Feature Representation Frameworks to support Brain Activity Signals Analysis

La electroencefalografía (EEG) ha sido un método ampliamente usado para medir y monitorear la actividad cerebral, pues bien, es un registro de la actividad eléctrica neuronal medida a través del cráneo, la cual, ha sido ampliamente utilizada en diferentes aplicaciones. Las interfaces cerebro-máquina...

Full description

Autores:: Velásquez Martínez, Luisa Fernanda

Tipo de recurso:

Fecha de publicación:: 2015

Institución:: Universidad Nacional de Colombia

Repositorio:: Universidad Nacional de Colombia

Idioma:: spa

Description
Summary:	La electroencefalografía (EEG) ha sido un método ampliamente usado para medir y monitorear la actividad cerebral, pues bien, es un registro de la actividad eléctrica neuronal medida a través del cráneo, la cual, ha sido ampliamente utilizada en diferentes aplicaciones. Las interfaces cerebro-máquina (Brain-Computer Interface - BCI), son sistemas que utilizan la información inferida de la señal de EEG proporcionando un nuevo canal no muscular para enviar mensajes y comandos a dispositivos externos. Algunos sistemas BCI se basan en el paradigma de la neurociencia cognitiva denominado como imaginación motora (Motor Imagery - MI). Así, MI se basa en la detección de los patrones de actividad cerebral de la imaginación de una acción motriz, pero sin su implementación física, como por ejemplo, la imaginación de los movimientos de la mano. Sin embargo, el análisis de registros EEG requiere el desarrollo de una etapa de preprocesamiento apropiada, así como, una representación de características, una selección de características y unas metodologías de clasificación de patrones adecuadas para mejorar el rendimiento de los sistemas de reconocimiento. Además, debido a la naturaleza de las señales de EEG, durante su captura pueden ser registradas otras señales o artefactos que no corresponden a la actividad eléctrica del cerebro. Estas perturbaciones pueden dificultar la interpretación y análisis de la señal EEG, pues bien, los artefactos pueden imitar anormalidades cerebrales, sumados a la pobre resolución espacial de la señal. Estas dificultades requieren el diseño de métodos de preprocesamiento señales que mejores la condición de los registros EEG de dos maneras: 1) mejorar la resolución espacial y 2) mejorar la relación señal-ruido de los datos. Se desarrollan dos métodos de preprocesamiento de datos de EEG diferentes. La primera es una metodología orientada a resaltar las bandas de frecuencias interés y mejorar la resolución espacial de los datos de EEG para aplicaciones BCI y se basa en el método de Descomposición Empírica (Empirical Mode Decomposition - EMD), el filtro Butterworth como pre-filtro y el método de patrones espaciales comunes (Common Saptial Patterns - CSP) para mejorar la resolución espacial. La segunda metodología de preprocesamiento servirá para el problema de la aparición de artefactos oculares en los registros. Por medio de Análisis de Componentes Principales (Principal Component Analyis – PCA) y el Análisis de Componentes Independientes (Independent Component Analysis – ICA) se identifica la componente asociado al ruido ocular y posteriormente es cancelado, mejorando así, la relación señal-ruido de los datos. Por otra parte, para interpretar la información del cerebro a partir de la serie temporal de EEG, debido a su compleja estructura de aleatoriedad (no estacionariedad y no linealidad), se requieren unas etapas de representación, selección y/o extracción de características y clasificación, que deben ser construidas de manera adecuada para revelar los principales patrones de MI a partir de datos de EEG. Además, es necesario revelar la dinámica subyacente del proceso estudiado para relacionar correctamente la información contenida en los registros de EEG con ciertas clases, patrones o estímulos de la actividad cerebral. El método aborda el problema del hallazgo directo y automático de las características variables en el tiempo que influyen, en mayor proporción, en distinguir las tareas motoras (MI). Para ello, se introduce una etapa relevancia estocástica. Dado que el algoritmo propuesto codifica la dinámica de la actividad neural, los resultados experimentales son comparados con otros enfoques del estado de la técnica. Además, la relevancia calculada en los canales de EEG está de acuerdo con otros hallazgos clínicos reportados en la literatura. Consecuentemente, el análisis de las regiones coactivas durante una tarea de MI se convierte en un tema importante para revelar la actividad neuronal primaria proporcionada por las intenciones del movimiento. Por esta razón, es esencial desarrollar un marco basado el aprendizaje de máquina que se ocupe de encontrar las conexiones entre diferentes áreas del cerebro y permita revelar los patrones de la actividad neuronal y su relación con ciertos estímulos. Comparamos los resultados obtenidos basado en la similaridad de los canales usando kernel (Kernel-based pairwise Inter-Channel Similarity – K-ICS) contra la correlación de Pearson y la medida generalizada de asociación (Generalized Measure of Association – GMA). Los resultados basados en K-ICS y la correlación de Pearson son capaces de capturar las principales relaciones de actividad cerebral, de acuerdo con los hallazgos clínicos de la coactivación de tarea MI reportados en la literatura. Posteriormente, con el fin de revelar las dinámicas subyacentes del proceso estudiado para relacionar adecuadamente la información contenida en los registros de EEG con las determinadas clases, patrones o estímulos de actividad cerebral, los procesos de caracterización de las señales de EEG deben considerar las bandas o frecuencias de los fenómenos de interés y las restricciones estadísticas de los datos. Por otro lado, al identificar la conectividad de regiones cerebrales in un determinado estímulo, uno de los mayores impedimentos en este proceso radica en el hecho de que los sistemas neuronales son altamente distribuidos, dinámicos y complejos, por tanto, la gran cantidad de conexiones estructurales del cerebro dificulta la decodificación y la interpretación de sus procesos. Lo anterior implica que es imprescindible desarrollar un método basado en aprendizaje de máquina y procesado de señales EEG que contemple las conexiones entre las distintas zonas cerebrales y permita revelar apropiadamente los patrones de actividad neuronal y su relación con determinados estímulos

Feature Representation Frameworks to support Brain Activity Signals Analysis

Publicaciones similares