Brain Computer Interfaces per l'apprendimento percettivo

Abstract

Quando sbagliamo, il cervello lascia una traccia elettrica riconoscibile: il cosiddetto potenziale correlato all'errore (ErrP). La sua componente più tardiva, la error positivity (Pe), emerge nel momento esatto in cui diventiamo consapevoli dell'errore, ed è tanto più ampia quanto più l'errore è evidente. Proprio per questo la Pe è un segnale rilevante per le interfacce cervello-computer (BCI): un sistema che la rileva in tempo reale potrebbe, in linea teorica, usarla per allenare la capacità di riconoscere i propri errori. Questa tesi sfrutta la Pe in un contesto nuovo, applicandola a un compito di riconoscimento dell'intensità delle emozioni facciali, abilità spesso compromessa in disturbi psichiatrici come il disturbo bipolare, per capire se questo segnale possa reggere un paradigma di allenamento a circuito chiuso. Nessuno studio precedente ha unito volti in trasformazione dinamica a un feedback BCI basato sulla Pe. Nel task, i partecipanti guardavano un volto trasformarsi gradualmente verso un'emozione target (da neutro a felice o triste). Di tanto in tanto, e senza preavviso, la trasformazione veniva interrotta da un breve ritorno verso un’espressine più neutra: uno scarto rispetto a ciò che il soggetto si aspettava, percepito come un errore e capace quindi di generare una Pe. Cinque partecipanti sani hanno seguito un protocollo di tre giorni: prima una sessione di registrazione offline e l'addestramento di un classificatore, poi sessioni online in cui il classificatore riconosceva la Pe in tempo reale e restituiva un feedback a circuito chiuso. I risultati mostrano che il paradigma elicita in modo affidabile il segnale cercato e che la pipeline offline-online funziona nella pratica. Il risultato è di tipo proof-of-concept: con solo cinque partecipanti, i passi successivi naturali sono un campione più ampio e un gruppo di controllo, per capire se i cambiamenti osservati dipendano dal feedback della BCI o semplicemente dall'esposizione al compito.

When we make a mistake, the brain produces a distinctive electrophysiological signature known as the error-related potential (ErrP). Its later component, the error positivity (Pe), appears specifically when a person becomes consciously aware of an error, and grows larger as the error itself becomes more obvious. Because of this property, the Pe is a promising target signal for brain–computer interfaces (BCIs), which in principle can use it to train or improve error awareness at a neural level. This thesis puts the Pe to a new use, pairing it with a task built around recognising facial emotional intensities, a skill often impaired in psychiatric disorders such as bipolar disorder, to test whether the signal can support a closed-loop training paradigm. No previous study has combined dynamically morphing emotional faces with Pe-targeted BCI feedback. In the task, participants watched a face gradually morph toward a target emotion (e.g., from neutral to happy or sad). This progression was briefly and unexpectedly interrupted by a short reversal back toward the neutral expression, a deviation from the expected outcome designed to act as an error the participant would notice and that would in turn elicit a Pe. Five healthy participants completed a three-day protocol comprising an offline recording session, classifier training, and online sessions in which the trained classifier detected the Pe in real time and delivered closed-loop feedback. The results confirm that the paradigm reliably elicits the target signal and that the offline-to-online BCI pipeline is functional. This is best understood as a proof-of-concept result: with five participants tested, a larger sample and a control group are the natural next steps to establish whether the observed changes are driven specifically by BCI feedback rather than mere task exposure, and to translate the paradigm toward clinical populations.