulo pode ser configurado para estar em comunicação com o sistema de processamento de dados, em que o sistema de processamento de dados é configurado para produzir um procedimento de máquina baseado no conjunto de informações geradas, e em que o procedimento de máquina produzido pela unidade de processamento de dados faz com que o dispositivo de liberação por estímulo modifique a sequência de estímulos para uma próxima apresentação ao indivíduo. Por exemplo, o dispositivo de liberação por estímulo pode incluir um computador desktop, um computador portátil ou um dispositivo de comunicação móvel, como um smartphone ou tablet. Por exemplo, o sistema de processamento de dados pode ser configurado no dispositivo de comunicação móvel. Por exemplo, o sistema de processamento de dados pode ser configurado para produzir um procedimento de máquina baseado no conjunto de informações geradas, e em que o procedimento de máquina aciona outro dispositivo ou sistema para realizar uma função derivada de informações contidas no conjunto de informações geradas. Por exemplo, o um ou mais valores quantitativos podem incluir uma pontuação quantitativa, representando um nível de um ou de ambos o desempenho cognitivo e sensorial, com base em pelo menos um dentre a atenção, memória, capacidade de aprendizagem, características de confabulação, capacidade de integração padrão, capacidade de integração semântica, capacidade de detecção de alvo, valência emocional, preferência ou consciência do indivíduo, e em que a pontuação quantitativa retrata o nível em um determinado momento. Em algumas implementações do sistema, por exemplo, o dispositivo de sensor pode incluir um substrato flexível, eletrodos sensores no substrato flexível e uma unidade transmissora em comunicação elétrica com os eletrodos e sobre o substrato flexível, em que o dispositivo de sensor é configurado como um ou mais emplastros que podem ser usados no couro cabeludo do indivíduo para registrar sinais de eletroencefalograma (EEG) e transmitir os sinais de EEG registrados para pelo menos um dentre a unidade de processamento de dados ou o sistema informático remoto. Em algumas implementações do sistema, por exemplo, o dispositivo de sensor pode incluir eletrodos ligáveis ao indivíduo para receber os sinais elétricos do indivíduo. Por exemplo, o dispositivo de sensor pode incluir um dispositivo de imagem que captura imagens do indivíduo, indicando um movimento ou o movimento do indivíduo. Em alguns exemplos, o dispositivo de imagem captura o movimento dos olhos do indivíduo. Por exemplo, em algumas implementações do sistema, o sistema de processamento de dados pode incluir um computador local, localizado próximo e em comunicação com o dispositivo de sensor para receber os sinais fisiológicos detectados do dispositivo de sensor, o computador local sendo configurado para realizar o processamento inicial dos sinais fisiológicos detectados para produzir dados iniciais de sinais fisiológicos, e um computador remoto em comunicação com o computador local através de uma rede de comunicação ou link para receber os dados iniciais de sinais fisiológicos do computador local e para processar os dados iniciais de sinais fisiológicos para gerar o conjunto de informações, incluindo um ou mais valores quantitativos associados com a categoria de perfil cognitivo-sensorial. Por exemplo, o computador local pode ser configurado para produzir dados iniciais de sinais fisiológicos como dados individuais específicos para o indivíduo, e o computador remoto pode ser configurado para produzir os dados iniciais de sinais fisiológicos para produzir o conjunto de informações que é individualizado para o indivíduo. Em algumas implementações, por exemplo, o sistema pode incluir ainda um dispositivo de liberação por estímulo em um local do indivíduo e configurado para produzir a sequência de estímulos que é apresentada ao indivíduo, em que os estímulos incluem pelo menos um de um meio de estimulação visual, auditivo, olfativo, tátil, ou gustativo, bem como um computador de apresentação de estímulo em comunicação com o computador remoto para receber dados associados com ou derivados do conjunto de informações, incluindo um ou mais valores quantitativos associados com a categoria de perfil cognitivo-sensorial para modificar a sequência de estímulos para o indivíduo, para produzir uma sequência de estímulos modificada que é individualizada em relação ao indivíduo, o computador de apresentação de estímulo sendo acoplado ao dispositivo de liberação por estímulo para fazer com que uma sequência de estímulos modificada seja aplicada ao indivíduo. Em algumas implementações, por exemplo, o computador remoto pode ser configurado para acessar dados de sinais fisiológicos de outros indivíduos em um ou mais grupos de indivíduos e usar os dados de sinais fisiológicos de outros indivíduos no processamento dos dados iniciais de sinais fisiológicos para produzir o conjunto de informações que é individualizado para o indivíduo. Por exemplo, em algumas implementações, o sistema pode incluir ainda um módulo de interface cérebro-máquina configurado entre o computador remoto e o computador de apresentação de estímulo, que é configurado para converter o conjunto de informações que é individualizado para o indivíduo em mudança ou ajuste adaptativo, que é usado pelo computador de apresentação de estímulo para modificar a sequência de estímulos para o indivíduo na produção de uma sequência de estímulos modificada que é individualizada em relação ao indivíduo.

[0012] Em outro aspecto, um método para fornecer uma avaliação cognitiva ou sensorial de um indivíduo inclui o processamento de um dentre os dados fisiológicos e comportamentais ou ambos de um indivíduo em resposta a uma apresentação de uma sequência de estímulos criados com base em uma categoria de perfil cognitivo-sensorial, em que o processamento gera um conjunto de informações incluindo um ou mais valores quantitativos que caracterizam um nível de desempenho cognitivo, um nível de desempenho sensorial ou um nível de desempenho cognitivo e sensorial do indivíduo. O tratamento inclui selecionar intervalos de tempo de interesse dentre os dados fisiológicos e/ou os dados comportamentais, com base nos estímulos apresentados e na categoria do perfil selecionada, agrupar, em um ou mais conjuntos de dados agrupados, os dados fisiológicos e/ou os dados comportamentais correspondentes aos intervalos de tempo de interesse selecionados, e fornecer uma medida estatística de uma relação entre ou dentro dos conjuntos de dados agrupados para gerar os um ou mais valores quantitativos.

[0013] As implementações do método podem, opcionalmente, incluir uma ou mais das seguintes características exemplares. Em algumas implementações do método, por exemplo, o fornecimento de uma medida estatística pode incluir usar dados fisiológicos e/ou dados comportamentais anteriores obtidos do indivíduo ou de outros indivíduos em um ou mais grupos, para gerar um ou mais valores quantitativos. Em algumas implementações, por exemplo, o método pode incluir ainda formar uma sequência de estímulos modificada usando o conjunto de informações geradas para o indivíduo.

[0014] Em outro aspecto, um sistema para fornecer uma avaliação cognitiva ou sensorial de um indivíduo inclui um ou mais computadores em comunicação com um dispositivo de computador remoto por meio de uma rede de comunicação ou link. O um ou mais computadores estão configurados para gerar um conjunto de informações, incluindo um ou mais valores quantitativos que caracterizam um nível de desempenho cognitivo, um nível de desempenho sensorial ou um nível de desempenho cognitivo e sensorial de um indivíduo, pelo processamento de um ou ambos os dados fisiológicos e dados comportamentais adquiridos do indivíduo em resposta a uma apresentação de uma sequência de estímulos criada com base em uma categoria de perfil cognitivo-sensorial. O um ou mais computadores são configurados para fornecer o conjunto de informações geradas para o dispositivo de computador remoto.

[0015] As implementações do sistema podem, opcionalmente, incluir uma ou mais das seguintes características exemplares. Por exemplo, o um ou mais computadores podem processar um ou ambos os dados fisiológicos e comportamentais para gerar um conjunto de informações, em que o processamento inclui selecionar intervalos de tempo de interesse dentre os dados fisiológicos e/ou os dados comportamentais, com base nos estímulos apresentados e na categoria do perfil selecionada, agrupar, em um ou mais conjuntos de dados agrupados, os dados fisiológicos e/ou os dados comportamentais correspondentes aos intervalos de tempo de interesse selecionados, e fornecer uma medida estatística de uma relação por ou dentro dos conjuntos de dados agrupados para gerar os um ou mais valores quantitativos.

[0016] Em outro aspecto, um método para fornecer uma avaliação cognitiva ou sensorial de um indivíduo inclui selecionar uma categoria de perfil cognitivo- sensorial indicativa de um ou mais aspectos das funções cognitivas ou sensoriais, apresentar uma sequência de estímulos a um indivíduo, a sequência de estímulos sendo baseada na categoria de perfil cognitivo- sensorial selecionada, adquirir sinais fisiológicos do indivíduo antes, durante e depois de apresentar a sequência de estímulos para produzir dados fisiológicos e processar os dados fisiológicos para gerar um conjunto de informações, incluindo um ou mais valores quantitativos associados com a categoria de perfil cognitivo-sensorial selecionada.

[0017] As implementações do método podem, opcionalmente, incluir uma ou mais das seguintes características exemplares. Por exemplo, a sequência de estímulos pode incluir pelo menos um dentre os meios de estimulação visual, auditiva, olfativa, tátil ou gustativa, com base na categoria de perfil cognitivo- sensorial selecionada. Por exemplo, o um ou mais valores quantitativos incluem um nível de desempenho sensorial baseado em pelo menos um dentre a atenção, memória, capacidade de aprendizagem, características de confabulação, capacidade de integração padrão, capacidade de integração semântica, capacidade de detecção de alvo, valência emocional, preferência ou estado de consciência do indivíduo, em que a pontuação quantitativa retrata o nível em um determinado momento. Em algumas implementações do método, por exemplo, o processamento pode incluir identificar um intervalo de tempo associado com os sinais fisiológicos, com base nos estímulos apresentados e na categoria de perfil cognitivo-sensorial selecionada, agrupar os dados fisiológicos que correspondem ao intervalo de tempo em um ou mais conjuntos de dados agrupados e fornecer uma medida estatística de uma relação entre ou dentro dos conjuntos de dados agrupados para gerar o um ou mais valores quantitativos para a categoria de perfil cognitivo-sensorial selecionada. Por exemplo, em algumas implementações, o método pode ainda incluir processar os dados fisiológicos para aumentar uma razão sinal-ruído dos conjuntos de dados agrupados. Por exemplo, o agrupamento pode ser determinado com base em pelo menos um de uma categoria pré-atribuída do estímulo individual ou uma relação associativa de estímulos consecutivos. Em algumas implementações do método, por exemplo, o processamento pode incluir identificar um intervalo de tempo associado com os sinais fisiológicos, com base nos estímulos apresentados e na categoria de perfil cognitivo- sensorial selecionada, agrupar os dados fisiológicos que correspondem ao intervalo de tempo em um ou mais conjuntos de dados agrupados e fornecer uma medida estatística de uma relação entre ou dentro dos conjuntos de dados agrupados usando dados fisiológicos anteriores obtidos do indivíduo ou de outros indivíduos para gerar o um ou mais valores quantitativos para a categoria de perfil cognitivo-sensorial selecionada. Em algumas implementações do método, por exemplo, o processamento pode incluir identificar um intervalo de tempo associado com os sinais fisiológicos com base nos estímulos apresentados e na categoria de perfil cognitivo-sensorial selecionada, agrupar os dados fisiológicos que correspondem ao intervalo de tempo em um ou mais conjuntos de dados agrupados iniciais, classificar cada estímulo da sequência de estímulos apresentados ao indivíduo usando um teste estatístico envolvendo os conjuntos de dados agrupados iniciais, com base em estímulos classificados, reagrupar os dados fisiológicos que correspondem ao intervalo de tempo em um ou mais conjuntos de dados agrupados e fornecer uma medida estatística de uma relação entre ou dentro dos conjuntos de dados agrupados para gerar o um ou mais valores quantitativos para a categoria de perfil cognitivo-sensorial selecionada. Por exemplo, em algumas implementações, o método pode incluir ainda formando uma sequência de estímulos modificada usando o conjunto de informações geradas para o indivíduo, e apresentar a sequência de estímulos modificada ao indivíduo. Por exemplo, em algumas implementações, o método pode incluir ainda obter sinais fisiológicos do indivíduo antes, durante e depois da apresentação da sequência de estímulos modificada para produzir novos dados fisiológicos, e processar os novos dados fisiológicos para gerar um conjunto de informações aumentado incluindo um ou mais valores quantitativos aumentados associados com a categoria de perfil cognitivo-sensorial selecionada. Por exemplo, em algumas implementações, o método pode ainda incluir criando uma sequência de estímulos inicial para cada uma das categorias de perfil cognitivo-sensorial. Por exemplo, em algumas implementações, o método pode incluir ainda, com base no conjunto de informações geradas para o indivíduo, gerar uma interação entre uma máquina e o indivíduo.

BREVE DESCRIÇÃO DOS DESENHOS

[0018] A figura 1A mostra um diagrama de um sistema exemplar da tecnologia divulgada para aquisição, análise e avaliação dos sinais fisiológicos para produzir um perfil de conhecimento e/ou estado de consciência individual ou do grupo.

[0019] As figuras 1B-1D mostram diagramas de processo de métodos exemplares para gerar um conjunto de informações quantitativas de um perfil cognitivo e/ou sensorial exemplar.

[0020] A figura 2 mostra um diagrama de uma sequência exemplar de estímulos visuais apresentados.

[0021] A figura 3 mostra gráficos de dados fornecendo resultados exemplares de uma análise estatística do grupo apresentando padrões cerebrais de discriminação entre as mudanças de categoria conceituais utilizando estímulos visuais.

[0022] A figura 4 mostra um gráfico tridimensional, mostrando dados de EEG em um eixo que representa a janela de tempo de 350 ms a 450 ms coletados através de vários ensaios utilizando estímulos visuais.

[0023] As figuras 5a e 5B mostram gráficos de dados mostrando as médias e os desvios-padrão de um indivíduo exemplar individual de dois canais de eletrodo exemplares sob duas condições diferentes de estímulo visual.

[0024] A figura 6 mostra um gráfico de dados e a tabela correspondente mostrando o desempenho exemplar do classificador supervisionado pelo indivíduo para o paradigma de estímulo visual.

[0025] A figura 7 mostra um diagrama ilustrativo representando uma implementação exemplar dos algoritmos de classificação guiados e suas subsequentes estatísticas resumidas para fornecer um perfil de conhecimento e/ou de consciência individualizado.

[0026] A figura 8 mostra características exemplares para o classificador supervisionado referente a um canal de eletrodo exemplar de um indivíduo exemplar.

[0027] A figura 9 mostra um diagrama de um Perfil de Avaliação de Conhecimento Individual (do inglês IKEP) exemplar para o indivíduo.

[0028] A figura 10 mostra um diagrama ilustrando um procedimento não paramétrico para estimar os valores de p para um teste de hipótese exemplar referente a especificar se os dados da classe A e os dados da classe B são derivados ou não da mesma distribuição estatística.

[0029] A figura 11 mostra um gráfico de dados e uma tabela de dados correspondente para uma análise de rANOVA exemplar de AA vs B usando estímulos visuais.

[0030] A figura 12 mostra um gráfico de dados e uma tabela de dados correspondente para uma análise paramétrica NML exemplar de AA vs B, usando estímulos visuais.

[0031] A figura 13 mostra um gráfico de dados e uma tabela de dados correspondente para uma análise não paramétrica NML exemplar de AA vs B, usando estímulos visuais.

[0032] A figura 14 mostra diagramas de exemplos de Perfil de Avaliação de Conhecimento Individual para um único indivíduo e um Perfil de Avaliação de Conhecimento do Grupo para um indivíduo com base no grupo.

[0033] A figura 15 mostra diagramas de uma sequência exemplar de estímulos auditivos apresentados.

[0034] A figura 16 mostra gráficos de dados fornecendo resultados exemplares de uma análise estatística do grupo apresentando padrões cerebrais de discriminação entre as mudanças contextuais em estímulos auditivos.

[0035] A figura 17 mostra um gráfico tridimensional, mostrando dados de EEG em um eixo que representa a janela de tempo de 350 ms a 450 ms coletados através de vários ensaios utilizando estímulos auditivos.

[0036] As figuras 18A e 18B mostram gráficos de dados mostrando as médias e os desvios-padrão de um indivíduo exemplar individual de dois canais de eletrodo exemplares sob duas condições diferentes de estímulo auditivo.

[0037] A figura 19 mostra um gráfico de dados e a tabela correspondente mostrando o desempenho exemplar do classificador supervisionado pelo indivíduo para o paradigma de estímulo auditivo.

[0038] A figura 20 mostra um diagrama ilustrativo representando uma implementação exemplar dos algoritmos de classificação guiados e suas subsequentes estatísticas resumidas para fornecer um perfil de conhecimento e/ou de consciência individualizado.

[0039] A figura 21 mostra características exemplares para o classificador supervisionado referente a um canal de eletrodo exemplar de um indivíduo exemplar.

[0040] A figura 22 mostra um diagrama de um Perfil de Estado de Consciência Individual (do inglês ISAP) exemplar para o indivíduo.

[0041] A figura 23 mostra um gráfico de dados e uma tabela de dados correspondente para uma análise de rANOVA exemplar de I vs C usando estímulos auditivos.

[0042] A figura 24 mostra um gráfico de dados e uma tabela de dados correspondente para uma análise paramétrica NML exemplar de I vs C usando estímulos auditivos.

[0043] A figura 25 mostra um gráfico de dados e uma tabela de dados correspondente para uma análise não paramétrica NML exemplar de I vs C usando estímulos auditivos.

[0044] A figura 26 mostra diagramas dos de exemplos do Perfil de Estado de Consciência Individual para um único indivíduo e o Perfil do Estado de Consciência de Grupo para um indivíduo baseado em grupo.

[0045] A figura 27 mostra um diagrama de uma sequência exemplar de estímulos visuais apresentados.

[0046] As figuras 28A e 28B mostram imagens e gráficos de dados dos resultados exemplares da implementação do método exemplar usando um sistema de EEG de eletrodo rígido exemplar.

[0047] As figuras 29A e 29B mostram imagens e gráficos de dados dos resultados exemplares da implementação do método exemplar usando um sistema de EEG de sensores eletrônicos flexíveis exemplares.

[0048] As figuras 30 a 33 mostram diagramas representando os resultados exemplares das análises IKEP quantitativas usando um sistema de EEG de eletrodos rígidos e um sistema de EEG de sensores eletrônicos epidérmicos flexíveis.

[0049] A figura 34A mostra um diagrama de blocos de um modelo exemplar para usar uma interface cérebro-máquina nos métodos divulgados para refinar os perfis cognitivos e/ou sensoriais.

[0050] A figura 34B mostra um diagrama de processo de um método exemplar para projetar, adaptativamente, paradigmas de estímulos que extraem, otimamente, as informações desejadas.

[0051] A figura 35 mostra um mapeamento da linha do intervalo de unidade [0,1] para o conjunto de todas as sequências de caracteres possíveis.

[0052] A figura 36 mostra um mapeamento após o cálculo de um mapa ideal exemplar, por exemplo, em que um sistema o aplica e redesenha todas as frases possíveis.

[0053] A figura 37 mostra um diagrama ilustrativo de um exemplo para representar o conhecimento ou consciência individual (W) como um gráfico, por exemplo, refletindo a categorização e as relações.

[0054] A figura 38 mostra imagens exemplares retratando uma situação exemplar, onde o conhecimento interno W é um ponto em duas dimensões, por exemplo, refletindo um ponto em uma imagem.

DESCRIÇÃO DETALHADA

[0055] Estabelecer uma correlação confiável entre os sinais cerebrais de um indivíduo e os seus estados cognitivos/psicológicos (por exemplo, pensamentos) é um objetivo valioso e desejado para uma ampla variedade de aplicações. Essas correlações, exploradas extensivamente em ciências fundamentais, têm sido o foco de várias tentativas translacionais em aplicações especializadas, como na avaliação da deficiência cognitiva, e para possibilitar que as pessoas com deficiência física se comuniquem.

[0056] Alguns sistemas para caracterizar os estados cognitivos e psicológicos têm se baseado em várias técnicas comportamentais e de captura de imagem do cérebro, por exemplo, como a captura de imagens por ressonância magnética funcional (fMRI) e eletroencefalografia (EEG). Por exemplo, fMRI é uma medida indireta da função cerebral por função metabólica correlacionada (por exemplo, consumo de oxigênio no fluxo de sangue), enquanto que EEG é uma medida direta da atividade cerebral por mudanças de gravação dos campos elétricos presentes no couro cabeludo, decorrentes de atividade elétrica produzida pelas células neurais. As técnicas existentes geralmente se concentram em um tipo de "leitura cerebral" e, como tais, destinam-se somente para essa finalidade.

[0057] Independente do sistema de captura de imagem do cérebro específico usado, as técnicas atuais inferem informações cognitivas individuais principalmente utilizando um quadro metodológico que baseia-se no “comportamento operante” do indivíduo testado (por exemplo, o indivíduo é solicitado a produzir uma resposta comportamental aos estímulos apresentados) e inferem o conhecimento baseando-se e se limitando às categorias de conhecimento específicas testadas a priori, para as quais os “modelos de resposta cerebral” são criados por um algoritmo matemático.Essas técnicas são limitantes de diversas maneiras, incluindo exigindo uma participação ativa e colaboração do indivíduo, avaliando o conhecimento pelos tipos e pelo número de categorias para as quais o algoritmo matemático foi "treinado" e usando um modelo específico do indivíduo (ou seja, somente aplicável a um único indivíduo).

[0058] Para determinar as informações sensoriais e/ou cognitivas sobre um indivíduo, a metodologia deve considerar o tipo de estímulos utilizados para evocar uma resposta do indivíduo (por exemplo, para estímulos visuais: imagens, palavras escritas, etc.; para estímulos auditivos: palavras faladas, vocalizações de animais, sons sintetizados, etc.), duração, intervalo entre estímulos, número de repetições de cada apresentação, som ou níveis de brilho ou contraste, marcador digital associado com o início da apresentação de cada estímulo e os sensores e sistemas de gravação. Da mesma forma, o(s) parâmetro(s) fisiológico(s) de uso (por exemplo, tensão, potência, frequência, etc.), a janela de tempo relacionada para análise e a estrutura de análise podem afetar as gravações do sinal do cérebro e a avaliação cognitiva correlacionada. Desvios ou erros de um ou vários desses parâmetros podem fazer a diferença entre um método útil ou artefato induzido e inútil.

[0059] São divulgados os métodos, sistemas e dispositivos para usar informações fisiológicas (por exemplo, sinais do cérebro) e/ou comportamentais para gerar perfis cognitivos e/ou sensoriais pertencentes ao desempenho cognitivo e/ou sensorial individual e/ou do grupo, estados psicológicos e preferências comportamentais.

[0060] Por exemplo, os sistemas e métodos divulgados podem ser usados para avaliar e inferir conhecimento conceitual individual (por exemplo, como alguém classifica diferentes informações e qual conhecimento eles podem ter sobre um tópico específico), estado de consciência (por exemplo, o quão consciente ou não um indivíduo pode estar sem mostrar qualquer comportamento evidente) e preferências psicológicas e comportamentais (por exemplo, atenção pessoal individual aumentada e/ou preferências por determinados itens, como sapatos, carros, livros, etc., entre outros). Por exemplo, a tecnologia divulgada pode ser usada em uma variedade de aplicações no âmbito da educação, saúde, entretenimento e marketing.

[0061] Em algumas implementações, por exemplo, dados de sinal de eletroencefalografia (EEG) eliciado por estímulos e dados de resposta comportamental são usados juntos para gerar um conjunto de métodos de análise e testes novo e especializado (por exemplo, incluindo, mas sem se limitar, a estímulos visuais e auditivos, aprendizagem de máquina e outros algoritmos estatísticos, etc.) para correlacionar sinais cerebrais individuais com informações cognitivas e para guiar, potencialmente, as interfaces cérebro- máquina.

[0062] Os métodos divulgados podem utilizar marcadores cerebrais que são comuns para todas as pessoas. Por exemplo, os sistemas e métodos descritos podem usar estímulos de apresentação que não são específicos de uma categoria ou indivíduo. Implementações da tecnologia divulgada podem permitir a inferência de conhecimento e do estado de consciência, que não estão limitados a categorias a priori, podem ser generalizados através de cada pessoa e podem extrair informações de uma forma completamente passiva (por exemplo, não exigindo o consentimento da pessoa ou qualquer tipo de resposta comportamental evidente). Esse método pode ser usado para a avaliação direta/avaliação de um desempenho sensorial e cognitivo individual e estado de consciência, bem como uma unidade para os sistemas de interface cérebro-máquina. Por exemplo, a implementação dos métodos e sistemas divulgados pode fornecer avaliações de desempenho cognitivo e/ou sensorial personalizadas e, em algumas implementações, avaliações de desempenho cognitivo e/ou sensorial de grupo.

[0063] A tecnologia divulgada é escalável e aplicável a uma ampla gama de aplicações e pode fornecer uma solução para casos de leitura ou avaliação cerebral “não-tangíveis” (por exemplo, onde os indivíduos não são capazes ou dispostos a produzir respostas comportamentais evidentes). Por exemplo, os métodos e sistemas divulgados podem ser usados em um cenário clínico, em um paciente em coma ou, de outro modo, não responsivo, por exemplo, incluindo casos de pacientes em sistemas de suporte de vida, para fornecer um perfil sobre o estado de consciência e/ou habilidades cognitivas do paciente.

[0064] Os métodos e sistemas divulgados podem ser efetivamente usados por não especialistas para fornecer um perfil cognitivo e/ou sensorial de um indivíduo ou indivíduos, por exemplo, como os usuários quem são nem neurocientistas, psicólogos nem médicos especializados. Por exemplo, os sistemas divulgados podem ser usados pelos consumidores gerais, com segurança e precisão, permitindo a liberdade de usar em uma ampla variedade de contextos e locais, reduzindo significativamente os custos e requisitos de utilização. Por exemplo, os usuários não especialistas podem implementar os sistemas e métodos divulgados para obter perfis de informações de consciência e mental da(s) pessoa(s) avaliada(s), por exemplo, eles próprios ou terceiros.

Modalidades Exemplares dos Sistemas e Métodos Divulgados

[0065] A figura 1A mostra um diagrama de um sistema modular exemplar 100 da tecnologia divulgada para aquisição, análise e avaliação dos sinais fisiológicos para produzir um perfil cognitivo e/ou sensorial individual ou do grupo. Por exemplo, o sistema pode ser implementado para fornecer um perfil de desempenho cognitivo, um perfil de desempenho sensorial e um perfil de desempenho cognitivo e sensorial indicativo de uma capacidade cognitiva e/ou sensorial do indivíduo, no momento da avaliação. Por exemplo, o tipo de perfil cognitivo e/ou sensorial pode ser selecionado pelo usuário (por exemplo, como o indivíduo ou um operador de sistema) para fornecer um conjunto de informações, incluindo um nível quantitativo de desempenho cognitivo e/ou sensorial, por exemplo, incluindo, mas sem se limitar, a atenção, memória, aprendizagem, confabulação, integração padrão, integração semântica, detecção de alvos, valência emocional, preferência e estado de consciência. O sistema permite que um operador selecione o tipo de perfil a ser produzido.

[0066] Em algumas implementações, o sistema pode ser implementado para fornecer o perfil cognitivo e/ou sensorial usando apenas dados fisiológicos obtidos do indivíduo, por exemplo, sem resposta comportamental evidente suscitada do indivíduo. Em outras implementações, o sistema pode ser implementado para fornecer o perfil cognitivo e/ou sensorial usando dados comportamentais ou dados fisiológicos e comportamentais do indivíduo. Em algumas implementações, o sistema pode ser implementado para fornecer o perfil cognitivo e/ou sensorial, incluindo dados fisiológicos e/ou comportamentais anteriormente adquiridos do indivíduo, ou de outros indivíduos (por exemplo, dados do grupo). O sistema pode, assim, ser implementado para fornecer um perfil cognitivo e/ou sensorial sobre um grupo.

[0067] Conforme ilustrado na figura 1A, o sistema 100 é configurado para incluir unidades ou dispositivos modulares independentes que podem ser configurados em uma variedade de diferentes modalidades.

[0068] O sistema 100 inclui um módulo de apresentação do estímulo 110 para configurar uma estrutura de apresentação de estímulo específica 111 para efetuar uma apresentação de um estímulo ou de uma sequência de estímulos a um indivíduo 121. Em alguns exemplos, o módulo de apresentação de estímulo 110 está incorporado em um dispositivo informático, por exemplo, incluindo uma unidade de processador e memória. Por exemplo, os estímulos podem incluir qualquer tipo de estímulo, incluindo um meio de estimulação visual, auditiva, olfativa, tátil, ou gustativo. A estrutura de apresentação de estímulo específica 111 pode ser configurada para incluir, mas sem se limitar, a um tipo ou tipos de estímulos, a duração da apresentação de estímulos, um intervalo entre estímulos, um número de repetições (se houver) de cada apresentação, parâmetros de magnitude e/ou frequência associados com o tipo de estímulos (por exemplo, a intensidade do nível de som ou brilho ou do contraste da luz), um marcador digital associado com a apresentação de cada estímulo e um marcador ou uma categoria de estímulos (por exemplo, o alvo ou não alvo).

[0069] O sistema de 100 pode incluir um módulo de liberação de estímulo 120 em comunicação com o módulo de apresentação de estímulo 110 para apresentar o estímulo ou a sequência de estímulos ao indivíduo 121, por exemplo, com base na estrutura de apresentação do estímulo 111. Por exemplo, o módulo de liberação de estímulo 120 pode incluir pelo menos um dentre um monitor visual, um alto-falante auditivo e um acionador para fornecer um estímulo olfativo, tátil, e/ou gustativo. Em algumas implementações, por exemplo, o módulo de apresentação de estímulo 110 e o módulo de liberação de estímulo 120 podem ser configurados no mesmo dispositivo, por exemplo, como um computador ou dispositivo de comunicação e/ou informático móvel.

[0070] O sistema 100 inclui um módulo de aquisição de dados fisiológicos e/ou comportamentais 130 para adquirir sinais fisiológicos e/ou sinais comportamentais do indivíduo 121 antes, durante e/ou após a apresentação dos estímulos ou da sequência de estímulos através do módulo de liberação de estímulo 120. Por exemplo, o módulo de aquisição de dados fisiológicos e/ou comportamentais 130 pode incluir, mas sem se limitar, a um sistema de eletroencefalografia (EEG), um sistema de eletrocardiografia (ECG), um sistema de eletromiografia (EMG), um sistema de detecção eletroquímico e um sistema de rastreio ocular, entre outros. Em algumas implementações, por exemplo, o módulo de aquisição de dados fisiológicos e/ou comportamentais 130 pode incluir sensores fisiológicos, por exemplo, EEG, ECG, EMG, eletroquímicos ou outros tipos de dispositivos de sensor, acoplados a um dispositivo de aquisição de sinal, por exemplo, como um amplificador analógico ou digital, acoplado a uma memória. Por exemplo, o módulo de aquisição de dados fisiológicos e/ou comportamentais 130 pode ser configurado em um sistema de EEG padrão com eletrodos rígidos ou um sistema de EEG portátil usando aparelhos eletrônicos flexíveis que pode ser usado no indivíduo 121. Por exemplo, o módulo de aquisição de dados fisiológicos e/ou comportamentais 130 pode ser configurado em um sistema de EMG padrão, com eletrodo rígido ou um sistema de EMG portátil usando dispositivos eletrônicos flexíveis que podem ser usados no indivíduo 121, por exemplo, capazes de detectar movimentos associados com a sonolência ou expressões faciais.

[0071] O sistema de 100 inclui um módulo de análise pré-processamento de 140 para receber os sinais fisiológicos e/ou sinais comportamentais adquiridos, como dados e, em algumas implementações, para executar técnicas de análise pré-processamento dos dados obtidos. Por exemplo, o módulo de análise pré- processamento 140 pode ser implementado para identificar marcadores de início exemplares nos dados fisiológicos (por exemplo, dados de EEG), segmentar os dados fisiológicos, filtrar dados de sinais brutos para aumentar a razão sinal:ruído, etc. Em algumas implementações, por exemplo, a análise pré-processamento 140 pode ser incorporada em um dispositivo informático em comunicação com um dispositivo ou sistema exemplar que representa o módulo de aquisição de dados fisiológicos e/ou comportamentais 130. Em algumas implementações, por exemplo, a análise pré-processamento 140 pode ser configurada no mesmo dispositivo ou sistema exemplar que incorpora o módulo de aquisição de dados fisiológicos e/ou comportamentais 130.

[0072] O sistema 100 inclui um módulo de geração de perfil 150 para processar os dados fisiológicos e/ou comportamentais para fornecer uma avaliação cognitiva ou sensorial do indivíduo 121 ou, em alguns exemplos, de um grupo. Por exemplo, o módulo de geração de perfil 150 processa os dados fisiológicos e/ou comportamentais para gerar um conjunto de informações 152 que inclui um ou mais valores quantitativos que estão associados com a categoria do perfil selecionada, por exemplo, como uma avaliação de conhecimento ou do perfil de estado de consciência. Por exemplo, o conjunto de informações 152 fornece mais do que uma medida dos eventos naturais psicológicos e neurofisiológicos. Por exemplo, o perfil pode fornecer uma avaliação individual (ou de grupo) do nível de conhecimento individual (ou do grupo) de questões específicas (por exemplo, a determinação de um determinado conhecimento de uma pessoa sobre um determinado tópico,evento, habilidade aprendida ou até mesmo preferência) e/ou estado de consciência (ou inconsciência).

[0073] A figura 1B mostra um diagrama de processo de um método exemplar 170 para gerar o conjunto de informações associado com o perfil cognitivo e/ou sensorial, por exemplo, implementado pelo módulo de geração de perfil 150. O método 170 pode incluir um processo 171 para identificar um intervalo de tempo associado com os dados de sinais fisiológicos e/ou de sinais comportamentais baseados nos estímulos apresentados e na categoria do perfil selecionada. Por exemplo, um intervalo de tempo pode incluir pontos de tempo contíguos, descontínuos, contínuos, discretos ou únicos. O método 170 pode incluir um processo 172 para agrupar os dados (por exemplo, fisiológicos e/ou comportamentais) correspondendo ao intervalo de tempo em um ou mais conjuntos de dados agrupados. Por exemplo, o processo 172 pode incluir agrupar os dados fisiológicos e/ou comportamentais com base em uma categoria pré-atribuída do estímulo individual e/ou uma relação associativa de estímulos consecutivos. O método 170 pode incluir um processo 173 para fornecer uma medida estatística de uma relação por ou dentro dos conjuntos de dados agrupados para gerar os um ou mais valores quantitativos para a categoria do perfil selecionada. Em algumas implementações, por exemplo, o método 170 pode incluir um processo para melhorar o sinal dos dados fisiológicos e/ou comportamentais nos conjuntos de dados agrupados.

[0074] A figura 1C mostra um diagrama de processo de um método exemplar 180 para gerar o conjunto de informações associado com o perfil cognitivo e/ou sensorial, usando informações individuais e/ou do grupo anteriores, por exemplo, implementadas pelo módulo de geração de perfil 150. O método 180 pode incluir um processo 181 para identificar um intervalo de tempo associado com os dados de sinais fisiológicos e/ou de sinais comportamentais baseados nos estímulos apresentados e na categoria do perfil selecionada. O método 180 pode incluir um processo 182 para agrupar os dados (por exemplo, fisiológicos e/ou comportamentais) correspondendo ao intervalo de tempo em um ou mais conjuntos de dados agrupados. Por exemplo, o processo 182 pode incluir agrupar os dados fisiológicos e/ou comportamentais com base em uma categoria pré-atribuída do estímulo individual e/ou uma relação associativa de estímulos consecutivos. O método 180 pode incluir um processo 182 para fornecer uma medida estatística de uma relação por ou dentro dos conjuntos de dados agrupados usando dados fisiológicos e/ou dados comportamentais anteriores obtidos do indivíduo e/ou de outros indivíduos (por exemplo, incluindo um ou mais grupos) para gerar os um ou mais valores quantitativos para a categoria do perfil selecionada.

[0075] A figura 1D mostra um diagrama de processo de um método exemplar 190 para gerar o conjunto de informações associado com o perfil cognitivo e/ou sensorial usando uma técnica de classificação direcionada, por exemplo, implementado pelo módulo de geração de perfil 150. O método 190 pode incluir um processo 191 para identificar um intervalo de tempo associado com os dados de sinais fisiológicos e/ou de sinais comportamentais baseados nos estímulos apresentados e na categoria do perfil selecionada. O método 190 pode incluir um processo 192 para agrupar os dados (por exemplo, fisiológicos e/ou comportamentais) correspondendo ao intervalo de tempo em um ou mais conjuntos de dados agrupados iniciais. O método 190 pode incluir um processo 193 para classificar cada estímulo da sequência de estímulos apresentada ao indivíduo usando um teste estatístico envolvendo os conjuntos de dados agrupados iniciais. O método 190 pode incluir um processo 194 para reagrupar os dados fisiológicos e/ou comportamentais correspondendo ao intervalo de tempo em um ou mais conjuntos de dados agrupados, com base nos estímulos classificados. O método 190 pode incluir um processo 195 para fornecer uma medida estatística de uma relação por ou dentro dos conjuntos de dados agrupados para gerar os um ou mais valores quantitativos para a categoria do perfil selecionada.

[0076] Em alguns exemplos, o módulo de geração de perfil 150 pode implementar algoritmos de classificação direcionados com parâmetros específicos de contexto para orientar e escolher de uma variedade de métodos de classificação e estatísticos, por exemplo, incluindo, mas sem se limitar, a técnicas baseadas em ANOVA 151a, técnicas baseadas em uma máquina de vetor de suporte 151b e técnicas de comprimento de descrição mínimo 151c, entre outras. Em algumas implementações, o módulo de geração de perfil 150 pode estar incorporado em um sistema informático ou em uma rede de comunicação (referida como “a nuvem”) que inclui um ou mais dispositivos de processamento computacional remota (por exemplo, servidores na nuvem).

[0077] O sistema 100 inclui um módulo de interface cérebro-máquina 160 para refinar os perfis cognitivos e/ou sensoriais gerados e/ou acionar uma interação entre um usuário e uma máquina. Em um exemplo, o módulo de interface cérebro-máquina 160 pode fornecer uma entrega de feedback de um novo estímulo ou vários estímulos para o módulo de apresentação de estímulo 110, com base no perfil cognitivo e/ou sensorial de um único indivíduo ou indivíduo de um grupo que foi gerado a partir do módulo de geração de perfil 150, por exemplo, de uma implementação em curso do sistema de 100 ou um perfil gerado anteriormente pelo sistema de 100. Por exemplo, o módulo de interface cérebro-máquina 160 pode alterar adaptativamente ou projetar os paradigmas de estímulos que, otimamente, extraem informações do indivíduo que está sendo analiticamente processado para maximizar um objetivo desejado. Por exemplo, algumas implementações do módulo de interface cérebro-máquina 160 podem incluir, mas não se limitam, a aplicações de aprendizagem assistida e de detecção do alvo.

[0078] Em algumas implementações do sistema 100, o módulo de geração de perfil 150, o módulo de apresentação de estímulo 110, o módulo de liberação de estímulo 120 e o módulo de interface cérebro-máquina 160 (e, em alguns casos, o módulo de aquisição de dados 130) podem ser incorporados em um único sistema informático, por exemplo, em um computador desktop, um computador portátil ou um dispositivo de comunicação móvel, incluindo um dispositivo de comunicação móvel, incluindo um smartphone ou tablet. Em outras implementações, os módulos 150, 110, 120 e 160 podem ser configurados em dois ou mais dispositivos de computação em comunicação entre si, e incluindo várias combinações dos módulos 150, 110, 120 e 160.

[0079] Em algumas implementações, o sistema 100 pode ser configurado para incluir apenas o módulo de aquisição de dados fisiológicos e/ou comportamentais 130 e o módulo de geração de perfil 150. Em tais modalidades exemplares, o sistema 100 pode usar estímulos ambientais (por exemplo, luz, sons, cheiros, sabores, e/ou contatos táteis) que estão atualmente disponíveis nas adjacências do indivíduo. Em tais exemplos, o sistema 100 pode ser incorporado em um único dispositivo informático, por exemplo, onde o módulo 130 é configurado para receber respostas comportamentais do indivíduo e/ou registrar dados fisiológicos através de entradas do dispositivo.

Implementações Exemplares dos Sistemas e Métodos Divulgados

[0080] São descritas implementações exemplares dos métodos e sistemas divulgados para fornecer uma avaliação cognitiva e/ou sensorial de um indivíduo, por exemplo, incluindo pelo menos uma das seguintes categorias de perfil exemplares: perfil de desempenho cognitivo, um perfil de desempenho sensorial, um perfil de desempenho cognitivo e sensorial e/ou um perfil de estado de consciência. As implementações exemplares descritas incluem suscitar e extrair vários ERPs do cérebro (por exemplo, N400 e P300) medidos por registros de EEG utilizando estímulos visuais e estímulos auditivos para produzir um conjunto de informações fornecendo valores quantitativos que correspondem ao desempenho cognitivo, desempenho sensorial e/ou perfil de estado de consciência. Em alguns exemplos dos sistemas e métodos divulgados, os dados de rastreio ocular podem ser usados além ou alternativamente ao EEG exemplar registrando dados fisiológicos.

[0081] Por exemplo, conjuntos de estímulos específicos são apresentados durante a gravação dos sinais de EEG do indivíduo, para eliciar potenciais de interesse relacionados com o evento, bem como oscilações de frequência neural correlacionadas. Os ERPs exemplares usados nas implementações exemplares incluem, mas não se limitam, ao N400 e o P300, bem como às respostas da ERP identificadas por nós em relação ao processamento cognitivo de um sentimento/noção de recompensa. Como descrito nas seções abaixo, aplicativos exemplares dos métodos e sistemas divulgados usam essas três ERPs como exemplos ilustrativos para descrever como o método exemplar pode ser implementado, por exemplo, projeto e apresentação dos estímulos, registro dos sinais fisiológicos (por exemplo, EEG), análise de dados fisiológicos (por exemplo, ERP) e geração de perfil cognitivo e/ou sensorial (por exemplo, incluindo os estados cognitivo e/ou de consciência inferidos). Em um exemplo, a aplicação de um método de geração de perfil cognitivo e/ou sensorial exemplar é implementada para medidas N400, utilizando estímulos visuais e/ou auditivos. Em outro exemplo, a aplicação de um método de geração de perfil cognitivo e/ou sensorial exemplar é implementada para as medidas P300 e uma ERP associada com experiência de "recompensa", utilizando estímulos visuais e/ou auditivos. Além disso, a aplicação do método de geração de perfil cognitivo e/ou sensorial exemplar é implementada usando diferentes técnicas de gravação de EEG, por exemplo, incluindo sistemas convencionais não portáteis e sistemas eletrônicos utilizáveis. Da mesma forma, o método de geração de perfil cognitivo e/ou sensorial exemplar é aplicado a um grupo de pessoas (por exemplo, como mostrado nas implementações exemplares N400), bem como em um único indivíduo (por exemplo, como mostrado nas implementações do exemplo P300). Os métodos e sistemas de geração de perfil cognitivo e/ou sensorial divulgados podem ser usados para medir marcadores cerebrais, mas, além disso, eles avaliam e transformam esta informação em um novo tipo de dados intencionais que cria uma avaliação de conhecimento e/ou perfil de estado de consciência individual. Além disso, em algumas implementações, por exemplo, os sistemas e métodos divulgados podem usar esse perfil para orientar um sistema de interface cérebro-máquina.

[0082] Também são descritos classificadores de padrões (por exemplo, algoritmos implementados em sistemas informáticos, por exemplo, usando software) em que cada modulação de atributo é guiada pela tarefa específica em questão, bem como seus mecanismos psicológicos e fisiológicos subjacentes. Essas classes de classificadores exemplares podem usar parâmetros fisiológicos e cognitivos identificáveis para estruturar as características relevantes em uma metodologia de classificação para inferir estados cerebrais dos sinais neurais. Por exemplo, os classificadores exemplares podem ser aplicados em aplicações de leitura de cérebro como parte de um processo sequencial de fornecimento de estímulos, aquisição de sinais neurais e repetição. Os detalhes de como esses estímulos estão sendo fornecidos (por exemplo, contexto) podem afetar o estado cognitivo que pode, por sua vez, afetar as estatísticas dos sinais adquiridos. O classificador exemplar pode ser orientado pelo contexto, no qual as características podem ser moduladas adequadamente.

1. N400

[0083] O N400, descoberto em seres humanos há mais de 30 anos atrás, foi identificado como um marcador para o processamento das relações significativas entre itens percebidos, tais como palavras, imagens, símbolos, etc. O marcador "N400" desse tipo de onda cerebral foi atribuído devido à sua deflexão negativa que tem o seu máximo em cerca de 400 milissegundos após o início do item. As amplitudes do N400 são menores para itens que compartilham uma estreita associação semântica do que em relação aos itens que não a compartilham (por exemplo, para "cachorro" seguido por “gato”, ao invés de seguido por “mesa”). Conforme descrito abaixo, os métodos divulgados podem ser aplicados para suscitar e extrair a ERP do N400 (por exemplo, com estimulação auditiva, estimulação visual, ambas ou outros meios de estímulos, incluindo, mas sem se limitar, aos estímulos olfativos, táteis ou gustativos) e ser usados para inferir, posteriormente, informações relevantes cognitivas.

1.1. N400 com um Paradigma de Estímulos Visuais 1.1.1. Estímulos Exemplares

[0084] Em uma implementação exemplar, foram examinadas as respostas do cérebro de 37 indivíduos adultos a oito categorias de imagens (por exemplo, incluindo corpos de animais, faces de animais, faces humanas, faces de macaco, frutas, objetos domésticos, objetos de laboratório e lugares). Por exemplo, havia dezoito estímulos exemplares (por exemplo, imagens) utilizados por categoria, para um total de 144 exemplares. As imagens foram divididas em doze blocos de apresentação, e a cada indivíduo foram apresentados seis blocos escolhidos aleatoriamente. O grupo de imagens foi obtido a partir de várias fontes, e as imagens foram cortadas usando software de edição de fotos e colocadas sobre um fundo branco, medindo 356 x 356 pixels (13,18 ° x 13,18 ° de ângulo visual a 57 cm de distância de um monitor de tela). O estímulo foi colocado sobre um fundo de monitor preto de tela cheia, com uma resolução de 1024 x 768 pixels.

[0085] Todos os estímulos foram controlados para a luminância, usando a fórmula de contraste de Weber, na qual Lc e Lb representam os valores de luminância do conteúdo e do fundo branco. Um processo implementado por computador utilizou (por exemplo, programado usando um script do MATLAB) a fórmula acima mencionada e ajustou a luminância do conteúdo até um contraste de 50%, em comparação com o fundo branco. Por exemplo, o processo separou primeiro o conteúdo do seu plano de fundo branco. Nesse exemplo, dois critérios foram utilizados para determinar se um pixel poderia ser identificado como parte do plano de fundo: primeiro, todos os pixels de fundo apresentavam valores RGB iguais a 255 (por exemplo, máximo de uma imagem em tons de cinza de 8 bits); e segundo, todos os pixels de fundo estavam diretamente adjacentes a um pixel de fundo já identificado. Todos os pixels restantes não identificados como sendo de fundo foram considerados como conteúdo. O processo, em seguida, calculou a luminância média do conteúdo e ajustou o seu valor por adição ou subtração dos valores RGB para cada pixel de conteúdo para atingir um contraste de 50%.

[0086] Após controlar a luminância, outro processo implementado por computador (por exemplo, programado usando um script do MATLAB) foi usado para colocar um ponto de fixação centralmente posicionado em cada exemplo de estímulo. Por exemplo, isso ajudou o indivíduo a manter a fixação e minimizar quaisquer sacadas de olho frequentes. Esse processo exemplar primeiramente mediu as dimensões de uma imagem carregada. Ele utilizou essas medições para calcular o centro da imagem e, posteriormente, criar um ponto de fixação usando a equação padrão de um círculo. Os pixels dentro de um raio de comprimento de 7 pixels ao redor do centro foram alterados, alterando o canhão vermelho dos pixels para 255, o canhão verde para 0 e o canhão azul para 0.

[0087] Por último, os dois métodos exemplares foram usados para criar um ponto de fixação e um estímulo quadrado azul. Por exemplo, para o ponto de fixação, um outro processo implementado por computador (por exemplo, programado usando um script do MATLAB) foi usado para criar uma imagem de fundo preto (por exemplo, canhão vermelho igual a 0; canhão verde igual a 0; e canhão azul igual a 0) com uma altura e largura de 350 pixels. Em seguida, o script exemplar executou um loop usando a equação padrão de um círculo para alterar os pixels em um raio de sete pixels de comprimento para vermelho, por exemplo, alterando o canhão vermelho da imagem para 255, o canhão verde para 0 e o canhão azul para 0. Por exemplo, para o estímulo quadrados azul, o software de captura de imagem foi usado para criar uma imagem com tamanho de 157 x 157 pixels, por exemplo, cujo canhão vermelho era igual a 0, o verde era igual a 0, e o azul era igual a 255.

1.1.2. Preparação do Indivíduo para o Registro da EEG

[0088] Para preparar os indivíduos exemplares para o registro da EEG, cada indivíduo sentou em uma cadeira em uma câmara de gravação para iniciar um processo de nivelamento da EEG. Por exemplo, esse processo envolveu colocar uma touca da EEG tradicional sobre a cabeça do indivíduo e fixá-la com uma tira para o queixo elástica. Em alguns exemplos, foi usada uma touca de 56 cm ou de 58 cm, com base no tamanho estimado da cabeça do indivíduo. Em seguida, o gel de eletrodo Signa (por exemplo, obtido junto à Parker Laboratories) foi injetado utilizando uma seringa plástica curvada sob cada um dos eletrodos da touca para criar uma ponte condutora entre o próprio eletrodo e o couro cabeludo do indivíduo. Também, por exemplo, pontas em Q de madeira foram usadas para massagear o gel, a fim de construir uma condutância mais forte, diminuindo a impedância. Por exemplo, o uso dessa técnica reduziu os níveis de impedância até < 5 KQ para cada eletrodo, por exemplo, incluindo o terra e o de referência. Antes de iniciar a implementação exemplar usando os registros da EEG, os indivíduos sentaram na frente do monitor de apresentação e pediu-se que mantivessem, simplesmente, a fixação visual em um ponto de fixação central vermelho durante toda a duração do experimento e restringissem os seus movimentos motores tanto quanto possível para evitar objetos de movimento nos dados neurofisiológicos. Depois disso, as luzes da sala de gravação foram esmaecidas, e o processo de estimulação e de registro da EEG iniciaram.

1.1.3. Processo de apresentação de estímulos exemplar

[0089] O paradigma da apresentação de estímulo exemplar que foi usado neste processo de apresentação de estímulos exemplar foi programado usando Cogent 2000, por exemplo, uma caixa de ferramentas do MATLAB para apresentar estímulos e registrar respostas com sincronismo preciso. A estrutura de apresentação do estímulo exemplar incluiu 300 imagens pseudoaleatoriamente apresentadas, por exemplo, mostradas em série (vinte e cinco repetições por exemplar) por bloco de apresentação. Por exemplo, cada imagem foi apresentada por 750 ms, seguido por um intervalo entre estímulos randomicamente instabilizados (ISI) de 750 ms a 1000 ms. Um ponto de fixação central vermelho estava presente durante cada apresentação de estímulo e ISI, por exemplo, para auxiliar o indivíduo a manter a fixação. Para marcar cada início de estímulo, dois gatilhos foram enviados do computador da apresentação executando o paradigma de apresentação de estímulo exemplar através da porta paralela. Por exemplo, o primeiro foi enviado para o computador do registro da EEG para marcar o início do estímulo em relação ao registro neurofisiológico em curso. Por exemplo, o segundo foi enviado para o computador de monitoramento do olho ISCAN (por exemplo, ISCAN ETL-200) para marcar o início do estímulo, toda a sua duração e o seu deslocamento em relação ao registro de monitoramento do olho. Cada gatilho codificou informações sobre a categoria de objeto, a que o estímulo à mão pertencia. Por exemplo, após cada quatro a seis ensaios, um quadrado azul foi apresentado ao indivíduo durante 1500 ms. Nesse ponto, o ponto de fixação não foi exibido. Por exemplo, no caso de indivíduos humanos, esse quadrado azul sinalizou um "minirrecesso/recompensa" no qual os indivíduos foram indicados que estavam se saindo bem e foi permitido que eles descansassem momentaneamente, coçassem uma coceira, ajustassem as suas posições de assento, etc., se assim desejassem. No caso exemplar dos indivíduos primatas não humanos (NHP), esse quadrado azul sinalizou uma recompensa de suco. Após o deslocamento do quadrado azul, o ponto de fixação iria retornar e persistir por 750 ms antes do início da próxima apresentação de estímulo. Por exemplo, essa pausa curta foi usada para garantir que a estimulação desde o início do ponto de fixação não iria interferir com a estimulação da imagem subsequente exemplar.

[0090] O código exemplar do processo de apresentação de estímulo começou pela permutação aleatória das 300 imagens, por exemplo, usando a "função randperm()" do MATLAB. Em seguida, calculou-se aleatoriamente o ISI para cada estímulo usando a “função randi()”. A tela, o arquivo de log e a porta paralela foram, em seguida, inicializados e configurados. Cada estímulo exemplar foi carregado em um buffer de memória, por exemplo, incluindo o ponto de fixação, o quadrado azul e a tela preta (exibido durante o ISI após cada estímulo). Por exemplo, a apresentação do estímulo incluiu um loop. Primeiro, o exemplar a ser apresentado foi calculado pela iteração pela ordem de apresentação permutada. Em seguida, baseando-se na associação exemplar a uma das quatro categorias de objeto, o código do gatilho apropriado foi calculado e enviado para o computador de registro da EEG e o computador de rastreio ocular ISCAN. Estímulos visuais foram apresentados usando um monitor Sony Trinitron GDM-C520.

[0091] A figura 2 mostra um diagrama de uma sequência exemplar de estímulos visuais apresentados. Esse diagrama retrata imagens de exemplares apresentados específicos e a ordem pseudorrandomizada pré-programada de apresentação. Ter uma estrutura de apresentação de estímulos adequada para cada perfil sensorial e cognitiva de interesse é uma parte intrínseca e importante do método divulgado. Nesse exemplo, o aspecto relevante é a que categoria conceitual (Cat) cada imagem pertence, por exemplo, como: Cat "O" - objetos; Cat "AB" - corpos de animais; Cat "AF" - faces de animais; e Cat "HF" - faces humanas. A estrutura de apresentação de estímulo exemplar pode ser configurada para incluir a repetição de uma determinada categoria (por exemplo, A A) e a subsequente mudança de categoria (por exemplo, B), que é uma característica principal da estrutura de apresentação de estímulo e das técnicas de análise subsequente, conforme descrito posteriormente neste documento patente.

1.1.4. Registros das Ondas Cerebrais Exemplares (EEG)

[0092] Em algumas implementações, um tradicional sistema da EEG tradicional com eletrodos rígidos foi usado para capturar as ondas cerebrais. O sistema EEG exemplar incluiu um sistema de 32 canais DC BrainAmp; um Gravador BrainVision; uma touca de gravação de EEG de 32 canais Fast n Easy de 56 cm; uma touca de gravação de EEG de 32 canais Fast n Easy de 58 cm. cabo de fita PCB para o BrainCap-MR com resistores de 5k; e uma caixa BrainCap MR 1.2.

1.1.5. Técnicas de análise de pré-processamento exemplares

[0093] As técnicas de pré-processamento de análise exemplares dos métodos divulgados usando um paradigma de estímulos visuais podem incluir técnicas para processar os dados do marcador. Por exemplo, após cada sessão de gravação, o sistema de registros da EEG exemplar produziu três arquivos: um arquivo de dados (.eeg), um arquivo de cabeçalho (.vhdr) e o arquivo de marcação (.vmrk). Os arquivos marcadores continham os gatilhos de eventos para cada início de estímulo. Para indivíduos humanos, por exemplo, cada categoria de objeto foi rotulada com os seguintes códigos marcadores: implementação um - corpos de animais = "S 1", frutos = "S 2", faces humanas = "S 3", objetos domésticos humanos = "S 4"; e implementação dois - faces de animais = "S 1", faces de macaco rhesus = "S 2", lugares = "S 3", objetos relacionados ao laboratório = "S 4." Para os indivíduos NHP, por exemplo, cada categoria foi marcada com os seguintes códigos de marcador: implementação um - corpos de animais = "S 1", frutos = "S 2", faces de macaco rhesus = "S 3", objetos relacionados ao laboratório = "S 4"; e implementação para NHP dois - faces de animais = "S 1", faces humanas = "S 2", lugares = "S 3", objetos domésticos = "S 4.". As técnicas de pré-processamento de análise incluem um primeiro processo (por exemplo, programado usando um script do MATLAB) para carregar os arquivos marcadores e examinar a primeira vez que um exemplar foi apresentado. Esses ensaios foram recodificados com um formato "A1". Por exemplo, a primeira face humana exemplar apresentada foi recodificada como [A1humanface]. Em seguida, devido ao fato de as imagens serem apresentadas pseudoaleatoriamente, os arquivos marcadores produzidos pelo sistema de gravação da EEG foram examinados usando um segundo processo (por exemplo, programado usando um script do MATLAB) para pesquisar casos em que havia foi uma repetição de uma categoria do objeto, seguido por uma alteração na categoria do objeto. Por exemplo, um ensaio de N400 possível pode ser [fruto; fruto; face humana]. Esses casos foram recodificados pelo script do MATLAB exemplar, usando um formato A, AA, B (por exemplo, "A" e "AA" representando exemplos da mesma categoria e "B", representando exemplos de uma categoria diferente). Para continuar com o exemplo acima referido, [fruto; fruto; face humana] poderia ser recodificado como [fruto A; fruto AA; face humana B]. Em seguida, um terceiro processo (por exemplo, programado usando um script do MATLAB) foi implementado para localizar casos em que não havia nenhuma repetição de categoria. Por exemplo, um caso possível pode ser [fruto; face humana; corpo de animal]. Esses casos particulares poderiam ser recodificados pelo script do MATLAB usando um formato C, D, E (por exemplo, "C", "D" e "E", cada um representando uma categoria de objeto diferente). Nesse caso exemplar, [fruto; face humana; corpo de animal] poderia ser recodificado como [C; fruto; D; face humana; E; corpo de animal].

[0094] Nos exemplos usando dados de monitoramento dos olhos, as técnicas de pré-processamento de análise dos métodos divulgados podem incluir técnicas para armazenar e processar os dados do olho. Em tais exemplos, após cada sessão de gravação, cada dado de monitoramento dos olhos do indivíduo pode ser salvo como um arquivo.tda ASCII. Esses arquivos de dados podem ser primeiramente processados por um processo implementado por computador (por exemplo, programado usando um script do MATLAB) que marca o início e o desvio de cada estímulo, utilizando os códigos "100" e "101", respectivamente. Posteriormente, os arquivos de dados de monitoramento dos olhos podem ser carregados no ILAB, por exemplo, que é um programa [toolbox do MATLAB] para a análise do movimento do olho pós- experimental. Para cada arquivo de dados, por exemplo, os valores dos dados de posicionamento podem ser calibrados por correlação das coordenadas de resolução da câmera de rastreio ocular ISCAN com as coordenadas de resolução do monitor de apresentação. Depois disso, os parâmetros do monitor de apresentação podem ser introduzidos, por exemplo, configurando a distância entre o monitor e o indivíduo em 57 cm, a largura do monitor a 40,64 cm e a altura do monitor a 30,48 cm. Cada desempenho de fixação do olho do indivíduo pode ser calculado pela execução de uma verificação de manutenção de contemplação dentro do ILAB. Por exemplo, uma região de interesse (ROI) pode ser primeiramente definida usando uma janela quadrada de 5 ° x 5 ° (ângulo visual) centralizada no ponto de fixação vermelho. Usando esta ROI, os indivíduos podem ser solicitados a manter a fixação dentro dessa janela por toda a duração do estímulo (por exemplo, 750 ms) durante pelo menos 75% das apresentações de imagem total. Em alguns exemplos, os indivíduos que apresentar um desempenho igual ou superior a esse nível podem ser excluídos da análise da EEG/ERP exemplar. A função de manutenção do olhar pode incluir as seguintes etapas, por exemplo, (1) requerer uma fixação por toda a duração do estímulo; (2) selecionar a região de interesse centralizada no ponto de fixação central; e (3) exportar os resultados de manutenção do olhar para uma unidade de processamento (por exemplo, incluindo a área de trabalho do MATLAB) para calcular a porcentagem de precisão do indivíduo.

[0095] As técnicas de pré-processamento de análise exemplares dos métodos divulgados incluem técnicas para análise estatística do grupo geral. Nas implementações exemplares descritas nesse documento, uma combinação dos softwares MATLAB e Statistica, da Statsoft (versão 8.0) foi usada para as análises estatísticas. Após o processamento e a análise dos dados, o analisador BrainVision do sistema de registro da EEG exemplar exportou os arquivos de texto contendo valores de dados em relação à condição, ao indivíduo, ensaio, canal de eletrodo, latência do pico, tensão do pico e amplitude de tensão média. Os arquivos texto exportados foram carregados em um programa de computador implementado (por exemplo, um programa do MATLAB) para classificar e organizar os dados em um formato mais acessível. Especificamente, por exemplo, o programa de computador implementado exemplar permite a uma pessoa selecionar dados mais facilmente por coluna, por exemplo, usando o editor de variáveis do MATLAB. Após selecionar, os dados foram copiados e colados em planilhas de dados do software Statistica. Em algumas implementações, por exemplo, medidas de ANOVA repetidas foram realizadas em cada planilha, por exemplo, comparando os efeitos da AA versus B, AA versus D e B versus D, entre os indivíduos e entre a categoria de objeto para cada espécie. Para os indivíduos humanos, por exemplo, cada planilha era específica para os seguintes, por exemplo, (1) experimento: experimento 1, experimento 2 ou experimentos 1 e 2 combinados (usando o número total de indivíduos dos experimentos 1 e 2); e (2) canal de eletrodo: F3, Fz, F4, P7, P8, Fp1, Fp2, Tp10, F3 + Fz + F4 (pool de eletrodos, P7 + P8 (pool de eletrodos) ou Fp1 + Fp2 (pool de eletrodos). Da mesma forma, para os indivíduos NHP, por exemplo, cada planilha de dados era específica para os seguintes, por exemplo, (1) experimento: experimento 1, experimento 2 ou experimentos 1 e 2 combinados (usando o número total de indivíduos dos experimentos 1 e 2); e (2) canal de eletrodo Cz, F1, FT3, O1, O2, Pz, Cz + Pz (pool de eletrodos), Cz + Pz + O1 + O2 (pool de eletrodos), O1 + O2 (pool de eletrodos). Por exemplo, as análises do canal de eletrodo únicas, as ANOVAs de medições unicaudais repetidas (fator 1: condição) foram realizadas. Por exemplo, para as análises de eletrodos reunidos, as ANOVAs de medições bicaudais repetidas (fator 1: condição; fator 2: canal de eletrodo) foram realizadas. O número do indivíduo foi usado como um preditor de categoria, para ambos os grupos de indivíduos. A análise estatística das condições de violação e primárias semânticas (por exemplo, "AA", "D" e "B") refletidas no efeito ERP de N400/N300 (por exemplo, entre 276 e 376 ms) nos eletrodos frontal e parietal, revelou os seguintes resultados exemplares. O eletrodo (Fz) "AA vs B" produziu F (1, 4175) = 4,4527 e um valor de p igual a 0,0349; "AA vs D" produziu F (1, 4018) = 6,8894 e um valor de p igual a 0,0087; (eletrodos P7 e P8) "AA vs B" produziu F (1, 4175) = 11,669 e um valor de p igual a 0,00064; "AA vs D" produziu F (1, 4018) = 13,297 e um valor de p igual a 0,00027.

[0096] Por exemplo, os métodos divulgados podem obter “passivamente” e analisar os dados fisiológicos (por exemplo, incluindo os dados neurofisiológicos) do indivíduo antes, durante e após a apresentação de estímulos. Os métodos divulgados podem ser implementados de maneiras que são diferentes das abordagens tradicionais para eliciar a ERP de N400, como aquelas que usam paradigmas "operantes" (por exemplo, paradigmas operantes que fazem o indivíduo realizar uma resposta comportamental e discriminação ativa). Por exemplo, ao obter dados de sinais fisiológicos de um indivíduo usando o método divulgado, o indivíduo não precisa fornecer qualquer resposta comportamental evidente - tudo o que ele/ela pode fazer é olhar passivamente para uma tela de apresentação (display). Por exemplo, baseado na modulação implícita da amplitude de diferentes marcadores cerebrais (por exemplo, nesse caso, ERP visual de N400/N300), o método divulgado pode inferir como o indivíduo relaciona-se com diferentes estímulos apresentados e estabelece categorias conceituais entre eles. Especificamente, a implementação do método divulgado pode determinar como o indivíduo associa, ou discrimina, estímulos diferentes em uma sequência.

[0097] A figura 3 mostra gráficos de dados fornecendo resultados exemplares de uma análise estatística do grupo apresentando padrões cerebrais de discriminação entre as mudanças de categoria conceituais utilizando estímulos visuais, por exemplo, como a apresentação de estímulos visuais da figura 2. Na figura 3, o gráfico 301 e o gráfico 302 mostram formas de onda cerebral (por exemplo, ERPs) de um canal frontal e de um parietal, respectivamente, (por exemplo, das localizações anatômicas anterior e posterior no couro cabeludo, respectivamente) relacionadas às mudanças nas categorias conceituais/de semântica.

[0098] No exemplo mostrado na figura 3, se, da perspectiva do indivíduo (por exemplo, conhecimento), uma imagem está na mesma categoria que a anteriormente apresentada, então a resposta de onda cerebral a essa segunda imagem (A) apresentará uma amplitude menor do que aquela da primeira imagem anterior (D) - este é um fenômeno conhecido como "priming semântico". No entanto, se o indivíduo, então, perceber o estímulo seguinte como pertencente a uma categoria diferente do que aquela anteriormente apresentada, a onda cerebral resultante (B) terá novamente uma maior amplitude (por exemplo, uma “violação semântica”). As setas nos gráficos 301 e 302 da figura 3 indicam o efeito de interesse na onda cerebral. Isso nos permite investigar e interpretar ou inferir o seu nível de conhecimento e/ou compreensão dos estímulos apresentados. A apresentação particular dos estímulos (por exemplo, estímulos apresentados sequencialmente de forma onipresente) facilita o priming e a mudança de categoria, que pode suscitar marcadores cerebrais específicos separáveis, dos quais dados são extraídos que podem ser, então, transformados, com o uso dos processos analíticos do método divulgado em um perfil sensorial e/ou cognitivo, por exemplo, tal como o Perfil de Avaliação de Conhecimento Individualizado (do inglês IKEP).

1.1.6. Processamento e Técnicas de Classificação Direcionadas Exemplares (por exemplo, com parâmetros específicos de contexto)

[0099] As implementações exemplares incluíram técnicas de processamento de implementação para correlacionar os sinais do cérebro e os estados cognitivos de um único indivíduo usando uma estrutura de métodos de classificação que usam os sinais fisiológicos adquiridos (por exemplo, sinais neurais dos registros de EEG) de um único indivíduo para fornecer um conjunto de informações, por exemplo, incluindo informações estatísticas sobre o conhecimento conceitual (por exemplo, desempenho sensorial e/ou cognitivo) e/ou o estado de consciência do indivíduo. Essas técnicas de processamento exemplares também podem ser aplicadas para realizar a análise de grupo para identificar o conhecimento conceitual, não só em um grupo, mas também em uma base de indivíduo-por-indivíduo. O fornecimento dessa análise de grupo pode ser benéfico para identificar como um indivíduo classifica as informações, por exemplo, se identifica explicitamente ou explora diferenças individuais.

[00100] Por exemplo, o método divulgado pode ser usado para caracterizar a familiaridade de um indivíduo com um tópico, fornecendo deliberadamente sequências de estímulos que, às vezes, são contextualmente congruentes e, às vezes, são contextualmente incongruentes em relação ao conhecimento específico a ser investigado. Com base na resposta cerebral medida e analisada do indivíduo, o método pode desenvolver um resultado de "grau de familiaridade" com um operador humano que pode ser expresso em uma categoria de perfil sensorial e/ou cognitivo particular (por exemplo, como o Perfil de Avaliação de Conhecimento Individual) ou com outro processo da tecnologia divulgada que integra o resultado (conjunto de informações) com uma Interface Cérebro-Máquina (BMI) para fornecer feedback subsequente ao indivíduo.

[00101] As implementações exemplares das técnicas de processamento e classificação orientada divulgadas usando o paradigma de estímulos visuais, como descrito abaixo, fornecem exemplos usando os mesmos conjuntos de dados, conforme descrito nas seções anteriores, que ilustram uma avaliação de conhecimento conceitual em uma base de indivíduo-por-indivíduo.

[00102] Por exemplo, uma descrição das variáveis independentes utilizadas no conjunto de dados visuais exemplar inclui: • Número do indivíduo s, entre 1 e 28 • Número do canal e, entre 1 e 31 • Condição c, entre 1 e 2 (1 = "AA" para nenhuma mudança de categoria, 2 = "B" para mudança de categoria) • Número do ensaio k, entre 1 e 120 • Ponto de tempo de interesse t dentro de intervalo, entre 1 e T. • Por exemplo, deixe o intervalo ser [352 ms, 452 ms]. A taxa de amostragem foi de 250 Hz. Em seguida, T = (0,452 - 0,352) * 250 = 25 Assim, y [s, e, c, k, t] é um número real que representa uma tensão da EEG. Para qualquer indivíduo, s foi fixo para ser uma constante. Para efeitos de análises exemplares nesta seção, um local do eletrodo e também foi fixo para ser uma constante. Como tal, o ponto de início para uma análise adicional nesta seção é y [c, k, t], um número real que representa uma tensão da EEG.

I.1.6.1. Classificador Supervisionado com Dados de Treinamento

[00104] O exemplo utiliza um classificador supervisionado para explorar como os indivíduos, em si, organizam e classificam itens diferentes, por exemplo, ideias ou conceitos. Operando em indivíduos completamente conscientes e informados, o classificador supervisionado é primeiramente "treinado" no indivíduo, respondendo por qualquer variabilidade natural específica para ele/ela. Esse treinamento é realizado, primeiramente, munindo o indivíduo com um conjunto de grupos de estímulos categoricamente congruentes (AA) e incongruentes (B), como explicado acima. Esses grupos de estímulos são cuidadosamente construídos de modo que eles pertençam, inequivocamente, ao grupo AA ou B para todos os integrantes.

[00105] Uma vez que o classificador tenha sido suficientemente treinado, um novo conjunto de grupos de estímulos não identificados é apresentado. Esses estímulos representam entradas de dados que podem suscitar diferentes categorizações cerebrais, dependendo da maneira na qual cada cérebro de indivíduo classifica as informações. Cada indivíduo tem a possibilidade de considerar esses grupos congruentes ou incongruentes, baseando-se em uma grande variedade de fatores, por exemplo, que vão desde o nível educacional, origem étnica, preferências, criatividade, etc. É este riquíssimo espaço de variabilidade que pode ser explorado e quantificado usando o método divulgado, por exemplo, fornecendo uma profunda percepção em como o cérebro do indivíduo classifica informações.

Procedimento de Implementação Exemplar do Classificador Supervisionado

[00106] Para desenvolver algumas características de interesse para a classificação, fixamos uma condição "c" e um ponto de tempo "t" para calcular a média e o desvio padrão de y [c, k, t], em todos os ensaios "k". Um método exemplar para a geração da média nos ensaios, para um ponto específico de tempo "t", é mostrado abaixo. Por exemplo, isso é análogo a como um gráfico de potencial relacionado a evento é gerado, exceto que este não é ponderado entre os indivíduos - ele é específico para um único indivíduo.

[00107] A figura 4 mostra um gráfico tridimensional, mostrando dados de EEG em um eixo que representa a janela de tempo de 350 ms a 450 ms coletados através de vários ensaios, apresentados em um eixo perpendicular. A EEG para o ponto y [c, k, t] é ponderada em todos os ensaios k para produzir uma tensão média y [c, t] para a condição c no ponto de tempo t no intervalo de 350 ms a 450 ms.

[00108] Um cálculo análogo é implementado para determinar o desvio padrão de y [c, k, t] nos ensaios k, para c e t fixos. Para dois canais individuais (por exemplo, FP1 (canal 1) e FP2 (canal 2)), é mostrado nas figuras 5A e 5B como as características mais básicas de média e variância covariam de acordo com a condição "AA" em comparação com a condição "B". Por exemplo, cada círculo azul e verde representa uma característica "média, desvpad" para um ponto de tempo específico "c". Azul representa a condição "AA" e verde representa a condição "B".

[00109] A figura 5A mostra um gráfico de atributos mostrando as médias e os desvios padrões de um único indivíduo (por exemplo, do indivíduo 10) a partir do eletrodo FP1 (canal 1) sob duas condições diferentes de estímulo, "AA" e "B". A figura 5B mostra um gráfico de atributos mostrando as médias e os desvios padrões de um único indivíduo (por exemplo, do indivíduo 10) a partir do eletrodo FP2 (canal 2) sob duas condições diferentes de estímulo, "AA" e "B". Conforme mostrado nos gráficos das figuras 5A e 5B, os atributos apresentam pronunciado agrupamento, que pode levar a métodos de classificação com alta precisão. Por exemplo, a precisão com validação cruzada de cinco vezes foi igual a 100%, para os dois canais FP1s e FP2.

[00110] Por exemplo, observa-se que esses atributos se agrupam em grupos disjuntos para as diferentes condições. Por exemplo, uma máquina de vetor de suporte com núcleo Gaussiano foi implementada no toolbox estatístico do Matlab, usando as características exemplares acima mencionadas em diferentes condições como dados de entrada (inputs). Uma porcentagem de classificação foi calculada usando validação cruzada de 5 vezes, por exemplo: • Dividir o conjunto de dados em 1/5 - teste e 4/5 para treinar, • Girar o conjunto de dados até todos os dados serem testados, • Ponderar a sua classificação.

Controle de Precisão Exemplar para o Classificador

[00111] Em algumas das figuras descritas abaixo, resumos estatísticos exemplares do desempenho da máquina de vetor de suporte são mostrados, por exemplo, em vários indivíduos e canais. Em cada figura, o eixo x mostra diferentes canais, e o eixo y pertence aos box plots para aquele canal, variados nos diferentes indivíduos. Os procedimentos de classificação exemplares usaram os dados neurais obtidos de indivíduos, por exemplo, em que os dados analisados são representados nos resumos estatísticos exemplares do desempenho, entre vários indivíduos e vários canais. Em cada figura, cada box-plot representa um resumo de cinco números dos pontos de dados. Por exemplo, a parte inferior e superior da caixa são sempre o 25° e o 75° percentis (os quartis inferior e superior, respectivamente); a banda próximo do meio do box é sempre o 50° percentil (a mediana); os "whiskers" representam um desvio padrão abaixo e acima da média dos dados; e as marcações vermelhas "+" representam valores aberrantes. Abaixo de cada box plot encontra-se uma tabela de amostras, fornecendo a precisão mediana.

[00112] A figura 6 mostra um gráfico e a tabela correspondente mostrando o desempenho do classificador supervisionado do indivíduo para o paradigma de estímulo visual, em uma implementação exemplar. Para cada canal individual (por exemplo, a coluna do gráfico), informações estatísticas resumidas são fornecidas sobre como o classificador se comportou para cada indivíduo. O box plot da figura 6 mostra resultados exemplares que representam a precisão do classificador após a validação cruzada de cinco vezes, por posição do eletrodo. A tabela da figura 6 lista a precisão mediana entre os indivíduos, ao usar os eletrodos FP1, FP2, P7 ou P8 exemplares.

[00113] Observa-se, por exemplo, que os eletrodos frontais FP1 e FP2, por exemplo, que podem ser usados em muitas aplicações, demonstram uma precisão de classificação extremamente alta, e isso ocorre com os atributos mais simples possíveis e com um núcleo do MATLAB. Em outros exemplos, abordagens mais sofisticadas podem fornecer uma precisão de classificação ainda maior, através de uma gama maior de indivíduos.

Perfil Cognitivo e/ou Sensorial Exemplar: Perfil de Avaliação de Conhecimento Individual (do inglês IKEP)

[00114] Após fornecer estímulos ao indivíduo, obter dados fisiológicos do indivíduo e determinar as informações estatísticas, conforme descrito acima, a próxima etapa na técnica exemplar inclui a criação de um perfil de conhecimento e/ou do estado de consciência individual. A figura 7 mostra um diagrama ilustrativo representando uma implementação exemplar dos algoritmos de classificação guiados e suas subsequentes estatísticas resumidas para fornecer um perfil de conhecimento e/ou de consciência individualizado. Por exemplo, o perfil de avaliação e/ou do estado de consciência exemplar pode fornecer informações resumidas concisas sobre a resposta do cérebro do usuário a estímulos específicos.

[00115] Nesse primeiro exemplo descrito, o perfil individual é calculado para o indivíduo 10 (como nos exemplos anteriores) no contexto da "avaliação do conhecimento" com um classificador supervisionado. Especificamente, por exemplo, os atributos para o grupo B (círculos verdes) e para o grupo AA (círculos azuis), como mostrado nas figuras 5A e 5B, são identificados.

[00116] A figura 8 mostra características exemplares para o classificador supervisionado referentes a um canal exemplar FP2 do indivíduo 10. Um hiperplano de apoio (por exemplo, linha em negrito preta) serve como o limite de decisão. Qualquer característica a ser testada (por exemplo, o círculo vermelho na figura 8) será classificada como azul (no caso, AA) se estiver em um lado do limite, e será classificada como verde (no caso B) para o outro. A distância "d" até o limite pode servir como um indicador para fornecer a confiança estatística na classificação. Quanto maior for a distância até o limite, mais confiável é a classificação.

[00117] Ao testar um indivíduo, esses atributos são construídos. Se o atributo de interesse (nesse caso, o círculo vermelho) basear-se em um lado do limite da decisão, declara-se "AA" e, caso contrário, declara-se "B". Juntamente com uma difícil decisão, também é especificada uma informação "leve" que sugere o quão confiante estamos na nossa declaração. A distância mais curta entre o ponto vermelho e qualquer ponto no limite da decisão pode servir como dado de entrada (input) para uma função que especifica o IKEP. Mais especificamente, por exemplo, pode-se declarar, consciência/probabilidade de conhecimento = (2-e-d)/2.

[00118] Por exemplo, se a distância até o limite for 0, então a probabilidade de discriminação é %, ou seja, a chance (por exemplo, o indivíduo não tem conhecimento confiável para discriminar características entre as duas condições testadas ou, em outras palavras, o indivíduo não pode discriminar itens entre um e o outro). Por outro lado, por exemplo, se a distância até o limite for muito grande, então a probabilidade de conhecimento tende a 1, conforme esperado (por exemplo, o indivíduo conhece cada uma das categorias apresentadas e como diferenciá-las). Como tal, a estrutura de processamento de sinal estatístico exemplar pode fornecer decisões fracas, por exemplo: Psc = P (mesma categoria) = 0,8, Pdc = P (categoria diferente = 0,2).

[00119] Assim, para esse exemplo, usando o mesmo conjunto de dados de apresentação visual, conforme descrito anteriormente, o IKEP exemplar pode ser determinado como a seguir. Usando o indivíduo exemplar (indivíduo 10), como na figura 8, suponha que treinamos o classificador com os marcadores azul e verde, e agora, os atributos para o ponto vermelho são obtidos e gostaríamos de classificá-lo como "AA" ou "B". Observe que o atributo para o círculo vermelho é o par ordenado (por exemplo, 0,75,12). O ponto mais próximo do limite é (0,11). Como tal, neste exemplo, a distância entre estes dois pontos é 1,25 e o IKEP subsequente para este indivíduo (por exemplo, indivíduo 10) é (2-e-1,25)/2 = 85,67%. A figura 9 mostra um diagrama desses dados quantitativos exemplares para o Perfil de Avaliação de Conhecimento Individual para o indivíduo exemplar 10.

1.1.6.2. Classificador Não Supervisionado Exemplar com Testes de Razão de Probabilidade

[00120] Nos exemplos usando o classificador "não supervisionado", a técnica não usa quaisquer dados de treinamento para treinar o classificador. Em vez disso, o classificador assimila um lote de dados e, em seguida, especifica uma decisão sobre a probabilidade do cérebro categorizar informações a partir de diferentes estímulos da mesma maneira, ou de forma diferente. Aqui, nós deliberadamente fornecemos um indivíduo com um estímulo que tem uma resposta conhecida, por exemplo, supondo que ele/ela está consciente.

Procedimento de Implementação Exemplar do Classificador Não Supervisionado

[00121] Neste exemplo, primeiro calcula-se a média (y[c, k, t]: k = 1,..., K) em relação a k para criar y [c, t]. A hipótese central do teste é a seguinte: • H0 (hipótese nula): as estatísticas de y[1, t] e y[2, t] (referentes a AA e B) são iguais. • H1 (hipótese alternativa): as estatísticas de y[1, t] e y[2, t] (referentes a AA e B) não são iguais.

[00122] Para os paradigmas de estímulo exemplares, presume-se que y[1, t]- y[2, t] seja Gaussiano. Assim, sob a hipótese nula, esta diferença tem média 0 e variância desconhecida. Sob a hipótese alternativa, a diferença tem uma média diferente de zero e variância desconhecida (não necessariamente a mesma variância que a da H0).

[00123] Por exemplo, devido à variância sob H0 e a média e a variância sob H1 serem desconhecidas, esse é um problema de teste de hipótese composta, por exemplo, existem muitas distribuições sob cada hipótese.

[00124] As implementações exemplares incluíram implementar um grupo de classificadores não supervisionados pertencentes à hipótese composta de testes que são teoricamente de maneiras diferentes, com diferentes pressupostos. Primeiro, uma estatística de teste é desenvolvida, que é uma função dos dados observados. A partir dessa estatística de teste, um valor de p é calculado ou estimado, o qual é comparado com um limiar, por exemplo, igual a 0,05. Neste exemplo, se ele for maior que 0,05, a hipótese nula é aceita; caso contrário, a hipótese nula é rejeitada.

[00125] Estatística de teste. Em geral, as diferenças (d[t]=y[1,t]-y[2,t]: t=1:T) são coletadas e uma estatística de teste u =g(d) é desenvolvida, que é uma função dos dados observados e que é maior sob a hipótese alternativa do que sob a hipótese nula. São exemplos dos tipos de estatísticas de teste que podem ser construídos como segue: T.A: um logaritmo da razão de probabilidade com estimativas da probabilidade máxima normalizada (do inglês NML) de P0 e P1. Por exemplo, modelamos a distribuição sob P0 (média 0, variância desconhecida) e P1 (média diferente de zero, variância desconhecida). O procedimento de probabilidade máxima normalizada cria uma lei estatística referente a cada hipótese que apresenta um desempenho melhor possível, no pior caso, em relação a todas as distribuições possíveis sob uma das hipóteses compostas. Por exemplo, sob H0, a média é desconhecida e, dessa forma, ela combina leis estatísticas de todas as distribuições normais de média 0 e variância desconhecida, para criar uma lei estatística que é o mais preditiva possível para qualquer distribuição naquela classe. Analogamente, uma estimativa é desenvolvida para H1, onde as médias e as variâncias são utilizadas. A v = Viβd estatística do teste é fornecida por

onde

e

T.B.: Métodos estatísticos padrão, tais como uma pontuação F para uma ANOVA, baseadas em médias e variâncias estimadas.

[00126] Valor de P. Após calcular a estatística de teste, a probabilidade de observar uma estatística de teste que é pelo menos tão extrema como a que foi observada, sob hipótese nula, é calculada. Devido à hipótese nula ter uma variância desconhecida, este é um problema de teste de hipótese composta e há não uma maneira natural específica para calcular um valor de p. Desenvolveu-se várias maneiras para estimar um valor de p: P.A.: Realizar um procedimento paramétrico para avaliar a expressão da probabilidade usando uma estimativa de P0, assumindo uma distribuição normal com variância estimada a partir dos dados: P.A.1: Se a distribuição da estatística de teste, g(d) sob H0 for conhecida na forma fechada (por exemplo, a partir dos testes de ANOVA t, Z e F), então pode-se calcular diretamente ou usar uma tabela de pesquisa no Matlab. P.A.2: Se uma estatística de teste mais sofisticada (por exemplo, como a razão de probabilidade normalizada) for usada, então, implementa-se um procedimento de Monte Carlo para estimar a probabilidade. Gerar um grande número de amostras independentes e identicamente distribuídas d[1]...d[N] que são representadas sob uma distribuição Normal com média 0 e variância estimada a partir dos dados. Contar a fração do tempo que g(d[i]) > excede a estatística de teste. P.B: Realizar um procedimento de inicialização (bootstrap procedure) não paramétrico. Gerar N amostras iid d[1]... d[N] que são permutações aleatórias de y'; para que "em certo sentido," g(d[i]) seja representado de acordo com g(d) sob H0. Contar a fração do tempo que g(d[i]) > t. A figura 10 ilustra como o teste estatístico não paramétrico é realizado quando se tem dois conjuntos de dados (cada um com n ensaios) para duas condições experimentais. (1) Coletar n ensaios das duas condições experimentais (A e B) em um único conjunto. (2) Representar aleatoriamente o máximo de ensaios (n ensaios) deste conjunto de dados “combinado” dos ensaios na condição A e colocar esses ensaios no subconjunto 1. Em seguida, colocar os ensaios restantes (n ensaios) no subconjunto 2. Esse procedimento pode ser chamado de partição aleatória. (3) Calcular a estatística do teste nesta partição aleatória. Para calcular a estatística do teste, as formas de onda são ponderadas em todos os ensaios para os subconjuntos 1 e 2 durante o tempo de interesse, respectivamente. A forma de onda média do subconjunto 1 é subtraída da forma de onda média do subconjunto 2 e, em seguida, a estatística do teste é calculada como a soma de todas as diferenças. (4) Repetir as etapas 2 e 3, por exemplo, um grande número de vezes, e construir um histograma da estatística do teste. (5) A partir da estatística de teste que é efetivamente observada dos conjuntos de dados originais (sem permutação aleatória) e o histograma na etapa 4, calcular a proporção das partições aleatórias que resultaram em uma estatística de teste maior do que a que foi observada. Essa proporção é chamada valor de p.

[00127] A figura 10 mostra um diagrama ilustrando um procedimento não paramétrico para estimar os valores de p para um teste de hipótese pertencendo para especificar se os dados da classe A e os dados da classe B são derivados ou não da mesma distribuição estatística. Ensaios da classe A e da classe B são permutados aleatoriamente para gerar estatísticas do teste que são representadas pela hipótese nula. A partir disso, um histograma é formado para o qual a avaliação do valor de p pode ser realizada.

[00128] Por exemplo, uma vez que um valor de p é calculado, se o mesmo for menor que 0,05, então a hipótese nula é rejeitada; caso contrário, ela é aceita. Nas implementações exemplares, devido ao fato de todos os indivíduos terem ciência e de que os estímulos exemplares que foram apresentados serem claramente contextualmente incongruentes, congruentes ou repetições congruentes, sob essas condições, a hipótese nula deve ser rejeitada na maioria dos indivíduos. O desempenho dessa abordagem exemplar é caracterizado abaixo, por exemplo, através da quantificação do número de indivíduos e eletrodos para os quais a hipótese nula é rejeitada.

Resultados exemplares

[00129] Para cada um dos paradigmas de estímulo exemplares apresentados aos indivíduos, o desempenho exemplar das estatísticas de teste diferentes e dos métodos de cálculo dos valores de p são mostrados nas figuras 11 a 13. A figura 11 mostra um gráfico de dados e uma tabela de dados correspondente para uma análise de rANOVA exemplar de AA vs B usando estímulos visuais. A figura 12 mostra um gráfico de dados e uma tabela de dados correspondente para uma análise paramétrica NML exemplar de AA vs B, usando estímulos visuais. A figura 13 mostra um gráfico de dados e uma tabela de dados correspondente para uma análise não paramétrica NML exemplar de AA vs B, usando estímulos visuais.

[00130] Nas figuras 11 a 13, um box-plot dos valores de p do classificador é fornecido para locais de interesse específicos do elétrodo, por exemplo, FP1, FP2, P7 e P8. O box plot fornece a mediana (linha vermelha), o desvio padrão (largura) e informações do valor aberrante. A linha horizontal verde em cada gráfico de dados corresponde ao limite do valor de p, que é 0,05. Todos os indivíduos com valores de p abaixo são, dessa forma, classificados corretamente, e aqueles com valor acima são classificados incorretamente. Juntamente com cada box-plot, também há uma tabela sucinta correspondente que descreve a fração total das classificações corretas (com limite do valor de p a 0,05), em relação a todos os indivíduos.

[00131] Nas figuras 11 a 13, a nomenclatura é a seguinte: • "AA vs B" denota que d[t] = y[1, t]-y[2, t.: t = 1:T, onde y[1, t] refere-se ao estímulo visual AA e y[2, t] refere-se ao estímulo visual B. • "NML" é sucinto para o método da probabilidade máxima normalizada de cálculo de uma estatística de teste, da seção T.A. • "paramétrico" representa o método paramétrico da estimativa de um valor de p, descrito na seção P.A. através da realização da estimativa de Monte-Carlo do valor de p, onde a informação recebida para a estatística do teste foi representada de acordo com uma distribuição Normal, com a média e variância sendo estimadas a partir das amostras. • "não paramétrico" representa o método não paramétrico, P.B, de estimativa de um valor de p. • "rANOVA" representa uma estatística de teste e o paradigma do cálculo do valor de p, usando uma metodologia de ANOVA de medições repetidas padrão, o método P.A.1.

[00132] Essas análises exemplares foram realizadas individualmente e, em seguida, ponderadas para um conjunto de dados de grupo que incluía 17 indivíduos. Por exemplo, observa-se, surpreendentemente, para os canais FP1 e FP2 (que são frontais e não exigem a gelificação do cabelo e, portanto, podem ser utilizados em uma modalidade preferencial, em algumas aplicações), que esses métodos de classificação têm precisão uniforme na faixa de 80 a 100%. Esses resultados exemplares sugerem que um sistema com apenas eletrodos frontais pode suscitar um alto desempenho. O método divulgado não precisa incluir sempre a aquisição da atividade frontal.

[00133] Perfil Cognitivo e/ou Sensorial Exemplar: o Perfil de Avaliação de Conhecimento do Grupo (do inglês GKEP) e o Perfil de Avaliação de Conhecimento Individual (do inglês IKEP)

[00134] Usando este último exemplo de uma modalidade de classificador não supervisionado, e selecionando o eletrodo frontal FP1 para ilustrar esse perfil, o produto final da implementação do método exemplar podem ser sob a forma de um Perfil de Avaliação de Conhecimento do Grupo (do inglês GKEP) ou sob a forma de um Perfil de Avaliação de Conhecimento Individual (do inglês IKEP).

[00135] Por exemplo, identifica-se o valor de p para qualquer indivíduo e realizados o valor de p igual a 100%, usando o teste de razão de probabilidade não paramétrico (conforme indicado na figura 13) como uma medida da discriminação nas categorias testadas. No caso individual, para o indivíduo exemplar 10, esse valor foi igual a 99,8%. A nível do grupo, o nível médio foi igual a 94,1%. Esses resultados exemplares são mostrados na Figura 14. A figura 14 mostra diagramas de exemplos de Perfil de Avaliação de Conhecimento Individual para um único indivíduo e um Perfil de Avaliação de Conhecimento do Grupo para um indivíduo com base no grupo.

1.2. N400 com um Paradigma de Estímulos Auditivos 1.2.1. Estímulos Exemplares

[00136] Em outra implementação exemplar, foram examinadas as respostas neurais aos estímulos linguísticos, mais precisamente as respostas moduladoras às congruências e incongruências contextuais na língua inglesa. Por exemplo, o Soundbooth CS5 da Adobe foi usado para gravar uma lista de vinte palavras de quatro alto-falantes (por exemplo, dois homens, duas mulheres), cada uma para um total de oitenta estímulos exemplares. Cada alto- falante gravou as seguintes palavras exemplares: Ação, Aniversário, Câmera, Velas, Queijo, Acidente, Perigo, Morte, Bebida, Dirigir, Lutar, Comida, Presentes, Feliz, Luzes, Assassinato, Veneno, Tiro, Sorriso, Yummy. Também, por exemplo, o Soundbooth CS5 da Adobe foi usado para controlar os estímulos dentro e entre os grupos, usando as seguintes etapas: (1) normalizar cada estímulo (por exemplo, Processado > Normalizar), (2) equalizar cada estímulo (por exemplo, Processado > Equalizar os níveis de volume), (3) equalizar os níveis de volume em todos os arquivos de estímulo (por exemplo, Selecione todos os arquivos > Ir para tarefas > arrastar os arquivos para Files to Match > Match to File > selecionar o primeiro arquivo na lista). Por exemplo, a duração do grupo estímulos variou de 380 ms a 834 ms, por exemplo, com uma média de 615,675 ms. Essas palavras exemplares foram, em seguida, usadas para construir 90 sequências de três palavras distintas.

[00137] Essas noventa sequências exemplares foram divididas igualmente em três condições: congruentes (30), incongruentes (30) e congruentes com repetição (30). Em cada uma das sequências, as duas primeiras palavras criaram um contexto. A terceira palavra correspondeu (congruente) ou não correspondeu (incongruente) com o contexto definido pelas duas palavras anteriores. Por exemplo, na congruente com a condição de repetição, a terceira palavra correspondeu com o contexto definido pela repetição da segunda palavra da sequência. Além disso, porque havia quatro alto-falantes, por exemplo, havia um total de 360 sequências exemplares. Dentro das sequências, cada uma tinha um alto-falante consistente para cada uma das três palavras. No entanto, o alto-falante e gênero do alto-falante poderiam mudar entre as sequências. Além disso, por exemplo, apenas um subconjunto dessas sequências foi usado para as análises potencial e estatística relacionadas com o evento final. Esse subconjunto foi controlado quanto à aparência da palavra e a frequência nas condições. Todas as outras sequências não foram usadas para as análises e, ao invés disso, foram utilizadas como "enchimentos" a fim de criar uma noção de variedade para os indivíduos.

[00138] Dois métodos exemplares foram implementados para criar um ponto de fixação e um estímulo quadrado azul. Por exemplo, para o ponto de fixação, um processo implementado por computador (por exemplo, programado usando um script do MATLAB) foi usado para criar uma imagem de fundo preto (por exemplo, canhão vermelho igual a 0; canhão verde igual a 0; e canhão azul igual a 0) com uma altura e largura de 350 pixels. Em seguida, o script exemplar executou um loop agrupado usando a equação padrão de um círculo para alterar os pixels em um raio de sete pixels de comprimento para vermelho, alterando o canhão vermelho da imagem para 255, o canhão verde para 0 e o canhão azul para 0. Por exemplo, para o estímulo quadrado azul, o software de captura de imagem (por exemplo, Adobe Photoshop) foi usado para criar uma imagem com tamanho de 157 x 157 pixels, por exemplo, cujo canhão vermelho era igual a 0, o verde era igual a 0 e o azul era igual a 255.

1.2.2. Preparação do Indivíduo para o Registro da EEG

[00139] Para preparar os indivíduos exemplares para o registro da EEG, cada indivíduo sentou em uma cadeira em uma câmara de gravação para iniciar um processo de nivelamento da EEG. Por exemplo, esse processo envolveu colocar uma touca da EEG tradicional sobre a cabeça do indivíduo e fixá-la com uma tira para o queixo elástica. Em alguns exemplos, foi usado uma touca de 56 cm ou de 58 cm, com base no tamanho estimado da cabeça do indivíduo. Em seguida, o gel de eletrodo Signa (por exemplo, obtido junto à Parker Laboratories) foi injetado utilizando uma seringa plástica curvada sob cada um dos eletrodos da touca para criar uma ponte condutora entre o próprio eletrodo e o couro cabeludo do indivíduo. Também, por exemplo, pontas em Q de madeira foram usadas para massagear o gel, a fim de construir uma condutância mais forte, diminuindo a impedância. Por exemplo, o uso dessa técnica reduziu os níveis de impedância até < 5 KQ para cada eletrodo, por exemplo, incluindo o terra e o de referência. Antes de iniciar a implementação exemplar usando os registros da EEG, os indivíduos sentaram na frente do monitor de apresentação e o alto-falante do áudio e pediu-se que mantivessem, simplesmente, a fixação visual em um ponto de fixação central vermelho durante toda a duração do experimento e restringissem os seus movimentos motores tanto quanto possível para evitar o movimento dos artefatos nos dados neurofisiológicos. Em alguns exemplos, esses pontos foram destacados mostrando ao indivíduo o registro on-line de suas ondas cerebrais brutas, por exemplo, demonstrando para eles o que acontece com os dados quando eles piscam e/ou apertam a mandíbula com frequência. Depois disso, as luzes da sala de gravação foram esmaecidas, e o processo de estimulação e de registro da EEG iniciaram. As medições foram feitas para escurecer completamente a janela da sala de gravação e vedar as suas rachaduras, para evitar a entrada de luz externa.

1.2.3. Processo de apresentação de estímulos exemplar

[00140] O paradigma da apresentação de estímulo exemplar que foi usado neste processo de apresentação de estímulos exemplar foi programado usando Cogent 2000. A apresentação de estímulo exemplar foi dividida em dois blocos, com base nos alto-falantes. Por exemplo, o bloco 1 incluiu um total de 180 sequências, 90 sequências do locutor e 90 sequências da locutora. O bloco 2 incluiu outra 180 sequências, 90 sequências do outro locutor e 90 sequências da outra locutora. Cada uma das 180 sequências foi apresentada apenas uma vez por bloco de apresentação. Após a apresentação de cada palavra em uma sequência, foi dado um intervalo entre estímulos (ISI) de 1000 ms. Entre cada sequência, um intervalo entre ensaios (ITI) de 2500 ms foi dado para criar uma pausa óbvia entre cada apresentação de sequência. Por exemplo, após cada seis a nove sequências, um quadrado azul foi mostrado durante 2000 ms, que indicou uma “minipausa”, na qual o indivíduo poderia rapidamente pausar, descansar, coçar o nariz, etc.

[00141] Antes da apresentação do estímulo, o processo (por exemplo, programado em um script do MATLAB) primeiramente permutou aleatoriamente a ordem na qual as sequências seriam apresentadas, por exemplo, usando a função randperm() do MATLAB. Em seguida, o processo determinou aleatoriamente quais ensaios seriam acompanhados por um estímulo quadrado azul usando a função randi() exemplar. Além de configurar a tela, a placa de som e a porta paralela, um arquivo de log foi configurado e inicializado dentro do sistema Cogent 2000. Por exemplo, esse arquivo de log foi usado para armazenar informações relativas ao estímulo, ou seja, a sua participação a uma sequência particular. Posteriormente, ambos os estímulos de áudio e visual (por exemplo, ponto de fixação, quadrado azul) foram carregados em buffers de memória. As etapas acima mencionadas foram executadas antes da apresentação do estímulo a fim de reduzir a carga computacional e aumentar a precisão de latência.

[00142] O processo de apresentação de estímulo exemplar usado nas implementações exemplares com estímulos auditivos incluiu um loop aninhado. Por exemplo, no loop "externo", determinou-se uma sequência aleatória sem substituição escolhida e o ponto de fixação central vermelho foi apresentado 1000 ms antes do início da primeira palavra/chamada da sequência. O ponto de fixação foi exibido durante toda a apresentação da sequência e foi desligado 1000 ms após a compensação da terceira palavra/chamada. Por exemplo, dentro do loop "interno", as informações do gatilho foram calculadas com base na própria sequência e enviadas para o computador de registro da EEG. As sequências foram organizadas de modo que os seus locais na matriz do MATLAB exemplares poderiam fornecer as informações necessárias para disparar o estímulo. No final do loop "interno", o exemplo foi apresentado, a porta paralela foi redefinda para zero e o intervalo entre ensaios foi fornecido. Por exemplo, os estímulos de áudio foram apresentados usando um alto- falante Advent Powered Partners AV570, e os estímulos visuais foram apresentados usando um monitor Trinitron GDM-C520 da Sony.

[00143] A figura 15 mostra diagramas de uma sequência exemplar de estímulos auditivos apresentados. Os diagramas ilustrativos 1501 e 1502 da figura 15 descrevem as formas de onda de áudio e os espectrogramas de exemplos de sequências específicas apresentadas de três palavras. Por exemplo, a sequência exemplar dos estímulos auditivos apresentados mostrados no diagrama 1501 inclui três palavras em inglês consecutivas, incluindo "Aniversário", "Presentes" e "Feliz", formando uma sequência contextualmente "congruente". Da mesma forma, por exemplo, a sequência exemplar dos estímulos auditivos apresentados mostrados no diagrama 1502 inclui três palavras em inglês consecutivas, incluindo "Veneno", "Perigo" e "Feliz", formando uma sequência contextualmente "incongruente". Em ambos os exemplos mostrados nos diagramas 1501 e 1502, as duas primeiras palavras estabeleceram um contexto, e o terceiro é coerente com aquele contexto congruente ou incongruente. Em outro exemplo de sequenciamento, outra condição de teste também pode ser apresentada, “Repetição Congruente”, em que a segunda e a terceira palavras, em uma sequência, são exatamente iguais.

1.2.4. Registros das Ondas Cerebrais Exemplares (EEG)

[00144] Em algumas implementações, um tradicional sistema da EEG com eletrodos rígidos foi usado para capturar as ondas cerebrais. O sistema EEG exemplar incluiu um sistema de 32 canais DC BrainAmp; um Gravador BrainVision; uma touca de gravação de EEG de 32 canais Fast n Easy de 56 cm; uma touca de gravação de EEG de 32 canais Fast n Easy de 58 cm. cabo de fita PCB para o BrainCap-MR com resistores de 5k; e uma caixa BrainCap MR 1.2.

1.2.5. Técnicas de análise pré-processamento exemplares

[00145] As técnicas de pré-processamento de análise exemplares dos métodos divulgados usando um paradigma de estímulos auditivos podem incluir técnicas para processar os dados do marcador. Por exemplo, após cada sessão de gravação, o sistema de registros da EEG exemplar produziu três arquivos: um arquivo de dados (.eeg), um arquivo de cabeçalho (.vhdr) e o arquivo de marcação (.vmrk). Os arquivos marcadores continham os gatilhos de eventos para cada início de estímulo. Nesses exemplos, devido às limitações de saída na porta paralela, o arquivo de log Cogent 2000 exemplar foi usado para armazenar informações adicionais sobre a associação exemplar a uma sequência particular. A partir delas, as técnicas de pré-processamento de análise incluem um processo (por exemplo, programado usando um script do MATLAB) para integrar as informações do arquivo de log e do arquivo marcador do sistema de registros da EEG exemplar e para alterar o código de estímulo dentro o arquivo marcador para representar as informações a seguir, para cada estímulo, por exemplo, a condição (congruente, incongruente, congruente com repetição), a posição da palavra/chamada (1a, 2a, 3a), o gênero do alto-falante (no caso de palavras em inglês) e a palavra/chamada específica (por exemplo, "feliz", "aniversário", "arrulhar", "gritar"). Por exemplo, uma sequência de palavras em inglês congruentes [aniversário; presentes; feliz] poderia ser recodificada como [C1M_2; C2M_13; C3M_14]. Nesse exemplo, o primeiro dígito representou a condição ("C" para congruentes, nesse exemplo), o segundo dígito representou a posição dentro da sequência (1a, 2a e 3a), o terceiro dígito representou o gênero do alto-falante ("M" para masculino, "F" para feminino), e o dígito após o sublinhado representou a palavra específica apresentada ("2" para aniversário, "13" para presentes e "14" para feliz).

[00146] As técnicas de pré-processamento de análise exemplares dos métodos divulgados incluem técnicas para análise estatística do grupo geral. Nas implementações exemplares descritas nesse documento, uma combinação dos softwares MATLAB e Statistica, da Statsoft (versão 8.0) foi usada para as análises estatísticas. Após o processamento e a análise dos dados, o analisador BrainVision do sistema de registro da EEG exemplar exportou os arquivos de texto contendo valores de dados em relação à condição, ao indivíduo, ensaio, canal de eletrodo, latência do pico, tensão do pico e amplitude de tensão média. Os arquivos texto exportados foram carregados em um programa de computador implementado (por exemplo, um programa do MATLAB) para classificar e organizar os dados em um formato mais acessível. Especificamente, por exemplo, o programa de computador implementado exemplar permite a uma pessoa selecionar dados mais facilmente por coluna, por exemplo, usando o editor de variáveis do MATLAB. Após selecionar, os dados foram copiados e colados em planilhas de dados do software Statistica. Em algumas implementações, por exemplo, as ANOVAs de medições repetidas foram realizadas em cada planilha, por exemplo, comparando o efeito da condição, ou seja, congruente, incongruente e congruente com repetição de cada espécie para as palavras em inglês e para as chamadas do macaco rhesus. Para os indivíduos humanos, por exemplo, cada planilha era específica para o seguinte: 1) experimento: palavras em inglês ou chamadas rhesus; 2) componente: N400 ou N800; 3) canais de eletrodo: Cz + Pz (pool de eletrodos), Cz + Pz + Cp1 + Cp2 + P3 (pool de eletrodos), Cz + Pz + Cp1 + Cp2 (pool de eletrodos) ou Pz + Cp1 + Cp2 (pool de eletrodos). Para essas análises dos eletrodos reunidos exemplares, por exemplo, ANOVAs de medições bicaudais repetidas (por exemplo, fator 1: condição; fator 2: canais do eletrodo) foram realizadas. Da mesma forma, para os indivíduos NHP, por exemplo, cada planilha era específica para o seguinte: 1) experimento: palavras em inglês ou chamadas rhesus; 2) componente: N400 ou N800; 3) canais de eletrodo: Cz + Pz (pool de eletrodos), Cz + Pz + P1 (pool de eletrodos), Cz + Pz + P1 + Tp3 + C1 (pool de eletrodos) ou O1 + O2 (pool de eletrodos). Para essas análises dos eletrodos reunidos exemplares, ANOVAs de medições bicaudais repetidas (por exemplo, fator 1: condição; fator 2: canais do eletrodo) foram realizadas.

[00147] Em alguns exemplos, também foram analisados/observados na supressão os efeitos entre as palavras/chamadas da primeira e Terceira posição nas condições. Para os indivíduos humanos, por exemplo, cada planilha era específica para o seguinte: 1) experimento: palavras em inglês ou chamadas rhesus; 2) componente: N1, P2, N400 ou N800; 3) canais deeletrodo: Cz ou Cz + Pz (pool de eletrodos). Da mesma forma, para os indivíduos NHP, por exemplo, cada planilha era específica para o seguinte: 1) experimento: palavras em inglês ou chamadas rhesus; 2) componente: N1, P2, N400 ou N800; 3) canais de eletrodo: Cz ou Cz + Pz (pool de eletrodos). Para a análise do eletrodo único, por exemplo, ANOVAs de medições bicaudais repetidas (fator 1: posição; fator 2: condição) foram realizadas. Para as análises dos eletrodos reunidos, por exemplo, ANOVAs de medições tricaudais repetidas (por exemplo, fator 1: posição; fator 2: eletrodo; fator 3: condição) foram realizadas. Por exemplo, o número do indivíduo foi usado como um preditor da categoria para ambos os grupos de indivíduos para as análises dos efeitos de congruência e supressão. Por exemplo, a análise estatística de comparações de congruência (C3, I3 e CR3) refletidas no efeito da ERP de N400 (entre 352 e 452 ms) nos eletrodos Cz e Pz, usando o paradigma de palavras em inglês, revelou os seguintes resultados: F (2,954) = 5,5791 e um valor de p de 0,0039. Por exemplo, o teste post-hoc de Fisher produziu os seguintes valores de P: C3 vs I3 = 0,008332 e CR3 vs I3 = 0,037043. Isso demonstra que o método exemplar pode ser implementado para obter discriminações estatisticamente significativas entre as diferentes condições de congruência.

[00148] A figura 16 mostra gráficos de dados fornecendo resultados exemplares de uma análise estatística do grupo apresentando padrões cerebrais de discriminação entre as mudanças contextuais em estímulos auditivos (por exemplo, usando as palavras em inglês). Na figura 16, o gráfico 1601 e o gráfico 1602 mostram formas de onda cerebrais (por exemplo, ERPs) de um canal frontal e de um parietal, respectivamente, (por exemplo, das localizações anatômicas anterior e posterior no couro cabeludo, respectivamente) relacionadas com alterações no contexto semântico.

[00149] No exemplo mostrado na figura 16, como no caso do N400 visual, a resposta de N400 auditiva possui maior amplitude quando há uma violação semântica - nesse caso, uma violação do contexto no tipo “incongruente” de sequências. Nas implementações exemplares, calculamos a ERP para a terceira palavra das sequências de cada conjunto e usamos a modulação de amplitude da resposta N400 como dados de entrada nas etapas subsequentes do método exemplar, por exemplo, processos para análise, algoritmos de classificação direcionados, etc. para criar um perfil sensorial e/ou cognitivo perfil, por exemplo, incluindo um perfil de estado de consciência do indivíduo. A(s) área(s) sombreada(s) azul/azuis dos gráficos 1601 e 1602 indicam o intervalo de tempo para o efeito de interesse. Em cada gráfico, a linha vermelha representa o ERP para sequências “incongruentes”, a linha azul representa o ERP para sequências "congruentes" e a linha verde representa o ERP para as sequências "congruentes com repetição". Esse é um exemplo de um grupo de indivíduos acordados/conscientes, onde pode ser visto que a amplitude da resposta do ERP às sequências contextualmente incongruentes é maior do que para aquelas congruentes. Como no exemplo anterior, usando o N400 Visual, a metodologia descrita é passiva (por exemplo, os estímulos auditivos são liberados por um alto-falante ou fones de ouvido, e o indivíduo não precisa demonstrar qualquer resposta evidente). A aplicação dessa implementação exemplar com o método descrito, com base na resposta diferente para sequências congruentes e incongruentes, pode avaliar o nível de consciência (ou não-consciência) de uma determinada pessoa, que não está sendo capaz de executar qualquer tipo de resposta comportamental, em alguns exemplos, referida como um Perfil de Estado de Consciência.

1.2.6. Processamento e Técnicas de Classificação Direcionadas Exemplares (por exemplo, com parâmetros específicos de contexto)

[00150] Como nas implementações exemplares usando o N400 com estímulos visuais, as implementações exemplares usando N400 com estímulos auditivos incluíam implementar técnicas de processamento para correlacionar sinais cerebrais e estados cognitivos de um único indivíduo usando uma rede de métodos de classificação que usam os sinais fisiológicos adquiridos (por exemplo, sinais neurais das gravações da EEG) de um único indivíduo para fornecer um conjunto de informações, por exemplo, incluindo informações estatísticas, sobre o conhecimento conceitual e/ou estado de consciência do indivíduo. Essas técnicas de processamento exemplares também podem ser aplicadas para realizar a análise de grupo, para identificar o conhecimento conceitual, não apenas em um grupo, mas também em uma base de indivíduo- por-indivíduo, que pode ser benéfico para a identificação de como um indivíduo classifica as informações, por exemplo, se eles explicitamente identificam ou exploram diferenças individuais.

[00151] Nesse exemplo, os estímulos auditivos são usados ao invés de estímulos visuais, por exemplo, para ilustrar que essa metodologia pode ser aplicada com sucesso nas respostas cerebrais obtidas por diferentes modalidades sensoriais e, além disso, para ilustrar um exemplo onde o perfil final será um Perfil de Estado de Consciência Individual (do inglês ISAP) ao invés de um IKEP. Como tal, nesse caso exemplar, as diferenças são exploradas em como um indivíduo integra informações de uma sequência de sons que são contextualmente "congruentes" ou contextualmente "incongruentes". Por exemplo, para que o cérebro produza uma modulação da sua resposta neural correlacionada com a congruência das sequências de palavras auditivas transmitidas, o indivíduo não deve apenas ouvir cada palavra, mas, além disso, ele deve compreender o seu significado, estabelecer uma correlação contextual entre as duas primeiras palavras apresentadas e, em seguida, comparar aquela correlação contextual com o significado da terceira palavra para produzir uma modulação de sinal cerebral consistente com uma sequência congruente ou incongruente. Em outras palavras, não basta o indivíduo ouvir os sons, ele/ela precisa ter uma compreensão cognitivamente ativa e correlacionar as palavras que ele/ela está ouvindo. Usando o método exemplar, isso pode permitir que, por inferência dessa modulação, criar um perfil individual que reflete uma probabilidade de consciência da pessoa testada, por exemplo, sem qualquer resposta comportamental evidente dele/dela. Para essas análises exemplares descritas abaixo, utilizando o paradigma de estímulos auditivos, utilizou-se o mesmo conjunto de dados N400 auditivos apresentado na seção anterior.

[00152] Isso serve como uma demonstração específica do quadro com notável desempenho para obter um “Perfil de Estado de Consciência Individual” (do inglês ISAP) de uma pessoa passiva (sem ação). A metodologia geral não é específica para essa abordagem; antes, essa seção mostra que a presente estrutura é capaz de discriminar essas informações em uma base de indivíduo- por-indivíduo.

[00153] As implementações exemplares das técnicas de processamento e classificação orientada divulgadas usando o paradigma de estímulos auditivos, como descrito abaixo, fornecem exemplos usando os mesmos conjuntos de dados, conforme descrito nas seções anteriores, que ilustram um perfil sensorial-cognitivo do estado de consciência de uma pessoa passiva (por exemplo, sem ação) em uma base de indivíduo-por-indivíduo.

[00154] Por exemplo, uma descrição das variáveis independentes utilizadas no conjunto de dados audíveis exemplar inclui: • Número do indivíduo s, entre 1 e 25 • Número do canal e, entre 1 e 31 • Condição c, entre 1 e 3 (1 = "I" para incongruente, 2 = "C" para congruente e 3 = "CR" para repetição congruente) • Número do ensaio k, entre 1 e 28 • Ponto de tempo de interesse t dentro de intervalo, entre 1 e T.

[00155] o Por exemplo, deixe o intervalo ser [352 ms, 452 ms]. A taxa de amostragem foi de 250 Hz. Em seguida, T = (0,452 - 0,352) * 250 = 25

[00156] Assim, y [s, e, c, k, t] é um número real que representa uma tensão da EEG. Para qualquer indivíduo, s foi fixo para ser uma constante. Para efeitos de análises exemplares nesta seção, um eletrodo do eletrodo e também foi fixo para ser uma constante. Como tal, o ponto de início para uma análise adicional nesta seção é y [c, k, t], um número real que representa uma tensão da EEG. I.2.6.1. Classificador Supervisionado com Dados de Treinamento

[00157] Como discutido anteriormente, um classificador supervisionado pode ser usado para explorar como os indivíduos organizam e classificam itens diferentes. Operando em indivíduos completamente conscientes e cientes, o classificador supervisionado pode ser, primeiramente, "treinado no" indivíduo, respondendo por qualquer variabilidade natural específica para ele/ela, a começar com um conjunto bem estabelecido de grupos de estímulos incongruentes (I) e congruentes (C), conforme explicado acima na seção auditiva. Esses seriam os grupos de estímulo que foram cuidadosamente construídos para garantir que pertencessem inequivocamente às categorias I ou C.

Procedimento de Implementação Exemplar do Classificador Supervisionado

[00158] Como no exemplo de estímulos visuais, para desenvolver as características de interesse para a classificação, fixamos uma condição "c" e um ponto de tempo "t" para calcular a média e o desvio padrão de y [c, k, t], em todos os ensaios "k". Por exemplo, um método para gerar a média dos ensaios, para um ponto de tempo específico "t", é mostrado abaixo. Por exemplo, isso pode ser análogo a como um gráfico de potencial relacionado a evento é gerado, exceto que este não é ponderado entre os indivíduos - ele é específico para um único indivíduo.

[00159] A figura 17 mostra um gráfico tridimensional 1701, mostrando dados de EEG em um eixo que representa a janela de tempo de 350 ms a 450 ms coletados através de vários ensaios, usando estímulos auditivos, os múltiplos ensaios sendo apresentados em um eixo perpendicular. A EEG para o ponto y [c, k, t] é ponderada em todos os ensaios k para produzir uma tensão média y [c, t] para a condição c no ponto de tempo t no intervalo de 350 ms a 450 ms.

[00160] Um cálculo análogo foi implementado para determinar o desvio padrão de y [c, k, t] nos ensaios k, para c e t fixos. Para dois canais individuais (FP1 (canal 1) e FP2 (canal 2)), é mostrado nas figuras 18A e 18B como as características mais básicas de média e variância covariam de acordo com a condição "C" em comparação com a condição "I". Por exemplo, cada círculo azul e verde representa uma característica "média, desvpad" para um ponto de tempo específico "c". Azul representa a condição "C" e o verde representa a condição "I".

[00161] A figura 18A mostra um gráfico de atributos mostrando as médias e os desvios padrões de um único indivíduo (por exemplo, do indivíduo 5) a partir do eletrodo FP1 (canal 1) sob duas condições diferentes de estímulo, "I" e "C". A figura 18B mostra um gráfico de atributos mostrando as médias e os desvios padrões de um único indivíduo (por exemplo, do indivíduo 5) a partir do eletrodo FP2 (canal 2) sob duas condições diferentes de estímulo, "I" e "C". Conforme mostrado nos gráficos das figuras 18A e 18B, os atributos apresentam pronunciado agrupamento, que pode levar a métodos de classificação com alta precisão. Por exemplo, a precisão com validação cruzada de cinco vezes foi igual a 100%, para os dois canais FP1s e FP2.

[00162] Por exemplo, observa-se que esses atributos se agrupam em grupos disjuntos para as diferentes condições. Essas características serviram como dados de entrada para um algoritmo de classificação da máquina de vetor de suporte exemplar implementado em um sistema informático, incluindo a toolbox estatística do MATLAB. Por exemplo, nas implementações exemplares, foi realizado 1 das 5 validações cruzadas de 5 vezes. Por exemplo, os eletrodos frontais FP1 e FP2 demonstram precisão de classificação extremamente alta, a qual se nota que foi alcançada nessa implementação exemplar usando atributos simples e um núcleo do MATLAB. O método exemplar pode ser configurado para extrair essas informações a nível de um único indivíduo.

Controle de Precisão Exemplar para o Classificador

[00163] Em algumas das figuras descritas abaixo, resumos estatísticos exemplares do desempenho da máquina de vetor de suporte são mostrados, por exemplo, em vários indivíduos e canais. Em cada figura, o eixo x mostra diferentes canais, e o eixo y pertence aos box plots para aquele canal, variados nos diferentes indivíduos. Os procedimentos de classificação exemplares usaram os dados neurais exemplares obtidos de indivíduos individuais, por exemplo, em que os dados analisados são representados nos resumos estatísticos exemplares do desempenho, entre vários indivíduos e vários canais. Em cada figura, cada box-plot representa um resumo de cinco números dos pontos de dados. Por exemplo, a parte inferior e superior da caixa são sempre o 25° e o 75° percentis (os quartis inferior e superior, respectivamente); a banda próximo do meio do box é sempre o 50° percentil (a mediana); os "whiskers" representam um desvio padrão abaixo e acima da média dos dados; e as marcações vermelhas "+" representam valores aberrantes. Abaixo de cada box plot encontra-se uma tabela de amostras, fornecendo a precisão mediana.

[00164] A figura 19 mostra um gráfico e a tabela correspondente mostrando o desempenho do classificador supervisionado do indivíduo para o paradigma de estímulo auditivo, em uma implementação exemplar. Para cada canal individual (por exemplo, a coluna do gráfico), informações estatísticas resumidas são fornecidas sobre como o classificador se comportou para cada indivíduo. O box plot da figura 19 mostra resultados exemplares que representam a precisão do classificador após a validação cruzada de cinco vezes, pela posição do eletrodo. A tabela da figura 19 lista a precisão mediana entre os indivíduos, ao usar os eletrodos FP1, FP2, P7, ou P8 exemplares.

[00165] Observa-se, por exemplo, que os eletrodos frontais FP1 e FP2, por exemplo, que podem ser usados em muitas aplicações, demonstram precisão de classificação extremamente alta. Em outros exemplos, abordagens mais sofisticadas podem fornecer uma precisão de classificação ainda maior, através de uma gama maior de indivíduos.

Perfil Cognitivo e/ou Sensorial Exemplar: Perfil de Estado de Consciência Individual (do inglês ISAP)

[00166] Após fornecer estímulos ao indivíduo, obter dados fisiológicos do indivíduo e determinar as informações estatísticas, conforme descrito acima, a próxima etapa na técnica exemplar inclui a criação de um perfil de conhecimento e/ou do estado de consciência individual. Nesse exemplo, um ISAP é selecionado. A figura 20 mostra um diagrama ilustrativo representando uma implementação exemplar dos algoritmos de classificação direcionados e seus subsequentes resumos estatísticos para fornecer como um perfil de conhecimento individualizado. Por exemplo, o perfil de avaliação e/ou do estado de consciência exemplar pode fornecer informações de resumo concisas sobre a resposta do cérebro do usuário a estímulos específicos.

[00167] Nesse exemplo, o perfil individual foi calculado para o indivíduo exemplar 5 no contexto da "avaliação do conhecimento", com um classificador supervisionado. Especificamente, por exemplo, os atributos para o grupo I (círculos verdes) e para o grupo C (círculos azuis), como mostrado nas figuras 18A e 18B, são identificados.

[00168] A figura 21 mostra características exemplares para o classificador supervisionado referentes a um canal exemplar FP2 do indivíduo 5. Um hiperplano de apoio (por exemplo, linha em negrito preta) serve como o limite de decisão. Por exemplo, qualquer atributo a ser testado (por exemplo, o círculo vermelho na figura 21) será classificado como azul (nesse caso, C) se estiver em um lado do limite, e será classificado como verde (no caso, I) se estiver do outro. A distância "d" até o limite pode servir como um indicador para fornecer a confiança estatística na classificação. Quanto maior for a distância até o limite, mais confiável é a classificação.

[00169] Ao testar um indivíduo, esses atributos são construídos. Se o atributo de interesse (nesse caso, o círculo vermelho) estiver em um lado do limite da decisão, nós declaramos "I" e, caso contrário, declaramos "C". Juntamente com uma difícil decisão, também é especificada uma informação "leve" que sugere o quão confiante estamos na nossa declaração. A distância mais curta entre o ponto vermelho e qualquer ponto no limite da decisão pode servir como a informação recebida para uma função que especifica o ISAP. Mais especificamente, por exemplo, nós podemos declarar,consciência/probabilidade de conhecimento = (2-e-d)/2.

[00170] Por exemplo, se a distância até o limite for 0, então a probabilidade de discriminação é %, ou seja, a chance (por exemplo, o indivíduo não tem conhecimento confiável para discriminar características entre as duas condições testadas ou, em outras palavras, o indivíduo não pode discriminar itens entre um e o outro). Por outro lado, por exemplo, se a distância até o limite for muito grande, então a probabilidade de conhecimento tende a 1, conforme esperado (por exemplo, o indivíduo conhece cada uma das categorias apresentadas e como diferenciá-las). Como tal, a estrutura de processamento de sinal estatístico exemplar pode fornecer decisões fracas, por exemplo: Psc = P (mesma categoria) = 0,8, Pdc = P (categoria diferente = 0,2).

[00171] Assim, para esse exemplo, usando o mesmo conjunto de dados de apresentação auditivos, conforme descrito anteriormente, o ISAP exemplar pode ser determinado da seguinte forma. Usando o indivíduo exemplar (indivíduo 5), como na figura 21, suponha que foi treinado o classificador com os marcadores azul e verde, e agora, os atributos para o ponto vermelho são obtidos e se deseja classificá-lo como "I" ou "C". Observe que o atributo para o círculo vermelho é o par ordenado (por exemplo, 1, 16,5). O ponto mais próximo do limite é (3,16). Como tal, a distância entre esses dois pontos é 2,06 e o subsequente ISAP para esse indivíduo (por exemplo, indivíduo 5) é (2-e- 2,06)/2 = 93,64%. A figura 22 mostra um diagrama desses dados quantitativos exemplares para o Perfil de Estado de Consciência Individual para o indivíduo exemplar 5.

I.2.6.2. Classificador Não Supervisionado Exemplar com Testes de Razão de Probabilidade

[00172] Nos exemplos usando o classificador "não supervisionado", a técnica não usa quaisquer dados de treinamento para treinar o classificador. Em vez disso, o classificador assimila um lote de dados e, em seguida, especifica uma decisão sobre a probabilidade de o cérebro classificar informações a partir de diferentes estímulos da mesma maneira, ou de forma diferente.

[00173] Procedimento de Implementação Exemplar do Classificador Não Supervisionado

[00174] O procedimento exemplar para o classificador não supervisionado em implementações exemplares usando estímulos auditivos apresentados ao indivíduo foi implementado da mesma forma como descrito na seção anterior para as implementações de estímulos visuais exemplares.

Resultados exemplares

[00175] Para cada um dos paradigmas de estímulos auditivos exemplares apresentados aos indivíduos, o desempenho exemplar da estatística do teste diferente e dos métodos de cálculo dos valores de p são mostrados nas figuras 23 a 25. A figura 23 mostra um gráfico de dados e uma tabela de dados correspondente para uma análise de rANOVA exemplar de I vs C usando estímulos auditivos. A figura 24 mostra um gráfico de dados e uma tabela de dados correspondente para uma análise paramétrica NML exemplar de I vs C usando estímulos auditivos. A figura 25 mostra um gráfico de dados e uma tabela de dados correspondente para uma análise não paramétrica NML exemplar de I vs C usando estímulos auditivos.

[00176] Nas figuras 23 a 25, um box-plot dos valores de p do classificador é fornecido para locais de interesse específicos do elétrodo, por exemplo, FP1, FP2, P7 e P8. O box plot fornece a mediana (linha vermelha), o desvio padrão (largura) e informações do valor aberrante. A linha horizontal verde em cada gráfico de dados corresponde ao limite do valor de p, que é 0,05. Todos os indivíduos com valores de p abaixo são, dessa forma, classificados corretamente, e aqueles com valor acima são classificados incorretamente. Juntamente com cada box-plot, também há uma tabela sucinta correspondente que descreve a fração total das classificações corretas (com limite do valor de p a 0,05), em relação a todos os indivíduos.

[00177] Nas figuras 23 a 25, a nomenclatura é a seguinte: • "I vs C" denota que d [t] = y [1, t]-y [2, t]: t = 1:T, onde y [1, t] refere-se ao estímulo auditivo do “I” incongruente e y [2, t] refere-se ao estímulo auditivo congruente "C". “NML” é sucinto para o método de probabilidade máxima normalizado de cálculo de uma estatística de teste, seção T.A, mas onde a v = V 2 5 d estatística de teste g(d) é agora fornecida por

onde

• "paramétrico" representa o método paramétrico da estimativa de um valor de p, descrito na seção P.A. através da realização da estimativa de Monte-Carlo do valor de p, onde a informação recebida para a estatística do teste foi representada de acordo com uma distribuição Normal, com a média e variância sendo estimadas a partir das amostras. • "não paramétrico" representa o método não paramétrico, P.B, de estimativa de um valor de p. • "rANOVA" representa uma estatística de teste e o paradigma do cálculo do valor de p, usando uma metodologia de ANOVA de medições repetidas padrão, o método P.A.1.

[00178] Essas análises exemplares foram realizadas individualmente e, em seguida, ponderadas para um conjunto de dados de grupo que incluía 20 indivíduos. Observa-se, nessas implementações exemplares, que para os canais FP1 e FP2 (que são frontais e não requerem a gelificação do cabelo), esses métodos de classificação exemplares exemplificaram a precisão uniformemente, na faixa de 70 a 100%. Esses resultados exemplares sugerem que um sistema com apenas eletrodos frontais pode suscitar um alto desempenho. O método divulgado não precisa incluir sempre a aquisição da atividade frontal.

Perfil Cognitivo e/ou Sensorial Exemplar: Perfil do Estado de Consciência de Grupo (do inglês GSAP) e Perfil de Estado de Consciência Individual (do inglês ISAP)

[00179] Usando este último exemplo de uma modalidade de classificador não supervisionado e selecionando o eletrodo frontal FP1 para ilustrar esse perfil, o produto final da implementação do método exemplar pode estar sob a forma de um Perfil de Estado de Consciência Individual (do inglês ISAP) ou sob a forma de um Perfil do Estado de Consciência de Grupo (do inglês GSAP).

[00180] Por exemplo, identificamos o valor de p para qualquer indivíduo e realizados o valor de p igual a 100%, usando o teste de razão de probabilidade não paramétrico (conforme indicado na figura 25) como uma medida da discriminação nas categorias testadas. No caso individual, para o indivíduo exemplar 5, o ISAP foi igual a 99,9%. A nível de grupo (por exemplo, grupo 1), o nível GSAP mediano foi igual a 94,1%. Esses resultados exemplares são mostrados na Figura 26. A figura 26 mostra diagramas dos de exemplos do Perfil de Estado de Consciência Individual para um único indivíduo e o Perfil do Estado de Consciência de Grupo para um indivíduo baseado em grupo.

II. P300

[00181] O P300 é uma resposta endógena cerebral caracterizada por uma resposta elétrica positiva entre 300 e 800 ms, com uma distribuição no couro cabeludo central-parietal máxima. O P300 é inversamente correlacionado com a probabilidade subjetiva de ocorrência do item. Por exemplo, o P300 foi usado em tarefas de detecção de alvo visuais, onde o alvo provoca maiores amplitudes P300s do que os outros itens.

[00182] Nas implementações exemplares descritas na presente invenção usando o P300, uma indicação visual arbitrária (por exemplo, círculo verde) foi criada, e os indivíduos testados foram instruídos para associá-la com uma noção de "recompensa". As respostas cerebrais para esse estímulo de "recompensa" foi posteriormente analisada. As ilustrações exemplares dos métodos divulgados usando P300 ilustra a ampla aplicabilidade dos métodos através de várias técnicas de gravação de EEG. Por exemplo, o método é aplicado para avaliar perfis cognitivos e/ou sensoriais, usando dados cerebrais (por exemplo, sinais de EEG) gravados usando um sistema EEG de eletrodos rígidos tradicionais, bem como com dados de EEG obtidos usando sensores eletrônicos epidérmicos flexíveis e usáveis (EES).

[00183] Em um exemplo de um dispositivo EES, o dispositivo inclui ilhas de silicone ultrafinas interconectadas por fios de serpentina que repousam sobre um polímero flexível biologicamente inerte. O EES pode detectar uma variedade de modalidades de sinal, por exemplo, incluindo, mas sem se limitar, a temperatura, tensão, óptica e eletrofisiológica (por exemplo, sinais de EEG, eletrocardiograma (ECG) e eletromiograma (EMG) sinais) e, em algumas implementações, processar os sinais detectados usando uma unidade de processamento configurada no dispositivo. Em alguns exemplos, a unidade de processamento pode ser configurada com transistores, capacitores, resistores, indutores e outros elementos do circuito, etc. Em algumas implementações, por exemplo, a unidade de processamento do dispositivo EES pode incluir um processador e uma unidade de memória. O dispositivo EES pode ser configurado para ter uma espessura não mais grossa do que um fio de cabelo humano. O dispositivo EES pode ser estruturado para incluir um substrato flexível e elástico que, mecanicamente, corresponde à pele, no qual os componentes do sensor e os componentes da unidade de processamento podem ser configurados sobre ou dentro do substrato. Em algumas implementações, o dispositivo EES pode incluir uma unidade transmissora para transmitir as informações medidas/detectadas de atividade, por exemplo, incluindo a atividade fisiológica produzida pelo coração, músculos esqueléticos (por exemplo, como a atividade muscular da garganta durante a fala ou o piscar de olhos) e o cérebro, por exemplo, detectando, por exemplo, ritmos alfa produzidos quando os indivíduos estão com os olhos fechados.

11.1. P300 com um Paradigma de Estímulos Visuais e/ou Auditivos 11.1.1. Estímulos Exemplares

[00184] Em uma implementação exemplar, foram examinadas as respostas do cérebro usando o marcador cerebral P300 em resposta às imagens coloridas em uma tarefa de detecção alvo entre várias técnicas de eletroencefalografia (EEG). Por exemplo, duas técnicas de registro cerebral foram implementadas: um sistema tradicional EEG com eletrodos rígidos (por exemplo, o sistema Brain Products, conforme descrito na seção anterior) e um dispositivo EES. Além disso, as respostas neurais a uma sensação/noção de "recompensa" também foram examinados. Ambos os ERPs (P300 e "recompensa") foram provocados por um estímulo visual correlacionado. Por exemplo, os estímulos eram compreendidos por várias categorias de imagem, por exemplo, incluindo animais; carros; faces; flores; casas; objetos aleatórios; motocicletas; aviões; e edifícios. O pool de estímulos exemplar foi obtido de vários recursos. Após obter o pool de estímulos, cada luminância relativa exemplar foi controlada usando um método implementado por computador (por exemplo, programado com um script do MATLAB). Por exemplo, o método implementado por computador foi implementado para, primeiramente, carregar em uma imagem colorida e calcular a sua luminância relativa usando a fórmula exemplar a seguir, onde Y, R, G e B representam a luminância relativa, valores do canhão vermelho, valores do canhão verde e valores do canhão azul, respectivamente:

[00185] Por exemplo, a luminância relativa desejada foi criada para ser um valor igual a 120. Após o script medir a luminância relativa inicial de cada imagem, ele adicionou ou subtraiu valores RGB para cada pixel dentro da imagem, para atingir uma luminância relativa média de 120. As imagens foram, em seguida, salvas com qualidade igual a 100%.

[00186] Após controlar a luminância, outro processo implementado por computador (por exemplo, programado usando um script do MATLAB) foi usado para colocar um ponto de fixação centralmente posicionado em cada exemplo de estímulo. Por exemplo, isso ajudou o indivíduo a manter a fixação e minimizar quaisquer sacadas de olho frequentes. Esse processo exemplar primeiramente mediu as dimensões de uma imagem carregada. Ele utilizou essas medições para calcular o centro da imagem e, posteriormente, criar um ponto de fixação usando a equação padrão de um círculo. Os pixels dentro de um raio de comprimento de 7 pixels ao redor do centro foram alterados, alterando o canhão vermelho dos pixels para 255, o canhão verde para 0 e o canhão azul para 0.

[00187] Por último, os estímulos visuais para o ponto de fixação e uma indicação visual arbitrária para a "recompensa" foram criados. Por exemplo, para o ponto de fixação, um processo implementado por computador (por exemplo, programado usando um script do MATLAB) foi usado para criar uma imagem de fundo cinza (por exemplo, canhão vermelho igual a 150; canhão verde igual a 150; e canhão azul igual a 150) com uma altura e largura de 350 pixels. Em seguida, o script exemplar executou um loop usando a equação padrão de um círculo para alterar os pixels em um raio de sete pixels de comprimento para vermelho, por exemplo, alterando o canhão vermelho da imagem para 255, o canhão verde para 0 e o canhão azul para 0. Para a "recompensa", o software de captura de imagem foi usado para criar um círculo verde (por exemplo, canhão vermelho igual a 0; canhão verde igual a 255; canhão azul igual a 0) sobre um fundo cinza de 350 x 350 pixels (por exemplo, canhão vermelho igual a 150; canhão verde igual a 150; canhão azul igual a 150).

11.1.2. Preparação do Indivíduo para o Registro da EEG

[00188] Para preparar os indivíduos exemplares para o registro da EEG, cada indivíduo sentou em uma cadeira em uma câmara de gravação para iniciar um processo de nivelamento da EEG. Cada indivíduo foi submetido a cada uma as duas técnicas de registro de EEG (por exemplo, a modalidade de eletrodos rígidos (Brain Products) e a modalidade eletrônica flexível, usável e portátil (por exemplo, dispositivo EES exemplar)).

[00189] Para as implementações exemplares usando a modalidade de eletrodo rígido, esse processo envolveu colocar uma touca da EEG tradicional sobre a cabeça do indivíduo e fixá-la com uma tira para o queixo elástica. Em alguns exemplos, foi usado uma touca de 56 cm ou de 58 cm, com base no tamanho estimado da cabeça do indivíduo. Em seguida, o gel de eletrodo Signa (por exemplo, obtido junto à Parker Laboratories) foi injetado utilizando uma seringa plástica curvada sob cada um dos eletrodos da touca para criar uma ponte condutora entre o próprio eletrodo e o couro cabeludo do indivíduo. Também, por exemplo, pontas em Q de madeira foram usadas para massagear o gel, a fim de construir uma condutância mais forte, diminuindo a impedância. Por exemplo, o uso dessa técnica reduziu os níveis de impedância até < 5 KQ para cada eletrodo, por exemplo, incluindo o terra e o de referência.

[00190] Para as implementações exemplares usando o dispositivo EES exemplar, a testa do indivíduo foi, primeiramente, limpa com uma compressa com álcool e gaze estéril. Após permitir o álcool secar, um dispositivo EES exemplar foi colocado sobre a testa do indivíduo, com os cabos ACF dos EES voltados para o lado direito do indivíduo. O indivíduo foi instruído a inclinar a parte posterior da sua cabeça conforme o dispositivo EES exemplar foi molhado com água da torneira, por exemplo, usando uma seringa de plástico curvada. Ao mesmo tempo, o indivíduo usou uma toalha de papel para cobrir os olhos da água. Por exemplo, um dedo úmido pode ser usado para esfregar suavemente o EES até ele aderir e estar nivelado com a testa. Depois, nesses exemplos, uma bandagem No-Sting Liquid, da Nexcare, foi usada para ligar, com mais firmeza, o EES à testa. Ao permitir a bandagem líquida secar, os cabos DIN do EES foram fixos com fita à cabeça do indivíduo, usando fita adesiva. Por exemplo, isso evitou que os cabos caíssem no campo de visão do indivíduo e também evitou que os cabos puxassem o próprio EES. Da mesma forma, por exemplo, medidas adicionais foram adotadas para evitar puxar, prendendo os cabos DIN ao colarinho da camisa do indivíduo.

[00191] Antes de iniciar a implementação exemplar usando os registros do EEG, os indivíduos receberam um documento com instruções para leitura. Por exemplo, esse documento descreveu a organização geral do paradigma experimental e que eles poderiam estar vendo, nomeadamente alvos, distratores, um ponto de fixação e um quadrado azul. Também foi explicado que, em cada bloco de apresentação, o alvo mudaria. Por exemplo, no bloco 1, a tarefa foi contar quantas vezes eles viram uma imagem com uma ou mais faces humanas. No bloco 2, a tarefa foi contar quantas vezes eles viram uma imagem com um ou mais carros. No bloco 3, a tarefa foi contar quantas vezes eles viram uma imagem com um ou mais animais. Os indivíduos foram instruídos a considerar todas as outras fotografias como distratores e não contá-las. Após cada bloco de apresentação, os indivíduos foram convidados a informar quantos alvos eles viram. Por exemplo, o quadrado azul indicou recompensa. Os indivíduos sentaram na frente do monitor de apresentação e pediu-se que mantivessem, simplesmente, a fixação visual em um ponto de fixação central vermelho durante toda a duração do experimento e restringissem os seus movimentos motores tanto quanto possível para evitar objetos de movimento nos dados neurofisiológicos. Depois disso, as luzes da sala de gravação foram esmaecidas, e o processo de estimulação e de registro da EEG iniciaram.

11.1.3. Processo de apresentação de estímulos exemplar

[00192] O paradigma da apresentação de estímulo exemplar que foi usado neste processo de apresentação de estímulos exemplar foi programado usando Cogent 2000, e incluiu a apresentação de estímulos visuais em série com breves durações de apresentação. Por exemplo, o pool de estímulos, sem incluir o ponto de fixação e o círculo verde, foi dividido em dois grupos, um para cada uma das duas técnicas de gravação. Cada técnica incluiu 900 estímulos, por um total de 1800 estímulos através de técnicas de registro. Por exemplo, em uma técnica, os 900 estímulos, incluindo alvos e distratores, sendo cada um apresentado durante 100 ms, foram divididos em três blocos de apresentação. A apresentação do estímulo quadrado azul durou 1000 ms e foi mostrada 30 vezes em cada bloco de apresentação. O ponto de fixação foi visível durante cada teste do alvo, teste do distrator e intervalo entre estímulos (ISI).

[00193] Por exemplo, no bloco 1, os alvos eram faces humanas. No bloco 2, os alvos eram carros. No bloco 3, os alvos eram animais. Além de randomizar a ordem das técnicas de registro, também foi randomizada a ordem dos blocos de apresentação dentro de cada técnica. Os blocos de apresentação nunca eram repetidos consecutivamente (por exemplo, bloco 1, bloco 2, bloco 3, bloco 3, bloco 2, bloco 1, bloco 1, bloco 3, bloco 2) nas técnicas. Devido ao fato de o indivíduo ter sido instruído a contar quantas vezes ele viu um alvo específico, variou-se o número correto de alvos para cada bloco. No bloco 1 (alvo: faces), havia 56 alvos e 244 distratores. No bloco 2 (alvo: carros), havia 62 alvos e 238 distratores. No bloco 3 (alvo: animais), havia 60 alvos e 240 distratores. Os distratores eram compostos por todas as categorias de objetos não alvos. Por exemplo, no bloco 1 (alvo: faces), os distratores incluíam carros, animais, flores, casas, etc. O código do MATLAB começou a solicitar que o experimentador digite as iniciais do indivíduo e a escolher qual bloco apresentar. Dependendo do número do bloco escolhido, o script calculou qual categoria objeto seria o alvo, o número de alvos e o número de distratores. Depois disso, ele randomizou a ordem da apresentação dos estímulos usando a função randperm() do MATLAB. Ele executou a função randperm() vinte vezes, para randomizar melhor a sequência de apresentação. Em seguida, ele criou intervalos entre estímulos (ISI) para cada ensaio, usando a função randi(). Os intervalos entre estímulos variaram de 500 ms a 600 ms. Além de configurar a tela, a placa de som e a porta paralela, um arquivo de log foi configurado e inicializado dentro do sistema Cogent 2000. Esse arquivo de log foi usado para criar um histórico de cada ensaio, em relação ao tipo de estímulo (alvo, distrator e quadrado azul). Posteriormente, os estímulos foram carregados em buffers de memória. As etapas acima mencionadas foram executadas antes da apresentação do estímulo a fim de reduzir a carga computacional e aumentar a precisão de latência. A apresentação de estímulo incluiu o uso de um loop que iterou para baixo a ordem de apresentação predeterminada. Por exemplo, com base no valor do estímulo atual na ordem de apresentação, o processo implementado por computador calculou o seu tipo de estímulo e enviou as informações apropriadas, em relação ao seu tipo de estímulo para o arquivo de log e a porta paralela, cujo gatilho foi enviado para o computador de registro do EEG. Em seguida, o programa apresentou o ISI. No final de cada apresentação, a porta paralela foi redefinida para zero para prepará-la para o próximo ensaio.

[00194] A figura 27 mostra um diagrama de uma sequência exemplar de estímulos visuais apresentados. Esse diagrama retrata imagens de exemplares específicos apresentados e a ordem pseudorrandomizada pré-programada de apresentação. Ter a estrutura de apresentação de estímulos adequada para cada solução é uma parte intrínseca e importante do método exemplar. Nesse exemplo, o aspecto relevante é a distinção entre as imagens que representam os "Alvos" predeterminados contra todas as outras imagens (marcadas como “Distratores”) e contra o quadrado azul anteriormente associado com uma indicação de “Recompensa”. A estrutura de estímulos adequada com o conteúdo de imagens de interesse específico como alvos incorporada em uma sequência de outras imagens e a análise especializada subsequente descrita são importantes no método exemplar de como usar marcadores cerebrais relevantes, por exemplo, neste caso exemplar, o P300 e a "recompensa" suscitaram os ERPs para avaliar e determinar o conhecimento individual, os níveis de atenção e preferências por itens específicos, criando um conhecimento individual/perfil de preferência.

[00195] Por exemplo, em algumas aplicações, esse perfil é, em seguida, avaliado por um algoritmo de correspondência posterior para orientar e/ou ajustar a interface cérebro-máquina, controlando uma alteração adaptativa da estimulação subsequente. Isso pode ser usado, por exemplo, em aplicações de aprendizagem assistida ou em aplicações de triagem de preferência, por exemplo, onde após determinar um conhecimento da pessoa ou perfil de preferência, a interface cérebro-máquina pode ajustar a seguinte estimulação por reforço do tipo de informação onde o aluno mostrou aprendizagem deficiente no primeiro caso, ou ajustando os itens apresentados a seguir para um conjunto pessoal de preferências no último caso.

11.1.4. Registros das Ondas Cerebrais Exemplares (EEG)

[00196] Em algumas implementações, um tradicional sistema da EEG com eletrodos rígidos foi usado para capturar as ondas cerebrais. O sistema EEG exemplar incluiu um sistema de 32 canais DC BrainAmp; um Gravador BrainVision; uma touca de gravação de EEG de 32 canais Fast n Easy de 56 cm; uma touca de gravação de EEG de 32 canais Fast n Easy de 58 cm; cabo de fita PCB para o BrainCap-MR com resistores de 5k; e uma caixa BrainCap MR 1.2. Os cabos dos sensores EES exemplares foram conectados a esse mesmo sistema EEG.

11.1.5. Técnicas de análise de pré-processamento exemplares

[00197] As técnicas de pré-processamento de análise exemplares dos métodos divulgados usando um paradigma de estímulos visuais podem incluir técnicas para processar os dados do marcador. Por exemplo, após cada sessão de gravação, o sistema de registros da EEG exemplar produziu três arquivos: um arquivo de dados (.eeg), um arquivo de cabeçalho (.vhdr) e o arquivo de marcação (.vmrk). Os arquivos marcadores continham os gatilhos de eventos para cada início de estímulo. Nesse exemplo, por causa de limitações de saída na porta paralela, o arquivo de log do Cogent 2000 foi usado para armazenar informações mais legíveis sobre um tipo de estímulo exemplar (por exemplo, alvo, distrator ou círculo verde). A partir daí, um processo (por exemplo, programado usando um script do MATLAB) para substituir os gatilhos de evento no arquivo marcador (.vmrk) com os códigos de evento do arquivo de log em uma substituição um para um foi realizado. Por exemplo, o primeiro marcador no arquivo .vmrk foi substituído pelo primeiro marcador no arquivo de log; o segundo marcador no arquivo .vmrk foi substituído pelo segundo marcador no arquivo de log, etc.

[00198] As técnicas de pré-processamento de análise exemplares dos métodos divulgados incluem técnicas para análise estatística individual. Nas implementações exemplares descritas nesse documento, uma combinação dos softwares MATLAB e Statistica, da Statsoft (versão 8.0) foi usada para as análises estatísticas. Após o processamento e a análise dos dados, o analisador BrainVision do sistema de registro da EEG exemplar exportou os arquivos de texto contendo valores de dados em relação à condição, ao indivíduo, ensaio, canal de eletrodo e amplitude de tensão média. Por exemplo, para a técnica da touca de EEG com 32 eletrodos, a amplitude de tensão média foi extraída para um eletrodo frontal (FP2) para os seguintes intervalos de tempo de interesse: Alvos e Distratores - 352 ms a 452 ms depois do início do estímulo; Estímulos de recompensa - 452 ms a 552 ms após início do estímulo. Para os eletrodos frontais da técnica com EES, foram utilizados os mesmos parâmetros. Esses dados foram gravados em arquivos de texto pelo BrainVision Analyzer do sistema de registro da EEG exemplar e, posteriormente, carregados em um programa de computador implementado (por exemplo, um programa MATLAB) para classificar e organizar os dados em um formato mais acessível. Especificamente, por exemplo, o programa de computador implementado exemplar permite a uma pessoa selecionar dados mais facilmente por coluna, por exemplo, usando o editor de variáveis do MATLAB. Após selecionar, os dados foram copiados e colados em planilhas de dados do software Statistica.

[00199] Por exemplo, medições de ANOVAs repetidas unicaudais (fator 1: condição) foram realizadas em cada planilha do Statistica para efetuar uma comparação entre os distratores e os alvos para cada uma das técnicas de gravação do EEG. Por exemplo, cada planilha era específica para o seguinte: (1) técnicas de EEG: touca do EEG com eletrodos rígidos ou eletrodos EES; (2) comparação: distratores vs. alvos. Para a condição de recompensa, realizou-se um T-teste comparando os valores de amplitude médios extraídos da recompensa em relação ao zero. Por exemplo, cada planilha era específica para o seguinte: (1) técnicas de EEG: touca do EEG com eletrodos rígidos ou eletrodos EES; (2) comparação: distratores vs. alvos. Para a comparação entre os distratores e os alvos usando o eletrodo Fp2 da touca do EEG da Brain Products, um efeito significativo foi verificado: com F (1, 140) = 12,184 e um valor de p de 0,00064. Para a comparação entre os distratores e os alvos usando o eletrodo de registro do EES, verificou-se um efeito significativo: com F (1, 148) = 17,307 e um valor de p de 0,00005. Para a comparação entre a recompensa e um zero constante do eletrodo Fp2 da touca do EEG da Brain Products, um efeito significativo foi verificado: com média de 218,180138571428, um desvio padrão de 895,427245848706, um tamanho de amostra N igual a 89, um erro padrão de 34,6498548937238, um valor de T igual a -3,13915892165244, com 88 graus de liberdade e um valor de p igual a 0,00230642892515112. Para a comparação entre a recompensa e um zero constante do eletrodo de registro do EES’, um efeito significativo foi verificado: com uma média de 218,180138571428, um desvio padrão de 895,427245848706, um tamanho de amostra N igual a 70, um erro padrão de 107,024026181588, um valor de T igual a 2,03860895871402, 69 graus de liberdade e um valor de p igual a 0,0453228914525858.

1.1.1.1. Implementações Exemplares nas Diferentes Tecnologias de Detecção de EEG

[00200] Conforme descrito na seção reparação II.1.2 Preparação do Indivíduo para o Registro da EEG, para demonstrar tanto a viabilidade como a precisão preservada do método exemplar através das tecnologias de registro da EEG, o mesmo paradigma foi implementado usando uma touca de EEG completa tradicional com eletrodos rígidos e um sistema de sensor EEG portátil e usável exemplar, por exemplo, o sistema eletrônico epidérmico com dispositivos eletrônicos flexíveis.

1.1.1.2. Sistema de EEG de Eletrodos Rígidos

[00201] As figuras 28A e 28B mostram imagens e gráficos de dados de resultados exemplares da implementação dos processos de aquisição e processamento de dados do método exemplar, usando um sistema de EEG de eletrodo rígido exemplar, com análise estatística individual (por exemplo, de um único indivíduo) mostrando padrões cerebrais de discriminação entre as imagens "Alvo" e de "Distrator" e associados com uma noção de "Recompensa". A figura 28A mostra uma imagem representando um único indivíduo usando a touca do sensor EEG de eletrodo rígido 2800 do sistema de EEG. A figura 28B mostra um gráfico 2801 mostrando as respostas ERP exemplares aos "Alvos" (linha vermelha) versus "Distratores" (linha preta) e um gráfico 2802 mostrando a resposta do ERP à imagem do quadrado azul associada com a "Recompensa" (linha azul), em que os dados exemplares apresentados nos gráficos 2801 e 2802 foram determinados do processamento realizado usando o software de análise de EEG disponível (por exemplo, BrainVision Analyzer2). A figura 28B mostra um gráfico 2811 mostrando as respostas ERP exemplares aos "Alvos" (linha vermelha) versus "Distratores" (linha preta) e um gráfico 2812 mostrando a resposta do ERP à imagem do quadrado azul associada com a "Recompensa" (linha azul), em que os dados exemplares apresentados nos gráficos 2811 e 2812 foram determinados da mesma análise de processamento usando um código customizado desenvolvido por nós.

[00202] Notavelmente, conforme descrito na figura 28B, aplicando pelo menos uma porção do método exemplar, incluindo pelo menos uma parte dos processos de análises, os dados cerebrais podem ser obtidos usando a touca de EEG de eletrodo rígido e processados, de modo a refletir (de forma estatisticamente significativa) as respostas individuais para discriminar imagens de interesse de outras imagens, e sugestões visuais associadas à "recompensa". Subsequentemente, os processos restantes do método exemplar podem ser aplicados (por exemplo, os algoritmos de classificação direcionados, etc.) podem ser implementados para produzir um Perfil de Avaliação de Conhecimento Individualizado. Também, por exemplo, como mostrado na figura 28b, usando o presente código personalizado exemplar, a mesma análise de cálculo de ERP pode ser realizada, a qual obteve uma precisão de desempenho comparável (por exemplo, valores de p comparáveis) ao usar o sistema EEG com eletrodos rígidos (por exemplo, Alvos vs. Distratores: software comercial (p = 0,00064) e o nosso código de análise personalizado (p = 0,0000); Recompensa: software comercial (p = 0,0023) e o nosso código de análise (p = 0,0144)).

1.1.1.3. Sistema de EEG de Sensores Eletrônicos Epidérmicos

[00203] As figuras 29A e 29B mostram imagens e gráficos de dados de resultados exemplares da implementação dos processos de aquisição e processamento de dados do método exemplar, usando um sistema de EEG de dispositivo de sensor eletrônico epidérmico flexível exemplar, com análise estatística individual (por exemplo, de um único indivíduo) mostrando padrões cerebrais de discriminação entre as imagens "Alvo" e de "Distrator" e associados com uma noção de "Recompensa". A figura 29A mostra uma imagem representando o único indivíduo usando o dispositivo EES exemplar 2900 do sistema de EEG. A figura 29B mostra um gráfico 2901 mostrando as respostas ERP exemplares aos "Alvos" (linha vermelha) versus "Distratores" (linha preta) e um gráfico 2902 mostrando a resposta do ERP à imagem do quadrado azul associada com a "Recompensa" (linha azul), em que os dados exemplares apresentados nos gráficos 2901 e 2902 foram determinados a partir do processamento realizado usando o software de análise de EEG disponível (por exemplo, BrainVision Analyzer2). A figura 29B mostra um gráfico 2911 mostrando as respostas ERP exemplares aos "Alvos" (linha vermelha) versus "Distratores" (linha preta) e um gráfico 2912 mostrando a resposta do ERP à imagem do quadrado azul associada com a "Recompensa" (linha azul), em que os dados exemplares apresentados nos gráficos 2911 e 2912 foram determinados da mesma análise de processamento, usando um código customizado que foi desenvolvido.

[00204] Notavelmente, conforme descrito na figura 29B, aplicando pelo menos uma porção do método exemplar, incluindo pelo menos uma parte dos processos de análises, os dados cerebrais podem ser obtidos usando o dispositivo EES usável pelo usuário e processados, de modo a refletir (de forma estatisticamente significativa) as respostas individuais para discriminar imagens de interesse de outras imagens, e sugestões visuais associadas à "recompensa". Subsequentemente, os processos restantes do método exemplar podem ser aplicados (por exemplo, os algoritmos de classificação direcionados, etc.) podem ser implementados para produzir um Perfil de Avaliação de Conhecimento Individualizado. Também, por exemplo, como mostrado na figura 29B, usando o nosso código personalizado exemplar, a mesma análise de cálculo de ERP pode ser realizada, a qual obteve uma precisão de desempenho comparável (por exemplo, valores de p comparáveis) ao usar o sistema EEG com eletrodos usáveis flexíveis (por exemplo, Alvos vs. Distratores: software comercial (p = 0,0000) e o presente código de análise personalizado exemplar (p = 0,0000); Recompensa: software comercial (p = 0,0453) e o presente código de análise (p = 0,0002).

1.1.1.4. Processamento e Técnicas de Classificação Direcionadas Exemplares (por exemplo, com parâmetros específicos de contexto)

[00205] Nesta seção, a capacidade de desenvolver classificadores para avaliação de recompensa e conhecimento individual é descrita. Por exemplo, nas implementações exemplares, cada indivíduo recebeu uma touca de EEG completa (por exemplo, para o sistema EEG com eletrodos rígidos), bem como, um dispositivo de sensor de EEG montado na testa usável, como anteriormente discutido. Os valores de P exemplares relatados na seção anterior eram de um indivíduo e, portanto, diretamente aplicáveis nesse contexto. Como tal, os estímulos de recompensa e distrator podem ser fornecidos, e um valor de P pode ser calculado usando um teste t em relação à diferença entre as formas de onda do alvo e do distrator, por exemplo, conforme relatado a partir do eletrodo FP1, usando um sistema eletrônico rígido ou epidérmico. Por exemplo, em tais casos, 100% - valor de p pode ser usado como uma medida para o Perfil de Avaliação de Conhecimento Individual (do inglês IKEP). Por exemplo, métodos análogos são diretamente aplicáveis para a avaliação da recompensa.

[00206] Como tal, usando os valores de p da seção anterior, os resultados exemplares foram determinados nos seguintes perfis de avaliação de conhecimento individualizados, como mostrado nos diagramas das figuras 30 a 33. A figura 30 mostra um diagrama mostrando o nível quantitativo de IKEP exemplar para a discriminação dos alvos e distratores de um indivíduo exemplar (por exemplo, indivíduo 1) usando o sistema EEG com eletrodos rígidos, o eletrodo FP1, para o ERP P300, que foi determinado como sendo 99,9999%; alto. A figura 31 mostra um diagrama mostrando o nível quantitativo de IKEP exemplar para a discriminação dos alvos e distratores de um indivíduo exemplar (por exemplo, do indivíduo 1) usando o sistema de EEG do dispositivo com sensor eletrônico para o ERP P300 frontal, que foi determinado como sendo 99,9999%; alto. A figura 32 mostra um diagrama mostrando o nível quantitativo de IKEP exemplar para a recompensa de um indivíduo exemplar (por exemplo, indivíduo 1) usando o sistema EEG com eletrodos rígidos, o eletrodo FP1, que foi determinado como sendo 98,56%; alto. A figura 33 mostra um diagrama mostrando o nível quantitativo de IKEP exemplar para a recompensa de um indivíduo exemplar (por exemplo, indivíduo 1) usando o sistema EEG de dispositivo de sensor eletrônico epidérmico, que foi determinado como sendo 99,98%; alto.

Interface cérebro-máquina

[00207] Como mostrado anteriormente na figura 1A, o sistema 100 inclui um módulo de interface cérebro-máquina 160, que pode acionar uma interação entre um usuário e uma máquina. Em um exemplo, o módulo de interface cérebro-máquina 160 pode fornecer uma entrega de feedback de um novo estímulo ou vários estímulos para o módulo de apresentação de estímulo 110, com base no perfil cognitivo e/ou sensorial de um único indivíduo ou indivíduo de um grupo (por exemplo, IKEP, ISAP, GKEP, GSAP) que foi gerado a partir do módulo de geração de perfil 150, por exemplo, de uma implementação em curso do sistema de 100 ou um perfil gerado anteriormente pelo sistema 100.

[00208] Nessa seção, uma abordagem exemplar é descrita que é geralmente aplicável a um projeto experimental sequencial, que é uma maneira sequencial para sondar um usuário para extrair o significado sobre o seu estado cognitivo. Em um exemplo ilustrativo, por exemplo, suponha que um usuário tem um ponto específico no mapa que ele/ela está interessado em analisar melhor. A implementação dos sistemas e métodos de projeto experimental sequencial pode ser usada para dividir o mapa em uma pluralidade de submapas (por exemplo, 4 quadrantes), de modo que um experimento seja projetado para que uma resposta neural e/ou comportamental seja estatisticamente correlacionada com o submapa (por exemplo, o quadrante) contendo o ponto de interesse. O sistema atualiza o seu conhecimento sobre o ponto de interesse e otimiza a exibição subsequente do mapa e/ou quadrantes. O sistema pode ser projetado para minimizar o número de experimentos (por exemplo, estímulos de sondagem) até o ponto de interesse ser extraído (com alta fidelidade).

[00209] Por exemplo, em tais configurações, um experimento pode ser realizado para supor qual de uma classe de hipóteses ocorreu. Depois de evidências serem coletadas, um experimento subsequente será realizado. Para reduzir rapidamente a incerteza sobre qual hipótese ocorreu, o projeto do segundo experimento normalmente deve depender do resultado (por exemplo, informações adquirida) do primeiro.

[00210] No contexto da abordagem exemplar da tecnologia divulgada, o resultado do experimento anterior refere-se ao perfil de avaliação de conhecimento individualizado ou ao perfil de estado de consciência juntamente com informações comportamentais que foram construídas. É importante para esses perfis, por exemplo, que eles codifiquem um conjunto de crenças estatísticas sobre a probabilidade de certas hipóteses em comparação com outras. É descrita uma abordagem para orientar a apresentação de estímulos subsequente, de modo que o sistema extraia informações sobre o usuário/indivíduo da forma mais eficiente possível.

[00211] A figura 34A mostra um diagrama de blocos de um modelo exemplar para usar uma interface cérebro-máquina nos métodos divulgados para refinar os perfis cognitivos e/ou sensoriais. Conforme mostrado no diagrama de blocos, o índice “i” pertence ao índice de uma implementação atual sendo realizada. O índice "i" e a seta de feedback (da direita para esquerda) denota a natureza sequencial da abordagem, e como experimentos e informações estatísticas anteriores sobre o cérebro afetam quais estímulos sensoriais subsequentes ocorrerão. "W" representa o estado cerebral das informações (por exemplo, como um indivíduo classifica informações). "Xi", representa o estado cerebral contextual (por exemplo, a memória acionada, violação de categorização, ou plano comportamental, etc.) que depende de W e o estímulo sensorial atual Vi. Um módulo de processamento 3420 (por exemplo, computador) atualiza as suas informações estatísticas, dadas em termos de uma distribuição de probabilidade πi que ele mantém e atualiza. Por exemplo, após coletar dados fisiológicos e/ou comportamentais, um perfil de conhecimento/consciência é gerado, por exemplo, pelo módulo de processamento de dados 3420, dado por πi. O perfil de conhecimento/consciência (πi) inclui informações estatísticas que são fornecidas para um mecanismo de tomada de decisão 3410 que realiza cálculos e identifica os próximos estímulos subsequentes que formam a base do experimento subsequente. Como mostrado no diagrama, o estímulo (dado por Vi) que é fornecido para o indivíduo pode interagir com o conhecimento/consciência do indivíduo (dado por W) para produzir uma resposta cerebral subsequente (dada por Xi). Isto é observado através de um canal com ruído por um módulo de processamento de dados 3420 medindo e/ou analisando sinais neurais e/ou comportamentais (dados por Yi). A interface cérebro-máquina pode ser implementada para especificar o estímulo sensorial subsequente Vi, de modo que as informações sobre W sejam extraídas da forma mais eficientemente possível.

[00212] Como tal, o projeto experimental sequencial exemplar inclui procedimentos, de modo que após n usos experimentais, os seguintes itens sejam maximizados: as informações mútuas (ou equivalentemente, com incerteza minimizada), I(W;Yn), entre o conhecimento/consciência (dado por W) e os sinais neurais e/ou comportamentais adquiridos (dados por Y1...Yn):

[00213] A quantidade de informações que pode ser extraída por experimento é limitada, superiormente, pela capacidade de canal do canal com ruído entre o estado cerebral contextual X e os registros neurais e/ou comportamentais Y. Como tal, as informações mútuas normalizadas são delimitadas como acima. É fornecido na presente invenção um paradigma de estímulo sensorial sequencial para adaptar o projeto experimental subsequente para forçar a desigualdade anterior a ser uma igualdade. Por exemplo, condições suficientes para isto são “entregar o decodificador que está faltando”, o que significa que o estado cerebral contextual subsequente Xi deve ser estatisticamente independente de todos os registros neurais anteriores Y1... Yi-1. O objetivo principal dos muitos paradigmas de projeto experimental sequencial é projetar, adaptativamente, paradigmas de estímulos, de modo que a desigualdade acima mencionada seja, de fato, uma igualdade. No restante dessa seção, qualquer metodologia que resulta na igualdade acima é denominada "ideal".

[00214] A tecnologia divulgada inclui métodos para projetar, adaptativamente, paradigmas de estímulos que extraem, idealmente, informações. Por exemplo, é fornecido um algoritmo eficiente explícito em uma técnica que comprovadamente converge para a solução ideal, quando a informação latente de interesse está em uma dimensão arbitrária. A abordagem exemplar dá origem a uma metodologia sequencial que pode ser implementada de forma eficiente em uma variedade de implementações de hardware (por exemplo, incluindo um telefone celular, tablet, processadores de computadores desktop e/ou laptop, entre outros) em tempo real.

[00215] A figura 34B mostra um diagrama de processo de um método exemplar para projetar, adaptativamente, paradigmas de estímulos que extraem, otimamente, as informações desejadas. Por exemplo, a implementação do método indicado na figura 34B pode fornecer uma maneira na qual o conhecimento estatístico sobre um aspecto da função cerebral é sequencialmente estimado e/ou controlado para atingir um objetivo desejado em tempo real. O método pode incluir um processo 3450 para avaliar informações estatísticas a priori sobre um aspecto da função cerebral de interesse de um usuário (por exemplo, a partir de usos anteriores com este usuário, como um estado clínico conhecido desse usuário, ou o conhecimento do grupo sobre os outros usuários que compartilham uma semelhança com esse indivíduo, como os outros com um déficit neurológico ou patologia específica) no que se refere ao aspecto da função cerebral que é desejado para ser inferido e/ou controlado. O método pode incluir um processo 3451 para avaliar um modelo estatístico de como (1) um estímulo (ou sequência de estímulos) sensorial de interesse e (2) o aspecto desejado da função cerebral a ser inferido/controlado se relaciona com uma (3) observação fisiológica e/ou comportamental registrada. O método pode incluir um processo 3452 para otimizar o projeto e/ou a apresentação de um estímulo (ou sequência de estímulos), por exemplo, visual, auditivo, somatossensorial, gustativo, etc., usando um método computacional que usa esse conhecimento estatístico para maximizar um objetivo desejado, para que um objetivo de longo prazo seja maximizado. O método pode incluir um processo 3453 para entregar o estímulo (ou a sequência de estímulos) ao usuário. O método pode incluir um processo 3454, para registrar uma resposta fisiológica e/ou comportamental ao estímulo (ou sequência de estímulos) apresentado do usuário. O método pode incluir um processo 3455 para refinar as informações estatísticas sobre o estado da função cerebral de interesse usando o conhecimento estatístico a priori especificado no processo 3450 e o modelo estatístico da relação entre o (1) estímulo sensorial de interesse, o (2) aspecto interno da função cerebral e (3) a resposta fisiológica e/ou comportamental registrada. O método pode incluir um processo 3456 para determinar quantitativamente uma transformação ideal dessa informação estatística para um sinal de parâmetro ou controle de um dispositivo externo, por exemplo, como nos exemplos ilustrativos, como a determinação e/ou o controle de uma posição do cursor em uma tela de computador, a dinâmica de torque de um sistema robótico ou um mapa colorido de pixels em uma tela de computador. O método pode incluir um processo 3457 para acionar o dispositivo externo com este parâmetro ou sinal de controle que foi otimizado no processo 3456. O método pode incluir um processo 3458 para determinar quantitativamente uma transformação ideal do estado do sistema externo a um estímulo sensorial para o usuário, para que o objetivo de longo prazo seja maximizado. Por exemplo, um exemplo ilustrativo pode inclui mapear a dinâmica do torque de um sistema robótico para sons exibidos novamente para o usuário). O método pode incluir repetir o método no processo 3453. Em alguns exemplos, a maximização dos objetivos de longo prazo pode incluir minimizar a soma dos erros entre uma trajetória desejada na mente de um indivíduo e a verdadeira trajetória do sistema externo exemplar (por exemplo, do sistema robótico). Em alguns exemplos, a maximização dos objetivos de longo prazo pode incluir minimizar o número de vezes que o loop recursivo executado no método que são iterados até que a informação estatística sobre o estado cerebral de interesse tenha fidelidade suficientemente alta. O método descrito pode ser geralmente aplicado em um amplo escopo de aplicações para otimizar e refinar o conhecimento estatístico sobre vários dos estados do cérebro, para aprender ou efetuar.

[00216] Em algumas abordagens, quando as informações latentes de interesse, W, podem ser representadas como um ponto no intervalo de unidade (por exemplo, uma linha [0,1]), o procedimento de "bissetriz probabilística" pode ser usado para desenvolver uma "ampliação" em uma taxa que é teoricamente ideal e que maximiza as informações mútuas. Essa abordagem pode ser usada para interfaces cérebro-computador, para especificar frases e suavizar trajetórias.

[00217] A figura 35 mostra um mapeamento da linha do intervalo de unidade [0,1] para o conjunto de todas as sequências de caracteres possíveis. Conforme mostrado no diagrama de mapeamento, por exemplo, o conjunto de todas as frases que começam com "t" ocupam uma quantidade significativa de espaço. A quantidade de espaço que é usada é proporcional à probabilidade daquele caractere aparecer. Observe que a sequência "th" fica dentro do intervalo para "t". Nesse sentido, por exemplo, isso é análogo a alguns sistemas que mudam as exibições visuais com base em compressão de dados e nas estatísticas da linguagem. No entanto, uma diferença fundamental é que essa metodologia descrita aqui se autoatualiza sequencialmente, não apenas tendo em conta as estatísticas da linguagem, mas também o fato de que os sinais estão sendo recebidos por um canal com ruído. No caso desse exemplo, o usuário identifica onde o alvo W de interesse está na tela atual. Se estiver à esquerda da linha vertical vermelha, ele/ela imagina apertando a mão esquerda, e caso contrário, a mão direita. O sistema obtém sinais neurais e atualiza o seu entendimento posterior πi. Um sistema exemplar da tecnologia divulgada considera essa informação e a usa para "ampliar" as coisas que são mais prováveis, diminuir aquelas que são menos prováveis e garantir que a ampliação probabilística sobre a sentença-alvo W o mais rápido possível.

[00218] Observa-se que, na figura 35, cada caractere do alfabeto Inglês pertence a um intervalo não sobreposto da linha [0,1], colocado em ordem crescente, de A até Z. Além disso, os caracteres que são mais prováveis têm maior largura. Dentro de qualquer caractere (por exemplo, T), o alfabeto Inglês é novamente colocado em ordem crescente. Dentro desse intervalo, a largura de qualquer caractere é proporcional à probabilidade de observar que o caractere atribuído à primeira letra é T. Isso foi especificado com base em um modelo estatístico do alfabeto inglês. Nesse exemplo, o estado cerebral latente W pertence a uma sequência de caracteres que compreende uma sentença, por exemplo, “THE BLACK CAT JUMPED OVER THE LAZY DOG” (O GATO PRETO SALTOU SOBRE O CÃO PREGUIÇOSO). O indivíduo combina o seu estado cerebral latente (ou intuito) e compara onde a atual exibição Vi está localizada, em comparação com uma barra vertical vermelha. Se estiver de um lado, então o indivíduo fornece uma entrada binária (por exemplo, Imaginando apertar a mão esquerda, em comparação com a direita) e o sistema obtém sinais neurais que são uma versão "com ruído" daquela informação recebida. O sistema atualiza a sua crença posterior sobre a probabilidade de todas as frases possíveis, tendo em conta os sinais neurais que adquiriu. Com isto, ele implementa a bissetriz probabilística, que simplesmente redesenha todas as frases possíveis iterando-as pelo mapa referente à função de distribuição cumulativa da distribuição posterior.

[00219] A figura 36 mostra um mapeamento após o cálculo de um mapa ideal exemplar, por exemplo, em que um sistema o aplica e redesenha todas as frases possíveis. Nesse caso, W refere-se à sentença "O gato preto saltado sobre o cão preguiçoso". Observe que as frases que começam com "The..." são significativamente ampliadas. Conforme ilustrado na figura 36, após a aplicação desse mapa, frases que começam com "T" são ampliadas, e as outras são diminuídas. Embora haja ruído inerente, o sistema ainda está implementando uma abordagem "tipo bissetriz" e, finalmente, pode "ampliar" a sentença W de escolha.

[00220] Em geral, para algumas abordagens, por exemplo, particularmente ao tentar identificar W pertencentes ao conhecimento ou consciência do indivíduo, nem sempre é natural incorporar W em um espaço unidimensional. De fato, muitas ferramentas de classificação conceituais e bases de dados usam gráficos, por exemplo, que têm inerentemente duas ou mais dimensões. Por exemplo, alguns sistemas de banco de dados relacionais são sistemas bidimensionais para identificar relações entre palavras realizar, de maneira adequada e eficiente, uma busca (por exemplo, "bell" (campainha) poderia estar se referindo a Alexander Graham Bell, ou a uma campainha em um ensino fundamental). A figura 37 mostra um diagrama ilustrativo de um exemplo para representar o conhecimento ou consciência individual (W) como um gráfico, por exemplo, refletindo a categorização e as relações. É importante considerar que W não pode ser naturalmente representado como um ponto na linha [0,1]; em vez disso, ele deve ser representado em um espaço dimensional superior que tem uma natureza gráfica. Nesses contextos, não há uma expressão de forma fechada para o projeto experimental sequencial para consultar novamente os experimentos. Por exemplo, surge um problema em que como desenvolve-se um mapeamento de "amplia" na variável latente desejada de interesse, para dimensões maiores que 1, por exemplo, quais são de particular relevância para os métodos divulgados envolvendo o estado de extração das informações do conhecimento.

[00221] Os métodos e sistemas divulgados podem fornecer uma abordagem de solução para a consulta sequencial, para "focalizar" em um ponto de incerteza pela consulta sequencial de um sistema que fornece respostas que se adquire com ruído. Por exemplo, o que é de particular interesse é quando W não está na linha [0,1] (para a qual existe uma solução ideal de forma fechada). Nesses casos mais gerais, os algoritmos computacionais podem ser implementados, por exemplo, ainda que, em geral, não exista, uma fórmula simples descrevendo a solução de forma genérica. A fim de maximizar informações mútuas, é importante que a próxima resposta cerebral Xi seja estatisticamente independente dos sinais neurais adquiridos até o momento (Y1...Yi-1). Por exemplo, não há extensões existentes conhecidas para fornecer, sistematicamente, paradigmas do projeto experimental garantindo isto em situações onde W não está em uma dimensão.

[00222] Um demonstrativo de aplicação exemplar dessa abordagem é como a seguir. O conhecimento incerto é abstraído como um ponto W que está em duas dimensões, pertencente a um local de interesse (por exemplo, centro da França e Torre Eiffel). Uma sequência de subimagens do globo são mostradas aleatoriamente. No experimento i, se o estímulo visual contém a Torre Eiffel, em seguida, um momento "ah-ha" surge como um estado do cérebro, modelado como Xi = 1; caso contrário, no experimento i, Xi = 0. Por exemplo, um momento "ah-ha" resulta ao desencadeamento de um potencial relacionado ao evento P300 como um ”alvo” na atividade neural Yi; caso contrário, um "distrator" irá ocorrer na atividade neural. As estatísticas de Yi referentes a quando Xi = 0 são diferentes do que quando Xi = 1, particularmente no domínio de tempo de 300 ms, como demonstrado pelo potencial relacionado ao evento P300. O paradigma do projeto experimental exemplar da tecnologia divulgada recebe a atividade neural de saída Y1,..., Yi-1 e desenvolve uma distribuição de probabilidade ou crença na qual os pontos no mapa são os alvos, e os quais são os distratores. A abordagem exemplar da tecnologia divulgada identifica as imagens subsequentes para exibir, algumas das quais são ampliadas para maiores consultas, e outras que são diminuídas porque, provavelmente, não são alvos. Isso torna esse mapeamento ideal e além, pois isso pode ser feito com eficiência. Um exemplo dessa ideia, pertencente às subimagens e a um ponto em uma figura em duas dimensões, é mostrado na figura 38.

[00223] A figura 38 mostra duas imagens exemplares 3801 e 3802, como uma situação exemplar onde o conhecimento interno W é um ponto em duas dimensões, por exemplo, refletindo um ponto em uma figura (indicado nas imagens 3801 e 3802, onde aponta a seta azul). Na imagem 3801, são exibidas quatro subimagens, com limites conferidos pelas linhas verticais e horizontais vermelhas. Uma sequência dessas subimagens é exibida. Quando uma subimagem é exibida contendo o ponto de interesse, ela aciona um estado cerebral interno “ah-ha” (Xi = 1), então dispara um potencial relacionado ao evento no EEG; caso contrário, aciona o estado Xi = 0. Na imagem 3802, o sistema exemplar integra os sinais neurais adquiridos da sequência anterior de imagens e reapresenta uma sequência de subimagens de modo que, no experimento subsequente, as subimagens com uma maior probabilidade de conter o conhecimento individual (W) são mais ampliadas, e as outras são diminuídas. Isso é demonstrado na imagem 3802 da figura 38, onde a cabeça é ampliada e outras partes da imagem original são diminuídas. Essa "ampliação" é a informação teórica ideal; ela maximiza as informações mútuas I(W; Y1,...Yn) e garante a “ampliação”, probabilisticamente, do conhecimento individual (W) da forma mais eficiente possível.

[00224] As técnicas exemplares da tecnologia divulgada podem ser implementadas para executar, de maneira ideal, esse projeto experimental sequencial, e com baixa complexidade. Por exemplo, o desafio de ampliar o conhecimento, da maneira mais eficiente possível, pode ser solucionado com as técnicas divulgadas de transporte ideal. Uma equação principal sobre o mapeamento da crença atual “p” para uma crença subsequente de interesse "q", é encontrar um mapa "S" para o qual, se o conhecimento individual W tem a distribuição p e Z = S(W), então Z pode ser representado de acordo com q.

[00225] A equação (3) mostra uma equação Jacobiana de como as distribuições (por exemplo, descrições ou probabilidades estatísticas) são modeladas pelo mapa S. Em geral, encontrar uma solução para uma equação como essa é uma tarefa não convexa e desafiadora (por exemplo, NP (complexidade) difícil).

[00226] Como um exemplo, isso se refere à “ampliação” da figura por associação de uma cor de pixel para cada ponto possível na imagem 3801 da figura 38. Se o ponto u (por exemplo, especificado em duas dimensões) tem uma cor de pixel específica c na imagem 3801, em seguida, o ponto S(u) tem aquela mesma cor de pixel específica c na imagem 3802. Isso tem o efeito de "ampliar" em certas partes da imagem e diminuir o zoom sobre as outras. É demonstrado aqui que, ao especificar uma distribuição específica p e q, informações mútuas podem ser maximizadas (por exemplo, ampliando no ponto de interesse na imagem ocorrendo da forma mais eficiente possível) pela aplicação desse procedimento e uma solução S(u) para a equação Jacobiana acima pode ser encontrada. Aqui, p representa uma distribuição uniforme sobre os possíveis valores de W, e q representa a distribuição posterior após o experimento i, πi.

[00227] Da mesma forma, por exemplo, sob suposições adequadas sobre o modelo do canal com ruído p(y|x), encontrar uma solução para a equação Jacobiana acima (e, portanto, uma solução do problema de projeto experimental para maximizar informações mútuas) é computacionalmente eficiente. Por exemplo, se a probabilidade neural p(y|x) for logaritmicamente côncava em x, então encontrar o mapa ideal é “fácil” (ou seja, um problema de otimização convexo).

[00228] A suposição de concavidade logarítmica é aplicável, por exemplo, para todos os modelos de canal onde x é finito (por exemplo, de maior interesse para as aplicações acima mencionadas nesse documento patente). Além disso, muitos modelos estatísticos de entrada contínuos de p(y|x), como o Gaussiano, de Poisson, logístico e de todas as famílias exponenciais também apresentam essa propriedade exemplar.

[00229] Uma técnica exemplar referente ao problema de otimização convexa computacionalmente eficiente é como a seguir:

onde X1, X2,..., XN são representados i.i.d. a partir de Px.

[00230] Por exemplo, usando as técnicas descritas de transporte ideal, o problema exemplar P4 pode produzir um mapa S que satisfaz a equação Jacobiana, por exemplo, implementando um método implementado por computador da tecnologia divulgada (por exemplo, programado no script do MATLAB, por exemplo, usando um complemento de software de otimização convexa CVX exemplar). O diagrama 3802 mostra um resultado exemplar de uma implementação exemplar desse método implementado por computador, por exemplo, mostrando uma simulação da "ampliação" na intenção referente à identificação de um ponto de interesse através de um canal com ruído.

[00231] Por exemplo, a abordagem divulgada, como descrito nessa parte, é aplicável a um problema arbitrário em inferência bayesiana. Quando certas pressuposições (por exemplo, de concavidade logarítmica - aplicáveis à maioria dos modelos estatísticos) se aplicam, as técnicas descritas podem ser implementadas para "ampliar" as características de interesse de uma maneira computacionalmente eficaz. As implicações para o projeto experimental sequencial descrito e as interfaces cérebro-máquina são bastante amplas, tal como é evidenciado por esses exemplos.

[00232] Implementações da matéria e as operações funcionais descritas nesse documento de patente podem ser implementadas em vários sistemas, circuitos eletrônicos digitais ou em softwares de computador firmware ou hardware, incluindo as estruturas divulgadas nesse relatório descritivo e em seus equivalentes estruturais, ou em combinações de um ou mais dos mesmos. As implementações da matéria descrita nesse relatório descritivo podem ser implementadas como um ou mais produtos de programa de computador, ou seja, um ou mais módulos de instruções de programa de computador codificados em um meio legível por computador não transitório e tangível para execução por, ou para controlar a operação do aparelho de processamento de dados. O meio legível por computador pode ser um dispositivo de armazenamento legível por máquina, um substrato de armazenamento legível por máquina, um dispositivo de memória, uma composição de matéria efetuando um sinal propagado legível por máquina ou uma combinação de um ou mais dos mesmos. O termo "aparelho de processamento de dados" abrange todos os aparelhos, dispositivos e máquinas para processamento de dados, incluindo, a título de exemplo, um processador programável, um computador ou vários processadores ou computadores. O aparelho pode incluir, além do hardware, o código que cria um ambiente de execução para o programa de computador em questão, por exemplo, o código que constitui o firmware do processador, uma pilha de protocolos, um sistema de gerenciamento de banco de dados, um sistema operacional ou uma combinação de um ou mais dos mesmos.

[00233] Um programa de computador (também conhecido como um programa, software, aplicação de software, script ou código) pode ser escrito em qualquer forma de linguagem de programação, incluindo linguagens compiladas ou interpretadas, e ele pode ser implantado em qualquer forma, inclusive como um programa autônomo ou como um módulo, componente, sub- rotina ou outra unidade adequada para uso em um ambiente de computação. Um programa de computador não corresponde necessariamente a um arquivo em um sistema de arquivos. Um programa pode ser armazenado em uma parte de um arquivo que contém outros programas ou dados (por exemplo, um ou mais scripts armazenados em um documento de linguagem de marcação), em um único arquivo dedicado ao programa em questão, ou em vários arquivos de coordenada (por exemplo, arquivos que armazenam um ou mais módulos, subprogramas ou partes do código). Um programa de computador pode ser implantado para ser executado em um computador ou em vários computadores que estão localizados em um local ou distribuídos em vários locais e interligados por uma rede de comunicação.

[00234] Os processos e fluxos lógicos descritos nesse relatório descritivo podem ser realizados por um ou mais processadores programáveis executando um ou mais programas de computador para executar funções, operando em dados de entrada e gerando resultados. Os processos e fluxos de lógica também podem ser realizados por, e o aparelho também pode ser implementado como um circuito lógico de propósito especial, por exemplo, uma FPGA (matriz de porta de campo programável) ou um ASIC (circuito integrado de aplicação específica).

[00235] Processadores adequados para a execução de um programa de computador incluem, a título de exemplo, microprocessadores para fins gerais e especiais, e qualquer um ou mais processadores de qualquer tipo de computador digital. Geralmente, um processador receberá instruções e dados de uma memória de somente leitura ou de uma memória de acesso aleatório, ou de ambas. Os elementos essenciais de um computador são um processador para executar as instruções e um ou mais dispositivos de memória para armazenar instruções e dados. Geralmente, um computador também incluirá, ou será operacionalmente acoplado para receber dados de ou transferir dados para, ou ambos, de um ou mais dispositivos de armazenamento em massa para armazenar dados, por exemplo, discos magnéticos, magnético-ópticos ou ópticos. No entanto, um computador não precisa ter tais dispositivos. Meios legíveis por computador adequados para armazenar instruções de programas de computador e dados incluem todas as formas de memória não volátil, mídias e dispositivos de memória, incluindo, a título de exemplo, dispositivos de memória semicondutores, por exemplo, EPROM, EEPROM e dispositivos de memória flash. O processador e a memória podem ser suplementados por, ou incorporados em circuitos lógicos de finalidade especial.

[00236] Embora esse documento de patente contenha muitos detalhes, eles não devem ser interpretados como limitações no escopo de qualquer invenção ou do que pode ser reivindicado, mas sim como descrições das características que podem ser específicas para modalidades particulares dessas invenções particulares. Certas características que estão descritas nesse documento patente no contexto das modalidades separadas também podem ser implementadas juntas em uma única modalidade. Por outro lado, várias características que são descritas no contexto de uma única modalidade também podem ser implementadas em várias modalidades separadamente, ou em qualquer subcombinação adequada. Além disso, embora as características possam ser descritas acima como atuando em determinadas combinações e até mesmo serem inicialmente reivindicadas como tais, uma ou mais características de uma combinação reivindicada pode, em alguns casos, ser removida da combinação, e a combinação reivindicada pode ser direcionada para uma subcombinação ou variação de uma subcombinação.

[00237] Da mesma forma, embora as operações sejam retratadas nos desenhos em uma ordem específica, isto não deve ser interpretado como uma exigência de que tais operações devem ser executadas na ordem particular mostrada, ou em ordem sequencial, ou que todas as operações ilustradas são realizadas para alcançar os resultados desejáveis. Além disso, a separação dos vários componentes do sistema nas modalidades descritas nesse documento patente não deve ser interpretada como uma exigência de tal separação em todas as modalidades.

[00238] Algumas implementações e exemplos são descritos e outras implementações, melhorias e variações podem ser feitas com base no que é descrito e ilustrado nesse documento de patente.

Claims

1. Método para fornecer uma avaliação cognitiva ou sensorial de um indivíduo, compreendendo: selecionar uma categoria de perfil entre um perfil de desempenho cognitivo, um perfil de desempenho sensorial e um perfil de desempenho cognitivo e sensorial; apresentar uma sequência de estímulos a um indivíduo, a sequência de estímulos sendo baseada na categoria do perfil selecionado; adquirir sinais fisiológicos do indivíduo antes, durante e depois de apresentar a sequência de estímulos para produzir dados fisiológicos; processar os dados fisiológicos para gerar um conjunto de informações, incluindo um ou mais valores quantitativos associados com a categoria do perfil selecionado; caracterizado pelo fato de compreender ainda: produzir uma sequência modificada de estímulos em tempo real pela modificação adaptativa da sequência de estímulos durante uma apresentação em andamento dos estímulos ao indivíduo, em que a sequência modificada de estímulos é baseada em dados associados com ou derivados do conjunto de informações geradas, e apresentar a sequência modificada de estímulos ao indivíduo durante a apresentação em andamento dos estímulos ao indivíduo.

2. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que a aquisição não exige uma resposta comportamental pelo indivíduo à sequência de estímulos, e em que o conjunto de informações gerado não inclui dados associados com respostas comportamentais pelo indivíduo.

3. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que a sequência de estímulos inclui pelo menos um dentre os meios de estimulação visual, auditiva, olfativa, tátil ou gustativa, com base na categoria do perfil selecionado.

4. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que o um ou mais valores quantitativos incluem uma pontuação quantitativa, representando um nível de um ou de ambos o desempenho cognitivo e sensorial, com base em pelo menos um dentre a atenção, memória, capacidade de aprendizagem, características de confabulação, capacidade de integração de padrão, capacidade de integração semântica, capacidade de detecção de alvo, valência emocional ou preferência do indivíduo, e em que a pontuação quantitativa retrata o nível em um determinado momento.

5. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que o um ou mais valores quantitativos incluem uma pontuação quantitativa que representa um nível ou estado de consciência do indivíduo em um determinado momento.

6. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que o processamento inclui: identificar um intervalo de tempo associado com os sinais fisiológicos baseados nos estímulos apresentados e na categoria do perfil selecionada, agrupar os dados fisiológicos que correspondem ao intervalo de tempo em um ou mais conjuntos de dados agrupados, e fornecer uma medida estatística de uma relação por ou dentro dos conjuntos de dados agrupados para gerar os um ou mais valores quantitativos para a categoria do perfil selecionada.

7. Método, de acordo com a reivindicação 6, caracterizado pelo fato de compreender ainda: processar os dados fisiológicos para aumentar uma razão sinal- ruído dos conjuntos de dados agrupados.

8. Método, de acordo com a reivindicação 6, caracterizado pelo fato de que o agrupamento é determinado com base em pelo menos um de uma categoria pré-atribuída do estímulo individual ou uma relação associativa de estímulos consecutivos.

9. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que o processamento inclui: identificar um intervalo de tempo associado com os sinais fisiológicos baseados nos estímulos apresentados e na categoria do perfil selecionada, agrupar os dados fisiológicos que correspondem ao intervalo de tempo em um ou mais conjuntos de dados agrupados, e fornecer uma medida estatística de uma relação por ou dentro dos conjuntos de dados agrupados usando dados fisiológicos anteriores adquiridos do indivíduo ou de outros indivíduos, para gerar os um ou mais valores quantitativos para a categoria do perfil selecionada.

10. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que o processamento inclui: identificar um intervalo de tempo associado com os sinais fisiológicos baseados nos estímulos apresentados e na categoria do perfil selecionada, agrupar os dados fisiológicos que correspondem ao intervalo de tempo em um ou mais conjuntos de dados agrupados iniciais,classificar cada estímulo da sequência de estímulos apresentada ao indivíduo usando um teste estatístico envolvendo os conjuntos de dados agrupados iniciais, com base nos estímulos classificados, reagrupar os dados fisiológicos que correspondem ao intervalo de tempo em um ou mais conjuntos de dados agrupados, e fornecer uma medida estatística de uma relação por ou dentro dos conjuntos de dados agrupados para gerar os um ou mais valores quantitativos para a categoria do perfil selecionada.

11. Método, de acordo com a reivindicação 10, caracterizado pelo fato de compreender ainda: adquirir sinais fisiológicos do indivíduo antes, durante e depois de apresentar a sequência de estímulos modificada para produzir novos dados fisiológicos; e processar os novos dados fisiológicos para gerar um conjunto de informações aumentado, incluindo um ou mais valores quantitativos aumentados associados com a categoria do perfil selecionada.

12. Método, de acordo com a reivindicação 1, caracterizado pelo fato de compreender ainda:criar uma sequência de estímulos inicial para cada uma das categorias de perfil.

13. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que a aquisição de sinais fisiológicos inclui a gravação de sinais de eletroencefalograma (EEG) gerados pelo indivíduo.

14. Método, de acordo com a reivindicação 13, caracterizado pelo fato de que a gravação de sinais de EEG inclui o uso de um ou mais dispositivos de sensor de eletrodo de EEG flexível usados no couro cabeludo do indivíduo, para medir e transmitir os sinais de EEG registrados para uma unidade de processamento remoto.

15. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que a aquisição de sinais fisiológicos inclui a gravação de sinais de eletromiograma (EMG) gerados pelo indivíduo.

16. Método, de acordo com a reivindicação 1, caracterizado pelo fato de compreender ainda: antes do processamento, filtrar os sinais fisiológicos para aumentar a razão sinal-ruído dos sinais fisiológicos.

17. Método, de acordo com a reivindicação 1, caracterizado pelo fato de compreender ainda: antes do processamento, pré-processar os dados fisiológicos, incluindo um ou mais dentre segmentação dos dados fisiológicos ou identificação das características dos dados fisiológicos.

18. Método, de acordo com a reivindicação 1, caracterizado pelo fato de compreender ainda: com base no conjunto de informações geradas para o indivíduo, gerar uma interação entre uma máquina e o indivíduo.

19. Método, de acordo com a reivindicação 1, caracterizado pelo fato de compreender ainda: adquirir sinais fisiológicos basais do indivíduo antes de apresentar a sequência de estímulos para produzir os dados fisiológicos da linha de base.

20. Método, de acordo com a reivindicação 1, caracterizado pelo fato de que a sequência de estímulos apresentada ao indivíduo inclui estímulos ambientais para estimular, passivamente, uma resposta do cérebro de um indivíduo.

21. Método, de acordo com a reivindicação 1, caracterizado pelo fato de compreender ainda: adquirir sinais comportamentais do indivíduo antes, durante e depois de apresentar a sequência de estímulos para produzir dados fisiológicos; e processar os dados comportamentais com os dados fisiológicos para gerar um conjunto de informações, incluindo um ou mais valores quantitativos associados com a categoria do perfil selecionada.

22. Sistema para fornecer uma avaliação cognitiva ou sensorial, compreendendo: um dispositivo de sensor em interface com um indivíduo para detectar sinais fisiológicos apresentados pelo indivíduo antes, durante e após uma apresentação de uma sequência de estímulos ao indivíduo, a sequência de estímulos sendo baseada em uma categoria de perfil cognitivo-sensorial, incluindo um perfil de desempenho cognitivo, um perfil de desempenho sensorial e um perfil de desempenho cognitivo e sensorial; e um sistema de processamento de dados em comunicação com o dispositivo de sensor e estruturado para incluir uma ou mais unidades de memória e um ou mais processadores configurados para processar os sinais fisiológicos como dados fisiológicos para gerar um conjunto de informações, incluindo um ou mais valores quantitativos associados com a categoria de perfil cognitivo-sensorial; em que o sistema de processamento de dados inclui: um computador local localizado próximo e em comunicação com o dispositivo sensor para receber os sinais fisiológicos detectados a partir do dispositivo local, o computador local configurado para conduzir o processamento inicial dos sinais fisiológicos detectados para produzir dados de sinal fisiológico iniciais, e um computador remoto em comunicação com o computador local por meio de uma rede ou link de comunicação para receber os dados de sinal fisiológico iniciais a partir do computador local e para processar os dados de sinal fisiológico iniciais para gerar o conjunto de informações incluindo um ou mais valores quantitativos associados com a categoria de perfil cognitivo- sensorial; caracterizado pelo fato de o sistema de processamento de dados ser configurado para criar uma sequência modificada de estímulos em tempo real pela modificação adaptativa da sequência de estímulos durante uma apresentação em andamento dos estímulos ao indivíduo, em que a sequência modificada de estímulos é baseada em dados associados com ou derivados do conjunto de informações geradas, de modo que a sequência modificada de estímulos é para ser apresentada ao indivíduo durante a apresentação em andamento dos estímulos ao indivíduo.

23. Sistema, de acordo com a reivindicação 22, caracterizado pelo fato de que os sinais fisiológicos detectados pelo dispositivo de sensor não exigem uma resposta comportamental pelo indivíduo à sequência de estímulos e em que o conjunto de informações geradas não inclui dados associados com respostas comportamentais pelo indivíduo.

24. Sistema, de acordo com a reivindicação 22, caracterizado pelo fato de compreender ainda: um dispositivo de liberação por estímulo configurado para produzir a sequência de estímulos que é apresentada para o indivíduo, no qual os estímulos incluem pelo menos um dentre um meio de estimulação visual, auditivo, olfativo, tátil ou gustativo, em que o dispositivo de liberação por estímulo é também configurado para produzir a sequência modificada de estímulos durante a apresentação em andamento.

25. Sistema, de acordo com a reivindicação 24, caracterizado pelo fato de que o dispositivo de liberação por estímulo inclui uma tela de exibição para gerar uma sequência de imagens.

26. Sistema, de acordo com a reivindicação 24, caracterizado pelo fato de que o dispositivo de liberação por estímulo inclui um alto-falante para gerar uma sequência de sons.

27. Sistema, de acordo com a reivindicação 24, caracterizado pelo fato de que o dispositivo de liberação por estímulo inclui um acionador para gerar uma sequência de pelo menos um dos estímulos olfativo, tátil ou gustativo.

28. Sistema, de acordo com a reivindicação 24, caracterizado pelo fato de que o dispositivo de liberação por estímulo está em comunicação com o sistema de processamento de dados, em que o sistema de processamento de dados é configurado para produzir um procedimento de máquina baseado no conjunto de informações geradas, e em que o procedimento de máquina produzido pela unidade de processamento de dados faz com que o dispositivo de liberação por estímulo modifique a sequência de estímulos para uma próxima apresentação ao indivíduo.

29. Sistema, de acordo com a reivindicação 28, caracterizado pelo fato de que o dispositivo de liberação por estímulo inclui um computador desktop, um computador portátil ou um dispositivo de comunicação móvel, incluindo um smartphone ou tablet.

30. Sistema, de acordo com a reivindicação 29, caracterizado pelo fato de que o sistema de processamento de dados é configurado no dispositivo de comunicação móvel.

31. Sistema, de acordo com a reivindicação 22, caracterizado pelo fato de que o sistema de processamento de dados é configurado para produzir um procedimento de máquina baseado no conjunto de informações geradas, e em que o procedimento de máquina aciona outro dispositivo ou sistema para realizar uma função derivada de informações contidas no conjunto de informações geradas.

32. Sistema, de acordo com a reivindicação 22, caracterizado pelo fato de que o um ou mais valores quantitativos inclui uma pontuação quantitativa, representando um nível de um ou de ambos o desempenho cognitivo e sensorial, com base em pelo menos um dentre a atenção, memória, capacidade de aprendizagem, características de confabulação, capacidade de integração de padrão, capacidade de integração semântica, capacidade de detecção de alvo, valência emocional, preferência ou consciência do indivíduo, e em que a pontuação quantitativa retrata o nível em um determinado momento.

33. Sistema, de acordo com a reivindicação 22, caracterizado pelo fato de que o dispositivo de sensor inclui um substrato flexível, eletrodos sensores no substrato flexível e uma unidade transmissora em comunicação elétrica com os eletrodos e sobre o substrato flexível, em que o dispositivo de sensor é configurado como um ou mais emplastros que pode ser usado no couro cabeludo do indivíduo para registrar sinais de eletroencefalograma (EEG) e transmitir os sinais de EEG registrados para pelo menos um dentre a unidade de processamento de dados ou um sistema informático remoto.

34. Sistema, de acordo com a reivindicação 22, caracterizado pelo fato de que o dispositivo de sensor inclui eletrodos fixáveis ao indivíduo para receber sinais elétricos do indivíduo.

35. Sistema, de acordo com a reivindicação 22, caracterizado pelo fato de que o dispositivo de sensor inclui um dispositivo de imagem que captura imagens do indivíduo, indicando um movimento ou deslocamento do indivíduo.

36. Sistema, de acordo com a reivindicação 35, caracterizado pelo fato de que o dispositivo de imagem captura o movimento do olho do indivíduo.

37. Sistema, de acordo com a reivindicação 22, caracterizado pelo fato de que o computador local é configurado para produzir dados iniciais de sinais fisiológicos como dados individuais específicos para o indivíduo, e o computador remoto está configurado para processar os dados iniciais de sinais fisiológicos para produzir o conjunto de informações que é individualizado para o indivíduo.

38. Sistema, de acordo com a reivindicação 37, caracterizado pelo fato de compreender ainda: um dispositivo de liberação por estímulo em um local do indivíduo, e configurado para produzir a sequência de estímulos que é apresentada para o indivíduo, no qual os estímulos incluem pelo menos um dentre um meio de estimulação visual, auditivo, olfativo, tátil ou gustativo; eum computador de apresentação de estímulo em comunicação com o computador remoto para receber dados associados com ou derivados do conjunto de informações, incluindo um ou mais valores quantitativos associados com a categoria de perfil cognitivo-sensorial para modificar adaptativamente a sequência de estímulos para o indivíduo, para produzir a sequência de estímulos modificada que é individualizada em relação ao indivíduo, o computador de apresentação de estímulo sendo acoplado ao dispositivo de liberação por estímulo para fazer com que uma sequência de estímulos modificada seja aplicada ao indivíduo durante a apresentação em andamento.

39. Sistema, de acordo com a reivindicação 38, caracterizado pelo fato de que o computador remoto está configurado para acessar dados de sinais fisiológico de outros indivíduos em um ou mais grupos de indivíduos e usar os dados de sinais fisiológicos de outros indivíduos no processamento dos dados iniciais de sinais fisiológicos para produzir o conjunto de informações que é individualizado para o indivíduo.

40. Sistema, de acordo com a reivindicação 38 ou 39, caracterizado pelo fato de compreender ainda:um módulo de interface cérebro-máquina configurado entre o computador remoto e o computador de apresentação de estímulo, e configurado para converter o conjunto de informações que é individualizado para o indivíduo em mudança ou ajuste adaptativo, que é usado pelo computador de apresentação de estímulo para modificar a sequência de estímulos para o indivíduo na produção de uma sequência de estímulos modificada que é individualizada em relação ao indivíduo.

41. Método, de acordo com as reivindicações 1 a 21, caracterizado pelo fato de selecionar uma categoria de perfil cognitivo-sensorial indicativa de um ou mais aspectos das funções cognitivas ou sensoriais.