Detección de eventos en señales de EEG mediante Entropía ... · Detección de eventos en...
Transcript of Detección de eventos en señales de EEG mediante Entropía ... · Detección de eventos en...
Detección de eventos en señales de EEG mediante Entropía
Espectral
Andrea N Bermúdez, Enrique M Spinelli y Carlos M Muravchik
LEICI, Departamento de Electrotecnia, Universidad Nacional de La Plata, CC 91
(1900) La Plata, Argentina.
Resumen. En el presente trabajo se evalúa la utilización de la entropía espectral en la detección
de eventos en señales de electroencefalograma (EEG). Una característica particular de la
técnica propuesta es que aporta resultados independientes de la amplitud de la señal. Esto es
particularmente útil en señales biomédicas, donde existe una gran variabilidad entre individuos
e incluso entre registros realizados sobre el mismo sujeto. La entropía espectral utiliza la
densidad espectral de potencia normalizada como función masa de probabilidades y resulta
especialmente apropiada para detectar eventos que modifiquen la distribución espectral de
potencia. En particular, se presentan resultados preliminares para la detección de ritmo alfa y
crisis epilépticas.
1. Introducción
Las señales de electroencefalograma (EEG) proveen información del estado del cerebro y de los
eventos cerebrales que están en proceso. Distintas técnicas han sido propuestas para extraer esta
información y presentarla en forma clara para fines diagnósticos [1][2][3][4]. Dado que las amplitudes
de las señales biológicas son altamente variables, tanto a lo largo del tiempo como entre pacientes, o
incluso con las condiciones de medición, es deseable que los métodos de análisis provean parámetros
independientes de la amplitud de la señal. Las medidas de entropía, que reflejan el “orden” de la señal,
tienen esta característica.
En algunas situaciones las señales de EEG adquieren cierto orden, donde se observan ondas
regulares y recurrentes que podrían describirse como “sinusoidales”, por ejemplo cuando se
manifiestan los ritmos cerebrales [5] o en crisis epilépticas [4]. Las medidas de entropía, que
cuantifican este orden, lucen apropiadas para detectar eventos asociados a ritmos cerebrales, como
movimientos reales y/o imaginados, o bien crisis epilépticas. La correcta interpretación de estas
señales permite comprender los procesos neuronales que las provocan, así como también detectar
diferentes eventos cuando suceden e incluso anticiparlos.
Con la mirada puesta en estas cuestiones, en las últimas décadas se han implementado diferentes
técnicas de procesamiento de EEG basadas en el concepto de entropía. La entropía introducida por
Shannon en la teoría de la información, es hoy utilizada en una amplia variedad de campos para
caracterizar el grado de aleatoriedad o desorden de secuencias temporales [6] [7] [8].
Para señales no estacionarias, como las de EEG, se ha introducido una adaptación al concepto de
entropía, definiendo la entropía dependiente del tiempo (TDE). La TDE se basa en la estimación de la
entropía en ventanas temporales deslizantes, durante las cuales se supone que la señal es estacionaria
XVIII Congreso Argentino de Bioingeniería SABI 2011 - VII Jornadas de Ingeniería Clínica Mar del Plata, 28 al 30 de septiembre de 2011
[9] [10]. Dado el registro x(n), con N muestras de la señal, y las ventanas temporales deslizantes (w);
se define la TDE, como:
( ) ( )1
logi
Lm m
i
i
H m p p=
= −∑ (1)
donde m es el índice de la ventana, pim es una estimación de la función masa de probabilidades (PMF),
aproximada mediante el histograma de amplitudes de la señal, correspondiente a la ventana wm y L es
la cantidad de intervalos del histograma. Esta y otras técnicas de estimación de la entropía son de gran
utilidad en el análisis de biopotenciales, y se ha propuesto su aplicación en diversos campos del
procesamiento de EEG, como en crisis epilépticas [8] [9] [11], estados del sueño [6] [12], registros en
pacientes con Alzheirmer [7], profundidad anestésica [13] [14], entre otros.
Otra variante de estimación de la entropía de señales es la entropía espectral (SE). En esta técnica
se utiliza la densidad espectral de potencia normalizada a área igual a uno, como aproximación a la
PMF. La SE fue introducida por Inouye et al. [15] y se ha utilizado en gran variedad de aplicaciones.
Tal es el caso del reconocimiento automático de voz [16] [17] [18], análisis de la profundidad de la
anestesia [13] [14] [19] [20] y en el análisis de los estados del sueño [12], entre otros. Por otro lado se
han realizado algunos trabajos en los que se utiliza esta técnica para el procesamiento de señales de
EEG en pacientes con epilepsia [11] [21] [24], y muy poco se ha escrito sobre su aplicación en
detección de ritmos cerebrales [25].
2. Motivación
Si bien la entropía mide la incertidumbre de la señal, aplicada mediante las técnicas clásicas, resulta
apropiada para detectar cambios en la distribución de la señal que se reflejen principalmente en la
amplitud. Este tipo de análisis resulta insuficiente en algunos casos. Un ejemplo claro de esto es aquel
en que se desea distinguir, a partir de medidas de entropía, entre una señal puramente aleatoria (p.e.
ruido blanco) y una sinusoide. La señal sinusoidal, totalmente determinística, presenta entropía igual a
cero, mientras que la entropía del ruido debe resultar claramente mayor.
Las figuras 1 y 2 muestran el resultado de aplicarle la entropía clásica a dos señales de este tipo. En
las figura 1a se muestra una señal sinusoidal de 8Hz y amplitud igual a 1,5 veces la desviación
Figura 1. (a) Señal de prueba con relación de 1
a 1,5 entre la desviación estándar del ruido y la
amplitud de la sinusoide, con 8Hz de
frecuencia, (b) TDE calculada con ventanas de
0,25seg. y sin solapamiento entre ventanas.
Figura 2. (a) Señal de prueba de la figura 1,
pero con relación de 1 a 10 entre la desviación
estándar del ruido y la amplitud de la sinusoide,
(b) ídem figura 1.
0 1 2 3 4 5 6
-10
0
10
0 1 2 3 4 50
0.5
1
H
Señ
al
(a)
(b) t [seg]
0 1 2 3 4 5 6-4
-2
0
2
4
0 1 2 3 4 50
0.5
1
t [seg]
H
Señ
al
(a)
(b)
XVIII Congreso Argentino de Bioingeniería SABI 2011 - VII Jornadas de Ingeniería Clínica Mar del Plata, 28 al 30 de septiembre de 2011
estándar (ds) del ruido, mientras que la amplitud de la sinusoide de la figura 2a es 10 veces la ds. Las
figuras 1b y 2b presentan los respectivos valores de entropía, calculados mediante (1). En ellas se
observa cómo la entropía de la señal aumenta con el aumento de la amplitud, incluso cuando el
desorden de la señal disminuye (figura 2b). Es decir que esta técnica es dependiente de la amplitud de
la señal. Las figuras 3a y 3b muestran las SE’s de las señales de prueba de las figuras 1 y 2
respectivamente. En las mismas se observa como la SE es cero cuando la señal es determinística,
independientemente de su amplitud. Este experimento simple muestra que la medida de SE es robusta
frente a cambios en la amplitud de la señal.
Por otro lado, la SE es una técnica dependiente de la distribución frecuencial de potencia, y por lo
tanto es apropiada para la detección de eventos que presenten gran “localización” espectral. En vista
de esta característica de la SE, se abordó el estudio de señales de EEG mediante dicha técnica. En el
presente trabajo se presentan resultados preliminares de detección de eventos en EEG mediante SE. En
particular, se muestran los primeros resultados, obtenidos para la detección de ritmo alfa y crisis
epilépticas.
Figura 3. SE de las señales de prueba correspondientes a la figura 1 (a) y a la figura 2 (b)
3. Materiales y métodos
3.1. Registros de EEG
Para el procesamiento de las señales se utilizaron registros propios adquiridos en el laboratorio, como
también registros suministrados por el Centro de Epilepsia del Hospital Ramos Mejía de Buenos
Aires. Los registros se dividen en dos grupos: registros con ritmo cerebral alfa y registros con crisis
epilépticas.
3.1.1. Ritmo alfa.
Los ritmos cerebrales se definen como ondas regulares y recurrentes, que presentan una curvatura y
duración similar a lo largo del tiempo. Se caracterizan por su frecuencia, localización y asociación con
varios aspectos del funcionamiento y el estado del cerebro. En particular el ritmo alfa corresponde a
ondas cerebrales en la banda de frecuencias de 8 a 13 Hz. Se presentan en la zona occipital, en estado
de reposo y preferentemente cuando se encuentran los ojos cerrados. El ritmo alfa es bloqueado o
atenuado por la atención, especialmente visual [5]. Además, este ritmo generalmente puede observarse
a simple vista, y resulta especialmente útil para la validación de técnicas de procesamiento.
Los registros se adquirieron con un equipo de diseño propio, con ancho de banda de 100Hz,
muestreados a 300 Hz. La adquisición se realizó en forma bipolar, con los electrodos colocados en las
posiciones O1-O2 de acuerdo con el Sistema Internacional de Posicionamiento de Electrodos 10-20
[23]. Se registraron 10 segundos con los ojos abiertos y 10 segundos con los ojos cerrados en forma
alternada.
3.1.2. Registro con crisis epiléptica.
Los registros de EEG con crisis epilépticas fueron suministrados por el Centro de Epilepsia del
Hospital Ramos Mejía de Capital Federal, y del Instituto de Neurociencias “De Robertis” (Fac. de
Medicina, UBA). Los registros presentan tanto espigas aisladas, como también crisis epilépticas.
0 1 2 3 4 50
0.5
1
t [seg]
SE
(a) (b) 0 1 2 3 4 50
0.5
1
t [seg]
XVIII Congreso Argentino de Bioingeniería SABI 2011 - VII Jornadas de Ingeniería Clínica Mar del Plata, 28 al 30 de septiembre de 2011
3.2. Procesamiento de las señales de EEG
La entropía es útil para caracterizar la forma de la función masa de probabilidad (PMF). Un proceso
con PMF plana (disperso), tendrá entropía alta; mientras que a aquel con PMF concentrada en algunos
valores, le corresponderá un valor de entropía baja. En general se tiene sólo una realización del
experimento, en consecuencia se realiza una estimación de la PMF basada en el concepto de
ergodicidad. Existen diferentes técnicas para estimar la PMF de una señal, en este estudio se opta por
la estimación a partir del histograma de amplitudes, que es ampliamente utilizado [8] [9].
Dadas N muestras de la señal x(n), queda determinado el conjunto dominio de la amplitud como:
( ){ }, 1, 2, ,I x n n N= = �
(2)
Se define una partición de I en L intervalos disjuntos ( ) 1,2, ,iI i L= � de longitud:
( )max minI x x L∆ = − (3)
( ){ }( ){ }
max
min
max , 1,2,
min , 1,2,
x x n n N
x x n n N
= =
= =
�
�
(4)
Para caracterizar la variación temporal de la entropía, se definen ventanas temporales deslizantes
(W) a partir de dos parámetros: la longitud de la ventana (w) y el desplazamiento entre ventanas (d), de
tal forma que:
( ) ( ){ }; , , 1 , , , 0,1, , ; ( ) /W m w d x n n md w md m M M N w d= = + + = = − � � con (5)
donde M es la cantidad de ventanas, indica la parte entera, w N≤ y d w≤ . En cada ventana se
aproxima la PMF mediante el histograma de amplitudes de la señal, llamando m
ip a la probabilidad de
que una muestra ( ) ( ; , )x n W m w d∈ , pertenezca al intervalo ( ) 1, 2, ,iI i L= � . Finalmente la TDE se
calcula utilizando la expresión (1).
3.2.1. Entropía Espectral
La entropía espectral (SE) utiliza la densidad espectral de potencia (PSD), normalizada para obtener
área igual a uno, como función masa de probabilidades. Al igual que para la TDE, para el cálculo de la
SE se aplican ventanas temporales tal como indica (5) y se calcula a partir de la expresión de la
Entropía:
( ) ( )1
logw
m m
k k
k
SE m p p=
= −∑ (6)
Nuevamente m es el índice de la ventana, w es la duración de las ventanas y m
kp es la PMF
correspondiente a la m-ésima ventana, obtenida a partir de la densidad espectral de potencia ( ( )m
kS ω )
mediante:
( )
( )1
m
km
k wm
j
j
Sp
S
ω
ω=
=
∑ (7)
De esta forma, la función m
kp verifica la condición necesaria de las PMFs: 1m
k
k
p =∑ .
La densidad espectral de potencia ( ( )m
kS ω ), se estima a partir de la aplicación de la transformada
discreta de Fourier (DFT) de las ventanas temporales de señal:
XVIII Congreso Argentino de Bioingeniería SABI 2011 - VII Jornadas de Ingeniería Clínica Mar del Plata, 28 al 30 de septiembre de 2011
( ) ( )2
m m
k kS Xω ω= (8)
donde ( )m
kX ω es la DFT, m es el índice de la ventana y k el índice de las frecuencias.
Con la normalización realizada en (7) se obtiene una medida que se independiza de la potencia total
de la señal, y por lo tanto la SE es independiente de la amplitud.
Los registros de EEG fueron adquiridos a diferentes tasas de muestreo, por este motivo se optó por
re-muestrearlos para que todos ellos presenten frecuencia de muestreo igual a 256Hz. Para el
procesamiento de las señales se utilizó la SE aplicando las ecuaciones (5) a (8), y la entropía clásica
mediante las ecuaciones (1) a (5).
4. Resultados
Para todos los registros procesados se calcularon la entropía clásica y la espectral de acuerdo a las
técnicas descriptas en la sección 3.2. Para los cálculos de ambas entropías se utilizaron ventanas
temporales de 0,5 segundos solapadas en un 75%, mientras que para la partición de amplitud realizada
en (4) se utilizó L=20. El solapamiento y la duración de las ventanas para cada caso, se eligieron
utilizando la información previa del proceso bajo estudio, y teniendo en cuenta que la tasa de muestreo
del estimador de entropía aumenta con el solapamiento y la resolución temporal con la duración de la
ventana. En todos los registros se observó la disminución de la SE coherente con la disminución del
desorden de las señales, y el aumento de la misma con el aumento del desorden. La entropía clásica,
en cambio creció acorde al aumento de la amplitud de la señal en todos los casos.
La figura 4, secciones a, d y g muestran uno de los registros a modo de ejemplo. El mismo tiene
una duración de 60 segundos de y se presenta en tres segmentos de 20 segundos cada uno. En el
registro está compuesto por períodos con ritmo alfa y períodos sin el ritmo, según se describe en la
sección 3.1.1. En la figura 4a se muestran además ampliaciones de la señal en dos intervalos de
interés: en I se registra un aumento de la amplitud del EEG que no corresponde a ritmo alfa, sino que
se debe a algún otro proceso neuronal; mientras que en II hay presente ritmo alfa. En las figuras 4b, e
y h, se muestra el resultado del cálculo de la entropía clásica para cada uno de los segmentos y en las 4
c, f, i, el correspondiente al cálculo de la SE. En la figura se indican con líneas verticales a trazos los
momentos en que el voluntario cierra y abre los ojos, de tal forma que en las zonas 1, 3 y 5 se
encuentra con los ojos abiertos, mientras que en las zonas 2, 4 y 6 permanece con los ojos cerrados.
En la figura se observa una marcada dependencia del valor de la entropía clásica con la amplitud,
de tal forma que la entropía aumenta cada vez que lo hace la amplitud de la señal, en forma
independiente de la incertidumbre de la misma. Esta característica se aprecia claramente en las
ampliaciones I y II. En I la señal presenta mayor incertidumbre que en II, sin embargo la entropía
aumenta para ambos casos. La SE, en cambio, se mantiene inalterada durante el intervalo I pero
disminuye claramente en II. Este efecto se repite en todos los segmentos del registro. Se observa
además que, incluso en intervalos durante los cuales el ritmo alfa no se distingue a simple vista, el
valor de la entropía espectral es menor cuando los ojos permanecen cerrados que cuando están
abiertos. Este efecto no es tan marcado cuando la amplitud del ritmo alfa es comparable a la del ruido
de fondo, pero sin embargo se puede apreciar.
Al igual que para los registros con ritmo alfa, se calcularon la entropía clásica y la espectral de
registros con crisis epilépticas, tal como se explica en la sección 3.2. En este caso se utilizaron
ventanas temporales de 0,25 segundos y L=20. No se utilizó solapamiento pues con la tasa de
procesamiento obtenida (4 estimaciones de entropía por segundo) se obtuvo una visualización
adecuada. En todos los casos, los resultados muestran una tendencia a disminuir de la entropía
espectral cuando la señal de EEG se ordena por un evento cerebral que se manifiesta en forma
preponderante frente a los demás. Sin embargo, para los registros con crisis epiléptica, dicha
disminución no es tan marcada como para el ritmo alfa.
XVIII Congreso Argentino de Bioingeniería SABI 2011 - VII Jornadas de Ingeniería Clínica Mar del Plata, 28 al 30 de septiembre de 2011
Figura 4. (a), (d) y (g) Registro de eeg con ritmo alfa, I y II son los zooms realizados en dos intervalos
de interés: en I se registra un aumento de la amplitud del EEG pero no hay ritmo alfa y en II hay ritmo
alfa. (b), (e) y (h) TDE calculada con w=128, d=32 y L=20. (c), (f) y (i) SE calculada con iguales
parámetros w y d. Las líneas verticales a trazos corresponden a los instantes de cierre y apertura de los
ojos: en las zonas 1, 3 y 5 los ojos se mantienen abiertos, mientras que en las zonas 2, 4 y 6 se
encuentran cerrados.
42 44 46 48 50 52 54 56 58 60 62-50
0
50
42 44 46 48 50 52 54 56 58 60 620
0.5
1
42 44 46 48 50 52 54 56 58 60 620
0.5
1
2 4 6 8 10 12 14 16 18 20 22-50
0
50
2 4 6 8 10 12 14 16 18 20 220
0.5
1
2 4 6 8 10 12 14 16 18 20 220
0.5
1
22 24 26 28 30 32 34 36 38 40 42-50
0
50
22 24 26 28 30 32 34 36 38 40 420
0.5
1
22 24 26 28 30 32 34 36 38 40 420
0.5
1
I
ZONA 1 ZONA 2
ZONA 3 ZONA 4
ZONA 5 ZONA 6
II
SE
H
E
EG
(a)
(b)
(c)
SE
H
E
EG
S
E
H
EE
G
(e)
(f)
(d)
(g)
(h)
(i) t [seg]
XVIII Congreso Argentino de Bioingeniería SABI 2011 - VII Jornadas de Ingeniería Clínica Mar del Plata, 28 al 30 de septiembre de 2011
En la figura 5 se muestra un ejemplo de resultado, obtenido para un caso de crisis epiléptica. En la
figura, se presentan 12 segundos de registro, en el que se marcan con flechas tanto el comienzo de la
crisis epiléptica, como las espigas aisladas presentes, marcadas por los expertos del centro que brindó
los registros. En el ejemplo puede verse que efectivamente se produce un disminución de la SE
durante la crisis, como así también durante las espigas aisladas. En este caso la espiga precursora de la
crisis no presenta una amplitud tan marcada como la crisis en sí misma, en consecuencia con la
entropía clásica no es claramente detectable, sin embargo la SE presenta una disminución abrupta que
permite su detección precisa. Nuevamente la entropía clásica varía con la amplitud de la señal.
Figura 5. (a) Registro de EEG con crisis epiléptica, correspondiente al electrodo P8 del Sistema 10-
20. Con flechas se indican dos espigas que se presentan fuera de la crisis aguda y el comienzo de la
misma (crisis). (b) TDE calculada para w=64, sin solapamiento y L=20. (c) SE calculada con iguales
parámetros w y d.
5. Discusión
Las medidas de entropía se utilizan en una gran variedad de campos de estudio para la cuantificación
de la complejidad de señales y es posible aplicarlas mediante diferentes técnicas. Para que sea de
utilidad en el campo de las señales no estacionarias es necesario introducir el concepto de entropía
dependiente del tiempo, que se basa en la aplicación de la entropía en ventanas temporales de la señal.
La entropía así descripta puede utilizarse para detectar la forma de la función masa de probabilidad
(PMF) de una señal, y de qué manera la misma se modifica a lo largo del registro.
En el presente trabajo se presentaron ejemplos sencillos de señales creadas artificialmente en los
que se puede apreciar cómo la entropía de la señal varía con su amplitud más que con el desorden de la
misma. En este contexto, se propone el procesamiento de dichas señales mediante la entropía espectral
(SE). La SE cuantifica la complejidad espectral de la señal, utilizando como PMF a la densidad
espectral de potencia normalizada a área uno. Por su alta dependencia de la distribución de potencia en
frecuencia, es apropiada para procesos que presentan gran “localización” frecuencial. Si bien esta
característica la hacen especialmente apta para la detección de ritmos cerebrales o incluso crisis
epilépticas, la entropía espectral no ha sido prácticamente utilizada en el procesamiento de este tipo de
señales. En cambio, muchos han elegido la técnica de entropía clásica para el estudio de EEG’s de
pacientes afectados con epilepsia y algunos otros para registros con ritmos cerebrales [8][9][24][25].
0 2 4 6 8 10-500
0
500
0 2 4 6 8 100
0.5
1
0 2 4 6 8 100
0.5
1
EE
G
TD
E
SE
t [seg]
Espiga Espiga Crisis (a)
(b)
(c)
XVIII Congreso Argentino de Bioingeniería SABI 2011 - VII Jornadas de Ingeniería Clínica Mar del Plata, 28 al 30 de septiembre de 2011
Se presentaron los resultados preliminares obtenidos mediante la aplicación de la entropía espectral
en el estudio de señales de EEG con ritmos cerebrales y en registros de pacientes con epilepsia. Todos
los registros se han procesado también con la entropía clásica para la comparación de ambas técnicas.
Los resultados verificaron que la SE pareciera ser robusta frente a variaciones en la amplitud del ruido
de fondo característico en señales de EEG y que disminuye en forma marcada cuando la señal se
ordena por la aparición de un ritmo cerebral preponderante y, en forma menos marcada, en presencia
de una crisis epiléptica. La capacidad de la técnica para detectar eventos depende de la localización
frecuencial de los mismos, y de qué tan preponderante son frente a otros posibles eventos cerebrales
que se manifiesten simultáneamente. En los gráficos de la SE de registros en pacientes con epilepsia,
quedaron de manifiesto incluso espigas aisladas, tanto aquellas espigas con amplitud
significativamente mayor que la señal de fondo, como espigas de amplitud comparable a la misma.
Los resultados, además confirmaron la dependencia de la entropía clásica con la amplitud de la señal,
mientras que su variación con el orden o desorden de la señal no quedó de manifiesto en los registros
procesados.
Por otro lado, se observó un resultado alentador en la detección de ritmo alfa de baja amplitud. El
ritmo alfa se manifiesta en forma preponderante cuando se cierran los ojos y durante algunos segundos
posteriores al evento. En general, pasados los primeros segundos, el ritmo se mantiene mientras
permanezca el reposo visual pero con menor amplitud. Los resultados del presente artículo indican que
incluso cuando el ritmo alfa es de amplitud comparable con la actividad de fondo, el valor de la SE se
mantiene menor a aquel que presenta cuando los ojos están abiertos. En esta situación el ritmo no se
ve a simple vista.
Finalmente es importante destacar que, si bien mediante la entropía clásica se obtienen resultados
que podrían utilizarse para detectar eventos bajo algunas consideraciones, estos resultados se pueden
interpretar en forma errónea, y pueden derivar en conclusiones equivocadas al interpretar al aumento
de la entropía como un aumento del desorden de la señal.
6. Conclusiones
En búsqueda de técnicas de procesamiento mediante las cuales se obtengan resultados independientes
de la amplitud de la señal, se propuso la utilización de la entropía espectral en el estudio de señales de
EEG para detección de eventos. Para su aplicación a señales no estacionarias se utilizaron ventanas
temporales deslizantes, tal como se ha realizado con anterioridad en otro tipo de señales biológicas.
Para su validación, la técnica se utilizó sobre señales de EEG con ritmos cerebrales y EEG’s de
pacientes afectados con epilepsia, durante las crisis. Los resultados se compararon con aquellos
obtenidos mediante la entropía clásica, ampliamente utilizada en estos tipos de registros.
Los resultados preliminares muestran una clara mejora mediante el procesamiento con SE, frente a
la utilización de entropía clásica, tanto para la detección de ritmo alfa como así también para crisis
epilépticas. Dichos resultados se mostraron robustos a cambios en la amplitud de la señal y en cambio
dependen de la localización frecuencial de la energía de la señal. Se desprende de los resultados
obtenidos, que la SE es una técnica apta para la detección tanto de ritmo cerebral alfa como de crisis
epilépticas o espigas aisladas.
En vista de dichos resultados, surge como trabajo futuro el desarrollo de algoritmos para la
detección y clasificación automática de eventos cerebrales y su generalización en la aplicación de la
técnica en diferentes eventos cerebrales, como por ejemplo los ritmos motores y de imaginación de
movimiento.
Agradecimientos Este trabajo fue realizado con fondos otorgados por la UNLP (I127), ANPCyT (PICT N° 2007-
00535), CONICET (PIP 0253) y CIC-PBA.
Referencias
[1] Gigola S, D’Atellis C y Cochen S. 2009. Estudio de la evolución de la energía acumulada para
XVIII Congreso Argentino de Bioingeniería SABI 2011 - VII Jornadas de Ingeniería Clínica Mar del Plata, 28 al 30 de septiembre de 2011
la predicción de crisis epilépticas. Ann of XIII Reun. de Trab. en Proc. de la Inf. y contr., 16
al 18 de Sept de 2009. 246-9.[2] Pfurtscheller G, Neuper C, Schlögl A y Lugger K.
1998. Separability of EEG signals recorded during right and left motor imagery using
adaptative autoregressive parameters. IEEE Trans. on Rehab. Eng., 6, 3, 316-25.
[3] Bermúdez Cicchino A, Spinelli E y Muravchik C. 2006. Análisis mediante wavelet packets de
señales de eeg asociadas a movimientos. Ann of XXII Congr. Arg. de Contr. Autom., 31 de
Ag al 2 de Sept de 2010.
[4] D’Atellis C, Isaacson S y Sirne R. 1997. Detection of epileptic events in electroencephalograms
using wavelet analysis. Ann. of Biomed. Eng., 25, 286-93.
[5] Niedermeyer E. y Lopes da Silva F. H., Electroencephalography: basic principles, clinical
applications, and related fields, capítulo 9. Lippincott Williams & Wilkins, 5ta edición, 2004.
[6] Acharya R, Faust O, Kannathal N, TjiLeng Chua y Laxminarayan S. 2005. Non-linear analysis
of EEG signals at various sleep stages. Comp. Meth. and Progr. in Biomed., 80, 37-45.
[7] Abásolo D, Hornero R, Espino P, Poza J, Sánchez C y de la Rosa R. 2005. Analysis of
regularity in the EEG background activity of Alzheimer’s disease patients with approximate
entropy. Clin. Neurophysiol., 116, 1826-34.
[8] Capurro A, Diambra L, Lorenzo D, Macadar O, Martin MT, Mostaccio C, Torres ME y Velluti
J. 1999. Human brain dynamics: the analysis of EEG signals with Tsallis information
measure. Phys A, 265, 235-54.
[9] Torres ME, Añino MM y Schlotthauer G. 2003. Automatic detection of slight parameter
changes associated to complex biomedical signals using multiresolution q-entropy. Med.
Eng. & Phys., 25, 859–67.
[10] Bezerianos A, Tong S y Thakor N., 2003. Time-Dependent Entropy Estimation of EEG Rhythm
Changes Following Brain Ischemia. Annals of Biomedical Engineering, 31, 221-32.
[11] Kannathal N, Min Lim Choo, Rajendra Acharya U, Sadasivan P K . 2005. Entropies for
detection of epilepsy in EEG. Comp. Meth. and Progr. in Biomed. 80, 187-94.
[12] Wei-Xing He, Xiang-Gou Yan, Xiao-Ping Chen y Hui Liu. 2005. Nonlinear feature extraction
of sleeping EEG signals. Proc. of the IEEE EMB 27th Ann Conf, Shanghai, China, 4614-7.
[13] Rezek I A y Roberts S J. 1998. Stochastic Complexity Measures for Physiological Signal
Analysis. IEEE Trans. on Biomed. Eng. 45, 9, 1186-1191.
[14] Sleigh J, Steyn-Ross D, Steyn-Ross M, Grant C y Ludbrook G. 2004. Cortical entropy changes
with general anaesthesia: theory and experiment. Physiol. Meas., 25, 921-34.
[15] Inouye T, Shinosaki K, Sakamoto H, Toi S, Ukai S, Iyama A, Katsuda y and Hirano M. 1991.
Quantification of EEG irregularity by use of the entropy of the power spectrum.
Electroencephalogr. Clin. Neurophysiol. 79, 3, 204-10.
[16] Bing-Fei Wu y Kun-Ching Wang. 2005. Robust Endpoint Detection Algorithm Based on the
Adaptive Band-Partitioning Spectral Entropy in Adverse Environments. IEEE Trans. on
Speech And Audio Proces., 13, 5, 762-75.
[17] Liang-Sheng Huang y Chung-ho Yang. 2000. A novel approach to robust speech endpoint
detection in car environments. 2000. Proc. of IEEE Acoust. Speech and Sign. Proc.,
ICASSP'00, 3, 1751-4.
[18] Hemant Misra, Shajith Ikbal, Hervé Bourlard y Hynek Hermansky. 2004. Spectral Entropy
Based Feature For Robust ASR. Proc. of IEEE Acoust. Speech and Sign. Proc., ICASSP'04,
1, 193-6 .
[19] Cebeiro J, Urcola MJ y Craiem D. 2009. Estimación de la profundidad anestésica basada en
índices espectrales. Ann of XVII Congr. Arg. De Bioing., 14 al 16 de Oct de 2009.[20] Xiaoli
Li, Duan Li, Zhenhu Liang, Logan J Voss, Jamie W Sleigh. 2008. Analysis of depth of
anesthesia with Hilbert–Huang spectral entropy. Clin. Neurophysiol., 119, 2465–75.
[21] Quian Quiroga R, Arnhold J, Lehnertz K y Grassberger P. 2000. Kulback-Leibler and
renormalized entropies: Application to electroencephalograms of epilepsy patients. Phys Rev
E. 62, 6, 8380-6.
XVIII Congreso Argentino de Bioingeniería SABI 2011 - VII Jornadas de Ingeniería Clínica Mar del Plata, 28 al 30 de septiembre de 2011
[22] Stam CJ, Tavy DL, Keunen RW. 1993. Quantification of alpha rhythm desynchronization using
the acceleration spectrum entropy of the EEG. Clin Electroencephalogr., 24, 3, 104-9.
[23] American Clinical Neurophysiology Society (2006). Guideline 5: Guidelines for standard
electrode position nomenclature. Journ. of Clin. Neurophysiol., 23, 107-110.
[24] Kannathal N, Rajendra Acharya U, Min Lim Choo, Sadasivan P K . 2005. Characterization of
EEG – A comparative study. Comp. Meth. and Progr. in Biomed. 80, 17-23.
[25] Thakor NV, Paul J, Tong S, Zhur Y y Bezerianos A. 2001. Entropy of brain rhytms: normal
versus injury EEG. Proc. of the 11th IEEE Sig. Proc. Worksh. on Stat.l Sig. Proc., 261- 264.
XVIII Congreso Argentino de Bioingeniería SABI 2011 - VII Jornadas de Ingeniería Clínica Mar del Plata, 28 al 30 de septiembre de 2011