Evaluación de técnicas del problema inverso para estudio del número de señales de electroencefalograma para mecanismos cognitivos

Abstract

La electroencefalografía es un método no invasivo de monitoreo de las señales biológicas que genera el cerebro. Este método tiene diversas aplicaciones tanto en investigación como en aplicaciones clínicas, como es el caso de las discapacidades mentales. Para analizar estas señales se usan modelos que se basan en promedios, siendo estos pocos realistas y no permitiendo apreciar la interacción de las distintas áreas corticales y su influencia sobre las señales captadas, disminuyendo así la capacidad de análisis de éstas. Algunos modelos, como los modelos dinámicos causales (DCM), tienen como objetivo analizar las señales de electroencefalograma (EEG) de forma más realista teniendo en cuenta la interacción de las neuronas y sus diferentes conectividades. Para aplicarlo, se requiere de la ubicación de las fuentes neuronales, posicionadas en la corteza cerebral, que son las responsables de generar las señales de EEG. Para ello, diversas técnicas existen en la literatura para estimar la ubicación de dichas fuentes a partir de las señales de EEG, un problema conocido comúnmente como “problema inverso”. La aplicación de estas técnicas requiere generalmente de gran cantidad de electrodos para su análisis (>100). Por otro lado, en estudios clínicos es común el uso de equipos con una cantidad relativamente pequeña de electrodos (<40), por lo que el uso de las técnicas para resolver el problema inverso, con menor cantidad de electrodos, es de importancia. En la presente tesis se analizó el desempeño de diversas técnicas de inversión propuestas en la literatura (MNE, WMNE, LORETA, FOCUS, MFOCUSS y MSP). Este desempeño se midió para señales EEG sintéticas, con diferentes niveles de ruido y diferente número de electrodos; así como para señales EEG reales tomadas de un experimento auditivo que involucró 2 estímulos (Frecuente y No Frecuente) captadas con 128 electrodos. En ambos casos, la reducción de electrodos se hizo basándose en la potencia de la señal. En el análisis con datos sintéticos se encontró que MFOCUSS y MSP ubicaban siempre soluciones con las menores medias de error. MFOCUSS logró ubicar, en algunos casos, las fuentes sin error y MSP presentaba un error alrededor de 2cm. Esto fue cierto incluso para señales con SNR de hasta 10dB y con 32 electrodos. Al analizar los contrastes entre condiciones (No Frecuente > Frecuente) de las fuentes obtenidas con los datos reales se observó que MSP presentaba consistencia en las fuentes significativamente más activas (t-test con p<0.05 y corrección FWE) al reducir la cantidad de electrodos hasta 32.

Electroencephalography is a non-invasive method for brain biological signals monitoring. This method has several uses in both research and clinical applications such as mental disabilities. To analyze them, models based on signal averaging are used. Such methods are few realistic and they don’t allow researchers to appreciate the interaction of the different cortical areas and their influence on the captured signals, thus reducing the capacity of analysis. Some models, as Dynamic Causal Modelling (DCM), aim to analyze EEG signals in a more realistic way, considering the interaction of neurons and their different connectivities, as well as to infer synaptic properties associated with behavior. To apply these models, it is required to know the localization of neuronal sources underlying EEG signals. To do that, several techniques have been developed to estimate the localization of these sources using only EEG signals taken from the scalp, a problem which is commonly known as the “EEG Inverse Problem”. These techniques commonly use many electrodes (>64). On the other hand, it is common, for clinical studies, to analyze EEG data with lesser quantity of electrodes (<40). Thus, the use of techniques to solve the inverse problem with fewer number of electrodes is very important. In this dissertation, performance of several techniques (MNE, WMNE, LORETA, FOCUS, MFOCUSS y MSP) to solve the EEG inverse problem was analyzed. Performance was measured in terms of error localization of the aforementioned sources for synthetic EEG signals with different levels of noise, and for real EEG signals, recorded from an auditory experiment with 2 conditions (Frequent and No Frequent) and using 128 electrodes cap. For both cases, a systematic reduction of the number of electrodes was made based on the electrodes signal power. Using synthetic EEG signals it was found that MFOCUSS and MSP produces localizations with lower error medias. Even more, MFOCUSS localized sources with no error in many cases and MSP obtained sources positions with approximately 2 cm of error. These results were consistent even for signals with 10 dB of SNR and 32 electrodes. In the analysis of contrasts between more active sources (t-test with p<0.05 and FEW correction) found for each condition (No Frequent > Frequent) from the real EEG signals it was noted that MSP presented consistent results when reducing the number of electrodes to 32.