Scalony tor pomiarowy do aktywnego, nasobnego interfejsu mózg-komputer

Niniejsza praca przedstawia projekt oraz eksperymentalną walidację wbudowanego łańcucha
metrologicznego dla aktywnego, noszonego interfejsu mózg-komputer (BCI). Tradycyjne systemy
BCI zależą od wysokowydajnych stacji roboczych do przetwarzania sygnałów, co ogranicza
mobilność i budzi obawy dotyczące prywatności danych oraz zużycia energii. Aby rozwiązać
te problemy, zaproponowano architekturę wbudowanego BCI (EBCI), która przenosi procesy
cyfrowego przetwarzania sygnałów (DSP) ze scentralizowanego komputera na lokalny mikrokontroler.
Struktura sprzętowa wykorzystuje profesjonalny zestaw g.tec Unicorn Hybrid Black do rejestracji
8-kanałowych danych EEG z częstotliwością 250 Hz. Strumień ten jest przesyłany przez niestandardowy
most bezprzewodowy (moduł Bluetooth HC-05) do płytki STM32 Nucleo-F401RE.
Głównym wkładem jest opracowanie wbudowanego oprogramowania czasu rzeczywistego do
precyzyjnego kondycjonowania sygnału. Ścieżka przetwarzania obejmuje cyfrowy bloker składowej
stałej (DC-blocker), filtr środkowoprzepustowy Butterwortha 4. rzędu do izolacji rytmu
alfa (8-13 Hz) oraz algorytm okna kroczącego (500 próbek) do ekstrakcji cech opartych na wartości
RMS, zoptymalizowanych dla jednostki zmiennoprzecinkowej (FPU) STM32.
Walidacja systemu potwierdziła metrologiczną integralność 24-bitowej logiki rekonstrukcji
oraz selektywność filtru. Eksperymenty in-vivo na 27-letnim uczestniku wykazały detekcję zjawiska
„blokowania alfa”. Analiza statystyczna (wykresy pudełkowe MATLAB) wykazała znaczną poprawę
stosunku sygnału do szumu (SNR) przy użyciu żelu przewodzącego, wyznaczając wyraźną granicę
dla progu 35,0f. Ostateczny prototyp pomyślnie wyzwalał reakcję sprzętową (LED) ze stabilną
częstotliwością aktualizacji 2 sekund, dowodząc, że mikrokontrolery średniej klasy mogą autonomicznie
przetwarzać złożone biomarkery. Praca ta rozwija neurotechnologię Edge-AI, realizując
rozpoznawanie stanów mózgu lokalnie dla bezpiecznej interakcji.
Słowa kluczowe
• Interfejs mózg-komputer (BCI)
• EEG
• Cyfrowe przetwarzanie sygnałów
• Systemy wbudowane
• Neurotechnologia

This thesis presents the design and experimental validation of an on-chip metrological chain
for an active, wearable Brain-Computer Interface (BCI). Traditional BCI systems depend on highperformance
workstations for signal processing, which limits portability and raises concerns regarding
data privacy and power consumption. To address these limitations, this work proposes
an Embedded BCI (EBCI) architecture that shifts the digital signal processing (DSP) pipeline from
a centralized PC directly onto a local microcontroller.
The hardware framework utilizes a professional g.tec Unicorn Hybrid Black headset to capture
8-channel EEG data at a 250 Hz sampling rate. This stream is interfaced via a custom
wireless bridge using an HC-05 Bluetooth module with an STM32 Nucleo-F401RE development
board. The core contribution is the development of real-time embedded firmware for highfidelity
signal conditioning. This pipeline includes a digital DC-blocker for offset removal, a
4th-order IIR Butterworth band-pass filter to isolate the Alpha rhythm (8-13 Hz), and a 500-
sample tumbling window algorithm for RMS-based feature extraction, all optimized for the
STM32 hardware Floating Point Unit (FPU).
System validation confirmed the metrological integrity of the 24-bit reconstruction logic and
the filter frequency selectivity. In-vivo experiments on a 27-year-old subject demonstrated the
detection of the Alpha-block phenomenon. Statistical analysis via MATLAB boxplots highlighted
a significant improvement in the Signal-to-Noise Ratio (SNR) when using conductive gel, providing
a clear decision boundary for the 35.0f activation threshold. The final prototype successfully
triggered a local hardware response (LED) with a stable 2-second update rate, proving that
mid-range microcontrollers can autonomously handle complex neural biomarkers. This work
advances Edge-AI neurotechnology, performing brain-state recognition entirely on-device for
secure and real-time interaction.
Keywords
• Brain-Computer Interface (BCI)
• EEG
• Digital Signal Processing (DSP)
• Embedded Systems
• Neurotechnology