El análisis de EEG está explotando métodos matemáticos de análisis de señales y tecnología informática para extraer información de las señales de electroencefalografía (EEG). Los objetivos del análisis de EEG son ayudar a los investigadores a comprender mejor el cerebro ; ayudar a los médicos en las opciones de diagnóstico y tratamiento ; y para impulsar la tecnología de interfaz cerebro-computadora (BCI). Hay muchas formas de categorizar aproximadamente los métodos de análisis de EEG. Si se utiliza un modelo matemático para ajustar las señales de EEG muestreadas, [1] el método se puede clasificar como paramétrico, de lo contrario, es un método no paramétrico. Tradicionalmente, la mayoría de los métodos de análisis de EEG se dividen en cuatro categorías: dominio del tiempo , dominio de la frecuencia , dominio del tiempo-frecuencia y métodos no lineales . [2] También existen métodos posteriores que incluyen redes neuronales profundas (DNN).
Métodos
Métodos de dominio de frecuencia
El análisis en el dominio de la frecuencia, también conocido como análisis espectral, es el más convencional y, sin embargo, uno de los métodos más potentes y estándar para el análisis de EEG. Proporciona información sobre la información contenida en el dominio de frecuencia de las formas de onda de EEG mediante la adopción de métodos estadísticos y de transformada de Fourier . [3] Entre todos los métodos espectrales, el análisis espectral de potencia es el más utilizado, ya que el espectro de potencia refleja el "contenido de frecuencia" de la señal o la distribución de la potencia de la señal sobre la frecuencia. [4]
Métodos de dominio del tiempo
Hay dos métodos importantes para el análisis EEG en el dominio del tiempo: Predicción lineal y Análisis de componentes . Generalmente, la predicción lineal da el valor estimado igual a una combinación lineal del valor de salida pasado con el valor de entrada actual y pasado. Y el análisis de componentes es un método no supervisado en el que el conjunto de datos se asigna a un conjunto de características. [5] En particular, los parámetros en los métodos en el dominio del tiempo se basan completamente en el tiempo, pero también pueden extraerse de momentos estadísticos del espectro de potencia. Como resultado, el método en el dominio del tiempo crea un puente entre la interpretación del tiempo físico y el análisis espectral convencional. [6] Además, los métodos en el dominio del tiempo ofrecen una forma de medir en línea las propiedades básicas de la señal mediante un cálculo basado en el tiempo, lo que requiere un equipo menos complejo en comparación con el análisis de frecuencia convencional. [7]
Métodos en el dominio del tiempo-frecuencia
La Transformada Wavelet , un método típico de dominio de tiempo-frecuencia, puede extraer y representar propiedades de señales biológicas transitorias. Específicamente, a través de la descomposición de ondículas de los registros de EEG, las características transitorias se pueden capturar y localizar con precisión tanto en el contexto de tiempo como de frecuencia. [8] Por lo tanto, la transformada Wavelet es como un microscopio matemático que puede analizar diferentes escalas de ritmos neuronales e investigar oscilaciones a pequeña escala de las señales cerebrales ignorando la contribución de otras escalas. [9] [10] Además de la Transformada Wavelet , existe otro método de tiempo-frecuencia prominente llamado Transformada de Hilbert-Huang , que puede descomponer las señales de EEG en un conjunto de componentes oscilatorios llamado Función de Modo Intrínseco (IMF) para capturar datos de frecuencia instantáneos . [11] [12]
Métodos no lineales
Muchos fenómenos de la naturaleza son no lineales y no estacionarios, al igual que las señales de EEG. Este atributo agrega más complejidad a la interpretación de las señales de EEG, lo que hace que los métodos lineales (métodos mencionados anteriormente) sean limitados. Desde 1985, cuando dos pioneros en el análisis EEG no lineal, Rapp y Bobloyantz, publicaron sus primeros resultados, la teoría de los sistemas dinámicos no lineales, también llamada " teoría del caos ", se ha aplicado ampliamente al campo del análisis EEG. [13] Para realizar un análisis EEG no lineal, los investigadores han adoptado muchos parámetros no lineales útiles como el exponente de Lyapunov , la dimensión de correlación y entropías como la entropía aproximada y la entropía de la muestra . [14] [15]
Métodos ANN
Se presenta la implementación de Redes Neuronales Artificiales (ANN) para la clasificación de señales de electroencefalograma (EEG). En la mayoría de los casos, los datos de EEG implican un preproceso de transformación de ondas antes de introducirlos en las redes neuronales. [16] [17] RNN ( redes neuronales recurrentes ) alguna vez se aplicó considerablemente en estudios de implementaciones de ANN en análisis de EEG. [18] [19] Hasta el auge de la inclinación profunda y las CNN ( redes neuronales convolucionales ), el método de CNN se convierte en un nuevo favorito en estudios recientes de análisis de EEG que emplean aprendizaje profundo. Con un entrenamiento recortado para que la CNN profunda alcance precisiones competitivas en el conjunto de datos, la CNN profunda ha presentado un rendimiento de decodificación superior. [20] Además, los grandes datos de EEG, como entrada de ANN, exigen la necesidad de un almacenamiento seguro y altos recursos computacionales para el procesamiento en tiempo real. Para abordar estos desafíos, se ha propuesto y presentado un aprendizaje profundo basado en la nube para el análisis en tiempo real de grandes datos de EEG. [21]
Aplicaciones
Clínico
El análisis de EEG se usa ampliamente en el diagnóstico y evaluación de enfermedades cerebrales. En el dominio de las crisis epilépticas , la detección de descargas epileptiformes en el EEG es un componente importante en el diagnóstico de la epilepsia. Los análisis cuidadosos de los registros de EEG pueden proporcionar información valiosa y una mejor comprensión de los mecanismos que causan los trastornos epilépticos. [22] Además, el análisis de EEG también ayuda mucho con la detección de la enfermedad de Alzheimer , [23] temblor , etc.
BCI (interfaz cerebro-computadora)
Las grabaciones de EEG durante las imágenes motoras derecha e izquierda permiten establecer un nuevo canal de comunicación. [24] Basado en el análisis de EEG en tiempo real con patrones espaciales específicos del sujeto, se puede usar una interfaz cerebro-computadora (BCI) para desarrollar una respuesta binaria simple para el control de un dispositivo. Un BCI basado en EEG de este tipo puede ayudar, por ejemplo, a pacientes con esclerosis lateral amiotrófica, con algunas actividades diarias.
Herramienta de análisis
Brainstorm es una aplicación colaborativa de código abierto dedicada al análisis de grabaciones cerebrales que incluyen MEG , EEG, fNIRS , ECoG , electrodos de profundidad y neurofisiología invasiva de animales. [25] El objetivo de Brainstorm es compartir un conjunto completo de herramientas fáciles de usar con la comunidad científica utilizando MEG / EEG como técnica experimental. Brainstorm ofrece una interfaz gráfica rica e intuitiva para médicos e investigadores, que no requiere ningún conocimiento de programación. Algún otro software de análisis de código abierto relativo incluye FieldTrip, etc.
Otros
Combinado con el análisis de expresiones faciales, el análisis EEG ofrece la función de detección continua de emociones, que se puede utilizar para encontrar los rastros emocionales de los videos. [26] Algunas otras aplicaciones incluyen mapeo cerebral basado en EEG, cifrador personalizado basado en EEG, sistema de anotación de imágenes basado en EEG, etc.
Ver también
- Densidad espectral
- Transformada de Fourier
- Transformada wavelet
- Transformada de Hilbert-Huang
- Sistema dinámico
- Teoría del caos
- Red neuronal artificial
- Aprendizaje profundo
- Red neuronal convolucional
- Red neuronal recurrente
- Aprendizaje automático
- Inteligencia artificial
- Epilepsia
- Enfermedad de Alzheimer
- Temblor
- Ataque epiléptico
Referencias
- ↑ Pardey, J .; Roberts, S .; Tarassenko, L. (enero de 1996). "Una revisión de las técnicas de modelado paramétrico para el análisis de EEG". Ingeniería médica y física . 18 (1): 2-11. CiteSeerX 10.1.1.51.9271 . doi : 10.1016 / 1350-4533 (95) 00024-0 . ISSN 1350-4533 . PMID 8771033 .
- ^ Acharya, U. Rajendra; Vinitha Sree, S .; Swapna, G .; Martis, Roshan Joy; Suri, Jasjit S. (junio de 2013). "Análisis EEG automatizado de la epilepsia: una revisión". Sistemas basados en el conocimiento . 45 : 147-165. doi : 10.1016 / j.knosys.2013.02.014 . ISSN 0950-7051 .
- ^ Acharya, U. Rajendra; Vinitha Sree, S .; Swapna, G .; Martis, Roshan Joy; Suri, Jasjit S. (junio de 2013). "Análisis EEG automatizado de la epilepsia: una revisión". Sistemas basados en el conocimiento . 45 : 147-165. doi : 10.1016 / j.knosys.2013.02.014 . ISSN 0950-7051 .
- ^ Dressler, O .; Schneider, G .; Stockmanns, G .; Kochs, EF (diciembre de 2004). "Conciencia y el espectro de potencia EEG: análisis de frecuencias" . Revista británica de anestesia . 93 (6): 806–809. doi : 10.1093 / bja / aeh270 . ISSN 0007-0912 . PMID 15377585 .
- ^ Acharya, U. Rajendra; Vinitha Sree, S .; Swapna, G .; Martis, Roshan Joy; Suri, Jasjit S. (junio de 2013). "Análisis EEG automatizado de la epilepsia: una revisión". Sistemas basados en el conocimiento . 45 : 147-165. doi : 10.1016 / j.knosys.2013.02.014 . ISSN 0950-7051 .
- ^ Hjorth, Bo (septiembre de 1970). "Análisis EEG basado en propiedades del dominio del tiempo". Electroencefalografía y neurofisiología clínica . 29 (3): 306–310. doi : 10.1016 / 0013-4694 (70) 90143-4 . ISSN 0013-4694 . PMID 4195653 .
- ^ Hjorth, Bo (septiembre de 1970). "Análisis EEG basado en propiedades del dominio del tiempo". Electroencefalografía y neurofisiología clínica . 29 (3): 306–310. doi : 10.1016 / 0013-4694 (70) 90143-4 . ISSN 0013-4694 . PMID 4195653 .
- ^ Adeli, Hojjat; Zhou, Ziqin; Dadmehr, Nahid (febrero de 2003). "Análisis de registros de EEG en un paciente epiléptico mediante transformada wavelet". Revista de métodos de neurociencia . 123 (1): 69–87. doi : 10.1016 / s0165-0270 (02) 00340-0 . ISSN 0165-0270 . PMID 12581851 .
- ^ Adeli, Hojjat; Zhou, Ziqin; Dadmehr, Nahid (febrero de 2003). "Análisis de registros de EEG en un paciente epiléptico mediante transformada wavelet". Revista de métodos de neurociencia . 123 (1): 69–87. doi : 10.1016 / s0165-0270 (02) 00340-0 . ISSN 0165-0270 . PMID 12581851 .
- ^ Hazarika, N .; Chen, JZ; Ah Chung Tsoi; Sergejew, A. (1997). Clasificación de las señales de EEG mediante la transformada de ondículas . Actas de la 13ª Conferencia Internacional sobre Procesamiento de Señales Digitales . 1 . IEEE. págs. 89–92. doi : 10.1109 / icdsp.1997.627975 . ISBN 978-0780341371.
- ^ Acharya, U. Rajendra; Vinitha Sree, S .; Swapna, G .; Martis, Roshan Joy; Suri, Jasjit S. (junio de 2013). "Análisis EEG automatizado de la epilepsia: una revisión". Sistemas basados en el conocimiento . 45 : 147-165. doi : 10.1016 / j.knosys.2013.02.014 . ISSN 0950-7051 .
- ^ Pigorini, Andrea; Casali, Adenauer G .; Casarotto, Silvia; Ferrarelli, Fabio; Baselli, Giuseppe; Mariotti, Maurizio; Massimini, Marcello; Rosanova, Mario (junio de 2011). "Análisis espectral de tiempo-frecuencia de oscilaciones de EEG evocadas por TMS por medio de la transformada de Hilbert-Huang". Revista de métodos de neurociencia . 198 (2): 236–245. doi : 10.1016 / j.jneumeth.2011.04.013 . ISSN 0165-0270 . PMID 21524665 .
- ^ Stam, CJ (octubre de 2005). "Análisis dinámico no lineal de EEG y MEG: revisión de un campo emergente". Neurofisiología clínica . 116 (10): 2266–2301. CiteSeerX 10.1.1.126.4927 . doi : 10.1016 / j.clinph.2005.06.011 . ISSN 1388-2457 . PMID 16115797 .
- ^ Acharya, U. Rajendra; Vinitha Sree, S .; Swapna, G .; Martis, Roshan Joy; Suri, Jasjit S. (junio de 2013). "Análisis EEG automatizado de la epilepsia: una revisión". Sistemas basados en el conocimiento . 45 : 147-165. doi : 10.1016 / j.knosys.2013.02.014 . ISSN 0950-7051 .
- ^ Stam, CJ (octubre de 2005). "Análisis dinámico no lineal de EEG y MEG: revisión de un campo emergente". Neurofisiología clínica . 116 (10): 2266–2301. CiteSeerX 10.1.1.126.4927 . doi : 10.1016 / j.clinph.2005.06.011 . ISSN 1388-2457 . PMID 16115797 .
- ^ Petrosian, Arthur; Prokhorov, Danil; Homan, Richard; Dasheiff, Richard; Wunsch, Donald (enero de 2000). "Predicción basada en redes neuronales recurrentes de ataques epilépticos en EEG intra y extracraneal". Neurocomputación . 30 (1–4): 201–218. doi : 10.1016 / s0925-2312 (99) 00126-5 . ISSN 0925-2312 .
- ^ Subasi, Abdulhamit; Erçelebi, Ergun (mayo de 2005). "Clasificación de señales de EEG mediante red neuronal y regresión logística". Métodos y programas informáticos en biomedicina . 78 (2): 87–99. doi : 10.1016 / j.cmpb.2004.10.009 . ISSN 0169-2607 . PMID 15848265 .
- ^ Subasi, Abdulhamit; Erçelebi, Ergun (mayo de 2005). "Clasificación de señales de EEG mediante red neuronal y regresión logística". Métodos y programas informáticos en biomedicina . 78 (2): 87–99. doi : 10.1016 / j.cmpb.2004.10.009 . ISSN 0169-2607 . PMID 15848265 .
- ^ Übeyli, Elif Derya (enero de 2009). "Análisis de señales de EEG mediante la implementación de métodos de vectores propios / redes neuronales recurrentes". Procesamiento de señales digitales . 19 (1): 134-143. doi : 10.1016 / j.dsp.2008.07.007 . ISSN 1051-2004 .
- ^ Schirrmeister, R .; Gemein, L .; Eggensperger, K .; Hutter, F .; Ball, T. (diciembre de 2017). Aprendizaje profundo con redes neuronales convolucionales para decodificación y visualización de patología EEG . Simposio de procesamiento de señales en medicina y biología de IEEE 2017 (SPMB) . IEEE. arXiv : 1708.08012 . doi : 10.1109 / spmb.2017.8257015 . ISBN 9781538648735.
- ^ Hosseini, Mohammad-Parsa; Soltanian-Zadeh, Hamid; Elisevich, Kost; Pompili, Dario (diciembre de 2016). Aprendizaje profundo basado en la nube de grandes datos de EEG para la predicción de ataques epilépticos . 2016 IEEE Global Conference on Signal and Information Processing (GlobalSIP) . IEEE. arXiv : 1702.05192 . doi : 10.1109 / globalsip.2016.7906022 . ISBN 9781509045457.
- ^ Subasi, Abdulhamit; Erçelebi, Ergun (mayo de 2005). "Clasificación de señales de EEG mediante red neuronal y regresión logística". Métodos y programas informáticos en biomedicina . 78 (2): 87–99. doi : 10.1016 / j.cmpb.2004.10.009 . ISSN 0169-2607 . PMID 15848265 .
- ^ Jeong, Jaeseung; Gore, John C; Peterson, Bradley S (mayo de 2001). "Análisis de información mutua del EEG en pacientes con enfermedad de Alzheimer". Neurofisiología clínica . 112 (5): 827–835. doi : 10.1016 / s1388-2457 (01) 00513-2 . ISSN 1388-2457 . PMID 11336898 .
- ^ Guger, C .; Ramoser, H .; Pfurtscheller, G. (2000). "Análisis de EEG en tiempo real con patrones espaciales específicos del sujeto para una interfaz cerebro-computadora (BCI)". Transacciones IEEE sobre ingeniería de rehabilitación . 8 (4): 447–456. doi : 10.1109 / 86.895947 . ISSN 1063-6528 . PMID 11204035 . S2CID 9504054 .
- ^ "Introducción - Lluvia de ideas" . neuroimage.usc.edu . Consultado el 16 de diciembre de 2018 .
- ^ Soleymani, Mohammad; Asghari-Esfeden, Sadjad; Pantic, Maja; Fu, Yun (julio de 2014). Detección continua de emociones mediante señales EEG y expresiones faciales . 2014 IEEE International Conference on Multimedia and Expo (ICME) . IEEE. CiteSeerX 10.1.1.649.3590 . doi : 10.1109 / icme.2014.6890301 . ISBN 9781479947614.