stringtranslate.com

Análisis de EEG

El análisis de EEG aprovecha los métodos de análisis matemático de señales y la tecnología informática para extraer información de las señales de electroencefalografía (EEG). Los objetivos del análisis de EEG son ayudar a los investigadores a comprender mejor el cerebro ; ayudar a los médicos en el diagnóstico y las opciones de tratamiento ; y potenciar la tecnología de la interfaz cerebro-computadora (BCI). Hay muchas formas de categorizar aproximadamente los métodos de análisis de EEG. Si se explota un modelo matemático para ajustar las señales de EEG muestreadas, [1] el método puede categorizarse como paramétrico ; de lo contrario, es un método no paramétrico. Tradicionalmente, la mayoría de los métodos de análisis de EEG se dividen en cuatro categorías: dominio del tiempo , dominio de la frecuencia , dominio del tiempo-frecuencia y métodos no lineales . [2] También hay métodos posteriores que incluyen redes neuronales profundas (DNN).

Si bien es extremadamente importante que los investigadores elijan los métodos de análisis EEG apropiados según sus objetivos de investigación y los resultados que desean obtener, los estudios finalizados proporcionan una referencia para futuras investigaciones, ayudan a resolver problemas existentes y preparan el terreno para futuros estudios.  

Métodos

Métodos del dominio de la frecuencia

El análisis del dominio de frecuencia, también conocido como análisis espectral, es el método más convencional y, al mismo tiempo, uno de los más potentes y estándar para el análisis de EEG. Proporciona información sobre la información contenida en el dominio de frecuencia de las formas de onda de EEG mediante la adopción de métodos estadísticos y de transformada de Fourier . [3] Entre todos los métodos espectrales, el análisis espectral de potencia es el más utilizado, ya que el espectro de potencia refleja el "contenido de frecuencia" de la señal o la distribución de la potencia de la señal sobre la frecuencia. [4] Esta técnica se puede utilizar para investigar los cambios de energía de diferentes componentes de frecuencia en las señales de EEG durante el análisis de EEG. Es adecuado para su uso en el estudio de enfermedades neurológicas y la ciencia del cerebro, ya que estas afecciones pueden causar cambios de energía en el EEG durante los cambios de estado, como cambios en la fase del sueño, convulsiones y estados emocionales. [5]

Métodos de dominio del tiempo

Existen dos métodos importantes para el análisis de EEG en el dominio del tiempo: la predicción lineal y el análisis de componentes . Generalmente, la predicción lineal proporciona el valor estimado igual a una combinación lineal del valor de salida pasado con el valor de entrada presente y pasado. Y el análisis de componentes es un método no supervisado en el que el conjunto de datos se asigna a un conjunto de características. [6] Cabe destacar que los parámetros en los métodos del dominio del tiempo se basan completamente en el tiempo, pero también se pueden extraer de momentos estadísticos del espectro de potencia. Como resultado, el método del dominio del tiempo construye un puente entre la interpretación del tiempo físico y el análisis espectral convencional. [7] Además, los métodos del dominio del tiempo ofrecen una forma de medición en línea de las propiedades básicas de la señal por medio de un cálculo basado en el tiempo, que requiere un equipo menos complejo en comparación con el análisis de frecuencia convencional. [8]

Métodos en el dominio del tiempo y la frecuencia

El análisis de tiempo-frecuencia se realiza normalmente utilizando la Transformada Wavelet (WT) , la Descomposición de Modos Empíricos (EMD), la Distribución de Wigner-Ville (WVD) y la Transformada de Fourier de Corto Plazo (STFT). [9]

WT , un método típico del dominio de tiempo-frecuencia, puede extraer y representar propiedades de señales biológicas transitorias. Específicamente, a través de la descomposición wavelet de los registros de EEG, las características transitorias se pueden capturar y localizar con precisión tanto en el contexto de tiempo como de frecuencia. [10] Por lo tanto, WT es como un microscopio matemático que puede analizar diferentes escalas de ritmos neuronales e investigar oscilaciones a pequeña escala de las señales cerebrales mientras ignora la contribución de otras escalas. [11] [12] Además de WT , existe otro método destacado de tiempo-frecuencia llamado Transformada de Hilbert-Huang , que puede descomponer las señales de EEG en un conjunto de componentes oscilatorios llamados Función de Modo Intrínseco (IMF) para capturar datos de frecuencia instantánea. [13] [14]

Métodos no lineales

Muchos fenómenos de la naturaleza son no lineales y no estacionarios, y también lo son las señales EEG. Este atributo agrega más complejidad a la interpretación de las señales EEG, lo que hace que los métodos lineales (métodos mencionados anteriormente) sean limitados. Desde 1985, cuando dos pioneros en el análisis EEG no lineal, Rapp y Bobloyantz, publicaron sus primeros resultados, la teoría de sistemas dinámicos no lineales, también llamada " teoría del caos ", se ha aplicado ampliamente al campo del análisis EEG. [15] Para realizar un análisis EEG no lineal, los investigadores han adoptado muchos parámetros no lineales útiles como el exponente de Lyapunov , la dimensión de correlación y entropías como la entropía aproximada y la entropía de muestra . [16] [17]

Métodos ANN

Se presenta la implementación de redes neuronales artificiales (ANN) para la clasificación de señales de electroencefalograma (EEG). En la mayoría de los casos, los datos de EEG implican un preproceso de transformación wavelet antes de colocarlos en las redes neuronales. [18] [19] Las RNN ( redes neuronales recurrentes ) alguna vez se aplicaron considerablemente en estudios de implementaciones de ANN en análisis de EEG. [20] [21] Hasta el auge del aprendizaje profundo y CNN ( redes neuronales convolucionales ), el método CNN se convirtió en un nuevo favorito en estudios recientes de análisis de EEG que emplean aprendizaje profundo. Con un entrenamiento recortado para que la CNN profunda alcance precisiones competitivas en el conjunto de datos, la CNN profunda ha presentado un rendimiento de decodificación superior. [22] Además, los grandes datos de EEG, como entrada de ANN, requieren un almacenamiento seguro y altos recursos computacionales para el procesamiento en tiempo real. Para abordar estos desafíos, se ha propuesto y presentado un aprendizaje profundo basado en la nube para el análisis en tiempo real de grandes datos de EEG. [23]

Aplicaciones

El EEG, un procedimiento no invasivo, se utiliza para registrar la actividad cerebral en estudios cognitivos, diferentes aplicaciones clínicas e interfaces cerebro-computadora (BCI). El registro del EEG es un método fácilmente portátil para diferentes usos clínicos y abierto a aplicaciones en varios campos, ya que mide directamente la actividad neuronal colectiva. [24]

En términos de costo, el registro de EEG se considera menos costoso que otras tecnologías de registro de señales cerebrales no invasivas, como la resonancia magnética funcional (fMRI), la magnetoencefalografía (MEG) y la espectroscopia de infrarrojo cercano (NIRS). [25]

Clínico

El análisis de EEG se utiliza ampliamente en el diagnóstico y evaluación de enfermedades cerebrales. En el campo de las convulsiones epilépticas , la detección de descargas epileptiformes en el EEG es un componente importante en el diagnóstico de la epilepsia. Los análisis cuidadosos de los registros de EEG pueden proporcionar información valiosa y una mejor comprensión de los mecanismos que causan los trastornos epilépticos. [26] Además, el análisis de EEG también ayuda mucho con la detección de la enfermedad de Alzheimer , [27] temblores , etc.

BCI (Interfaz cerebro-computadora)

Los registros de EEG durante la imaginería motora derecha e izquierda permiten establecer un nuevo canal de comunicación. [28] Con base en el análisis de EEG en tiempo real con patrones espaciales específicos del sujeto, se puede utilizar una interfaz cerebro-computadora (BCI) para desarrollar una respuesta binaria simple para el control de un dispositivo.

Los enfoques BCI basados ​​en EEG, junto con los avances en el aprendizaje automático y otras tecnologías como la grabación inalámbrica, tienen como objetivo contribuir a la vida diaria de las personas con discapacidades y mejorar significativamente su calidad de vida. [29] Un BCI basado en EEG de este tipo puede ayudar, por ejemplo, a los pacientes con esclerosis lateral amiotrófica, con algunas actividades diarias.

Herramienta de análisis

Brainstorm es una aplicación colaborativa de código abierto dedicada al análisis de registros cerebrales, incluyendo MEG, EEG, fNIRS , ECoG , electrodos de profundidad y neurofisiología invasiva animal. [30] El objetivo de Brainstorm es compartir un conjunto completo de herramientas fáciles de usar con la comunidad científica que utilizan MEG/EEG como técnica experimental. Brainstorm ofrece una interfaz gráfica rica e intuitiva para médicos e investigadores, que no requiere ningún conocimiento de programación. Otros programas de análisis de código abierto relacionados incluyen FieldTrip, etc.

Otros

Combinado con el análisis de expresiones faciales, el análisis EEG ofrece la función de detección continua de emociones, que se puede utilizar para encontrar rastros emocionales en videos. [31] Algunas otras aplicaciones incluyen mapeo cerebral basado en EEG, encriptador personalizado basado en EEG, sistema de anotación de imágenes basado en EEG, etc.

Véase también

Referencias

  1. ^ Pardey, J.; Roberts, S.; Tarassenko, L. (enero de 1996). "Una revisión de las técnicas de modelado paramétrico para el análisis de EEG". Ingeniería médica y física . 18 (1): 2–11. CiteSeerX  10.1.1.51.9271 . doi :10.1016/1350-4533(95)00024-0. ISSN  1350-4533. PMID  8771033.
  2. ^ Acharya, U. Rajendra; Vinitha Sree, S.; Swapna, G.; Martis, Roshan Joy; Suri, Jasjit S. (junio de 2013). "Análisis EEG automatizado de la epilepsia: una revisión". Knowledge-Based Systems . 45 : 147–165. doi :10.1016/j.knosys.2013.02.014. ISSN  0950-7051.
  3. ^ Acharya, U. Rajendra; Vinitha Sree, S.; Swapna, G.; Martis, Roshan Joy; Suri, Jasjit S. (junio de 2013). "Análisis EEG automatizado de la epilepsia: una revisión". Knowledge-Based Systems . 45 : 147–165. doi :10.1016/j.knosys.2013.02.014. ISSN  0950-7051.
  4. ^ Dressler, O.; Schneider, G.; Stockmanns, G.; Kochs, EF (diciembre de 2004). "Conciencia y espectro de potencia del EEG: análisis de frecuencias". British Journal of Anaesthesia . 93 (6): 806–809. doi : 10.1093/bja/aeh270 . ISSN  0007-0912. PMID  15377585.
  5. ^ Ogilvie, Robert D.; Simons, Iain A.; Kuderian, Roxanne H.; MacDonald, Thomas; Rustenburg, John (enero de 1991). "Cambios conductuales, de potencial relacionado con eventos y en el EEG/FFT al inicio del sueño". Psicofisiología . 28 (1): 54–64. doi :10.1111/j.1469-8986.1991.tb03386.x. ISSN  0048-5772. PMID  1886964.
  6. ^ Acharya, U. Rajendra; Vinitha Sree, S.; Swapna, G.; Martis, Roshan Joy; Suri, Jasjit S. (junio de 2013). "Análisis EEG automatizado de la epilepsia: una revisión". Knowledge-Based Systems . 45 : 147–165. doi :10.1016/j.knosys.2013.02.014. ISSN  0950-7051.
  7. ^ Hjorth, Bo (septiembre de 1970). "Análisis de EEG basado en propiedades del dominio temporal". Electroencefalografía y neurofisiología clínica . 29 (3): 306–310. doi :10.1016/0013-4694(70)90143-4. ISSN  0013-4694. PMID  4195653.
  8. ^ Hjorth, Bo (septiembre de 1970). "Análisis de EEG basado en propiedades del dominio temporal". Electroencefalografía y neurofisiología clínica . 29 (3): 306–310. doi :10.1016/0013-4694(70)90143-4. ISSN  0013-4694. PMID  4195653.
  9. ^ Zhang, Yong; Liu, Bo; Ji, Xiaomin; Huang, Dan (abril de 2017). "Clasificación de señales de EEG basada en el modelo autorregresivo y la descomposición de paquetes wavelet". Neural Processing Letters . 45 (2): 365–378. doi :10.1007/s11063-016-9530-1. ISSN  1370-4621.
  10. ^ Adeli, Hojjat; Zhou, Ziqin; Dadmehr, Nahid (febrero de 2003). "Análisis de registros de EEG en un paciente epiléptico utilizando la transformada wavelet". Journal of Neuroscience Methods . 123 (1): 69–87. doi :10.1016/s0165-0270(02)00340-0. ISSN  0165-0270. PMID  12581851. S2CID  30980416.
  11. ^ Adeli, Hojjat; Zhou, Ziqin; Dadmehr, Nahid (febrero de 2003). "Análisis de registros de EEG en un paciente epiléptico utilizando la transformada wavelet". Journal of Neuroscience Methods . 123 (1): 69–87. doi :10.1016/s0165-0270(02)00340-0. ISSN  0165-0270. PMID  12581851. S2CID  30980416.
  12. ^ Hazarika, N.; Chen, JZ; Ah Chung Tsoi; Sergejew, A. (1997). "Clasificación de señales de EEG utilizando la transformada wavelet". Actas de la 13.ª Conferencia internacional sobre procesamiento de señales digitales . Vol. 1. IEEE. págs. 89–92. doi :10.1109/icdsp.1997.627975. ISBN. 978-0780341371.
  13. ^ Acharya, U. Rajendra; Vinitha Sree, S.; Swapna, G.; Martis, Roshan Joy; Suri, Jasjit S. (junio de 2013). "Análisis EEG automatizado de la epilepsia: una revisión". Knowledge-Based Systems . 45 : 147–165. doi :10.1016/j.knosys.2013.02.014. ISSN  0950-7051.
  14. ^ Pigorini, Andrea; Casali, Adenauer G.; Casarotto, Silvia; Ferrarelli, Fabio; Baselli, Giuseppe; Mariotti, Mauricio; Massimini, Marcello; Rosanova, Mario (junio de 2011). "Análisis espectral tiempo-frecuencia de oscilaciones de EEG provocadas por TMS mediante la transformada de Hilbert-Huang". Revista de métodos de neurociencia . 198 (2): 236–245. doi :10.1016/j.jneumeth.2011.04.013. ISSN  0165-0270. PMID  21524665. S2CID  11151845.
  15. ^ Stam, CJ (octubre de 2005). "Análisis dinámico no lineal de EEG y MEG: revisión de un campo emergente". Neurofisiología clínica . 116 (10): 2266–2301. CiteSeerX 10.1.1.126.4927 . doi :10.1016/j.clinph.2005.06.011. ISSN  1388-2457. PMID  16115797. S2CID  15359405. 
  16. ^ Acharya, U. Rajendra; Vinitha Sree, S.; Swapna, G.; Martis, Roshan Joy; Suri, Jasjit S. (junio de 2013). "Análisis EEG automatizado de la epilepsia: una revisión". Knowledge-Based Systems . 45 : 147–165. doi :10.1016/j.knosys.2013.02.014. ISSN  0950-7051.
  17. ^ Stam, CJ (octubre de 2005). "Análisis dinámico no lineal de EEG y MEG: revisión de un campo emergente". Neurofisiología clínica . 116 (10): 2266–2301. CiteSeerX 10.1.1.126.4927 . doi :10.1016/j.clinph.2005.06.011. ISSN  1388-2457. PMID  16115797. S2CID  15359405. 
  18. ^ Petrosian, Arthur; Prokhorov, Danil; Homan, Richard; Dasheiff, Richard; Wunsch, Donald (enero de 2000). "Predicción basada en redes neuronales recurrentes de convulsiones epilépticas en EEG intracraneal y extracraneal". Neurocomputing . 30 (1–4): 201–218. doi :10.1016/s0925-2312(99)00126-5. ISSN  0925-2312.
  19. ^ Subasi, Abdulhamit; Erçelebi, Ergun (mayo de 2005). "Clasificación de señales de EEG mediante redes neuronales y regresión logística". Métodos y programas informáticos en biomedicina . 78 (2): 87–99. doi :10.1016/j.cmpb.2004.10.009. ISSN  0169-2607. PMID  15848265.
  20. ^ Subasi, Abdulhamit; Erçelebi, Ergun (mayo de 2005). "Clasificación de señales de EEG mediante redes neuronales y regresión logística". Métodos y programas informáticos en biomedicina . 78 (2): 87–99. doi :10.1016/j.cmpb.2004.10.009. ISSN  0169-2607. PMID  15848265.
  21. ^ Übeyli, Elif Derya (enero de 2009). "Análisis de señales de EEG mediante la implementación de métodos de vectores propios/redes neuronales recurrentes". Procesamiento de señales digitales . 19 (1): 134–143. Bibcode :2009DSP....19..134U. doi :10.1016/j.dsp.2008.07.007. ISSN  1051-2004.
  22. ^ Schirrmeister, R.; Gemein, L.; Eggensperger, K.; Hutter, F.; Ball, T. (diciembre de 2017). "Aprendizaje profundo con redes neuronales convolucionales para decodificar y visualizar la patología del EEG". Simposio sobre procesamiento de señales en medicina y biología (SPMB) del IEEE de 2017. IEEE. págs. 1–7. arXiv : 1708.08012 . doi :10.1109/spmb.2017.8257015. ISBN . 9781538648735.S2CID5692066  .​
  23. ^ Hosseini, Mohammad-Parsa; Soltanian-Zadeh, Hamid; Elisevich, Kost; Pompili, Dario (diciembre de 2016). "Aprendizaje profundo basado en la nube de grandes datos de EEG para la predicción de ataques epilépticos". Conferencia global IEEE de 2016 sobre procesamiento de señales e información (GlobalSIP) . IEEE. págs. 1151–1155. arXiv : 1702.05192 . doi :10.1109/globalsip.2016.7906022. ISBN . 9781509045457. Número de identificación del sujeto  2675362.
  24. ^ Biasiucci, Andrea; Franceschiello, Benedetta; Murray, Micah M. (febrero de 2019). "Electroencefalografía". Current Biology . 29 (3): R80–R85. Bibcode :2019CBio...29..R80B. doi : 10.1016/j.cub.2018.11.052 . ISSN  0960-9822. PMID  30721678.
  25. ^ McFarland, DJ; Wolpaw, JR (1 de diciembre de 2017). "Interfaces cerebro-computadora basadas en EEG". Current Opinion in Biomedical Engineering . Biología sintética e ingeniería biomédica / Ingeniería neuronal. 4 : 194–200. doi :10.1016/j.cobme.2017.11.004. ISSN  2468-4511. PMC 5839510. PMID 29527584  . 
  26. ^ Subasi, Abdulhamit; Erçelebi, Ergun (mayo de 2005). "Clasificación de señales de EEG mediante redes neuronales y regresión logística". Métodos y programas informáticos en biomedicina . 78 (2): 87–99. doi :10.1016/j.cmpb.2004.10.009. ISSN  0169-2607. PMID  15848265.
  27. ^ Jeong, Jaeseung; Gore, John C; Peterson, Bradley S (mayo de 2001). "Análisis de información mutua del EEG en pacientes con enfermedad de Alzheimer". Neurofisiología clínica . 112 (5): 827–835. doi :10.1016/s1388-2457(01)00513-2. ISSN  1388-2457. PMID  11336898. S2CID  9851741.
  28. ^ Guger, C.; Ramoser, H.; Pfurtscheller, G. (2000). "Análisis de EEG en tiempo real con patrones espaciales específicos del sujeto para una interfaz cerebro-computadora (BCI)". IEEE Transactions on Rehabilitation Engineering . 8 (4): 447–456. doi :10.1109/86.895947. ISSN  1063-6528. PMID  11204035. S2CID  9504054.
  29. ^ Biasiucci, Andrea; Franceschiello, Benedetta; Murray, Micah M. (febrero de 2019). "Electroencefalografía". Current Biology . 29 (3): R80–R85. Bibcode :2019CBio...29..R80B. doi : 10.1016/j.cub.2018.11.052 . ISSN  0960-9822. PMID  30721678.
  30. ^ "Introducción - Lluvia de ideas". neuroimage.usc.edu . Consultado el 16 de diciembre de 2018 .
  31. ^ Soleymani, Mohammad; Asghari-Esfeden, Sadjad; Pantic, Maja; Fu, Yun (julio de 2014). "Detección continua de emociones mediante señales de EEG y expresiones faciales". 2014 IEEE International Conference on Multimedia and Expo (ICME) . IEEE. págs. 1–6. CiteSeerX 10.1.1.649.3590 . doi :10.1109/icme.2014.6890301. ISBN  9781479947614. Número de identificación  S2C16028962.

Lectura adicional