tecnicas de procesado de polisomnogramas

E.T.S.I.T PROYECTO FIN DE CARRERA

Martín Martínez Villar

Dtor: Luis Vergara González Arturo Serrano Cartagena

Técnicas de procesado de polisomnogramas (PSG) para la

extracción automática de hipnogramas.

Valencia, Marzo de 2009

Introducción

4

Capitulo 1

Introducción

4

Capitulo 1

A los compañeros del GTS

A Addisson y Arturo

A Reyes y Martín

A Julio y Juana

Técnicas de procesado de polisomnogramas (PSG) para la extracción automática de hipnogramas.

Índice de contenidos

ÍNDICE DE CONTENIDOS:ÍNDICE DE CONTENIDOS:ÍNDICE DE CONTENIDOS:ÍNDICE DE CONTENIDOS:

Capítulo 1. Introducción 1 Capítulo 2. Electroencefalografía aplicada al estudio del sueño 5

2.1. Fundamentos del análisis electroencefalográfico 7

2.2. Anatomía Cerebral 8

2.3. La Señal EEG 10

2.3.1. Registro de la Señal EEG 11

2.3.2. Electrodos 11

2.3.3. Localización de los Electrodos 12

2.3.4. Campos de potencial 14

2.3.5. Tratamiento de la Señal EEG 15

2.3.6. Montajes y Uso Razonable de Canales 16

2.3.7. Características de la señal EEG 18

2.3.8. Formato de la señal EEG 19

2.4. Polisomnograma (PSG) e Hipnograma 21

2.4.1. El Sueño 21

2.4.2. Polisomnografía 22

2.4.3. Hipnograma 23

2.4.4. Técnicas y Sistemas de Marcado 24

2.4.4.1. Reglas RK 24

2.4.4.2. Manual AASM 31

Capítulo 3. Segmentación y extracción de características del EEG 33

3.1. Introducción 35

3.2. Preprocesado 36

3.3. Segmentación 39

3.4. Extracción de Características 44

3.4.1. Amplitud 46

3.4.2. Frecuencia central 48

3.4.3. Energía Pesada en Frecuencia (FWE) 53

3.4.4. Spindles 54

3.4.5. Índice de Onda Lenta Alpha (ASI) 55

3.4.6. Índice de Actividad de Sueño Theta (TSI) 55

3.4.7. Detección de movimiento en los ojos (EMs) 56

3.5. Tratamiento de Artefactos 58

Capítulo 4. Clasificación automática de segmentos EEG 61

4.1. Introducción 63

4.2. Algoritmo K-Means (KM) 64

4.3. Algoritmo Fuzzy K-Means (FKM) 65

4.3.1 Índices de Calidad de Partición 66

4.4. Algoritmo K-Means en 2 Etapas 68

4.5. Comparación de algoritmos 73

4.5.1. Caso 1 75

4.5.2. Caso 2 81

Capítulo 5. Conclusión y Trabajo Futuro 85 Anexo:

I: Acrónimos y definiciones 91

II: Referencias 92



Índice de Tablas: Tabla 1. Nomenclatura empleada en el Sistema Internacional de Referencia 10/20……………………...13 Tabla 2. Bandas de frecuencias definidas para los patrones EEG y sus diferentes formas de onda...........18 Tabla 3. Duración aproximada de cada una de las fases de sueño según la edad del sujeto.......................24 Tabla 4. Principales características de las fases del sueño, basado en las Reglas RK……………………44 Tabla 5. Parámetros generales de sueño…………………………………………………………………..74 Tabla 6. Estadios de sueño en el Caso 1…………………………………………………………………..75 Tabla 7. Estadios de sueño en el Caso 2…………………………………………………………………..81 Índice de Figuras: Figura 1. Imagen de uno de los primeros aparatos EEG. Laboratorio de Hans Berger…………………….7 Figura 2. Vista lateral del cerebro (lado izquierdo).......................................................................................9 Figura 3. Representación de las diferentes zonas del cuerpo junto con sus áreas correspondientes en el

córtex somatosensorial (izquierda) y el córtex motor (derecha) [9]...................................................9 Figura 4. Electrodo activo plano usado en EMG y EEG de la marca BioSemi...........................................12 Figura 5. Representación del Sistema Internacional 10-20 para la colocación de los electrodos................13 Figura 6. Ejemplo de Campo Potencial y valor en los distintos electrodos.................................................14 Figura 7. Principio de la localización bipolar..............................................................................................17 Figura 8. Ejemplo de un Hipnograma con la distribución de las distintas fases de sueño que atraviesa el

paciente a lo largo de las horas de sueño..........................................................................................23 Figura 9. Localización de los electrodos en los EOGs, EMG y EEGs........................................................25 Figura 10. Época perteneciente a fase W o de vigilia..................................................................................25 Figura 11. Aunque hay dominancia de alta amplitud, la mayor parte de la época está oscurecida por

movimientos, por lo que la época se marca como MT (Movement Time).......................................26 Figura 12. La época muestra una porción de fase 1 con ondas vértex prominentes en el EEG y aparición

de movimientos oculares lentos........................................................................................................26 Figura 13. Época en fase S2 con elevada tónica EMG..............................................................................27 Figura 14. Época en fase S3. EEG de alta amplitud con actividad lenta en un tercio de la época..............28 Figura 15. Época en fase S4. EEG de alta amplitud con actividad lenta delta en más de la mitad de la

época……………………………………………………………………………………………….29 Figura 16. Época en fase REM con bajo voltaje, frecuencia EEG mixta, REMs y EMG en el menor nivel

de toda la grabación. Aparición de ondas con forma de diente de sierra..........................................30 Figura 17. Diagrama de bloques de las etapas que constituyen el capítulo 3..............................................35 Figura 18. Diagrama del preproceso de los EEGs. Se muestra la creación de las referencias así como los

filtros empleados en cada señal.........................................................................................................36 Figura 19. Fragmento de la señal EEG C3A2 antes y después de filtrar.....................................................37 Figura 20. Fragmento de la señal EMG antes y después de filtrar..............................................................37 Figura 21. Fragmento de ambos EOGs antes y después de filtrar...............................................................38 Figura 22. Respuesta en frecuencia de los filtros Butterworth de 6º orden con el que se tratan la señales

EEG (fc=30 Hz), EMG (fc=40Hz) y EOG (fc=5Hz)........................................................................38 Figura 23. a) Fragmento EEG de 4 segundos. b) Parámetro NLEO del fragmento EEG con un tamaño de

ventana de 128 muestras...................................................................................................................39 Figura 24. a) Señal EEG registrada sobre el canal central. La duración es de 23.4 segundos o 6000

muestras con fs= 256 Hz. b) Comparación del parámetro Gnleo para diferente tamaño de ventana N (64, 128, 256, 512 respectivamente).............................................................................................40

Figura 25. Criterio de segmentación umbralizado para diferente tamaño de ventana L.............................41 Figura 26. Obtención del criterio de segmen-tación global.........................................................................42 Figura 27. División final en segmentos. Se muestran los 7 segmentos en que se divide la señal ejemplo.

La duración mínima del segmento se establece en 3 segundos (768 muestras). Para el tramo de señal ejemplo, el segmento más corto es de 3.067 segundos (785 muestras) mientras el más largo es de 3.29 segundos (841 muestras). Dicha duración depende del contenido en amplitud y frecuencia de las señales EEG y EMG..............................................................................................43

Figura 28. Los canales EEG y EMG se usan para generar el criterio global de segmentación. Las líneas verticales indican las marcas de los segmentos generados, que automáticamente se extienden a los canales EOG, resultando segmentos en los cinco canales................................................................44

Figura 29. Un segmento se caracterizará finalmente por un vector de 13 características...........................46



Figura 30. La Amplitud del Canal Central es la primera de las características de los segmentos...............46 Figura 31. Amplitud de los distintos segmentos que componen la señal EEG O2A1.................................47 Figura 32. Amplitud de los segmentos que componen la señal EMG.........................................................47 Figura 33. Comparación de la amplitud de las señales registradas sobre los canales central y occipital...48 Figura 34. Representación del Ritmo Dominante en los Canales EEG con el Método AR-2.....................51 Figura 35. Representación del Ritmo Dominante en los Canales EEG con el método de la frecuencia

centroide............................................................................................................................................51 Figura 36. Comparativa de Técnicas: FFT vs. AR-2 en los EEG Central y Occipital……………………52 Figura 37. Parámetro FWE de los canales EEG y EMG.............................................................................53 Figura 38. Porcentaje de Spindles en el EEG Central.…………………………………………………....54 Figura 39. ASI: Índice de Actividad Alpha en el Canal Occipital...............................................................55 Figura 40. TSI: Índice de Onda Lenta Theta en el Canal Central................................................................56 Figura 41. Diagrama de bloques del algoritmo de detección de Movimientos de Ojo……………………56 Figura 42. Detección de inversión de fase con suficiente amplitud.............................................................57 Figura 43. Detección de movimientos oculares rápidos..............................................................................58 Figura 44. Procedimiento de clústering KM................................................................................................64 Figura 45. Coeficiente y Entropía de Partición de una agrupación……………………………………….67 Figura 46. Procedimiento general de clústering…………………………………………………………..68 Figura 47. Diagrama de bloques del algoritmo 2-KM…………………………………………………….69 Figura 48. Selección aleatoria de 600 segmentos candidatos a centroide...................................................71 Figura 49. Hipnogramas del Caso 1 y 2…………………………………………………………………...73 Figura 50. Procedimiento de comparación de hipnogramas........................................................................74 Figura 51. Distribución de segmentos del canal Central y Occipital del Caso 1.........................................75 Figura 52. Índices de calidad Caso 1...........................................................................................................76 Figura 53. Hipnogramas del Caso 1……………………………………………………………………….77 Figura 54. Relación de índices del primer k-means realizado con la estrategia de clústering.....................78 Figura 55. División en clústeres de todos los segmentos una vez tratados los artefactos, kf =5.................78 Figura 56. a) Hipnograma digitalizado b) Hipnograma marcado por un especialista.................................79 Figura 57. Valores de los centroides del Ritmo Dominante y la Amplitud sobre ambos EEGs………….80 Figura 58. Hipnograma generado por el algoritmo k-means con estrategia 2-KM……………………….80 Figura 59. Distribución de segmentos del canal Central y Occipital del Caso 2.........................................81 Figura 60. Hipnogramas del Caso 2……………………………………………………………………….82 Figura 61. Coeficiente y Entropía de Partición del Caso2...........................................................................83 Figura 62. Evolución del algoritmo FKM según el número de clústeres de agrupación.............................84

Introducción

1

Capitulo 1

Capitulo 1.

Introducción

Introducción

2

Capitulo 1

Introducción

3

Capitulo 1

Capitulo 1. Introducción

El presente proyecto final de carrera (PFC) se ha realizado en el Grupo de I+D de Tratamiento de Señal (GTS) de la Universidad Politécnica de Valencia (UPV). El PFC se inscribe en una línea de investigación del GTS en el área de bioseñales. En esta área, el GTS ha desarrollado sistemas de procesado de señales radiológicas de mamografías para la detección precoz del cáncer de mama y un sistema de digitalización de electrocardiogramas impresos para el diagnóstico de la enfermedad de Chagas. Recientemente, el GTS ha iniciado una colaboración con el área de electroencefalografía (EEG) del Hospital Universitario La Fe de Valencia con el fin de trabajar en el diagnóstico de enfermedades relacionadas con el sistema nervioso central. Se pretende aplicar al mejoramiento del diagnóstico médico la experiencia del GTS en el desarrollo de nuevos algoritmos de detección, filtrado, clasificación y predicción de señales.

Objetivos

El objetivo general de éste PFC es desarrollar técnicas de análisis de

polisomnogramas (PSG) para la extracción automática de hipnogramas. Las medidas PSG incluyen electroencefalograma (EEG), electromiograma (EMG), electrooculograma (EOG), y otros tipos de señales. Estas medidas se han usado para dividir el sueño (estado biológico no-uniforme) en diferentes estados o etapas. La diagnosis y el tratamiento de pacientes con desordenes del sueño requiere de la clasificación de los PSGs en los diferentes estados del sueño. Normalmente, el sueño sano está organizado en secuencias de etapas en ciclos de 60-90 minutos. Dependiendo de los estándares adoptados, las diferentes etapas se derivan de cuatro estados básicos del sueño biológico: Despierto, Sueño Ligero, Sueño Profundo, y Sueño de Movimiento Rápido de Ojos (REM, del inglés Rapid Eye Movement). El hipnograma es un diagrama con la descripción evolutiva en el tiempo de las etapas de sueño. Este diagrama es usado por los médicos para diagnosis de desordenes del sueño tales como insomnio, apnea, y narcolepsia.

La estima de las etapas del sueño está basada en asumir que existe un patrón durante un intervalo de tiempo hasta que un nuevo patrón emerge señalizando un cambio de estado. Puesto que de hecho existe un continuo desde el sueño ligero hasta el sueño profundo, la demarcación artificial de etapas del sueño es una simplificación. El procedimiento manual consiste en dividir el PSG generalmente en épocas de duración fija (20, 30, o 60 segundos) las cuales son visualmente clasificadas por un experto neurofisiólogo en una de las etapas según un estándar comúnmente aceptado. El tiempo exacto de cambio de estado es altamente subjetivo y variable, dejando lugar a la interpretación del evaluador, que podría cambiar de una lectura a otra del mismo PSG. Además de ser subjetivo, el análisis visual de los registros es muy tedioso y consumidor de tiempo, lo cual ha conducido a investigar en la clasificación por ordenador de los PSGs. En el procesado automático de las señales de PSGs hay que considerar diferentes variables tales como: dificultad para traducir reglas ambiguas de interpretación de PSGs

Introducción

4

Capitulo 1

a un modelo matemático; segmentación de un registro de señales EEG de naturaleza no estacionaria adquiridas en un período largo de tiempo; requerimientos de ajuste de algoritmos y umbrales para diferentes grupos de pacientes, etc.

Teniendo en cuenta la literatura existente para la extracción automática de hipnogramas, se formularon los siguientes objetivos específicos para el PFC: (i) estudiar los procedimientos de extracción automática de PSGs y las técnicas de extracción/clasificación aplicadas; (ii) desarrollar y/o adaptar un algoritmo de segmentación de las señales EEG, EMG, y EOG; (iii) desarrollar y/o adaptar algoritmos de extracción de características temporales y frecuenciales de las señales segmentadas; (iv) desarrollar y/o adaptar algoritmos de clasificación de las características extraídas; (v) aplicar los algoritmos desarrollados en casos reales. Particularmente, en este trabajo se han procesado señales reales almacenadas en una base de datos de La Fe para el estudio de epilepsia y apnea obstructiva, utilizando una configuración de dos electrodos EEG, dos electrodos EOG, y un electrodo EMG.

Los siguientes capítulos de este documento están organizados de la siguiente forma. El Capítulo 2 contiene un marco conceptual de la electroencefalografía aplicada al estudio del sueño. Se incluyen conceptos tales como fundamentos del análisis electroencefalográfico, anatomía cerebral, la señal EEG, PSG e hipnograma. El Capítulo 3 presenta los algoritmos de preprocesado, segmentación, tratamiento de artefactos, y extracción de características desarrollados. Entre las características extraídas tenemos: amplitud, frecuencia central, energía pesada en frecuencia, spindles, índice de onda lenta (ASI, del inglés Alpha-Slow-Wave Index), índice actividad de sueño Theta (TSI, del inglés Theta-Slow-Wave Index), detección de movimiento de ojos (EM, del inglés Eye Movement). El Capítulo 4 incluye los algoritmos de clasificación que fueron utilizados y una comparación de los resultados obtenidos por estos algoritmos en el procesado de dos casos reales. Los algoritmos de clasificación son: k-means, fuzzy k-means, y un algoritmo de 2 niveles de clasificación denominado 2-k-means. Finalmente, en el Capítulo 5 se incluyen las conclusiones del PFC y diferentes opciones de trabajo futuro.

Electroencefalografía aplicada al estudio del Sueño

5

Capitulo 2

Capitulo 2.

Electroencefalografía

aplicada al estudio del

Sueño


6

Capitulo 2


7

Capitulo 2

Capitulo 2. Electroencefalografía aplicada al estudio del Sueño 2.1. Fundamentos del análisis electroencefalográfico

La Neurofisiología se fundamenta en los estudios del premio Nóbel español Dº Santiago Ramón y Cajal, quien en 1891 postuló la Ley de la polarización dinámica de las neuronas, la cual ayudó a descubrir los mecanismos que gobiernan la morfología y los procesos conectivos de dichas células nerviosas.

El cerebro es la estructura organizada más compleja e importante conocida hoy día

por el ser humano. Esta gran red procesadora de información está formada por un mínimo de 1010 neuronas, que se ubican en su mayoría en el córtex cerebral. Las neuronas se interconectan entre sí en aproximadamente 1015 puntos llamados conexiones sinápticas. Cuando una neurona es excitada, a través de ella fluye una pequeña corriente eléctrica que produce campos electromagnéticos en el exterior que pueden captarse y medirse.

La Electroencefalografía (EEG) es una exploración neurofisiológica basada en la grabación o registro de la actividad bioeléctrica cerebral en condiciones de reposo, vigilia, sueño o durante diversas situaciones, esto es, una evaluación del sistema nervioso en cualquiera de sus estados. Su descubrimiento se debe al neurólogo alemán Hans Berger en 1929, quien recogió las señales EEG como resultado de la actividad del cerebro con o sin presencia de estímulos, ver Figura 1.

Figura 1. Imagen de uno de los primeros aparatos EEG. Laboratorio de Hans Berger.

La adquisición e interpretación de la señal es compleja debido a la interconexión

desconocida de billones de células mediante un número aun mayor de conexiones sinápticas que tienen lugar en el cerebro. Se piensa que este órgano funciona enviando señales químicas entre neuronas y modulando la potencia de éstas conexiones. Las señales químicas generan actividad eléctrica como subproducto de la sinapsis, y es esta la actividad a la que llamamos electroencefalográfica, que podemos medir e interpretar mediante una forma invasiva (implante directo de los electrodos en el cerebro) o no invasiva (electrodos sobre superficie del cuero cabelludo).


8

Capitulo 2

De este modo se intenta comprender la compleja actividad eléctrica neuronal, que genera señales EEG irregulares traducidas en ondas EEG aparentemente aleatorias y no estacionarias. Menos obvia es la explicación fisiológica del carácter rítmico de ciertos patrones EEG observados tanto durante el sueño como durante la vigilia.

La utilidad principal del EEG es el diagnóstico de patologías relacionadas con el

funcionamiento del cerebro: enfermedades cerebro-vasculares, coma, síndromes de delirio (epilepsia), aunque también se emplea en el caso de monitorización de pacientes sometidos a anestesia, para conocer la actividad eléctrica cerebral durante una crisis.

Otro papel desempeñado por el EEG es el estudio de posibles procesos

toxicometabólicos, dado que aunque las alteraciones analíticas permiten establecer un diagnóstico, no siempre es así. El EEG aporta datos que pueden apoyar un diagnóstico, dado que revela en ocasiones hallazgos importantes, por lo que se emplea en el seguimiento de pacientes. Otras áreas de uso del EEG son el accidente cerebrovascular, el incremento de presión intracraneal, el hematoma subdural, la demencia, el coma, por nombrar algunos.

Desde que se descubrieron las alteraciones asociadas a la epilepsia por Berger, otras

aplicaciones adicionales se han sumado a esta prueba. Hasta la introducción de técnicas de imagen, el EEG era la herramienta principal para evaluar pacientes con enfermedades cerebrales, precediendo al uso de métodos invasivos como la arteriografía y la neumoencefalografía.

La llegada de la tomografía computerizada (TAC) y la resonancia magnética (RM) provocaron una sensación de desolación entre los especialistas en electroencefalografía al considerar que las nuevas técnicas diagnósticas sustituirían al EEG. Sin embargo, gracias a la expansión de la tecnología y la introducción de aplicaciones sofisticadas en diferentes procesos patológicos, la electroencefalografía sigue ocupando una situación importante en la evaluación diagnóstica de enfermedades neurológicas.

En resumen, el EEG puede aportar información clave y complementaria en un abanico de enfermedades neurológicas.

2.2. Anatomía Cerebral

El cerebro es la parte central del sistema nervioso encargada de supervisar, de manera consciente e inconsciente, todo proceso que ocurre en nuestro cuerpo y en el exterior. Se trata del único órgano del cuerpo humano que se encuentra protegido por una coraza ó bóveda ósea; ocupa aproximadamente 1500 cm3 en la cavidad craneal, donde se aloja. Entre el cráneo y el cerebro se encuentran las meninges, unas membranas que envuelven y protegen el cerebro y la médula espinal.

A nivel estructural, el cerebro se divide en dos hemisferios, separados por la fisura interhemisférica que, a su vez, están divididos en lóbulos por dos surcos (menos profundos que la fisura): el surco central y la cisura de Silvio. Ambos surcos delimitan cuatro lóbulos en cada hemisferio: el lóbulo frontal, el lóbulo temporal, el lóbulo parietal y el lóbulo occipital. Por otra parte, a los lados del surco central, bordeándolo, encontramos el córtex motor, a un lado, y el córtex somatosensorial, ver Figura 2.


9

Capitulo 2

Figura 2. Vista lateral del cerebro (lado izquierdo).

Por lo tanto, el cerebro no es en absoluto homogéneo, sino que está compuesto por

distintas estructuras anatómicas con diferentes características físicas (densidad, dureza, conductividad, etc.). En algunas zonas, se ha conseguido realizar un mapa funcional: sabemos que el córtex auditivo se encuentra alojado en el lóbulo temporal (interior de la fisura de Silvio) y el córtex visual se encuentra en el lóbulo occipital.

El homunculi (Figura 3) representa el mapa funcional en el córtex motor a ambos

lados del círculo central, donde se han asociado las distintas regiones del córtex motor y la procedencia de los estímulos procesados en el córtex somatosensorial. Se representa con mayor tamaño aquellas áreas corporales con mayor sensibilidad y que utilizan, por tanto, mayor zona del córtex somatosensorial y de igual manera en el córtex motor (Penfield y Rasmussen, 1950) [9].

Figura 3. Representación de las diferentes zonas del cuerpo junto con sus áreas correspondientes en el córtex somatosensorial (izquierda) y el córtex motor (derecha) [9].


10

Capitulo 2

La mayor parte del contenido de la señal EEG registrada parece originarse en las neuronas, en las que existen varias fuentes de actividad eléctrica: los potenciales de acción, los potenciales postsinápticos y la despolarización neuronal crónica. Los potenciales de acción inducen una leve corriente local en el axón (10 ms. o menos) y tienen un potencial de campo muy limitado, razón por la cual se consideran candidatos poco probables. Los potenciales postsinápticos (PPS) son considerablemente más prolongados (50-200 ms.) y tienen un campo mayor que los primeros, por lo que posiblemente constituyen los principales generadores del EEG, aunque la despolarización de la neurona puede jugar un papel importante al dar lugar a modificaciones en el EEG que podrían quedar registradas en un tejido cerebral lesionado.

Los mecanismos subyacentes a la ritmicidad EEG están mediados por dos procesos principales: la interacción corteza-tálamo y el proceso relacionado con las propiedades funcionales de las grandes redes neuronales existentes en la corteza y que poseen la capacidad intrínseca de ritmicidad, resultado del cual aparecen unos patrones EEG reconocibles que nos permiten evaluar las ondas cerebrales. 2.3. La Señal EEG

Debido a las peculiaridades del cerebro, la forma y característica de la señal EEG no sigue un patrón definido, con lo cual para interpretar y decodificar este tipo de señal debemos asumir que personas diferentes pueden tener patrones de EEG muy distintos para los mismos pensamientos. La solución a la diferencia de patrones es hacer un sistema adaptativo capaz de aprender los patrones específicos de cada usuario del sistema en un periodo de tiempo dado.

Otro problema importante en electroencefalografía es la amplificación (en más de 1.000.000 de veces) de las corrientes tan pequeñas que se registran, con transducción de los potenciales amplificados para que puedan ser interpretados mediante una representación gráfica, a los que se suman los potenciales extra cerebrales (otros movimientos y artefactos) que se amplifican del mismo modo y que habitualmente tienen una amplitud mucho mayor que los potenciales electro-corticales. Al fin y al cabo, nuestro objetivo es obtener un registro libre de artefactos, o en caso contrario, identificarlos y excluirlos de la consideración diagnóstica. Aunque las señales EEG se obtienen de un modo simple (tan solo tenemos que colocar una serie de electrodos en las posiciones correctas y monitorizarlos), contamos además con el inconveniente de los artefactos (fuentes) que interfieren o distorsionan la señal:

- Diferentes perturbaciones procedentes del equipo de grabación. - Interferencias eléctricas externas al sujeto y al sistema. - Las sondas y los electrodos: aun teniendo en cuenta las pérdidas

introducidas, el número de electrodos es un compromiso, ya que al incrementarlo mejoraremos la resolución de la adquisición perjudicando las interferencias y complicando el algoritmo de separación de señales de los diferentes canales.

- El sujeto: actividad eléctrica cardiaca, parpadeo, aparato digestivo, movimiento ocular y muscular que trataremos como artefactos.


11

Capitulo 2

La señal resultante es muy compleja y pequeña en amplitud y frecuencia, en torno a

los 300 µV y con un ancho de banda que va desde la continua a no más de 100 Hz. Consecuencia de esto es que se hace indispensable una fase de tratamiento de la señal necesaria para extraer la información electroencefalográfica y el uso de dispositivos para poder visualizar la señal (filtros amplificadores diferenciales de bajo ruido y con ganancia superior a 100 dB). 2.3.1. Registro de la Señal EEG

Aunque en 1875 un médico inglés llamado Richard Caton expuso por primera vez hallazgos sobre la actividad bioeléctrica en los hemisferios cerebrales de ratones y monos expuestos por craniectomía, se necesitaron 50 años hasta que se consiguió éxito en seres humanos. Durante la primera prueba realizada por Berger en 1929, dos electrodos se situaron en la parte frontal y trasera de la cabeza, midiendo así una actividad de la actividad cortical global, sumando la ventaja de que su técnica no precisaba de craniectomía. A través de otros investigadores de la época como Adrian, Matthews y Yamagiwa, se llegó al descubrimiento en 1934 de que los registros EEG variaban en diferentes puntos de la cabeza, por lo que rápidamente se empezó a usar registros multicanal y a dedicar estudios exhaustivos sobre los puntos en los cuales se registraba una actividad más significativa.

En la década de los 30, a medida que aumentaba el número de laboratorios implicados en la investigación EEG, se consiguió una proliferación rápida de las técnicas e interpretaciones de la actividad de grabación: el uso de múltiples canales permitió a los investigadores grabar simultáneamente diferentes zonas de la cabeza, llegando incluso al descubrimiento de importantes parámetros de la señal, como la presencia de actividad localizada alpha y los spindles de sueño (que serán explicados más adelante). La observación de qué diferentes tipos de actividad ocurrían simultáneamente animaba al uso de más electrodos o canales de grabación simultánea, aunque se contaba con el inconveniente de que en los trabajos de investigación, en la cada laboratorio, se colocaban los electrodos en ubicaciones diferentes, por lo que había problemas para comparar los resultados. Esto fue seguido de ensayos para emplazar electrodos de un modo estandarizado, de modo que un paciente pudiera ser monitorizado en diferentes sesiones teniendo referencias anteriores fiables, e incluso para poder comparar las señales obtenidas de diferentes pacientes. Se consiguió una amplia diversidad de técnicas para emplazar los electrodos y se establecieron métodos y estándares de emplazamiento.

2.3.2. Electrodos

Son los dispositivos que facilitan la conducción de los potenciales electro-corticales

hacia el dispositivo de amplificación a la entrada de los equipos que registran las señales. Su función es convertir esas corrientes iónicas dadas por los potenciales a corrientes eléctricas que podamos interpretar. La estructura de un electrodo es la de un pequeño disco metálico no reactivo recubierto de plástico que se coloca sobre el cuero cabelludo mediante una pasta de conducción (ver Figura 4). El metal puede ser oro, plata/cloruro de plata, estaño y platino, y su contacto debe ser firme para garantizar una impedancia (resistencia al flujo de corriente) baja, con el fin de minimizar los artefactos asociados al electrodo y el exterior.


12

Capitulo 2

Figura 4. Electrodo activo plano usado en EMG y EEG de la marca BioSemi.

2.3.3. Localización de los Electrodos

Un comité de la Federación Internacional de Sociedades para la Electro-

encefalografía y Neurofisiología Clínica, encabezado por el Dr. Herbert Jasper, un especialista en electroencefalografía del Montreal Neurological Institute, recomendó en 1958 un sistema específico de emplazamiento de electrodos, el conocido como Sistema Internacional de Referencia 10-20, que ayuda a comparar e interpretar las señales registradas sobre el mismo o varios pacientes, de modo que pudo solucionarse el problema de registro de modo lógico e interpretable de la actividad de las distintas zonas del cerebro fue solucionado.

Sistema Internacional de Referencia 10-20 El sistema referencial divide la distancia entre el nasión y el inión en 5 partes

iguales y coloca electrodos en las intersecciones, etiquetadas con una letra y un número que indica la zona donde se ubica exactamente el electrodo (ver Figura 5). Se obtienen mediciones en tres planos (sagital, coronal y horizontal) de un arco semicircunferencial del cráneo. Aunque con este método las distancias entre electrodos varían de un sujeto a otro y en un mismo sujeto en diferentes momentos de su vida, el electrodo siempre se sitúa sobre la misma zona funcional y capta, por tanto, señales comparables.

La localización recomendada por la ‘American EEG Society’ para el uso del

sistema 10-20 emplea 21 electrodos, aunque el sistema se diseñó para permitir el uso de electrodos adicionales. Cada electrodo tiene una letra que hace referencia al lóbulo del cerebro sobre el que se colocan. La numeración contempla la colocación de electrodos intermedios. El sistema de numeración asigna electrodos con numeración impar a los puntos del hemisferio izquierdo y los pares al derecho, junto a una letra que designa el área anatómica: Fp (frontopolar), F (frontal), C (central), T (temporal), P (parietal), O (occipital), A (oreja).


13

Capitulo 2

Figura 5. Representación del Sistema Internacional 10-20 para la colocación de los electrodos. A continuación se muestran las localizaciones más importantes definidas:

NOMENCL. NOMBRE SITUACIÓN Fp1/Fp2 Frontopolar o Prefrontal En la frente (registra la actividad

de los polos frontales).

F3/F4 Mediofrontal Sobre el lóbulo frontal.

F7/F8 Frontal o temporal inferior Regiones temporales anterior y medial.

C3/C4 Central Aproximadamente sobre la cisura de Rolando o el surco central.

P3/P4 Parietal Sobre el lóbulo parietal.

O1/O2 Occipital Sobre el lóbulo occipital.

T1/ T2 Temporales anteriores verdaderos Regiones temporales anteriores.

T3/T4 Temporal medial Regiones temporales anterior y medial.

T5/T6 Temporal posterior Regiones temporales posteriores.

Fz, Cz, Pz Frontal, Central y Parietal Superficies de la línea media y mediales de los hemisferios

A1/A2 Mastoides o Pabellones Auriculares Lóbulos de las orejas, regiones temporales mediales.

Tabla 1. Nomenclatura empleada en el Sistema Internacional de Referencia 10/20.

(Se muestra el nombre de la región de los electrodos así como su situación). Años más tarde se añadieron nuevas guías de emplazamiento de electrodos,

como la añadida en 1991 y en la cual se designaban localizaciones específicas e identificaban 75 posiciones de electrodo a lo largo de 5 planos laterales.


14

Capitulo 2

2.3.4. Campos de potencial La suma de los PPSI y los PPSE (potenciales postsinápticos inhibitorio y

excitatorio) en una red neuronal genera corrientes eléctricas que fluyen alrededor de las células y hacia el interior de las mismas. El flujo de corriente creado genera a su vez un campo que se difunde desde el foco eléctrico, muy parecido a los anillos concéntricos que se forman al tirar una piedra al agua de un estanque. Esto quiere decir que los fenómenos que dan lugar a un voltaje máximo en un electrodo concreto también influyen en los electrodos adyacentes, pero en menor grado a medida que el potencial se aleja de su punto de origen. (Ver Figura 6).

Figura 6. Ejemplo de Campo Potencial y valor en los distintos electrodos.

La Figura 6A) ilustra un potencial negativo máximo de 100 en F9. El campo se

difunde hasta afectar a T4 con un potencial inferior de 70 µV y después a Fp2 y T6 con 30 µV. El fondo no aparece afectado por los potenciales de 20 µV de promedio. B) Misma interpretación que A) pero en forma de gráfica: rápido incremento desde Fp2 hasta F8, con disminución sucesivamente hasta T4 y T6. O2 presenta el mismo potencial que el resto del fondo EEG.


15

Capitulo 2

2.3.5. Tratamiento de la Señal EEG

Amplificación

En un amplificador simple, cualquier señal de entrada obtenida a través de un electrodo activo es conducida hasta el amplificador y comparada con una señal de tierra. La señal de salida estará constituida por la diferencia de potencial entre el electrodo activo y tierra. Si visualizamos esa señal, en la pantalla aparecen los potenciales electrocorticales y otros potenciales del entorno, que influyen sobre el electrodo (inter-ferencias eléctricas cercanas). En la amplificación diferencial, las señales procedentes de dos electrodos activos se conducen hasta el amplificador, por lo que se determina la diferencia de potencial entre ambas. En este caso, cualquier señal que influyera en los electrodos de igual modo, da lugar a una diferencia de potencial nula, por lo que no se mostraría o su contribución sería pequeña. A este fenómeno se le llama cancelación de fase.

Calibrado y filtrado

El calibrado de la señal proporciona una evaluación de la sensibilidad de cada uno de los amplificadores por separado. Para asegurarnos de que la máquina funciona correctamente, el técnico debe cerciorarse de que la señal tenga el tamaño adecuado en cuanto a amplitud, espacio del fichero y demás parámetros. Antes de proceder a la adquisición de datos, se comprueba el calibrado. El calibrado inicial de señales testea la máquina, el amplificador y las plumas que escriben la señal en papel (en caso de no disponer de un aparato digital). Al final de la grabación, es deseable un nuevo calibrado usando todas las sensibilidades y los filtros usados en la grabación.

El abuso en el uso de filtros proporciona una de las mayores fuentes de controversia

entre neurofisiólogos y técnicos. Para hablar de filtrado primero hay que tener en cuenta el rango de frecuencias que tienen las señales que deseamos medir. El rango de actividad neurofisiológica se extiende desde los 0.5 hasta los 2000 ciclos por segundo (o Hz) en el cerebelo. En general uno podría pensar que cuanto mayor es el ancho de la banda medida, mayor es la fidelidad de la reproducción en la actividad grabada. En teoría es cierto, salvo que un mayor rango frecuencial incrementa la cantidad de interferencias y ruido externo en la señal. Los filtros se usan para establecer un compromiso entre reducción de señales extrañas y preservar tanto como sea posible la fidelidad de las ondas cerebrales, en particular la que se desee observar.

En EEG hay pocos valores para la señal por encima de 50 Hz, mientras que en una

grabación de potenciales evocados de corta latencia en campo lejano es común filtrar frecuencias bajo 100 o 150 Hz para quedarnos con las componentes a más alta frecuencia (3KHz en adelante). En el caso de que queramos medir actividad lenta, habrá que eliminar la actividad rápida. Esto es posible gracias al filtrado, por lo que antes de medir e interpretar el registro, hay que tener una idea de la señal que vamos a grabar para poder aplicar un tipo de filtrado u otro.


16

Capitulo 2

2.3.6. Montajes y Uso Razonable de Canales

El término ‘montaje’ se refiere a una relación sistemática entre los electrodos que se diseña para obtener una representación lógica de la actividad cerebral. Se trata de una herramienta usada para un propósito específico, así que dependiendo del tipo y objetivo del registro, se podría dar el caso de cambiar de montaje incluso dentro de la misma sesión (sobre el mismo paciente).

A diferencia del sistema de colocación 10/20, no existen normas internacionales para el montaje en los laboratorios de EEG, aunque hay ciertos montajes que se emplean más que otros.

En la era del EEG digital, la selección del montaje específico no tiene un carácter tan crítico como en épocas anteriores. Todos los montajes se efectúan de manera referencial, ya que el software muestra la representación de los potenciales registrados en cualquier montaje deseado, y así poder cambiar con facilidad de un montaje a otro para analizar las características de un fenómeno concreto.

El montaje lleva a cabo dos funciones simultáneas: una es grabar desde todas las áreas posibles del cerebro (el sistema 10-20 solventó esta tarea) y la segunda es recoger actividad de modo que sea fácilmente percibida y reconocida por el técnico que realiza la grabación, quien empleará en cada momento sus capacidades para identificar los patrones y características de la señal. El número de electrodos necesarios para el montaje está basado en diversos factores, incluyendo el tipo de montaje empleado, el tipo de actividad que se considera, el número disponible de canales y las habilidades del paciente. Dependiendo del tipo de medida y paciente tendremos adquisiciones con diferente número de electrodos y posición. Existe un electrodo ‘tierra’ que se coloca en la línea media de la frente (o en un lugar neutro) que nos ayuda a proteger eléctricamente al paciente.

Referencias y Valoración

Los montajes usados en EEG se dividen en dos categorías: - Estilo Referencial o Monopolar: los electrodos que se colocan a lo largo del cerebro están referenciados a un único electrodo común o referencia. Mediante una comparación de simetrías, donde tenemos electrodos alternativos comparables situados en cada hemisferio, se permite detectar diferencias sutiles de simetría y amplitud entre ambos lados del cerebro. Las asimetrías permiten el reconocimiento de anomalías, y su interpretación, que depende tanto del técnico supervisor como de la visualización, depende del montaje empleado. Hay asimetrías que se encuentran determinadas: una asimetría en la región temporal se ve en situaciones de somnolencia o sueño ligero. Uno de los inconvenientes de este montaje es que un artefacto cerca del electrodo referencia altera el registro del resto de electrodos. - Estilo Bipolar: Un registro bipolar une electrónicamente varios electrodos sucesivos, de modo que el voltaje determinado en un electrodo se compara con el de los electrodos adyacentes. Ambos electrodos (normalmente dos) se encuentran sobre la zona activa de registro. Eliminamos el inconveniente anterior, ya que un artefacto sobre la zona alteraría el registro de ese canal, pero no el del resto (ver Figura 7).


17

Capitulo 2

Figura 7. Principio de la localización bipolar. La figura muestra la descarga puntiaguda de 100µV en T4. El potencial es conducido a la Entrada II en el primer amplificador y la Entrada 1 en el segundo amplifi-cador. Los demás electro-dos no aparecen afectados por el fenómeno. El resultado se denomina inversión de fase.

En ambos casos, la señal recogida en un canal es la diferencia de potencial entre los dos electrodos de registro. En un EEG continuo, el montaje más empleado es el bipolar, debido a que presenta menor incidencia de artefactos, dada la importancia de los mismos.

Las localizaciones de referencia de uso común suelen ser el vértex (Cz) y los pabellones auriculares (A1 y A2). El primero se utiliza en forma de montaje de referencia para complementar a la de los pabellones auriculares. Se sabe que en el vértex hay una gran actividad cerebral, por lo que el ruido de fondo del EEG registrado se dirige hacia la entrada de todos los canales. Un fenómeno registrado (una punta, onda lenta) se presenta mejor cuando la referencia está alejada del electrodo de exploración. Las dos referencias: pabellón auricular y vértex, son complementarias.

Se dispone de un casco con agujeros sobre la situación indicada en el sistema 10/20, que indican la posición de cada uno de los electrodos de registro.

Para valorar el EEG se necesitan conocer una serie de parámetros:

.Sensibilidad: Es la amplitud de la deflexión del sistema de inscripción (plumilla) por un potencial determinado.

.Filtros que atenúan las señales fuera de rango: se usa un filtro de Baja Frecuencia

(0.3-0.5 Hz) y otro de Alta Frecuencia (70 Hz) además de un filtro específico (50 Hz) para eliminar ruidos eléctricos.

.Resistencia de los electrodos (ha de ser menor que 5KOhm). .Velocidad de Registro: Normalmente 30 mm/sg o 60 mm/sg en caso de registros

prolongados. .Calibración: para calibrar el sistema se introduce una señal de 50µV. Para una

sensibilidad de 10 µV/mm se deberá producir una deflexión de 5 mm.


18

Capitulo 2

2.3.7. Características de la señal EEG

Clasificación de ondas: Para obtener patrones de onda básicos, se ordena al paciente cerrar los ojos y estar relajado. La forma de onda de esos patrones es normalmente sinusoidal. A menudo, son medidos pico a pico y normalmente tienen una amplitud que va desde los 0.5µV a los 100µV en amplitud, la cual es aproximadamente 100 veces menor que las señales ECG. Gracias a la Transformada de Fourier, se obtiene el espectro a partir de la señal EEG bruta. A pesar de que el espectro es continuo desde los 0 Hz hasta la mitad de la frecuencia de muestreo, el estado del cerebro contiene frecuencias dominantes. Las ondas cerebrales se han clasifican en 4 grupos:

Banda Frecuencia Forma de Onda

Delta

0.5 – 4 Hz

Theta

4 – 8 Hz

Alpha

8 – 13 Hz

Beta

> 13 Hz

Tabla 2. Bandas de frecuencias definidas para los patrones EEG

y sus diferentes formas de onda.

DELTA ( 0.5-4 Hz )

Ocupa la banda de frecuencias más baja y refleja la mente inconsciente, el sueño profundo y la reestructuración física y mental. En su puesta en marcha entran en funcionamiento las partes más profundas del cerebro, siendo el ritmo dominante en niños mayores de 1 año y presente en la 3ª y 4ª etapa del sueño. Son las mayores en amplitud, y su actividad se registra mientras desconectamos de la actividad del mundo físico. Es la banda de frecuencia más desconocida. THETA ( 4-8 Hz )

Es clasificada como de actividad lenta. Poco normal en adultos conscientes pero perfectamente normal en niños de hasta 13 años y durmiendo. Podría decirse que están en medio del "consciente" y el "inconsciente": estados de imaginación espontánea, estados oníricos, ensoñación, fantasías alucinantes, donde la realidad se abstrae y se da ‘rienda suelta’ a la mente. Sus características son muy parecidas a la frecuencia alpha solo que más pronunciadas. Total relajación física y mental. Se producen con estados de meditación profunda como el yoga, la música (percusión, electrónica), situaciones de gran calma y relax, audición de músicas armónicas, los sueños oníricos. ALPHA ( 8-13 Hz )

Se aprecian mayoritariamente en las regiones posteriores de la cabeza, siendo mayores en amplitud en la zona dominante. Produce imaginación y lucidez creativa, mayor memoria, asimilación y capacidad de estudio, mejor rendimiento en el deporte. Ideal para proyectar autosugestiones y comportamientos. Producidas por estados de relajación activa o pasiva, estados de oración o meditación, relajación mental y muscular, ingestión de sustancias psicotrópicas o hipnóticas y sedantes. Se entra en este estado cerrando los ojos o mediante relajación, y se sale abriendo lo ojos o alertándose de algún mecanismo (pensando, calculando). Se trata el mayor ritmo reconocido en adultos relajados y está presente en la mayor parte de la vida, especialmente desde los trece años. BETA ( 14-30 Hz )

Se trata de una actividad rápida. Tiene una frecuencia mínima de 14 Hz. Se puede ver en las zonas laterales en distribución simétrica y más evidente en la cara frontal. Se acentúa con drogas sedantes e hipnóticas, especialmente las benzodiacepinas y los barbitúricos. Se trata normalmente como un ritmo normal de razonamiento lógico en el que surgen recuerdos automáticos, conversaciones habituales, autoconsciencia, y es dominante en pacientes alertados o ansiosos, los cuales tienen los ojos abiertos. Es el estado presente en la actividad normal: en el trabajo, estudio, lectura, atención… GAMMA ( a partir de30 Hz )

Surgen en un estado de conciencia como la vigilia, y la consecuencia es un estado de comportamiento histérico y de pérdida del control de la propia personalidad, agresividad, pánico, estados de miedo, cólera, huida, terror o ansiedad desbordada. Son producidos por ruidos fuertes, insultos, situaciones tensas o de pánico, crisis, noticias terribles, enfados fuertes, agresiones físicas o psicológicas, etc.


19

Capitulo 2

Algunas de las señales EEG son provocadas o inducidas, como respuesta a un estímulo presentado, como en el caso de los potenciales evocados (respuestas eléctricas del sistema nervioso producto de la aplicación de un estímulo sensorial o motor) o los potenciales corticales lentos, los cuales son empleados en sistemas de comunicación síncronos, mientras otras son producidas espontáneamente por el cerebro, como los ritmos mu y beta, que nos ofrecen la posibilidad de diseñar un sistema BCI asíncrono. En este último caso, varios tipos de características pueden ser extraídos, ya sea en el dominio del tiempo, de la frecuencia, o de tiempo-frecuencia conjuntamente.

La naturaleza no estacionaria (transitoria) de las señales EEG hace necesario el uso

de métodos que sean capaces de cuantificar el contenido espectral como una función del tiempo. Los métodos de representación Tiempo- Frecuencia (TFR) son apropiados como herramientas para el estudio de cambios espontáneos e inducidos en estados oscilatorios, donde el mejor método será aquel que maximice la variación interclase (variabilidad entre las clases) y minimice la variación intraclase (variabilidad entre los estados de una misma clase) en la base tiempo- frecuencia. Los estados oscilatorios son la característica principal de la actividad EEG porque además de indicar la sincronización de un gran número de neuronas indican un orden rítmico temporal de activación. Diferentes patrones oscilatorios deben ser indicativos de diferentes estados procesados de información.

2.3.8. Formato de la señal EEG EDF

Se trata de un estándar simple y flexible para el intercambio y almacenamiento de señales biofísicas en el que las señales pueden tener dimensiones físicas y frecuencias de muestreo diferentes. Fue publicado en 1992 en Electroencephalography and Clinical Neurophysiology, 82: 391-393, fecha desde la cual no ha sufrido apenas modificaciones. El formato se encuentra ampliamente extendido hoy en día, y la industria lo ha comenzado a incorporar en sus equipos y software para registro de EEG y PSG. Las señales tratadas en los siguientes capítulos se encontraban almacenadas en este formato.

Cada fichero contiene un registro poligráfico digitalizado ininterrumpido, y consiste en una cabecera seguida del cuerpo de datos. La cabecera, de longitud variable, identifica al paciente y especifica las características técnicas de las señales grabadas. El registro de datos contiene épocas consecutivas de duración fija de la grabación poligráfica.

Los primeros 256 bytes de la cabecera especifican la versión del formato, identificación local del paciente y de la sesión, información temporal, número de canales grabados. Para cada señal grabada, se especifica el tipo de señal (p.e. EEG, temperatura cuerpo, EMG, etc.) amplitud de calibración y el número de muestras en cada registro. De este modo, el formato permite diferentes ganancias y frecuencias de muestreo para cada señal. La cabecera contiene 256 + (nº señales * 256) bytes.


20

Capitulo 2

El máximo y mínimo digital para cada señal debe especificar los valores extremos que puede darse en el registro de datos. A menudo coinciden con los valores extremos del conversor A/D. Las ganancias, montajes de electrodos y filtros deben permanecer fijos durante la grabación, aunque posteriormente pueden tratarse por separado. A continuación se detalla la estructura de un fichero .edf.

CABECERA 8 ascii : version del formato de datos (0) 80 ascii : información local al paciente 80 ascii : información local de grabación 8 ascii : fecha de comienzo de registro (dd.mm.aa) 8 ascii : hora de comienzo de registo (hh.mm.ss) 8 ascii : número de bytes de la cabecera 44 ascii : reservado 8 ascii : número de registros de datos 8 ascii : duración de un registro de datos, en segu ndos 4 ascii : numero de señales en la grabación (ns) ns * 16 ascii : ns * etiqueta (p.e. EEG Fpz - Cz or Body temp) ns * 80 ascii : ns * tipo trasductor (p.e. electrod o de AgAgCl) ns * 8 ascii : ns * dimensión física (p.e. uV o ºC) ns * 8 ascii : ns * mínimo físico (p.e. -500 o 34) ns * 8 ascii : ns * máximo físico (p.e. 500 o 40) ns * 8 ascii : ns * mínimo digical (p.e. -2048) ns * 8 ascii : ns * máximo digital (p.e. 2047) ns * 80 ascii : ns * prefiltrado (p.e. HP:0.1Hz LP: 75Hz) ns * 8 ascii : ns * número de muestras de cada grab ación de datos ns * 32 ascii : ns * reservado CUERPO DE DATOS número de muestras[1] * entero : primera señal de l a grabación número de muestras[2] * entero : segunda señal . . . número de muestras [ns] * entero : última señal

EDF+

Es una especificación más detallada que EDF, compatible con ésta última, a excepción de que un fichero EDF+ puede contener registros interrumpidos, eventos discontinuos, anotaciones de texto, estímulos, señales promediadas, parámetros QRS así como otros parámetros secundarios. Puede almacenar EMG, potenciales evocados, elec-troneurograma, electrocardiograma y más tipos de señales biofísicas. Para ello se estandarizaron tanto los nombres de electrodos como las anotaciones de texto. EDF+ fue publicado en 2003 en Clinical Neurophysiology 114(9):1755-1761.


21

Capitulo 2

2.4. Polisomnograma (PSG) e Hipnograma 2.4.1. El Sueño

Este concepto continúa siendo el gran misterio de la neurociencia moderna. Por definición, se trata como un estado de reposo contrario al de la vigilia. Un ser humano pasa aproximadamente un tercio de la vida durmiendo, pero la función del sueño continua siendo tan compleja como desconocida. Hay teorías que intentan explicar el propósito del sueño como la de la conservación de energía (que supone que el propósito del sueño es recuperar la energía), restauración de tejidos y crecimiento, termorregulación, regulación de emociones, maduración neural, consolidación de memoria y aprendizaje, entre otras. Afortunadamente, en los últimos años, la investigación ha hecho posible conocer un poco más este estado fisiológico y la circuitería cerebral que controla los estados de sueño y vigilia.

El sueño se caracteriza por alteraciones en los niveles de actividad fisiológica

(presión sanguínea, respiración, ritmo cardiaco) y por una respuesta menor ante estímulos externos, con una periodicidad aproximada de 24 horas. Durante este período, el organismo sufre una serie de cambios fisiológicos, desde variaciones en el funcionamiento cerebral, sistema muscular, sistema respiratorio, temperatura corporal, flujo sanguíneo, hasta cambios en el sistema genital, así como psicológicos. El sueño también se trata de un proceso mental involuntario en el que se reelabora la información relacionada con las experiencias vividas durante un pasado a corto plazo y nos sumerge en una realidad virtual constituida de imágenes, sonidos, pensamientos y/o sensaciones, en el cual aun estando en un estado de inconsciencia, el cerebro mantiene un control sobre los sentidos. Por tanto, su función es tanto biológica como psicológica y se presenta en la mayoría de mamíferos, tanto terrestres como marítimos.

Fue el psicólogo norteamericano William Charles Dement el pionero en su investigación. En 1928 fundó el ‘Centro de Investigación del Sueño’, primer laboratorio mundial del sueño, en la Universidad de Stanford. Los primeros resultados importantes llegaron en la década de los 50 de su mano y de la de Kleitman, ayudados por resultados de Loomis, Harvey y Hobart años atrás. Se centró en el estudio de la conexión entre los movimientos rápidos de ojo (MOR o REM, Rapid Eye Movement) y el sueño. Fue pionero en emplear la técnica EEG para estudiar el sueño. Logró realizar registros continuos durante toda una noche del EEG y EOG que le permitieron un estudio más a fondo, lo cual le llevó al descubrimiento de que el sueño no se trataba de un proceso único, sino que se podía dividir en cinco etapas, que caracterizan al sueño según las transformaciones fisiológicas que sufre el cuerpo humano. Los resultados establecidos hasta la fecha por Dement, ayudaron a los Doctores de Psiquiatría y Psicología Allan Rechtschaffen y Anthony Kales a desarrollar en 1968 los criterios de escala de sueño aceptados actualmente y denominadas ‘Reglas RK’. Según dicha clasificación, el sueño se subdivide en 2 grandes etapas: MOR (etapa caracterizada por Movimientos Oculares Rápidos REM y que ocupa una cuarta parte del sueño) y NMOR o No REM (que se subdivide según la profundidad del sueño en fase S1, fase S2, fase S3 y fase S4).

El registro de estos parámetros electrofisiológicos para definir los estados de sueño y de vigilia se denomina polisomnografía. Las técnicas que posibilitan la obtención de los patrones característicos en un polisomnograma (PSG) son el electroencefalograma (EEG), el electrooculograma (EOG) y el electromiograma de superficie (EMG).


22

Capitulo 2

2.4.2. Polisomnografía

La polisomnografía (PSG) consiste en el registro de los parámetros electrofisiológicos que definen los estados de sueño y de vigilia. Para hacer esto posible se emplean varias técnicas (EEG, ECG y EMG) así como un sistema de clasificación de etapas o marcado de fases de sueño (Reglas RK o Manual AASM). Durante esta exploración se registran una serie de señales fisiológicas como son la actividad cerebral, el ritmo cardiaco, la respiración, la actividad muscular, movimientos corporales, posición del enfermo, la cantidad de oxígeno en sangre, los movimientos de los ojos y los ronquidos.

Objetivo y Procedimiento El objetivo del PSG es el diagnostico de las enfermedades que alteran o se

manifiestan principalmente durante el sueño, siendo en la actualidad la técnica más asequible, cómoda y segura para estudiar los fenómenos fisiológicos que acontecen durante el sueño y las enfermedades relacionadas.

El estudio nocturno es inocuo para el paciente, sin presentar daño adverso, ya

que no existen corrientes eléctricas ni radiaciones, sin realizar ningún tipo de anestesia. Lo único que se exige a un paciente que se somete a esta prueba es acudir al consultorio con mínimas condiciones de aseo exigible y descansado. El paciente duerme espontáneamente durante un tiempo variable (normalmente 8 horas son suficientes) mientras los aparatos registran el sueño. La prueba es supervisada por un técnico permanentemente, quien controla el sueño del paciente y el correcto funcionamiento del sistema. Una vez el paciente despierta, se retiran los electrodos y sensores, con lo que en aproximadamente 10 horas después del inicio de la prueba, el paciente puede retomar su vida normal. Posteriormente al estudio, un equipo de neurofisiólogos analiza los datos obtenidos y emite un informe médico con los resultados encontrados, que serán entregados al paciente con un diagnóstico final y pauta de tratamiento con caso de ser necesario.


23

Capitulo 2

2.4.3. Hipnograma Un hipnograma es un gráfico que muestra la distribución de las diferentes etapas de sueño que un paciente atraviesa a lo largo de una noche de sueño (ver Figura 8).

Figura 8. Ejemplo de un Hipnograma con la distribución de las distintas fases de sueño que atraviesa el

paciente a lo largo de las horas de sueño.

La distribución de las fases a lo largo del periodo de sueño no es aleatoria, sino que sigue unas reglas preestablecidas y varía a lo largo de la evolución ontogenética (durante la vida del propio individuo). Las características de sueño que varían para un mismo individuo son el número de horas dormidas y el porcentaje de tiempo en que cada fase se manifiesta.

Se establecen unos ciclos que duran alrededor de 1h30 a 2 horas cada ciclo, con lo cual se suelen dar de 4 a 5 ciclos por noche.

El sueño normal de un adulto oscila entre las 7 y las 10 horas, periodo en el cual existe una distribución opuestas de las fases REM y las de onda lenta (Slow Sleep Wave). Durante la primera mitad de la noche abunda el sueño de onda lenta (que favorece la recuperación física del individuo), mientras que hay poco sueño REM. Sin embargo en la 2ª mitad de la noche sucede lo contrario: abunda el sueño REM con etapas progresivamente más largas y apenas hay sueño de onda lenta.

La Fase S1 (No REM o de sueño ligero) se concentra al principio del sueño, es una etapa de transición (con una latencia entre 5-25 minutos). La Fase S2 se manifiesta a lo largo de toda la noche, ocupando aproximadamente el 45% del tiempo. Las fases S3 y S4 (Sueño Profundo), por su parte, se concentran en la primera mitad y ocupan entre el 15-20% del tiempo total de sueño. Finalmente, el sueño REM aparece cíclicamente cada 90 minutos aproximadamente, comprendiendo entre el 20-25% del total de sueño.

W: Fase de VigiliaREM: Fase de Movimientos Rápidos de OjoS1: Fase NMOR1 o NREM1S2: Fase NMOR2 o NREM2S3: Fase NMOR3 o NREM3S4: Fase NMOR4 o NREM4

S1

S2

S3

S4


24

Capitulo 2

La estructura normal de sueño se modifica cuando la persona ha dormido menos de lo habitual en la/s noche/s anterior/es. En estos casos, el sueño no se recupera en cantidad, sino en calidad, por lo que aumenta el porcentaje de sueño de ondas lentas y sueño REM.

20 – 40 años > 40 años Fase S1 5 % 10 % Fase S2 50 % 60 % Fase S3 y S4 25 % 15 % REM 25 % 15 %

Tabla 3. Duración aproximada de cada una de las fases de

sueño según la edad del sujeto.

Del mismo modo, si durante una ‘siesta’ aparece sueño de ondas lentas, en el sueño nocturno la cantidad de fase S3 y S4 será menor, ya que lo habremos ‘gastado’ antes. Este fenómeno es interesante en los afectados de insomnio, ya que el sueño nocturno es más superficial. En las primeras medidas terapéuticas se aplicará la eliminación de los episodios de sueño diurno o ‘siesta’.

2.4.4. Técnicas y Sistemas de Marcado

El modo establecido para distinguir etapas de sueño a partir de los registros de canales obtenidos consiste en una revisión por parte de un especialista o neurofisiólogo, que observa las señales basadas en un montaje determinado y decide para cada medio minuto (duración de una época) cual es la etapa o la fase de sueño que más se apropia a ese fragmento de señal. El criterio de decisión son los manuales estándares: la mayoría de centros hoy en día emplean el manual de clasificación de Rechtschaffen y Kales [1](1968) o el manual AASM [8](2007).

.

2.4.4.1. Reglas RK

El documento estándar con el cual se marcan las épocas de sueño de un polisomnograma (PSG) es “A Manual of Standarized Terminology, Techniques and Scoring System for Sleep Stages of Human Subject”, elaborado en 1968 por un comité dirigido por A. Rechtschaffen y A. Kales [1]. Implica parámetros, técnicas y patrones de onda para registros PSGs, un canal de EEG, dos EOGs (uno para cada ojo) y un canal de EMG. Las derivaciones EEG de acuerdo con el Sistema de Referencia 10/20 son C4/A1 y C3/A2, los electrodos de referencia se sitúan en una de las orejas o mastoide (A1 o A2). El canal EMG se mide en la barbilla. Las etapas se marcan época por época en intervalos de 20 o 30 segundos (ver Figura 9).


25

Capitulo 2

Figura 9. Localización de los electrodos en los EOGs, EMG y EEGs. Los estados principales de vigilancia son: vigilia, sueño REM y No REM. El sueño

NREM se divida a su vez en cuatro fases o etapas desde la más ligera NREM1 (S1) hasta la más profunda NREM4 (S4). Las fases S3 y S4 se refieren a sueño de onda lenta (Slow Wave Sleep o SWS).

Vigilia (Etapa W)

La etapa W (del inglés Wakefulness) está caracterizada por poco voltaje (10-30µV) y frecuencia mixta EEG con predominancia de actividad alpha en el EEG y alto tono EMG (debida a movimientos por la actividad muscular). Pueden darse lugar a movimientos oculares rápidos NMOR).

Figura 10. Época perteneciente a fase W o de vigilia.

Movimientos oculares rápidos o REM


26

Capitulo 2

Tiempo de Movimiento (Etapa MT)

Si las señales EEG o EMG no son claras durante más de media época debido a bloqueo del amplificador o actividad muscular, la época se excluye de sueño o vigilia y se etiqueta como movimiento o artefacto MT (del inglés Movement Time).

Figura 11. Aunque hay dominancia de alta amplitud, la mayor parte de la época está oscurecida por movimientos, por lo que la época se marca como MT (Movement Time).

S1 (Etapa No REM 1)

S1 es la fase de sueño ligero, en la que todavía se perciben estímulos que suceden alrededor. El sueño en esta fase es poco o nada reparador. Caracterizada por poco voltaje, frecuencia mixta EEG con amplitud elevada en el rango de 2 a 7 Hz, por lo que combina el patrón alpha con el theta de baja amplitud. Pueden sucederse ondas vértex con picos de unos 200 µV de amplitud y duración mayor a 0,5s. S1 tras W puede dar lugar a movimiento lento de ojos. El nivel EMG es menor que en la etapa W. Una época pertenece a esta etapa cuando ésta está caracterizada con actividad alpha combinada con frecuencia mixta EEG y la cantidad de actividad alpha es menor del 50% de una época.

Figura 12. La época muestra una porción de fase 1 con ondas vértex prominentes en el EEG y aparición de movimientos oculares lentos.

Movimientos oculares lentos o SEM

Ondas Vértex


27

Capitulo 2

S2 (Etapa NREM 2)

En esta etapa se produce un bloqueo de las entradas sensoriales a nivel de tálamo, lo que implica una desconexión del entorno y facilita la conducta a dormir. El sueño es parcialmente reparador.

La actividad cerebral es predominantemente theta aunque aparecen porciones delta.

Se caracteriza por los patrones llamados spindles o husos de sueño y complejos K así como por la ausencia de ondas lentas. Un complejo K es una onda negativa abrupta seguida de otra positiva y más lenta. Los spindles o husos de sueño ocurren en el rango de los 12-14 Hz con una duración mínima de 0.5s. Si el tiempo entre dos ocurrencias de spindle o complejo K es menor de 3 min, el intervalo se marca como N2, a no ser que haya despertar por movimiento o incremento en la actividad del EMG. Si el intervalo es de 3 min o mayor, se marca como S1. El tono muscular es menor que en S1 y desaparecen los movimientos lentos oculares.

Complejo K Spindle o ‘huso’ de sueño

Figura 13. Época en fase S2 con elevada tónica EMG.


28

Capitulo 2

S3 (Etapa NREM 3)

El bloqueo sensorial se intensifica con relación a la fase anterior, lo que indica una mayor profundidad de sueño. La fase S3 y S4 componen las etapas de sueño profundo, en el que comienza a haber ondas de baja frecuencia y gran amplitud. Si despertamos desde esta fase, no encontraríamos confusos y desorientados, al igual que en S4 pero en menor medida. El sueño en esta fase es esencial para el descanso reparador. Según las reglas, si del 20% al 50% de la época EEG contiene ondas delta de 2Hz o menor frecuencia con una amplitud mayor de 75 µV la época se marca como S3. En esta fase pueden aparecer complejos K y spindles de sueño. El tono muscular es más reducido que en S2 y tampoco hay movimientos oculares.

Salvas delta

Figura 14. Época en fase S3. EEG de alta amplitud con actividad lenta en un tercio de la época.


29

Capitulo 2

S4 (Etapa NREM 4)

Es la fase de mayor profundidad de sueño, en la que se consigue la actividad cerebral más lenta. Esta fase posee los mismos atributos que S3 pero con un contenido de ondas de 2Hz o menor frecuencia y amplitud mayor de 75 µV en más del 50% de la duración de la época. El tono muscular es muy reducido. Aunque no es la fase típica de los sueños, en ocasiones suelen aparecer en forma de imágenes, luces, figuras, pero nunca en forma de historia. Es en esta fase en la que se manifiestan alteraciones como el sonambulismo o las pesadillas.

Salvas delta

Figura 15. Época en fase S4. EEG de alta amplitud con actividad lenta delta en más de la mitad de la época con presencia de spindles.


30

Capitulo 2

REM (Etapa REM)

En esta fase se presentan normalmente los sueños (aquellos que se recuerdan y se pueden narrar). La fase REM presenta ondas de bajo voltaje y frecuencia mixta en el EEG (similar a S1); a menudo aparece un patrón de onda de diente de sierra. El EMG alcanza el nivel más bajo ya que apenas es nulo (atonia), lo que impide representar aquello que se sueña. Aparecen episodios de movimientos rápidos de ojos (REMs). Las alteraciones típicas de esta fase son las pesadillas, el sueño MOR sin atonía y la parálisis de sueño.

Movimientos oculares rápidos o REM

Atonia (apenas hay tono muscular)

Actividad beta y theta

Figura 16. Época en fase REM con bajo voltaje, frecuencia EEG mixta, REMs y EMG en el menor nivel de toda la grabación. Aparición de ondas con forma de diente de sierra.

Existen casos particulares de patrones del registro polisomnográfico en que no hay

coincidencia con las características establecidas en cada fase. En este caso, las Reglas RK ofrecen alguna solución en épocas particulares, pero expertos han encontrado carencias en el estándar adoptado en 1.968, lo cual llevó a una modificación de las Reglas que finalmente fue llevada a cabo en 2007 por la Academia Americana de Medicina de Sueño (The AASM Manual for the Scoring of Sleep and Associated Events: Rules, Terminology and Technical Specifications, 1st ed.: Westchester, Illinois: American Academy of Sleep Medicine, 2007) [8].


31

Capitulo 2

2.4.4.2. Manual AASM (American Academy of Sleep Medicine) [8]

Surgen con intención de solventar las limitaciones de las reglas RK, las cuales

desde publicación no habían sido modificadas. Las razones de su definición son el avance de la ciencia del sueño y el rápido campo emergente de la medicina para el sueño, que requiere un sistema más comprensivo de medidas estándares que consideran eventos que ocurren fuera de la actividad cerebral normal.

La Academia Americana de Medicina del Sueño se estableció en 1975 como la

Asociación de Centros de Desórdenes del Sueño. Es la única sociedad profesional dedicada exclusivamente a la subespecialidad médica de medicina del sueño. Está compuesta de más de 7000 físicos, investigadores y otros profesionales del cuidado de la salud, especializados en estudiar, diagnosticar y tratar desórdenes del sueño y alertas diarias como insomnio, narcolepsia y apnea obstructiva de sueño.

El manual formula reglas recomendadas para el marcado rutinario en

polisomnografía, define los parámetros a tratar, el procedimiento de marcado, los tipos de evento, así como las especificaciones técnicas y digitales de los medios que posibilitan la adquisición y tratamiento de señales. Del mismo modo que las Reglas RK, se hace una clasificación por etapas, a distinción de que el Manual AASM incluye reglas visuales tanto para adultos como para niños. Una diferencia importante sobre las Reglas RK es que se elimina la fase S4 y las épocas pertenecientes a esta fase (con contenido mayor del 50% de onda lenta en la época) pasa a formar parte de la fase S3.


32

Capitulo 2

Segmentación y Extracción de Características del EEG

33

Capitulo 3

Capitulo 3.

Segmentación y Extracción

de Características

del EEG


34

Capitulo 3


35

Capitulo 3

Capitulo 3. Segmentación y Extracción de Características del EEG

3.1. Introducción

A lo largo del presente capítulo se exponen las técnicas que nos permiten extraer las principales características a partir de los segmentos obtenidos del registro polisomnográfico. A partir de un archivo .EDF que contiene los diferentes canales registrados, se realiza una serie de pasos previos a la obtención de las características de los segmentos. La

Figura 17 introduce los tres bloques principales que se incluyen en este capítulo: el bloque de preprocesado, el de segmentación y el bloque de extracción de características de los segmentos.

Figura 17. Diagrama de bloques de las etapas que constituyen el capítulo 3.

Preprocesado

Segmentación

Extracción decaracterísticas

Seleccionamos los canales EEG, EMG y EOG necesariospara realizar el análisis. A cada tipo de señal se le realiza

un filtrado concreto.

A través de un criterio de segmentación se obtienen lasmarcas temporales que nos ayudan a dividir una señal

de larga duración en segmentos de menor tamaño que nospermiten un tratamiento más simple.

Se extrae un vector de características de cada uno de lossegmentos obtenidos en el bloque anterior que nos

permitirá realizar una clasificación según dichas características.


36

Capitulo 3

3.2. Preprocesado Antes de pasar al segmentado de señales aplicamos un filtrado apropiado a cada tipo

de señal que se emplea. La finalidad es restringir el contenido de la señal de salida al rango de frecuencia de interés, además de limpiar la señal para adaptarla lo mejor posible a nuestro sistema.

Los canales EEG incluidos para realizar el análisis son C3A2 y O2A1, resultantes

de referenciar el canal central C3 y el occipital O2 con respecto a ambas orejas. La razón de la elección de estos canales es el registro de los parámetros principales del sueño, como son los spindles (husos de sueño), complejos K, ondas vértex y la alta amplitud de las ondas lentas, que se presentan máximas sobre estas zonas. El canal EMG mide principalmente la actividad muscular a partir de un electrodo registrado en el mentón o barbilla. Los EOGs son referenciados con respecto a la misma oreja para poder distinguir los cambios de fase entre ellos (EOGL: EOG-Left y EOGR: EOG- Right). La Figura 18 resume la creación de referencias y los filtros empleados en cada señal.

Figura 18. Diagrama del preproceso de los EEGs. Se muestra la creación de las referencias así como los

filtros empleados en cada señal. La función del filtro notch empleado en cada uno de los canales adquiridos es la

eliminación de la componente continua proveniente de la red eléctrica, con una frecuencia de 50 Hz.

C3

A2

EMG

O2

A1

EOGL

EOGR

C3A2

O2A1

EMG

EOGLA1

EOGRA1

Butterworth 6º orden

fc= 30 Hz


fc= 30 Hz


fc= 40 Hz


fc= 5 Hz


fc= 5 Hz

2 canalesEEG

1 canalEMG

2 canalesEOG

FILTRO NOTCHFILTRO NOTCHFILTRO NOTCHFILTRO NOTCH

fs= 50Hz


37

Capitulo 3

Los datos de los canales EEG son filtrados con un filtro paso bajo Butterworth de 6º orden con una frecuencia de corte de 30 Hz. En la Figura 19 se puede comprobar el resultado del filtrado EEG sobre el canal central.

Figura 19. Fragmento de la señal EEG C3A2 antes y después de filtrar.

La duración de la señal es de 20 segundos con fs= 256 Hz.

Del mismo modo, filtramos la señal EMG capturada del mentón o barbilla. Dicha

señal es filtrada con un filtro paso bajo de Butterworth de 6º orden con una frecuencia de corte de 40 Hz (ver Figura 20).

Figura 20. Fragmento de la señal EMG antes y después de filtrar. Notar la presencia de los picos provocados por el ritmo cardiaco.

La duración de la señal es de 20 segundos con fs= 256 Hz.


38

Capitulo 3

Los canales EOG son filtrados con un filtro paso bajo de Butterworth de 6º orden con una frecuencia de corte de 5 Hz. La referencia escogida para ambos ojos es la mastoides A1. La razón de esta elección es la posibilidad de detección de inversión de fase entre ambos ojos. El proceso de detección se estudia más adelante.

Figura 21. Fragmento de ambos EOGs antes y después de filtrar. En la segunda imagen se muestra el mismo segmento diezmado y con filtrado FIR para poder detectar

inversión de fase. La duración de la señal es de 20 segundos con fs= 256 Hz.

Figura 22. Respuesta en frecuencia de los filtros Butterworth de 6º orden con el que se tratan la señales

EEG (fc=30 Hz), EMG (fc=40Hz) y EOG (fc=5Hz).


39

Capitulo 3

3.3. Segmentación

La monitorización a largo plazo se ha convertido en una herramienta necesaria e importante en el cuidado médico, y con la llegada de las grabaciones digitales, el análisis de grandes cantidades brutas de datos EEG puede llegar a ser un problema significativo. Por dicha razón, dentro de un análisis de una grabación larga necesitamos dividir la señal en segmentos para poder procesar la información [2].

La señal EEG es de naturaleza aleatoria y no estacionaria, así que para analizarla se

puede optar por una segmentación en secciones dentro de las cuales no se produzcan cambios significativos en la señal. Se podrían definir segmentos de igual duración, pero podría darse el caso de que se produjese una división en un punto de cambio de la señal, así que optamos por usar un método diferente que emplea un parámetro sensible a los cambios de energía existentes en la señal, ya que esa información nos será útil en la fase de extracción de características. [3]

De esta forma conseguimos una división de la señal en segmentos de longitud

semejante empleando un método basado en el Operador No Lineal de Energía (NLEO), que combina amplitud y contenido frecuencial (o ritmicidad) del EEG. Los neurofisiólogos usan estos parámetros para la evaluación de un PSG, por lo que éste método combina intrínsecamente ambos en una medida única. [5]

El criterio de segmentación que hemos empleado para los canales EEG y EMG está

basado en GNLEO (Non-Linear Energy Operator) definido de la siguiente forma: [2]

( ) ( ) ( )∑ ∑+−=

+

+=

Ψ−Ψ=n

Nnm

Nn

nmNLEO mmnG

1 1

(1)

donde,

( )[ ] ( ) ( ) ( ) ( )321 −−−−=Ψ nxnxnxnxnx (2)

Los cambios en las señales se reflejan a la salida del parámetro NLEO que consiste en tan solo cuatro muestras, lo que puede considerarse un detector instantáneo de fronteras entre segmentos. Los instantes de tiempo de cambio de energía (discontinuidad en ( )[ ]nxΨ ) corresponden a las fronteras de

segmentación. Para detectar esos cambios se emplea una ventana temporal deslizante modificada, de tal forma que finalmente se genera el criterio de segmentación. Para un instante dado, n, la energía a la mitad izquierda de la ventana se resta de la energía a la mitad derecha de la ventana para generar la señal Gnleo mostrada en la Figura 23b). Si las dos mitades tuviesen la misma energía, la señal Gnleo resultante sería cero y si la ventana está centrada en una frontera de segmento entonces el Gnleo será grande. Los instantes de tiempo donde Gnleo es máximo se escogen como frontera de segmento.

Figura 23. a) Fragmento EEG de 4 segundos. b) Parámetro NLEO del fragmento EEG con un tamaño de ventana de 128 muestras.


40

Capitulo 3

Los resultados del criterio dependen del tamaño N de la ventana escogida: una ventana de mayor duración tomará más muestras para hacer la substracción entre las mitades de ventanas y detectará el cambio pasado más tarde que si tomamos un tamaño menor de muestras de la ventana. La duración de la ventana debe escogerse lo suficientemente larga para obtener una medida adecuada del parámetro GNLEO a la par que debe de ser corta para a su vez poder detectar los segmentos de corta duración que puedan darse. La Figura 24 muestra los distintos valores de GNLEO dependiendo del tamaño de ventana N escogida.

Para comprobar el resultado de la segmentación mediante el criterio (1), tomaremos el siguiente fragmento se señal EEG de 6000 muestras o 23,4 segundos de duración.

a) b) Figura 24. a) Señal EEG original registrada sobre el canal central. b) Parámetro NLEO del framento

EEG con un tamaño de ventana de 128 muestras.

Figura 24. a) Señal EEG registrada sobre el canal central. La duración es de 23.4 segundos o 6000

muestras con fs= 256 Hz. b) Comparación del parámetro Gnleo para diferente tamaño de ventana N (64, 128, 256, 512 respectivamente).


41

Capitulo 3

Con el fin de evitar fronteras de segmento espurias y redundantes que pueda generar el parámetro GNLEO (debidas a fluctuaciones aleatorias inherentes a las señales) se adhiere al criterio de segmentación un proceso de umbralizado adaptativo que depende del parámetro Gnleo, manteniendo la robustez del algoritmo anterior:

( ) =nT max ( )[ ]2/:2/GNLEO LnLn +− (3)

con ),...12/(,2/ += LLn Aplicando el umbralizado al criterio de segmentación obtenemos el nuevo criterio

de segmentación umbralizado:

( )nGNLEO if ( ) )(nTnGNLEO ≥ (4)

( ) =nG

0 if ( ) )(nTnGNLEO ≤

En un segundo paso dentro de este proceso de segmentación, se incluye otra

ventana L, que sirve de indicativo de sensibilidad del umbral: a mayor valor de L se reduce el número de segmentos generados, y viceversa. Se parte de un criterio de segmentación en el que N=512, valor que da una medida adecuada de NLEO.

Figura 25. Criterio de segmentación umbralizado para diferente tamaño de ventana L.


42

Capitulo 3

El cálculo del criterio de segmentación y el proceso de umbralizado se hace tanto para los canales EEG como para el EMG. El criterio multicanal o global se obtiene sumando linealmente el criterio de segmentación umbralizado de cada uno de los canales empleados.

NLEO

EMGNLEO

AONLEO

ACNLEO

T GGGG ++= 1223 (5)

Dicho criterio global se muestra en la Figura 26, donde además se incluye tanto el criterio de cada uno de los canales como el global.

Figura 26. Obtención del criterio de segmen-tación global. A partir de los criterios umbralizados de los 2 EEGs y el EMG, se obtiene el criterio de segmentación global. N=512, L=500.


43

Capitulo 3

La última condición impuesta es la de duración mínima del segmento para asegurar que los parámetros que se obtienen de él tienen significado. En el presente trabajo se ha escogido una duración de 3 segundos (768 muestras con una fs de 256 Hz).

Para comprobar el resultado de la segmentación sobre la señal ejemplo, se muestra

la posición de los límites de segmentos sobre el tramo de señal estudiado, ver Figura 27.

Figura 27. División final en segmentos. Se muestran los 7 segmentos en que se divide la señal ejemplo. La duración mínima del segmento se establece en 3 segundos (768 muestras). Para el tramo de señal ejemplo, el segmento más corto es de 3.067 segundos (785 muestras) mientras el más largo es de 3.29 segundos (841 muestras). Dicha duración depende del contenido en amplitud y frecuencia de las señales EEG y EMG.

Dichos límites se extienden a las cinco señales tratadas, aunque nos hayamos basado

solo en los canales EEG y EMG para la segmentación. Así que incluiremos las marcas temporales o división en segmentos para extenderlas a las señales EOG, ver Figura 28.

Una vez realizado este proceso se tiene un número total de segmentos procedentes de cada una de los 3 tipos de señales (EEG, EMG y EOG), a partir de los cuales se extraerán las características que a continuación se detallan.

Seg #1 Seg #2 Seg #3 Seg #4 Seg #5 Seg #6 Seg #7


44

Capitulo 3

Figura 28. Los canales EEG y EMG se usan para generar el criterio global de segmentación. Las líneas

verticales indican las marcas de los segmentos generados, que automáticamente se extienden a los canales EOG, resultando segmentos en los cinco canales.

3.4. Extracción de Características

El segundo paso importante una vez realizada la segmentación, es el de extracción de un vector de características de cada uno de los segmentos generados en el primer paso que se empleará posteriormente en el proceso de clasificación.

El objetivo final es detectar las cinco fases de sueño que se distinguen normalmente

en un PSG. Por tanto, se trata de clasificar el conjunto de segmentos existentes según las características que se extraen de ellos. Las fases de sueño se caracterizan por unos patrones, niveles de EMG y ondas fisiológicas características: [6], ver Tabla 4.

Etapa Patrones Nivel EMG REMs

Vigilia Beta Alpha (> 50%)

Alto Si

REM Theta Alpha

Mínimo Si

N1 Theta Alpha (<50%)

Medio SEM (movimientos lentos)

N2 Theta Spindles y Complejos K

Bajo No

N3 y N4 Theta Delta (> 20%)

Muy bajo No

Tabla 4. Principales características de las fases del sueño, basado en las Reglas RK [1].


45

Capitulo 3

Por tanto, se podría pensar en extraer características a partir de las señales de cada

segmento que nos puedan ayudar a clasificarlos en las distintas fases de sueño. Alguna de estas características son las mismas que ayudan a un neurofisiólogo a detectar las diversas fases de sueño. Otras características, tales como el número de despertares, la latencia y porcentaje de fase, se alejan del objetivo deseado, ya que ayudan más en el caso de búsqueda de tratamiento.

En el caso de la amplitud de las ondas EEG, las etapas de sueño profundo poseen las

ondas de mayor amplitud, mientras la menor la poseen las etapas de vigilia y REM. Otro parámetro importante es la frecuencia. Las ondas de mayor frecuencia se detectan en estado de vigilia (beta y alpha), mientras que las ondas de menor frecuencia se presentan en las fases de sueño profundo (delta). Mientras, los movimientos oculares rápidos REM tan sólo pueden darse en dos fases: vigilia (W) o fase REM, etapa en la que se producen en mayor cantidad.

Desde los primeros intentos para describir las características temporales y

espectrales de los EEGs, numerosas características han sido propuestas por investigadores. Entre algunos ejemplos se incluyen: amplitud promedia, variabilidad de la amplitud, valores máximos y mínimos de amplitud, derivadas primera y segunda y amplitudes en distintas bandas espectrales. En el presente trabajo se usan 3 características por canal para describir cada segmento: una medida de amplitud, otra de frecuencia y la energía pesada en frecuencia (FWE) basada en el parámetro no lineal de energía Gnleo. Además se incluyen una serie de ratios de parámetros fisiológicos como son la onda lenta, actividad alpha y presencia de husos de sueño. La última característica es la presencia de movimientos de ojo o EM (del inglés Eye Movement) que nos ayudará a detectar los segmentos de EOG donde se produce inversión de fase y episodios de movimientos oculares rápidos.

Las características que representan cada segmento de un PSG son las siguientes:

. Amplitud (para cada canal EEG y EMG).

. Ritmo dominante (para cada canal EEG y EMG).

. FWE (para cada canal EEG y EMG).

. Presencia de spindles (en el canal EEG central).

. Índice de onda lenta Alpha (ASI, del inglés Alpha Sleep-Wave Index) (para el canal EEG occipital).

. Índice de onda lenta Theta (TSI, del inglés Theta Sleep-Wave Index) (para el canal EEG central).

. Presencia de movimientos de ojos (EMs) en los EOGs. Por lo tanto, cada segmento queda parametrizado por un vector de características

13-dimensional. Utilizando todos los vectores de características se espera obtener una separación suficiente de los diferentes patrones de sueño. La Figura 29 muestra una descripción de las características, así como la nomenclatura empleada.


46

Capitulo 3

C3A2

O2A1

EMG

EOG-RA1

EOG-LA1

. Amplitud: AC3A2

. Ritmo Dominante RC3A2

. FWE fweC3A2

. Presencia Spindles spin

. Índice Onda Theta tsi

. Amplitud AO2A1

. Ritmo Dominante RO2A1

. FWE fweO2A1

. Índice Onda Alpha asi

. Amplitud AEMG

. Ritmo Dominante REMG

. FWE fweEMG

AlgoritmoDetección

. Detección EMs EMs

AC3A2 A O2A1 A EMG R C3A2 RO2A1 R EMG fweC3A2 fweO2A1 fweEMG spin asi tsi EMs

Segmento = vector 13-D características

Figura 29. Un segmento se caracterizará finalmente por un vector de 13 características.

3.4.1. Amplitud La medida de amplitud es simplemente el promedio del valor absoluto de amplitud

de todas las muestras que contiene el segmento. Sea xj(n) el segmento bajo consideración, entonces la amplitud promedio del j-ésimo segmento en el i-ésimo canal se determina como:

∑=

=jM

nij

jij nx

MA

1

)(1

Pi ,...,2,1= (6)

, donde Mj representa el número de muestras que contiene el segmento j del canal i. La Figura 30 muestra la amplitud de los segmentos que componen la señal EEG C3A2.

Figura 30. La Amplitud del Canal Central es la primera de las características de los segmentos.


47

Capitulo 3

La amplitud, junto a la frecuencia central o ritmo dominante, son las características más importantes para la asignación de un segmento a un patrón específico de sueño. Las ondas lentas de los estados más profundos de sueño se caracterizan por una alta amplitud, mientras las ondas de sueño ligero, vigilia y REM poseen ondas de más baja amplitud. Por tanto, esta característica nos ayudará a asignar un segmento a una fase de sueño. El cálculo de este parámetro se hace tanto en los canales EEG como para el EMG.

Figura 31. Amplitud de los distintos segmentos que componen la señal EEG O2A1.

La amplitud en la señal EMG nos ayudará a determinar el nivel de potencia

registrada en la barbilla. Cuando la amplitud promedia es alta, podemos asegurar la existencia de movimiento (cuando se aprecia un pico se puede asegurar la existencia de movimiento del paciente, pudiendo general un microdespertar). El nivel mínimo viene determinado por la sensibilidad del electrodo, que visualmente se reflejará en la señal en un nivel mínimo de ruido. La etapa de sueño que menor amplitud de EMG presenta es la fase REM en la que se presenta atonia o ausencia de actividad muscular (el EMG presenta ruido de nivel muy pequeño acompañado del ritmo cardiaco o sinusoidal). Por el contrario, la fase donde más nivel EMG existe es la fase de vigilia.

Figura 32. Amplitud de los segmentos que componen la señal EMG.


48

Capitulo 3

Figura 33. Comparación de la amplitud de las señales registradas sobre los canales central y occipital.

En la Figura 33 se puede apreciar que las señales EEG son de muy bajo voltaje. La

amplitud es un posible indicador de etapa de sueño, debido a que en cada fase, las señales tienen una amplitud característica. En fase W, REM y S1, la amplitud es pequeña, mientras que a medida que entramos en sueño profundo, la amplitud de la onda va creciendo.

3.4.2. Frecuencia Central o Ritmo Dominante

La frecuencia central o ritmo dominante es el segundo parámetro importante en el proceso de clasificación de un segmento. Muchos investigadores han intentado definir alguna medida representativa de la frecuencia promedio; sin embargo no hay consenso en una medida adecuada con respecto a las dificultades añadidas de la señal EEG, como son la contribución de las componentes armónicas o el ruido existente. Debido a estas dificultades, lo que daremos será una estima en el sentido estadístico.

Existen tres tipos de estima frecuencial que envuelven distintos parámetros: . Estimación frecuencial de un tono único: la señal es única, sinusoide de frecuencia constante. Se trata del problema de estima de frecuencia más simple. . Estimación frecuencial multi armónica: la señal está compuesta de la suma de sinusoides relacionadas armónicamente. . Estimación frecuencial multi tono: se dan diversos tonos de frecuencia no relacionada. Este problema ocurre en el análisis de señales que contienen emisiones de más de una fuente. A su vez, los métodos de estima frecuencial se ven afectados principalmente por

cuatro medidas de prestaciones: desviación y variación frecuencial, armónicos y ruido.


49

Capitulo 3

A continuación se detalla alguna de las técnicas para la estima de la frecuencia fundamental, con alguna de sus características más importantes [10]:

1. Técnica de cruces por cero: insensible a frecuencias armónicas. Se puede

mejorar incorporando un análisis de las opciones de filtrado del método de demodulación.

2. Técnica de error por mínimos cuadrados.

3. Método de Newton: Emplea el método iterativo de Newton para resolver un sistema no lineal de ecuaciones.

4. Técnicas de filtrado: Kalman. Reduce la computación en tiempo real y soluciona problemas de oscilación frecuencial. Por el contrario, presenta un mal comportamiento en presencia de armónicos, está muy afectado por el ruido y ante errores en fase tendremos un error mayor en la estima.

5. Métodos DFT con ajuste polinómico: Suprimen parte de los armónicos de la señal, permitiendo una implementación en tiempo real.

6. Técnica de demodulación: puede manejar cualquier número de armónicos en la señal, aunque obtiene una señal compleja y filtra las componentes frecuenciales más bajas.

7. Modelos Simples no lineales: mínimos cuadrados recursivos y media por mínimos cuadrados.

8. Frecuencia Centroide: considera la desviación frecuencial y los armónicos existentes en la señal. Aconsejable para estima en tiempo real por su baja carga computacional. Recursivo y de fácil implementación.

Estos métodos emplean en su mayor parte un modelo de señal sinusoidal, y se basan

en la Transformada de Fourier (FT) o la Transformada Wavelet (WT). Por otro lado, alguno de los algoritmos necesita tiempo para computación y estimación, por lo que no se puede aplicar en caso de medidas en tiempo real.

En el caso de la señal EEG, tenemos una señal multi tono que puede contener a su

vez componentes armónicas (además contiene un ancho de banda muy pequeño y contenido en muy bajas frecuencias). Antes de calcular la frecuencia central de un determinado segmento, nos hemos de cerciorar de que el segmento ha sido filtrado correctamente, de modo que las frecuencias contenidas representen las frecuencias correctas de la señal EEG.

Esta característica es muy importante para asociar un segmento a un determinado

patrón de sueño, ya que la principal diferencia entre los distintos patrones de sueño es la frecuencia o banda que los da nombre (ritmos beta, alpha, delta, theta…).

Banda Delta: 0.5 – 4 Hz Banda Tetha: 4 - 8 Hz Banda Alpha: 8 – 13 Hz Banda Beta: > 13 Hz.


50

Capitulo 3

Cada una de las fases de sueño está caracterizada por la presencia de alguna de las bandas, por lo que una buena estima frecuencial nos ayudará a determinar cual es la fase de sueño a la que pertenece el segmento en cuestión. En el presente estudio se analizan y comparan dos de las técnicas de estima frecuencial multi tono y multi armónica: la primera basada en un método autorregresivo, y la segunda basada en una transformación al dominio de Fourier para calcular la densidad espectral de potencia, a la que sigue un cálculo del centro de gravedad para así detectar la frecuencia fundamental de fragmento de señal analizado.

En este proyecto final de carrera hemos implementado dos algoritmos de estimación

de la frecuencia central que detallaremos a continuación; el primero se basa en un modelo lineal Autorregresivo de Segundo Orden y el segundo se trata de un método de estima de la frecuencia centroide a partir de la Transformada de Fourier.

. Modelo Autorregresivo de Segundo Orden (AR-2)

Se trata de un enfoque no paramétrico, y su versión moderna es el análisis espectral

empírico basado en estimadores de la densidad espectral de potencia del proceso estocástico estacionario en cuestión. Por lo tanto, la señal se modela como un proceso estocástico estacionario [3].

El método sugerido calcula el ritmo dominante a partir de un modelo autorregresivo

de segundo orden (AR-2), que rastrea las frecuencias centrales con los coeficientes de un modelo de orden reducido. Al tratarse de un modelo, el filtro eliminará componentes de señal fuera de la banda de interés. En el caso de la señal EEG (multi tono y multi armónica), la selección de un orden p adecuado es muy importante: si p es demasiado grande, frecuencias espúreas pueden estar presentes; si p es demasiado pequeño, entonces información importante sobre algunas frecuencias puede perderse. La hipótesis es que el orden reducido del modelo AR compensará para modelos de orden superior adecuando la señal de modo que refleje su distribución de potencia. Específicamente, el valor frecuencial derivado de los coeficientes AR estimados de un modelo de segundo orden está afectado por la potencia relativa de cada componente frecuencial de la señal de entrada.

El modelo AR supone que el filtro FIR es todo-polos, por lo que el numerador de su

función de transferencia es una constante. La expresión para el filtro es la siguiente:

22

11

2 1)( −−− −−

=zaza

GzH AR (7)

, donde conocidos los coeficientes a1 y a2 y la constante G, queda definido el filtro. El ritmo dominante de todo el registro polisomnográfico se muestra en la Figura 34 y es obtenido a partir de la respuesta en frecuencia de dicho filtro para cada uno de los segmentos.


51

Capitulo 3

Figura 34. Representación del Ritmo Dominante en los Canales EEG con el Método AR-2.

. Método de la Frecuencia Centroide (FC) El segundo método calcula la frecuencia fundamental a partir de la Transformada de

Fourier de un segmento. Tras la transformación, una vez obtenido en el dominio frecuencial, se calcula el centro de gravedad de todas las componentes frecuenciales y su potencia, para así determinar la frecuencia central del segmento tratado. Dicha frecuencia reflejará tanto la contribución de esa banda como la de las otras bandas y sus armónicos [13].

∫

∫ ⋅=

2

1

2

1

)(

)(

f

f

f

fc

dffX

dffXf

f (8)

, donde X(f) representa la amplitud de la Transformada de Fourier y f1-f2 los limites de integración. El valor del Ritmo Dominante estimado para las regiones central y occipital de todo el PSG se muestra en la Figura 35.

Figura 35. Representación del Ritmo Dominante en los Canales EEG con el método de la frecuencia

centroide.


52

Capitulo 3

Comparación de Técnicas Una vez mostrados los resultados de las técnicas de estimación de la frecuencia

central (o ritmo dominante) empleadas, se muestra una comparación de los mismos que nos pueden ayudar a valorar la fidelidad de cada método.

Ya conseguida la división del espectro original en las bandas definidas,

comprobamos que casi todas las frecuencias devueltas por el método de la frecuencia centroide se encuentran en la Banda Theta, lo que nos dificultará encontrar patrones fuera de esa banda. Con el método AR-2, conseguimos un mayor margen dinámico en frecuencia de la señal, ya que devuelve frecuencias que se encuentran en bandas superiores, lo que ayudará a calcular los ratios de potencia entre esas bandas. Una apreciación sobre las figuras es que no se consiguen componentes frecuenciales en Bandas Delta. Esto es debido a que el paciente del EEG analizado no alcanza fase profunda de sueño (S4), así que las frecuencias más bajas corresponderán a la Banda Theta inferiores de fase S3.

El tipo de estima frecuencial escogida influirá definitivamente en varias de las

características que se explican, debido a que lo que se calculan son ratios de potencia en bandas determinadas. Según los resultados que encontramos en varios EEG procesados, parece que el método AR-2 ofrece una estima más realista, por lo que escogeremos este método para calcular el ritmo dominante, que a su vez influirá en los parámetros Spindles, ASI y TSI que se detallan a continuación.

La Figura 36 muestra una comparativa de ambos métodos empleados en el cálculo del Ritmo Dominante sobre ambas zonas EEG. Las observaciones más claras son las siguientes:

. El comportamiento a bajas frecuencias es similar para ambos métodos.

. El comportamiento a altas frecuencias del ancho de banda EEG difiere; el método AR-2 deja pasar las altas frecuencias.

Los clasificadores de segmentos EEG empleados en el próximo capítulo utilizan el

método AR-2 para el cálculo de la frecuencia fundamental, debido principalmente a su mejor comportamiento a altas frecuencias.

Banda Delta

Banda Theta

Banda Alpha

FCAR-2

Figura 36. Comparativa de Técnicas: FFT vs. AR-2 en los EEG Central y Occipital.

Banda Delta

Banda Theta

Banda Alpha

FCAR-2


53

Capitulo 3

3.4.3. Energía Pesada en Frecuencia (Frequency Weighted Energy) El parámetro FWE representa el promedio de la salida del parámetro NLEO, que

provee una medida combinada de frecuencia y amplitud. Este parámetro se calcula en el apartado de segmentación, por lo que en el algoritmo de extracción de características no hay que hacer cálculo alguno, tan solo recurrir a los resultados del apartado anterior.

Antes de aplicar el operador promedio, la salida es filtrada con un filtro “notch

constrained”. El cálculo de este parámetro se hace tanto para los EEGs como para el EMG.

La interpretación del presente parámetro es compleja. En general, podríamos afirmar

que la FWE representa una combinación de los parámetros frecuencia y amplitud, así que una FWE grande implicará un cambio brusco en amplitud y/o frecuencia. En cambio, si la FWE es constante, será un indicativo de que la amplitud y/o la frecuencia de ese tramo de señal no varían. Los diferentes valores de este parámetro se muestran en la Figura 37.

Figura 37. Parámetro FWE de los canales EEG y EMG.


54

Capitulo 3

3.4.4. Spindles

Los Spindles o husos de sueño son ondulaciones crecientes-decrecientes presentes con mayor claridad en la región central del EEG de entre 12 y 14 ciclos por segundo. La duración mínima de la ráfaga es de 0.5 segundos. Su presencia es característica de la fase S2 y sirve para determinar la presencia de esta etapa. También pueden aparecer en otras fases como la fase S3 y S4 aunque en menor cantidad. La única fase en la que no aparece este fenómeno es en la fase S1. A medida que una persona crece, los husos poseen menor amplitud, longitud y frecuencia.

Su presencia se calcula a partir de la proporción de potencia en la banda sigma (11.5-15 Hz) sobre el total de potencia en la zona central:

totalP

PSpin σ=% (9)

, donde σP representa la potencia en la banda Sigma (de 11.5 a 15 Hz) y totalP la

potencia en la toda la banda EEG.

Figura 38. Porcentaje de Spindles en el EEG Central.


55

Capitulo 3

3.4.5. Índice de Onda Lenta Alpha (ASI) El ASI se calcula como la proporción de potencia en la banda Alpha (8-12 Hz)

respecto a la suma de potencias en las bandas Delta (0.5-4 Hz) y Theta (4-8 Hz) en la zona occipital. Un valor muy alto del ASI indicará la actividad dominante en banda Alpha (característica de fase W), por lo que a lo largo del tiempo de sueño, se trata como un posible indicador de despertar o ‘arousal’. Por el contrario, un valor bajo del ASI revelará que el paciente se encuentra en fase de sueño profundo, ya que predominan las bandas Delta y Theta. El ratio se obtiene a partir del registro en el canal EEG O2A1.

θδ

α

PP

PASI

+= (10)

Figura 39. ASI: Índice de Actividad Alpha en el Canal Occipital.

3.4.6. Índice de Actividad de Sueño Theta (TSI)

El TSI se define como la proporción de potencia en la banda Theta (4-8 Hz) con

respecto a la suma de potencias en las bandas Delta (0.5–4 Hz) y Alpha (8-12 Hz) sobre la región del EEG central. Es un indicativo de actividad lenta, es decir, de presencia de una fase de sueño profundo. Dicho ratio se mide mejor en la región Occipital.

σδ

θ

PP

PTSI

+= (11)


56

Capitulo 3

Figura 40. TSI: Índice de Onda Lenta Theta en el Canal Central.

3.4.7. Detección de movimiento en los ojos (EMs)

La presencia de EMs en un segmento se obtiene a partir de la detección de fase inversa de suficiente amplitud. Para el cálculo del presente parámetro, se realizó un algoritmo de detección cuyo diagrama de bloques puede verse en la Figura 41:

#EOGL

#EOGR

offsetp

pendientep

pxpxp

≡≡

+⋅=

2

1

21)(

Figura 41. Diagrama de bloques del algoritmo de detección de Movimientos de Ojo

(EM´s del inglés Eye Movements).


57

Capitulo 3

Una vez tenemos los segmentos de ambos EOGs (derecho e izquierdo) referenciados con una de las mastoides, se realiza un filtrado FIR para apreciar la envolvente de las señales. Para poder detectar el movimiento, se establecen dos criterios: uno de umbral de energía y otro de pendiente, que nos ayudarán a detectar las posiciones en que ambos segmentos EOG se encuentran en inversión de fase con una amplitud suficiente dada por el umbral de energía (Umbral Energía= 3.2e5/Tamaño Ventana). Ayudados por una ventana deslizante de tamaño adecuado (T=200) para poder seguir los cambios de la señal ocular se realiza una aproximación lineal de pendiente dentro del segmento, que se compara con el umbral de pendiente establecido (m=y/2x, por lo que el Umbral de Pendiente se establece en 0.5).

.

Figura 42. Detección de inversión de fase con suficiente amplitud.

Una vez tenemos los puntos de inversión de fase, se calcula la variación de amplitud y de energía de la señal en esos puntos, que se compara después con el umbral de energía definido, y nos ayudará a conocer si existe inversión de fase de suficiente amplitud, para sí poder detectar los episodios REM caracterizados por movimientos oculares rápidos, ver Figura 42.

El umbral de energía se define como:

Umbral de energía = 3e5 / Tamaño_Ventana_Empleada De este modo, a la salida del proceso de detección (Figura 43) tendremos un vector

en el que se encuentran las posiciones en que ambos segmentos se encuentran en fase inversa (umbral de pendiente) con suficiente amplitud (umbral de energía).

Un aspecto importante acerca de esta característica es que por el hecho de tratarse de

una detección, por tanto de un dato binario, no aportará demasiada información para el algoritmo de clasificación que determinará las fases de sueño. Quiere esto decir que los EMs no se incluyen en la etapa de clasificación, pero se emplearán para refinar el hipnograma en la fase de postprocesado (etapa posterior al clasificador de segmentos).


58

Capitulo 3

Figura 43. Detección de movimientos oculares rápidos. Las líneas verticales representan los segmentos en los cuales se ha detectado inversión de fase de

suficiente amplitud en los ojos. Una vez extraídas las características de todos los segmentos de los canales EEG y

EMG (así como la detección de EMs en los EOGs), se conforma una matriz 13-D multi característica que se pasa al algoritmo de clasificación. Este algoritmo tratará de agrupar los segmentos que posean propiedades homogéneas (empleando el vector de características de cada uno de los segmentos generado en esta fase de extracción de características). Dicho método de clasificación está basado en el algoritmo de clústering k-means.

3.5. Tratamiento de Artefactos

Este apartado tiene como objetivo separar todos aquellos segmentos que estén

contaminados por movimientos del paciente durante el registro del PSG. Los segmentos identificados como artefactos no serán incluidos en la fase de clasificación. Los artefactos se traducen en picos de alta potencia registrados en los electrodos situados en la fuente que origina el movimiento. Se aplican 3 estrategias para la eliminación de los artefactos que puedan contaminar las señales EEG.

Umbral de máxima amplitud: Se elimina cualquier segmento donde la amplitud

absoluta máxima del segmento sobrepase un umbral determinado. Este umbral puede ser 300µV, porque las señales EEG no suelen sobrepasar este valor. Sin embargo en determinados tipos de ensayos (como en pruebas sobre pacientes epilépticos), este umbral debería adaptarse al tipo de prueba.


59

Capitulo 3

Energía pesada en frecuencia (FWE): Mediante la técnica basada en el operador no lineal en el proceso de segmentación se consigue eliminar determinados artefactos, como los debidos a actividad muscular. La FWE es proporcional a la amplitud y frecuencia, por lo que un incremento de frecuencia o amplitud debido a artefactos musculares fuerza a la energía a estar lejos de la energía EEG real. La mayoría de segmentos contendrán información EEG, así que la colección de puntos de energía será mayor en el espacio de energía EEG que en el espacio de artefactos [3].

Segmentos Outliers: Un valor extraño en el registro que destaca del resto porque no

es igual que ellos en algún sentido se denomina outlier [11]. Éstos valores son difíciles de manejar porque algunos de ellos son errores de medida, mientras otros pueden representar fenómenos de interés, algo significante desde el punto de vista del dominio de la aplicación. En nuestro caso interesa descartar esos valores, ya que lo que queremos evaluar es el fondo EEG, sin tener en cuenta los posibles outliers. Mediante una técnica de identificación de segmentos ouliers empleada en el proceso de clústering, se eliminan los grupos o clases minoritarias, tomando éstas como las que contienen menos del 5% del número total de segmentos. El apartado 4.4. explica cómo se realiza la técnica de eliminación de outliers.


60

Capitulo 3

Clasificación automática de segmentos EEG

61

Capitulo 4

Capitulo 4.

Clasificación automática de

segmentos EEG


62

Capitulo 4


63

Capitulo 4

Capitulo 4. Clasificación automática de segmentos EEG

4.1. Introducción

El objetivo que se aborda a lo largo del capítulo 4 es dividir en clústeres o grupos el conjunto de segmentos de características obtenidos en el capítulo 3, a partir de los 13 parámetros estimados para cada segmento. Por tanto, cada clúster contendrá los segmentos que posean características parecidas, de modo que se podría pensar en realizar una analogía entre grupos y etapas de sueño, asignando a cada grupo un estado fisiológico diferente. La función del clasificador será analizar los segmentos de acuerdo a sus características y dividirlos en determinados grupos de datos. La mayoría de las técnicas de agrupamiento forman parte de los métodos no supervisados, que no usan identificadores de clase con prioridad. El potencial del clústering radica en la detección de la estructura bajo la cual se encierran los datos, no sólo para clasificación y reconocimiento de patrones, sino también para reducción de modelos y optimización.

Dentro de los algoritmos de clasificación o ‘clústering’, se pueden distinguir los de aproximación paramétrica y los de aproximación no paramétrica. Los primeros asumen conocimiento sobre la forma funcional de las distribuciones de probabilidad de cada clase sobre el espacio de representación (determinadas por un conjunto finito y a menudo fijo de parámetros). Los algoritmos de clasificación no paramétrica no suponen forma alguna de las distribuciones de probabilidad sobre el espacio de representación, por lo que el único conocimiento a priori es la información inducida a partir del conjunto de muestras, con unas fronteras de decisión determinadas por las muestras del conjunto de entrenamiento (a partir de unas semillas iniciales). Los métodos no paramétricos se pueden dividir en tres grupos: jerárquicos, particionales y basados en densidad. Los jerárquicos van particionando el conjunto de datos por niveles, de modo que en cada nivel se unen o se dividen dos grupos del nivel anterior; los particionales realizan una división inicial de los datos en grupos y luego van moviendo objetos de un grupo a otro, y los basados en densidad dividen en grupos teniendo en cuenta la distribución de densidad de los puntos.

En cuanto a los algoritmos de clasificación aplicados en análisis EEG, los primeros intentos se llevaron a cabo por Bodenstein y Praetorius en 1977 usando el método de agrupamiento jerárquico de Ward [7]. Mientras, otros investigadores han intentado aproximaciones probabilísticas, fuzzy clustering y algoritmos variantes de k-means. La clasificación de segmentos EEG está restringida por su corta duración. Por el contrario, en este trabajo aplicaremos a EEGs prolongados, utilizando tres métodos empleados actualmente, cuyos resultados serán comparados.

Estos algoritmos de clasificación que se detallan en las demás secciones de este capítulo, son los siguientes:

- Algoritmo k-means (KM).

- Algoritmo fuzzy k-means (FKM).

- Algoritmo k-means en 2 etapas (2-KM).


64

Capitulo 4

a) b)

c) d)

c1

c2

c3

c1’

c2’c3’

c1

c2

c3

c1’

c2’c3’

4.2. Algoritmo k-means (KM)

Es uno de los algoritmos de agrupamiento más conocidos dado que consiste en una forma simple y robusta de dividir un conjunto de registros dado en k grupos (fijados a priori). Se trata de un algoritmo no paramétrico particional y no supervisado. La idea principal es definir k centroides (uno para cada grupo), luego tomar cada registro de la base de datos y situarlo en la clase de su centroide más cercano. El próximo paso es recalcular el centroide de cada grupo y volver a distribuir todos los registros según el centroide más cercano. El proceso se repite hasta que ya no hay cambio en los grupos de un paso al siguiente [16]. La Figura 44 muestra el procedimiento de clústering.

Figura 44. Procedimiento de clústering KM. k=3 clústeres. a) Se muestran los 3 centroides iniciales aleatorios (c1, c2, c3) y el número de puntos que contiene el conjunto de datos, b) Los puntos se asocian con el centroide más cercano. c) Los centroides se mueven al centro de sus respectivos clústeres. d) Los pasos b) y c) se repiten hasta que se consiga un nivel de convergencia apropiado.

La entrada del algoritmo es un conjunto de datos S de dimensión N registros x n

parámetros, y el objetivo es escoger k centroides de S y agrupar los datos en el grupo cuyo centroide se encuentre más próximo. La distorsión es la distancia que separa cada uno de los registros con su centroide. El objetivo global trata de asegurar que cada registro en S tenga una distorsión baja, o lo que es lo mismo, minimizar la distorsión máxima en S. En la mayor parte de los casos, estaremos interesados en minimizar la distorsión típica. La formula más usada es la función de coste k-means (12), que asume que los puntos permanecen en un espacio Euclídeo.

2

1∑∑

= ∈

− −=c

i Akik

meanskf

i

xC µ (12)

donde Ai es el conjunto de registros en el clúster i-ésimo y iµ es la media de la

distancia inter-clúster para todos los puntos del clúster i.

i

N

k ki N

xi∑ == 1µ , ik Ax ∈ (13)

donde Ni es el número de registros en Ai.

Este algoritmo puede fallar cuando los registros de un grupo están muy cerca del

centroide de otro grupo, así también cuando los grupos tienen diferentes tamaños y formas.


65

Capitulo 4

4.3. Algoritmo fuzzy k-means (FKM)

El criterio de agrupamiento fuzzy k-means se basa en la minimización de una función de coste, definida del siguiente modo:

( )2

1∑∑

= ∈

−=c

i Akik

mik

FKMf

i

xuC µ (14)

, donde m el parámetro de difusibilidad y u es la matriz de pertenencia, que indica el

grado de pertenencia de los registros a una determinada clase:

11

=∑=

c

iiku (15)

El parámetro m muestra que tan difusa será la clasificación en el rango [ ]∞,1 .

Valores pequeños dan lugar a clasificaciones discretas, mientras que al aumentar su valor aumenta el grado de difusibilidad.

Al igual que el k-means, la base del algoritmo es la minimización de la suma de las

distancias de cada registro al centro de la clase o centroide. La minimización de dicha función representa un problema de optimización no lineal para minimizar la suma de las distancias ponderadas por el grado de pertenencia del objeto al clúster, que puede ser resuelto empleando una diversidad de métodos. El más empleado es una iteración simple de Picard a través de condiciones de primer orden para puntos estacionarios [17].

Los parámetros de entrada al algoritmo son el número de clases, el coeficiente de

difusibilidad, los valores iniciales de los centroides, y un umbral de detección, que indica el error de ajuste que acepta el modelo. Como resultado, el algoritmo nos indicará el número óptimo de clústeres.

El algoritmo FKM detecta clústeres con formas hiperesféricas y con la misma

orientación. Comparando las funciones de coste de ambos algoritmos, se puede confirmar que el

algoritmo KM es una variante del FKM en el que cada dato puede pertenecer a un solo grupo en cada iteración (identificado como u=1 en la matriz de pertenencias), mientras el algoritmo FKM permite la pertenencia parcial de un dato en más de un grupo. Otra diferencia radica en el modo de calcular los centroides de cada grupo o clúster.


66

Capitulo 4

4.3.1. Índices de Calidad de Partición

A continuación se muestran dos índices que nos ayudan a cerciorarnos sobre la validez de los resultados obtenidos por el algoritmo de clústering FKM. El algoritmo de agrupamiento intenta encontrar el mejor ajuste dado un número fijo de clústeres y las formas de esos clústeres. Sin embargo, esto no significa que el mejor ajuste sea del todo realista, ya que quizás el número de clústeres sea erróneo, o las formas de los clústeres no correspondan con su forma real.

Podemos distinguir dos enfoques para determinar el número de clústeres

existentes en el set de datos, que se realizan del siguiente modo: a) Comenzando con un número suficientemente grande de clústeres e ir

reduciendo dicho número mezclando clústeres similares o compatibles de acuerdo con algún criterio. Este ajuste se realiza en el algoritmo k-means en 2 etapas que se ve a continuación, a través del parámetro Tmerge. Este parámetro es un porcentaje de la distancia interclúster entre dos grupos. Si esta distancia es menor que un determinado valor, dado por Tmerge, ambos clústeres pasan a formar parte del mismo. Además, hay una condición todavía más restrictiva: los clústeres se irán uniendo mientras haya más grupos que los grupos finales indicados al algoritmo, kf, aunque no se cumpla el criterio de mezcla Tmerge. El siguiente pseudocódigo resume ambos criterios de mezcla:

Si dxy yxmerge ccT ∪⇒<

Si num_clusteres < kf yx cc ∪⇒

Fin Si Fin Si

b) Agrupando datos para diferentes valores del número de clústeres, y emplear medidas de validación para encontrar la validez de las particiones establecidas, hecho que se consigue de dos modos: 1. Mediante una función de validez que evalúa la función completa.

2. Mediante una función de validez que evalúa individualmente los clústeres de una partición.

Ambas aproximaciones se realizan estimando un límite superior de clústeres cmax y ejecutando los algoritmos para cada c, de modo que para cada partición, la función de validación provee un valor que puede ser comparado y representado.

A continuación introducimos dos índices que representan una medida de validación escalar hemos aplicado para encontrar el número óptimo de clústeres [14]. En este caso debería corresponder con el número de etapas de sueño que se dan para el caso del paciente tratado, y que tras un refinado post proceso podría asemejarse a un hipnograma, que es el gráfico resultante de las etapas de sueño a lo largo de una noche.


67

Capitulo 4

Coeficiente de Partición (PC): mide la cantidad de solape entre clústeres. Se define del siguiente modo:

( )∑∑= =

=c

i

N

jiku

NPC

1 1

21 (16)

,donde c representa el número de clústeres y N el número de segmentos

pertenecientes a cada clúster. El PC varía entre [1/c, 1]. Un valor bajo indica una agrupación difusa en la que los clústeres no tienen tendencia al agrupamiento.

Entropía de Clasificación (CE): mide la falta de difusión de la partición de clúster:

( )∑∑= =

⋅−=c

i

N

jikik u

NCE

1 1

log1 µ (17)

El CE varía entre [0, log(c)]. Un valor cercano a 0 indica un agrupamiento difícil,

mientras un valor cercano a log(c) explicaría la ausencia de una estructura de agrupamiento en el set.

Se realiza un procedimiento de validación de clúster para determinar la mejor

calidad de la configuración de clúster para los segmentos de características. Consiste en estimar los coeficientes de partición y entropía de partición para diferente número de clústeres [14]. La evolución de estos coeficientes se muestra en la Figura 45.

El coeficiente de partición y el coeficiente de entropía de partición tiendes ambos hacia comportamiento monótono dependiendo del número de clústeres. Para encontrar el ‘mejor’ número de clústeres, se escoge el número donde el valor de la entropía cambia la tendencia creciente y el valor del coeficiente de partición cambia la tendencia decreciente. La mejor partición de los clústeres aplica en el punto donde el valor de c que proporciona la más alta diferenciación (máxima de la media de las distancias inter-clústeres) con buena homogeneidad dentro de los miembros de los clústeres (mínimo de las distancias entre registros y centroides). En la Figura 45, el número de clústeres óptimo es 4. De este modo averiguaríamos el número de fases o etapas de sueño óptimo que se distinguen del registro realizado [14].

Figura 45. Coeficiente y Entropía de Partición de una agrupación.

Del mismo modo, partiendo de esta gráfica y del hipnograma realizado por un especialista en neurofisiología, donde se conocen el número de fases existentes en el registro, podríamos verificar cuán buenos son las agrupaciones o clústeres estimados automáticamente.

1 2 3 4 5 6 7 8

0.7

0.8

0.9

1

1.1

1.2

1.3

1.4

1.5

1.6

Nº Clústeres

partition coefficient

partition entropy

4 clústeres


68

Capitulo 4

4.4. Algoritmo k-means en 2 Etapas (2-KM)

El problema planteado trata de determinar el número de clústeres existentes en los

datos (agrupaciones de segmentos). La Figura 46 muestra un resumen del proceso del clustering. Se considerará que hay un número de segmentos no válidos (artefactos tales como movimientos corporales, microdespertares), que deberán ser excluidos del procesado. Para ello, tras el procedimiento de selección de centroides de entrada, se introduce una etapa de exclusión de segmentos inválidos (que podrían provocar una salida menos correcta de los algoritmos de clasificación).

Figura 46. Procedimiento general de clústering.

El procedimiento de clústering se divide en dos etapas: en la primera se realiza

un clústering k-means con ki clústeres, (ki > kf para alojar grupos de artefactos o outliers). Tras aplicar el criterio Tmerge, se reducen los ki clústeres iniciales en los kf clústeres finales, a los cuales se les realiza un nuevo clústering k-means. La salida del algoritmo final es la etiqueta del clúster al que pertenece el segmento a tratar.

Segmento = vector 13-D características

AC3A2 A O2A1 A EMG R C3A2 RO2A1 R EMG fweC3A2 fweO2A1 fweEMG spin asi tsi EMs

Segmentos EEG y EMG que componen la señal

ALGORITMO DE CLÚSTERING

k-meansNúmero de clústeres

Selección de Candidatos

a centroides

Etiquetas desegmento

Eliminación desegmentos inválidos

ki=9, kf=5


69

Capitulo 4

Figura 47. Diagrama de bloques del algoritmo 2-KM. La estrategia en dos etapas (2-KM) se resume en la Figura 47. Cada bloque realiza

un tratamiento diferente sobre los datos pertenecientes a cada clúster o entre clústeres. La primera etapa agrupa en clústeres diferentes (considerando las fases de sueño y grupos de artefactos outliers). Posteriormente se realiza una fase de tratamiento de outliers y mezclado de grupos hasta llegar a una segunda etapa donde se hace la división de segmentos en las distintas fases de sueño. Los valores dados a los parámetros variables son: ki=9, kf=5, Tmerge=40%, Nout=0,5% [6].

Establecerparámetros iniciales:

kf , ki, Tmerge

Búsqueda de candidatos a centroide

Clústering 1: c=ki

Búsqueda y eliminaciónde outliers. Nout

Separación en 2 grupossegún criterio Tmerge

Mezclado de clústerescercanos

Empleando los centroidesactuales determinar los

centroides kf para elclústering final

Clústering 2: c=kf

Etapa 1

Etapa 2


70

Capitulo 4

La estrategia general en el procedimiento de clasificación gira en torno al clústering

iterativo: Parámetros iniciales:

Algunos parámetros clave han de ser inicializados al comienzo del proceso de agrupamiento:

El primero es el número de clústeres finales o deseados, kf, de los diferentes tipos de

patrones EEG que se esperan obtener de los datos. Normalmente, kf corresponderá con el número de etapas que contenga el PSG del paciente a tratar, que suele fluctuar entre 4 y 6.

El segundo parámetro es el número de clústeres o semillas ki, que debe ser mayor

que kf para alojar grupos de artefactos EEG. Los resultados experimentales sugieren que los artefactos EEG se pueden acomodar en 3 o 4 grupos.

El tercer parámetro es el umbral, Tmerge, el cual se usa para unir los clústeres que

están demasiado cerca, de modo que los clústeres iniciales se reduzcan al número de clústeres finales deseados. Tmerge se define como un porcentaje de distancia inter-clúster. No hay una manera óptima de elegir este parámetro ya que la mezcla de clústeres es generalmente compleja, así que generalmente se emplea un ajuste empírico. En el presente trabajo se ha seleccionado un valor de Tmerge = 40%, con el cual se han obtenido unos resultados satisfactorios.

El primer paso de la estrategia k-means consiste en el establecimiento de los parámetros explicados anteriormente. Resultados experimentales sugieren que los siguientes valores dan resultados aceptables en el algoritmo:

Kf=9; ki=5; Tmerge=40%


71

Capitulo 4

Selección de candidatos a centroide: Antes de proceder a clasificar los segmentos EEG, se han de encontrar las semillas iniciales (centroides de clústeres) sobre las cuales se realiza el agrupamiento. El grupo de semillas ki iniciales se consigue usando alguno de los datos actuales como semillas. Primero, se seleccionan aleatoriamente un número grande k (k > ki) de registros de segmentos candidatos a centroides, de modo que nos permitan una representación simple inicial de los diferentes patrones EEG presentes en el registro así como de los distintos artefactos que puedan aparecer en el PSG. A continuación, para reducir las k semillas a ki, se calcula la distancia dxy entre cualquier candidato a centroide kx y ky. Para reducir los k candidatos a k-1, se reemplazan las dos semillas que tienen la mínima distancia dxy por su media aritmética. Este proceso se repite hasta que los k candidatos se reduzcan a los ki candidatos a centroide deseados. De este modo se consigue que el grupo inicial de semillas representen los diferentes tipos de EEG. El número aleatorio de muestras de las cuales se parte es k=600, y el número de semillas iniciales ki=9. Dichas semillas formarán una buena representación del grupo total de muestras, ya que según el algoritmo, estas son las que mayor distancia interclúster poseen, así que representarán su clúster mejor que cualquier otro miembro de su grupo. De este modo, quedan seleccionados los 9 candidatos a centroide que alimentarán al algoritmo de clasificación.

Figura 48. Selección aleatoria de 600 segmentos candidatos a centroide.


72

Capitulo 4

Combinación de clústeres Tras una normalización del espacio de datos, se organizan los registros de

características en un número de clústeres o grupos que exceden el número de clústeres deseados (en los cuales hay diferenciación clínica relevante de los segmentos EEG). La razón es que se esperan algunos clústeres adicionales que no tienen valor clínico (por ejemplo, segmentos que posiblemente contengan artefactos que no han sido eliminados del proceso), mientras otros serán clústeres redundantes, resultantes de la división de los clústeres originales.

En la segunda etapa, una vez eliminados los segmentos EEG no deseados que

puedan interferir en el proceso de agrupación, se repite el proceso de clústering usando el número exacto de clústeres deseados. Previo al proceso de agrupación se sigue una serie de pasos:

Primero, si algún clúster contiene menos objetos que el número mínimo de

miembros establecido, Nout, se considera como ‘outlier’ (debido a que el centroide perteneciente a ese clúster estará lejos del resto). Los segmentos correspondientes se emplazan en la categoría de artefactos. Es posible de que tales segmentos contengan información clínica importante, sin embargo el objetivo del procedimiento no es otro que evaluar el fondo EEG, no segmentos en particular [11].

El siguiente paso consiste en separar los clústeres restantes en dos grupos, con intención de aislar los clústeres que están lejos de la mayoría de clústeres. Se trata de minimizar la dominancia de cualquier clúster outlier en el proceso de mezcla de clústeres. Para conseguir esto, se sitúan todos los clústeres con una distancia inter-clúster mayor que 2 desviaciones estándar de la distancia media en un grupo, mientras los clústeres restantes se sitúan en el grupo restante. La distancia interclúster se define como la media de distancias del centroide del clúster considerado a todos los centroides de clústeres restantes. Los clústeres dentro de los dos grupos formados se pueden combinar independientemente con intención de eliminar clústeres redundantes. Para conseguir esto se desarrolla un algoritmo de combinación de clústeres que depende de la distancia interclúster y el parámetro de mezcla, Tmerge. El criterio para efectuar la mezcla es el siguiente:

Si dT

kkd mergeyx .

100)),(min( < , entonces se mezclan los clústeres kx y ky [6]

, donde ),( yx kkd es la distancia Euclidea entre los centroides kx y ky y d es la

distancia promedio entre todas las parejas de centroides. El proceso se repite hasta que el criterio de mezcla deje de cumplirse.


73

Capitulo 4

4.5. Comparación de algoritmos

Una vez presentada la base teórica del procedimiento de agrupación (o clústering)

sobre los segmentos y la presentación de los principales algoritmos empleados, pasamos a mostrar los resultados de ambos. Se analizaron dos casos de PSG realizados sobre diferentes pacientes. La Figura 49 muestra los hipnogramas (marcados por especialistas) de los casos que se tratan a continuación. Como se explicó en la sección 2.4.3., un hipnograma consiste en un gráfico que muestra la evolución en las horas de sueño de las diferentes fases que atraviesa el sujeto.

Figura 49. Hipnogramas del Caso 1 y 2.

a. Hipnograma Caso 1

b. Hipnograma Caso 2


74

Capitulo 4

La Tabla 5 resume los parámetros generales del sueño de ambos casos:

Caso 1 Caso 2 Tiempo total oscuridad TTO (min.) 444 453 Tiempo total de sueño TTS (min.) (duración fases 1, 2, 3, 4 y REM)

417 381

Índice de eficiencia de sueño TTS/TTO

93.74 84.03

Inicio sueño desde la fase 1, 2, 3 4 o REM (hh:mm:ss) 00:15:42 00:08:07 Latencia de inicio del sueño 15 8 Índice de fragmentación (nº cambios de fase/TTO)

11.20 12.29

Tiempo total despierto 00:28:30 01:09:30 Tiempo despierto antes del inicio del sueño (hh:mm:ss) 0:12:00 00:06:30 Despierto tras el sueño (hh:mm:ss) 00:00:00 00:06:30 Índice de apneas e hipoapneas por hora de sueño 27.05 18.56 Número de Fases de Sueño significantes 5 4

Tabla 5. Parámetros generales de sueño.

El montaje específico empleado en los 2 casos se corresponde con EPISAO, o

estudio de epilepsia y apnea obstructiva. Dicho montaje emplea los electrodos que hemos descrito en el método presentado (entre otros): 4 EEG (C3, O2, A1, A2), 2 EOG y 1 EMG.

En la siguiente sección mostraremos los resultados obtenidos para los dos casos,

incluyendo para el Caso 1 más detalle de los pasos realizados en cada uno de los algoritmos. El objetivo es escoger el algoritmo que más se parezca al hipnograma real (marcado por un especialista), el cual se escanea, se digitaliza y se aplica un ajuste y una conversión a época para poder comparar con los hipnogramas generados por los algoritmos presentados. La Figura 50 explica el procedimiento de comparación de los hipnogramas.

Figura 50. Procedimiento de comparación de hipnogramas.

Del mismo modo se realiza una comparación entre los algoritmos k-means (KM),

fuzzy k-means (FKM) y k-means en 2 etapas (2-KM).

0 100 200 30 0 400 500 600 700 800 900S3

S2

S1

R

W

Epocas

Fas

es S

ue

ño

Escaneo DigitalizaciónAjuste y

Conversión aépoca

Hipnograma real digitalizado

SeñalesSegmentación y

extracción características

Clasificación características

Conversión aépoca

Hipnograma generado

0 100 200 300 400 500 600 700 800 900S3

S2

S1

R

W

E pocas

Fas

es S

ueño


75

Capitulo 4

4.5.1. Caso 1

Uno de los parámetros de entrada en ambos algoritmos es el número de clústeres o clases en que queremos realizar la agrupación. A continuación se comparan los resul-tados de los algoritmos explicados anteriormente dado un número fijo de clústeres, que se corresponderá con el que mejor se acomode a los datos de entrada según el algoritmo. El número de clústeres o fases de sueño se puede averiguar a partir de los parámetros de calidad explicados anteriormente, y se pueden verificar a partir de un registro realizado por un especialista. Según esta lectura, para el Caso 1 se conoce que el número de fases a estudiar son 5: W, S1, S2, S3 y REM, por lo que cabría esperar que el resultado de los algoritmos con este argumento de entrada diera algún resultado coherente que facilitara la interpretación del PSG.

Se muestra la distribución de los segmentos con los kf=5 grupos finales creados con respecto a 3 de las características más importantes explicadas en el Capítulo 3: Amplitud, Ritmo Dominante y parámetro FWE sobre los canales Central y Occipital (ver Figura 51).

Figura 51. Distribución de segmentos del canal Central y Occipital del Caso 1.

En la figura se aprecia una diferenciación en los distintos segmentos y

características, lo que permite al algoritmo de clasificación hacer una agrupación en distinto número de clústeres.

Los estadios de sueño o el porcentaje de tiempo que el sujeto pasa en cada fase se reflejan en la siguiente tabla: Episodios Duración total

(min) Porcentaje /

TTS Latencia

Fase S1 7 7 1.80 00:11:12 Fase S2 30 210 50.36 00:15:42 Fase S3- S4 14 110 26.38 00:50:42 REM 11 89 21.46 01:27:42

Tabla 6. Estadios de sueño en el Caso 1.

05

1015

2025

30

0

5

10

15

200

2000

4000

6000

8000

Amplitud EEG Occipital (uV.)Ritmo Dominante EEG Occipital (Hz.)

FW

E E

EG

Occ

ipita

l

05

1015

2025

30

0

5

10

15

200

0.5

1

1.5

2

2.5

x 104

Amplitud EEG Central (uV.)Ritmo Dominante EEG Central (Hz.)

FW

E E

EG

Cen

tral


76

Capitulo 4

A continuación se muestran los resultados de los algoritmos de clasificación

explicados anteriormente sobre el Caso 1: Algoritmo k-means (KM)

La Figura 53c muestra los resultados de la clasificación automática de segmentos con kf=5 grupos según el algoritmo KM. Se consigue un 41.8% de parecido respecto al hipnograma real. Una de las razones por las que el éxito del algoritmo difiere del anterior es por la ausencia del proceso de selección de semillas y toda la fase de tratamiento de los grupos artefacto que éste algoritmo no incorpora. Algoritmo fuzzy k-means (FKM)

Se trata del algoritmo que peor resultado ofrece, ya las fases de sueño coinciden en

el 37.7% de las épocas del PSG. Las razones de la disminución acierto son similares a las del algoritmo KM, añadiendo el hecho de que una época puede pertenecer a más de una fase de sueño. La Figura 53d muestra el hipnograma generado por el algoritmo FKM en el Caso 1.

A partir de los índices de calidad de partición presentados en el apartado 4.3.1., se

obtiene el número óptimo de clústeres en que se pueden agrupar los segmentos obtenidos durante el procesado de segmentos presentado en el Capítulo 3, que no coincide con el número de fases dominantes en el hipnograma. Se comprueba que el grupo minoritario (fase W o de vigilia) queda excluido, aunque en el caso de 2-KM se tenga en cuenta para poder comparar con el hipnograma.

Figura 52. Índices de calidad Caso 1.

1 2 3 4 5 6 7 8

0.8

1

1.2

1.4

1.6

1.8

2

Nº Clústeres


partition entropy

4 clústeres


77

Capitulo 4

La Figura 53 presenta los resultados obtenidos por los algoritmos 2-KM (Figura

53b), KM (Figura 53c) y FKM (Figura 53d). Se puede comprobar el parecido en forma del hipnograma real (Figura 53a) con el resultado generado por el algoritmo 2-KM: consigue detección de los episodios REM y buen ajuste de los cambios de fase, si bien se podrían mejorar los resultados obtenidos aplicando el postprocesado RK [1]. Las configuraciones sin estrategia de los algoritmos no siguen de modo fiable los cambios de etapa de sueño ni la detección de estados REM, lo cual indica que la estrategia aplicada sobre k-means (2-k-means) es fiable de cara a obtener mejor resultado.

a.

0 100 200 300 400 500 600 700 800 900S3

S2

S1

R

W

Epocas

Fas

es S

ueño

b.

0 100 200 300 400 500 600 700 800 900S3

S2

S1

R

W

Epocas

Fas

es S

ueño

c.

0 100 200 300 400 500 600 700 800 900S3

S2

S1

R

W

Epocas

Fas

es S

ueño

d.

0 100 200 300 400 500 600 700 800 900S3

S2

S1

R

W

Epocas

Fas

es S

ueño

Figura 53. Hipnogramas del Caso 1.

a) Hipnograma real del Caso 1 marcado por un especialista. b) Hipnograma generado con el algoritmo 2-KM (60.7% parecido con a.). c) Hipnograma generado con el algoritmo KM (41.8% parecido con a.). d) Hipnograma generado con el algoritmo FKM (37.7% parecido con a.).


78

Capitulo 4

Algoritmo k-means en 2 Etapas (2-KM)

Como se explicó en el apartado anterior, la estrategia empieza contemplando un número de grupos iniciales mayor (ki=9) que los finales (kf=5) ya que en la primera división por grupos es deseable distinguir artefactos que puedan contaminar el PSG. La Figura 54 muestra el clúster al que pertenece cada segmento del polisomnograma así como la distribución en grupos de los segmentos en la primera etapa del clústering.

Figura 54. Relación de índices del primer k-means realizado con la estrategia de clústering. Número de clústeres, ki =9.

Una vez descartados los clústeres que no tienen suficientes segmentos como para

formar un grupo y reorganizados los centroides de los clústeres a través del parámetro de mezcla Tmerge (fijado al 40% de la distancia interclúster), se obtiene el primer hipnograma bruto, cuya medida temporal es un segmento (ver Figura 55).

Figura 55. División en clústeres de todos los segmentos una vez tratados los artefactos, kf =5.


79

Capitulo 4

Con el objetivo de comprobar la fidelidad del algoritmo de clasificación, se procede

a una comparación con el hipnograma digitalizado del sujeto (Figura 56a). Dicho gráfico se ha digitalizado a partir de un hipnograma marcado por un neurofisiólogo especialista (ver Figura 56b).

Figura 56. a) Hipnograma digitalizado b) Hipnograma marcado por un especialista.

Normalmente los PSG son leídos utilizando una escala temporal cuya unidad es la

época. Una época consiste en una porción temporal de 30 segundos de duración. Por esa razón hemos trasladado el PSG obtenido de una escala temporal en divisiones por segmentos a una escala temporal de divisiones por: a partir del registro completo nocturno medido en segmentos, se hacen divisiones de 30 segundos y se toman las etiquetas de la fase a la que pertenece cada segmento. La época pertenecerá a aquella fase predominante de entre todos los segmentos que la componen.

Otro aspecto importante para comparar la salida del algoritmo de clasificación con

el hipnograma marcado por un especialista es la identificación de cada una de las fases. Hasta ahora, el algoritmo hace una división en grupos sin asignar un estado fisiológico a cada uno de los clústeres (Figura 55). Se sugiere un modo de asociar los clústeres con las fases de sueño: el valor de los centroides de cada una de las características puede ayudarnos a identificar la fase a la que pertenece un clúster. Como se dijo anterior-mente, hay características importantes que nos pueden ayudar a identificar una fase (amplitud, ritmo dominante). La Figura 57 muestra los valores de los centroides del ritmo dominante y la amplitud en los canales central y occipital. Se puede comprobar que las formas de las gráficas son similares en ambas zonas. Como sabemos que cada fase de sueño se caracteriza por unos valores promedios de amplitud y frecuencia central (o patrón, ver Tabla 4), podemos asociar cada clúster de modo que represente una u otra etapa de sueño.

0 100 200 300 400 500 600 700 800 900S3

S2

S1

R

W

Epocas

Fas

es S

ueño

a)

b)


80

Capitulo 4

Figura 57. Valores de los centroides del Ritmo Dominante y la Amplitud sobre ambos EEGs. Según los centroides del ritmo dominante, se puede comprobar que los clústeres que

mayor valor poseen son el 2, 3 y el 4, lo que nos lleva a asociarlos con las etapas S1, REM y W, que son las que poseen mayor valor de este parámetro. Del mismo modo, se pueden asociar los clústeres 1 y 5 con las etapas S2 y S3 debido al bajo valor del ritmo dominante y gran valor de la amplitud de las ondas durante la fase de sueño lento.

De este modo conseguimos transformar clústeres en etapas de sueño, y segmentos

en épocas, que son las unidades en que se etiqueta un hipnograma, lo cual nos permite comparar las gráficas obtenidas de los algoritmos con el hipnograma marcado por un neurofisiólogo.

0 100 200 300 400 500 600 700 800 900S3

S2

S1

R

W

Epocas

Fas

es S

ueño

Figura 58. Hipnograma generado por el algoritmo k-means con estrategia 2-KM.

Comparando la gráfica obtenida (Figura 58) con el hipnograma etiquetado por un especialista (Figura 56b), se obtiene un 60.7% total de acierto. Para mejorar esta cifra se podría introducir una fase de post procesado en el que se aplicarían las Reglas R&K [1] [6]. Además, se podría incorporar la característica de los movimientos de ojo (EMs), que nos ayudaría a detectar y marcar las fases REM. En [6] se consigue un éxito del 80% sobre el hipnograma real agregando el postprocesado indicado en [1], lo cual nos hace pensar que el éxito o porcentaje de parecido que alcanza nuestro método con el algoritmo de clasificación k-means con estrategia presentado en [6] es satisfactorio.

1 2 3 4 5-1.5

-1

-0.5

0

0.5

1

Clústeres

Ritm

o D

omin

ante

Can

al C

entr

al N

orm

aliz

ado

1 2 3 4 5-1

0

1

2

3

4

5

Am

plitu

d C

anal

Cen

tral

Nor

mal

izad

o

Clústeres

1 2 3 4 5-3.5

-3

-2.5

-2

-1.5

-1

-0.5

0

0.5

1

Clústeres

Ritm

o D

omin

ante

Can

al O

cc.

Nor

mal

izad

o

1 2 3 4 5-1

-0.5

0

0.5

1

1.5

Am

plitu

d C

anal

Occ

. N

orm

aliz

ado

Clústeres


81

Capitulo 4

4.5.2. Caso 2

Un parámetro que difiere en este Caso con respecto al anterior, es el número de

fases que el sujeto atraviesa a lo largo de la noche: kf=4. Al igual que en el paciente anterior, a continuación se comparan los resultados de los algoritmos estudiados

Se muestra la distribución de los segmentos con los 4 grupos finales creados con

respecto a 3 de las características más importantes explicadas en el Capítulo 3: Amplitud, Ritmo Dominante y parámetro FWE sobre los canales Central y Occipital (ver Figura 59).

Figura 59. Distribución de segmentos del canal Central y Occipital del Caso 2.

Los estadios de sueño o el porcentaje de tiempo que el sujeto pasa en cada fase se

reflejan en la siguiente tabla: Episodios Duración total

(min.) Porcentaje /

TTS Latencia

Fase S1 1 1 0.39 00:06:37 Fase S2 43 283 74.31 00:08:07 Fase S3 – S4 15 89 23.46 02:03:37 REM 2 7 1.83 02:47:37

Tabla 7. Estadios de sueño en el Caso 2.

Se puede comprobar la predominancia de la Fase S2 y la falta de Fase S1 durante el

registro (que conforma el 0.4% del tiempo total de sueño). La estrategia empleada en el algoritmo k-means elimina directamente la Fase S1 por insuficiencia de segmentos, por lo que se trata como grupo contaminante. Por la misma razón, a partir de los índices de calidad de partición, se detectó un número óptimo de kf=4 clústeres en el algoritmo FKM, por lo que los episodios de Fase S1 no se contemplan en ninguno de los algoritmos. A diferencia del Caso 1, el Caso 2 se ofrecerá con menor detalle dado que se han utilizado los mismos pasos de procesado.

05

1015

2025

30

0

5

10

15

200

1000

2000

3000

4000

5000

6000

Amplitud EEG Central (uV.)Ritmo Dominante EEG Central (Hz.)

FW

E E

EG

Cen

tral

05

1015

2025

30

0

5

10

15

200

2000

4000

6000

8000

Amplitud EEG Occipital (uV.)Ritmo Dominante EEG Occipital (Hz.)

FW

E E

EG

Occ

ipita

l


82

Capitulo 4

Las siguientes gráficas muestran el resultado de los algoritmos 2-KM (Figura 60b), FM (Figura 60c) y FKM (Figura 60d) que se comparan con el hipnograma digitalizado (Figura 60a). Al igual que ocurría en el Caso 1, la estrategia empleada en el algoritmo KM (2-KM) consigue un parecido mayor sobre el hipnograma real.

a.

0 30 1h00 1h30 2h00 2h30 3h00 3h30 4h00 4h30 5h00 5h30 6h00 6h30 7h00 7h30S4

S3

S2

R

W

b.


S2

R

W

c.


S2

R

W

d.


S2

R

W

Figura 60. Hipnogramas del Caso 2.

a) Hipnograma real Caso 2 marcado por un especialista y digitalizado. b) Hipnograma generado con el algoritmo 2-KM (61.4% parecido con a.). c) Hipnograma generado con el algoritmo KM (48.5% parecido con a.). b) Hipnograma generado con el algoritmo FKM (39.6% parecido con a.).


83

Capitulo 4

El parecido conseguido es mayor que en el Caso 1. Una razón por la cual se mejoran los resultados es precisamente el menor número de grupos kf existentes en el hipnograma.

Los índices de calidad de partición indicados en el apartado 4.3.1. estiman un número óptimo de kf=4 clústeres en la agrupación.

Figura 61. Coeficiente y Entropía de Partición

del Caso2.

Se comprueba el número óptimo de clústeres en la Figura 62, donde además se ve

la evolución del algoritmo FKM según el número de clústeres finales. Se marca en rojo el hipnograma real y debajo los gráficos generados por el algoritmo FKM según el número de clústeres generados, que varía de 3 a 8.

100 200 300 400 500 600 700 800 9001

2

3

4

5

6

7

Épocas del PSG

Clú

ster

100 200 300 400 500 600 700 800 9001

2

3

Épocas del PSG

Clú

ster

100 200 300 400 500 600 700 800 9001

2

3

4

Épocas del PSG

Clú

ster

100 200 300 400 500 600 700 800 9001

2

3

4

5

Épocas del PSG

Clú

ster

Mejor configuraciónde los clústeres

1 2 3 4 5 6 7 80.4

0.6

0.8

1

1.2

1.4

1.6

1.8

2


partition entropy

4 clústeres

Nº Clústeres


84

Capitulo 4

100 200 300 400 500 600 700 800 9001

2

3

4

5

6

Épocas del PSG

Clú

ster

100 200 300 400 500 600 700 800 9001

2

3

4

5

6

7

Épocas del PSG

Clú

ster

100 200 300 400 500 600 700 800 9001

2

3

4

5

6

7

8

Épocas del PSG

Clú

ster

Figura 62. Evolución del algoritmo FKM según el número de clústeres de agrupación. A partir de estas gráficas se obtiene el número óptimo de clústeres.

CONCLUSIONES Y TRABAJO FUTURO

85

Capitulo 5

Capitulo 5.

Conclusiones y

Trabajo Futuro


86

Capitulo 5


87

Capitulo 5

Conclusiones y trabajo futuro Conclusiones

- La adquisición de las señales PSGs constituye una etapa crítica para la

extracción de hipnogramas. En este trabajo se han procesado registros PSGs

almacenados en un formato propietario del proveedor del equipo de adquisición. Las

señales fueron convertidas al formato EDF (European Data Format) y los hipnogramas

correspondientes, obtenidos en papel impreso, fueron digitalizados para su posterior

procesamiento. Este tipo de conversiones de formatos ocasionan retardos en la

obtención de resultados y posibles errores de precisión. La tendencia actual es usar

formatos estándares para el almacenamiento de bioseñales y las anotaciones clínicas que

facilitan el intercambio entre diferentes sistemas clínicos. Entre estos formatos están

EDF, MFER (Medical waveform description Format Encoding Rules) y HL7 (Health

Level 7).

- En un proceso de monitorización prolongado como es el estudio del sueño,

existen períodos donde el EEG no cambia, cuando lo hace fluctúa frecuentemente entre

unos pocos patrones. Como primer paso para encontrar estos patrones hemos realizado

una etapa de segmentación adaptativa de las señales PSGs. En esta epata aplicamos un

operador no-lineal de energía (GNLEO) propuesto por Agarwal y Gotman. El operador

fue aplicado a los canales EEG y EMG. La segmentación obtenida, basada en la

amplitud y frecuencia de las señales, consistió en trazas de señales cuasi-estacionarias.

Se comprobó la sensibilidad de GNLEO variando el tamaño de ventana, teniendo en

cuenta la relación señal a ruido de las señales y aplicando un procedimiento de umbral

adaptativo al criterio de segmentación. El tamaño de ventana óptimo encontrado fue de

512 muestras.

- Se ha probado un conjunto de características temporales y frecuenciales

extraídas de las señales PSGs. Estas características fueron: amplitud (para cada canal

EEG y EMG); ritmo dominante (para cada canal EEG y EMG); energía pesada en

frecuencia (FWE, Frequency-Weighted Energy) (para cada canal EEG y EMG);

presencia de spindles (en el canal EEG central); índice de onda lenta Alpha (ASI, Alpha

Sleep-Wave Index) (para el canal EEG occipital); índice de onda lenta Theta (TSI, Theta


88

Capitulo 5

Sleep-Wave Index) (para el canal EEG central); y presencia de movimientos de ojos

(EMs, Eye Movements) en los EOGs. Comparamos dos métodos para calcular el rimo

dominante: frecuencia centroide y modelo autoregresivo de segundo orden (AR-2).

Escogimos el método AR-2 puesto que conseguimos un mayor margen dinámico en

frecuencia de la señal, facilitando el cálculo de ratios de contenido espectral entre las

diferentes bandas. Las características que mejor discriminaron las etapas de sueño

fueron: la amplitud y el ritmo dominante en los canales EEG. La característica EMs,

cuyos valores son binarios no se tuvo en cuenta en la etapa de clasificación, pero se

empleará para refinar el hipnograma en una fase de postprocesado (etapa posterior al

clasificador de segmentos) que se propone como trabajo futuro. Esta característica

permitirá identificar con más precisión la etapa REM.

- El conjunto de características extraídas de los segmentos fue procesado mediante

los siguientes algoritmos de clasificación: K-Means (KM), Fuzzy K-Means (FKM), y

K-Means en dos etapas (2-KM). Estos algoritmos demostraron ser apropiados para la

extracción de patrones correspondientes a las etapas del sueño, lo cual muestra que las

regiones de clasificación definidas por las características se adaptaban a formas

hiperesféricas. Se procesaron dos casos reales de apnea obstructiva, obteniendo los

siguientes resultados, para cada caso respectivamente: 2-KM(60.7, 61.4)%, KM(41.8,

48.5)%, FKM(37.7, 39.6)%. Los resultados del algoritmo 2-KM son mejores debido

principalmente a que incluye una etapa específica de tratamiento de outliers (segmentos

atípicos). En general, los resultados podrían mejorarse aplicando una etapa de

postprocesado utilizando otro conjunto de características por épocas e implementando

reglas RK de lectura de PSGs.

- Se ha demostrado que la extracción automática de hipnogramas puede proveer

información clínica relevante a los médicos para evaluar la normalidad de un registro e

identificar tendencias pronunciadas o cambios importantes con relativa rapidez. El

porcentaje de acierto de los hipnogramas obtenidos actualmente en forma automática en

La Fe está entre 10-30%. En muchos casos, prácticamente todo el hipnograma tiene que

ser reconstruido por el neurofisiologo. Con las técnicas implementadas hemos obtenido,

en dos casos estudiados, un porcentaje de acierto superior al 60%. Lo anterior

demuestra que se han podido estimar las estructuras principales del hipnograma, lo cual

supone una mejora en la eficiencia para la obtención del diagnóstico.


89

Capitulo 5

Trabajo futuro

Los resultados obtenidos en la extracción automática de hipnogramas son

prometedores, pero podrían mejorarse. A continuación señalamos algunas líneas de

trabajo futuro.

- En el presente trabajo se ha realizado una clasificación por segmentos que se ha

trasladado a una clasificación por épocas de duración fija (30 s), que es el formato usual

de presentación de los hipnogramas. Estos primeros resultados podrían mejorarse en

una etapa de postprocesado después de la clasificación. Se calcularía un conjunto de

características por época que se utilizaría junto con criterios de decisión basados, por

ejemplo, en las reglas RK. Con esta información se podría modificar la asignación

inicial de la etapa de cada época. Las características de las épocas consistirían en las

mismas calculadas para los segmentos más las siguientes: amplitud absoluta integrada

para el canal EMG y porcentaje de la época dominado por onda lenta en los dos canales

EEG calculado como el porcentaje de segmentos de 0.5 s. en la época que excede un

límite de amplitud de onda lenta (por ejemplo 75 µV). El porcentaje de la época

dominado por la banda alfa se calcularía como el porcentaje de segmentos de 0.5 s. en la

época en la cual el índice ASI excede la unidad.

- Otra línea de trabajo es experimentar con diferentes características temporales y

frecuenciales y distintos algoritmos de clasificación. Entre los algoritmos de aprendizaje

no supervisado que podrían probarse están: mapas auto-organizados (SOM, Self-

Organized Maps) y máquinas de vectores de soporte (SVM, Support Vector Machine).

- El estudio de PSGs está dirigido a investigar variaciones generales en las señales

en las diferentes etapas de sueño. La clasificación está dirigida a agrupar segmentos más

o menos homogéneos y los segmentos con valores atípicos no son tenidos en cuenta. Sin

embargo, este tipo de segmentos podría ser útil para el diagnóstico de patologías,

considerando que no todos los valores atípicos son errores y que estos datos pueden

representar fenómenos de interés.

- Otro posible desarrollo consiste en plantear el problema de detección de etapas

del sueño como un problema de detección de cambios en la función de densidad de


90

Capitulo 5

probabilidad (fdp) de las señales. El modelo de la fpd multidimensional puede estimarse

como una mezcla de distribuciones Gaussianas o no Gaussianas. Una solución que se

adaptaría a este desarrollo sería el modelamiento basado en mezclas de analizadores de

componentes independientes que soporta densidades no Gaussianas de las fuentes de

datos. Actualmente el GTS se encuentra adaptando esta clase de algoritmos para

solucionar problemas de detección, como es el caso de la estimación automática de

hipnogramas.

ACRÓNIMOS

91

ANEXOS

ACRÓNIMOS Y DEFINICIONES:

AASM: Academia Americana de Medicina del Sueño. Creada en 1975 como la asociación de centros de desórdenes del sueño, la AASM es la única sociedad profesional que está dedicada exclusivamente a la sub-especialidad médica de medicina del sueño. Consiste en más de 7000 físicos, investigadores y otros profesionales del cuidado de la salud, especializados en estudio, diagnóstico y tratamiento de desórdenes del sueño y alertas como insomnio, narcolepsia y apnea obstructiva de sueño. El AASM establece estándares y promueve calidad en el cuidado de la salud, educación e investigación.

Arteriografía: Técnica de diagnóstico por imagen que estudia los vasos arteriales (no visibles con radiología convencional).

Apnea: Episodios de cese de la respiración durante el sueño de 10 o más segundos de duración.

Atonia: Ausencia de tono muscular.

Craniectomía: Técnica consistente en la resección de parte de la bóveda craneana con el objetivo de dar más espacio al cerebro y así aliviar la hipertensión endocraneana producida por diversas patologías como accidente vascular cerebral isquémico, trauma, tumores, hemorragia subaracnoídea, etc.

Córtex cerebral: parte más externa del cerebro.

Electroencefalografía (EEG): técnica diagnós-tica de la Neurofisiología basada en estudio de la señal electroencefalográfica.

Hipnograma: gráfico que muestra la evolución en las horas de sueño de las diferentes fases.

Hipoapnea: disminución del flujo aéreo de magnitud superior al 50% del flujo basal durante un episodio de más de 10 segundos.

Microdespertar (arousal): Cambio brusco desde el sueño profundo a una fase más superficial el cual puede conducir o no a un despertar.

Neurofisiología: parte de la Fisiología que estudia el Sistema Nervioso.

Resonancia Magnética (RM): Técnica de diagnóstico médico que emplea las propiedades

magnéticas que poseen los núcleos atómicos para obtener imágenes. La resonancia permite alinear los campos magnéticos de diferentes núcleos en la misma dirección que un campo magnético externo, cuya respuesta depende del tipo de núcleo atómico.

Sinapsis: Proceso consistente en descargas químico-eléctricas generadas en la membrana celular de la neurona por polarización-despolarización. Esta membrana libera tanto sustancias químicas como un impulso que estimula eléctricamente a la vesícula presináptica, que a su vez libera unas moléculas llamadas neurotransmisores que se acoplan a los receptores postsinápticos de la neurona receptora.

Sistema Nervioso (SN): Red muy especializada compuesta de tejidos, cuyo componente principal son las neuronas: células conectadas entre sí de modo complejo y que conducen a través de señales electroquímicas una gran variedad de estímulos dentro del tejido nervioso y hacia la mayoría del resto de tejidos, coordinando múltiples funciones del organismo.

Spindles de Sueño: ondulaciones crecientes-decrecientes del EEG del sueño de entre 12 y 16 ciclos por segundo con duración de entre 0,5 y 1,5 segundos. Su presencia caracteriza la Fase S2.

Tomografía Axial Computarizada (TAC) o Escáner: Técnica de diagnóstico empleada en medicina basada en la exploración por rayos X que genera imágenes detalladas de cortes axiales del cuerpo. Un ordenador procesa esas imágenes reconstruyendo las secciones y creando imágenes bidimensionales e incluso tridimensionales.

REFERENCIAS

92

ANEXOS

REFERENCIAS:

[1] A. Rechtschaffen and A. Kales, “A Manual of Standardized Terminology, Techniques and Scoring System for Sleep Stages of

Human Subjects”. Eds., Brain Inform. Service/Brain Res. Inst., Univ.California, Los Angeles, 1968 [2] R. Agarwal, J. Gotman, “Adaptive segmentation of electroencephalographic data using nonlinear energy operator”. Proc.

IEEE. ISCAS’99, June 1999, vol. 4, pp. 199-202. [3] R. Agarwal, J. Gotman, Flanagan D., Rosenblatt B., “Automatic EEG analysis during long-term monitoring in the ICU”.

Electroencephalography and clinical Neurophysiology 107 (1998) 44–58. [4] R. Agarwal, J. Gotman, “Long-Term EEG Compression for Intensive-Care Settings”. IEEE Engineering in Medicine and

Biology. September/October 2001, pp. 23-29. [5] J. F. Kaiser, “On a simple algorithm to calculate the energy of a signal”. Proc. IEEE Int’l Conf. Acoust., Speech, and Signal

Processing., Apr. 1990. [6] R. Agarwal, J. Gotman., “Computer-assisted sleep staging”. IEEE Transactions on Biomedical Engineerin, Vol 48. No 12,

December 2001, pp 1412-1423. [7] G. Bodenstei, H. Praetorius, “Feature extraction from the electroencephalogram by adaptative segmentation”. Proc IEEE, vol.

65, 1977, pp. 642-652. [8] “The AASM Manual for the Scoring of Sleep and Associated Events: Rules, Terminology and Technical Specifications”, 1st

ed.: Westchester, Illinois: American Academy of Sleep Medicine, 2007 [9] W.G. Penfield, H.H. Jasper,” Epilepsy and the functional anatomy of the human brain”. Boston, Little Brown, 1954. [10] J.K. Wu. “Fast algorithms for frequency, amplitude and phase evaluation of nonsinusoidal signals with noises”. Elsevier.

Measurement, vol. 39, 2006, pp. 909–917. [11] X. Liu, G. Cheng, J. X. Wu, “Analyzing Outliers Cautiously”. IEEE Transactions on Knowledge and Data Engineering, vol.

14, No. 2, March-April 2002, pp. 432-437. [12] L. Vergara, J. Gosálbez, J.V. Fuente, R. Miralles, I. Bosch. “Measurement of cement porosity by central frequency profiles of

ultrasonic grain noise”. Elservier Signal Processing, vol. 84, 2004, pp. 2315-2324. [13] L. Vergara, J. Gosálbez, R. Miralles, I. Bosch. “On estimating the centre frequency of ultrasonic pulses”. Elsevier Ultrasonics,

vol. 42, 2004, pp. 813-818. [14] M. Halkidi, Y. Batistakis, M. Vazirgiannis, “On Clustering Validation Techniques”. Kluwer Academic Publishers. Journal of

Intelligent Information Systems, 17:2/3, 2001, pp. 107-145. [15] J. B. MacQueen, "Some Methods for classification and Analysis of Multivariate Observations", Proceedings of 5-th Berkeley

Symposium on Mathematical Statistics and Probability, Berkeley, University of California Press, vol. 1,1967, pp. 281-297. [16] J. C. Dunn, “A Fuzzy Relative of the ISODATA Process and its Use in Detecting Compact”. Well Separated Clusters, J.

Cyber., vol. 3, 1974, pp. 32-57. [17] J.C. Bezdek, “Pattern Recogniztion with Fuzzy Objective Function Algorithms”. Plenum press, New York. 1981. [18] E. Niedelmeyer, F. Lopes da Silva, “Electroencephalography: basic principles, clinical applications and related fields”, 3rd

edition, Williams & Wilkins, 1993. [19] Elsevier B.V., “Event-Related dynamics of brain oscillations”, Elsevier, 2006.

tecnicas de procesado de polisomnogramas

Documents