Professional Documents
Culture Documents
COORDINADOR/DIRECTOR:
Ing. Jos David Lpez Hincapi, PhD.
Grupos de Investigacin:
SISTEMIC
AGRADECIMIENTOS
El esfuerzo y la dedicacin trae consigo buenas cosas, pero la pasin combinadas con
estas dos ltimas, contagia de excelencia a las personas que nos rodean.
Por ltimo, agradecer a mi familia por su gran apoyo y por ser motivo de inspiracin
para alcanzar este objetivo.
INDICE
RESUMEN ........................................................................... 9
INTRODUCCION .... ERROR! MARCADOR NO DEFINIDO.
1 OBJETIVOS ................................................................. 12
1.1
1.2
2.1.2
2.1.3
2.1.3.1
2.2
EPILEPSIA .................................................................................................................. 15
2.2.1
Cmo se genera y posibles causas .................................................................... 16
2.2.2
Diagnstico: ......................................................................................................... 16
2.2.3
Tipos de epilepsia ............................................................................................... 17
2.2.3.1
Crisis generalizadas ..................................................................................................... 17
2.2.3.1.1 Convulsiones generalizadas ................................................................................... 17
2.2.3.1.2 Ausencias ............................................................................................................... 17
2.2.3.2
Crisis parciales ............................................................................................................. 17
2.2.3.2.1 Crisis parciales simples .......................................................................................... 17
2.2.3.2.2 Crisis parciales complejas....................................................................................... 18
2.2.4
Tratamiento ......................................................................................................... 18
2.3
GENERALIDADES DEL PRE-PROCESAMIENTO DE EEG ...................................... 20
2.3.1
Cambio de tasa de muestreo .............................................................................. 20
2.3.2
Eliminacin de canales corruptos ....................................................................... 20
2.3.3
Correccin de lnea de base ............................................................................... 20
2.3.4
Extraccin de pocas .......................................................................................... 21
2.3.5
Eliminacin de artefactos .................................................................................... 21
2.3.6
Filtrado de la seal .............................................................................................. 21
2.3.7
Anlisis de componentes independientes (ICA) ................................................. 22
2.3.8
Segmentacin ..................................................................................................... 22
2.4
ESTIMACIN DE LA ACTIVIDAD CEREBRAL .......................................................... 23
2.4.1
Problema inverso ................................................................................................ 23
2.4.2
Solucin del problema inverso ............................................................................ 24
2.4.2.1
2.4.2.2
2.4.2.3
2.4.2.4
2.5
HERRAMIENTAS PARA EL PROCESAMIENTO DE SEALES DE EEG ................. 25
2.5.1
EEGlab ................................................................................................................ 25
2.5.2
SPM ..................................................................................................................... 26
2.5.3
Cartool ................................................................................................................. 26
2.5.4
LORETA .............................................................................................................. 26
3 METODOLOGA ........................................................... 28
4 RESULTADOS ............................................................. 31
4.1
DESCRIPCION DE LOS DATOS ................................................................................ 31
4.1.1
Adquisicin de los datos base............................................................................. 31
4.1.2
Adquisicin de los datos para el procesamiento ................................................. 32
4.2
PROCESAMIENTO CON EEGLAB............................................................................. 34
4.2.1
Pre-procesamiento de seales de EEG con EEGLab ........................................ 34
4.2.1.1
4.2.1.2
4.2.1.3
4.2.2
4.2.2.1
4.2.2.2
4.2.3
Discusin ............................................................................................................. 43
4.3
PROCESAMIENTO CON LORETA............................................................................. 43
4.3.1
Pasos importantes previos a la ejecucin de la solucin del problema inverso
con el algoritmo LORETA ................................................................................................... 44
4.3.1.1
4.3.1.2
4.3.1.3
4.3.2
Solucin del problema inverso con el algoritmo LORETA .................................. 46
4.3.3
Discusin ............................................................................................................. 47
4.4
PROCESAMIENTO CON SPM ................................................................................... 48
4.4.1
Pre-Procesamiento de seales de EEG con SPM .............................................. 48
4.4.2
Solucin del problema inverso con SPM ............................................................ 50
4.4.3
Localizacin de la fuente del foco epilptico ....................................................... 53
4.4.4
Discusin ............................................................................................................. 56
4.5
PROCESAMIENTO CON CARTOOL ......................................................................... 57
4.5.1
Pre-Procesamiento de seales de EEG con Cartool: Segmentacin ................. 57
4.5.2
La matriz de inversin para la solucin del problema inverso ............................ 60
4.5.3
Obtencin del origen del foco epilptico. ............................................................ 60
4.5.4
Discusin ............................................................................................................. 61
CONCLUSIONES ....................................................................................................... 64
RECOMENDACIONES ............................................................................................... 64
6 BIBLIOGRAFA ............................................................ 66
7 ANEXOS ....................................................................... 69
TABLA DE ILUSTRACIONES
Ilustracin 1. Plan de secuencias del tratamiento de epilepsia con frmacos
antiepilpticos ............................................................................................................. 19
Ilustracin 2. Proceso de adquisicin de datos base ................................................... 31
Ilustracin 3. Imagen 2D con los nombres y la ubicacin ideal de electrodos usados en
la adquisicin de datos base ....................................................................................... 32
Ilustracin 4. Dos trials del set de datos de procesamiento. ........................................ 33
Ilustracin 5. 5 trials y 32 canales del set de datos de procesamiento. ....................... 33
Ilustracin 6. Datos de EEG sin modificaciones. ......................................................... 34
Ilustracin 7. Imagen 3D con los nombres y la ubicacin ideal de electrodos usados en
la adquisicin de datos base ....................................................................................... 35
Ilustracin 8. Datos de EEG filtrados con filtro IIR con frecuencias de corte 1 y 30 Hz 36
Ilustracin 9. Datos de EEG con pocas extradas. Se observan 5 segmentos. ......... 36
Ilustracin 10. Primeros 20 componentes obtenidos. .................................................. 37
Ilustracin 11. 10 componentes que ms aportan a la envolvente de ERP. Rango
graficado -500 a 500, rango de aporte -500 a 500 ...................................................... 38
Ilustracin 12. 10 componentes que ms aportan a la envolvente ERP en el rango
seleccionado. Rango graficado -150, 20, rango de aporte -100,0. .............................. 39
Ilustracin 13. Envolvente de la componente 11 y su respectivo aporte. .................... 39
Ilustracin 14. Envolvente de la componente 40 y u respectivo aporte. ...................... 40
Ilustracin 15. Componentes resultantes de correr un segundo ICA. .......................... 41
Ilustracin 16. Ubicacin de los dipolos correspondientes a los componentes 7 y 15. 42
Ilustracin 17. Proyeccin de los dipolos en las diferentes vistas, varianza residual de
cada componente y sus coordenadas 3D en coordenadas de Talairach. ................... 42
Ilustracin 18. ERP del canal T3 para los datos pre-procesados. ............................... 44
Ilustracin 19. ERP del canal T3 para los datos procesados con ICA. ........................ 45
Ilustracin 20. Solucin del problema inverso en el 30% de la subida de eegGFP, para
los datos de ERP pre-procesados. ............................................................................. 46
Ilustracin 21. Solucin del problema inverso en el 30% de la subida de eegGFP, para
los datos de ERP procesados. .................................................................................... 47
Ilustracin 22. Datos de EEG sin modificaciones en SPM. Ilustracin de dos trials. ... 49
Ilustracin 23. Proyeccin 2D de las coordenadas de electrodos en SPM .................. 50
Ilustracin 24. ERP de los datos de EEG. ................................................................... 51
Ilustracin 25. ERP obtenido al aplicar un filtro pasabanda con frecuencias de corte 130Hz. .......................................................................................................................... 52
Ilustracin 26. Espiga epileptogenica graficada entre -80 y 40 ms. ............................. 53
Ilustracin 27. Solucin del problema inverso en -16 ms obtenido al aplicar el algoritmo
MSP a la ventana de tiempo -23,-3 ms, para los datos pre-procesados y procesados.
................................................................................................................................... 54
Ilustracin 28. Localizacin del origen en diferentes vistas. Localizacin del origen en
modelo 3d cerebral. Mapas de cuero cabelludo observado y predicho. Imgenes
obtenidas en -16 ms. .................................................................................................. 55
RESUMEN
INTRODUCCIN
avanzados, se logr la ubicacin del origen del foco epilptico en pacientes con
epilepsia de MR negativo (esto es, lesin no visible con MR) [22].
En este trabajo se presenta una metodologa para la ubicacin del origen del foco
epilptico haciendo uso de software de distribucin libre, adems se realizan
comparaciones en las tcnicas usadas en cada programa haciendo nfasis en las
ventajas y desventajas que tiene cada uno frente a sus homlogos. Los
procedimientos usados para el anlisis de cada herramienta se encuentran en los
anexos de este trabajo.
11
1 OBJETIVOS
II.
III.
OBJETIVOS ESPECIFICOS
Estudiar los pasos ms comnmente utilizados para procesar datos de EEG y
comprender cmo implementarlos en las herramientas de software SPM y
EEGlab.
Analizar y determinar, con soporte de un especialista en neurologa, la eficacia
de cada uno de los pasos necesarios para procesar seales de EEG con SPM,
EEGlab, LORETA y Cartool identificando diferencias entre s.
Proponer una metodologa de procesamiento de datos EEG patolgicos de
epilepsia con SPM, EEGlab, LORETA y Cartool; y validar utilizando datos
epilpticos de EEG.
12
2 MARCO TEORICO
2.1
2.1.1
13
2.1.2
Magnetoencefalografia (MEG)
Esta tcnica permite obtener mapas funcionales del cerebro y ser organizados
temporal y espacialmente. El MEG usa un arreglo de sensores extremadamente
sensibles a pequeos cambios en los campos magnticos inducidos por el flujo de
corriente elctrica en el cerebro, producida por la activacin de un grupo de neuronas
que se activan en sincrona [7, 11].
2.1.3
Electroencefalografa (EEG)
El EEG permite medir la actividad bioelctrica del cerebro. Esta actividad se debe a la
suma de las respuestas elctricas de por lo menos 10.000 neuronas como respuesta a
diferentes estmulos, y es obtenida por medio de la disposicin de electrodos en
diversos puntos del cuero cabelludo. Esto es, el EEG representa el potencial elctrico
obtenido en sitios discretos del cuero cabelludo que es generado por la actividad de
las fuentes elctricas internas cerebrales. El EEG puede detectar cambios elctricos
en la actividad cerebral del orden de los milisegundos a diferencia de otras tcnicas
14
como el MRI, fMRI o tomografa por emisin de positrones (PET), las cuales adquieren
datos del orden de los segundos y minutos. Por lo anterior trabajos recientes tratan de
combinar el EEG o MEG con tcnicas de visualizacin estructural como MRI, para
mejorar la resolucin espacial de los datos [14, 15].
2.2
EPILEPSIA
2.2.2
Accidente cerebrovascular.
Demencia, o patologas como el Alzheimer.
Lesin cerebral
Infecciones, como absceso cerebral, meningitis, encefalitis y SIDA.
Problemas cerebrales presentes al nacer (anomala cerebral congnita).
Trastornos metablicos presentes al nacer (fenilcetonuria).
Tumor cerebral.
Vasos sanguneos anormales en el cerebro.
Enfermedades que amenacen el tejido cerebral.
Uso de determinados medicamentos como antidepresivos, Tramadol,
cocana, anfetaminas.
Diagnstico:
2.2.3
Tipos de epilepsia
2.2.3.1.2 Ausencias
Ocurre en varios tipos de epilepsia infantil y raramente en adultos. Esta consiste en
perdida de la conciencia sin advertencia en breves periodos de tiempo durante los
cuales el nio se encuentra temporalmente desconectado. En la mayora de los casos
los intervalos de ausencias son tan breves que se conserva la tensin muscular, pero
en intervalos ms largos a veces puede perderse la tensin en un brazo o el cuerpo, y
el nio puede caer al piso.
2.2.4
Tratamiento
18
Diagnostico de la
epilepsia
- Prevenir factores precipitantes
- Informar al paciente sobre el tratamiento
Monoterapia con FAE de
primera eleccin
Persisten las crisis
- Reconsiderar el diagnostico
- Considerar lesion estructural
(TC o RM)
- Aadir segundo FAE
- Retirar gradualmente el primer FAE
Combinar 2 FAEs de
primer nivel
No
si
Reintentar
monoterapia
19
2.3
En este apartado es necesario tener en cuenta que, con los avances de la tecnologa
en sistemas de procesamiento, conversin A/D, pantallas de alta resolucin, entre
otros, el almacenamiento, visualizacin y tratamiento de las seales de EEG se
realizan en la actualidad en forma digital.
2.3.1
La teora del procesamiento digital de seales nos indica que para digitalizar una seal
analgica como las seales de electroencefalografa, es necesario tomar muestras de
la seal espaciadas por un tiempo , que luego se cuantizan para obtener una seal
digital. Segn el teorema de Nyquist, la frecuencia de muestreo debe ser como mnimo
dos veces la frecuencia mxima (max ) presente en la seal, eso quiere decir:
= 1(2 max )
Los electroencefalgrafos presentes actualmente en el mercado tienen una frecuencia
de muestreo que oscila entre los 128 10.000 Hz. El objetivo de adquirir una
frecuencia alta es en la mayora de los casos obtener una mayor resolucin o fidelidad
de la seal de EEG original, con la desventaja de requerir mayor espacio de
almacenamiento y un mayor tiempo para el procesamiento de los datos. Para evitar
esta desventaja un procedimiento importante para el pre-procesamiento de la seal de
EEG es el cambio de la tasa de muestreo. La finalidad de este procedimiento es
obtener una seal que represente en el espectro de frecuencias la seal original sin
perder informacin visual importante para la observacin y diagnostico por parte de un
especialista. Tpicamente se escogen tasas de muestreo que oscilan entre los 100
500 Hz
2.3.2
2.3.4
Extraccin de pocas
En los estudios con EEG, como se explic en la seccin 2.3.3, los especialistas usan
la extraccin de pocas para seleccionar aquellos segmentos ms tiles de la
informacin original, con el objetivo de eliminar los largos espacios entre segmentos
importantes de informacin. Cada segmento extrado de la seal original es llamado
trial o ensayo.
2.3.5
Eliminacin de artefactos
2.3.6
Filtrado de la seal
21
2.3.7
ICA descompone las seales originales de EEG y entrega nuevas seales que
corresponden a las componentes independientes de las seales originales. Con estas
ltimas un personal entrenado es capaz de identificar y eliminar aquellas componentes
que agregan distorsin a la seal original, para luego reconstruir la seal de EEG a
partir de las componentes independientes que no hayan sido eliminadas. El resultado
final obtenido luego de este procedimiento es un set de datos ms limpio de artefactos.
2.3.8
Segmentacin
22
2.4
2.4.1
Problema inverso
2.4.2
Ruido EEG: Este puede ser instrumental o biolgico (ver 2.3.5. Eliminacin
de artefactos y 2.3.6. Filtrado de la seal) [15].
2.4.2.2 LORETA
Este mtodo es el resultado de agregar una restriccin conocida como mnima norma
del Laplaciano ponderado al mtodo de la mnima norma ponderada (WMN). Esta
restriccin est basada en la idea de una mayor probabilidad de sincronizacin de las
poblaciones de neuronas vecinas a la actividad, durante una descarga espontanea o
una respuesta neuronal inducida [15]. Una de las caractersticas principales de este
mtodo es la baja resolucin espacial, debido al suavizado propio del Laplaciano. Por
esta razn, LORETA provee imgenes de la ubicacin de la mxima actividad con un
cierto grado de dispersin, que se explican cmo manchas borrosas (suaves)
posicionadas en la ubicacin de la fuente. Es importante agregar que se debe tener
cuidado con la suposicin de que las reas vecinas a la actividad estn
24
correlacionadas, esto debido a que anatmicamente reas con funciones muy distintas
pueden encontrarse muy cercanas.
2.4.2.3 LAURA
Promedio local auto regresivo o conocido por sus siglas en ingles LAURA (local
autoregresive average). Esta solucin inversa propone la insercin de restricciones
biofsicas en el algoritmo de MN. Estas leyes biofsicas regidas por las leyes de
Maxwell anuncian que la fuerza ejercida por las fuentes, decrecen exponencialmente
con el aumento de la distancia. Este mtodo asume que la actividad elctrica
intracraneal decrecer en la medida que te alejes de la fuente. LAURA integra estas
leyes en el modelo auto regresivo, usando coeficientes que dependen de la distancia
entre los puntos del espacio. Este promedio auto regresivo determina la actividad en
cada punto del espacio que no puede ser estimado nicamente de los datos, por esto
la actividad en cada punto se ve influenciado por las leyes biofsicas impuestas y la
contribucin de los registros de los electrodos.
2.5
2.5.1
25
2.5.2
SPM
Nace de la necesidad de hacer inferencias sobre la respuesta del cerebro sin conocer
dnde estas respuestas se expresaron, analizando datos de diversos mtodos
electrofisiolgicos. SPM es un paquete de software para MATLAB que usa entre otros
mtodos, tcnicas estadsticas para el anlisis de los datos obtenidos. Esta es una
herramienta libre y son costo y se puede descargar desde la pgina web de University
College London (http://www.fil.ion.ucl.ac.uk/spm/).
2.5.3
Cartool
2.5.4
LORETA
26
27
3 Metodologa
En esta seccin se describir cada una de las actividades que se desarrollaron con el
fin de alcanzar los objetivos planteados:
I.
II.
III.
IV.
V.
28
Seguir los demos recomendados por los desarrolladores de SPM con el objetivo
del aprendizaje en el uso de la herramienta y la bsqueda de su posterior
aplicacin en el anlisis de EEG epilpticas.
Con el objetivo de ofrecerle al doctor Camilo Borrego una nueva herramienta
para el anlisis de seales de EEG epilpticas, se realiz el estudio de la
herramienta SPM usando los demos y tutoriales disponibles en la WEB, para
una posterior implementacin de la herramienta y desarrollo de una
metodologa en conjunto.
29
30
4 RESULTADOS
4.1
Los datos entregados por el Doctor Camilo Borrego para el desarrollo de este trabajo,
corresponden al registro de las seales de EEG de un paciente al que se le ha
diagnosticado epilepsia. A continuacin se describir de forma breve el proceso con el
que se adquiri el set de datos listo para el procesamiento con las herramientas de
software.
4.1.1
Amplificador
Neuroscan 64
canales
A/D National
instruments
A/D (Analogico a digital) de National Instruments de 64 canales, modelo 6071 con una
frecuencia de muestreo de 256 Hz y una resolucin de 12 bits. Los datos resultantes
fueron almacenados en formato ASCII en texto plano para facilitar el tratamiento de los
datos.
4.1.2
32
33
4.2
4.2.1
35
Ilustracin 8. Datos de EEG filtrados con filtro IIR con frecuencias de corte 1 y 30 Hz
36
Los segmentos extrados (pocas o trials) tienen una duracin de 1 segundo con
origen (tiempo igual a cero) en la marca 2 correspondiente al punto mximo de la
espiga epileptognica. La extraccin de pocas es un paso vital en el preprocesamiento de las seales de EEG debido a que habilita la depuracin de la seal,
por medio de la eliminacin de trials identificados como defectuosos e ICA. La
eliminacin de los trials es un paso importante para la depuracin del set de datos y la
obtencin final de resultados confiables. Este requiere que sea realizado por un
especialista entrenado en la identificacin de artefactos y seales defectuosas de los
datos de EEG y su explicacin se sale del alcance de este trabajo.
Hasta este punto llega el pre-procesamiento de seales de EEG.
4.2.2
38
39
Este
procedimiento
individual
permite
identificar
a
las
componentes
25,26,29,40,24,12,36,21,11 con un grado importante de activacin dentro del rango
establecido para la bsqueda del origen del foco.
Una vez identificadas las componentes que aportan a la identificacin del origen del
foco epilptico, se eliminan las componentes restantes. EEGlab automticamente
modificar las seales de EEG luego de la eliminacin, esto ltimo se considera una
depuracin del set de datos de aquellas fuentes que no contribuyen al foco epilptico.
42
En la obtencin de datos
4.3
con los datos ERP se describe en los pasos 1 y 2 del anexo B. La Ilustracin 18 y la
Ilustracin 19 muestran los ERP del canal T3 para los datos pre-procesados y
procesados respectivamente.
45
Ilustracin 19. ERP del canal T3 para los datos procesados con ICA.
46
4.3.2
La solucin del problema inverso en LORETA puede llegar a ser muy simple
dependiendo de las herramientas que se usen. Para el caso de inters, se obtendrn
nicamente aquellas reas activadas del cerebro en un tiempo determinado del
segmento ERP ingresado. Ya que el objetivo es encontrar el origen del foco epilptico,
se analizara el segmento de tiempo que comprende al 30-50% de la subida del GFP
del ERP de los datos. El software LORETA ha incluido diversas herramientas como
anlisis con ICA, segmentacin de los datos para correlacin, entre otros.
En el paso 6 del anexo B se explica el procedimiento para la visualizacin de la
solucin del problema inverso. Las Ilustracin 20 y la Ilustracin 21, ilustran las
soluciones del problema inverso obtenidas en el tiempo de inters para los datos de
ERP pre-procesados y procesados respectivamente.
47
4.3.3 Discusin
Hasta ahora se han presentado resultados de dos mtodos para la solucin del
problema inverso, la localizacin de dipolos por medio DIPFIT de EEGLab y el
algoritmo LORETA. Ambos ofrecen una visualizacin proyectada de los resultados de
la solucin a imgenes de MRI, sin embargo es importante resaltar la mejor calidad
que ofrece el software LORETA en este sentido, permitindonos interactuar en tres
dimensiones con el modelo cerebral y ubicar la actividad cerebral que se da en un
instante de tiempo. El algoritmo LORETA ofrece adems una ventaja adicional al ser
ms intuitivo en la presentacin de los resultados, esto debido a que el algoritmo
entrega como resultado reas activadas a diferencia de los puntos espaciales que
ofrece la solucin con dipolos.
48
4.4
4.4.1
49
50
4.4.2
La solucin del problema inverso en SPM para seales de EEG fue diseada para
tratar problemas con potenciales evocados. Los potenciales evocados son aquellos
que tienen una alta relacin temporal con el estmulo que los provoca, es decir,
descargas elctricas. SPM permite realizar comparaciones y correlaciones entre
potenciales evocados con diferentes eventos e incluso con diferentes pacientes, sin
embargo esta caracterstica no es adecuada para la ubicacin del origen del foco en
epilepsia. Esto ltimo se debe a que SPM haya la solucin del problema inverso
optimizada para el mximo del potencial evocado. Trasladando el anterior
razonamiento al caso de la ubicacin del origen del foco epilptico, quiere decir que
SPM halla la solucin del problema inverso en el mximo de la espiga epileptognica,
en la cual el foco ya se encuentra propagado. Para solucionar este inconveniente
hallara inicialmente el ERP de la seal de EEG pre-procesada y luego usara una
51
utilidad de SPM que permite limitar la solucin del problema inverso a una ventana de
tiempo determinada.
En la Ilustracin 24 se muestra el resultado de realizar el promedio entre todos los
trials para obtener el ERP requerido.
Los desarrolladores de SPM recomiendan filtrar los datos de ERP obtenidos debido a
que el algoritmo de promedio robusto de SPM puede agregar ruido indeseado a la
52
epileptognica. Este rango se debe limitar lo ms posible a este criterio para evitar que
SPM optimice la solucin en ubicaciones temporales no deseadas.
En la figura Ilustracin 26 se puede observar la espiga epileptogenica entre -80 y 40
milisegundos.
4.4.3
54
Pre-procesados -16 ms
Procesado -16 ms
La
Pre-Procesado
Observado -16ms
Predicho -16 ms
Procesado
Observado -16 ms
Predicho -16 ms
4.4.4
Discusin
57
4.5
4.5.1
60
4.5.2
La solucin del problema inverso en Cartool exige el clculo de una matriz llamada la
matriz de inversin. Bsicamente esta matriz es creada con la informacin fisiolgica
necesaria integrada con el algoritmo de solucin inversa, la cual es multiplicada con
archivos de EEG para brindar una solucin en cada cuadro de tiempo de la fuente de
actividad elctrica. La computacin de esta matriz requiere de los siguientes pasos:
Una vez creada la matriz es necesario multiplicarla por un archivo de EEG para hallar
la fuente de la actividad elctrica, este proceso es realizado automticamente en
Cartool al conectar la matriz de inversin con el archivo de datos de EEG.
4.5.3
En esta seccin se har uso la matriz de solucin creada con la MRI estndar MNI152,
el modelo LSMAC de 3 capas y el algoritmo LAURA para la solucin del problema
inverso. Adicionalmente se usara el archivo de ERP segmentado escogido en la
seccin 7.1. Para obtener la matriz de inversin y el archivo segmentado, refernciese
al anexo D.
61
4.5.4
Discusin
el uso de la herramienta, lo que es una ventaja frente a SPM y EEGlab los cuales
corren bajo el entorno de MATLAB. Desde el punto de vista grafico la superioridad de
Cartool se hace notar y gracias al funcionamiento como proceso del OS la interaccin
es ms fluida y dinmica. En cuanto a la solucin del problema inverso este programa
le proporciona al usuario una ventaja en el procesamiento, debido a que en Cartool
solo es necesario crear una nica matriz de solucin para ser usada por todos los
archivos de EEG, a diferencia de SPM y EEGLab que para cada set de datos de EEG
es necesario correr el algoritmo de solucin del problema inverso. Adems del preprocesamiento bsico, Cartool cuenta con herramientas adicionales como la
segmentacin en micro-estados, correlacin espacial de mapas de potencial, y otras
herramientas estadsticas que pueden ser usadas para mejorar el resultado de la
localizacin del origen del foco epilptico.
Luego de analizar las ventajas y desventajas de cada herramienta usada en este
trabajo, se presenta en la Ilustracin 33 una metodologa propuesta para la obtencin
del origen del foco epilptico.
Correlacin de
espigas con Cartool
usando la
segmentacin
Pre-procesamiento
basico con EEGLab
(filtrado, cambio de
tasa de muestreo)
Procesamiento con
ICA en EEGLAb
Obtencin de ERP
con promedio
Robusto en SPM
Solucin problema
inverso con MSP en
SPM
Solucin problema
inverso LORETA
usando ICA
Solucin de
problema inverso
con LORETA usando
ERP
Solucin del
problema inverso
con LAURA en
Cartool usando ERP
Ilustracin 33. Metodologa robusta para la obtencin del origen del foco epilptico
63
64
5 Conclusiones y recomendaciones
5.1
CONCLUSIONES
5.2
RECOMENDACIONES
66
6 Bibliografa
1. RIERA, Alejandro. Computational Intelligence Techniques for Electro-Physiological
Data Analisis. Tesis Doctoral. Barcelona, Starlab Barcelona, Universidad de Barcelona,
2012. 238 p
2. RUIZ, Carolina; NARIO, Daniel y MUOS, Jose Fernando. Epidemiologa y carga
de la Enfermedad de Alzheimer. Acta Neurol Colomb 2010;26:Sup (3:1):87-94).
3. Trastornos neurolgicos: desafos para la salud pblica. Organizacin Mundial de la
Salud. 2006. ISBN 978 92 4 1563369
4. FRISTON, Karl J, et al. Statistical Parametric Mapping: The Analysis of Functional
Brain Image. 1 ed. ELSEVIER, 2007. ISBN 0 12 312560 7
5. Ashby, F.G. Statistical Analysis of FMRI Data. MIT Press, 2011. ISBN 0262015048.
6. Carreras, Jose Luis. La tomografa por emisin de positrones en Oncologa. Real
academia Nac. Medicina, 1995
7. Hansen, Peter. MEG: An Introduction to Methods. Oxford University Press, 2010.
ISBN 0199719136
8. Moritani, T. and Ekholm, S. and Westesson, P.L.A. Diffusion-Weighted MR Imaging
of the Brain. Springer, 2009. ISBN 9783540787853
9. Gujar Sachin K, Maheshwari Sharad, Bjrkman-Burtscher Isabella, Sundgren Pia C.
Magnetic Resonance Spectroscopy. Magnetic Resonance Spectroscopy. Pag 217-226.
10. Vlaardingerbroek, M.T. and Boer, J.A. Magnetic Resonance Imaging: Theory and
Practice. Springer ,2003. ISBN 9783540436812
11. S. Ogawa, D. W. Tank, R. Menon, J. M. Ellermann, S-G Kim, H. Merkle and K
Ugurbil, Intrinsic signal changes accompanying sensory stimulation: functional brain
mapping with magnetic resonance imaging, Proc. Natl. Acad. Sci. USA, vol. 89, pp.
5951-5955, 1992
12. Emma L. Hall, Sin E. Robson, Peter G. Morris, Matthew J. Brookes, The
relationship between MEG and fMRI, NeuroImage, Available online 15 November
2013, ISSN 1053-8119, http://dx.doi.org/10.1016/j.neuroimage.2013.11.005.
13. Petra Ritter, Arno Villringer, Simultaneous EEGfMRI, Neuroscience &
Biobehavioral Reviews, Volume 30, Issue 6, 2006, Pages 823-838, ISSN 0149-7634,
http://dx.doi.org/10.1016/j.neubiorev.2006.06.008
14. Bagshaw, Andrew P, et al. EEG-fMRI of focal epileptic spikes: Analysis with
multiple haemodynamic functions and comparison with gadolinium-enhanced MR
angiograms. Human Brain Mapping, Volume 22, Issue 3,2004, 179-192, ISSN 10970193, http://dx.doi.org/10.1002/hbm.20024
15. Plummer, Chris. Harvey, A. Simon. Cook, Mark. EEG source localization in focal
epilepsy: Where are we now?, Epilepsia, Volume 49, Issue 2, 2008, Pages 201-218,
ISSN 1528-1167, http://dx.doi.org/10.1111/j.1528-1167.2007.01381.x
67
16. Gram, L. and Dam, M. Epilepsia. Editorial Medica Panamericana, 1996. ISBN
9789500608787.
17. Hojjat Adeli, Ziqin Zhou, Nahid Dadmehr, Analysis of EEG records in an epileptic
patient using wavelet transform, Journal of Neuroscience Methods, Volume 123, Issue
1, 15 February 2003, Pages 69-87, ISSN 0165-0270, http://dx.doi.org/10.1016/S01650270(02)00340-0.
18. Christoph M. Michel, Micah M. Murray, Gran Lantz, Sara Gonzalez, Laurent
Spinelli, Rolando Grave de Peralta, EEG source imaging, Clinical Neurophysiology,
Volume 115, Issue 10, October 2004, Pages 2195-2222, ISSN 1388-2457,
http://dx.doi.org/10.1016/j.clinph.2004.06.001.
19. Karl Friston, Lee Harrison, Jean Daunizeau, Stefan Kiebel, Christophe Phillips,
Nelson Trujillo-Barreto, Richard Henson, Guillaume Flandin, Jrmie Mattout, Multiple
sparse priors for the M/EEG inverse problem, NeuroImage, Volume 39, Issue 3, 1
February 2008, Pages 1104-1120, ISSN 1053-8119
20. Scherg M, Bast T, Berg P. Multiple Source analysis of interictal Spikes : Goals,
requirements, and clinical value. J. Clin. Neurophysiol. 1999; 16 (3): 214-24.
21.-Lantz G, Spinelli L, Seeck M, Grave de Peralta R, Sottas C C, Michel C.M.
Propagation of interictal epileptiform activity can lead to erroneous source localization:
a 128-channel EEG mapping study. J.Clin. Neurophysiol. 2000; 20: 311-9.
22. Brodbeck, V., Spinelli, L., Lascano, A. M., Pollo, C., Schaller, K., Vargas, M. I.,
Wissmeyer, M., Michel, C. M. and Seeck, M. (2010), Electrical source imaging for
presurgical focus localization in epilepsy patients with normal MRI. Epilepsia, 51: 583
591. doi: 10.1111/j.1528-1167.2010.02521.x
23. Engel J. A Greater Role for Surgical Treatment of Epilepsy: Why and
When?Epilepsy Currents 2003;3(2):37-40. doi:10.1046/j.1535-7597.2003.03201.x.
68
69
7 ANEXOS
A.
Protocolo para procesamiento de seales de EEG epilpticas con
EEGlab V 10.2.5.8b para la obtencin del origen del foco epilptico
a.
b.
c.
d.
b. Enter time range (in ms) to plot: -100, 20 (Ingrese el rango de tiempo que
desea visualizar)
c. Enter Time range (in ms ) to rank component contributions: -100, 0
(Ingrese el rango de tiempo en el cual desea visualizar las components
que hacen mayor aporte).
d. Number of largest contributing components to plot: 10 (ingrese el nmero
de components que desea graficar).
e. Se abre una ventana donde se muestra la envolvente de la superposicin
de todas las componentes y se grafican adems aquellas que ms
aportan al rango seleccionado en el punto c.
f. Anotar los componentes ms importantes en la subida
17. Correr Un script que contenga las siguientes lneas. Se graficaran todas las
componentes con respectivo aporte al rango -100,0. Anotar aquellas
componentes ms importantes.
for i=1:64
figure; pop_envtopo(EEG, [-150 10] ,'limcontrib',[-100 0],'compnums',[i],'title',
strcat('Componente ',int2str(i)),'electrodes','off');
end
18. Abra Tools\ Remove Components para remover las componentes que no son de
utilidad. Se abre la ventana Remove components from data. Si desea especificar
manualmente las componentes que desea eliminar ejecute el paso a. de este
punto o bien si desea especificar las que quiere retener siga el paso b. de este
punto
a. En el campo Component(s) to remove from data, especifique las
componentes que desea eliminar. Ejm 1:20 si es un rango del 1 al 20, o
individualmente 1,2,4,6,13
b. En el campo Component(s) to retain, especifique las componentes que
desea mantener. Ejm 1:20 si es un rango del 1 al 20, o individualmente
1,2,4,6,13
c. Se pide que especifique el nombre con el que quiere guardar el nuevo
dataset modificado. De click en Ok
19. Realizaremos un segundo anlisis de ICA para esto siga Tools\run ICA, se abre
una nueva ventana y de click en Ok.
20. Abra Plot\Component ERP\ in rectangular array. Se abre una ventana que
muestra el orden de las componentes ms importantes desde el punto de vista
estadstico. De click sobre la componente para abrir una nueva ventana y
visualizarla individualmente. Se grafican todas las componentes
a. Mirar los ICAs que tienen picos entre el tiempo (-65,0) y anotar los mas
considerables
21. Para localizar los dipolos abra Tools\Locate Dipoles using DIPFIT
a. De click en Head model and settings
i. Se abre la ventana Dipole fit settings
72
B.
Protocolo de procesamiento de datos de EEG en el software
LORETA V2014.06.25 para la obtencin del origen del foco epileptico
usando como base datos obtenidos con el software EEGLab .
Este procedimiento se desarrolla con el supuesto que se ha desarrollado previamente
el procedimiento del Anexo A: Protocolo para procesamiento de seales de EEG
epilpticas con EEGlab para la obtencin del foco epilptico.
1. Luego de llegar al paso 10 del protocolo de EEGLAB, ejecute los siguientes
comandos en el workspace de Matlab, para exportar el ERP de los datos de EEG
pre-procesados.
73
1. Para cargar los datos de EEG y las coordenadas de electrodos al programa SPM
se recomienda consultar el manual de uso de SPM disponible en la web
(http://www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf). Una opcin
recomendada es usar EEGlab para armar un archivo con los datos de EEG y los
electrodos y convertirlo a un formato que puede ser ledo por SPM. Usaremos el
formato Biosemi con extensin *.bdf.
a. Abra EEGLab usando el comando >>eeglab.
b. Siga los pasos del 1 al 6 del Anexo A: protocolo para procesamiento de
seales de EEG epilpticas con EEGLab para la obtencin del foco
epilptico.
c. Los datos del Doctor Camilo Borrego se encuentran en milivoltios y deben
ser expresados en microvoltios para que sea ledo correctamente por
SPM. En el workspace de Matlab escriba el comando >>
EEG.data=EEG.data*1000.
d. Abra la funcin File/Export/Data to EDF/BDF/GDF file
e. Se abre una nueva ventana del explorador. Escriba el nombre con el que
desea guardar el archivo. Use el siguiente formato [Nombre de
archivo].bdf. No olvide escribir la extensin.
f. Se abre una nueva ventana para seleccionar la extensin. Seleccione
BDF.
g. Presione OK.
2. Abra SPM en MATLAB usando el comando >>SPM eeg.
3. Se abren 3 ventanas. En la ventana men de SPM EEG presione el botn
convert seleccione el archivo *.bdf que genero con EEGLab. En una nueva
ventana se le pregunta Define Settings? Presione Just read. Esto hara que SPM
lea todos los datos del archivo de BDF con sus caractersticas por defecto. SPM
creara un nuevo archivos resultado de la conversin que tendra el nombre
SPM8_[nombre del archivo].mat
4. Se abre una nueva ventana de visualizacin del set de datos cargado. Presione
la pestaa EEG para visualizar los datos.
5. Presione la pestaa OTHER y verifique que nicamente se encuentra la seal
estatus (para set de datos que cuentan con la seal, esta pestaa se debe
encontrar vacia).
a. Si se encuentra algn otra seal presente presione la pestaa info.
b. Aparece un men con las opciones channels, trials, inv, history. Presione
channels. En esta pestaa se muestra el nombre de cada canal y
caractersticas como tipo de seal, si se encuentra defectuoso, entre
otros.
75
6.
7.
8.
9.
77
D.
Protocolo para procesamiento de seales de EEG epilpticas con
CARTOOL V3.51 para la obtencin del origen del foco epilptico
1. Verifique que las espigas se encuentren cada una ubicada en un archivo por
separado. la extensin de cada archivo debe ser *.ep (verifique adems que el
mximo de la espiga se encuentre centrado en el intervalo de tiempo).
a. Para el caso de los datos del doctor Camilo Borrego en el cual las
espigas se encuentran concatenadas es necesario separarlas en
diferentes archivos. Para esto corra en MATLAB los siguientes
comandos.
Freq=256;
%Frecuencia de muestreo de los datos del Doctor Camilo
EEG=dlmread('31215-20C3.eeg'); %Se carga la matriz con los datos
event=EEG(1,:); %Se guarda en la variable event el canal 1 de los datos
E2=find(event==2); %se guarda en el vector E2 las posiciones del evento 2
EEG=EEG(2:65,:); %Se elimina el canal 1 de los datos
for i=2:1:size(E2,2)
Data=EEG(:,E2(i)-127:E2(i)+128); %se centra en la posicion del evento 2 y se
extrae el trial para guardarlo en el vector Data
Aname=strrep('espiga#.ep','#',int2str(i));
dir='D:cartool\prueba\';
Aname=strcat(dir,Aname);
dlmwrite(Aname,Data','delimiter','\t'); %Se guarda la transpuesta del vector
Data en el directorio dir
end
2. Abra el programa Cartool.Se abre la ventana principla del programa
3. En la barra de herramientas, dirjase a tolos/averaging EEG files
a. Se abre una nueva ventana llamada Averaging en la pestaa Input
Files.
b. En el campo Input Files, presione el botn browse.
c. Se abre una nueva ventana. Ubique los archivos individuales de las
espigas, seleccinelos todos y presione abrir. Inmediatamente se
cargaran todos los archivos seleccionados al campo Input Files.
d. Presione el botn Events y desmarque los botones Triggers y Markers
e. En el campo Electrodes Coordinates File, presione browse. Se Abre
una nueva ventana. Ubique el archivo de electrodos. Seleccinelo y
presione abrir.
f. En el campo Output Base File Name, escriba la ruta de ubicacin del
archivo de salida de esta operacin.
g. Presione el botn Next>>
h. En el campo Presets. Seleccione Grand Average of ERPs/EEG/Surface
i. Desmarque los botones test to tthreshold value.
j. En el campo Epoch Origin. Presione el botn Fixed Time Frame e
ingrese el origen de la poca (Para los datos del doctor el valor es 0)
k. En el campo Pre-Frames Duration. Ingrese la cantidad de muestras
antes del origen de la poca (Para los datos del doctor el valor es 0).
78
l.
80