Umbral Científico ISSN: Universidad Manuela Beltrán Colombia

Transcripción

1 Umbral Científico ISSN: Universidad Manuela Beltrán Colombia Ballesteros, Dora; Pardo, Hasbleidy Software de análisis de energía en señales electroencefalograficas basado en la transformada wavelet discreta Umbral Científico, núm. 6, junio, 2005, pp Universidad Manuela Beltrán Bogotá, Colombia Disponible en: Cómo citar el artículo Número completo Más información del artículo Página de la revista en redalyc.org Sistema de Información Científica Red de Revistas Científicas de América Latina, el Caribe, España y Portugal Proyecto académico sin fines de lucro, desarrollado bajo la iniciativa de acceso abierto

2 SOFTWARE DE ANALISIS DE ENERGIA EN SEÑALES ELECTROENCEFALOGRAFICAS BASADO EN LA TRANSFORMADA WAVELET DISCRETA Dora Ballesteros 1 Hasbleidy Pardo 2 ResUmen Este artículo presenta un software para el análisis de energía en señales EEG en cada uno de los ritmos de la señal, delta, theta, alfa y beta, por medio de la utilización de una técnica moderna de procesamiento de señales: la transformada wavelet discreta. El análisis de energía permite establecer criterios de respuesta del paciente a estímulos externos, y la comparación de la señal EEG obtenida en diferentes regiones permite estimar la coherencia y simetría de la respuesta del cerebro. Palabras claves: energía, ritmos, electroencefalografía, coherencia, simetría, transformada wavelet discreta. Abstract The analysis of energy in EEG signals is presented in this article. The delta, theta, alpha and beta rhythms are considered for this analysis and the discrete wavelet transform is used. The energy analysis allows to establish criteria of answer of the patient to external stimuli, and the comparison of EEG signal obtained in different regions allows to determine the coherence and symmetry of the answer of the brain. Key words: energy, rhythms, electroencephalograph, coherence, symmetry, discrete wavelet transform. 1 Msc. en Ingeniería Electrónica. Directora de Investigación Formativa en Ingeniería, Líder Grupo SAPAB reconocido por Colciencias. 2 Estudiante de Ingeniería Electrónica. 54

3 INTRODUCCION Las señales electroencefalográficas corresponden al resultado de la actividad eléctrica del cerebro, con presencia o ausencia de estímulos. La forma y características de estas señales no siguen un patrón predefinido, como si es el caso de las señales electrocardiográficas, donde cada segmento de la señal ECG corresponde a una actividad específica del corazón. Debido a la ausencia de un patrón y la no periodicidad de las señales EEG, el análisis y la interpretación debe realizarse a partir de un estudio temporal y frecuencial (Zhang, 2000). Una de las técnicas matemáticas utilizadas en los últimos años para el análisis multiresolución de señales no estacionarias (aquellas señales que no son periódicas y no se pueden caracterizar por sus promedios y desviación estándar) es la transformada wavelet discreta la cual ha sido utilizada no solamente en el caso de señales EEG (Shen, 2002), sino en señales biomédicas e imágenes, tanto para el pre-procesamiento, como para el procesamiento y análisis. El software que se presenta en este artículo hace parte del proyecto de investigación Sistema de Medición de respuesta cerebral vestibular a partir de señales electroencefalográficas, que se está desarrollando en la Universidad Manuela Beltrán dentro del grupo de investigación SAPAB. El algoritmo se desarrolla en Matlab, versión 6.5 y utiliza el toolbox wavelets. Las pruebas de validación se realizan utilizando la base de datos MIT-BIH Polysomnographic Database. MARCO TEORICO A. Señales Electroencefalográficas: Tabla 1. Caracterización de los ritmos en una señal EEG El ritmo delta es la onda de mayor amplitud y más lenta. Es normal en niños hasta 1 año de edad y en los estados de sueño 3 y 4. Son anormales en adultos despiertos. (Figura 1).

4 Fig 1. Señal delta: Representación en tiempo y frecuencia. Fig 3. Señal alfa: Representación en tiempo y frecuencia. El ritmo theta se clasifica como baja actividad. Es anormal en adultos despiertos, pero es perfectamente normal en niños hasta los 13 años y también durante el sueño en adultos y está asociado a pensamientos de tipo creativo, a la imaginación, fantasía. (Figura 2) Fig 2. Señal theta: Representación en tiempo y frecuencia. El ritmo Beta normalmente se observan en todos los grupos de edad. Se aprecia en ambos lados del cerebro, en una distribución simétrica y es el ritmo dominante en pacientes que están en alerta, ansiosos o que tienen los ojos abiertos. (Figura 4). Fig 4. Señal beta: Representación en tiempo y frecuencia. El ritmo alfa se aprecia generalmente en todos los grupos de edad, pero son más frecuentes en adultos. Ocurren rítmicamente en ambos lados de la cabeza y tiene una amplitud levemente mayor en el lado no dominante. Se asocia a estados de relajación, inactividad mental y casi siempre aparece cuando se cierran los ojos. (Figura 3). 56 B. Transformada Wavelet discreta y la multiresolución: A partir de una señal electroencefalográfica se pueden obtener los ritmos de la señal y la energía contenida en cada uno de estos ritmos (Shen, 2001). La transformada wavelet permite obtener la representación

5 en diferentes rangos de frecuencia de una señal (Sun, 2002), y la relación entre los rangos obtenidos y los ritmos de la señal se realiza aplicando los siguientes principios (Ballesteros,2003): - Se utiliza el criterio de muestreo de Nyquist el cual exige que una señal sea muestreada al menos el doble del ancho de banda análogo. - Cada nivel de descomposición de la transformada wavelet divide el ancho de banda inicial en dos anchos de banda, uno correspondiente a la parte alta y otro correspondiente a la parta baja. - En el proceso de descomposición se obtienen coeficientes para la representación de la señal, pero es por medio de la reconstrucción a partir de estos coeficientes que se obtienen los ritmos de la señal EEG. - La señal alfa se obtiene a partir de la reconstrucción de los coeficientes obtenidos es d4a1. - La señal beta se obtiene a partir de la suma de la reconstrucción de los coeficientes d4d2 y d3. Fig 5. Distribución de frecuencia en el árbol de escomposición wavelet METODOLOGIA UTILIZADA Primero se analiza la descomposición de la señal Posteriormente se encuentra la relación entre los coeficientes y los ritmos de la señal EEG. Comparando la Figura 5 con la tabla I, se encuentra que: - La señal delta se obtiene a partir de la reconstrucción de los coeficientes a5. - La señal theta se obtiene a partir de la reconstrucción de los coeficientes a4. Como tercer paso se definen las variables de entrada al software, las cuales son tiempo inicial, tiempo final y archivo con la señal EEG, y como salida se tiene la señal escogida por el usuario y las gráficas de los ritmos con su correspondiente energía. El tiempo inicial y tiempo final corresponde al valor en segundos de la señal EEG registrada de la cual se desea realizar el análisis

6 de energía. La señal del paciente es almacenada en un formato de tipo texto plano de cuatro columnas, donde cada columna corresponde al registro en una zona diferente del cerebro. Como cuarto paso, se plantea el diagrama de flujo del software (Figura 6) y por último se realiza el código sobre Matlab 6.5 utilizando el toolbox wavelet. Para garantizar que el código generado corresponda al diseño planteado inicialmente y que éste a su vez sea acorde con la identificación de los ritmos de la señal EEG y sus energías, se hace necesario una etapa de validación de los resultados obtenidos. RESULTADOS OBTENIDOS Se escoge un archivo de la base de datos de duración 2 segundos ( de 1 a 3 segundos) y se corre la aplicación. Fig 7. Señal real EEG La señal de la Figura 7 corresponde al registro de un paciente adulto en estado de sueño, que de acuerdo al comportamiento de normalidad debe predominar el ritmo delta. Los ritmos obtenidos a partir de la reconstrucción de los coeficientes wavelet se presenta en la Figura Fig 6. Diagrama de flujo simplificado del software desarrollado 58 Fig 8. Ritmos delta, theta, alpha y beta obtenidos de la señal EEG.

7 Y la energía de cada ritmo, calculada por el software es: - Ritmo delta: 83.98% - Ritmo theta: 2.45% - Ritmo alpha: 5% - Ritmo beta: 0.93% Para un total del 92.36%. Esta energía total es relativa con respecto a la energía de la señal inicial, y el porcentaje es inferior al 100% debido a que no se considera todo el espectro de frecuencia de la señal análoga original. El ritmo predominante encontrado corresponde a delta, tal como se intuía teóricamente, y el ritmo beta es el de menor presencia en la señal de EEG examinada. Para una segunda señal se obtienen los siguientes resultados: Fig 10. Señal EEG duración 2 segundos Fig 11. Ritmos delta, theta, alpha y beta obtenidos de la segunda señal EEG La apariencia de la interfaz de usuario se presenta en la Figura 9. En la parte izquierda se ubican las variables de entrada y en la parte derecha la salida del Y la energía de cada ritmo es: Fig 9. Interfaz de usuario desarrollada - Ritmo delta: % - Ritmo theta: 0.5% - Ritmo alpha: 0.45% - Ritmo beta: 0.067%

8 Para un total de 98.84%. El aumento de la cantidad de energía en el ritmo delta se asocia con un estado de sueño más profundo. APLICACIONES El software de análisis de energía de señales electroencefalográficas tiene dos áreas importantes de aplicación, la primera es desde el punto de vista de enseñanza, donde el estudiante puede identificar la presencia de diferentes componentes espectrales en un registro de la señal para diferentes estados de actividad cerebral; y la segunda aplicación consiste en la valoración de niveles de estimulación cerebral como herramienta de apoyo en un diagnóstico clínico. software la clasificación de normalidad y definir niveles de estimulación de acuerdo al estándar estimado. CONCLUSIONES La transformada wavelet discreta permite la identificación de los ritmos de la señal electroencefalográfica, a partir de la reconstrucción de los coeficientes obtenidos en el proceso de descomposición que corresponden a los anchos de banda de cada uno de ellos. Es de vital importancia la identificación preliminar de los coeficientes que se relacionan con los ritmos de la señal, para evitar errores en la identificación inexacta de los anchos de banda asociados. La opción de selección de archivo permite comparar diferentes registros electroencefalográficos, los cuales pueden estar asociados a la captura en un mismo instante de tiempo de diferentes zonas del cerebro, y así comparar la respuesta del cerebro a estímulos externos en diferentes regiones. TRABAJO A FUTURO La utilización de este software en el análisis de energía de señales EEG en pruebas realizadas en pacientes a los cuales se les estimula su sistema vestibular, con el fin de estandarizar una respuesta normal al protocolo utilizado. Además se debe incluir como salida del 60 La selección de la ventana temporal de análisis (tiempo inicial y tiempo final), permite el análisis de la señal con diferentes resoluciones temporales, dejando al usuario la posibilidad de cuantificar la evolución de la señal en registros de larga duración. El área de Procesamiento Digital de Señales, puede contribuir con procesos de valoración y rehabilitación clínica, al construir aplicaciones de tipo software que sirvan de apoyo a estos procesos. Esto conlleva a un desarrollo teórico riguroso que garantice la validez de los resultados

9 BIBLIOGRAFIA Ballesteros DM. Aplicación de la transformada wavelet en la descomposición temporo-frecuencial de señales de electroencefalografía. ISSN No.3 Diciembre de Clark I, Biscay R, Echeverria M, Virues T. Multiresolution decomposition of non-stationary EEG signals: a preliminary study. Comput Biol Med Jul; 25(4): Niedermeyer, E. Electroencephalography: basic principles, clinical applications, and related fields Shen M, Sun L, Chan HY. Detection od dynamic rhythms of electroencephalography by using wavelet packets decomposition Proceedings of the 23 rd annual EMBS International Conference. Shen M, Li, Zhang. The time-varying coherent analysis of medical signals. ICSP Sun L, Shen M. Analysis of non-stationary electroencephalogram using the wavelet transformation. ICSP 02 Proceedings. Zhang Z, Kawabata H, LIU Z-Q. EEG Analysis using fast wavelet transform