Superior de Ensenada, Baja California
MR
Maestría en Ciencias
en Ciencias de la Computación
EvoEEG: un estudio basado en el análisis de ondas
cerebrales mediante una interfaz
cerebro-computadora
Tesis
para cubrir parcialmente los requisitos necesarios para obtener el grado de Maestro en Ciencias
Presenta:
Aarón Barrera Román
Aarón Barrera Román
y aprobada por el siguiente Comité
Dr. Gustavo Olague Caballero
Director de tesis
M.C. José Luis Briseño Cervantes
Dr. Roberto Conte Galván
Dr. Eddie Helbert Clemente Torres
M.P. Manuel Antonio Hernández Saijas
Dr. Jesús Favela Vara
Coordinador del Posgrado en Ciencias de la Computación
Dra. Rufina Hernández Martínez
Director de Estudios de Posgrado
Aarón Barrera Román©2017
Resumen de la tesis que presenta Aarón Barrera Román como requisito parcial para la obtención del grado de Maestro en Ciencias en Ciencias de la Computación.
EvoEEG: un estudio basado en el análisis de ondas cerebrales mediante una interfaz cerebro-computadora
Resumen aprobado por:
Dr. Gustavo Olague Caballero
Director de tesis
Desde los inicios de la electroencefalografía como herramienta para el estudio del cerebro humano a finales de la década de 1920, sus campos de aplicación han ido incrementando, haciendola cada vez más versátil aunado al surgimiento de nuevas tecnologías con las que ha seguido en boga debido a sus notables ventajas como ba-jo costo de implementación, alta resolución temporal y su carácter no invasivo. Tales características, hacen a la electroencefalografía una tecnología ideal para campos de aplicación emergentes como el de las interfaces cerebro-computadora, que son inter-faces controladas directa o indirectamente mediante la actividad cerebral del usuario. Por otro lado, se dice que la electroencefalografía, sacrifica la precisión de las me-diciones, por lo que las señales obtenidas mediante estudios electroencefalográficos son complejas y se encuentran formadas por distintas componentes conocidas como ondas o ritmos cerebrales. Durante los primeros registros electroencefalográficos, se estudió una componente con una frecuencia de 10 Hz identificada como “Ritmo de Gran Amplitud”, que posteriormente fue renombrada como onda alfa, por tratarse de la primera onda cerebral observada. En la actualidad, la detección de ondas alfa se utiliza con frecuencia como una prueba inicial para el equipo de adquisición de datos electroencefalográficos, ya que la presencia de estas ondas cerebrales puede ser iden-tificada sin conocimientos especializados en electrofisiología, es por esto que tal expe-rimento se puede considerar como un buen punto de partida para estudios electroen-cefalográficos de mayor complejidad. Como primer enfoque hacia un estudio de mayor complejidad, la presente investigación se centra en desarrollar un sistema capaz de extraer señales electroencefalográficas a partir de una interfaz cerebro-computadora, mismas que posteriormente son transformadas en pseudo-imágenes que conservan las características espaciales, de potencia y frecuencia de las señales originales, las cuales finalmente son interpretadas a través un modelo computacional basado en una estructura jerárquica que imita la forma en que la información visual es procesada por el cerebro humano. Este último paso permite determinar si las señales electroencefa-lográficas originales presentan o no actividad en la banda alfa.
Abstract of the thesis presented by Aarón Barrera Román as a partial requirement to obtain the Master of Science degree in Computer science.
EvoEEG: a study based in brainwave analysis through a brain-computer interface
Abstract approved by:
Dr. Gustavo Olague Caballero
Thesis Director
Since the beginning of electroencephalography as a tool for the study of the human brain at the end of the 1920s, its application fields have been increasing, making it increasingly versatile joined to the emergence of new technologies with which it has remained in vogue due to its remarkable advantages such as low implementation cost, high temporal resolution and its non invasive nature. Such characteristics, make the electroencephalography an ideal technology for emerging application fields such as the brain-computer interfaces, which are interfaces controlled directly or indirectly by the user’s brain activity. On the other hand, it is said that in electroencephalography, the precision of the measurements is sacrificed, so that the signals obtained from elec-troencephalography studies are complex and formed by different components known as brain waves or rhythms. During the first electroencephalographic recordings, a com-ponent with a frequency of 10 Hz identified as “Large Amplitude Rhythm” was studied, which was later renamed as alpha wave, because it was the first observed brain wave. Nowadays, alpha wave detection is often used as an initial test for the electroencep-halographic data acquisition system, due to the presence of these brain waves can be identified without specialized electrophysiology knowledge, this is why such experi-ment can be considered a good starting point for more complex electroencephalograp-hic studies. As a first approach towards a more complex study, this research is focused in developing a system capable of extracting electroencephalographic signals by the means of a brain-computer interface, which are later transformed into pseudo-images that keep the spatial, power and frequency features from the original signals, that are finally interpreted through a computational model based in a hierarchical structure that mimics the way the visual information is processed by the human brain. This last step allows the system to determine whether or not the original electroencephalographic signals contain activity in the alpha band.
Dedicatoria
Agradecimientos
A mis padres María Irene Román López y Jesús Noe Barrera Gámez por sembrar
en mí la semilla de la curiosidad, enseñarme a cuestionar, dejarme aprender de mis
errores y ayudarme a desarrollar un pensamiento crítico.
A mis hermanos Daniel Barrera Román y Enrique Noe Barrera Lozoya por
enseñar-me con el ejemplo y retarenseñar-me cuando ha sido necesario.
A mis ninos Paula Román López y Jesús Román López, quienes me han motivado y
ayudado a seguir adelante en todo lo que me propongo.
A mis primos y amigos, quienes en cada borrachera estuvieron conmigo para
re-cordarme que no estaba sólo y me dieron palabras de aliento para continuar.
A la memoria de mi nana Socorro Gámez Armenta, a quien le debo en gran parte
mi interés por conocer el funcionamiento del cerebro humano y en quien me inspiré
para desarrollar esta investigación.
A la memoria de mis abuelos Reyna López Ortíz y Manuel de Jesús Román Gaxiola
a quienes siempre admiré por su calidad como personas, su dedicación y constancia.
Al profesor Jorge Torres, quien siempre me ayudó a seguir adelante y de quien
aprendí mucho tanto en cuestión académica como de la vida en general.
Al profesor Roberto Conte, con quien comparto la idea de la importancia de la
Al profesor Manuel Hernández, quien me ha motivado para que el fin último de esta
investigación sea el concretarla para una aplicación real.
Al profesor Jose Briseño quien me guió y aportó valiosas ideas para llevar a cabo
esta investigación
Al profesor Eddie Clemente, quien me apoyó de forma desinteresada durante la
etapa de experimentación.
Al profesor Gustavo Olague, quien a pesar de las adversidades estuvo conmigo
como catedrático y como amigo.
A los mexicanos que con sus aportaciones hicieron posible la realización de mis
estudios a través del Centro de Investigación Científica y de Educación Superior de
Tabla de contenido
Página
Resumen en español . . . ii
Resumen en inglés . . . iii
Dedicatoria . . . iv
Agradecimientos . . . v
Lista de figuras . . . x
Lista de tablas . . . xiii
Capítulo 1. Introducción 1.1. Planteamiento del problema . . . 4
1.2. Objetivo general . . . 5
1.3. Objetivos específicos . . . 6
1.4. Alcance de la tesis . . . 6
1.5. Aportaciones . . . 7
1.6. Organización de la tesis . . . 9
Capítulo 2. Fundamentos físico-biológicos 2.1. Electroencefalografía . . . 11
2.1.1. Sistema 10-20 . . . 13
2.1.2. Montaje . . . 14
2.1.3. Origen de las señales EEG . . . 17
2.1.4. Características y naturaleza de las señales EEG . . . 22
2.2. El fenómeno de las ondas alfa . . . 26
2.2.1. Primeros intentos para identificar el origen de las ondas alfa . . 27
2.2.2. Evidencia moderna del origen de las ondas alfa . . . 28
2.3. Interfaces cerebro-computadora . . . 31
2.3.1. OpenBCI . . . 34
2.3.1.1. Juego de desarrollo de 32 bits . . . 35
Capítulo 3. Fundamentos matemático-computacionales 3.1. Análisis en el dominio de la frecuencia . . . 39
3.1.1. Transformada contínua de Fourier . . . 41
3.1.2. Transformada discreta de Fourier . . . 42
3.1.3. Efecto de solapamiento . . . 44
3.1.4. Transformada rápida de Fourier . . . 45
3.1.5. Espectro de potencia . . . 46
3.1.6. Fuga y ventanas . . . 47
3.2. Distribuciones de datos . . . 49
3.2.1. Parámetros de localización . . . 50
3.2.2. Parámetros de dispersión . . . 51
3.2.3. Parámetros de forma . . . 51
Tabla de contenido (continuación)
3.3.1. Proyección azimutal equidistante . . . 54
3.4. Interpolación . . . 56
3.5. Computación evolutiva . . . 59
3.6. Programación de cerebros artificiales . . . 63
Capítulo 4. EvoEEG 4.1. Adquisición . . . 65
4.2. Pre-procesamiento . . . 67
4.2.1. Espectro de potencia y filtrado . . . 68
4.2.2. Almacenamiento . . . 68
4.2.3. Parámetros estadísticos . . . 69
4.3. Formación de pseudo-imágenes . . . 69
4.3.1. Proyección . . . 69
4.3.2. Interpolación . . . 73
4.3.3. Normalización . . . 74
4.3.4. Mezcla de bandas . . . 76
4.3.5. Aplicación de máscara . . . 77
4.4. Clasificación . . . 79
Capítulo 5. Experimentación 5.1. Condiciones de experimentación . . . 80
5.1.1. Condiciones ambientales . . . 80
5.1.2. Configuración del equipo de adquisición . . . 81
5.1.2.1. Parámetros de hardware . . . 82
5.1.2.2. Parámetros de software . . . 83
5.1.3. Sujetos de estudio . . . 84
5.2. Registro de señales EEG . . . 85
5.2.1. Instalación deOpenBCI . . . 85
5.2.2. Pruebas preliminares . . . 87
5.2.3. Adquisición de señales EEG . . . 91
5.3. Pre-procesamiento y formación de pseudo-imágenes . . . 92
5.3.1. Etiquetado de pseudo-imágenes . . . 93
5.4. Clasificación de señales EEG . . . 100
Capítulo 6. Análisis de resultados 6.1. Experimentos de validación cruzada . . . 101
6.2. Análisis de los mejores individuos . . . 106
6.2.1. Desempeño . . . 106
6.2.2. Estructura . . . 107
6.2.3. Flujo de información . . . 108
Tabla de contenido (continuación)
7.2. Trabajo futuro . . . 112
Literatura citada . . . .114
Lista de figuras
Figura Página
1. Hans Berger, creador del primer equipo EEG . . . 12
2. El sistema internacional de colocación de electrodos 10-20 . . . 14
3. Modelo de un canal EEG. . . 15
4. Un canal es la diferencia entre dos electrodos adyacentes . . . 15
5. Ilustración de un montaje bipolar . . . 16
6. Ilustración de un montaje referencial . . . 16
7. Ilustración de un montaje de referencia promediada . . . 17
8. Estructura simple de una neurona . . . 18
9. Generación de pequeños campos eléctricos mediante corrientes sinápti-cas en las células piramidales . . . 19
10. Áreas anatómicas del cerebro . . . 21
11. Ejemplo de distintos tipos de ritmos EEG . . . 23
12. Ilustración de un registro EEG normal . . . 24
13. Principales tipos de artefactos en el EEG humano . . . 25
14. Arquitectura general de un sistema BCI . . . 32
15. Tablero OpenBCIde 32 bits . . . 35
16. MóduloDaisy OpenBCI . . . 36
17. Receptor inalámbrico programableOpenBCI . . . 36
18. Adaptadores para electrodos a prueba de toque . . . 37
19. Electrodos pasivos . . . 37
20. Módulo de 6V para baterías AA . . . 38
21. Postes de plástico . . . 38
22. Señales en los dominios del tiempo y la frecuencia . . . 40
23. Ilustración del efecto de solapamiento . . . 44
24. Ejemplo del efecto de fuga . . . 47
25. Ventanas comúnmente utilizadas para disminuir el efecto de fuga . . . 48
26. Tipos de oblicuidad y kurtosis . . . 52
27. Ejemplos de interpolación . . . 58
28. Sistema completoOpenBCI instalado enMark IV . . . 66
29. Posicionamiento de los electrodos de registro y referencia . . . 67
Lista de figuras (continuación)
Figura Página
31. Comparación entre métodos de proyección . . . 71
32. Proyección final de las posiciones tridimensionales de los electrodos . . . . 73
33. Proceso de interpolación mediante el algoritmo de “Splinebiarmónica” . . 74
34. Aplicación del factor de normalización en una pseudo-imagen . . . 76
35. Formación de una pseudo-imágen única a partir de la mezcla de bandas . 77 36. Aplicación de máscara para obtener la versión final de las pseudo-imágenes 78 37. Diagrama del sistema electrónico-computacional para la detección de on-das alfa mediante la clasificación de pseudo-imágenes generaon-das a partir de señales EEG . . . 79
38. Conexión de los tableros principal y auxiliar del sistema OpenBCIen con-junto . . . 82
39. Modificaciones para referenciar eléctricamente los tableros principal y au-xiliar del sistemaOpenBCI al mismo par de electrodos . . . 83
40. Colocación deMark IV en la cabeza del sujeto de estudio . . . 86
41. Ajuste de electrodos . . . 86
42. Colocación de electrodos de referencia tipo broche . . . 87
43. Pantalla principal de la plataforma de software OpenBCI GUI . . . 88
44. Selección de opción“LIVE (from Cyton)” . . . 88
45. Pantalla final . . . 89
46. Ejecución de prueba . . . 90
47. Descripción gráfica del experimento de registro de señales EEG . . . 92
48. Pseudo-imágenes generadas con la aplicación . . . 94
49. Selección de reproducción de señales . . . 96
50. Reproducción de señales . . . 96
51. Variaciones de las señales a lo largo del tiempo . . . 97
52. Comparación entre pseudo-imágenes generadas en presencia y ausencia de actividad alfa . . . 99
Lista de figuras (continuación)
Figura Página
54. Curva de aprendizaje general para todas las ejecuciones de los
experi-mentos descritos en la Tabla 4 . . . 104
55. Flujo de información a través de la corteza visual artificial para la detec-ción de actividad alfa . . . 109
56. Tablero OpenBCIde 32 bits ensamblado. . . 118
57. Conectores macho para el móduloDaisy. . . 119
58. MóduloDaisy OpenBCIensamblado. . . 120
Lista de tablas
Tabla Página
1. Correspondencia entre electrodos y posición de acuerdo al sistema 10-20 . . . 72 2. Resumen de la primer validación cruzada de 5 dobleces para la
cla-sificación de ondas alfa . . . 101 3. Resumen de la primer validación cruzada de 5 dobleces para la
cla-sificación de ondas alfa (corregida) . . . 103 4. Resumen de la segunda validación cruzada de 5 dobleces para la
clasificación de ondas alfa . . . 104
5. Resumen de la validación cruzada de 5 dobleces para los 5 mejores individuos encontrados en los experimentos . . . 107
“El cerebro humano tiene cien mil millones de neuronas, cada una conectada a otras diez mil. Sentado sobre tus hombros se encuentra el objeto más complicado del universo conocido.”
Capítulo 1.
Introducción
El cerebro humano es sin duda uno de los sistemas más complejos en el universo conocido y el interés por comprender su funcionamiento se remonta a la antigüedad. Está conformado por alrededor de cien mil millones de células nerviosas llamadas neuronas, mismas que comparten las características y partes de otras células, pero a diferencia de estas, su carácter electromecánico les permite transmitir señales eléctri-cas a través de largas distancias (Siulyet al., 2016).
Nuestro entendimiento en relación a las funciones del cerebro incrementó dramá-ticamente en las últimas décadas debido al desarrollo y el refinamiento de diversas tecnologías para el registro de señales cerebrales (Freeman y Quiroga, 2013).
Algunas de estas tecnologías miden de manera indirecta los procesos metabólicos en el cerebro, como la imagen de resonancia magnética funcional (fMRI1) o la es-pectroscopía funcional de infrarrojo cercano (fNIRS2); mientras que otras monitorean la actividad eléctrica de manera directa como el Electrocorticograma (ECoG3) que es una técnica invasiva. Por otro lado, el Magnetoencefalograma (MEG4) o el Electroen-cefalograma (EEG5), son técnicas no invasivas, ya que hacen mediciones indirectas de estas señales (Lopes da Silva, 2010).
En la actualidad las interfaces cerebro-computadora han incrementado su populari-dad. Estas pueden ser definidas como interfaces controladas directa o indirectamente mediante la actividad cerebral del usuario (Girouard, 2009). Estos dispositivos fun-cionan como intermediarios entre el cerebro humano y las computadoras, y son am-pliamente utilizados en diversos campos como son la robótica, la comunicación entre personas y el control de movilidad (Sulaiman, 2014).
Mientras que comunmente las interfaces cerebro-computadora son utilizadas para la rehabilitación de usuarios con discapacidad, existen algunos estudios en los que se utilizan para diversos fines, como son el monitoreo de la actividad cerebral de usuarios
1Del inglés: Functional Magnetic Resonance Image
2Del inglés: Functional Near Infrared Spectroscopy
3Del inglés: Electrocorticogram
4Del inglés: Magnetoencephalogram
para analizar su carga mental, medir su nivel de atención o facilitar su interacción con equipo de cómputo (Girouard, 2009).
A pesar de que el electroencefalograma podría ser el conjunto de señales más com-plejo en la naturaleza (Kaiser, 2005), la electroencefalografía (EEG) es la herramienta de medición más común en las interfaces cerebro-computadora. Esta funciona me-diante la medición de potenciales eléctricos detectables en el cuero cabelludo gracias a la arquitectura neuronal.
El neocórtex humano consiste en arreglos de columnas de seis capas neuronales de profundidad alineados perpendicularmente debajo del cráneo (Mountcastle, 1978). Si tal orientación fuera distinta, la actividad neuroeléctrica se cancelaría entre sí, cau-sando que tales potenciales fueran indetectables ya que estos representan diferencias en el orden de las millonésimas de volt (Kaiser, 2005).
La interpretación de los electroencefalogramas resulta una tarea sumamente difícil, ya que los electrodos que detectan las diferencias de potencial se colocan en el cuero cabelludo lo cual hace que las señales leídas estén compuestas por la actividad de millones de neuronas. La información es además atenuada y distorsionada por algu-nas de las capas exteralgu-nas al cerebro (piel, cráneo, duramadre, sangre, fluido espinal, piamadre, etc.) y, por si fuera poco, algunas de las señales se cancelan entre sí debido a sus potenciales eléctricos positivos y negativos. Todos estos factores originan que las señales resultantes sean representativas de tan sólo una fracción de la actividad electrocelular que realmente ocurre debajo del sensor (Kaiser, 2005).
Para llevar a cabo un análisis de las señales extraídas directamente desde el cuero cabelludo mediante una Interfaz Cerebro-Computadora utilizando la técnica de Electro-encefalografía (EEG), tales señales deben ser filtradas para remover señales espurias y separadas en sus diversas componentes.
De acuerdo a sus características tales componentes fueron clasificadas en: alfa, beta, teta, delta, gamma y mu. Estas señales son conocidas como ondas o rítmos cerebrales (Sulaiman, 2014).
Gran Amplitud”, que posteriormente fue renombrada como “onda alfa”, por tratarse de la primera onda cerebral observada (Buzsáki, 2006).
La detección automatizada de ondas alfa, sigue siendo un fenómeno de interés, ya que se relaciona con el estado de vigilia (Huupponen et al., 2002) y permite
lle-var a cabo un monitoreo del nivel de atención. Además, debido a la caracterización de estas ondas cerebrales, la detección de ondas alfa es actualmente utilizada como experimento inicial para estudios electroencefalográficos de diversas complejidades. De esta forma la detección de ondas alfa puede también ser utilizada para llevar a cabo una prueba inicial al equipo de adquisición de datos electroencefalográficos, por lo que se considera como un buen punto de partida para cualquier estudio en que se pretenda analizar señales provenientes del cerebro.
Como primer enfoque hacia un estudio de mayor complejidad, la presente inves-tigación se centra en desarrollar un sistema capaz de extraer señales electroencefa-lográficas a partir de una interfaz cerebro-computadora, mismas que posteriormente, mediante un método novedoso, son transformadas en pseudo-imágenes que represen-tan la actividad cerebral de un determinado sujeto bajo estudio durante segmentos de tiempo definido. Cada una de las pseudo-imágenes resultantes conserva las caracte-rísticas espaciales, de potencia y frecuencia de las señales originales. Finalmente, las pseudo-imágenes son interpretadas a través un modelo computacional basado en una estructura jerárquica que imita la forma en que la información visual es procesada por el cerebro humano. Este modelo computacional es previamente entrenado mediante “Programación Cerebral” con la finalidad de que sea capaz de determinar si las señales electroencefalográficas originales presentan o no actividad en la banda alfa.
1.1. Planteamiento del problema
El cerebro humano está compuesto por un gran número de neuronas, mismas que se interconectan formando patrones complejos y se encuentran en constante comuni-cación.
menor dimensión. Tal reducción se lleva a cabo en diversas regiones, lo cual dispara actividad electrocelular en distintas zonas del cerebro.
La electroencefalografía, que se caracteriza por ser una tecnología no invasiva y de bajo costo, permite registrar la actividad eléctrica generada por las neuronas durante su comunicación. Sin embargo, a cambio de tales ventajas, se sacrifica la precisión en cuanto a la relación entre las señales obtenidas y la actividad electrocelular que realmente ocurre debajo de los sensores. Esto se debe a que los electrodos utilizados en esta técnica se colocan en el cuero cabelludo, lo cual causa que las señales leídas no sólo esten compuestas por la actividad de millones de neuronas, sino que además la información registrada es atenuada y distorsionada por algunas de las capas que cubren al cerebro. Debido a esto, las señales resultantes son sumamente complejas y estan formadas por distintas componentes que sólo representan una pequeña fracción de la actividad neuroeléctrica real.
Es por esta razón que obtener información relacionada con estados mentales espe-cíficos a partir de un conjunto de señales obtenidas por medio de electroencefalografía resulta una tarea sumamente compleja.
Esta investigación se centra en abordar el problema de ambigüedad existente en-tre un conjunto de señales electroencefalográficas obtenidas mediante una interfaz cerebro-computadora y estados mentales definidos.
Para los fines de este trabajo, y como primer paso orientado hacia un estudio de mayor complejidad, la investigación se enfoca en la detección automatizada de ondas alfa. Este fenómeno ha sido relacionado con el estado de vigilia (Huupponen et al.,
2002) y su detección permite llevar a cabo un monitoreo del nivel de atención en los sujetos de estudio. La presencia de estas ondas cerebrales resulta prominente en las regiones posteriores del cerebro.
1.2. Objetivo general
1.3. Objetivos específicos
Para poder cumplir el objetivo general de esta investigación, es necesario el cum-plimiento de los objetivos específicos que se enlistan a continuación:
1. Determinar la técnica o combinación de técnicas que permitan convertir un con-junto de señales eléctricas extraídas del cuero cabelludo a través de una interfaz cerebro-computadora, en pseudo-imágenes que representen la actividad cerebral del sujeto bajo estudio durante un segmento de tiempo definido. Cada una de las pseudo-imágenes resultantes debe conservar las características principales de las señales biológicas originales además de contener la mayor cantidad de infor-mación posible, con la finalidad de que puedan ser diferenciadas por el sistema de clasificación.
2. Evaluar la versatilidad del paradigma de “Programación Cerebral” para solucionar problemas de naturaleza distinta a los que se pretendían resolver con su diseño original. Esto mediante la aplicación de dicho paradigma para la clasificación de las pseudo-imágenes construidas a partir de señales electroencefalográficas.
3. Proponer los ajustes pertinentes al paradigma de “Programación Cerebral” para adaptarlo al problema en cuestión de acuerdo a las lecciones aprendidas durante la experimentación y el análisis de resultados, con la finalidad de mejorar su rendimiento en cuanto a clasificación y tiempo de ejecución.
1.4. Alcance de la tesis
Con la finalidad de cumplir los objetivos establecidos, es necesario establecer el al-cance de este trabajo. Considerando que la presente investigación constituye el primer paso enfocado hacia un estudio de mayor complejidad, el alcance de la tesis queda delimitado bajo las siguientes premisas:
son utilizadas para llevar a cabo el entrenamiento de una estructura jerárquica que imita la forma en que la información visual es procesada e interpretada por el cerebro humano (corteza visual artificial) de acuerdo a las propuestas de Clemen-te y Olague (ClemenClemen-teet al., 2013; Olagueet al., 2014a). Ya que se ha entrenado
esta estructura jerárquica mediante “Programación Cerebral”, se generan progra-mas que resuelven el problema de clasificación de las pseudo-imágenes, con la finalidad de poder detectar la ausencia o presencia de ondas alfa en las señales cerebrales de origen.
Una vez generados los programas que permiten llevar a cabo la clasificación de las pseudo-imágenes construidas, se lleva a cabo una validación cruzada en la que se dividen las pseudo-imágenes en distintos grupos utilizados para entrena-miento, validación y prueba. El proceso es repetido múltiples ocasiones con la finalidad de proveer validez estadística a los experimentos.
1.5. Aportaciones
Desde su descubrimiento a finales de la década de 1920, el análisis de ondas cere-brales ha sido de interés en la comunidad de las neurociencias con diversos fines como el diagnóstico de enfermedades y el análisis de los efectos de diversas sustancias en el funcionamiento del cerebro (Siulyet al., 2016).
En la actualidad, la detección de ondas alfa, sigue siendo utilizada como experi-mento inicial para estudios electroencefalográficos de mayor complejidad, ya que se trata de un fenómeno relativamente fácil de reproducir debido a que la presencia o ausencia de estas ondas cerebrales resulta evidente incluso para ojos inexpertos (Em-pson, 1986). Es por esta razón que con frecuencia la detección de ondas alfa se utiliza para llevar a cabo una prueba inicial en el equipo de adquisición de datos electroen-cefalográficos, por lo que se considera como un buen punto de partida para cualquier estudio en que se pretenda analizar señales provenientes del cerebro.
Se propone e implementa un método novedoso que permite convertir un conjun-to de señales eléctricas extraídas del cuero cabelludo a través de una interfaz cerebro-computadora, en pseudo-imágenes que representan la actividad cere-bral del sujeto bajo estudio durante un segmento de tiempo definido. Cada una de las pseudo-imágenes resultantes conserva las características espaciales, de potencia y frecuencia de las señales biológicas originales.
Tales pseudo-imágenes son utilizadas para llevar a cabo el entrenamiento de una estructura jerárquica que imita la forma en que la información visual es procesa-da e interpretaprocesa-da por el cerebro humano (corteza visual artificial). Una vez entre-nada esta estructura jerárquica mediante “Programación Cerebral”, se generan programas que resuelven el problema de clasificación de las pseudo-imágenes obtenidas con el proceso mencionado anteriormente, esto con la finalidad de po-der detectar la ausencia o presencia de ondas alfa en las señales cerebrales de origen.
El proceso descrito anteriormente permite automatizar la detección de ondas ce-rebrales asociadas con estados mentales definidos. Además, el análisis podría ser extrapolado al estudio de fenómenos más complejos mediante ajustes menores a la etapa de adquisición de señales biomédicas, esto sin la necesidad de llevar a cabo cambios significativos al hardware o software.
De acuerdo a los hallazgos realizados durante la experimentación y el análisis de resultados, proponemos los ajustes pertinentes para el paradigma de “Pro-gramación Cerebral” con la finalidad de adaptarlo al problema de clasificación de pseudo-imágenes construidas a partir de señales electroencefalográficas y de esta manera mejorar su rendimiento en cuanto a clasificación y tiempo de ejecu-ción.
Considerando que nuestro trabajo no está limitado al desarrollo de software, sino que contempla también la interacción con hardware para la adquisición de da-tos, proponemos una serie de recomendaciones a considerar en el desarrollo de trabajo futuro relacionado con la utilización de la interfaz cerebro-computadora
1.6. Organización de la tesis
Este documento está organizado de acuerdo a los siguientes puntos:
El Capítulo 2 describe los fundamentos físico-biológicos; así, se explica el orígen biológico y las características de las señales de interés, además de los principios físicos de la tecnología utilizada para su adquisición.
Comenzando con una breve introducción a la electroencefalografía, en la que se presentan algunos antecedentes históricos de la misma, sus principios, y el ori-gen biológico de las señales electroencefalográficas. Posteriormente se describe el fenómeno de las ondas alfa, así como algunos antecedentes en cuanto a la búsqueda de su origen. Finalmente, se presentan los fundamentos físicos para la adquisición de las señales electroencefalográficas mediante interfaces cerebro-computadora y se describe también la interfaz utilizada en el desarrollo de esta investigación.
El Capítulo 3 explora a detalle las herramientas matemáticas y computaciona-les que son empleadas para llevar a cabo el procesamiento y la clasificación de las señales electroencefalográficas. Comenzando con una revisión del análisis de señales en el dominio de la frecuencia, para posteriormente introducir los pará-metros para la descripción de distribuciones de datos, así como los fundamentos de la técnicas de proyección 3D-2D y la interpolación. Finalmente se presentan el cómputo evolutivo y la programación de cerebros artificiales como paradigma de clasificación de pseudo-imágenes.
El Capítulo 4 está consagrado a explicar la manera en que las herramientas ana-lizadas en el Capítulo 3, son incorporadas en un modelo computacional capaz de reconocer patrones en las señales extraídas de acuerdo a las técnicas y tec-nología descritas en el Capítulo 2. De esta forma, se describen primeramente los parámetros y configuración de hardware para llevar a cabo la adquisición de las señales de interés. Posteriormente se analizan las transformaciones que son aplicadas a dichas señales, para finalmente llevar a cabo su clasificación.
Capítulo 4. De esta manera, se detallan las condiciones del ambiente, equipo, y sujetos de estudio, así como el procedimiento para llevar a cabo la adquisición de las señales de interés. Posteriormente, se describe el proceso para construir y etiquetar las pseudo-imágenes a partir de las señales electroencefalográficas adquiridas mediante la implementación del modelo computacional descrito en el Capítulo 4. Finalmente, se explican en detalle los experimentos llevados a cabo para clasificar tales pseudo-imágenes.
En el Capítulo 6 se lleva a cabo un minucioso análisis de los resultados obtenidos a partir de la experimentación descrita en el Capítulo 5.
En el Capítulo 7 se establece una serie conclusiones basadas en los resultados analizados en el Capítulo 6. Además se hacen algunas propuestas para el desa-rrollo de trabajo futuro relacionado con la temática de esta investigación.
El Anexo describe el proceso de ensamble de los tableros electrónicos del siste-ma OpenBCI, y se establece una serie de posibles problemas derivados de las
Capítulo 2.
Fundamentos físico-biológicos
El segundo capítulo está consagrado a discutir los conceptos básicos y aspectos centrales de la electroencefalografía, considerando el orígen biológico y las caracte-rísticas de las señales electroencefalográficas, así como los principios físicos de la tecnología utilizada para su adquisición.
Primeramente se provee una descripción de la electroencefalografía, así como una breve referencia histórica de su consolidación como herramienta para el estudio del cerebro humano. También se presentan las distintas configuraciones en las que esta técnica puede ser aplicada para llevar a cabo estudios electroencefalográficos. Pos-teriormente, se estudia el origen biológico de las señales electroencefalográficas. Se mencionan algunas de sus principales aplicaciones y una caracterización de las mis-mas. Siguiendo un esquema de lo general a lo particular, se explica el fenómeno de las ondas alfa, mismo que constituye una parte medular para este trabajo. Finalmente se introducen las interfaces cerebro-computadora y se describen las características de la interfaz que será utilizada para el desarrollo de esta investigación.
2.1. Electroencefalografía
La Electroencefalografía (EEG) es una técnica que se caracteriza por la medición de potenciales que reflejan la actividad eléctrica del cerebro. Esta provee evidencia de cómo funciona el cerebro a través del tiempo. Además, dicha técnica es ampliamente utilizada por médicos y científicos para estudiar las funciones cerebrales y diagnosticar desórdenes neurológicos.
El estudio de la actividad cerebral mediante registros EEG es una de las herramien-tas más importantes para el diagnóstico de enfermedades neurológicas, tales como la epilepsia, tumores cerebrales, lesiones en la cabeza, desórdenes de sueño, demencia y monitoreo de anestesia profunda durante cirugías (Hazarikaet al., 1997; Adeliet al.,
La primera máquina de registro EEG fue introducida en 1929 por Hans Berger (Co-llura, 1993), quien era neuropsiquiatra de la universidad de Jena en Alemania. Él utilizó el término alemán “elektrenkephalogramm” para describir las representaciones grá-ficas de las corrientes generadas en el cerebro. También sugirió que tales corrientes cambiaban dependiendo del estado funcional del cerebro, tal como, sueño, anestesia y epilepsia. Esta revolucionaria idea fue la que dio lugar a una nueva rama de las ciencias de la salud llamada neurofisiología.
Figura 1.Hans Berger, creador del primer equipo EEG (imagen tomada de:http://www.psychiatrie. uk-j.de/Geschichte.html).
Durante un registro EEG una serie de terminales conductivas o electrodos son co-locados en distintas posiciones de la superficie del cuero cabelludo, utilizando desde cinta adhesiva, hasta algún tipo de casco o gorro de tela o plástico para mantenerlos en su posición durante el estudio. Con la finalidad de maximizar el contacto eléctrico entre las terminales conductivas y el cuero cabelludo, en algunos casos se aplica pasta conductiva dependiendo del tipo de electrodos utilizados.
cerebrales para poder ser guardadas y observadas posteriormente desde un equipo de cómputo.
Los estudios electroencefalográficos se llevan a cabo registrando la actividad ce-rebral a través de 1 hasta 256 electrodos en paralelo. A los estudios electroencefalo-gráficos que registran actividad a través de más de 1 electrodo se les llama registros EEG multicanal. Cada par electrodo-referencia forma un canal, y cada canal forma una señal durante el registro EEG.
Existen dos tipos de EEG, dependiendo de dónde la señal es obtenida en la cabeza: cuero cabelludo o intracraneal. Para el EEG de cuero cabelludo, pequeños electrodos son colocados sobre el cuero cabelludo con buen contacto mecánico y eléctrico. Por otro lado, para el caso del EEG intracraneal se requiere la implantación de electrodos especiales en el cerebro mediante intervención quirúrgica.
2.1.1. Sistema 10-20
En los registros EEG multicanal, la posición de los electrodos resulta importante, debido a que los distintos lóbulos o secciones del cerebro son responsables del pro-cesamiento de distintos tipos de actividades. El método más utilizado para la localiza-ción de los electrodos es el sistema 10-20, propuesto por H. H. Jasper en 1952 (Jasper, 1958). Este sistema identifica 19 posiciones en el cuero cabelludo que se relacionan de manera proporcional a 4 puntos de referencia: El puente de la nariz (nasión), el tope en la parte trasera de la cabeza inmediatamente arriba del cuello (inion) y los puntos preauriculares izquierdo y derecho (depresiones sobre el ángulo del pómulo justo frente a la oreja). Las posiciones son etiquetadas con letras del alfabeto (C para
central, F para frontal, P para parietal y T para temporal) y números, impares en el
lado izquierdo y pares en el lado derecho, que generalmente se vuelven mayores a medida que se alejan de la línea central.
Las cabezas varían en medida y proporciones, sin embargo, la utilización de este sistema presenta la ventaja de que se adapta a prácticamente cualquier sujeto.
Se localiza el vértice CZ. Este es el punto medio entre nasión e inion, y el punto
medio entre los puntos preauriculares, justo en la línea central.
Las otras dos posiciones FZ y PZ están a 20 porciento de la distancia
anterior-posterior al frente y atrás del vértice.
C3 Y C4se encuentran a 20 porciento de la distancia interauricular a la izquierda
y a la derecha del vértice, respectivamente, en la línea interauricular, y T3 y T4
se encuentran a 40 porciento de la distancia interauricular a la izquierda y a la derecha del vértice.
F3 yF4 se encuentran a 20 porciento de la distancia interauricular a la izquierda
y a la derecha de FZ, P3 y P4 se encuentran a distancia similar a la izquierda y a
la derecha dePZ.
Las posiciones occipitales, O1 y O2, se encuentran 10 porciento arriba del inion,
y a la misma distancia al lado izquierdo y derecho de la línea central.
Figura 2.El sistema internacional de colocación de electrodos 10-20 (Siulyet al., 2016).
2.1.2. Montaje
Montaje bipolar: Un par de electrodos usualmente hacen un canal, como se mues-tra en la Figura 3. Cada canal representa la diferencia entre dos electrodos ad-yacentes (Niedermeyer y Lopes da Silva, 2005; Fisch, 1999) como se muestra en la Figura 4. El montaje completo consiste en una serie de estos canales. Por ejemplo, presentamos un diagrama de un montaje bipolar en la Figura 5, donde el canal “Fp1-F3” representa la diferencia en el voltaje entre el electrodo Fp1 y el
electrodo F3. El siguiente canal en el montaje, “F3-C3”, representa la diferencia
de voltaje entre F3 y C3, y así sucesivamente a través del arreglo completo de
electrodos.
Electrodo 1 Canal EEG
Amplificador
Electrodo 2
Figura 3.Modelo de un canal EEG.
7µV en F4 0µV
Amplificador
7µV en C4
7µV en F4 7µV
Amplificador
0µV en C4
7µV en F4 14µV
Amplificador
-7µV en C4
Figura 4.Un canal es la diferencia entre dos electrodos adyacentes.
Montaje referencial: Cada canal representa la diferencia entre cierto electrodo y un electrodo designado como referencia (Niedermeyer y Lopes da Silva, 2005; Fisch, 1999). En la Figura 6, el electrodo A2 es considerado como el electrodo de
F3
F3-C3 Amplificador
C3 Fp1
Fp1-F3 Amplificador
F3
C3
C3-P3 Amplificador
P3
Figura 5.Ilustración de un montaje bipolar.
una posición distinta que los electrodos de “registro”. Las posiciones de la línea central son frecuentemente utilizadas debido a que no amplifican la señal en un hemisferio respecto al otro. Otra referencia popular consiste en promediar física o matemáticamente un par de electrodos que se colocan en los lóbulos de las orejas.
F3
F3-A2 Amplificador
A2 Fp1
Fp1-A2 Amplificador
A2
C3
C3-A2 Amplificador
A2
Montaje de referencia promediada: Las salidas de todos los amplificadores son sumadas y promediadas, y esta señal promediada es utilizada como referencia común para cada canal (Fisch, 1999). En la Figura 7 se muestra una ilustración de este montaje.
F3
F3-Promedio Amplificador
Promedio Fp1
Fp1-Promedio Amplificador
Promedio
C3
C3-Promedio Amplificador
Promedio
Figura 7.Ilustración de un montaje de referencia promediada.
Montaje Laplaciano: Cada canal representa la diferencia entre un electrodo y un promedio ponderado de los electrodos vecinos (Fisch, 1999).
En la actualidad, con los EEGs digitales, todas las señales son típicamente digita-lizadas en alguna configuración de montaje (comúnmente referencial). Debido a que cualquier montaje puede ser construido matemáticamente a partir de cualquier otro, los EEGs pueden ser desplegados por cualquier equipo EEG en la configuración de montaje deseado.
2.1.3. Origen de las señales EEG
mensajes entre ellas a través de largas distancias. Las neuronas tienen tres partes básicas: cuerpo celular (soma), axón y dendritas (Carlson, 2002a; Purveset al., 2004)
como se muestra en la Figura 8.
Figura 8.Estructura simple de una neurona (Sanei y Chambers, 2007).
El núcleo celular es el corazón que da instrucciones a la célula. El axón es una parte larga y delgada de la célula que conecta su núcleo con la dendrita de otra célula. La dendrita es una sección corta de la neurona con muchos sitios receptivos para neuro-transmisores que pueden ser enviados por un axón apareado. Las dendritas pueden estar localizadas en ambos extremos de la célula. A través de la unión axón-dendrita, las neuronas pueden comunicarse entre ellas. Esta comunicación es posible a través del potencial de acción.
El potencial de acción es un evento en el que un ion es impulsado a lo largo de la parte externa de un axón, cambiando rápidamente su estructura iónica, permitiendo que una señal eléctrica viaje rápidamente a través del axón a la siguiente dendrita (Atwood y MacKay, 1989). Como resultado de este cambio abrupto de carga iónica, un voltaje es generado tanto en el interior como en el exterior de la membrana celular de la neurona (Carlson, 2002b; Sanei y Chambers, 2007; Purves et al., 2004). Estas
interneuronal se muestra en la Figura 8. La Figura 9 presenta el flujo de corriente que contribuye al EEG superficial durante una entrada de excitación de red. Cuando las neuronas son activadas por medio de un gradiente de concentración electroquímica, se producen flujos de corriente locales. La actividad de las neuronas puede ser divi-dida en dos subconjuntos; potenciales de acción (AP1) y potenciales postsinápticos
(PSP2). Si el subconjunto PSP alcanza el nivel de conducción umbral para la neurona postsináptica, ésta se dispara, y un AP es iniciado (Atwood y MacKay, 1989).
Canal EEG
Amp
Ref
Cuero Cabelludo
Cráneo
Duramadre Aracnoides
Espacio Subaracnoide
Piamadre
Axón Eferente Axón Aferente Sinapsis Activa
+ +
+ + + +
-+
-Figura 9.Ilustración de la generación de pequeños campos eléctricos mediante corrientes sinápticas en las células piramidales.
1Del inglés: Action Potential
Los potenciales eléctricos detectables en la superficie del cuero cabelludo son ge-nerados por la sumatoria de PSPs de inhibición y excitación de baja frecuencia pro-venientes de las células neuronales piramidales que crean dipolos eléctricos entre el soma y las dendritas apicales (ver Figura 9). Estos PSPs se suman en la corteza y se extienden hasta la superficie del cuero cabelludo donde pueden ser registrados como EEG. Los APs de las células nerviosas tienen una distribución de campo potencial mu-cho más pequeña y son mumu-cho más cortos en su duración comparados con los PSPs. Los APs entonces no contribuyen significativamente a los registros EEG de cuero ca-belludo o intracraneales. Solamente grandes poblaciones de neuronas activas pueden generar actividad eléctrica detectable en el cuero cabelludo (Carlson, 2002b; Sanei y Chambers, 2007; Purves et al., 2004). Cuando el voltaje es generado por una
so-la céluso-la, es típicamente tan pequeño que no puede ser medido con precisión con so-la tecnología de la actualidad.
Anatómicamente el cerebro puede ser dividido en tres partes principales: telen-céfalo, cerebelo y tronco encefálico (Gray, 2002) como se ilustra en la Figura 10. El telencéfalo es la parte de mayor tamaño y más importante del cerebro humano y es generalmente asociada con funciones cerebrales relacionadas a pensamientos, mo-vimientos, emociones y funciones motrices. La capa más externa del telencéfalo está compuesta por tejidos neuronales conocidos como corteza cerebral. El telencéfalo está formado por dos hemisferios, el izquierdo y el derecho. Cada hemisferio está dividido en cuatro lóbulos: frontal, parietal, occipital y temporal (Purves et al., 2004). Estos
lóbulos son responsables de diversas funciones corporales.
El lóbulo frontal está involucrado con la personalidad, emociones, resolución de problemas, desarrollo motriz, razonamiento, planeación, partes del lenguaje y movi-miento. El lóbulo parietal es responsable de la sensación (e.g. dolor, tacto), compren-sión sensorial, reconocimiento, percepción de estímulos, orientación y movimiento. El lóbulo occipital es responsable del procesamiento visual. El lóbulo temporal está invo-lucrado en el reconocimiento de estímulo auditivo, lenguaje, percepción y memoria.
Figura 10.Áreas anatómicas del cerebro (Siulyet al., 2016).
coordinación. El cerebelo también está asociado con los movimientos musculares vo-luntarios, habilidades motrices finas, la postura y la regulación del balance. El tronco encefálico se localiza debajo del cerebro y conecta al telencéfalo con la médula espi-nal. El tronco encefálico es como el disco duro de una computadora y es el panel de control principal del cuerpo. Controla funciones vitales del cuerpo, incluyendo la respi-ración, conciencia, movimiento de ojos y boca, retransmisión de mensajes sensoriales (dolor, calor, ruido, etc.), latidos del corazón, presión sanguínea y el hambre.
En la medición EEG, la corteza cerebral es la estructura más relevante debido a que es responsable de tareas cognitivas de alto nivel, como la resolución de proble-mas, comprensión del lenguaje, movimiento y procesamiento de información visual compleja. Debido a su posición superficial, la actividad eléctrica de la corteza cerebral tiene la mayor influencia en los registros EEG.
Caracterizar ataques epilépticos.
Localizar el orígen de ataques epilépticos.
Probar efectos de medicamentos para epilepsia
Monitoreo de profundidad de anestesia, coma o muerte cerebral.
Monitoreo de ataques o estados epilépticos no convulsivos.
Localización de áreas de daño por lesiones en la cabeza, infarto o tumores.
Estudio de biorretroalimentación.
Monitoreo del desarrollo cerebral.
Probar medicamentos para convulsiones.
Investigar desórdenes de sueño
Investigar desórdenes mentales.
Registro de datos híbridos en conjunto con ótras tecnologías de monitoreo.
Esta lista confirma el gran potencial del análisis EEG y motiva la necesidad de técnicas avanzadas de procesamiento de señales para ayudar a los especialistas en la interpretación de las señales EEG. Los patrones EEG son muy importantes para entender las actividades cerebrales mediante la identificación de las características morfológicas o examinando bandas de frecuencia asociadas con distintas actividades mentales o estados de conciencia. Las bandas de frecuencia pueden ser divididas en cinco categorías.
En la siguiente sección, se discuten los patrones de señales EEG más comunes en situaciones donde los individuos se encuentran en estado de alerta, durmiendo, sufriendo un desorden mental o experimentando emociones extremas.
2.1.4. Características y naturaleza de las señales EEG
cognitiva. Esta se refiere a la actividad repetitiva rítmica (medida en Hz), es decir, el número de ciclos por segundo. Considerando que tiene su origen en comunidades de miles de millones de neuronas oscilando, los potenciales EEG humanos se manifiestan como oscilaciones aperiódicas impredecibles con ráfagas intermitentes de variaciones. En adultos sanos, las amplitudes y frecuencias de tales señales cambian de un estado a otro, como la vigilia o el sueño. Existen cinco grandes grupos de ondas cerebrales distinguidas por sus rangos de frecuencias. De menor a mayor frecuencia, estas ban-das son categorizaban-das en delta (δ, 0.5-4 Hz), theta (θ, 4-8 Hz), alfa (α, 8-13 Hz), beta
(β, 13-30 Hz) y gamma (γ,>30 Hz) (Niedermeyer y Lopes da Silva, 2005; Fisch, 1999).
Frecuencias más altas son más comunes en estados cerebrales anormales como la epilepsia. La Figura 11 muestra ejemplos de estos ritmos EEG.
Beta Gamma
Alfa
Theta
Delta
Figura 11.Ejemplo de distintos tipos de ritmos EEG.
Las ondas delta, que abarcan el rango entre 0.5 y 4 Hz son las mayores en amplitud, pero las menores en frecuencia. Están asociadas principalmente a sueño profundo, desórdenes cerebrales y el estado de vigilia.
Las ondas theta abarcan el rango entre 4 y 8 Hz y tienen una amplitud usualmente mayor a los 20μV. Estas surgen de estrés emocional, especialmente de frustración o
Las ondas alfa comprenden el rango de frecuencias entre 8 y 13 Hz, tienen una am-plitud entre 30 y 50 μV, y son especialmente detectables en las regiones posteriores
de la cabeza (lóbulo occipital) cuando el sujeto tiene los ojos cerrados o se encuentra en estado de relajación. Usualmente son asociadas con actividad mental intensa, es-trés y tensión. La actividad alfa registrada en las áreas sensorial-motrices es también llamada actividad mu.
Las ondas beta se encuentran en el rango de frecuencias entre los 13 y 30 Hz y se observan en una baja amplitud y frecuencias variables en ambos lados del área frontal. También cuando el cerebro es excitado y participa enérgicamente en activida-des mentales, se generan ondas beta. Estas usualmente son asociadas con atención activa, concentración en el mundo externo o la solución de problemas concretos.
Las ondas gamma son aquellas cuya frecuencia es de 30 Hz en adelante, aunque a veces se establece la frecuencia máxima de 80 o 100 Hz. Se asocian con varias actividades cognitivas y motrices.
La Figura 12 presenta una ilustración de un registro EEG normal. Se trata de un ejemplo de EEG a un paciente despierto que contiene la cantidad común de activi-dad beta. Como se muestra, la activiactivi-dad beta es frecuentemente fácil de identificar durante la relajación en vigilia o somnolencia temprana.
Las señales eléctricas EEG que tienen origen fuera de la actividad cerebral son llamadas artefactos. Los registros EEG son casi siempre contaminados por tales arte-factos. La amplitud de estas señales es en gran parte relativa a la amplitud de las señales corticales de interés, por esta razón, interpretar señales EEG clínicamente re-quiere experiencia considerable.
La Figura 13 muestra una ilustración de los cuatro tipos más comunes de artefactos en registros EEG humanos, mismos que se describen a continuación:
1. Electro-oculográficos: Son causados por la excitación de los músculos del globo ocular (e.g. parpadéos). Tienen gran amplitud, baja frecuencia y son más promi-nentes en los electrodos frontales.
2. Falso contacto de electrodo: Son causados por pobre contacto eléctrico (lo que impide el paso de corriente eléctrica) entre el electrodo y la piel. Se presenta como una onda de gran amplitud en uno o más canales.
3. Tragar: Como su nombre lo indica, ocurre por los movimientos musculares origi-nados al tragar o pasar saliva.
4. Falso contacto de referencia: Son causados por el pobre contacto eléctrico entre el electrodo de referencia y la piel. Se presenta como una onda de gran amplitud en todos los canales.
2.2. El fenómeno de las ondas alfa
A pesar de que la actividad de 10 Hz constituye el primer ritmo observado en las se-ñales electroencefalográficas, su detección en sujetos de estudio promedio no resulta trivial, ya que requiere cierto grado conocimiento relacionado con electrofisiología.
Los primeros trabajos como el de Adrian y Matthews, en 1934, utilizaron la palabra “electroencefalograma”, o “Ritmo Berger”, para referirse simplemente a la actividad de 10 Hz registrada en el cuero cabelludo; y sólamente hasta que se encontraron otros ritmos y patrones de actividad eléctrica, fue que se le asignó el nombre especial de ondas “alfa” al ritmo de 10 Hz.
Adrian y Matthews también descubrieron que las ondas alfa se encuentran en ma-yor amplitud en la parte trasera de la cabeza, y normalmente resultan más evidentes cuando el sujeto de estudio tiene los ojos cerrados y se encuentra relativamente re-lajado. El ritmo alfa desaparece si la atención del sujeto se encuentra completamente ocupada, como en el caso en que se encuentre realizando aritmética mental, y regre-sa cuando el sujeto deja de concentrarse. Este fenómeno es conocido como “bloqueo alfa”.
Adrian y Matthews observaron también que las ondas alfa desaparecían específica-mente cuando el sujeto enfocaba su vista en algo y podían producirse incluso cuando los ojos se encuentran abiertos, pero teniendo un campo visual uniforme (un arreglo de vidrio opalizado en forma de tazón frente a la cara, iluminado con lámparas en forma de anillo). Claramente inhibido por la estimulación visual enfocada, el ritmo alfa podía ser también modulado por una fuente de luz intermintente. Adrian y Matthews encontraron que era posible obtener una frecuencia tan alta como 25 Hz bajo las condi-ciones adecuadas. Además observaron que intermitencias de 10 Hz en la iluminación, potenciaban las ondas alfa, duplicando su amplitud comparada con aquella registrada cuando el sujeto de estudio tenía los ojos cerrados.
reto que representó lograr la aceptación de la idea de que las ondas alfa se originan en el cerebro. Esta propuesta generó un acalorado debate en las publicaciones académi-cas durante los principios de la década de 1970, ilustrando sorprendentemente cómo, a pesar de 40 años de investigación y una historia similarmente extensa de la aplica-ción clínica de las técnicas EEG, se conocía muy poco sobre el origen y significado de las ondas alfa.
2.2.1. Primeros intentos para identificar el origen de las ondas alfa
Basado en sus observaciones de la relativa independencia entre las ondas prove-nientes de ambos lados de la cabeza, Adrian y Yamigawa, en 1935, propusieron dos fuentes para las ondas alfa, una en cada lóbulo occipital. Walsh, en 1958, utilizó un co-rrelacionador de ondas electrónico para comparar las relaciones de fase de las ondas alfa provenientes de ambos hemisferios, y llegó a la misma conclusión.
Un estudio más sofisticado, utilizando un sistema de registro EEG de 48 canales y la construcción de mapas de campo equipotencial, fue reportado en 1971 por Lehmann. Tres áreas del cuero cabelludo fueron asociadas con los valores máximos y mínimos, indicando proximidad al origen de la actividad en el rango alfa: los lóbulos occipitales izquierdo y derecho, y una ubicación parietal central, en el vértice. Esto no es necesa-riamente contradictorio con respecto a los dos hallazgos anteriores, el origen central podría ser una reflexión de las ondas Mu, que también presentan una frecuencia cer-cana a los 10 Hz. Sin embargo, resulta extraño, si así fuera, que dos generadores, uno sobre cada lado de la corteza sensorial-motriz, tampoco fueran evidentes para este ritmo.
Una tercer posible explicación es que exista un generador central para las ondas alfa, y que se exprese de manera independiente en cada lóbulo occipital. Henderson, en 1976, asumió un generador común para todas las ondas alfa registradas en el cuero cabelludo, y sugirió una posición a partir de los registros multicanal, correspondiente al núcleo ventrolateral del tálamo izquierdo, en el cual toda la actividad alfa podría ser originada.
inde-pendiente en los lóbulos occipital derecho e izquierdo, presuntamente modulada por la actividad en cada hemisferio.
2.2.2. Evidencia moderna del origen de las ondas alfa
Un reto asombrosamente persuasivo para la idea aceptada de que las ondas alfa tenían origen en la corteza occipital fue presentado en 1970 por Olof Lippold, cuya teoría de que las ondas alfa eran causadas por la vibración de los globos oculares fue realmente tomada en cuenta para todos los hechos conocidos sobre ellas.
Lippold, un fisiólogo que dedicó gran parte de su carrera de investigación trabajan-do en la actividad muscular, fue impresionatrabajan-do por la similaridad entre el ritmo alfa y la vibración muscular. Los músculos en una persona despierta vibran a una frecuen-cia cercana a los 10 Hz cuando están inactivos. Durante el movimiento con propósito, esta vibración normalmente desaparece, y durante relajación profunda o el sueño, su frecuencia disminuye al grado de dejar de ser medible. La tensión muscular es determinada por un nervio aferente de la espina dorsal, y la actividad del nervio es modulada por la información proveniente de la espina dorsal desde celulas sensibles al estiramiento en el músculo, por medio de las fibras aferentes. Un ligero retraso en este lazo significa que el sistema es fácilmente puesto en vibración. Cuando se reali-zan movimientos con propósito, la tensión muscular es determinada por un conjunto de reflejos orientado a objetivos totalmente diferente y la vibración desaparece.
Con la finalidad de probar esta hipótesis, Lippold enfrió un ojo mientras de forma simultánea calentaba el otro, con agua, y encontró que el ritmo alfa en el lado frío (medido occipitalmente) era más lento que aquel medido en el lado caliente. Sugirió que este efecto era causado por una diferencia en el retraso inherente en el arco de reflejo de estiramiento para ambos ojos, efecto causado por la diferencia de tempe-ratura. Similarmente, Lippold alteró el potencial corneo-retinal mediante la exposición de los ojos de los sujetos de estudio a distintos niveles de iluminación, y observó que la amplitud alfa estaba altamente correlacionada con la magnitud del potencial corneo-retinal, como lo predecía su teoría. De esta forma, no resulta sorprendente que la teoría de Lippold recibiera mucha atención.
Una predicción esencial de este modelo es que la gente sin ojos (normalmente, a quienes les fueron extirpados por motivos clínicos) deberían mostrar ausencia de on-das alfa, debido a que no presentan potencial corneo-retinal. Hablando generalmente, la gente ciega presenta ritmo alfa escaso o nulo. Un reporte sobre un sujeto sin ojos que presentaba ondas alfa, fue rechazado por Lippold después de haber examinado a profundidad al sujeto por si mismo. A pesar de el hecho de que el paciente no tenía retina, la membrana que reviste al ojo se encontraba en un estado constante de agi-tación. Lippold interpretó que estos hechos mostraban que la fuente del alfa no eran de hecho los músculos extraoculares y el potencial corneo-retinal, sino los muñones de músculo y los revestimientos de la órbita, aunque no era claro cómo esta actividad podía ser transformada como actividad occipital.
Una replicación posterior no pudo repetir la observación de Lippold de que un cam-bio en el potencial corneo-retinal originaba camcam-bios en la amplitud alfa (esto no se debió a que los autores no tuvieran control sobre la amplitud del potencial corneo-retinal, ya que demostraron que los potenciales de los sujetos fueron modificados por cambios en la iluminación ambiental, al menos tanto como Lippold lo hizo). Aunque la teoría de Lippold resultaba atractiva, este resultado permitió rechazarla como una ex-plicación para toda la actividad de 10 Hz medible en el cuero cabelludo. El mérito real de su modelo está en demostrar lo poco más que sabemos de las señales EEG y las ondas alfa en comparación de lo que Hans Berger sabía en 1929, y también sirvió para puntualizar la necesidad de considerar mecanismos fisiológicos en el sistema visual cuando se intenta dar una explicación al fenómeno de las ondas alfa.
Wertheim in 1974 desarrolló una hipótesis en la que, al igual que Lippold, vincula las ondas alfa con los sistemas de retroalimentación y control de los ojos. El com-portamiento atento siempre está acompañado de la utilización de retroalimentación oculo-motriz en las personas con vista normal, y en 1981 sugirió que es el uso de in-formación aferente de la retina sobre la posición del ojo lo que atenúa las ondas alfa. Es decir, las ondas alfa no son generadas periféricamente pero son bloqueadas por el uso de retroalimentación periférica proveniente de los ojos. En otras palabras: “... el grado de desincronización del EEG occipital no está relacionado con el procesamiento de información visual, pero puede ser considerado como un reflejo del grado en que la información retinal es usada para el control oculo-motriz.
Mientras el trabajo de Wertheim impresionantemente identificó que la aferencia retinal jugaba un papel de gran importancia en la determinación de la expresión de la actividad alfa, y por lo tanto apoyaba la noción de que la actividad alfa se originaba en el tálamo, como fue sugerido por Andersen y Andersen, hablaba muy poco sobre su función.
Resulta claro con la evidencia aquí discutida que la actividad alfa no es completa-mente producida por artefactos (aunque es posible que una proporción pequeña de la actividad de 10 Hz tenga origen corneo-retinal) y que su expresión es determinada en gran parte por las funciones oculo-motrices periféricas.
2.3. Interfaces cerebro-computadora
Un campo relativamente nuevo, pero emergente para los EEGs es el de las inter-faces cerebro-computadora (BCI3). Las BCI son una tecnología que busca una nueva
forma de comunicación entre un cerebro y una computadora. Una BCI es un sistema basado en una computadora que adquiere señales cerebrales, las analiza, y las tra-duce en comandos que en muchos de los casos son retransmitidos a dispositivos de salida para llevar a cabo una acción determinada (ver Figura 14).
El objetivo clave de la investigación de las BCI es crear un nuevo camino de co-municación permitiendo transmisión de mensajes del cerebro mediante el análisis de actividades mentales para gente que sufre de discapacidades neuromusculares (Siuly y Li, 2015). Para medir las señales EEG, se coloca una serie de electrodos en el cuero cabelludo del usuario. Para controlar los dispositivos de salida, el usuario imagina una tarea específica, como el movimiento de las extremidades o palabras concretas. Estas tareas afectan los patrones en las señales EEG. Las computadoras detectan y clasifi-can estos patrones en distintas tareas con la finalidad de controlar una aplicación de cómputo (como el movimiento de un cursor en pantalla) o controlar una máquina (e.g. una silla de ruedas).
Las BCI tienen diversas aplicaciones, especialmente para personas con discapaci-dad como: nuevas formas para jugar videojuegos, interacciones sociales permitiendo aplicaciones sociales detectar sentimientos y emociones, ayudar a personas parcial
o totalmente discapacitadas para interactuar con distintos dispositivos de cómputo y ayudar a entender más acerca de las actividades cerebrales y redes neuronales hu-manas (Hassanien y Azar, 2015).
Las BCI no requieren movimiento físico real, y por lo tanto pueden servir como me-dio de comunicación para personas que tienen discapacidades motrices severas. Las BCI podrían también reducir los síntomas resultantes de accidentes cerebro-vasculares, autismo, desordenes emocionales y de atención.
Existen dos tipos de BCIs: invasivas, que se basan en señales registradas por elec-trodos implantados sobre la corteza cerebral (lo cual requiere intervención quirúrgica), y no invasivas, basadas en señales registradas por electrodos colocados sobre el cuero cabelludo (fuera de la cabeza) (Wolpawet al., 2002). En investigación reciente, las BCI
no invasivas son la técnica preferible.
BCI
Señales EEG Digitalización
Pre-Procesamiento
Clasificación Extracción de
Características
Control de Movimiento
Retroalimentación
Figura 14.Arquitectura general de un sistema BCI.
cerrado que generalmente consiste de seis pasos: medición de la actividad cerebral, pre-procesamiento, extracción de características, clasificación, traducción en instruc-ciones y retroalimentación (Mason y Birch, 2003) como se muestra en la Figura 14. El resultado de la clasificación permite el control de dispositivos externos. Otro aspec-to de los sistemas BCI es que el usuario recibe un estímulo (visual, auditivo o táctil) y/o ejecuta tareas mentales mientras las señales cerebrales son capturadas y proce-sadas. Basado en el estímulo o tarea ejecutada por el usuario, varios fenómenos o comportamientos extraídos de las señales EEG pueden ser detectados. A continuación se describen a detalle los seis pasos del proceso que siguen típicamente los sistemas BCI:
Medición de la actividad cerebral: La medición efectiva de la actividad cerebral resulta un paso crítico para las comunicaciones de los sistemas BCI. Las inten-ciones humanas modulan señales eléctricas que son medidas utilizando diversos tipos de electrodos y después tales señales son digitalizadas.
Pre-procesamiento: El pre-procesamiento tiene como objetivo simplemente llevar a cabo operaciones de procesamiento subsecuente, mejorando la calidad de la señal sin perder información. En este paso, las señales registradas son procesa-das para limpiarlas y eliminar el ruido con la finalidad de realzar la información relevante contenida en las señales (Bashashati et al., 2007).
Extracción de características: Los patrones cerebrales utilizados en las BCIs con-tienen ciertas características. La extracción de características tiene como objeti-vo describir las señales mediante unos cuantos valores llamados “características” (Bashashati et al., 2007).
Clasificación: El paso de clasificación asigna una clase a un conjunto de caracte-rísticas extraídas de las señales. Esta clase corresponde al tipo de estados men-tales identificados. Este paso es también conocido como “traducción de caracte-rísticas”.