Medindo sinais cerebrais em tempo real

Exemplos de estudos

• Kamavuako et al. realizaram um estudo para testar o potencial da fNIRS-BCI para classificar overt speech (fala manifesta/em voz alta) ou covert speech (fala interna/mental). O OxyMon foi utilizado para medir a atividade pré-frontal durante a fala alta e silenciosa em participantes saudáveis. As features (características/recursos) foram extraídas com um algoritmo não supervisionado, e uma support vector machine (SVM – máquina de vetores de suporte) otimizada foi aplicada para a classificação. Altos valores de acurácia de classificação foram alcançados para fala manifesta e interna ao usar oxygenated hemoglobin (hemoglobina oxigenada) e deoxygenated hemoglobin (hemoglobina desoxigenada), indicando que a fNIRS-BCI pode ter potencial como uma ferramenta para detecção de fala também em pacientes com distúrbios neuromusculares, como a locked-in syndrome (síndrome do encarceramento).
• Asadi et al. propuseram e testaram um novo paradigma para o uso de fNIRS-BCI em tarefas de motor imagery (imagética motora) para aumentar a acurácia de classificação usando o Brite. Altos valores de acurácia de classificação de 89,12% e 88,47% foram alcançados ao aplicar o método de support vector machine (SVM) e random forest (floresta aleatória), respectivamente, indicando o potencial do método proposto para tarefas de imagética motora em BCIs baseadas apenas em fNIRS (fNIRS-only BCI).

Exemplos de estudos

• Em um estudo recente, Park avaliou o potencial do treinamento cognitivo baseado em VR (Virtual Reality – Realidade Virtual) em combinação com fNIRS-neurofeedback para aumentar a cognição em pacientes idosos com mild cognitive impairment (MCI – comprometimento cognitivo leve) usando o OctaMon. Os resultados mostraram que o grupo ativo alcançou um aumento significativo na atividade pré-frontal e melhora na função cognitiva em comparação com ambos os grupos de controle (sham [simulado] e wait-list [lista de espera]), indicando o potencial do treinamento cognitivo baseado em VR combinado com fNIRS-neurofeedback para melhorar a eficácia cognitiva e neural.
• Zheng et al. propuseram um protocolo de estudo para um ensaio controlado randomizado para testar os efeitos do treinamento de fNIRS-neurofeedback acoplado à VR na melhora da executive function (função executiva) em ambientes do mundo real em crianças com TDAH. Os participantes serão atribuídos aleatoriamente a um grupo de intervenção (recebendo treinamento de fNIRS-neurofeedback em um ambiente de sala de aula virtual) ou a dois grupos de controle (recebendo treinamento cognitivo convencional ou em lista de espera).

Exemplos de estudos

• Liang et al. realizaram um estudo usando fNIRS-BCI para investigar a resposta neural a diferentes conteúdos de áudio e visual dentro de um gênero cinematográfico. O OctaMon foi usado para medir a ativação pré-frontal enquanto os participantes assistiam a filmes de terror em vários modos. Os resultados podem auxiliar na avaliação de conteúdo audiovisual e contribuir para aprimorar o futuro das experiências adaptativas de filmes de terror.
• Filippi et al. usaram o Brite para avaliar se o mirror neuron effect (efeito do neurônio espelho) é um confounding factor (fator de confusão) ao usar fNIRS-BCI para o controle de dispositivos baseado no pensamento em participantes saudáveis com habilidades motoras funcionais, o que pôde ser validado por suas descobertas.

Exemplos de estudos

• Ruotsalo et al. apresentaram um método para affective annotation (anotação afetiva) diretamente de sinais cerebrais usando fNIRS-BCI, medidos durante a experiência afetiva de um grupo de indivíduos usando o Brite. Os resultados destacam o potencial do método proposto para prever com precisão anotações afetivas, especialmente em grupos maiores, sem a necessidade de interação mental ou física.
• Dolmans et al. investigaram o potencial do multimodal deep learning (aprendizado profundo multimodal), incluindo fNIRS, para classificar a carga mental percebida. Vários parâmetros fisiológicos, por exemplo, a atividade cerebral medida com o Brite, foram medidos simultaneamente e sincronizados via Lab Streaming Layer (LSL). Uma deep neural network (rede neural profunda) foi projetada para a classificação da carga mental. Ao usar múltiplas modalidades, uma alta acurácia de classificação de carga mental foi alcançada (0,985), especialmente em comparação com o uso de uma única modalidade.

.