Electroencefalografía

No confundir con otros tipos de electrografía .

"EEG" vuelve a dirigir aquí. Para otros usos, consulte EEG (desambiguación) .

Electrophysiological monitoring method to record electrical activity of the brain

Electroencefalografía
Descargas de picos y ondas epilépticas monitoreadas con EEG
[ editar en Wikidata ]

La electroencefalografía ( EEG ) es un método de monitoreo electrofisiológico para registrar la actividad eléctrica en el cuero cabelludo que se ha demostrado que representa la actividad macroscópica de la capa superficial del cerebro que se encuentra debajo. Por lo general, no es invasivo y los electrodos se colocan a lo largo del cuero cabelludo . La electrocorticografía , que incluye electrodos invasivos, a veces se denomina EEG intracraneal.

El EEG mide las fluctuaciones de voltaje que resultan de la corriente iónica dentro de las neuronas del cerebro . ^[1] Clínicamente, EEG se refiere al registro de la actividad eléctrica espontánea del cerebro durante un período de tiempo, según se registra a partir de múltiples electrodos colocados en el cuero cabelludo. ^[1] Las aplicaciones de diagnóstico generalmente se enfocan en potenciales relacionados con eventos o en el contenido espectral de EEG. El primero investiga las posibles fluctuaciones de tiempo vinculadas a un evento, como el "inicio del estímulo" o la "pulsación de un botón". Este último analiza el tipo de oscilaciones neuronales (popularmente llamadas "ondas cerebrales") que se pueden observar en las señales de EEG en el dominio de la frecuencia.

El EEG se usa con mayor frecuencia para diagnosticar la epilepsia , que causa anomalías en las lecturas del EEG. ^[2] También se utiliza para diagnosticar trastornos del sueño , profundidad de la anestesia , coma , encefalopatías y muerte cerebral . El electroencefalograma solía ser un método de diagnóstico de primera línea para tumores , accidentes cerebrovasculares y otros trastornos cerebrales focales, ^{[3] [4]} pero este uso ha disminuido con el advenimiento de técnicas de imágenes anatómicas de alta resolución como la resonancia magnética (MRI) y tomografía computarizada(CONNECTICUT). A pesar de la resolución espacial limitada, EEG sigue siendo una herramienta valiosa para la investigación y el diagnóstico. Es una de las pocas técnicas móviles disponibles y ofrece una resolución temporal de rango de milisegundos que no es posible con CT, PET o MRI.

Los derivados de la técnica de EEG incluyen potenciales evocados (EP), que implica promediar la actividad de EEG bloqueada en el tiempo para la presentación de un estímulo de algún tipo (visual, somatosensorial o auditivo). Los potenciales relacionados con eventos (ERP) se refieren a las respuestas EEG promediadas que están bloqueadas en el tiempo a un procesamiento más complejo de los estímulos; esta técnica se utiliza en la ciencia cognitiva , la psicología cognitiva y la investigación psicofisiológica .

Historia

El primer registro de EEG humano obtenido por Hans Berger en 1924. El trazado superior es EEG y el inferior es una señal de sincronización de 10 Hz .

Hans Berger

En 1875, Richard Caton (1842-1926), un médico que ejercía en Liverpool , presentó sus hallazgos sobre los fenómenos eléctricos de los hemisferios cerebrales expuestos de conejos y monos en el British Medical Journal . En 1890, el fisiólogo polaco Adolf Beck publicó una investigación sobre la actividad eléctrica espontánea del cerebro de conejos y perros que incluía oscilaciones rítmicas alteradas por la luz. Beck inició experimentos sobre la actividad eléctrica cerebral de los animales. Beck colocó electrodos directamente en la superficie del cerebro para probar la estimulación sensorial. Su observación de la actividad cerebral fluctuante llevó a la conclusión de ondas cerebrales. ^[5]

En 1912, el fisiólogo ucraniano Vladimir Vladimirovich Pravdich-Neminsky publicó el primer electroencefalograma animal y el potencial evocado del mamífero (perro). ^[6] En 1914, Napoleon Cybulski y Jelenska-Macieszyna fotografiaron grabaciones electroencefalográficas de convulsiones inducidas experimentalmente.

El fisiólogo y psiquiatra alemán Hans Berger (1873-1941) registró el primer electroencefalograma humano en 1924. ^[7] Ampliando el trabajo realizado anteriormente en animales por Richard Caton y otros, Berger también inventó el electroencefalograma (que da nombre al dispositivo), una invención descrito "como uno de los desarrollos más sorprendentes, notables y trascendentales en la historia de la neurología clínica". ^[8] Sus descubrimientos fueron confirmados por primera vez por los científicos británicos Edgar Douglas Adrian y BHC Matthews en 1934 y desarrollados por ellos.

En 1934, Fisher y Lowenbach demostraron por primera vez picos epileptiformes. En 1935, Gibbs, Davis y Lennox describieron ondas de pico interictales y el patrón de tres ciclos / s de crisis de ausencia clínica , lo que inició el campo de la electroencefalografía clínica. ^[9] Posteriormente, en 1936 Gibbs y Jasper informaron el pico interictal como la firma focal de la epilepsia. El mismo año, se inauguró el primer laboratorio de EEG en el Hospital General de Massachusetts.

Franklin Offner (1911-1999), profesor de biofísica en la Universidad de Northwestern, desarrolló un prototipo del electroencefalograma que incorporaba una máquina de tinta piezoeléctrica llamada Crystograph (el dispositivo completo se conocía típicamente como Offner Dynograph ).

En 1947, se fundó la American EEG Society y se celebró el primer congreso internacional de EEG. En 1953, Aserinsky y Kleitman describieron el sueño REM.

En la década de 1950, William Gray Walter desarrolló un complemento del EEG llamado topografía EEG , que permitió el mapeo de la actividad eléctrica en la superficie del cerebro. Esto disfrutó de un breve período de popularidad en la década de 1980 y parecía especialmente prometedor para la psiquiatría. Nunca fue aceptado por los neurólogos y sigue siendo principalmente una herramienta de investigación.

Chuck Kayser con electrodos de electroencefalógrafo y un acondicionador de señal para usar en el Proyecto Gemini , 1965

Se utilizó un sistema de electroencefalógrafo fabricado por Beckman Instruments en al menos uno de los vuelos espaciales tripulados del Proyecto Gemini (1965-1966) para monitorear las ondas cerebrales de los astronautas en el vuelo. Fue uno de los muchos instrumentos Beckman especializados y utilizados por la NASA. ^[10]

En 1988, Stevo Bozinovski, Mihail Sestakov y Liljana Bozinovska informaron sobre el control electroencefalográfico de un objeto físico, un robot. ^{[11] [12]}

En octubre de 2018, los científicos conectaron los cerebros de tres personas para experimentar con el proceso de compartir pensamientos. Cinco grupos de tres personas participaron en el experimento usando EEG. La tasa de éxito del experimento fue del 81%. ^[13]

Uso médico

Una configuración de grabación de EEG

El EEG es una de las principales pruebas de diagnóstico de la epilepsia. Un registro clínico de EEG de rutina suele durar de 20 a 30 minutos (más el tiempo de preparación). Es una prueba que detecta la actividad eléctrica en el cerebro utilizando pequeños discos metálicos (electrodos) adheridos al cuero cabelludo. De manera rutinaria, el EEG se usa en circunstancias clínicas para determinar cambios en la actividad cerebral que podrían ser útiles para diagnosticar trastornos cerebrales, especialmente epilepsia u otro trastorno convulsivo. Un EEG también podría ser útil para diagnosticar o tratar los siguientes trastornos: ^[14]

• Tumor cerebral
• Daño cerebral por lesión en la cabeza
• Disfunción cerebral que puede tener una variedad de causas (encefalopatía)
• Inflamación del cerebro (encefalitis)
• Carrera
• Trastornos del sueño

También puede:

• distinguir las convulsiones epilépticas de otros tipos de episodios, como las convulsiones psicógenas no epilépticas , el síncope (desmayo) , los trastornos del movimiento subcortical y las variantes de la migraña
• diferenciar la encefalopatía o el delirio "orgánicos" de los síndromes psiquiátricos primarios como la catatonia
• servir como prueba adjunta de muerte cerebral en pacientes comatosos
• pronosticar en pacientes comatosos (en ciertos casos)
• determinar si se deben suspender los medicamentos antiepilépticos.

A veces, un EEG de rutina no es suficiente para establecer el diagnóstico o para determinar el mejor curso de acción en términos de tratamiento. En este caso, se puede intentar registrar un EEG mientras se produce una convulsión. Esto se conoce como registro ictal , a diferencia de un registro interictal que se refiere al registro EEG entre convulsiones. Para obtener una grabación ictal, normalmente se realiza un EEG prolongado acompañado de una grabación de audio y vídeo sincronizada en el tiempo. Esto se puede realizar de forma ambulatoria (en casa) o durante un ingreso hospitalario, preferiblemente en una Unidad de Monitoreo de Epilepsia.(UEM) con enfermeras y otro personal capacitado en la atención de pacientes con convulsiones. Los video electroencefalogramas ambulatorios para pacientes ambulatorios suelen durar de uno a tres días. Un ingreso a una Unidad de Monitoreo de Epilepsia generalmente dura varios días, pero puede durar una semana o más. Mientras está en el hospital, los medicamentos para las convulsiones generalmente se retiran para aumentar las probabilidades de que ocurra una convulsión durante el ingreso. Por razones de seguridad, los medicamentos no se retiran durante un EEG fuera del hospital. Los video EEG ambulatorios, por lo tanto, tienen la ventaja de la conveniencia y son menos costosos que un ingreso hospitalario, pero tienen la desventaja de una menor probabilidad de registrar un evento clínico.

La monitorización de la epilepsia se realiza típicamente para distinguir las convulsiones epilépticas de otros tipos de episodios, como las convulsiones psicógenas no epilépticas , el síncope (desmayo) , los trastornos del movimiento subcortical y las variantes de la migraña , para caracterizar las convulsiones con fines de tratamiento y para localizar la enfermedad. región del cerebro en la que se origina una convulsión para el estudio de una posible cirugía de convulsiones.

Además, el EEG se puede utilizar para controlar la profundidad de la anestesia , como un indicador indirecto de la perfusión cerebral en la endarterectomía carotídea , o para controlar el efecto amobarbital durante la prueba de Wada .

EEG también se puede utilizar en unidades de cuidados intensivos para la función cerebral monitoreo para monitorear no convulsivo convulsiones / estado epiléptico no convulsivo, para monitorear el efecto de sedantes / anestesia en pacientes en coma inducido (para el tratamiento de convulsiones refractarias o aumentó intracraneal presión arterial ) y para controlar el daño cerebral secundario en afecciones como la hemorragia subaracnoidea (actualmente un método de investigación).

Si un paciente con epilepsia está siendo considerado para cirugía resectiva , a menudo es necesario localizar el foco (fuente) de la actividad cerebral epiléptica con una resolución mayor que la que proporciona el EEG del cuero cabelludo. Esto se debe a que el líquido cefalorraquídeo , el cráneo y el cuero cabelludo frotan los potenciales eléctricos registrados por el EEG del cuero cabelludo. En estos casos, los neurocirujanos suelen implantar tiras y rejillas de electrodos (o electrodos de profundidad penetrante) debajo de la duramadre , a través de una craneotomía o un orificio de trépano . El registro de estas señales se conoce como electrocorticografía.(ECoG), EEG subdural (sdEEG) o EEG intracraneal (icEEG): todos términos para lo mismo. La señal registrada de ECoG está en una escala de actividad diferente a la actividad cerebral registrada de EEG del cuero cabelludo. Los componentes de baja tensión y alta frecuencia que no se pueden ver fácilmente (o en absoluto) en el EEG del cuero cabelludo se pueden ver claramente en ECoG. Además, los electrodos más pequeños (que cubren una porción más pequeña de la superficie del cerebro) permiten ver componentes de la actividad cerebral con un voltaje aún más bajo y más rápido. Algunos sitios clínicos registran la penetración de microelectrodos. ^[1]

El EEG no está indicado para diagnosticar dolor de cabeza. ^{[15] El} dolor de cabeza recurrente es un problema de dolor común, y este procedimiento a veces se usa en la búsqueda de un diagnóstico, pero no tiene ninguna ventaja sobre la evaluación clínica de rutina. ^[15]

Uso de investigación

EEG, y el estudio relacionado de ERPs se utilizan ampliamente en la neurociencia , ciencia cognitiva , la psicología cognitiva , la neurolingüística y psicofisiológico la investigación, sino también a las funciones humanas de estudio tales como la deglución. ^{[16] [17] [18]} Muchas técnicas de EEG utilizadas en la investigación no están lo suficientemente estandarizadas para el uso clínico, y muchos estudios de ERP no informan todos los pasos de procesamiento necesarios para la recopilación y reducción de datos, ^{[19] lo que} limita la reproducibilidad y replicabilidad de muchos estudios. Pero la investigación sobre discapacidades mentales, como el trastorno del procesamiento auditivo (APD),ADD , o ADHD , se está volviendo más conocido y los EEG se utilizan como investigación y tratamiento.

Ventajas

Existen varios otros métodos para estudiar la función cerebral, que incluyen imágenes de resonancia magnética funcional (fMRI), tomografía por emisión de positrones (PET), magnetoencefalografía (MEG), espectroscopia de resonancia magnética nuclear (NMR o MRS), electrocorticografía (ECoG), emisión de fotón único computada tomografía (SPECT), espectroscopia de infrarrojo cercano (NIRS) y señal óptica relacionada con eventos (EROS). A pesar de la sensibilidad espacial relativamente pobre del EEG, las "señales unidimensionales de las regiones periféricas localizadas en la cabeza lo hacen atractivo por su fidelidad simplista y ha permitido un alto rendimiento de investigación clínica y básica".^[20] Por lo tanto, EEG posee algunas ventajas sobre algunas de esas otras técnicas:

• Los costos de hardware son significativamente más bajos que los de la mayoría de las otras técnicas ^[21]
• EEG evita la disponibilidad limitada de tecnólogos para brindar atención inmediata en hospitales de alto tráfico. ^[22]
• El EEG solo requiere una habitación silenciosa y un equipo del tamaño de un maletín, mientras que fMRI, SPECT, PET, MRS o MEG requieren un equipo voluminoso e inmóvil. Por ejemplo, MEG requiere un equipo que consiste en detectores refrigerados por helio líquido que sólo se pueden usar en habitaciones con blindaje magnético, con un costo total de varios millones de dólares; ^[23] y fMRI requiere el uso de un imán de 1 tonelada en, nuevamente, una habitación protegida.
• El EEG puede tener fácilmente una resolución temporal alta (aunque la resolución de menos de milisegundos genera datos cada vez menos significativos), porque los dos a 32 flujos de datos generados por esa cantidad de electrodos se almacenan y procesan fácilmente, mientras que las tecnologías espaciales 3D proporcionan miles o millones de veces tantos flujos de datos de entrada y, por lo tanto, están limitados por hardware y software. ^{[24] El} EEG se registra comúnmente a frecuencias de muestreo entre 250 y 2000 Hz en entornos clínicos y de investigación.
• El EEG es relativamente tolerante al movimiento del sujeto, a diferencia de la mayoría de las otras técnicas de neuroimagen. Incluso existen métodos para minimizar e incluso eliminar los artefactos de movimiento en los datos de EEG ^[25]
• El EEG es silencioso, lo que permite un mejor estudio de las respuestas a los estímulos auditivos.
• El EEG no agrava la claustrofobia , a diferencia de fMRI, PET, MRS, SPECT y, a veces, MEG ^[26]
• El EEG no implica la exposición a campos magnéticos de alta intensidad (> 1 Tesla ), como en algunas de las otras técnicas, especialmente MRI y MRS. Estos pueden causar una variedad de problemas indeseables con los datos y también prohíben el uso de estas técnicas con participantes que tienen implantes metálicos en su cuerpo, como marcapasos que contienen metal ^[27].
• El EEG no implica exposición a radioligandos , a diferencia de la tomografía por emisión de positrones . ^[28]
• Los estudios de ERP se pueden realizar con paradigmas relativamente simples, en comparación con los estudios de resonancia magnética funcional de diseño de bloques de IE
• Relativamente no invasivo , a diferencia de la electrocorticografía , que requiere que se coloquen electrodos en la superficie real del cerebro.

El EEG también tiene algunas características que se comparan favorablemente con las pruebas de comportamiento:

• El EEG puede detectar el procesamiento encubierto (es decir, el procesamiento que no requiere una respuesta) ^[29]
• El electroencefalograma se puede utilizar en sujetos que son incapaces de dar una respuesta motora ^[30].
• Algunos componentes del ERP se pueden detectar incluso cuando el sujeto no está prestando atención a los estímulos.
• A diferencia de otros medios de estudiar el tiempo de reacción, los ERP pueden dilucidar las etapas del procesamiento (en lugar de solo el resultado final) ^[31]
• la simplicidad de EEG permite realizar un seguimiento de los cambios cerebrales durante las diferentes fases de la vida. El análisis del sueño con EEG puede indicar aspectos importantes del momento del desarrollo del cerebro, incluida la evaluación de la maduración del cerebro de los adolescentes. ^[32]
• En EEG hay una mejor comprensión de qué señal se mide en comparación con otras técnicas de investigación, por ejemplo, la respuesta BOLD en MRI.

Desventajas

• Baja resolución espacial en el cuero cabelludo. La fMRI , por ejemplo, puede mostrar directamente áreas del cerebro que están activas, mientras que el EEG requiere una interpretación intensa solo para formular hipótesis sobre qué áreas se activan con una respuesta en particular. ^[33]
• El EEG mide de manera deficiente la actividad neuronal que ocurre debajo de las capas superiores del cerebro (la corteza).
• A diferencia de la PET y la MRS, no pueden identificar ubicaciones específicas en el cerebro en las que se pueden encontrar varios neurotransmisores, fármacos, etc. ^[28]
• A menudo lleva mucho tiempo conectar un sujeto al EEG, ya que requiere la colocación precisa de docenas de electrodos alrededor de la cabeza y el uso de varios geles, soluciones salinas y / o pastas para mantener una buena conductividad, y se usa una gorra para mantener ellos en su lugar. Si bien el tiempo varía según el dispositivo de EEG específico que se utilice, como regla general, se necesita mucho menos tiempo para preparar a un sujeto para MEG, fMRI, MRS y SPECT.
• La relación señal-ruido es pobre, por lo que se necesitan análisis de datos sofisticados y un número relativamente grande de sujetos para extraer información útil del EEG. ^[34]

Con otras técnicas de neuroimagen

Se han obtenido con éxito grabaciones de EEG y exploraciones de resonancia magnética funcional simultáneas, ^{[35] [36] [37] [38]} aunque registrar ambas al mismo tiempo de manera eficaz requiere que se superen varias dificultades técnicas, como la presencia de artefactos balistocardiográficos, artefactos de pulso de resonancia magnética y la inducción de corrientes eléctricas en cables de EEG que se mueven dentro de los fuertes campos magnéticos de la resonancia magnética. Si bien son desafiantes, se han superado con éxito en varios estudios. ^{[39] [40]}

Las resonancias magnéticas producen imágenes detalladas creadas al generar fuertes campos magnéticos que pueden inducir una fuerza de desplazamiento y un par de torsión potencialmente dañinos. Estos campos producen un calentamiento de radiofrecuencia potencialmente dañino y crean artefactos de imagen que hacen que las imágenes sean inútiles. Debido a estos riesgos potenciales, solo ciertos dispositivos médicos se pueden utilizar en un entorno de RM.

De manera similar, también se han realizado grabaciones simultáneas con MEG y EEG, lo que tiene varias ventajas sobre el uso de cualquiera de las técnicas por sí solas:

• El EEG requiere información precisa sobre ciertos aspectos del cráneo que solo se pueden estimar, como el radio del cráneo y las conductividades de varias ubicaciones del cráneo. MEG no tiene este problema y un análisis simultáneo permite corregirlo.
• Tanto el MEG como el EEG detectan muy mal la actividad debajo de la superficie de la corteza y, al igual que el EEG, el nivel de error aumenta con la profundidad debajo de la superficie de la corteza que se intenta examinar. Sin embargo, los errores son muy diferentes entre las técnicas, y combinarlos permite corregir parte de este ruido.
• MEG no tiene acceso a prácticamente ninguna fuente de actividad cerebral por debajo de unos pocos centímetros por debajo de la corteza. EEG, por otro lado, puede recibir señales de mayor profundidad, aunque con un alto grado de ruido. La combinación de los dos hace que sea más fácil determinar qué en la señal de EEG proviene de la superficie (dado que MEG es muy preciso al examinar las señales de la superficie del cerebro) y qué proviene de las profundidades del cerebro, lo que permite el análisis de un cerebro más profundo. señales que EEG o MEG por sí solas. ^[41]

Recientemente, se ha investigado un enfoque combinado de EEG / MEG (EMEG) con el propósito de la reconstrucción de la fuente en el diagnóstico de epilepsia. ^[42]

El EEG también se ha combinado con la tomografía por emisión de positrones . Esto proporciona la ventaja de permitir a los investigadores ver qué señales de EEG están asociadas con las diferentes acciones de los fármacos en el cerebro. ^[43]

Estudios recientes que utilizan técnicas de aprendizaje automático , como redes neuronales con características temporales estadísticas extraídas de datos de ondas cerebrales EEG del lóbulo frontal , han demostrado altos niveles de éxito en la clasificación de estados mentales (relajado, neutral, concentrado), ^[44] estados emocionales mentales (negativo, neutral, Positivo) ^[45] y arritmia talamocortical . ^[46]

Mecanismos

La carga eléctrica del cerebro es mantenida por miles de millones de neuronas . ^[47] Las neuronas están cargadas eléctricamente (o "polarizadas") por proteínas de transporte de membrana que bombean iones a través de sus membranas. Las neuronas intercambian iones constantemente con el medio extracelular, por ejemplo, para mantener el potencial de reposo y propagar los potenciales de acción.. Los iones de carga similar se repelen entre sí, y cuando muchos iones son expulsados ​​de muchas neuronas al mismo tiempo, pueden empujar a sus vecinos, que empujan a sus vecinos, etc., en una ola. Este proceso se conoce como conducción de volumen. Cuando la onda de iones llega a los electrodos del cuero cabelludo, pueden empujar o tirar de los electrones del metal de los electrodos. Dado que el metal conduce fácilmente el empuje y tracción de los electrones, la diferencia en los voltajes de empuje o tracción entre dos electrodos cualesquiera se puede medir con un voltímetro . El registro de estos voltajes a lo largo del tiempo nos da el EEG. ^[48]

El potencial eléctrico generado por una neurona individual es demasiado pequeño para ser captado por EEG o MEG. ^[49] Por tanto, la actividad del EEG siempre refleja la suma de la actividad sincrónica de miles o millones de neuronas que tienen una orientación espacial similar. Si las células no tienen una orientación espacial similar, sus iones no se alinean y crean ondas para ser detectadas. Se cree que las neuronas piramidales de la corteza producen la mayor cantidad de señales de EEG porque están bien alineadas y se activan juntas. Debido a que los gradientes del campo de voltaje disminuyen con el cuadrado de la distancia, la actividad de fuentes profundas es más difícil de detectar que las corrientes cercanas al cráneo. ^[50]

La actividad del EEG del cuero cabelludo muestra oscilaciones en una variedad de frecuencias. Varias de estas oscilaciones tienen rangos de frecuencia característicos , distribuciones espaciales y están asociadas con diferentes estados de funcionamiento del cerebro (p. Ej., Vigilia y las diversas etapas del sueño ). Estas oscilaciones representan una actividad sincronizada sobre una red de neuronas. Se comprenden las redes neuronales subyacentes a algunas de estas oscilaciones (p. Ej., La resonancia talamocortical subyacente a los husos del sueño ), mientras que muchas otras no (p. Ej., El sistema que genera el ritmo básico posterior). La investigación que mide tanto el EEG como el pico neuronal encuentra que la relación entre los dos es compleja, con una combinación de la potencia del EEG en elLa banda gamma y la fase en la banda delta se relacionan más fuertemente con la actividad de los picos neuronales. ^[51]

Método

Electroencefalograma informático Neurovisor-BMM 40

En el EEG de cuero cabelludo convencional, el registro se obtiene colocando electrodos en el cuero cabelludo con un gel o pasta conductora, generalmente después de preparar el área del cuero cabelludo mediante una ligera abrasión para reducir la impedancia debida a las células muertas de la piel. Muchos sistemas suelen utilizar electrodos, cada uno de los cuales está conectado a un cable individual. Algunos sistemas utilizan tapas o redes en las que se incrustan los electrodos; esto es particularmente común cuando se necesitan conjuntos de electrodos de alta densidad.

La ubicación y los nombres de los electrodos están especificados por el sistema internacional 10-20 ^[52] para la mayoría de las aplicaciones clínicas y de investigación (excepto cuando se utilizan matrices de alta densidad). Este sistema garantiza que el nombre de los electrodos sea uniforme en todos los laboratorios. En la mayoría de las aplicaciones clínicas, se utilizan 19 electrodos de registro (más tierra y referencia del sistema). ^[53] Por lo general, se usa una menor cantidad de electrodos cuando se registra el EEG de los recién nacidos . Se pueden agregar electrodos adicionales a la configuración estándar cuando una aplicación clínica o de investigación exige una mayor resolución espacial para un área particular del cerebro. Las matrices de alta densidad (generalmente a través de gorra o red) pueden contener hasta 256 electrodos espaciados más o menos uniformemente alrededor del cuero cabelludo.

Cada electrodo está conectado a una entrada de un amplificador diferencial (un amplificador por par de electrodos); un electrodo de referencia del sistema común está conectado a la otra entrada de cada amplificador diferencial. Estos amplificadores amplifican el voltaje entre el electrodo activo y la referencia (típicamente 1,000–100,000 veces, o 60–100 dB de ganancia de voltaje). En el EEG analógico, la señal se filtra (siguiente párrafo) y la señal del EEG se emite como la desviación de los bolígrafos cuando el papel pasa por debajo. La mayoría de los sistemas de EEG en estos días, sin embargo, son digitales, y la señal amplificada se digitaliza a través de un convertidor de analógico a digital , después de pasar a través de un filtro anti-aliasing.. El muestreo de analógico a digital ocurre típicamente a 256–512 Hz en el EEG clínico del cuero cabelludo; En algunas aplicaciones de investigación se utilizan frecuencias de muestreo de hasta 20 kHz.

Durante la grabación, se pueden utilizar una serie de procedimientos de activación. Estos procedimientos pueden inducir una actividad electroencefalográfica normal o anormal que de otro modo no se observaría. Estos procedimientos incluyen hiperventilación, estimulación fótica (con luz estroboscópica), cierre de ojos, actividad mental, sueño y privación del sueño. Durante la monitorización de la epilepsia (hospitalaria), se pueden retirar los medicamentos habituales para las convulsiones del paciente.

La señal de EEG digital se almacena electrónicamente y se puede filtrar para su visualización. Los ajustes típicos para el filtro de paso alto y un filtro de paso bajo son 0.5–1  Hz y 35–70 Hz respectivamente. El filtro de paso alto normalmente filtra los artefactos lentos, como las señales electrogalvánicas y los artefactos de movimiento, mientras que el filtro de paso bajo filtra los artefactos de alta frecuencia, como las señales electromiográficas . Por lo general, se usa un filtro de muesca adicional para eliminar los artefactos causados ​​por las líneas de energía eléctrica (60 Hz en los Estados Unidos y 50 Hz en muchos otros países). ^[1]

Las señales de EEG se pueden capturar con hardware de código abierto como OpenBCI y la señal se puede procesar mediante software de EEG disponible gratuitamente como EEGLAB o Neurophysiological Biomarker Toolbox .

Como parte de una evaluación para la cirugía de la epilepsia, puede ser necesario insertar electrodos cerca de la superficie del cerebro, debajo de la superficie de la duramadre . Esto se logra mediante un orificio de trépano o una craneotomía . Esto se denomina de diversas formas "electrocorticografía (ECoG)" , "EEG intracraneal (I-EEG)" o "EEG subdural (SD-EEG)". Los electrodos de profundidad también se pueden colocar en estructuras cerebrales, como la amígdala o el hipocampo., estructuras, que son focos epilépticos comunes y pueden no ser "visibles" claramente por EEG del cuero cabelludo. La señal electrocorticográfica se procesa de la misma manera que el EEG digital del cuero cabelludo (arriba), con un par de advertencias. El ECoG se registra típicamente a velocidades de muestreo más altas que el EEG del cuero cabelludo debido a los requisitos del teorema de Nyquist: la señal subdural se compone de un mayor predominio de componentes de frecuencia más alta. Además, muchos de los artefactos que afectan el EEG del cuero cabelludo no afectan al ECoG y, por lo tanto, a menudo no es necesario el filtrado de la pantalla.

Una señal de EEG humana adulta típica tiene una amplitud de aproximadamente 10 µV a 100 µV cuando se mide desde el cuero cabelludo. ^[54]

Dado que una señal de voltaje de EEG representa una diferencia entre los voltajes en dos electrodos, la visualización del EEG para el encefalógrafo de lectura puede configurarse de una de varias formas. La representación de los canales de EEG se denomina montaje.

Montaje secuencial

Cada canal (es decir, forma de onda) representa la diferencia entre dos electrodos adyacentes. Todo el montaje consta de una serie de estos canales. Por ejemplo, el canal "Fp1-F3" representa la diferencia de voltaje entre el electrodo Fp1 y el electrodo F3. El siguiente canal del montaje, "F3-C3", representa la diferencia de voltaje entre F3 y C3, y así sucesivamente a través de toda la matriz de electrodos.

Montaje referencial

Cada canal representa la diferencia entre un determinado electrodo y un electrodo de referencia designado. No existe una posición estándar para esta referencia; sin embargo, está en una posición diferente a la de los electrodos de "grabación". Las posiciones de la línea media se utilizan a menudo porque no amplifican la señal en un hemisferio frente al otro, como Cz, Oz, Pz, etc., como referencia en línea. Las otras referencias populares fuera de línea son:

• Referencia REST: que es una referencia computacional fuera de línea en el infinito donde el potencial es cero. REST (técnica de estandarización de electrodos de referencia) toma las fuentes equivalentes dentro del cerebro de cualquier conjunto de grabaciones del cuero cabelludo como trampolín para vincular las grabaciones reales con cualquier referencia en línea o fuera de línea (promedio, oídos enlazados, etc.) a las nuevas grabaciones. con infinito cero como referencia estandarizada. Puede encontrar un software gratuito en (Dong L, Li F, Liu Q, Wen X, Lai Y, Xu P y Yao D (2017) MATLAB Toolboxes for Reference Electrode Standardization Technique (REST) ​​of Scalp EEG. Front. Neurosci. 11 : 601. Doi : 10.3389 / fnins.2017.00601), y para obtener más detalles y su rendimiento, consulte el artículo original (Yao, D. (2001). Un método para estandarizar una referencia de registros de EEG del cuero cabelludo hasta un punto en el infinito. Physiol. Meas. 22, 693–711 . doi : 10.1088 / 0967-3334 / 22/4/305 )
• "orejas enlazadas": que es un promedio físico o matemático de electrodos unidos a ambos lóbulos de las orejas o mastoides .

Montaje de referencia promedio

Las salidas de todos los amplificadores se suman y promedian, y esta señal promediada se utiliza como referencia común para cada canal.

Montaje laplaciano

Cada canal representa la diferencia entre un electrodo y un promedio ponderado de los electrodos circundantes. ^[55]

Cuando se utilizan EEG analógicos (de papel), el técnico cambia entre montajes durante la grabación para resaltar o caracterizar mejor ciertas características del EEG. Con el EEG digital, todas las señales se digitalizan y almacenan típicamente en un montaje particular (generalmente referencial); dado que cualquier montaje puede construirse matemáticamente a partir de cualquier otro, el electroencefalógrafo puede ver el EEG en cualquier montaje de visualización que desee.

El electroencefalograma es leído por un neurofisiólogo clínico o neurólogo (según las costumbres y leyes locales sobre especialidades médicas ), óptimamente uno que tenga una formación específica en la interpretación de electroencefalogramas con fines clínicos. Esto se realiza mediante la inspección visual de las formas de onda, denominadas grafoelementos. El uso del procesamiento de señales computarizado del EEG, llamado electroencefalografía cuantitativa, es algo controvertido cuando se usa con fines clínicos (aunque hay muchos usos de investigación).

Electrodos de EEG secos

A principios de la década de 1990, Babak Taheri, de la Universidad de California, Davis hizo una demostración de los primeros conjuntos de electrodos activos secos de un solo canal y también de varios canales que utilizan micromecanizado. La construcción y los resultados del electrodo EEG seco de un solo canal se publicaron en 1994. ^[56] También se demostró que el electrodo en matriz funciona bien en comparación con los electrodos de plata / cloruro de plata . El dispositivo constaba de cuatro sitios de sensores con electrónica integrada para reducir el ruido mediante la adaptación de impedancia.. Las ventajas de tales electrodos son: (1) no se usa electrolito, (2) no hay preparación de la piel, (3) el tamaño del sensor se reduce significativamente y (4) la compatibilidad con los sistemas de monitorización de EEG. La matriz de electrodos activos es un sistema integrado hecho de una matriz de sensores capacitivos con circuitos integrados locales alojados en un paquete con baterías para alimentar los circuitos. Este nivel de integración fue necesario para lograr el rendimiento funcional obtenido por el electrodo. El electrodo se probó en un banco de pruebas eléctrico y en sujetos humanos en cuatro modalidades de actividad de EEG, a saber: (1) EEG espontáneo, (2) potenciales relacionados con eventos sensoriales, (3) potenciales del tronco cerebral y (4) evento cognitivo. -Potenciales relacionados. El rendimiento del electrodo seco se compara favorablemente con el de los electrodos húmedos estándar en términos de preparación de la piel.sin requisitos de gel (seco) y mayor relación señal / ruido.^[57]

En 1999, investigadores de la Universidad Case Western Reserve , en Cleveland , Ohio , dirigidos por Hunter Peckham, utilizaron un casquete de electroencefalograma de 64 electrodos para devolver los movimientos limitados de la mano al tetrapléjico Jim Jatich. Mientras Jatich se concentraba en conceptos simples pero opuestos como arriba y abajo, se analizó la salida de su EEG de ritmo beta utilizando un software para identificar patrones en el ruido. Se identificó un patrón básico y se usó para controlar un interruptor: la actividad por encima del promedio se estableció en encendido, por debajo del promedio en apagado. Además de permitir a Jatich controlar el cursor de una computadora, las señales también se utilizaron para impulsar los controladores nerviosos incrustados en sus manos, restaurando algo de movimiento. ^[58]

En 2018, se informó sobre un electrodo seco funcional compuesto por un elastómero de polidimetilsiloxano relleno con nanofibras de carbono conductoras . Esta investigación se llevó a cabo en el Laboratorio de Investigación del Ejército de EE. UU . ^{[59] La} tecnología EEG a menudo implica la aplicación de un gel en el cuero cabelludo que facilita una fuerte relación señal-ruido. Esto da como resultado resultados experimentales más reproducibles y fiables. Dado que a los pacientes no les gusta que se les rellene el cabello con gel y que la configuración prolongada requiere personal capacitado disponible, utilizar el electroencefalograma fuera del laboratorio puede resultar difícil. ^[60] Además, se ha observado que el rendimiento de los sensores de electrodos húmedos se reduce después de un lapso de horas. ^[59] Por lo tanto, la investigación se ha dirigido al desarrollo de interfaces bioelectrónicas EEG secas y semisecas.

Las señales de los electrodos secos dependen del contacto mecánico. Por lo tanto, puede resultar difícil obtener una señal utilizable debido a la impedancia entre la piel y el electrodo. ^{[60] [59]} Algunos sistemas de EEG intentan evitar este problema aplicando una solución salina. ^[61] Otros tienen una naturaleza semiseca y liberan pequeñas cantidades del gel al entrar en contacto con el cuero cabelludo. ^[60] Otra solución utiliza configuraciones de pasador con resorte. Estos pueden resultar incómodos. También pueden ser peligrosos si se usaron en una situación en la que un paciente podría golpearse la cabeza, ya que podrían quedar atrapados después de un incidente de trauma por impacto. ^[59]

ARL también desarrolló una herramienta de visualización, Interfaz de iluminación personalizable para la visualización de EEG o CLIVE, que mostró qué tan bien están sincronizados dos cerebros. ^[62]

Actualmente, los auriculares están disponibles incorporando electrodos secos con hasta 30 canales. ^[63] Estos diseños pueden compensar parte de la degradación de la calidad de la señal relacionada con las impedancias elevadas optimizando la preamplificación, el blindaje y la mecánica de soporte. ^[64]

Limitaciones

EEG tiene varias limitaciones. Lo más importante es su mala resolución espacial. ^{[65] El} EEG es más sensible a un conjunto particular de potenciales postsinápticos: los generados en las capas superficiales de la corteza, en las crestas de las circunvoluciones que lindan directamente con el cráneo y radiales al cráneo. Las dendritas, que están más profundas en la corteza, dentro de los surcos , en la línea media o en estructuras profundas (como la circunvolución del cíngulo o el hipocampo ), o que producen corrientes tangenciales al cráneo, tienen una contribución mucho menor a la señal del EEG.

Los registros de EEG no capturan directamente los potenciales de acción axonales . Un potencial de acción se puede representar con precisión como un cuadrupolo actual , lo que significa que el campo resultante disminuye más rápidamente que los producidos por el dipolo actual de potenciales postsinápticos. ^[66] Además, dado que los EEG representan promedios de miles de neuronas, es necesaria una gran población de células en actividad sincrónica para provocar una desviación significativa en las grabaciones. Los potenciales de acción son muy rápidos y, como consecuencia, las posibilidades de suma de campos son escasas. Sin embargo, la retropropagación neural , como un dipolo de corriente dendrítica típicamente más largo, puede ser captada por electrodos de EEG y es una indicación fiable de la aparición de salida neural.

Los EEG no solo capturan las corrientes dendríticas casi exclusivamente en oposición a las corrientes axonales, sino que también muestran una preferencia por la actividad en poblaciones de dendritas paralelas y corrientes de transmisión en la misma dirección al mismo tiempo. Las neuronas piramidales de las capas corticales II / III y V extienden las dendritas apicales a la capa I. Las corrientes que se mueven hacia arriba o hacia abajo en estos procesos subyacen a la mayoría de las señales producidas por la electroencefalografía. ^[67]

Por lo tanto, el EEG proporciona información con un gran sesgo para seleccionar tipos de neuronas y, en general, no debe utilizarse para hacer afirmaciones sobre la actividad cerebral global. Las meninges , el líquido cefalorraquídeo y el cráneo "frotan" la señal del EEG, oscureciendo su origen intracraneal.

Es matemáticamente imposible reconstruir una fuente de corriente intracraneal única para una señal EEG determinada, ^[1] ya que algunas corrientes producen potenciales que se anulan entre sí. Esto se conoce como el problema inverso . Sin embargo, se ha trabajado mucho para producir estimaciones notablemente buenas de, al menos, un dipolo eléctrico localizado que representa las corrientes registradas. ^{[ cita requerida ]}

EEG vs fMRI, fNIRS, fUS y PET

EEG has several strong points as a tool for exploring brain activity. EEGs can detect changes over milliseconds, which is excellent considering an action potential takes approximately 0.5–130 milliseconds to propagate across a single neuron, depending on the type of neuron.^[68] Other methods of looking at brain activity, such as PET, fMRI or fUS have time resolution between seconds and minutes. EEG measures the brain's electrical activity directly, while other methods record changes in blood flow (e.g., SPECT, fMRI, fUS ) or metabolic activity (e.g., PET, NIRS), which are indirect markers of brain electrical activity.

El EEG se puede usar simultáneamente con fMRI o fUS para que los datos de alta resolución temporal se puedan registrar al mismo tiempo que los datos de alta resolución espacial, sin embargo, dado que los datos derivados de cada uno ocurren en un curso de tiempo diferente, los conjuntos de datos no necesariamente representan exactamente la misma actividad cerebral. Existen dificultades técnicas asociadas con la combinación de EEG y fMRI, incluida la necesidad de eliminar el artefacto de gradiente de MRI presente durante la adquisición de MRI. Además, se pueden inducir corrientes en los cables de los electrodos de EEG en movimiento debido al campo magnético de la resonancia magnética.

EEG can be used simultaneously with NIRS or fUS without major technical difficulties. There is no influence of these modalities on each other and a combined measurement can give useful information about electrical activity as well as hemodynamics at medium spatial resolution.

EEG vs MEG

EEG reflects correlated synaptic activity caused by post-synaptic potentials of cortical neurons. The ionic currents involved in the generation of fast action potentials may not contribute greatly to the averaged field potentials representing the EEG.^[49][69] More specifically, the scalp electrical potentials that produce EEG are generally thought to be caused by the extracellular ionic currents caused by dendritic electrical activity, whereas the fields producing magnetoencephalographic signals^[23] are associated with intracellular ionic currents.^[70]

El EEG se puede registrar al mismo tiempo que el MEG, de modo que se puedan combinar los datos de estas técnicas complementarias de alta resolución en el tiempo.

También se han realizado estudios sobre modelado numérico de EEG y MEG. ^[71]

Actividad normal

• Un segundo de señal de EEG

• EEG humano con actividad prominente en estado de reposo: ritmo alfa. Izquierda: trazos de EEG (horizontal - tiempo en segundos; vertical - amplitudes, escala 100 μV). Derecha: espectros de potencia de las señales mostradas (líneas verticales: 10 y 20 Hz, la escala es lineal). El ritmo alfa consiste en ondas de tipo sinusoidal con frecuencias en el rango de 8 a 12 Hz (11 Hz en este caso) más prominentes en los sitios posteriores. El rango alfa es rojo en el gráfico del espectro de potencia.

• EEG humano en estado de reposo. Izquierda: trazos de EEG (horizontal - tiempo en segundos; vertical - amplitudes, escala 100 μV). Derecha: espectros de potencia de las señales mostradas (líneas verticales: 10 y 20 Hz, la escala es lineal). 80 a 90% de las personas tienen ondas prominentes de tipo sinusoidal con frecuencias en el rango de 8 a 12 Hz (ritmo alfa). Otros (como este) carecen de este tipo de actividad.

• Artefactos comunes en el electroencefalograma humano. 1: Artefacto electrooculográfico causado por la excitación de los músculos del globo ocular (relacionado con el parpadeo, por ejemplo). Onda positiva, lenta y de gran amplitud prominente en los electrodos frontales. 2: Artefacto del electrodo causado por un mal contacto (y por tanto mayor impedancia) entre el electrodo P3 y la piel. 3: Artefacto de ingestión. 4: Artefacto común del electrodo de referencia causado por un mal contacto entre el electrodo de referencia y la piel. Ola enorme similar en todos los canales.

El EEG se describe típicamente en términos de (1) actividad rítmica y (2) transitorios. La actividad rítmica se divide en bandas por frecuencia. Hasta cierto punto, estas bandas de frecuencia son una cuestión de nomenclatura (es decir, cualquier actividad rítmica entre 8-12 Hz puede describirse como "alfa"), pero estas designaciones surgieron porque se observó que la actividad rítmica dentro de un cierto rango de frecuencia tenía un cierto distribución sobre el cuero cabelludo o un cierto significado biológico. Las bandas de frecuencia se extraen normalmente utilizando métodos espectrales (por ejemplo, Welch) implementados, por ejemplo, en software de EEG disponible gratuitamente, como EEGLAB o Neurophysiological Biomarker Toolbox . El procesamiento computacional del EEG a menudo se denomina electroencefalografía cuantitativa. (qEEG).

La mayor parte de la señal cerebral observada en el EEG del cuero cabelludo se encuentra en el rango de 1 a 20 Hz (es probable que la actividad por debajo o por encima de este rango sea un artefacto, según las técnicas de registro clínico estándar). Las formas de onda se subdividen en anchos de banda conocidos como alfa, beta, theta y delta para significar la mayoría de los EEG utilizados en la práctica clínica. ^[72]

Comparación de bandas de EEG

Comparación de bandas de EEG

Banda	Frecuencia (Hz)	Localización	Normalmente	Patológicamente
Delta	<4	frontalmente en adultos, posteriormente en niños; ondas de gran amplitud	sueño adulto de ondas lentas en bebés Se ha encontrado durante algunas tareas de atención continua [73]	lesiones subcorticales lesiones difusas encefalopatía metabólica hidrocefalia lesiones profundas de la línea media
Theta	4-7	Found in locations not related to task at hand	higher in young children drowsiness in adults and teens idling Associated with inhibition of elicited responses (has been found to spike in situations where a person is actively trying to repress a response or action).[73]	focal subcortical lesions metabolic encephalopathy deep midline disorders some instances of hydrocephalus
Alpha	8–15	posterior regions of head, both sides, higher in amplitude on dominant side. Central sites (c3-c4) at rest	relaxed/reflecting closing the eyes Also associated with inhibition control, seemingly with the purpose of timing inhibitory activity in different locations across the brain.	coma
Beta	16–31	both sides, symmetrical distribution, most evident frontally; low-amplitude waves	range span: active calm → intense → stressed → mild obsessive pensamiento activo, concentración, alerta máxima, ansiedad	benzodiazepinas Síndrome de Dup15q [74]
Gama	> 32	Corteza somatosensorial	Aparece durante el procesamiento sensorial transmodal (percepción que combina dos sentidos diferentes, como el sonido y la vista) [75] [76] También se muestra durante la comparación de memoria a corto plazo de objetos, sonidos o sensaciones táctiles reconocidos.	Una disminución en la actividad de la banda gamma puede estar asociada con el deterioro cognitivo, especialmente cuando se relaciona con la banda theta; Sin embargo, esto no se ha probado para su uso como medida de diagnóstico clínico.
Mu	8-12	Corteza sensoriomotora	Muestra neuronas motoras en estado de reposo. [77]	La supresión de Mu podría indicar que las neuronas motoras espejo están funcionando. Los déficits en la supresión de Mu y, por lo tanto, en las neuronas espejo, podrían desempeñar un papel en el autismo . [78]

The practice of using only whole numbers in the definitions comes from practical considerations in the days when only whole cycles could be counted on paper records. This leads to gaps in the definitions, as seen elsewhere on this page. The theoretical definitions have always been more carefully defined to include all frequencies. Unfortunately there is no agreement in standard reference works on what these ranges should be – values for the upper end of alpha and lower end of beta include 12, 13, 14 and 15. If the threshold is taken as 14 Hz, then the slowest beta wave has about the same duration as the longest spike (70 ms), which makes this the most useful value.

EEG Frequency bands: Improved definitions ^[79]

Band	Frequency (Hz)
Delta	< 4
Theta	≥ 4 and < 8
Alpha	≥ 8 and < 14
Beta	≥ 14

Otros a veces dividen las bandas en subbandas para fines de análisis de datos.

EEG humano con ritmo alfa prominente

Patrones de ondas

Ondas delta

• Delta Waves es el rango de frecuencia de hasta 4 Hz. Suele ser la más alta en amplitud y las ondas más lentas. Se ve normalmente en adultos con sueño de ondas lentas . También se ve normalmente en bebés. Puede ocurrir de manera focal con lesiones subcorticales y en general de distribución con lesiones difusas, encefalopatía metabólica, hidrocefalia o lesiones profundas de la línea media. Suele ser más prominente frontalmente en adultos (por ejemplo, FIRDA - delta rítmico intermitente frontal) y posteriormente en niños (por ejemplo, OIRDA - delta rítmico intermitente occipital).

Ondas theta

• Theta is the frequency range from 4 Hz to 7 Hz. Theta is seen normally in young children. It may be seen in drowsiness or arousal in older children and adults; it can also be seen in meditation.^[80] Excess theta for age represents abnormal activity. It can be seen as a focal disturbance in focal subcortical lesions; it can be seen in generalized distribution in diffuse disorder or metabolic encephalopathy or deep midline disorders or some instances of hydrocephalus. On the contrary this range has been associated with reports of relaxed, meditative, and creative states.

Alpha waves

• Alfa es el rango de frecuencia de 7 Hz a 13 Hz. ^[81] Hans Berger nombró la primera actividad de EEG rítmica que observó como "onda alfa". Este era el "ritmo básico posterior" (también llamado "ritmo dominante posterior" o "ritmo alfa posterior"), que se ve en las regiones posteriores de la cabeza en ambos lados, de mayor amplitud en el lado dominante. Surge con el cierre de los ojos y con la relajación, y se atenúa con la apertura de los ojos o el esfuerzo mental. El ritmo básico posterior es en realidad más lento que 8 Hz en niños pequeños (por lo tanto técnicamente en el rango theta).

Ritmo sensoriomotor también conocido como ritmo mu

In addition to the posterior basic rhythm, there are other normal alpha rhythms such as the mu rhythm (alpha activity in the contralateral sensory and motor cortical areas) that emerges when the hands and arms are idle; and the "third rhythm" (alpha activity in the temporal or frontal lobes).^[82][83] Alpha can be abnormal; for example, an EEG that has diffuse alpha occurring in coma and is not responsive to external stimuli is referred to as "alpha coma".

Beta waves

• Beta es el rango de frecuencia de 14 Hz a aproximadamente 30 Hz. Se ve generalmente en ambos lados en distribución simétrica y es más evidente frontalmente. La actividad beta está estrechamente relacionada con el comportamiento motor y generalmente se atenúa durante los movimientos activos. ^[84] La beta de baja amplitud con frecuencias múltiples y variables a menudo se asocia con el pensamiento activo, ocupado o ansioso y la concentración activa. La beta rítmica con un conjunto de frecuencias dominantes se asocia con diversas patologías, como el síndrome Dup15q , y efectos de fármacos, especialmente benzodiazepinas . Puede estar ausente o reducido en áreas de daño cortical. Es el ritmo dominante en pacientes que están alerta o ansiosos o que tienen los ojos abiertos.

Ondas gamma

• Gamma es el rango de frecuencia de aproximadamente 30–100 Hz. Se cree que los ritmos gamma representan la unión de diferentes poblaciones de neuronas en una red con el fin de llevar a cabo una determinada función cognitiva o motora. ^[1]
• El rango de Mu es de 8 a 13 Hz y se superpone parcialmente con otras frecuencias. Refleja el disparo sincrónico de las neuronas motoras en estado de reposo. Se cree que la supresión de Mu refleja los sistemas de neuronas espejo motoras, porque cuando se observa una acción, el patrón se extingue, posiblemente porque los sistemas neuronales normal y espejo "se desincronizan" e interfieren entre sí. ^[78]

La actividad "ultralenta" o "cercana a CC " se registra utilizando amplificadores de CC en algunos contextos de investigación. Por lo general, no se registra en un contexto clínico porque la señal en estas frecuencias es susceptible a una serie de artefactos.

Algunas características del EEG son transitorias en lugar de rítmicas. Los picos y las ondas agudas pueden representar actividad convulsiva o actividad interictal en personas con epilepsia o predisposición a la epilepsia. Otras características transitorias son normales: las ondas de vértice y los husos del sueño se observan en el sueño normal.

Tenga en cuenta que existen tipos de actividad que son estadísticamente infrecuentes, pero que no se asocian con disfunción o enfermedad. Suelen denominarse "variantes normales". El ritmo mu es un ejemplo de una variante normal.

El electroencefalograma (EEG) normal varía según la edad. El EEG prenatal y el EEG neonatal son bastante diferentes del EEG para adultos. Los fetos en el tercer trimestre y los recién nacidos muestran dos patrones comunes de actividad cerebral: "discontinua" y "traza alternada". La actividad eléctrica "discontinua" se refiere a ráfagas bruscas de actividad eléctrica seguidas de ondas de baja frecuencia. La actividad eléctrica de "rastreo alternativo" describe ráfagas bruscas seguidas de intervalos cortos de gran amplitud y generalmente indica un sueño tranquilo en los recién nacidos. ^[85] El EEG en la infancia generalmente tiene oscilaciones de frecuencia más lentas que el EEG en adultos.

El EEG normal también varía según el estado. El EEG se utiliza junto con otras mediciones ( EOG , EMG ) para definir las etapas del sueño en la polisomnografía.. Stage I sleep (equivalent to drowsiness in some systems) appears on the EEG as drop-out of the posterior basic rhythm. There can be an increase in theta frequencies. Santamaria and Chiappa cataloged a number of the variety of patterns associated with drowsiness. Stage II sleep is characterized by sleep spindles – transient runs of rhythmic activity in the 12–14 Hz range (sometimes referred to as the "sigma" band) that have a frontal-central maximum. Most of the activity in Stage II is in the 3–6 Hz range. Stage III and IV sleep are defined by the presence of delta frequencies and are often referred to collectively as "slow-wave sleep". Stages I–IV comprise non-REM (or "NREM") sleep. The EEG in REM (rapid eye movement) sleep appears somewhat similar to the awake EEG.

EEG under general anesthesia depends on the type of anesthetic employed. With halogenated anesthetics, such as halothane or intravenous agents, such as propofol, a rapid (alpha or low beta), nonreactive EEG pattern is seen over most of the scalp, especially anteriorly; in some older terminology this was known as a WAR (widespread anterior rapid) pattern, contrasted with a WAIS (widespread slow) pattern associated with high doses of opiates. Anesthetic effects on EEG signals are beginning to be understood at the level of drug actions on different kinds of synapses and the circuits that allow synchronized neuronal activity (see: http://www.stanford.edu/group/maciverlab/).

Artifacts

Artefactos biológicos

El "efecto de incumplimiento" vuelve a dirigir aquí. Para la posición del parto, consulte parto de nalgas .

Principales tipos de artefactos en el EEG humano

Las señales eléctricas detectadas a lo largo del cuero cabelludo por un EEG, pero que son de origen no cerebral, se denominan artefactos . Los datos de EEG casi siempre están contaminados por tales artefactos. La amplitud de los artefactos puede ser bastante grande en relación con el tamaño de amplitud de las señales corticales de interés. Ésta es una de las razones por las que se necesita una experiencia considerable para interpretar clínicamente correctamente los EEG. Algunos de los tipos más comunes de artefactos biológicos incluyen:

• artefactos inducidos por los ojos (incluye parpadeos, movimientos oculares y actividad muscular extraocular)
• Artefactos de ECG (cardíacos)
• Artefactos inducidos por EMG (activación muscular)
• artefactos glossocinéticos
• artefactos de defectos del cráneo, como los que se encuentran en pacientes que se han sometido a una craneotomía, que pueden describirse como "efecto de ruptura" o "ritmo de ruptura" ^[86]

The most prominent eye-induced artifacts are caused by the potential difference between the cornea and retina, which is quite large compared to cerebral potentials. When the eyes and eyelids are completely still, this corneo-retinal dipole does not affect EEG. However, blinks occur several times per minute, the eyes movements occur several times per second. Eyelid movements, occurring mostly during blinking or vertical eye movements, elicit a large potential seen mostly in the difference between the Electrooculography (EOG) channels above and below the eyes. An established explanation of this potential regards the eyelids as sliding electrodes that short-circuit the positively charged cornea to the extra-ocular skin.^[87][88] Rotation of the eyeballs, and consequently of the corneo-retinal dipole, increases the potential in electrodes towards which the eyes are rotated, and decrease the potentials in the opposing electrodes.^[89] Eye movements called saccades also generate transient electromyographic potentials, known as saccadic spike potentials (SPs).^[90] The spectrum of these SPs overlaps the gamma-band (see Gamma wave), and seriously confounds analysis of induced gamma-band responses,^[91] requiring tailored artifact correction approaches.^[90] Purposeful or reflexive eye blinking also generates electromyographicpotenciales, pero lo que es más importante, hay un movimiento reflejo del globo ocular durante el parpadeo que da una apariencia de artefacto característico del EEG (ver fenómeno de Bell ).

Los artefactos de aleteo de párpados de un tipo característico se llamaban anteriormente ritmo Kappa (u ondas Kappa). Suele verse en las derivaciones prefrontales, es decir, justo encima de los ojos. A veces se les ve con actividad mental. Por lo general, se encuentran en el rango Theta (4–7 Hz) o Alfa (7–14 Hz). Fueron nombrados porque se creía que se originaban en el cerebro. Un estudio posterior reveló que se generaban por un rápido aleteo de los párpados, a veces tan diminuto que era difícil de ver. De hecho, son ruido en la lectura del EEG y técnicamente no deberían llamarse ritmo u onda. Por lo tanto, el uso actual en electroencefalografía se refiere al fenómeno como un artefacto de aleteo de párpados, en lugar de un ritmo (u onda) Kappa. ^[92]

Algunos de estos artefactos pueden resultar útiles en diversas aplicaciones. Las señales EOG, por ejemplo, se pueden utilizar para detectar ^[90] y seguir los movimientos oculares , que son muy importantes en la polisomnografía , y también en el EEG convencional para evaluar posibles cambios en el estado de alerta, la somnolencia o el sueño.

Los artefactos de ECG son bastante comunes y pueden confundirse con actividad de picos. Debido a esto, la adquisición de EEG moderna comúnmente incluye un ECG de un canal de las extremidades. Esto también permite que el EEG identifique arritmias cardíacas que son un diagnóstico diferencial importante para el síncope u otros trastornos episódicos / de ataque.

Los artefactos glossocinéticos son causados ​​por la diferencia de potencial entre la base y la punta de la lengua. Los movimientos menores de la lengua pueden contaminar el EEG, especialmente en los trastornos parkinsonianos y temblorosos .

Artefactos ambientales

Además de los artefactos generados por el cuerpo, muchos artefactos se originan fuera del cuerpo. El movimiento del paciente, o incluso el simple asentamiento de los electrodos, puede causar estallidos de electrodos , picos originados por un cambio momentáneo en la impedancia de un electrodo dado. Una conexión a tierra deficiente de los electrodos de EEG puede causar un artefacto significativo de 50 o 60 Hz, dependiendo de la frecuencia del sistema de energía local . Una tercera fuente de posible interferencia puede ser la presencia de un goteo intravenoso ; tales dispositivos pueden causar ráfagas rítmicas, rápidas y de bajo voltaje, que pueden confundirse con picos.

Los artefactos de movimiento introducen ruido de señal que puede enmascarar la señal neuronal de interés. ^[93]

Una cabeza fantasma equipada con EEG puede colocarse sobre una plataforma de movimiento y moverse de forma sinusoidal. Este artilugio permitió a los investigadores estudiar la efectividad de los algoritmos de eliminación de artefactos de movimiento. ^[93]  Utilizando el mismo modelo de cabeza fantasma y plataforma de movimiento, se determinó que el balanceo del cable era un importante atribuidor de los artefactos de movimiento. Sin embargo, el aumento del área de la superficie del electrodo tuvo un efecto pequeño pero significativo en la reducción del artefacto. ^[93] Esta investigación fue patrocinada por el Laboratorio de Investigación del Ejército de los EE. UU. Como parte de la Alianza Técnica Colaborativa de Cognición y Neuroergonomía .

Corrección de artefactos

Un enfoque simple para tratar los artefactos es simplemente eliminar épocas de datos que exceden un cierto umbral de contaminación, por ejemplo, épocas con amplitudes superiores a ± 100 μV. Sin embargo, esto podría provocar la pérdida de datos que aún contienen información libre de artefactos. Otro enfoque es aplicar filtros espaciales y de banda de frecuencia para eliminar artefactos; sin embargo, los artefactos pueden superponerse con la señal de interés en el dominio espectral, lo que hace que este enfoque sea ineficaz. ^[94] Recientemente, se han utilizado técnicas de análisis de componentes independientes (ICA) para corregir o eliminar los contaminantes del electroencefalograma. ^{[90] [95] [96] [97] [98] [99]} These techniques attempt to "unmix" the EEG signals into some number of underlying components. There are many source separation algorithms, often assuming various behaviors or natures of EEG. Regardless, the principle behind any particular method usually allow "remixing" only those components that would result in "clean" EEG by nullifying (zeroing) the weight of unwanted components.

Por lo general, expertos en EEG realizan la corrección de artefactos de los datos de EEG, incluida la clasificación de los componentes de artefactos de ICA. Sin embargo, con el advenimiento de la matriz de EEG con 64 a 256 electrodos y el aumento de estudios con grandes poblaciones, la corrección manual de artefactos se ha vuelto extremadamente lenta. Para hacer frente a esto, así como a la subjetividad de muchas correcciones de artefactos, también se han desarrollado conductos de rechazo de artefactos totalmente automatizados. ^{[100] [101] [102] [103]}

En los últimos años, al comparar datos de sujetos paralizados y no paralizados, se ha demostrado que la contaminación del electroencefalograma por el músculo es mucho más frecuente de lo que se pensaba anteriormente, particularmente en el rango gamma por encima de 20 Hz. ^[104] Sin embargo, se ha demostrado que Surface Laplacian es eficaz en la eliminación de artefactos musculares, en particular para los electrodos centrales, que están más lejos de los contaminantes más fuertes. ^[105] La combinación de Surface Laplacian con técnicas automatizadas para eliminar componentes musculares usando ICA resultó particularmente efectiva en un estudio de seguimiento. ^[106]

Actividad anormal

La actividad anormal se puede dividir en términos generales en actividad epileptiforme y no epileptiforme. También se puede separar en focal o difusa.

Las descargas epileptiformes focales representan potenciales sincrónicos rápidos en un gran número de neuronas en un área algo discreta del cerebro. Estos pueden ocurrir como actividad interictal, entre convulsiones, y representan un área de irritabilidad cortical que puede estar predispuesta a producir convulsiones epilépticas. Las descargas interictales no son del todo fiables para determinar si un paciente tiene epilepsia ni dónde podría originarse la convulsión. (Ver epilepsia focal ).

Las descargas epileptiformes generalizadas suelen tener un máximo anterior, pero se observan de forma sincrónica en todo el cerebro. Sugieren fuertemente una epilepsia generalizada.

Focal non-epileptiform abnormal activity may occur over areas of the brain where there is focal damage of the cortex or white matter. It often consists of an increase in slow frequency rhythms and/or a loss of normal higher frequency rhythms. It may also appear as focal or unilateral decrease in amplitude of the EEG signal.

Diffuse non-epileptiform abnormal activity may manifest as diffuse abnormally slow rhythms or bilateral slowing of normal rhythms, such as the PBR.

Intracortical Encephalogram electrodes and sub-dural electrodes can be used in tandem to discriminate and discretize artifact from epileptiform and other severe neurological events.

More advanced measures of abnormal EEG signals have also recently received attention as possible biomarkers for different disorders such as Alzheimer's disease.^[107]

Remote communication

The United States Army Research Office budgeted $4 million in 2009 to researchers at the University of California, Irvine to develop EEG processing techniques to identify correlates of imagined speech and intended direction to enable soldiers on the battlefield to communicate via computer-mediated reconstruction of team members' EEG signals, in the form of understandable signals such as words.^[108]

EEG diagnostics

El Departamento de Defensa (DoD) y Asuntos de Veteranos (VA) y el Laboratorio de Investigación del Ejército de EE. UU. (ARL) colaboraron en el diagnóstico de EEG para detectar lesiones cerebrales traumáticas (mTBI) de leves a moderadas en soldados de combate. ^[109] Entre 2000 y 2012, el setenta y cinco por ciento de las lesiones cerebrales en operaciones militares de EE. UU. Se clasificaron como mTBI. En respuesta, el DoD buscó nuevas tecnologías capaces de una detección rápida, precisa, no invasiva y con capacidad de campo de mTBI para abordar esta lesión. ^[109]

El personal de combate a menudo sufre PTSD y mTBI en correlación. Ambas condiciones se presentan con oscilaciones de ondas cerebrales de baja frecuencia alteradas. ^{[110] Las} ondas cerebrales alteradas de los pacientes con TEPT presentan una disminución de las oscilaciones de baja frecuencia, mientras que las lesiones por mTBI están relacionadas con un aumento de las oscilaciones de las ondas de baja frecuencia. Los diagnósticos EEG efectivos pueden ayudar a los médicos a identificar con precisión las afecciones y tratar adecuadamente las lesiones para mitigar los efectos a largo plazo. ^[111]

Tradicionalmente, la evaluación clínica de los EEG implicaba una inspección visual. En lugar de una evaluación visual de la topografía de oscilación de ondas cerebrales, la electroencefalografía cuantitativa (qEEG), metodologías algorítmicas computarizadas, analiza una región específica del cerebro y transforma los datos en un “espectro de potencia” significativo del área. ^[109] Diferenciar con precisión entre mTBI y PTSD puede aumentar significativamente los resultados de recuperación positivos para los pacientes, especialmente porque los cambios a largo plazo en la comunicación neuronal pueden persistir después de un incidente de mTBI inicial. ^[111]

Another common measurement made from EEG data is that of complexity measures such as Lempel-Ziv complexity, fractal dimension, and spectral flatness,^[112] which are associated with particular pathologies or pathology stages.

Economics

Inexpensive EEG devices exist for the low-cost research and consumer markets. Recently, a few companies have miniaturized medical grade EEG technology to create versions accessible to the general public. Some of these companies have built commercial EEG devices retailing for less than US$100.

• In 2004 OpenEEG released its ModularEEG as open source hardware. Compatible open source software includes a game for balancing a ball.
• In 2007 NeuroSky released the first affordable consumer based EEG along with the game NeuroBoy. This was also the first large scale EEG device to use dry sensor technology.^[113]
• In 2008 OCZ Technology developed device for use in video games relying primarily on electromyography.
• In 2008 the Final Fantasy developer Square Enix announced that it was partnering with NeuroSky to create a game, Judecca.^[114][115]
• In 2009 Mattel partnered with NeuroSky to release the Mindflex, a game that used an EEG to steer a ball through an obstacle course. By far the best selling consumer based EEG to date.^[114][116]
• En 2009, Uncle Milton Industries se asoció con NeuroSky para lanzar Star Wars Force Trainer , un juego diseñado para crear la ilusión de poseer la Fuerza . ^{[114] [117]}
• En 2009, Emotiv lanzó el EPOC, un dispositivo EEG de 14 canales. El EPOC es el primer BCI comercial que no usa tecnología de sensor seco, lo que requiere que los usuarios apliquen una solución salina a las almohadillas de los electrodos (que deben volver a humedecerse después de una o dos horas de uso). ^[118]
• En 2010, NeuroSky agregó una función de parpadeo y electromiografía al MindSet. ^[119]
• En 2011, NeuroSky lanzó MindWave, un dispositivo EEG diseñado para juegos y propósitos educativos. ^[120] MindWave ganó el premio Guinness Book of World Records por "La máquina más pesada movida usando una interfaz de control cerebral". ^[121]
• En 2012, un proyecto de dispositivo japonés, neurowear , lanzó Necomimi: un auricular con orejas de gato motorizadas. El auricular es una unidad NeuroSky MindWave con dos motores en la diadema donde podrían estar las orejas de un gato. Las fundas con forma de orejas de gato se colocan sobre los motores de modo que a medida que el dispositivo registra estados emocionales, las orejas se mueven para relacionarse. Por ejemplo, cuando está relajado, las orejas caen hacia los lados y se animan cuando se excitan nuevamente.
• En 2014, OpenBCI lanzó una interfaz cerebro-computadora de código abierto del mismo nombre después de una exitosa campaña de kickstarter en 2013. El OpenBCI básico tiene 8 canales, ampliables a 16, y es compatible con EEG, EKG y EMG . El OpenBCI se basa en el ADS1299 IC de Texas Instruments y el microcontrolador Arduino o PIC, y cuesta $ 399 para la versión básica. Utiliza electrodos de copa de metal estándar y pasta conductora.
• En 2015, Mind Solutions Inc lanzó el BCI de consumo más pequeño hasta la fecha, NeuroSync . Este dispositivo funciona como un sensor seco en un tamaño no mayor que un auricular Bluetooth . ^[122]
• En 2015, una empresa con sede en China, Macrotellect, lanzó BrainLink Pro y BrainLink Lite , un producto portátil de EEG para consumidores que ofrece 20 aplicaciones de mejora de la aptitud cerebral en las tiendas de aplicaciones de Apple y Android . ^[123]

Investigación futura

Esta sección se basa demasiado en referencias a fuentes primarias . Mejore esta sección agregando fuentes secundarias o terciarias . ( Mayo de 2012 ) ( Obtenga información sobre cómo y cuándo eliminar este mensaje de plantilla )

The EEG has been used for many purposes besides the conventional uses of clinical diagnosis and conventional cognitive neuroscience. An early use was during World War II by the U.S. Army Air Corps to screen out pilots in danger of having seizures;^[124] long-term EEG recordings in epilepsy patients are still used today for seizure prediction. Neurofeedback remains an important extension, and in its most advanced form is also attempted as the basis of brain computer interfaces.^[125] The EEG is also used quite extensively in the field of neuromarketing.

El EEG se ve alterado por fármacos que afectan las funciones cerebrales, las sustancias químicas que son la base de la psicofarmacología . Los primeros experimentos de Berger registraron los efectos de las drogas en el EEG. La ciencia de la farmaco-electroencefalografía ha desarrollado métodos para identificar sustancias que alteran sistemáticamente las funciones cerebrales para uso terapéutico y recreativo.

Honda está intentando desarrollar un sistema para permitir que un operador controle su robot Asimo usando EEG, una tecnología que eventualmente espera incorporar en sus automóviles. ^[126]

Los electroencefalogramas se han utilizado como prueba en juicios penales en el estado indio de Maharashtra . ^{[127] [128]} El perfil de firma de oscilación eléctrica cerebral (BEOS), una técnica de EEG, se utilizó en el juicio del estado de Maharashtra v. Sharma para mostrar que Sharma recordaba haber usado arsénico para envenenar a su ex prometido, aunque la confiabilidad y la base científica de BEOS está en disputa. ^[129]

Actualmente se están llevando a cabo muchas investigaciones para hacer que los dispositivos EEG sean más pequeños, más portátiles y más fáciles de usar. El llamado "EEG portátil" se basa en la creación de dispositivos electrónicos de recolección inalámbricos de baja potencia y electrodos "secos" que no requieren un gel conductor para su uso. ^[130] EEG portátil tiene como objetivo proporcionar pequeños dispositivos de EEG que están presentes solo en la cabeza y que pueden registrar EEG durante días, semanas o meses a la vez, como EEG de oído . Esta monitorización prolongada y fácil de usar podría suponer un cambio radical en el diagnóstico de enfermedades crónicas como la epilepsia y mejorar en gran medida la aceptación de los sistemas BCI por parte del usuario final. ^[131]También se están llevando a cabo investigaciones para identificar soluciones específicas para aumentar la vida útil de la batería de los dispositivos EEG portátiles mediante el uso del enfoque de reducción de datos. Por ejemplo, en el contexto del diagnóstico de epilepsia, la reducción de datos se ha utilizado para extender la vida útil de la batería de los dispositivos EEG portátiles mediante la selección inteligente y solo la transmisión de datos de EEG relevantes para el diagnóstico. ^[132]

En la investigación, actualmente el EEG se usa a menudo en combinación con el aprendizaje automático . ^{[133] Los} datos de EEG se procesan previamente para pasarlos a algoritmos de aprendizaje automático. Estos algoritmos se entrenan luego para reconocer diferentes enfermedades como la esquizofrenia , ^{[134] la} epilepsia ^[135] o la demencia . ^[136] Además, se utilizan cada vez más para estudiar la detección de convulsiones. ^{[137] [138] [139] [140]} Al utilizar el aprendizaje automático, los datos se pueden analizar automáticamente. A largo plazo, esta investigación tiene como objetivo crear algoritmos que ayuden a los médicos en su práctica clínica ^[141]. and to provide further insights into diseases.^[142] In this vein, complexity measures of EEG data are often calculated, such as Lempel-Ziv complexity, fractal dimension, and spectral flatness.^[143] It has been shown that combining or multiplying such measures can reveal previously hidden information in EEG data.^[144]

EEG signals from musical performers were used to create instant compositions and one CD by the Brainwave Music Project, run at the Computer Music Center at Columbia University by Brad Garton and Dave Soldier.

See also

• 10-20 system (EEG)
• Amplitude integrated electroencephalography
• Binaural beats
• Brain-computer interface
• Brainwave synchronization
• Cerebral function monitoring
• Comparison of consumer brain-computer interface devices
• Direct brain interfaces
• EEG measures during anesthesia
• EEG microstates
• Electrocorticography
• Electromagnetic pulse
• Electroneurogram
• Electropalatograph
• Emotiv Systems
• European data format
• Event-related potential
• Evoked potential
• FieldTrip
• God helmet
• Hemoencephalography
• Hypersynchronization of electrophysiological activity in epilepsy
• Imagined Speech
• Induced activity
• Intracranial EEG
• Local field potentials
• Magnetoencephalography
• Mind machine
• Neural oscillations
• Neurofeedback
• Ongoing brain activity
• Spontaneous potential
• EEG analysis

References

1. Niedermeyer E .; da Silva FL (2004). Electroencefalografía: principios básicos, aplicaciones clínicas y campos relacionados . Lippincott Williams y Wilkins. ISBN 978-0-7817-5126-1.^{[ página necesaria ]}
2. Tatum, William O. (2014). Manual de interpretación de EEG . Demos Medical Publishing. págs. 155-190. ISBN 9781617051807. OCLC  874563370 .
3. "EEG" .
4. Chernecky, Cynthia C .; Berger, Barbara J. (2013). Pruebas de laboratorio y procedimientos de diagnóstico (6ª ed.). St. Louis, Missouri: Elsevier. ISBN 9781455706945.
5. Coenen, Anton; Edward Fine; Oksana Zayachkivska (2014). "Adolf Beck: un pionero olvidado en electroencefalografía". Revista de Historia de las Neurociencias . 23 (3): 276–286. doi : 10.1080 / 0964704x.2013.867600 . PMID 24735457 . S2CID 205664545 .  
6. Pravdich-Neminsky, VV. (1913). "Ein Versuch der Registrierung der elektrischen Gehirnerscheinungen". Zentralblatt für Physiologie . 27 : 951–60.
7. Haas, LF (2003). "Hans Berger (1873-1941), Richard Caton (1842-1926) y electroencefalografía" . Revista de Neurología, Neurocirugía y Psiquiatría . 74 (1): 9. doi : 10.1136 / jnnp.74.1.9 . PMC 1738204 . PMID 12486257 .  
8. Mijo, David (2002). "Los orígenes de EEG". Sociedad Internacional de Historia de las Neurociencias (ISHN).
9. Gibbs, FA (1 de diciembre de 1935). "El electroencefalograma en la epilepsia y en condiciones de alteración de la conciencia". Archivos de Neurología y Psiquiatría . 34 (6): 1133. doi : 10.1001 / archneurpsyc.1935.02250240002001 .
10. "Beckman Instruments suministro de equipos de monitoreo de vuelo médico" (PDF) . Resumen de noticias espaciales . 3 de marzo de 1965. págs. 4-5 . Consultado el 7 de agosto de 2019 .
11. S. Bozinovski, M. Sestakov, L. Bozinovska: Uso del ritmo alfa de EEG para controlar un robot móvil, En G. Harris, C. Walker (eds.) Proc. Conferencia Anual de la Sociedad Médica y Biológica del IEEE, p. 1515-1516, Nueva Orleans, 1988
12. S. Bozinovski: Control de trayectoria de robot móvil: de rieles fijos al control bioeléctrico directo, en O. Kaynak (ed.) Proc. Taller de IEEE sobre control de movimiento inteligente, p. 63-67, Estambul, 1990.
13. Jiang, Linxing Preston; Stocco, Andrea; Losey, Darby M.; Abernethy, Justin A.; Prat, Chantel S.; Rao, Rajesh P. N. (2019). "BrainNet: A Multi-Person Brain-to-Brain Interface for Direct Collaboration Between Brains". Scientific Reports. 9 (1): 6115. arXiv:1809.08632. Bibcode:2019NatSR...9.6115J. doi:10.1038/s41598-019-41895-7. ISSN 2045-2322. PMC 6467884. PMID 30992474.
14. https://www.mayoclinic.org/tests-procedures/eeg/about/pac-20393875
15. American Academy of Neurology. "Five Things Physicians and Patients Should Question". Choosing Wisely: An Initiative of the ABIM Foundation. Retrieved August 1, 2013., which cites
    • Gronseth, G. S.; Greenberg, M. K. (1995). "The utility of the electroencephalogram in the evaluation of patients presenting with headache: A review of the literature". Neurology. 45 (7): 1263–1267. doi:10.1212/WNL.45.7.1263. PMID 7617180. S2CID 26022438.
16. Yang, H.; Ang, K.K.; Wang, C.; Phua, K.S.; Guan, C. (2016), "Neural and cortical analysis of swallowing and detection of motor imagery of swallow for dysphagia rehabilitation—A review", Progress in Brain Research, 228: 185–219, doi:10.1016/bs.pbr.2016.03.014, ISBN 9780128042168, PMID 27590970
17. Jestrović, Iva; Coyle, James L; Sejdić, Ervin (15 de septiembre de 2015). "Decodificación de la deglución humana a través de electroencefalografía: una revisión del estado de la técnica" . Revista de Ingeniería Neural . 12 (5): 051001. Código Bibliográfico : 2015JNEng..12e1001J . doi : 10.1088 / 1741-2560 / 12/5/051001 . ISSN 1741-2560 . PMC 4596245 . PMID 26372528 .   
18. Cuellar, M .; Harkrider, AW; Jenson, D .; Thornton, D .; Bowers, A .; Saltuklaroglu, T. (julio de 2016). "Análisis de tiempo-frecuencia del ritmo mu EEG como una medida de integración sensoriomotora en las últimas etapas de la deglución". Neurofisiología clínica . 127 (7): 2625–2635. doi : 10.1016 / j.clinph.2016.04.027 . ISSN 1388-2457 . PMID 27291882 . S2CID 3746307 .   
19. Clayson, Peter E.; Carbine, Kaylie A.; Baldwin, Scott A.; Larson, Michael J. (2019). "Methodological reporting behavior, sample sizes, and statistical power in studies of event-related potentials: Barriers to reproducibility and replicability". Psychophysiology. 56 (11): e13437. doi:10.1111/psyp.13437. ISSN 1469-8986. PMID 31322285.
20. Burns, T.; Rajan, R. (2015). "Burns & Rajan (2015) Combining complexity measures of EEG data: multiplying measures reveal previously hidden information. F1000Research. 4:137". F1000Research. 4: 137. doi:10.12688/f1000research.6590.1. PMC 4648221. PMID 26594331.
21. Vespa, Paul M .; Nenov, Val; Nuwer, Marc R. (1999). "Monitorización continua de EEG en la unidad de cuidados intensivos: hallazgos tempranos y eficacia clínica". Revista de neurofisiología clínica . 16 (1): 1–13. doi : 10.1097 / 00004691-199901000-00001 . PMID 10082088 . 
22. Schultz, Teal L. (2012). "Consejos técnicos: electrodos EEG compatibles con resonancia magnética: ventajas, desventajas y viabilidad financiera en un entorno clínico". Revista de neurodiagnóstico 52.1 . 52 (1): 69–81. PMID 22558648 . 
23. Hämäläinen, Matti; Hari, Riitta; Ilmoniemi, Risto J .; Knuutila, Jukka; Lounasmaa, Olli V. (1993). "Magnetoencefalografía-teoría, instrumentación y aplicaciones a estudios no invasivos del cerebro humano en funcionamiento" . Reseñas de Física Moderna . 65 (2): 413–97. Código Bibliográfico : 1993RvMP ... 65..413H . doi : 10.1103 / RevModPhys.65.413 .
24. Montoya-Martínez, Jair (2021). "Efecto del número y la colocación de electrodos de EEG en la medición del seguimiento neuronal del habla" . bioRxiv . doi : 10.1101 / 800979 .
25. O'Regan, S; Faul, S; Marnane, W (2010). "Detección automática de artefactos EEG derivados de los movimientos de la cabeza". 2010 Conferencia Internacional Anual del IEEE Ingeniería en Medicina y Biología . págs. 6353–6. doi : 10.1109 / IEMBS.2010.5627282 . ISBN 978-1-4244-4123-5.
26. Murphy, Kieran J .; Brunberg, James A. (1997). "Claustrofobia adulta, ansiedad y sedación en resonancia magnética". Imágenes por resonancia magnética . 15 (1): 51–4. doi : 10.1016 / S0730-725X (96) 00351-7 . PMID 9084025 . 
27. Schenck, John F. (1996). "El papel de la susceptibilidad magnética en la formación de imágenes por resonancia magnética: compatibilidad magnética con IRM del primer y segundo tipo". Física Médica . 23 (6): 815–50. Código Bibliográfico : 1996MedPh..23..815S . doi : 10.1118 / 1.597854 . PMID 8798169 . 
28. Yasuno, Fumihiko; Brown, Amira K; Zoghbi, Sami S; Krushinski, Joseph H; Chernet, Eyassu; Tauscher, Johannes; Schaus, John M; Phebus, Lee A; Chesterfield, Amy K; Felder, Christian C; Alegre, Robert L; Hong, Jinsoo; Halldin, Christer; Pike, Victor W; Innis, Robert B (2007). "El radioligando PET \ 11C] MePPEP se une de forma reversible y con alta señal específica a los receptores cannabinoides CB1 en el cerebro de primates no humanos" . Neuropsicofarmacología . 33 (2): 259–69. doi : 10.1038 / sj.npp.1301402 . PMID 17392732 . 
29. Mulholland, Thomas (2012). "Objective EEG Methods for Studying Covert Shifts of Visual Attention". In McGuigan, F. J.; Schoonover, R. A. (eds.). The Psychophysiology of Thinking: Studies of Covert Processes. pp. 109–51. ISBN 978-0-323-14700-2.
30. Hinterberger, Thilo; Kübler, Andrea; Kaiser, Jochen; Neumann, Nicola; Birbaumer, Niels (2003). "A brain–computer interface (BCI) for the locked-in: Comparison of different EEG classifications for the thought translation device". Clinical Neurophysiology. 114 (3): 416–25. doi:10.1016/S1388-2457(02)00411-X. PMID 12705422. S2CID 11857440.
31. Sereno, SC; Rayner, K; Posner, MI (1998). "Establecer una línea de tiempo de reconocimiento de palabras: evidencia de movimientos oculares y potenciales relacionados con eventos". NeuroReport . 9 (10): 2195–200. doi : 10.1097 / 00001756-199807130-00009 . PMID 9694199 . S2CID 19466604 .  
32. Feinberg, I .; Campbell, IG (2012). "Las trayectorias longitudinales del EEG del sueño indican patrones complejos de maduración del cerebro adolescente" . AJP: Fisiología Reguladora, Integrativa y Comparada . 304 (4): R296-303. doi : 10.1152 / ajpregu.00422.2012 . PMC 3567357 . PMID 23193115 . Resumen de Lay - ScienceDaily (19 de marzo de 2013).  
33. Srinivasan, Ramesh (1999). "Métodos para mejorar la resolución espacial de EEG". Revista internacional . 1 (1): 102-11.
34. Schlögl, Alois; Slater, Mel; Pfurtscheller, Gert (2002). "Presence research and EEG" (PDF).
35. Huang-Hellinger, F.; Breiter, H.; McCormack, G.; Cohen, M.; Kwong, K. (1995). "Simultaneous Functional Magnetic Resonance Imaging and Electrophysiological Recording". Human Brain Mapping. 3: 13–23. doi:10.1002/hbm.460030103. S2CID 145788101.
36. Goldman, Robin; Stern, John; Engel, John; Cohen, Mark (2000). "Adquisición simultánea de EEG y resonancia magnética funcional". Neurofisiología clínica . 111 (11): 1974–80. doi : 10.1016 / s1388-2457 (00) 00456-9 . PMID 11068232 . S2CID 11716369 .  
37. Horovitz, Silvina G .; Skudlarski, Pawel; Gore, John C. (2002). "Correlaciones y disociaciones entre la señal BOLD y la amplitud P300 en una tarea extraña auditiva: un enfoque paramétrico para combinar fMRI y ERP". Imágenes por resonancia magnética . 20 (4): 319-25. doi : 10.1016 / S0730-725X (02) 00496-4 . PMID 12165350 . 
38. Laufs, H; Kleinschmidt, A; Beyerle, A; Eger, E; Salek-Haddadi, A; Preibisch, C; Krakow, K (2003). "EEG-correlated fMRI of human alpha activity". NeuroImage. 19 (4): 1463–76. CiteSeerX 10.1.1.586.3056. doi:10.1016/S1053-8119(03)00286-6. PMID 12948703. S2CID 6272011.
39. US patent 7286871, Mark S. Cohen, "Method and apparatus for reducing contamination of an electrical signal", published 2004-05-20 
40. Difrancesco, Mark W.; Holland, Scott K.; Szaflarski, Jerzy P. (2008). "Simultaneous EEG/Functional Magnetic Resonance Imaging at 4 Tesla: Correlates of Brain Activity to Spontaneous Alpha Rhythm During Relaxation". Journal of Clinical Neurophysiology. 25 (5): 255–64. doi:10.1097/WNP.0b013e3181879d56. PMC 2662486. PMID 18791470.
41. Huizenga, HM; Van Zuijen, TL; Heslenfeld, DJ; Molenaar, PC (2001). "Simultaneous MEG and EEG source analysis". Physics in Medicine and Biology. 46 (7): 1737–51. Bibcode:2001PMB....46.1737H. CiteSeerX 10.1.1.4.8384. doi:10.1088/0031-9155/46/7/301. PMID 11474922.
42. Aydin Ü, Vorwerk J, Dümpelmann M, Küpper P, Kugel H, Heers M, Wellmer J, Kellinghaus C, Haueisen J, Rampp S, Stefan H, Wolters CH (2015). "Combined EEG/MEG can outperform single modality EEG or MEG source reconstruction in presurgical epilepsy diagnosis". PLOS ONE (Review). 10 (3): e0118753. Bibcode:2015PLoSO..1018753A. doi:10.1371/journal.pone.0118753. PMC 4356563. PMID 25761059.
43. Schreckenberger, Mathias; Lange-Asschenfeldt, Christian; Lochmann, Matthias; Mann, Klaus; Siessmeier, Thomas; Buchholz, Hans-Georg; Bartenstein, Peter; Gründer, Gerhard (2004). "The thalamus as the generator and modulator of EEG alpha rhythm: A combined PET/EEG study with lorazepam challenge in humans". NeuroImage. 22 (2): 637–44. doi:10.1016/j.neuroimage.2004.01.047. PMID 15193592. S2CID 31790623.
44. Bird, Jordan J.; Manso, Luis J.; Ekart, Aniko; Faria, Diego R. (September 2018). A Study on Mental State Classification using EEG-based Brain-Machine Interface. Madeira Island, Portugal: 9th international Conference on Intelligent Systems 2018. Retrieved 3 December 2018.
45. Bird, Jordan J.; Ekart, Aniko; Buckingham, Christopher D.; Faria, Diego R. (2019). Mental Emotional Sentiment Classification with an EEG-based Brain-Machine Interface. St Hugh's College, University of Oxford, United Kingdom: The International Conference on Digital Image and Signal Processing (DISP'19). Retrieved 3 December 2018.
46. Vanneste S, Song JJ, De Ridder D (March 2018). "Thalamocortical dysrhythmia detected by machine learning". Nature Communications. 9 (1): 1103. Bibcode:2018NatCo...9.1103V. doi:10.1038/s41467-018-02820-0. PMC 5856824. PMID 29549239.
47. Herculano-Houzel S (2009). "The Human Brain in Numbers". Frontiers in Human Neuroscience. 3: 31. doi:10.3389/neuro.09.031.2009. PMC 2776484. PMID 19915731.
48. Tatum, W. O., Husain, A. M., Benbadis, S. R. (2008) "Handbook of EEG Interpretation" Demos Medical Publishing.^{[page needed]}
49. Nunez PL, Srinivasan R (1981). Electric fields of the brain: The neurophysics of EEG. Oxford University Press. ISBN 9780195027969.^{[page needed]}
50. Klein, S.; Thorne, B. M. (3 October 2006). Biological psychology. New York, N.Y.: Worth. ISBN 978-0-7167-9922-1.^{[page needed]}
51. Whittingstall, Kevin; Logothetis, Nikos K. (2009). "Frequency-Band Coupling in Surface EEG Reflects Spiking Activity in Monkey Visual Cortex". Neuron. 64 (2): 281–9. doi:10.1016/j.neuron.2009.08.016. PMID 19874794. S2CID 17650488.
52. Towle, Vernon L.; Bolaños, José; Suarez, Diane; Tan, Kim; Grzeszczuk, Robert; Levin, David N.; Cakmur, Raif; Frank, Samuel A.; Spire, Jean-Paul (1993). "The spatial location of EEG electrodes: Locating the best-fitting sphere relative to cortical anatomy". Electroencephalography and Clinical Neurophysiology. 86 (1): 1–6. doi:10.1016/0013-4694(93)90061-Y. PMID 7678386.
53. "Guideline Seven A Proposal for Standard Montages to Be Used in Clinical EEG". Journal of Clinical Neurophysiology. 11 (1): 30–6. 1994. doi:10.1097/00004691-199401000-00008. PMID 8195424.
54. Aurlien, H; Gjerde, I.O; Aarseth, J.H; Eldøen, G; Karlsen, B; Skeidsvoll, H; Gilhus, N.E (2004). "EEG background activity described by a large computerized database". Clinical Neurophysiology. 115 (3): 665–73. doi:10.1016/j.clinph.2003.10.019. PMID 15036063. S2CID 25988980.
55. Nunez, Paul L.; Pilgreen, Kenneth L. (1991). "The Spline-Laplacian in Clinical Neurophysiology". Journal of Clinical Neurophysiology. 8 (4): 397–413. doi:10.1097/00004691-199110000-00005. PMID 1761706. S2CID 38459560.
56. Taheri, B; Knight, R; Smith, R (1994). "A dry electrode for EEG recording☆". Electroencephalography and Clinical Neurophysiology. 90 (5): 376–83. doi:10.1016/0013-4694(94)90053-1. PMID 7514984.
57. Alizadeh-Taheri, Babak (1994). "Active Micromachined Scalp Electrode Array for Eeg Signal Recording". PHD Thesis: 82. Bibcode:1994PhDT........82A.
58. Hockenberry, John (August 2001). "The Next Brainiacs". Wired Magazine.
59. Slipher, Geoffrey A.; Hairston, W. David; Bradford, J. Cortney; Bain, Erich D.; Mrozek, Randy A. (2018). "Carbon nanofiber-filled conductive silicone elastomers as soft, dry bioelectronic interfaces". PLOS ONE. 13 (2): e0189415. Bibcode:2018PLoSO..1389415S. doi:10.1371/journal.pone.0189415. PMC 5800568. PMID 29408942.
60. Wang, Fei; Li, Guangli; Chen, Jingjing; Duan, Yanwen; Zhang, Dan (2016-06-06). "Novel semi-dry electrodes for brain–computer interface applications". Journal of Neural Engineering. 13 (4): 046021 (15pp). Bibcode:2016JNEng..13d6021W. doi:10.1088/1741-2560/13/4/046021. PMID 27378253.
61. Fiedler, P; Griebel, S; Pedrosa, P; Fonseca, C; Vaz, F; Zentner, L; Zanow, F; Haueisen, J (2015-01-01). "Multichannel EEG with novel Ti/TiN dry electrodes". Sensors and Actuators A: Physical. 221: 139–147. doi:10.1016/j.sna.2014.10.010. ISSN 0924-4247.
62. "Army neuroscientists foresee intelligent agents on the battlefield | U.S. Army Research Laboratory". www.arl.army.mil. Retrieved 2018-08-29.
63. "CGX Dry EEG Headsets".
64. "Dry EEG Technology". CGX LLC.
65. Kondylis, Efstathios D. (2014). "Detection Of High-Frequency Oscillations By Hybrid Depth Electrodes In Standard Clinical Intracranial EEG Recordings". Frontiers in Neurology. 5: 149. doi:10.3389/fneur.2014.00149. PMC 4123606. PMID 25147541.
66. Hämäläinen, Matti; Hari, Riitta; Ilmoniemi, Risto J.; Knuutila, Jukka; Lounasmaa, Olli V. (1993). "Magnetoencephalography—theory, instrumentation, and applications to noninvasive studies of the working human brain". Reviews of Modern Physics. 65 (2): 413–497. Bibcode:1993RvMP...65..413H. doi:10.1103/RevModPhys.65.413.
67. Murakami, S.; Okada, Y. (13 April 2006). "Contributions of principal neocortical neurons to magnetoencephalography and electroencephalography signals". The Journal of Physiology. 575 (3): 925–936. doi:10.1113/jphysiol.2006.105379. PMC 1995687. PMID 16613883.
68. Anderson, J. (22 October 2004). Cognitive Psychology and Its Implications (Hardcover) (6th ed.). New York, NY: Worth. p. 17. ISBN 978-0-7167-0110-1.
69. Creutzfeldt, Otto D.; Watanabe, Satoru; Lux, Hans D. (1966). "Relations between EEG phenomena and potentials of single cortical cells. I. Evoked responses after thalamic and epicortical stimulation". Electroencephalography and Clinical Neurophysiology. 20 (1): 1–18. doi:10.1016/0013-4694(66)90136-2. PMID 4161317.
70. Buzsaki G (2006). Rhythms of the brain. Oxford University Press. ISBN 978-0-19-530106-9.^{[page needed]}
71. Tanzer Oguz I. (2006). Numerical Modeling in Electro- and Magnetoencephalography, Ph.D. Thesis. Helsinki University of Technology. ISBN 978-9512280919.
72. Tatum, William O. (2014). "Ellen R. Grass Lecture: Extraordinary EEG". Neurodiagnostic Journal 54.1. 54 (1): 3–21. PMID 24783746.
73. Kirmizi-Alsan, Elif; Bayraktaroglu, Zubeyir; Gurvit, Hakan; Keskin, Yasemin H.; Emre, Murat; Demiralp, Tamer (2006). "Comparative analysis of event-related potentials during Go/NoGo and CPT: Decomposition of electrophysiological markers of response inhibition and sustained attention". Brain Research. 1104 (1): 114–28. doi:10.1016/j.brainres.2006.03.010. PMID 16824492. S2CID 18850757.
74. Frohlich, Joel; Senturk, Damla; Saravanapandian, Vidya; Golshani, Peyman; Reiter, Lawrence; Sankar, Raman; Thibert, Ronald; DiStefano, Charlotte; Cook, Edwin; Jeste, Shafali (December 2016). "A Quantitative Electrophysiological Biomarker of Duplication 15q11.2-q13.1 Syndrome". PLOS ONE. 11 (12): e0167179. Bibcode:2016PLoSO..1167179F. doi:10.1371/journal.pone.0167179. PMC 5157977. PMID 27977700.
75. Kisley, Michael A.; Cornwell, Zoe M. (2006). "Gamma and beta neural activity evoked during a sensory gating paradigm: Effects of auditory, somatosensory and cross-modal stimulation". Clinical Neurophysiology. 117 (11): 2549–63. doi:10.1016/j.clinph.2006.08.003. PMC 1773003. PMID 17008125.
76. Kanayama, Noriaki; Sato, Atsushi; Ohira, Hideki (2007). "Crossmodal effect with rubber hand illusion and gamma-band activity". Psychophysiology. 44 (3): 392–402. doi:10.1111/j.1469-8986.2007.00511.x. PMID 17371495.
77. Gastaut, H (1952). "Electrocorticographic study of the reactivity of rolandic rhythm". Revue Neurologique. 87 (2): 176–82. PMID 13014777.
78. Oberman, Lindsay M.; Hubbard, Edward M.; McCleery, Joseph P.; Altschuler, Eric L.; Ramachandran, Vilayanur S.; Pineda, Jaime A. (2005). "EEG evidence for mirror neuron dysfunction in autism spectrum disorders". Cognitive Brain Research. 24 (2): 190–8. doi:10.1016/j.cogbrainres.2005.01.014. PMID 15993757.
79. Recommendations for the Practice of Clinical Neurophysiology: Guidelines of the International Federation of Clinical Physiology (EEG Suppl. 52) Editors: G. Deuschl and A. Eisen q 1999 International Federation of Clinical Neurophysiology. All rights reserved. Published by Elsevier Science B.V.
80. Cahn, B. Rael; Polich, John (2006). "Meditation states and traits: EEG, ERP, and neuroimaging studies". Psychological Bulletin. 132 (2): 180–211. doi:10.1037/0033-2909.132.2.180. PMID 16536641.
81. Gerrard P, Malcolm R (June 2007). "Mechanisms of modafinil: A review of current research". Neuropsychiatr Dis Treat. 3 (3): 349–64. PMC 2654794. PMID 19300566.
82. Niedermeyer, E. (1997). "Alpha rhythms as physiological and abnormal phenomena". International Journal of Psychophysiology. 26 (1–3): 31–49. doi:10.1016/S0167-8760(97)00754-X. PMID 9202993.
83. Feshchenko, Vladimir A.; Reinsel, Ruth A.; Veselis, Robert A. (2001). "Multiplicity of the α Rhythm in Normal Humans". Journal of Clinical Neurophysiology. 18 (4): 331–44. doi:10.1097/00004691-200107000-00005. PMID 11673699.
84. Pfurtscheller, G.; Lopes da Silva, F. H. (1999). "Event-related EEG/MEG synchronization and desynchronization: Basic principles". Clinical Neurophysiology. 110 (11): 1842–57. doi:10.1016/S1388-2457(99)00141-8. PMID 10576479. S2CID 24756702.
85. Anderson, Amy L; Thomason, Moriah E (2013-11-01). "Functional plasticity before the cradle: A review of neural functional imaging in the human fetus". Neuroscience & Biobehavioral Reviews. 37 (9): 2220–2232. doi:10.1016/j.neubiorev.2013.03.013. ISSN 0149-7634. PMID 23542738. S2CID 45733681.
86. PubMed
87. Barry, W; Jones, GM (1965). "Influence of Eye Lid Movement Upon Electro-Oculographic Recording of Vertical Eye Movements". Aerospace Medicine. 36: 855–8. PMID 14332336.
88. Iwasaki, Masaki; Kellinghaus, Christoph; Alexopoulos, Andreas V.; Burgess, Richard C.; Kumar, Arun N.; Han, Yanning H.; Lüders, Hans O.; Leigh, R. John (2005). "Effects of eyelid closure, blinks, and eye movements on the electroencephalogram". Clinical Neurophysiology. 116 (4): 878–85. doi:10.1016/j.clinph.2004.11.001. PMID 15792897. S2CID 32674647.
89. Lins, Otavio G.; Picton, Terence W.; Berg, Patrick; Scherg, Michael (1993). "Ocular artifacts in EEG and event-related potentials I: Scalp topography". Brain Topography. 6 (1): 51–63. doi:10.1007/BF01234127. PMID 8260327. S2CID 7954823.
90. Keren, Alon S.; Yuval-Greenberg, Shlomit; Deouell, Leon Y. (2010). "Saccadic spike potentials in gamma-band EEG: Characterization, detection and suppression". NeuroImage. 49 (3): 2248–63. doi:10.1016/j.neuroimage.2009.10.057. PMID 19874901. S2CID 7106696.
91. Yuval-Greenberg, Shlomit; Tomer, Orr; Keren, Alon S.; Nelken, Israel; Deouell, Leon Y. (2008). "Transient Induced Gamma-Band Response in EEG as a Manifestation of Miniature Saccades". Neuron. 58 (3): 429–41. doi:10.1016/j.neuron.2008.03.027. PMID 18466752. S2CID 12944104.
92. Epstein, Charles M. (1983). Introduction to EEG and evoked potentials. J. B. Lippincott Co. ISBN 978-0-397-50598-2.^{[page needed]}
93. Symeonidou ER, Nordin AD, Hairston WD, Ferris DP (April 2018). "Effects of Cable Sway, Electrode Surface Area, and Electrode Mass on Electroencephalography Signal Quality during Motion". Sensors. 18 (4): 1073. doi:10.3390/s18041073. PMC 5948545. PMID 29614020.
94. Tatum, William O.; Dworetzky, Barbara A.; Schomer, Donald L. (June 2011). "Artifact and Recording Concepts in EEG". Journal of Clinical Neurophysiology. 28 (3): 252–263. doi:10.1097/WNP.0b013e31821c3c93. ISSN 0736-0258. PMID 21633251. S2CID 9826988.
95. Jung, Tzyy-Ping; Makeig, Scott; Humphries, Colin; Lee, Te-Won; McKeown, Martin J.; Iragui, Vicente; Sejnowski, Terrence J. (2000). "Removing electroencephalographic artifacts by blind source separation". Psychophysiology. 37 (2): 163–78. doi:10.1017/S0048577200980259. PMID 10731767.
96. Jung, Tzyy-Ping; Makeig, Scott; Westerfield, Marissa; Townsechesne, Eric; Sejnowski, Terrence J. (2000). "Removal of eye activity artifacts from visual event-related potentials in normal and clinical subjects". Clinical Neurophysiology. 111 (10): 1745–58. CiteSeerX 10.1.1.164.9941. doi:10.1016/S1388-2457(00)00386-2. PMID 11018488. S2CID 11044416.
97. Joyce, Carrie A.; Gorodnitsky, Irina F.; Kutas, Marta (2004). "Automatic removal of eye movement and blink artifacts from EEG data using blind component separation". Psychophysiology. 41 (2): 313–25. CiteSeerX 10.1.1.423.5854. doi:10.1111/j.1469-8986.2003.00141.x. PMID 15032997.
98. Fitzgibbon, Sean P; Powers, David M W; Pope, Kenneth J; Clark, C Richard (2007). "Removal of EEG noise and artifact using blind source separation". Journal of Clinical Neurophysiology. 24 (3): 232–243. doi:10.1097/WNP.0b013e3180556926. PMID 17545826. S2CID 15203197.
99. Shackman, Alexander J.; McMenamin, Brenton W.; Maxwell, Jeffrey S.; Greischar, Lawrence L.; Davidson, Richard J. (2010). "Identifying robust and sensitive frequency bands for interrogating neural oscillations". NeuroImage. 51 (4): 1319–33. doi:10.1016/j.neuroimage.2010.03.037. PMC 2871966. PMID 20304076.
100. da Cruz, Janir Ramos; Chicherov, Vitaly; Herzog, Michael H.; Figueiredo, Patrícia (2018-07-01). "An automatic pre-processing pipeline for EEG analysis (APP) based on robust statistics". Clinical Neurophysiology. 129 (7): 1427–1437. doi:10.1016/j.clinph.2018.04.600. ISSN 1388-2457. PMID 29730542. S2CID 13678973.
101. Nolan, H.; Whelan, R.; Reilly, R.B. (2010). "FASTER: Fully Automated Statistical Thresholding for EEG artifact Rejection". Journal of Neuroscience Methods. 192 (1): 152–62. doi:10.1016/j.jneumeth.2010.07.015. hdl:2262/41103. PMID 20654646. S2CID 25964213.
102. Debnath, Ranjan; Buzzell, George A.; Morales, Santiago; Bowers, Maureen E.; Leach, Stephanie C.; Fox, Nathan A. (2020). "The Maryland analysis of developmental EEG (MADE) pipeline". Psychophysiology. 57 (6): e13580. doi:10.1111/psyp.13580. ISSN 1469-8986. PMID 32293719.
103. Pedroni, Andreas; Bahreini, Amirreza; Langer, Nicolas (2019-10-15). "Automagic: Standardized preprocessing of big EEG data". NeuroImage. 200: 460–473. doi:10.1016/j.neuroimage.2019.06.046. ISSN 1053-8119. PMID 31233907. S2CID 195208373.
104. Whitham, Emma M; Pope, Kenneth J; Fitzgibbon, Sean P; Lewis, Trent W; Clark, C Richard; Loveless, Stephen; Broberg, Marita; Wallace, Angus; DeLosAngeles, Dylan; Lillie, Peter; et al. (2007). "Scalp electrical recording during paralysis: Quantitative evidence that EEG frequencies above 20Hz are contaminated by EMG". Clinical Neurophysiology. 118 (8): 1877–1888. doi:10.1016/j.clinph.2007.04.027. PMID 17574912. S2CID 237761.
105. Fitzgibbon, Sean P; Lewis, Trent W; Powers, David M W; Whitham, Emma M; Willoughby, John O; Pope, Kenneth J (2013). "Surface Laplacian of Central Scalp Electrical Signals is Insensitive to Muscle Contamination". IEEE Transactions on Biomedical Engineering. 60 (1): 4–9. doi:10.1109/TBME.2012.2195662. PMID 22542648.
106. Fitzgibbon, Sean P; DeLosAngeles, Dylan; Lewis, Trent W; Powers, David MW; Whitham, Emma M; Willoughby, John O; Pope, Kenneth J (2014). "Surface Laplacian of scalp electrical signals and independent component analysis resolve EMG contamination of electroencephalogram". Journal International Journal of Psychophysiology. 97 (3): 277–84. doi:10.1016/j.ijpsycho.2014.10.006. PMID 25455426.
107. Montez, Teresa; Poil, S.-S.; Jones, B. F.; Manshanden, I.; Verbunt, J. P. A.; Van Dijk, B. W.; Brussaard, A. B.; Van Ooyen, A.; Stam, C. J.; Scheltens, P.; Linkenkaer-Hansen, K. (2009). "Altered temporal correlations in parietal alpha and prefrontal theta oscillations in early-stage Alzheimer disease". Proceedings of the National Academy of Sciences. 106 (5): 165–70. Bibcode:2009PNAS..106.1614M. doi:10.1073/pnas.0811699106. PMC 2635782. PMID 19164579.
108. MURI: Synthetic Telepathy Archived 2012-07-08 at archive.today. Cnslab.ss.uci.ed m mm m m Retrieved 2011-07-19.
109. Rapp, Paul E.; Keyser, David O.; Albano, Alfonso; Hernandez, Rene; Gibson, Douglas B.; Zambon, Robert A.; Hairston, W. David; Hughes, John D.; Krystal, Andrew; Nichols, Andrew S. (2015). "Traumatic Brain Injury Detection Using Electrophysiological Methods". Frontiers in Human Neuroscience. 9: 11. doi:10.3389/fnhum.2015.00011. ISSN 1662-5161. PMC 4316720. PMID 25698950.
110. Franke, Laura M.; Walker, William C.; Hoke, Kathy W.; Wares, Joanna R. (August 2016). "Distinction in EEG slow oscillations between chronic mild traumatic brain injury and PTSD". International Journal of Psychophysiology. 106: 21–29. doi:10.1016/j.ijpsycho.2016.05.010. ISSN 1872-7697. PMID 27238074.
111. "Study: EEG can help tell apart PTSD, mild traumatic brain injury". www.research.va.gov. Retrieved 2019-10-09.
112. Burns, T.; Rajan, R. (2015). "Burns & Rajan (2015) Combining complexity measures of EEG data: multiplying measures reveal previously hidden information. F1000Research. 4:137". F1000Research. 4: 137. doi:10.12688/f1000research.6590.1. PMC 4648221. PMID 26594331.
113. "Mind Games". The Economist. 2007-03-23.
114. Li, Shan (2010-08-08). "Mind reading is on the market". Los Angeles Times.
115. "Brains-on with NeuroSky and Square Enix's Judecca mind-control game". Engadget. Retrieved 2010-12-02.
116. "New games powered by brain waves". Physorg.com. Archived from the original on 2011-06-06. Retrieved 2010-12-02.
117. Snider, Mike (2009-01-07). "Toy trains 'Star Wars' fans to use The Force". USA Today. Retrieved 2010-05-01.
118. "Emotiv Systems Homepage". Emotiv.com. Retrieved 2009-12-29.
119. "News - NeuroSky Upgrades SDK, Allows For Eye Blink, Brainwave-Powered Games". Gamasutra. 2010-06-30. Retrieved 2010-12-02.
120. Fiolet, Eliane. "NeuroSky MindWave Brings Brain-Computer Interface to Education". www.ubergizmo.com. Ubergizmo.
121. "NeuroSky MindWave Sets Guinness World Record for "Largest Object Moved Using a Brain-Computer Interface"". NeuroGadget.com. NeuroGadget. Archived from the original on 2013-10-15. Retrieved 2011-06-02.
122. "Product Launch! Neurosync - The World's Smallest Brain-Computer-Interface". www.prnewswire.com. July 15, 2015. Retrieved July 21, 2017.
123. "APP - Macrotellect". o.macrotellect.com. Retrieved 2016-12-08.
124. Keiper, Adam (2006). "The Age of Neuroelectronics". New Atlantis (Washington, D.c.). The New Atlantis. 11: 4–41. PMID 16789311. Archived from the original on 2016-02-12.
125. Wan, Feng; da Cruz, Janir Nuno; Nan, Wenya; Wong, Chi Man; Vai, Mang I; Rosa, Agostinho (2016-05-06). "Alpha neurofeedback training improves SSVEP-based BCI performance". Journal of Neural Engineering. 13 (3): 036019. Bibcode:2016JNEng..13c6019W. doi:10.1088/1741-2560/13/3/036019. ISSN 1741-2560. PMID 27152666.
126. Mind over matter: Brain waves control Asimo Archived 2009-04-03 at the Wayback Machine 1 Apr 2009, Japan Times
127. This brain test maps the truth 21 Jul 2008, 0348 hrs IST, Nitasha Natu, TNN
128. "Puranik, D.A., Joseph, S.K., Daundkar, B.B., Garad, M.V. (2009). Brain Signature profiling in India. Its status as an aid in investigation and as corroborative evidence – as seen from judgments. Proceedings of XX All India Forensic Science Conference, 815 – 822, November 15 – 17, Jaipur" (PDF). Archived from the original (PDF) on 2016-03-03. Retrieved 2014-07-10.
129. Gaudet, Lyn M. 2011. “BRAIN FINGERPRINTING, SCIENTIFIC EVIDENCE, AND DAUBERT: A CAUTIONARY LESSON FROM INDIA.” Jurimetrics: The Journal of Law, Science & Technology 51(3):293–318. Retrieved (https://www.jstor.org/stable/41307131?seq=1#page_scan_tab_contents).
130. Casson, Alexander; Yates, David; Smith, Shelagh; Duncan, John; Rodriguez-Villegas, Esther (2010). "Wearable electroencephalography. What is it, why is it needed, and what does it entail?". IEEE Engineering in Medicine and Biology Magazine. 29 (3): 44–56. doi:10.1109/MEMB.2010.936545. hdl:10044/1/5910. PMID 20659857. S2CID 1891995.
131. Looney, D.; Kidmose, P.; Park, C.; Ungstrup, M.; Rank, M. L.; Rosenkranz, K.; Mandic, D. P. (2012-11-01). "The In-the-Ear Recording Concept: User-Centered and Wearable Brain Monitoring". IEEE Pulse. 3 (6): 32–42. doi:10.1109/MPUL.2012.2216717. ISSN 2154-2287. PMID 23247157. S2CID 14103460.
132. Iranmanesh, Saam; Rodriguez-Villegas, Esther (2017). "A 950 nW Analog-Based Data Reduction Chip for Wearable EEG Systems in Epilepsy". IEEE Journal of Solid-State Circuits. 52 (9): 2362–2373. Bibcode:2017IJSSC..52.2362I. doi:10.1109/JSSC.2017.2720636. hdl:10044/1/48764. S2CID 24852887.
133. Lotte, F.; Bougrain, L.; Cichocki, A.; Clerc, M.; Congedo, M.; Rakotomamonjy, A.; Yger, F. (2018). "A review of classification algorithms for EEG-based brain-computer interfaces: a 10 year update". Journal of Neural Engineering. 15 (3): 031005. Bibcode:2018JNEng..15c1005L. doi:10.1088/1741-2552/aab2f2. ISSN 1741-2552. PMID 29488902.
134. Shim, Miseon; Hwang, Han-Jeong; Kim, Do-Won; Lee, Seung-Hwan; Im, Chang-Hwan (2016). "Machine-learning-based diagnosis of schizophrenia using combined sensor-level and source-level EEG features". Schizophrenia Research. 176 (2–3): 314–319. doi:10.1016/j.schres.2016.05.007. ISSN 1573-2509. PMID 27427557. S2CID 44504680.
135. Buettner, Ricardo; Frick, Janek; Rieg, Thilo (2019-11-12). "High-performance detection of epilepsy in seizure-free EEG recordings: A novel machine learning approach using very specific epileptic EEG sub-bands". ICIS 2019 Proceedings.
136. Ieracitano, Cosimo; Mammone, Nadia; Hussain, Amir; Morabito, Francesco C. (2020). "A novel multi-modal machine learning based approach for automatic classification of EEG recordings in dementia". Neural Networks. 123: 176–190. doi:10.1016/j.neunet.2019.12.006. ISSN 0893-6080. PMID 31884180.
137. Bhattacharyya, A.; Pachori, R. B. (2017). "A Multivariate Approach for Patient-Specific EEG Seizure Detection Using Empirical Wavelet Transform". IEEE Transactions on Biomedical Engineering. 64 (9): 2003–2015. doi:10.1109/TBME.2017.2650259. ISSN 1558-2531. PMID 28092514. S2CID 3522546.
138. Saab, Khaled; Dunnmon, Jared; Ré, Christopher; Rubin, Daniel; Lee-Messer, Christopher (2020-04-20). "Weak supervision as an efficient approach for automated seizure detection in electroencephalography". NPJ Digital Medicine. 3 (1): 1–12. doi:10.1038/s41746-020-0264-0. ISSN 2398-6352.
139. Bomela, Walter; Wang, Shuo; Chou, Chun-An; Li, Jr-Shin (2020-05-26). "Real-time Inference and Detection of Disruptive EEG Networks for Epileptic Seizures". Scientific Reports. 10 (1): 8653. Bibcode:2020NatSR..10.8653B. doi:10.1038/s41598-020-65401-6. ISSN 2045-2322. PMC 7251100. PMID 32457378.
140. Paesschen, Wim Van (2018). "The future of seizure detection". The Lancet. Neurology. 17 (3): 200–202. doi:10.1016/S1474-4422(18)30034-6. ISSN 1474-4465. PMID 29452676. S2CID 3376296.
141. Chen, Po-Hsuan Cameron; Liu, Yun; Peng, Lily (2019). "How to develop machine learning models for healthcare". Nature Materials. 18 (5): 410–414. Bibcode:2019NatMa..18..410C. doi:10.1038/s41563-019-0345-0. ISSN 1476-1122. PMID 31000806. S2CID 122563425.
142. Rudin, Cynthia (2019). "Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead". Nature Machine Intelligence. 1 (5): 206–215. arXiv:1811.10154. doi:10.1038/s42256-019-0048-x. ISSN 2522-5839.
143. Burns, T.; Rajan, R. (2015). "Burns & Rajan (2015) Combining complexity measures of EEG data: multiplying measures reveal previously hidden information. F1000Research. 4:137". F1000Research. 4: 137. doi:10.12688/f1000research.6590.1. PMC 4648221. PMID 26594331.
144. Burns, T.; Rajan, R. (2015). "Burns & Rajan (2015) Combining complexity measures of EEG data: multiplying measures reveal previously hidden information. F1000Research. 4:137". F1000Research. 4: 137. doi:10.12688/f1000research.6590.1. PMC 4648221. PMID 26594331.

65. Keiper, A. (2006). The age of neuroelectronics. The New Atlantis, 11, 4-41.

Further reading

• Nunez Paul L., Srinivasan Ramesh (2007). "PDF". Scholarpedia. 2 (2): 1348. Bibcode:2007SchpJ...2.1348N. doi:10.4249/scholarpedia.1348.
• Arns, Martijn; Sterman, Maurice B. (2019). Neurofeedback: How it all started. Nijmegen, The Netherlands: Brainclinics Insights. ISBN 9789083001302.

External links

Look up electroencephalography, electroencephalogram, electroencephalograph, or brainwave in Wiktionary, the free dictionary.

• Tanzer Oguz I., (2006) Numerical Modeling in Electro- and Magnetoencephalography, Ph.D. Thesis, Helsinki University of Technology, Finland.
• A tutorial on simulating and estimating EEG sources in Matlab
• A tutorial on analysis of ongoing, evoked, and induced neuronal activity: Power spectra, wavelet analysis, and coherence