DETECCIÓN DE BIOPOTENCIALES ACTIVOS EN UN ELECTROENCEFALOGRAMA

Anahí de Loera Figueroa1
Universidad Politécnica de Aguascalientes
anahi.deloera@upa.edu.mx

Marco Antonio Álvarez Medina 2
Universidad Politécnica de Aguascalientes
marco.alvarez@upa.edu.mx

Resumen
La detección de Biopotenciales activos en una lectura de actividad electroencefalografía, es un método que resuelve la necesidad de aislar señales presentadas a lo largo de un Electroencefalograma (EEG) con el fin de estudiar cada onda cerebral con sus características. Para ello se aplican funciones matemáticas bastantes complejas que requieren de un proceso computarizado muy sintetizado. La aplicación de un banco de filtros es una técnica que resuelve esta tarea de una manera simple, permitiendo garantizar la detección correcta de las variaciones de onda a lo largo del registro. Con este avance se puede aportar el procesamiento de señales a la investigación médica ya que el resultado concreto de esta implementación radica en la separación de los Biopotenciales reales en los diferentes casos de estudio. En este caso, los registros EEG son adquiridos por una diadema  EPOC, el banco de filtros tiene un comportamiento semejante al de la Transformada Wavelet (WT) biortogonal del tipo Spline, cuyo fin es detectar momentos de inicio y fin de actividades de onda. Con esta etapa de prueba se obtuvieron ondas del tipo alfa que presentaron mayor densidad de frecuencias, mismas que proyectaron reflejos condicionados  detectados en el lóbulo occipital. De esta manera con los resultados que se obtiene pueden ayudar a probar la funcionalidad del algoritmo para la aplicación del banco de filtros en futuras etapas de investigación.
Palabras Clave: Electroencefalograma EEG-Biopoteniciales- filtro pasa-bajas LPF- filtro pasa-altas HP;-filtro derivador DpF- filtro integrador IpF.
Abstract

Detection of active bio potential on a reading of electroencephalographic activity, is a method that solves the need to isolate signals presented along an electroencephalogram (EEG) to study each brain wave characteristics. To do this quite complex mathematical functions that require a computerized process synthesized apply. Applying a filter bank is a technique that solves this task in a simple manner, allowing ensure correct detection of the variations of wave along the log. With this advance can provide signal processing for medical research since the concrete result of this implementation lies in the separation of real bio potential in the different case studies. In this case, the EEG records are acquired by a headband COPD, the filter bank has a similar behavior Wavelet Transform (WT) biorthogonal Spline type, designed to detect start and end times of wave activity. With this testing phase alpha waves guy who a higher density of frequencies, same as had projected conditioned reflexes detected in the occipital lobe were obtained. Thus the results obtained can help test the functionality of the algorithm for the implementation of the filter bank in future research stages.

Keyword: Electroencephalogram EEG-Bio potential- low pass filter LPF - high pass filter HPF-filter derived dF -integrating filter iF.

1 PROBLEMA DE INVESTIGACIÓN

En el presente trabajo prueba la técnica de desarrollo titulada banco de filtros para detectar el inicio y fin de la actividad eléctrica de la corteza cerebral por medio de un registro Electroencefalográfico, el cual contiene cuatro ondas cerebrales de diferentes rangos de frecuencia presentados por diversos eventos del cuerpo humano tal como es el cerrar y abrir un ojo o ambos facilitando el procesamiento digital de estos registros estudiando la morfología de dichas ondas cerebrales. 

2 PLANTEAMIENTO DE LA SITUACIÓN

El estudio de un registro Electroencefalográfico (EEG) es de gran utilidad en el área médica ayuda a encontrar encefalopatías tales como crisis convulsivas por epilepsias, crisis convulsivas por encefalopatía hipóxico-isquémica  ya su vez trastornos como el déficit de atención en niños menos de 10 años siendo el objeto de estudio con la investigación presentada ya que determinado la morfología de la ondas cerebrales detectadas con la técnica propuesta se puede ayudar a diagnosticar ciertos trastornos con mayor rapidez en formato numérico por medio de un algoritmo computacional.  

3 ANTECEDENTES

El trastorno por déficit de atención (TDA) se ha estudiado por más de 100 años el cual se presenta en niños menores de edad dando inicio de los primeros años de vida se manifiesta con síntomas como el de que no pone atención a los detalles y comente errores frecuentes por descuido; tiene dificultad para mantener la atención en las tareas y los juegos; se distrae fácilmente con estímulos irrelevantes entre otros más. En 1962 Clements y Peters en paralelo con el grupo de estudio institucional de Oxford en Neurología Infantil denominan el trastorno como “síndrome de disfunción cerebral mínima”  dando una clasificación de estos con signos neurológicos menores y/o electroencefalograma disfuncional.

En niños con el TDA existen anomalías en el EEG, es por eso la motivación para realizar esta investigación sobre el estudio de biopotenciales activos en la corteza cerebral, una de estas anomalías que se encuentran comúnmente son un enlentecimiento difuso o intermitente, de la actividad eléctrica cerebral fuera de los límites normales para la edad cronológica en 30-60 % de los casos. Otra de las anomalías son las ondas lentas posteriores y en un menor grado las actividades epileptiformes. El trabajo de investigación “Trastorno por Déficit de Atención e Hiperactividad” de Fernández y Callejas mencionan que hasta el momento actual no se ha encontrado un patrón Electroencefalográfico específico para el TDAH; ya que el trazado puede ser normal o presentar cierto grado de inmadurez eléctrica por la presencia de una mayor densidad de ondas lentas (Fernández, 2006).

En el 2010 en la publicación Diferencias electroencefalografías en niños con dos subtipos del trastorno por déficit de atención con hiperactividad de Rojas, Calzada y Rojas presentan que el análisis de un EEG puede determinar el tipo de TDAH que puede tener un niño, encontrando que los principales hallazgos en el electroencefalograma fueron el incremento de la actividad lenta frontal y la presencia de descargas epileptiformes. Se encontraron diferencias significativas entre los espectros de frecuencia de los  grupos donde se aplicó el estudio, por exceso en las bandas lentas y por defecto en las rápidas en el hiperactivo/impulsivo respecto al combinado. Estos resultados respaldan el modelo de un déficit de maduración del Sistema Nervioso Central como base del TDAH, resumen las autoras (Rojas, 2010).

En el trabajo “Extracción y Selección de Características Discriminantes para la Detección de TDAH en Registros de Potenciales Evocados Cognitivos” de Castro en 2011 estudia el EEG para hallar patrones descriptivos convenientes de señales en este caso de registros de potenciales evocados cognitivos para así encontrar patologías como el TDAH identificando sujetos sanos y enfermos de manera automatizada. El estudio hace la comparación de diferentes técnicas de extracción y selección de características que permite evaluar la calidad de los atributos representativos de las señales ERP P (Castro, 2011)

En la ciudad de Aguascalientes un grupo de investigadores del sector salud ven la necesidad de contar con instrumentos que con ayuda de la ingeniería y procesamiento digital de señales arrojen de manera correcta un diagnóstico de manera computarizado sobre el Trastorno por Déficit de Atención por el número de pacientes revisados constantemente con este trastorno haciendo la propuesta de este trabajo de investigación que encontrando las formas geométricas y morfológicas en un EEG determinar el patrón del TDA en formato escalar.

4 JUSTIFICACIÓN

Esta investigación pretende aportar una herramienta para el procesamiento digital del EEG de manera computacional en el hospital Hidalgo de la ciudad de Aguascalientes, factorizando los rasgos del Trastorno por déficit de atención en niños menores de edad los cuales tengan algún indicio de dicho trastorno facilitando un diagnóstico en formato escalar  con la creación de una técnica de análisis computacional en tiempo real y estacionario del EEG.

5 OBJETIVO

Detectar la presencia de biopotenciales de baja activación a lo largo del  EEG mediante un banco de filtros para definir inicio y fin de las ondas presentadas en un registro EEG.

6 PREGUNTAS DE INVESTIGACIÓN

¿Con una arquitectura de procesamiento digital de señales formada por bancos de filtros, se podrá detectar el inicio y fin de biopotenciales activo en ondas cerebrales presentadas en un registro Electroencefalográfico?

7 HIPÓTESIS DE LA INVESTIGACIÓN

Aplicando la técnica de banco de filtros se logra la detección correcta de las variaciones de ondas detectando el inicio y fin biopotenciales activo y objetos a lo largo de un registro Electroencefalográfico.

8 FUNDAMENTACIÓN TEÓRICA (AUTORES, TEORÍAS)

El presente trabajo es parte de una investigación que estudia el proceso de identificación y reconocimiento de las formas de onda de un registro EEG en tiempo real, mismo que se orienta al diagnóstico del trastorno por déficit de atención en niños menores de 10 años. En términos particulares, se tiene la necesidad de identificar el inicio y fin del registro de las ondas cerebrales para el obtener la forma morfológica de estas. Se sabe que una función que analice al registro en tiempo y frecuencia permite determinar la existencia de un Biopotenciales de acción.
Para fines de estudio en tiempo y frecuencia, una función del tipo requiere de bastante gasto computacional. Se toma como ejemplo la Transformada Wavelet (WT) (Tian-Xiao, 2004). Para ello, la técnica del banco de filtros propuesto trata de realizar la misma función que esta transformada. El experimento toma las lecturas de una diadema EEG EPOC y procesa los registros en una interface computacional, tomando en cuenta un proceso clásico de desaceleración de la señal, aplicando un filtro pasa bajas de bajo orden para posteriormente quedarse con las frecuencias estimadas de las ondas Beta, Alfa, Theta y Delta del EEG. Posteriormente se deriva la función obtenida para definir sólo los potenciales con máximos significativos, estos se estiman de manera heurística. De esta manera, se define un umbral de segmentación que dará sensibilidad a los niveles de energía que pudiera presentar el aura a identificar. Por último, se crea un ventana que se desliza a los largo de la señal, limpiando todos los registros que se encuentren por debajo del umbral señalado para concluir con un experimento que entregará como resultado la identificación del inicio y el final de la actividad de un biopotencial con alta densidad de frecuencia.
Como dato, es importante mencionar que en cada una de las zonas de la corteza cerebral se registran ondas cerebrales que son detectables en distintos rangos de frecuencia, como el caso de las ondas Delta, por ejemplo, que se maneja en rangos de frecuencia de 0.5 a 3.5 Hz, onda Theta con rangos de frecuencia de 4 a 7 Hz, ondas Alfa de 8 a 13 Hz y las ondas Beta de 14 a 30 Hz. Parámetros que darán línea al diseño de cada uno los filtros integrados en el banco de detección.
Los registros de un EEG se realizan por medio de la diadema EMOTIV EPOC elegida por su amplia variedad de aplicaciones de interfaz cerebro computadora (BCI) con respecto a un EEG, este instrumento cuenta con 16 derivaciones, figura  1, los cuales son ubicadas en cada zona de la corteza cerebral, es decir detectar biopotenciales en los cuatros lóbulos cerebrales y con la creación de un sistema de llave digital (SDK) se puede hacer la adquisición de las señales en cualquier lenguaje de programación, sin la necesidad de usar el software que incluye la diadema. Para este fin, el registro es procesado en la interface de simulación Matlab R2012b.

Observando la distribución de electrodo en la figura 1, las señales registradas en la interface son F3, F4, F7, F8, T7, T8, P7, P8, O1 y O2 y cada una de ellas es procesada para obtener cuatro ondas cerebrales (Alfa, Beta, Teta y Delta).

La colocación de los electrodos de la diadema EPOC se rige por el “Sistema Internacional de Posicionamiento de Electrodos 10-20” [5] como se puede observar en la figura 1. Identificando las zonas donde se tendrá la obtención de señales las letras F, P, T y O indican las zonas Frontal, Parietal, Temporal y Occipital respectivamente, los números pares corresponden al hemisferio derecho del cerebro y los impares al hemisferio izquierdo, como se puede observar en la figura 1 donde los puntos rojos indican la señal que se guarda en Matlab con un archivo .mat. (Uribe, 2002).

Para la elección del filtro pasa-banda adecuado se hizo la comparación de varios filtros tanto FIR como IIR [7]. Los tipos de filtros FIR por ventaneo comparados fueron Bartlett, Blackman, Kaiser, Hamming y Gaussian; se observan las respuestas de cada uno de ellos tanto en su respuesta de fase como en magnitud, sin embargo sólo en algunas señales. Teniendo estudiada la respuesta de los filtros diseñados, el siguiente paso es aplicar filtros la topología pasa bajas y pasa altas de cada uno de ellos, en donde se detecten las ondas cerebrales Alfa, Beta, Teta y Delta respecto al rango de frecuencia y las zonas de la corteza cerebral, esto con el fin de preparar las señales para aplicar el banco de filtros entregando un registro listo para la identificación de los biopotenciales activos con mayor densidad A (Guyton, 2000).

En la figura 2 se muestra un esquema del modelo de banco de filtros empleado en este pre procesamiento. Se reparte la tarea en tratar al registro EEG por partes, haciendo un suavizado a lo largo de la señal por medio de algoritmo de denoising [8], con la arquitectura de la figura 3, de la transformada Wavelet. El algoritmo respeta las siguientes regla en el umbral de su ventana de cómputo: logarítmico cuadrático, suavizado, escalamiento por nivel dependiente, descomposición en orden de 6 a 8 y  una función Daubechies como transformada Wavelet biortogonal.

Aplicado lo anterior se crea una ventana de cálculo con un filtro pasa altas que elimina la señal portadora del EEG dejando pasar las frecuencias de mayor velocidad para conocer las zonas de mayor densidad de frecuencias restantes a lo largo de la señal. Posteriormente, después de aplicar el filtro, se tiene una señal preparada para obtener los máximos de las oscilaciones presentadas así como el peso de cada una de sus curvas mediante una integración.

Hasta el momento todas las señales registradas se encuentran ya filtradas y normalizadas obtenidas de cada individuo o paciente en caso de estudio.

La aplicación de banco consistirá en lo siguiente: aplicando el filtro Butterworth de orden 25 con una frecuencia de muestreo mayor a 180Hz (siendo ésta la frecuencia de muestreo del instrumento utilizado), el filtro se sintoniza entre 8Hz y 13Hz correspondientes a la onda alfa. Se sintoniza la sensibilidad del umbral del banco de filtros, éste parámetro varía en cada caso; la finalidad es lograr identificar la actividad a estudiar. Se crea el la ventana pasa bajas y otra pasa altas propuesta, ésta podría ser el vector resultante de una transformada wavelet biortogonal del tipo spline (Tian-Xiao, 2004). Cuyos coeficientes son descritos en la siguiente ecuación.

Para k = n, n+1,…, 2p-1. En donde h (k) corresponde a los coeficientes de la ventana.

Obtenida la salida de los filtros, se aplica una acción derivada, ecuación 2, y se realiza un re escalamiento elevando todos los coeficientes de la señal resultante al cuadrado. De esta manera se realiza un barrido que determine las elevaciones correspondientes para definir el inicio de la ventana. Por último se revisa la pérdida de energía de la señal para determinar los descensos de la señal y definir el fin de biopotencial detectado.

9 MATERIALES Y MÉTODOS

Aplicando el método cuantitativo en primera fase del banco de filtros se tiene un vector donde los coeficientes resultantes para el experimento corresponden a los vectores h1 (k) para el pasa bajas y h2 (k) para el pasa altas.

Los cuáles serán convoluidos con el EEG y darle una forma y de esta manera en su salida se aplica una acción derivada encontrando máximos y mínimos indicando que todo cruce por cero identifica un pico de señal determinando el inicio y fin de la ventana.

En la última salida del banco de filtros el vector obtenido con la acción derivativa e integrativa se encuentra la energía de la señal o en su defecto los biopotenciales los cuales contiene información sobre algún evento.

10 RESULTADOS

El caso de estudio, estima la observación de las señales en cada salida, de cada uno de los filtros del banco. En la figura 4 se muestra el efecto del filtro sobre el EEG en función del tratamiento específico en cada etapa hasta llegar al cálculo de la energía de cada biopotencial. La señal 1 corresponde al EEG registrado por el instrumento; la señal 2 corresponde a la salida del filtro denoising, muestra un EEG sin ruido superpuesto; la señal  3 correspondiente a la normalización de la señal, muestra un EEG sin portadora con una acción ID (integrador-derivador) cuyo efecto muestra el ondulatorio del EEG y por último la señal 4 muestra la energía de cada biopotencial del EEG.

Para fines prácticos se analizó la señal Alfa de las derivaciones O1 y O2 con rasgos condicionados, en este caso parpadeo de ojos. Se aplicó el filtrado pasa-banda IIR Buterworth para normalizar la señal con el banco de filtros se identificó la densidad de la señal así como el inicio y fin del evento, en este caso un parpadeo, voluntario, de ojos. En la figura 5 se puede observar que con la aplicación del banco de filtros a la derivación O1, por medio del ventano, se identificó la zona de la onda con mayor densidad, indicando que se presentó un reflejo condicionado.

De igual manera se aplicó la técnica anterior en la derivación O2 para identificar la misma condición, reflejada en el otro hemisferio de la corteza cerebral, figura 6.

Para observar los resultados de una manera clara en la figura 7 se tiene el empalme de estas dos derivaciones y la coincidencia de los segmentos donde se presentó el evento.

11 CONCLUSIONES

Se deben tomar en cuenta los detalles la sintonización de las reglas de denoising conforme al SDK creado para la captura de la señal, con la frecuencia de muestreo del instrumento ya que esto determinará la limpieza del registro EEG y el correcto funcionamiento del banco de filtros.

Es importante considerar la linealidad de la respuesta del filtro, particularmente en su respuesta, ya que de esto dependerá en no perder componentes fundamentales de la señal, que podrían definir la aparición de un biopotencial.
El análisis debe observarse en cada composición y descomposición de la señal en la salida de cada uno de los filtros, principalmente después del derivador, ya que ahí es en donde el algoritmo determina el tamaño de la ventana que discrimine los inicios y fines de cada biopotencial.

12 TRABAJOS FUTUROS

En las siguientes etapas del trabajo de investigación se segmentaran los biopotenciales activos con el fin de terminar que forma geométrica contiene el biopontecial y determinar que primitiva se aplicara en cada caso encontrado el patrón que arroje el resultado que se espera valido por el médico.

REFERENCIAS