Comparacin de programas de distribucin libre en

procesamiento de seales de EEG para localizacin del origen

del foco epilptico

Alexander Ossa Montoya

Departamento de Ingeniera electrnica

Facultad de Ingeniera Universidad de Antioquia
Medelln, Colombia
2014

Comparacin de programas de distribucin libre en

procesamiento de seales de EEG para localizacin del origen
del foco epilptico

ALEXANDER OSSA MONTOYA

TRABAJO DE GRADO PRESENTADO PARA OPTAR AL TITULO DE:

INGENIERO ELECTRNICO

COORDINADOR/DIRECTOR:
Ing. Jos David Lpez Hincapi, PhD.

Grupos de Investigacin:
SISTEMIC

Departamento de Ingeniera Electrnica

Facultad de Ingeniera Universidad de Antioquia
Medelln, Colombia
2015

AGRADECIMIENTOS

El esfuerzo y la dedicacin trae consigo buenas cosas, pero la pasin combinadas con
estas dos ltimas, contagia de excelencia a las personas que nos rodean.

En estas lneas quiero expresar mis ms sinceros agradecimientos a esas personas

que han colaborado y han hecho que este logro sea posible. Un especial
agradecimiento al Dr. Jos David Lpez, por su continuo esfuerzo en la bsqueda de
mi aprendizaje, y por su constante apoyo y asesora en el desarrollo de este trabajo; al
Doctor Camilo Borrego, especialista en neurologa del centro de investigacin mdica
de Antioquia (CIMA), por su paciencia y dedicacin en la enseanza de los conceptos
bsicos contenidos en este escrito y por su constante bsqueda de la excelencia en su
trabajo del cual en gran parte es fruto este logro.

Por ltimo, agradecer a mi familia por su gran apoyo y por ser motivo de inspiracin
para alcanzar este objetivo.

INDICE
RESUMEN ........................................................................... 9
INTRODUCCION .... ERROR! MARCADOR NO DEFINIDO.
1 OBJETIVOS ................................................................. 12
1.1
1.2

OBJETIVO GENERAL ................................................................................................ 12

OBJETIVOS ESPECIFICOS ....................................................................................... 12

2 MARCO TEORICO ....................................................... 13

2.1
TECNICAS DE MEDIDA DE LA ACTIVIDAD CEREBRAL .......................................... 13
2.1.1
Imagen por resonancia magntica (MRI) ............................................................ 13
2.1.1.1
Imagen por resonancia magntica especializada (SMRI) ........................................... 13
2.1.1.1.1 MRI dinmica (DCE-MRI) ....................................................................................... 13
2.1.1.1.2 MRI difusin ............................................................................................................ 14
2.1.1.1.3 MRI espectroscopia (MRS) ..................................................................................... 14
2.1.1.2
Imagen por resonancia magntica funcional (fMRI) ..................................................... 14

2.1.2
2.1.3
2.1.3.1

Magnetoencefalografia (MEG) ............................................................................ 14

Electroencefalografa (EEG) ............................................................................... 14
Obtencin del EEG ...................................................................................................... 15

2.2
EPILEPSIA .................................................................................................................. 15
2.2.1
Cmo se genera y posibles causas .................................................................... 16
2.2.2
Diagnstico: ......................................................................................................... 16
2.2.3
Tipos de epilepsia ............................................................................................... 17
2.2.3.1
Crisis generalizadas ..................................................................................................... 17
2.2.3.1.1 Convulsiones generalizadas ................................................................................... 17
2.2.3.1.2 Ausencias ............................................................................................................... 17
2.2.3.2
Crisis parciales ............................................................................................................. 17
2.2.3.2.1 Crisis parciales simples .......................................................................................... 17
2.2.3.2.2 Crisis parciales complejas....................................................................................... 18

2.2.4
Tratamiento ......................................................................................................... 18
2.3
GENERALIDADES DEL PRE-PROCESAMIENTO DE EEG ...................................... 20
2.3.1
Cambio de tasa de muestreo .............................................................................. 20
2.3.2
Eliminacin de canales corruptos ....................................................................... 20
2.3.3
Correccin de lnea de base ............................................................................... 20
2.3.4
Extraccin de pocas .......................................................................................... 21
2.3.5
Eliminacin de artefactos .................................................................................... 21
2.3.6
Filtrado de la seal .............................................................................................. 21
2.3.7
Anlisis de componentes independientes (ICA) ................................................. 22
2.3.8
Segmentacin ..................................................................................................... 22
2.4
ESTIMACIN DE LA ACTIVIDAD CEREBRAL .......................................................... 23
2.4.1
Problema inverso ................................................................................................ 23
2.4.2
Solucin del problema inverso ............................................................................ 24
2.4.2.1
2.4.2.2
2.4.2.3
2.4.2.4

Mnima norma (MN) ..................................................................................................... 24

LORETA ....................................................................................................................... 24
LAURA ......................................................................................................................... 25
Mltiples fuentes dispersas (Multiple Sparse Priors).................................................... 25

2.5
HERRAMIENTAS PARA EL PROCESAMIENTO DE SEALES DE EEG ................. 25
2.5.1
EEGlab ................................................................................................................ 25
2.5.2
SPM ..................................................................................................................... 26
2.5.3
Cartool ................................................................................................................. 26
2.5.4
LORETA .............................................................................................................. 26

3 METODOLOGA ........................................................... 28
4 RESULTADOS ............................................................. 31
4.1
DESCRIPCION DE LOS DATOS ................................................................................ 31
4.1.1
Adquisicin de los datos base............................................................................. 31
4.1.2
Adquisicin de los datos para el procesamiento ................................................. 32
4.2
PROCESAMIENTO CON EEGLAB............................................................................. 34
4.2.1
Pre-procesamiento de seales de EEG con EEGLab ........................................ 34
4.2.1.1
4.2.1.2
4.2.1.3

4.2.2

Cargar datos de EEG e informacin de electrodos ...................................................... 34

Filtrar los datos............................................................................................................. 35
Extraccin de pocas y remocin de lnea de base ..................................................... 36

Procesamiento de seales de EEG .................................................................... 37

4.2.2.1
4.2.2.2

Anlisis con ICAs ......................................................................................................... 37

Ubicacin de foco epilptico ........................................................................................ 40

4.2.3
Discusin ............................................................................................................. 43
4.3
PROCESAMIENTO CON LORETA............................................................................. 43
4.3.1
Pasos importantes previos a la ejecucin de la solucin del problema inverso
con el algoritmo LORETA ................................................................................................... 44
4.3.1.1
4.3.1.2
4.3.1.3

Generacin de archivos con los datos ERP ................................................................. 44

Exportacin de ICA a LORETA .................................................................................... 45
Generacin de la matriz de transformacin ................................................................. 45

4.3.2
Solucin del problema inverso con el algoritmo LORETA .................................. 46
4.3.3
Discusin ............................................................................................................. 47
4.4
PROCESAMIENTO CON SPM ................................................................................... 48
4.4.1
Pre-Procesamiento de seales de EEG con SPM .............................................. 48
4.4.2
Solucin del problema inverso con SPM ............................................................ 50
4.4.3
Localizacin de la fuente del foco epilptico ....................................................... 53
4.4.4
Discusin ............................................................................................................. 56
4.5
PROCESAMIENTO CON CARTOOL ......................................................................... 57
4.5.1
Pre-Procesamiento de seales de EEG con Cartool: Segmentacin ................. 57
4.5.2
La matriz de inversin para la solucin del problema inverso ............................ 60
4.5.3
Obtencin del origen del foco epilptico. ............................................................ 60
4.5.4
Discusin ............................................................................................................. 61

5 CONCLUSIONES Y RECOMENDACIONES ............... 64

5.1
5.2

CONCLUSIONES ....................................................................................................... 64
RECOMENDACIONES ............................................................................................... 64

6 BIBLIOGRAFA ............................................................ 66
7 ANEXOS ....................................................................... 69

TABLA DE ILUSTRACIONES
Ilustracin 1. Plan de secuencias del tratamiento de epilepsia con frmacos
antiepilpticos ............................................................................................................. 19
Ilustracin 2. Proceso de adquisicin de datos base ................................................... 31
Ilustracin 3. Imagen 2D con los nombres y la ubicacin ideal de electrodos usados en
la adquisicin de datos base ....................................................................................... 32
Ilustracin 4. Dos trials del set de datos de procesamiento. ........................................ 33
Ilustracin 5. 5 trials y 32 canales del set de datos de procesamiento. ....................... 33
Ilustracin 6. Datos de EEG sin modificaciones. ......................................................... 34
Ilustracin 7. Imagen 3D con los nombres y la ubicacin ideal de electrodos usados en
la adquisicin de datos base ....................................................................................... 35
Ilustracin 8. Datos de EEG filtrados con filtro IIR con frecuencias de corte 1 y 30 Hz 36
Ilustracin 9. Datos de EEG con pocas extradas. Se observan 5 segmentos. ......... 36
Ilustracin 10. Primeros 20 componentes obtenidos. .................................................. 37
Ilustracin 11. 10 componentes que ms aportan a la envolvente de ERP. Rango
graficado -500 a 500, rango de aporte -500 a 500 ...................................................... 38
Ilustracin 12. 10 componentes que ms aportan a la envolvente ERP en el rango
seleccionado. Rango graficado -150, 20, rango de aporte -100,0. .............................. 39
Ilustracin 13. Envolvente de la componente 11 y su respectivo aporte. .................... 39
Ilustracin 14. Envolvente de la componente 40 y u respectivo aporte. ...................... 40
Ilustracin 15. Componentes resultantes de correr un segundo ICA. .......................... 41
Ilustracin 16. Ubicacin de los dipolos correspondientes a los componentes 7 y 15. 42
Ilustracin 17. Proyeccin de los dipolos en las diferentes vistas, varianza residual de
cada componente y sus coordenadas 3D en coordenadas de Talairach. ................... 42
Ilustracin 18. ERP del canal T3 para los datos pre-procesados. ............................... 44
Ilustracin 19. ERP del canal T3 para los datos procesados con ICA. ........................ 45
Ilustracin 20. Solucin del problema inverso en el 30% de la subida de eegGFP, para
los datos de ERP pre-procesados. ............................................................................. 46
Ilustracin 21. Solucin del problema inverso en el 30% de la subida de eegGFP, para
los datos de ERP procesados. .................................................................................... 47
Ilustracin 22. Datos de EEG sin modificaciones en SPM. Ilustracin de dos trials. ... 49
Ilustracin 23. Proyeccin 2D de las coordenadas de electrodos en SPM .................. 50
Ilustracin 24. ERP de los datos de EEG. ................................................................... 51
Ilustracin 25. ERP obtenido al aplicar un filtro pasabanda con frecuencias de corte 130Hz. .......................................................................................................................... 52
Ilustracin 26. Espiga epileptogenica graficada entre -80 y 40 ms. ............................. 53
Ilustracin 27. Solucin del problema inverso en -16 ms obtenido al aplicar el algoritmo
MSP a la ventana de tiempo -23,-3 ms, para los datos pre-procesados y procesados.
................................................................................................................................... 54
Ilustracin 28. Localizacin del origen en diferentes vistas. Localizacin del origen en
modelo 3d cerebral. Mapas de cuero cabelludo observado y predicho. Imgenes
obtenidas en -16 ms. .................................................................................................. 55

Ilustracin 29. Ubicacin 3D de electrodos, Mapa de potencial 3D del mximo de la

espiga, Seal ERP de los datos.................................................................................. 57
Ilustracin 30. Indicadores de calidad de la segmentacin ......................................... 58
Ilustracin 31. Segmentacin de la GFP del ERP, obtenidas de las marcas de la figura
28. La imagen superior e inferior corresponde a la marca del extremo derecho e
izquierdo de la figura 28 respectivamente. .................................................................. 59
Ilustracin 32. Localizacin del origen en modelo 3D de la cabeza, Localizacin del
origen en diferentes vistas. ......................................................................................... 61
Ilustracin 33. Metodologa robusta para la obtencin del origen del foco epilptico .. 62

RESUMEN

La epilepsia es un trastorno que afecta a millones de personas alrededor del mundo,

su tratamiento puede ser farmacolgico o quirrgico y vara dependiendo del caso de
cada paciente. Para el caso quirrgico es necesario conocer el rea del cerebro
responsable de la actividad elctrica excesiva que causa la epilepsia. Los grandes
avances en neuroimgenes de las ltimas dcadas han permitido la deteccin de
lesiones causantes de esta patologa, sin embargo debido a la posibilidad de
presencia de epilepsia no relacionada a lesin cerebral y los altos costos de algunas
tcnicas de neuroimgenes, diversas tcnicas y estudios de electroencefalografa
(EEG) se presentan como herramientas complementarias para la ubicacin del origen
del foco epilptico. Actualmente existen diversas herramientas de procesamiento de
EEG que se usan a nivel acadmico y medico; es de gran importancia conocer la
metodologa, desempeo, ventajas y desventajas de cada herramienta para la
ubicacin del origen del foco epilptico. En este trabajo se realiza una descripcin de
la metodologa empleada para ubicar el origen del foco epilptico y se compara el
desempeo de cuatro herramientas de distribucin libre: EEGLab, SPM, LORETA,
Cartool.

Palabras clave: EEG, EEGLab, SPM, LORETA, Cartool, Epilepsia focal.

INTRODUCCIN

La epilepsia es un trastorno neurolgico que afecta a ms de 50 millones de personas

alrededor del mundo. Este trastorno tiene repercusiones sociales, econmicas y
psicolgicas en las personas que la padecen y sus familias. En el mbito econmico
las repercusiones ms importantes se derivan de la atencin sanitaria, la muerte
prematura y la reduccin de productividad laboral. Aunque en el mbito social sus
efectos varan segn el pas, la discriminacin y prejuicios de los que son objeto los
pacientes con epilepsia conllevan a una estigmatizacin social de la enfermedad.
El tratamiento ms comn de la epilepsia es el tratamiento con frmacos
antiepilpticos (FAEs). Estudios recientes han revelado que hasta en un 70% de
personas diagnosticadas con epilepsia, se pueden controlar con xito las convulsiones
haciendo uso de FAEs. Como ltimo recurso, debido a la no respuesta del tratamiento
con FAEs, se presenta el tratamiento quirrgico de la epilepsia, el cual es quiz el
tratamiento ms subutilizado de todos los probados como efectivos en la medicina y,
que adems es comnmente realizado muy tarde como para que los efectos
psicolgicos y sociales sean reversibles [23].
Gracias a los grandes avances en neuroimgenes de las ltimas dcadas, el uso de
tcnicas avanzadas como la tomografa por emisin de positrones (PET) y la
resonancia magntica (MR) en la remocin quirrgica de lesiones cerebrales
causantes de epilepsia, tienen resultados posoperatorios libres de ataque entre el 6090% de los pacientes. Sin embargo, debido a la posibilidad de presencia de epilepsia
no relacionada con alguna lesin cerebral y los altos costos que conllevan los estudios
como PET y MR, tcnicas y estudios de electroencefalografa (EEG), se presentan
como herramientas complementarias para la ubicacin del origen del foco
epilptico [22,23].
Los estudios de EEG consisten en la medicin de los potenciales elctricos presentes
en el cuero cabelludo causados por la activacin elctrica de las neuronas cerebrales.
Luego, para la ubicacin del origen del foco epilptico del paciente es necesario hallar
el rea del cerebro responsable de la actividad elctrica excesiva que causa la
epilepsia. Este proceso de pasar de la actividad elctrica registrada en el cuero
cabelludo a una solucin espacial de la actividad cerebral que explique la actividad
registrada, es conocido como solucin del problema inverso.
Se han realizado diversos estudios con el fin de determinar la ubicacin del origen del
foco epilptico haciendo uso de software de distribucin libre, que integran los
mtodos ms usados para la solucin del problema inverso. Se ha demostrado que es
posible ubicar el origen del foco epilptico con un buen grado de precisin usando la
tcnica de ubicacin por dipolos [20,21]. Tambin, haciendo uso de mtodos ms
10

avanzados, se logr la ubicacin del origen del foco epilptico en pacientes con
epilepsia de MR negativo (esto es, lesin no visible con MR) [22].
En este trabajo se presenta una metodologa para la ubicacin del origen del foco
epilptico haciendo uso de software de distribucin libre, adems se realizan
comparaciones en las tcnicas usadas en cada programa haciendo nfasis en las
ventajas y desventajas que tiene cada uno frente a sus homlogos. Los
procedimientos usados para el anlisis de cada herramienta se encuentran en los
anexos de este trabajo.

11

1 OBJETIVOS

1.1 OBJETIVO GENERAL

Analizar las herramientas de software SPM, EEGlab, LORETA y Cartool para
procesamiento de seales de electroencefalograma EEG, y proponer una
metodologa para procesar con estas herramientas datos de epilepsia adquiridos con
EEG.
1.2
I.

II.

III.

OBJETIVOS ESPECIFICOS
Estudiar los pasos ms comnmente utilizados para procesar datos de EEG y
comprender cmo implementarlos en las herramientas de software SPM y
EEGlab.
Analizar y determinar, con soporte de un especialista en neurologa, la eficacia
de cada uno de los pasos necesarios para procesar seales de EEG con SPM,
EEGlab, LORETA y Cartool identificando diferencias entre s.
Proponer una metodologa de procesamiento de datos EEG patolgicos de
epilepsia con SPM, EEGlab, LORETA y Cartool; y validar utilizando datos
epilpticos de EEG.

12

2 MARCO TEORICO

2.1

TECNICAS DE MEDIDA DE LA ACTIVIDAD CEREBRAL

El cerebro est conformado por numerosas clulas nerviosas llamadas neuronas. La

funcin de estas clulas consiste en enviar impulsos elctricos que viajan a travs de
innumerables redes neuronales en el cerebro. El resultado final de esta actividad
depende de las cadenas neuronales que se encuentren involucradas en la transmisin
de los impulsos elctricos, por ejemplo si son impulsos provenientes del rea del
cerebro responsable del lenguaje, el resultado es que podemos expresarnos
verbalmente.
En la medicin de la actividad cerebral existen diferentes tcnicas que se pueden
clasificar de acuerdo al objetivo de la medicin o al grado de invasin de la tcnica
aplicada. La calidad de la seal adquirida usualmente es directamente proporcional al
grado de invasin del mtodo usado, ya que se adquiere la informacin ms cerca de
la fuente. Las seales adquiridas con mtodos no invasivos usualmente se ven
afectadas por el crneo. Este atena la seal reduciendo la relacin seal a ruido
(SNR). A continuacin se presentaran algunas tcnicas para la medida de la actividad
cerebral [1].

2.1.1

Imagen por resonancia magntica (MRI)

Tcnica que permite la visualizacin estructural del cerebro. Consiste en la alineacin

de los espines de ciertos tomos que constituyen las molculas que conforman el
cuerpo humano, como el tomo de hidrogeno en una molcula de agua. La alineacin
de estos espines da como resultado un pequeo campo magntico que es detectado
por el resonador magntico. Los resultados obtenidos son luego reconstruidos por un
ordenador [1 ,10].

2.1.1.1 Imagen por resonancia magntica especializada (SMRI)

En algunos casos los MRI incluyen mtodos que dan informacin adicional a los
especialistas. Algunos SMRI se describen a continuacin.

2.1.1.1.1 MRI dinmica (DCE-MRI)

Esta tcnica usa imgenes tomadas antes, durante y despus de la inyeccin de un
agente contrastante. El DCE-MRI da informacin valiosa acerca del flujo de sangre de
un tumor [8].

13

2.1.1.1.2 MRI difusin

En esta tcnica se aplica de manera pulsada un campo magntico durante un tiempo
determinado. Con la aplicacin de un campo magntico en intervalos finitos de tiempo
se puede obtener informacin del grado de dispersin del spin nuclear de los tomos
en el tiempo. Esta tcnica permite obtener informacin de la microestructura de los
tejidos, en especial la direccin de las corrientes en la materia blanca [8].

2.1.1.1.3 MRI espectroscopia (MRS)

El MRS es una herramienta no invasiva para la caracterizacin bioqumica de los
procesos fisiopatolgicos del cerebro. Debido a las altas concentraciones de
hidrogeno presentes en las molculas de agua, en este estudio la supresin de las
seales provenientes de los spin de los tomos de hidrogeno es un paso necesario
para la implementacin de MRS. Un post-procesamiento de los datos permite obtener
las concentraciones de los metabolitos presentes en el tejido cerebral [9].

2.1.1.2 Imagen por resonancia magntica funcional (fMRI)

Tcnica que permite la visualizacin funcional del cerebro mediante la medicin de los
cambios magnticos de ciertas molculas como la hemoglobina, la cual presenta
diferentes respuestas magnticas dependiendo de su grado de oxigenacin [1, 5].
Debido a procesos de estimulacin que producen actividad neuronal se incrementa el
flujo sanguneo local aumentando la oxigenacin en las molculas de hemoglobina
[11].

2.1.2

Magnetoencefalografia (MEG)

Esta tcnica permite obtener mapas funcionales del cerebro y ser organizados
temporal y espacialmente. El MEG usa un arreglo de sensores extremadamente
sensibles a pequeos cambios en los campos magnticos inducidos por el flujo de
corriente elctrica en el cerebro, producida por la activacin de un grupo de neuronas
que se activan en sincrona [7, 11].

2.1.3

Electroencefalografa (EEG)

El EEG permite medir la actividad bioelctrica del cerebro. Esta actividad se debe a la
suma de las respuestas elctricas de por lo menos 10.000 neuronas como respuesta a
diferentes estmulos, y es obtenida por medio de la disposicin de electrodos en
diversos puntos del cuero cabelludo. Esto es, el EEG representa el potencial elctrico
obtenido en sitios discretos del cuero cabelludo que es generado por la actividad de
las fuentes elctricas internas cerebrales. El EEG puede detectar cambios elctricos
en la actividad cerebral del orden de los milisegundos a diferencia de otras tcnicas
14

como el MRI, fMRI o tomografa por emisin de positrones (PET), las cuales adquieren
datos del orden de los segundos y minutos. Por lo anterior trabajos recientes tratan de
combinar el EEG o MEG con tcnicas de visualizacin estructural como MRI, para
mejorar la resolucin espacial de los datos [14, 15].

2.1.3.1 Obtencin del EEG

La actividad bioelectrica puede obtenerse por diversos procedimientos en los que
difieren la ubicacin de los electrodos:

Sobre el cuero cabelludo

En la base del crneo
En cerebro expuesto
En localizaciones profundas dentro del cerebro

Para captar la seal elctrica se usan diferentes tipos de electrodos:

Electrodos superficiales: Se ubican sobre el cuero cabelludo

Electrodos basales: Se aplican sobre la base del crneo sin necesidad de
procedimientos quirrgicos. Estos usualmente se introducen por los orificios
nasales o auditivos.
Electrodos neuroquirurgicos: Para su ubicacin es necesario un
procedimiento quirrgico. Estos pueden ser corticales (sobre la superficie
cerebral) o intracerebrales.

El registro de la actividad elctrica cerebral recibe diferentes nombres dependiendo de

la forma de captacin:

Electroencefalograma: Se denomina electroencefalograma cuando se usan

electrodos de superficie o basales.
Electrocortigrama (EcoG): Cuando se hace uso de electrodos
neuroquirurgicos corticales.
Estreo-electroencefalograma (E-EEG): Cuando se hace uso de
electrodos intracraneales.

De las tcnicas descritas anteriormente el electroencefalograma es la ms usada en

los estudios clnicos y acadmicos, esto debido a los bajos costes que requiere el
estudio y su bajo grado de invasin con el sujeto estudiado.
En adelante denominaremos EEG al electroencefalograma que hace uso de
electrodos superficiales ubicados en el cuero cabelludo.

2.2

EPILEPSIA

La epilepsia es un trastorno cerebral crnico que se caracteriza por ocasionar

convulsiones repetitivas e impredecibles llamadas crisis epilpticas. Estas crisis, sin
importar cul sea su tipo, son siempre causadas por una transmisin excesiva de
impulsos elctricos anormales, que se caracterizan por ser producidas por la
sincronizacin de un grupo de neuronas o incluso todas las neuronas del cerebro [16].
15

2.2.1 Cmo se genera y posibles causas

La epilepsia afecta entre el 0.5% y el 2% de la poblacin en general y puede aparecer
en cualquier edad. Esta puede deberse a un traumatismo craneoenceflico o a una
lesin en la estructura cerebral. Tambin la epilepsia puede aparecer de forma
idioptica (Causa desconocida) en personas que no han presentado antecedentes de
trastornos neurolgicos u otra afeccin neurolgica. Dentro de las causas ms
comunes que generan epilepsia se encuentran:

2.2.2

Accidente cerebrovascular.
Demencia, o patologas como el Alzheimer.
Lesin cerebral
Infecciones, como absceso cerebral, meningitis, encefalitis y SIDA.
Problemas cerebrales presentes al nacer (anomala cerebral congnita).
Trastornos metablicos presentes al nacer (fenilcetonuria).
Tumor cerebral.
Vasos sanguneos anormales en el cerebro.
Enfermedades que amenacen el tejido cerebral.
Uso de determinados medicamentos como antidepresivos, Tramadol,
cocana, anfetaminas.
Diagnstico:

El diagnstico de la epilepsia se establece luego de una revisin minuciosa de la

historia clnica del paciente y algunas pruebas complementarias como pruebas de
sangre, EEG y MRI.

La historia clnica: es la parte fundamental del diagnstico de la epilepsia.

Esta contiene todo tipo de detalles de las crisis descritas por el paciente y los
observadores presentes en el momento de las crisis. Entre esta informacin
se encuentran datos sobre la circunstancia, la prdida del estado de
conciencia, la aparicin de cambios motores, sensitivos o sensoriales
durante la crisis epilptica.

Pruebas de sangre: Es un procedimiento bsico en el diagnstico de

cualquier enfermedad que se realiza para descartar otro tipo de patologas.

EEG: Se registra la actividad elctrica neuronal para la identificacin de

ondas epileptiformes. A menudo se combina el EEG estndar con una
grabacin simultnea de video del paciente para documentar el
comportamiento del paciente, a lo que se denomina Video-EEG.

MRI: Se obtiene una imagen estructural del cerebro con el objetivo de

detectar posibles lesiones causantes de las crisis epilpticas.

Con toda la informacin recopilada con las diferentes pruebas anteriormente

mencionadas es posible determinar el tipo de epilepsia y en algunos casos la causa de
las crisis.
16

2.2.3

Tipos de epilepsia

Las crisis epilpticas se dividen en los siguientes grupos:

2.2.3.1 Crisis generalizadas

El origen de las crisis generalizadas radica en la presencia de impulsos anormales que
se originan en el rea central del encfalo y se extienden hasta la corteza cerebral. Se
han identificado las siguientes crisis generalizadas:

2.2.3.1.1 Convulsiones generalizadas

En este tipo de crisis las personas caen al suelo sin ningn tipo de advertencia. Luego
de caer al suelo, en el comienzo de la crisis, la respiracin se detiene y los brazos y
piernas se tornan rgidos, luego de lo cual comienzan a convulsionar. Finalizando la
crisis la persona permanece quieta, a menudo con el rostro azul debido a la falta de
oxgeno, hasta que la respiracin se reanuda y la persona entra a un estado de sueo
profundo.

2.2.3.1.2 Ausencias
Ocurre en varios tipos de epilepsia infantil y raramente en adultos. Esta consiste en
perdida de la conciencia sin advertencia en breves periodos de tiempo durante los
cuales el nio se encuentra temporalmente desconectado. En la mayora de los casos
los intervalos de ausencias son tan breves que se conserva la tensin muscular, pero
en intervalos ms largos a veces puede perderse la tensin en un brazo o el cuerpo, y
el nio puede caer al piso.

2.2.3.2 Crisis parciales

Estas crisis son causadas por descargas anormales en un rea focalizada del cerebro.
Los sntomas de estas crisis dependen en gran medida del rea del cerebro donde se
origine la crisis. Se han identificado los siguientes tipos de crisis parciales:

2.2.3.2.1 Crisis parciales simples

Estas se definen como crisis causadas por descargas anormales focalizadas que no
afectan la conciencia del individuo pero pueden evolucionar a crisis complejas si se
altera la conciencia. Cuando este tipo de crisis comienza, la persona experimenta una
advertencia de que ha comenzado la crisis. Los sntomas que conlleva la crisis parcial
simple dependen del rea donde se focalice los impulsos anormales. Si se focaliza en
el rea que controla la funcin motora del cuerpo, se pueden observar como sntomas,
movimientos involuntarios en el rostro, brazos y piernas.
17

2.2.3.2.2 Crisis parciales complejas

Las crisis parciales complejas se producen por una descarga focalizada de impulsos
anormales que inducen una prdida de la conciencia. Normalmente se encuentran
focalizadas en los lbulos temporales. Esta crisis se caracteriza por la presencia de
automatismo, el cual consiste en movimientos automticos donde la persona puede
manipular sin conciencia cosas que lo rodean. Durante crisis prolongadas las personas
con automatismo, pueden incluso llevar a cabo tareas complicadas y con propsito y
luego no tener ninguna memoria de haberlo realizado.

2.2.4

Tratamiento

El tratamiento derivado del diagnstico de la epilepsia varia conforme a los sntomas y

caractersticas de las crisis epilpticas, adems debe considerar diversos factores
provenientes de las caractersticas propias de cada paciente como la edad y el cuadro
clnico. La Ilustracin 1 presenta el plan de secuencias del tratamiento de epilepsia con
frmacos antiepilpticos (FAEs).
Debido a la importancia del EEG como herramienta de apoyo en el diagnstico de la
epilepsia y en la ubicacin del foco epilptico para el tratamiento quirrgico, a
continuacin mencionaremos algunos puntos clave en el pre-procesamiento de las
seales de EEG.

18

Diagnostico de la
epilepsia
- Prevenir factores precipitantes
- Informar al paciente sobre el tratamiento
Monoterapia con FAE de
primera eleccin
Persisten las crisis
- Reconsiderar el diagnostico
- Considerar lesion estructural
(TC o RM)
- Aadir segundo FAE
- Retirar gradualmente el primer FAE

Persisten las crisis

- Aadir tercer FAE

- intentar mantener en monoterapia

Persisten las crisis

Combinar 2 FAEs de
primer nivel

Persisten las crisis

Mantener el FAE mas eficaz y aadir

un FAE de segunda eleccion

No

Persisten las crisis

si

Reintentar
monoterapia

-Valorar el empleo de nuevos FAEs

- Considerar tratamiento quirurgico

Ilustracin 1. Plan de secuencias del tratamiento de epilepsia con frmacos

antiepilpticos

19

2.3

GENERALIDADES DEL PRE-PROCESAMIENTO DE EEG

En este apartado es necesario tener en cuenta que, con los avances de la tecnologa
en sistemas de procesamiento, conversin A/D, pantallas de alta resolucin, entre
otros, el almacenamiento, visualizacin y tratamiento de las seales de EEG se
realizan en la actualidad en forma digital.

2.3.1

Cambio de tasa de muestreo

La teora del procesamiento digital de seales nos indica que para digitalizar una seal
analgica como las seales de electroencefalografa, es necesario tomar muestras de
la seal espaciadas por un tiempo , que luego se cuantizan para obtener una seal
digital. Segn el teorema de Nyquist, la frecuencia de muestreo debe ser como mnimo
dos veces la frecuencia mxima (max ) presente en la seal, eso quiere decir:
= 1(2 max )
Los electroencefalgrafos presentes actualmente en el mercado tienen una frecuencia
de muestreo que oscila entre los 128 10.000 Hz. El objetivo de adquirir una
frecuencia alta es en la mayora de los casos obtener una mayor resolucin o fidelidad
de la seal de EEG original, con la desventaja de requerir mayor espacio de
almacenamiento y un mayor tiempo para el procesamiento de los datos. Para evitar
esta desventaja un procedimiento importante para el pre-procesamiento de la seal de
EEG es el cambio de la tasa de muestreo. La finalidad de este procedimiento es
obtener una seal que represente en el espectro de frecuencias la seal original sin
perder informacin visual importante para la observacin y diagnostico por parte de un
especialista. Tpicamente se escogen tasas de muestreo que oscilan entre los 100
500 Hz

2.3.2

Eliminacin de canales corruptos

Para la obtencin de seales de EEG es necesaria la ubicacin de electrodos sobre el

cuero cabelludo (Ver seccin 2.1.3). En la prctica, la ubicacin de los electrodos es
un procedimiento delicado ya que se deben tener en cuenta diversos factores como la
impedancia de conexin y la ubicacin adecuada del electrodo. Sin embargo, a pesar
de los esfuerzos de los tcnicos y especialistas de EEG, en algunos estudios se
presentan canales que se encuentran desconectados o fallan en medio del
procedimiento. Debido a que estos tipos de canales no llevan informacin valiosa
alguna para el estudio, se elimina la seal adquirida de este canal y se procede a
realizar un proceso de interpolacin entre las seales de los canales adyacentes para
remplazar la seal del canal con fallas. Esta interpolacin es un promedio ponderado
de las seales de los canales adyacentes.
2.3.3

Correccin de lnea de base

Los estudios que usan el EEG para el diagnstico y anlisis de la epilepsia,

usualmente registran la actividad cerebral por largos periodos de tiempo. Los
20

especialistas analizan la actividad registrada y por inspeccin visual extraen aquellos

segmentos de tiempo en donde la actividad epilptica es evidente, obteniendo al final
una seal con todos los segmentos ms tiles de la seal original. Es usual que los
lmites de segmentos adyacentes tengan diferentes valores lo cual se evidencia como
saltos fuertes en la seal segmentada. Este tipo de saltos en la seal son un grave
problema para el procesamiento de la seal de EEG, especialmente si el objetivo del
estudio es la obtencin del foco epilptico, ya que los saltos pueden dar como
resultado focos inexistentes y desvirtuar todo el estudio. La remocin de lnea de base
elimina las diferencias de nivel DC entre cada segmento, solucionando el problema
anteriormente descrito.

2.3.4

Extraccin de pocas

En los estudios con EEG, como se explic en la seccin 2.3.3, los especialistas usan
la extraccin de pocas para seleccionar aquellos segmentos ms tiles de la
informacin original, con el objetivo de eliminar los largos espacios entre segmentos
importantes de informacin. Cada segmento extrado de la seal original es llamado
trial o ensayo.

2.3.5

Eliminacin de artefactos

En la prctica las seales de EEG no solo contienen seales provenientes de la

actividad elctrica neuronal, estas se encuentran contaminadas por una gran variedad
de seales elctricas provenientes de otras fuentes como el movimiento de los ojos,
los msculos o el corazn. Este tipo de seales son conocidas como artefactos. Existe
una gran variedad de tcnicas para la eliminacin de artefactos, que van desde la
inspeccin visual, hasta el uso de algoritmos parametrizables. La eliminacin de
artefactos es un paso necesario en el pre-procesamiento de la seal de EEG debido a
que la no remocin de las seales artefactos puede llevar a obtener resultados no
fiables del estudio.

2.3.6

Filtrado de la seal

El espectro de frecuencia de las seales de EEG se encuentra entre 1-80 Hz y se

considera que las seales >30 Hz no son de inters clnico ni psicolgico [17]. En la
seccin 2.3.5, se explic que las seales de EEG contienen una gran variedad de
seales detectadas e inducidas en los electrodos. Los artefactos y seales
provenientes de fuentes externas como dispositivos electrnicos, red de suministro
elctrica, entre otros, son seales que se inducen y son registradas en el estudio de
EEG. El ancho de banda de la seal original puede ser delimitado usando un filtro
pasa banda con frecuencias de corte 1 y 30 Hz, con el objetivo de eliminar las
frecuencias por fuera de esta banda, obteniendo una seal ms confiable para el
estudio.

21

2.3.7

Anlisis de componentes independientes (ICA)

El anlisis de componentes independientes, ms conocido como ICA por sus siglas en

ingls (Independent Component Analisis), ha recibido mucha atencin debido a su
xito para la recuperacin de seales originales a partir de seales mezcladas
(problema inverso mal condicionado). El objetivo de ICA es obtener, a partir de la
reduccin de las dependencias estadsticas de las seales adquiridas, nuevas seales
independientes en varianza. Una aplicacin de los ICA, es en el procesamiento de
seales de EEG, donde es usada para la correccin de los datos registrados, ya que
permite la separacin y remocin de una gran variedad de artefactos de las seales. El
mtodo de correccin de artefactos basado en ICA toma como premisas las siguientes
suposiciones:

Los datos de EEG obtenidos en el cuero cabelludo es una mezcla de la

actividad de las fuentes cerebrales y de artefactos, temporalmente
independientes.
La suma de los potenciales provenientes de diferentes partes del cuerpo,
cerebro y cuero cabelludo, es lineal en el electrodo.
Los retrasos de propagacin desde las fuentes hasta los electrodos son
insignificantes.

ICA descompone las seales originales de EEG y entrega nuevas seales que
corresponden a las componentes independientes de las seales originales. Con estas
ltimas un personal entrenado es capaz de identificar y eliminar aquellas componentes
que agregan distorsin a la seal original, para luego reconstruir la seal de EEG a
partir de las componentes independientes que no hayan sido eliminadas. El resultado
final obtenido luego de este procedimiento es un set de datos ms limpio de artefactos.

2.3.8

Segmentacin

La segmentacin en micro-estados es un proceso en el que se busca hallar periodos

de estabilidad en los mapas de potencial obtenidos de la actividad elctrica registrada
en los electrodos. Los datos de EEG son segmentados en el tiempo dependiendo de la
estabilidad de los mapas, dando como resultado un nmero de mapas de potencial
finitos que representan de la mejor manera su segmento de origen. El proceso de
segmentacin involucra las siguientes actividades:

Agrupacin matemtica: Actividad encargada de la agrupacin de los mapas

de potencial de los datos de EEG. Se usan algoritmos como K-means
clustering y agrupamiento aglomerativo (T-AAHC).
Post-procesamiento temporal: Esta actividad se encarga y de seleccionar
aquellos mapas que mejor representan cada segmento obtenido y eliminar
pequeos segmentos que no cumplen un umbral de tamao.
Generacin de medidas de calidad: Son indicadores que permiten la eleccin
de la mejor segmentacin de los datos.

22

2.4

ESTIMACIN DE LA ACTIVIDAD CEREBRAL

La reconstruccin de la actividad elctrica registrada por los electrodos ubicados en el

cuero cabelludo, es un campo de investigacin amplio en la actualidad. El objetivo de
la reconstruccin, es estimar espaciotemporalmente las fuentes electromagnticas
internas del cerebro que expliquen de manera eficiente la actividad elctrica registrada
en el EEG. Esta estimacin de las fuentes es muy til en la epilepsia, especialmente
cuando se trata de crisis parciales, ya que la estimacin de la ubicacin espacial de las
fuentes causantes de las crisis epilpticas, abre posibilidades para el tratamiento
quirrgico de los pacientes. La ubicacin de las fuentes en el cerebro que generan las
crisis epilpticas se obtiene del anlisis de diferentes estudios que se ponderan para
validar un resultado final de la ubicacin de los focos epilpticos. Algunos estudios
son:

Estudio neuropsicolgico (NPS, Neuro neuropsychological study):

Pretende obtener por medio de la observacin de los sntomas de las crisis
epilpticas que reas del cerebro estn involucradas.
EEG: Por medio de la solucin del problema inverso se busca encontrar las
fuentes elctricas que expliquen la actividad elctrica registrada en los
electrodos.
RM: Busca daos estructurales cerebrales que puedan explicar las crisis
epilpticas.
MEG: Por medio de la solucin del problema inverso, busca encontrar las
fuentes electromagnticas que explican la actividad magntica registrada en
los sensores.

Ningn estudio de los mencionados anteriormente concluye por si solo la ubicacin de

los focos epilpticos. Cada uno brinda informacin importante y complementaria para
obtener un anlisis final y validar la posibilidad de un procedimiento quirrgico.
A continuacin se profundizar un poco ms en los conceptos de la estimacin de la
actividad intracraneal usando las tcnicas EEG y MEG.

2.4.1

Problema inverso

El objetivo de la solucin a este problema (aparece en muchas ramas del

conocimiento), es el de obtener algunos parmetros del modelo a partir de los datos
observados. Desde el punto de vista de los EEG y MEG, el objetivo es asignar a cada
rea del cerebro un estimado temporal de la actividad electromagntica que explique
de mejor manera las seales elctricas o magnticas (EEG o MEG) registradas por los
electrodos. El problema inverso se caracteriza por ser un problema que no tiene una
nica solucin, esto quiere decir, que es posible obtener infinitas distribuciones de
corrientes elctricas que son compatibles con los registros de los electrodos. Por lo
tanto, en la prctica clnica se requiere de informacin suplementaria a priori para que
el problema inverso pueda ser unvocamente resuelto. La precisin de la solucin
depende en gran medida de los siguientes factores:

Modelo de la cabeza: Modelo en 3D de la cabeza del paciente, se puede

obtener por medio de sMRI, aunque para algunos experimentos que no
requieren mucha precisin se suele usar un modelo estandarizado de la
23

cabeza humana, principalmente debido a los altos costes en los que se

incurre al obtener una sMRI para cada paciente.

2.4.2

Cantidad y distribucin de los electrodos: No existe una norma en la que

se especifique la cantidad de electrodos necesarios para obtener una mejor
precisin en la solucin del problema inverso. Aunque tericamente la
cantidad de electrodos necesarios para aumentar la resolucin
espaciotemporal se encuentra entre 100 y 200, estudios recientes
demuestran que la precisin de las fuentes aumenta con 30 a 60 electrodos,
con pocos cambios entre 60 y 120.

Ruido EEG: Este puede ser instrumental o biolgico (ver 2.3.5. Eliminacin
de artefactos y 2.3.6. Filtrado de la seal) [15].

Solucin del problema inverso

A continuacin se presentarn algunos mtodos para la solucin del problema inverso

EEG.

2.4.2.1 Mnima norma (MN)

El mtodo de la mnima norma estima la distribucin de fuentes electromagnticas del
cerebro sin necesidad de informacin a priori sobre estas ltimas, nicamente se
asume como restriccin que la distribucin de las corrientes en el espacio intracraneal
debe tener un mnimo de intensidad global. Por esta razn el mtodo MN arroja una
nica solucin, aquella que se ajuste a la restriccin de mnima intensidad global de
corrientes y que explique los datos obtenidos por los electrodos. El problema de este
mtodo es que no existen pruebas de que la intensidad global de corrientes debe ser
mnima. Esto quiere decir que el mtodo no favorece aquellas soluciones que dan
como resultado fuertes activaciones de grandes regiones dentro del cerebro. Como
conclusin, el mtodo MN favorece fuentes superficiales porque requieren menos
energa y puede proyectar incorrectamente fuentes profundas [18].

2.4.2.2 LORETA
Este mtodo es el resultado de agregar una restriccin conocida como mnima norma
del Laplaciano ponderado al mtodo de la mnima norma ponderada (WMN). Esta
restriccin est basada en la idea de una mayor probabilidad de sincronizacin de las
poblaciones de neuronas vecinas a la actividad, durante una descarga espontanea o
una respuesta neuronal inducida [15]. Una de las caractersticas principales de este
mtodo es la baja resolucin espacial, debido al suavizado propio del Laplaciano. Por
esta razn, LORETA provee imgenes de la ubicacin de la mxima actividad con un
cierto grado de dispersin, que se explican cmo manchas borrosas (suaves)
posicionadas en la ubicacin de la fuente. Es importante agregar que se debe tener
cuidado con la suposicin de que las reas vecinas a la actividad estn
24

correlacionadas, esto debido a que anatmicamente reas con funciones muy distintas
pueden encontrarse muy cercanas.

2.4.2.3 LAURA
Promedio local auto regresivo o conocido por sus siglas en ingles LAURA (local
autoregresive average). Esta solucin inversa propone la insercin de restricciones
biofsicas en el algoritmo de MN. Estas leyes biofsicas regidas por las leyes de
Maxwell anuncian que la fuerza ejercida por las fuentes, decrecen exponencialmente
con el aumento de la distancia. Este mtodo asume que la actividad elctrica
intracraneal decrecer en la medida que te alejes de la fuente. LAURA integra estas
leyes en el modelo auto regresivo, usando coeficientes que dependen de la distancia
entre los puntos del espacio. Este promedio auto regresivo determina la actividad en
cada punto del espacio que no puede ser estimado nicamente de los datos, por esto
la actividad en cada punto se ve influenciado por las leyes biofsicas impuestas y la
contribucin de los registros de los electrodos.

2.4.2.4 Mltiples fuentes dispersas (Multiple Sparse Priors)

Este mtodo se basa en el anlisis emprico bayesiano en donde las restricciones
impuestas son estimadas de observaciones realizadas al comportamiento de la
actividad elctrica neuronal y los datos de EEG. Los modelos empricos paramtricos
bayesianos (Parametric Emprirical Bayes, PEB), son modelos lineales jerrquicos
parametrizados. En el contexto del anlisis de la EEG, los parmetros de este modelo,
corresponden a la actividad elctrica de fuentes intracraneales desconocidas, y los
antecedentes (Priors) corresponden a restricciones variables espacialmente y que los
parmetros pueden ponderar. PEB permite acomodar mltiples antecedentes
distribuidos espacialmente y proveer una reconstruccin ms precisa y eficiente, ya
que estas restricciones introducen informacin ms detallada de las caractersticas
anatmicas y funcionales del cerebro. Las restricciones provienen de observaciones
del comportamiento de las corrientes neuronales, la naturaleza dispersa de las fuentes
y restricciones espacio temporales [18.19].

2.5
2.5.1

HERRAMIENTAS PARA EL PROCESAMIENTO DE SEALES DE EEG

EEGlab

Es un toolbox implementado en MATLAB para el procesamiento de datos de EEG,

MEG y otros datos electrofisiolgicos. EEGlab provee una interfaz que le permite al
usuario flexibilidad y un alto grado de interaccin en el manejo de altos volmenes de
datos y en las herramientas que ofrece, entre las que se encuentran ICA, anlisis
tiempo/ frecuencia, remocin de artefactos entre otros. Este toolbox es una
herramienta libre y sin costo que se puede descargar desde la pgina web de SCCN
(http://sccn.ucsd.edu/eeglab/).

25

2.5.2

SPM

Nace de la necesidad de hacer inferencias sobre la respuesta del cerebro sin conocer
dnde estas respuestas se expresaron, analizando datos de diversos mtodos
electrofisiolgicos. SPM es un paquete de software para MATLAB que usa entre otros
mtodos, tcnicas estadsticas para el anlisis de los datos obtenidos. Esta es una
herramienta libre y son costo y se puede descargar desde la pgina web de University
College London (http://www.fil.ion.ucl.ac.uk/spm/).

2.5.3

Cartool

Es una herramienta de software para el tratamiento de datos de EEG y la solucin del

problema inverso. Provee algunas herramientas para el anlisis de potenciales
evocados (ERPs), visualizacin 2D y 3D de los mapas de potencial y solucin inversa.
Una de las bondades de esta herramienta es que no requiere de software adicional
como Matlab para ser ejecutado. El acceso no tiene ningn costo y se encuentra
disponible en la web (https://sites.google.com/site/fbmlab/home).

2.5.4

LORETA

Es un software para la estimacin de la actividad elctrica neuronal y para la solucin

del problema inverso. Los mtodos que usa este software para el anlisis de los datos
de EEG son LORETA,
standardized LORETA (sLORETA) y exact LORETA
(eLORETA). Una de las bondades de esta herramienta es que no requiere de software
adicional como Matlab para ser ejecutado. El acceso no tiene ningn costo y se
encuentra disponible en la web (http://www.uzh.ch/keyinst/loreta.htm).

26

27

3 Metodologa

En esta seccin se describir cada una de las actividades que se desarrollaron con el
fin de alcanzar los objetivos planteados:
I.

Treinta visitas, 1 semanal al neurlogo Dr. Camilo Borrego en el Centro de

Investigaciones Mdicas de Antioquia (CIMA), con el objetivo de aprender el
procedimiento usado para el pre-procesamiento de seales de EEG epilpticas
con EEGLAB, LORETA y Cartool.
Las visitas se realizaron los lunes de cada semana al consultorio del doctor
Camilo Borrego en el CIMA. En cada sesin se trabaj durante 1 hora en la
estructuracin y documentacin de los procedimientos usados para el preprocesamiento y procesamiento de seales de EEG epilpticas con las
herramientas EEGlab, LORETA y Cartool.

II.

Preparacin de bases de datos de EEG proporcionados por el doctor Camilo

Borrego.
Los datos proporcionados por el doctor Camilo Borrego, son datos de EEG de
pacientes reales que fueron entregados en formato ASCII para ser usados en el
desarrollo de este trabajo. Estos fueron adaptados del formato de texto plano a
cada uno de los formatos de cada herramienta de pre-procesamiento, para
luego iniciar el estudio de la herramienta.

III.

Con el apoyo del Doctor Camilo Borrego, implementacin de comparaciones

entre los procedimientos usados en EEGlab, SPM, LORETA y Cartool (con
datos reales) con el objetivo de encontrar diferencias y bondades de cada una
de las herramientas.
Usando los datos reales proporcionados por el Doctor Camilo Borrego, se
estudiaron los procedimientos por l desarrollados durante sus aos de
experiencia en el procesamiento de seales de EEG epilpticas con las
herramientas EEGlab, LORETA y Cartool, prestando especial nfasis en las
diferencias y bondades de cada una. Se document el proceso y las
observaciones realizadas por el doctor frente a cada herramienta. Adems, se
desarroll en conjunto una metodologa de trabajo con la herramienta SPM que
se acomodara a las necesidades del tratamiento de seales de EEG epilpticas,
con el objetivo de tener una nueva herramienta para la comparacin de
resultados.

IV.

Escribir protocolos de implementacin de las herramientas de EEGlab, SPM,

LORETA y Cartool para el pre-procesamiento de EEG epilpticas, conforme se
hacen efectivas las reuniones con el doctor Camilo Borrego en el CIMA y el
asesor de tesis.

V.

Validacin de los protocolos desarrollados usando bases de datos de EEG

proporcionados por el doctor Camilo Borrego.

28

Durante el desarrollo del presente trabajo se usaron datos reales

proporcionados por el Doctor para el estudio de las herramientas de
procesamiento de EEG mencionadas. Los Protocolos descritos en este trabajo
para el anlisis de seales de EEG epilpticas han sido validados y
corroborados por el Doctor camilo Borrego.
VI.

Seguir los demos recomendados por los desarrolladores de SPM con el objetivo
del aprendizaje en el uso de la herramienta y la bsqueda de su posterior
aplicacin en el anlisis de EEG epilpticas.
Con el objetivo de ofrecerle al doctor Camilo Borrego una nueva herramienta
para el anlisis de seales de EEG epilpticas, se realiz el estudio de la
herramienta SPM usando los demos y tutoriales disponibles en la WEB, para
una posterior implementacin de la herramienta y desarrollo de una
metodologa en conjunto.

29

30

4 RESULTADOS

4.1

DESCRIPCION DE LOS DATOS

Los datos entregados por el Doctor Camilo Borrego para el desarrollo de este trabajo,
corresponden al registro de las seales de EEG de un paciente al que se le ha
diagnosticado epilepsia. A continuacin se describir de forma breve el proceso con el
que se adquiri el set de datos listo para el procesamiento con las herramientas de
software.

4.1.1

Adquisicin de los datos base

Los datos base corresponden a la informacin adquirida y almacenada en un

ordenador luego de ejecutar el estudio completo de EEG, lo cual puede tomar horas e
incluso das de registro de la actividad elctrica cerebral del paciente y que no han
sufrido ningn tipo de alteracin previa por parte del doctor o de alguna herramienta de
software. El proceso de adquisicin de los datos base se muestra en la
Ilustracin 2.

Seal anloga amplificada

Amplificador
Neuroscan 64
canales

A/D National
instruments

Ilustracin 2. Proceso de adquisicin de datos base

Las seales anlogas fueron obtenidas por medio de un arreglo de 64 electrodos

ubicados en el cuero cabelludo (ver Ilustracin 3) que luego fueron amplificadas con
un sistema de amplificacin Neurodata modelo 15 de 64 canales fabricado por Grass
Telefactor. La seal amplificada luego fue digitalizada por un sistema de conversin
31

A/D (Analogico a digital) de National Instruments de 64 canales, modelo 6071 con una
frecuencia de muestreo de 256 Hz y una resolucin de 12 bits. Los datos resultantes
fueron almacenados en formato ASCII en texto plano para facilitar el tratamiento de los
datos.

Ilustracin 3. Imagen 2D con los nombres y la ubicacin ideal de electrodos usados en la

adquisicin de datos base

4.1.2

Adquisicin de los datos para el procesamiento

Los datos listos para el procesamiento son obtenidos luego de un proceso de

inspeccin visual por parte del Doctor Camilo Borrego. En este proceso el doctor
inspecciona el registro de datos completo del estudio de EEG, en busca de ondas
epileptognicas o espigas epilpticas que sean de su inters y que harn parte de los
datos de procesamiento. Cada vez que por inspeccin visual se identifica una espiga
interesante, se extraen 500 ms del registro de todos los canales en sentido negativo y
positivo a partir del punto mximo de la espiga identificada; este segmento de tiempo
corresponde a un ensayo o trial que formar parte del conjunto de ensayos que al

32

unirse conformaran el set de datos de procesamiento. En la Ilustracin 4 se observan

2 Trials para algunos canales del set de datos de procesamiento.

Ilustracin 4. Dos trials del set de datos de procesamiento.

Es de vital importancia tener presente que la inspeccin visual nicamente se realiza

sobre un solo canal (de libre eleccin) y no sobre todos los canales del EEG. Esto
quiere decir que la extraccin de trials depender de las espigas identificadas en el
canal seleccionado. La razn de esto, es la de mantener constante el mismo punto de
referencia en la seleccin de espigas para no desvirtuar el resultado final del anlisis
de los datos. En la Ilustracin 5 se observan 5 trials extrados y unidos que
corresponden a 5 segundos del set de datos de procesamiento para 32 canales.

33

Ilustracin 5. 5 trials y 32 canales del set de datos de procesamiento.

Los datos de procesamiento entregados por el doctor Camilo Borrego para el
desarrollo de este trabajo son datos de EEG adquiridos con 64 canales a 256 Hz y con
99 trials de un segundo previamente seleccionadas.

4.2

PROCESAMIENTO CON EEGLAB

En esta seccin se presentaran de forma ilustrativa los principales pasos para el

procesamiento de seales de EEG epilpticas con EEGlab, con el objetivo de obtener
el foco epilptico del paciente. Para el seguimiento de esta actividad se recomienda
referenciarse al anexo A: Protocolo para procesamiento de seales de EEG epilpticas
con EEGlab para la obtencin del foco epilptico. Este protocolo fue construido como
resultado del desarrollo de este trabajo.

4.2.1

Pre-procesamiento de seales de EEG con EEGLab

4.2.1.1 Cargar datos de EEG e informacin de electrodos

En la Ilustracin 3, Ilustracin 6 e Ilustracin 7 se puede observar el resultado de
cargar los datos listos para procesamiento junto con la informacin de posicin de los
electrodos en la herramienta EEGLab.

Ilustracin 6. Datos de EEG sin modificaciones.

34

En la Ilustracin 6 se pueden identificar las marcas de punto mximo de potencial de

espiga y final de trial etiquetadas con los nmeros 1 y 2 respectivamente. Estas
marcas son llamadas puntos de evento que son tiles para etiquetar puntos relevantes
en el set de datos. Estas son el resultado del pre-procesamiento de los datos base
ejecutado por el especialista y son tiles cuando es necesario la extraccin de pocas
descrita en la seccin 2.3.4.

Ilustracin 7. Imagen 3D con los nombres y la ubicacin ideal de electrodos

usados en la adquisicin de datos base

4.2.1.2 Filtrar los datos

Los datos de EEG cargados a la herramienta de EEGlab mostrados en la Ilustracin 5,
pasan por un filtro IIR pasabanda con frecuencias de corte 1 y 30 Hz. Las razones de
este procedimiento se encuentran en la seccin 2.3.6. En la Ilustracin 8 se puede
observar como este procedimiento suaviza la seal original.

35

Ilustracin 8. Datos de EEG filtrados con filtro IIR con frecuencias de corte 1 y 30 Hz

4.2.1.3 Extraccin de pocas y remocin de lnea de base

La Ilustracin 9 muestra el resultado de la extraccin de pocas y remocin de lnea
de base de los datos de EEG filtrados.

Ilustracin 9. Datos de EEG con pocas extradas. Se observan 5 segmentos.

36

Los segmentos extrados (pocas o trials) tienen una duracin de 1 segundo con
origen (tiempo igual a cero) en la marca 2 correspondiente al punto mximo de la
espiga epileptognica. La extraccin de pocas es un paso vital en el preprocesamiento de las seales de EEG debido a que habilita la depuracin de la seal,
por medio de la eliminacin de trials identificados como defectuosos e ICA. La
eliminacin de los trials es un paso importante para la depuracin del set de datos y la
obtencin final de resultados confiables. Este requiere que sea realizado por un
especialista entrenado en la identificacin de artefactos y seales defectuosas de los
datos de EEG y su explicacin se sale del alcance de este trabajo.
Hasta este punto llega el pre-procesamiento de seales de EEG.

4.2.2

Procesamiento de seales de EEG

4.2.2.1 Anlisis con ICAs

EEGlab permite ejecutar diferentes algoritmos para la obtencin de las componentes
independientes. Entre los ms conocidos se encuentran INFOMAX (llamado RunICA
en EEGlab), FastICA y JADE (Jader en EEGlab). Los desarrolladores de EEGlab
recomiendan el uso de RunICA debido a que entrega componentes estables incluso
cuando hay una gran cantidad de canales. Sin embargo, se debe cumplir como regla
general para obtener componentes estables, asegurar ms de 3 2 puntos por
canal (donde es el nmero de canales). En el anexo A punto 13 se describe el
procedimiento para obtener los ICAs de los datos de EEG pre-procesados. En la
Ilustracin 10 se pueden observar las primeras 20 componentes de los 64 obtenidos
luego de correr el algoritmo RunICA.

Ilustracin 10. Primeros 20 componentes obtenidos.

37

EEGlab grafica las componentes obtenidas en orden de importancia estadstica,

siendo la grfica de la esquina superior izquierda de la Ilustracin 10 las ms
importante y la de la esquina inferior derecha la menos importante.
Se prestara especial atencin al anlisis de las componentes obtenidas para localizar
el foco epilptico del paciente. Para esto se analizara el espacio de tiempo (-100, 0) de
las componentes obtenidas y se extraer aquellas que tengan una activacin
importante dentro de estos lmites. En este segmento de tiempo anterior al pico
epileptogenico se encuentra el origen del foco epilptico y en la mayora de los casos
se ubica entre el 30 y 50% de la subida del campo de potencia global (GFP por sus
siglas en ingles de Global Field Power) esto es aproximado al 30-50% de la subida del
mayor pico [20, 21]. De la Ilustracin 10 se puede concluir, segn el anterior criterio,
que algunas componentes con activacin considerable en este rango de tiempo son
las componentes 1, 2, 3, 4, 5, 7, 8, 9, 10, 16.
Adems de la visualizacin de las componentes en forma matricial como se muestra
en la Ilustracin 10, EEGlab pone a disposicin una herramienta para visualizar
aquellas componentes que mayor aportan a la envolvente ERP de las componentes.
En la Ilustracin 11 se observa una grfica de las 10 componentes que ms aportan a
la envolvente en el rango completo de la poca (-500,500 ms).

Ilustracin 11. 10 componentes que ms aportan a la envolvente de ERP. Rango

graficado -500 a 500, rango de aporte -500 a 500

Para el caso de inters, la Ilustracin 12 muestra aquellas componentes que ms

aportan en el rango donde se encuentra el origen del foco epilptico, ayudando a
confirmar la seleccin visual realizada a la figura 9.

38

Ilustracin 12. 10 componentes que ms aportan a la envolvente ERP en el rango

seleccionado. Rango graficado -150, 20, rango de aporte -100,0.
Como se puede observar en la Ilustracin 12, las 10 componentes seleccionadas
aportan el 91,92% de la envolvente de componente ERP, sin embargo, realizando un
anlisis individual de las componentes, se aadirn a la lista, aquellas que tengan un
aporte significativo en el rango mencionado. La Ilustracin 13 y la Ilustracin 14
muestran las componentes 11 y 40 que tienen un aporte del 4,20% y 3,34%
respectivamente

39

Ilustracin 13. Envolvente de la componente 11 y su respectivo aporte.

Ilustracin 14. Envolvente de la componente 40 y u respectivo aporte.

40

Este
procedimiento
individual
permite
identificar
a
las
componentes
25,26,29,40,24,12,36,21,11 con un grado importante de activacin dentro del rango
establecido para la bsqueda del origen del foco.
Una vez identificadas las componentes que aportan a la identificacin del origen del
foco epilptico, se eliminan las componentes restantes. EEGlab automticamente
modificar las seales de EEG luego de la eliminacin, esto ltimo se considera una
depuracin del set de datos de aquellas fuentes que no contribuyen al foco epilptico.

4.2.2.2 Ubicacin de foco epilptico

Las seales de EEG resultantes de la eliminacin de componentes, contienen
informacin valiosa sobre la ubicacin del origen del foco epilptico y su propagacin.
Los mapas de dipolos de EEGlab suministran la topografa cortical de la fuente de
cada componente independiente. Esto quiere decir que para cada componente hay
una localizacin espacial de dipolo que explica el componente. Esta localizacin
mediante el software DIPFIT de EEGlab, puede adems ser proyectada a un modelo
tridimensional de IRM para lograr una mejor localizacin visual de la fuente epilptica
del cerebro.
Previo a la localizacin de dipolos con el software DIPFIT se realizara un segundo ICA.
El objetivo es encontrar aquellas componentes que tienen una activacin significativa
entre -65 y 0 ms. La Ilustracin 15 muestra las nuevas componentes resultado de
correr el segundo ICA.

Ilustracin 15. Componentes resultantes de correr un segundo ICA.

41

Por defecto EEGlab hallar la misma cantidad de componentes que no eliminamos en

el procedimiento con el primer ICA, esto sucede debido a la reduccin de las
dimensiones de los datos con la eliminacin de componentes. No se recomienda hallar
un nmero mayor de componentes a los que se dejaron en el primer procedimiento.
Si lo desea puede seguir el mismo procedimiento que se realiz en la seccin 4.2.2.1
Anlisis con ICA, para seleccionar las componentes que tengan una activacin
significativa entre -65 y 0. Las componentes seleccionadas que cumplen el ltimo
criterio son: 1, 2, 5, 7, 8, 10, 11,12, 15 y 22.
En el anexo A punto 21 y 22, se describe el procedimiento para graficar los dipolos
correspondientes a cada componente seleccionada. Este procedimiento hace uso de
DIPFIT de Matlab, implementando una ubicacin ideal de electrodos como el que se
muestra en la figura 6, un modelo esfrico de la cabeza (BESA) para la ubicacin de
las fuentes epilpticas y una MRI estndar. La Ilustracin 16 y la Ilustracin 17 ilustran
la ubicacin cortical de los dipolos de las componentes 7 y 15.

Ilustracin 16. Ubicacin de los dipolos correspondientes a los componentes 7 y

15.

42

Ilustracin 17. Proyeccin de los dipolos en las diferentes vistas, varianza

residual de cada componente y sus coordenadas 3D en coordenadas de
Talairach.

En la Ilustracin 17 se puede observar que las componentes 7 y 15 tienen una

varianza residual (RV) del 43.57% y 39.96% respectivamente. La varianza residual
denota la precisin espacial de la ubicacin del dipolo, esto quiere decir que una
menor varianza residual significa mayor precisin en la ubicacin cortical del dipolo de
cada componente.
4.2.3 Discusin
Hay muchas variables que juegan un papel importante en la localizacin de las fuentes
de descargas epilpticas y en la disminucin de la varianza residual de su ubicacin.
Este ltimo es resultado de un procedimiento juicioso de los pasos descritos en este
trabajo y la eleccin de modelos fsicos que se ajusten a la realidad. A continuacin se
describen factores clave para la mejora de la varianza residual:
En procesamiento de datos de EEG

Eliminacin de pocas con artefactos de la seal de EEG.

Eliminacin de pocas de las componentes.
Seleccin correcta y apropiada de las componentes para la ubicacin del foco
epilptico.

En modelos fsicos que se ajusten a la realidad

Ingresar las ubicaciones espaciales reales de los electrodos.

Usar un modelo de la cabeza que se ajuste a la del paciente.
43

Ingresar un MRI real del paciente.

En la obtencin de datos

Nmero de canales: 64 canales es un numero apropiado, sin embargo se

puede aumentar el nmero de canales para aumentar la resolucin
espaciotemporal, teniendo cuidado de no disminuir la relacin seal a ruido.
Aumento de la frecuencia de muestreo para cumplir con los criterios de
INFOMAX.

Como se mencion anteriormente, para cada componente hay una localizacin

espacial de dipolo que las explica. Usualmente aquellos componentes con mayor
amplitud coinciden con el pico de la espiga y con la ubicacin de la propagacin de la
descarga epilptica [20, 21], en cambio los componentes que tienen una estructura de
espiga menor en amplitud y previos al pico, se consideran como mejores candidatos
para explicar el origen del foco epilptico. De esta manera, la eleccin de qu dipolo o
dipolos explican el origen de la descarga, se realizar teniendo en cuenta el anterior
criterio y el anlisis de especialistas neurlogos.

4.3

PROCESAMIENTO CON LORETA

En esta seccin se presentan de forma ilustrativa los principales pasos para la

obtencin del origen del foco epilptico con el software LORETA. Esta actividad se
realiz usando los datos procesados con el software EEGLab, con el objetivo de
comparar los resultados de solucin de problema inverso de ambos programas y las
bondades de procesar los datos con anlisis ICA. Para el seguimiento de esta
actividad se recomienda referenciarse al anexo B: Protocolo de procesamiento de
datos de EEG en el software LORETA usando como base datos obtenidos con el
software EEGLab.
4.3.1

Pasos importantes previos a la ejecucin de la solucin del problema

inverso con el algoritmo LORETA

4.3.1.1 Generacin de archivos con los datos ERP

El software LORETA permite ingresar datos de EEG base o datos ERP. Este ltimo es
el resultado de promediar punto a punto las pocas de cada canal, obteniendo un
nico segmento con la misma duracin de las pocas extradas. Este procedimiento
para la obtencin del ERP de los datos originales se debe realizar nicamente si se
est seguro que existe un nico origen de foco epilptico, debido a que de existir ms
de un origen, el resultado de obtener el ERP sera la obtencin de un nico origen en
la solucin del problema inverso. Se generaron dos archivos desde el programa de
EEGlab, uno que corresponde al ERP de los datos pre-procesados y otro que
corresponde al ERP de los datos procesados con ICA. La generacin de los archivos
44

con los datos ERP se describe en los pasos 1 y 2 del anexo B. La Ilustracin 18 y la
Ilustracin 19 muestran los ERP del canal T3 para los datos pre-procesados y
procesados respectivamente.

Ilustracin 18. ERP del canal T3 para los datos pre-procesados.

45

Ilustracin 19. ERP del canal T3 para los datos procesados con ICA.

4.3.1.2 Exportacin de ICA a LORETA

Una alternativa a las seales ERP de los datos procesados, es la exportacin de las
componentes independientes seleccionadas a LORETA. Esta exportacin es una
utilidad ofrecida por EEGLab para exportar los datos procesados de seales de EEG
para ser usados en el Programa LORETA. Esta utilidad exporta cada componente en
archivos diferentes que luego pueden ser usados en el programa LORETA para hallar
la solucin del problema inverso bajo la premisa de que cada ICA hallado corresponde
a una nica imagen de la actividad neuronal (i.e. Un fotograma de un video).
4.3.1.3 Generacin de la matriz de transformacin
La matriz de transformacin generada por el software LORETA es usada para la
conversin de los potenciales medidos en el cuero cabelludo a una densidad de
corriente en el cerebro. Para esto es necesario conocer el modelo de la cabeza y las
coordenadas de electrodos; estas ltimas son ingresadas por el usuario. LORETA usa
por defecto el modelo de cabeza MNI152. La generacin del archivo con las
coordenadas de electrodos y el procedimiento para la generacin de la matriz de
transformacin, se describen en los pasos 4 y 5 del anexo B.

46

4.3.2

Solucin del problema inverso con el algoritmo LORETA

La solucin del problema inverso en LORETA puede llegar a ser muy simple
dependiendo de las herramientas que se usen. Para el caso de inters, se obtendrn
nicamente aquellas reas activadas del cerebro en un tiempo determinado del
segmento ERP ingresado. Ya que el objetivo es encontrar el origen del foco epilptico,
se analizara el segmento de tiempo que comprende al 30-50% de la subida del GFP
del ERP de los datos. El software LORETA ha incluido diversas herramientas como
anlisis con ICA, segmentacin de los datos para correlacin, entre otros.
En el paso 6 del anexo B se explica el procedimiento para la visualizacin de la
solucin del problema inverso. Las Ilustracin 20 y la Ilustracin 21, ilustran las
soluciones del problema inverso obtenidas en el tiempo de inters para los datos de
ERP pre-procesados y procesados respectivamente.

Ilustracin 20. Solucin del problema inverso en el 30% de la subida de eegGFP,

para los datos de ERP pre-procesados.

47

Ilustracin 21. Solucin del problema inverso en el 30% de la subida de eegGFP,

para los datos de ERP procesados.

De las Ilustracin 20 y la Ilustracin 21 concluimos que el origen del foco epilptico se

encuentra en el lbulo temporal derecho. De la Ilustracin 20 podemos observar para
los datos pre-procesados que hay una pequea activacin en el lbulo temporal
izquierdo y que hay una mayor rea de activacin a diferencia de los datos
procesados. Podemos concluir entonces de las observaciones que el procesamiento
con ICA entrega mejores resultados para la solucin del problema inverso.

4.3.3 Discusin
Hasta ahora se han presentado resultados de dos mtodos para la solucin del
problema inverso, la localizacin de dipolos por medio DIPFIT de EEGLab y el
algoritmo LORETA. Ambos ofrecen una visualizacin proyectada de los resultados de
la solucin a imgenes de MRI, sin embargo es importante resaltar la mejor calidad
que ofrece el software LORETA en este sentido, permitindonos interactuar en tres
dimensiones con el modelo cerebral y ubicar la actividad cerebral que se da en un
instante de tiempo. El algoritmo LORETA ofrece adems una ventaja adicional al ser
ms intuitivo en la presentacin de los resultados, esto debido a que el algoritmo
entrega como resultado reas activadas a diferencia de los puntos espaciales que
ofrece la solucin con dipolos.
48

4.4

PROCESAMIENTO CON SPM

En esta seccin se presentaran de forma ilustrativa los principales pasos para el

procesamiento de seales de EEG epilpticas con SPM, con el objetivo de obtener el
foco epilptico del paciente. Para el seguimiento de esta actividad se recomienda
referenciarse al anexo C: Protocolo para procesamiento de seales de EEG
epilpticas con SPM para la obtencin del foco epilptico.

4.4.1

Pre-Procesamiento de seales de EEG con SPM

Los pasos para el pre-procesamiento de seales de EEG fueron descritos en la

seccin 2.3 y algunos fueron ejemplificados en la seccin 4.2.1. En esta seccin
nicamente se ilustrara de manera grfica los resultados de la ejecucin de algunos
pasos de pre-procesamiento en SPM que se encuentra descrito en el anexo C:
Protocolo para procesamiento de seales de EEG.
La Ilustracin 22 y la Ilustracin 23 representan los datos de EEG cargados y sin
modificaciones en SPM y la proyeccin 2D de las coordenadas de electrodos.

49

Ilustracin 22. Datos de EEG sin modificaciones en SPM. Ilustracin de dos

trials.

50

Ilustracin 23. Proyeccin 2D de las coordenadas de electrodos en SPM

4.4.2

Solucin del problema inverso con SPM

La solucin del problema inverso en SPM para seales de EEG fue diseada para
tratar problemas con potenciales evocados. Los potenciales evocados son aquellos
que tienen una alta relacin temporal con el estmulo que los provoca, es decir,
descargas elctricas. SPM permite realizar comparaciones y correlaciones entre
potenciales evocados con diferentes eventos e incluso con diferentes pacientes, sin
embargo esta caracterstica no es adecuada para la ubicacin del origen del foco en
epilepsia. Esto ltimo se debe a que SPM haya la solucin del problema inverso
optimizada para el mximo del potencial evocado. Trasladando el anterior
razonamiento al caso de la ubicacin del origen del foco epilptico, quiere decir que
SPM halla la solucin del problema inverso en el mximo de la espiga epileptognica,
en la cual el foco ya se encuentra propagado. Para solucionar este inconveniente
hallara inicialmente el ERP de la seal de EEG pre-procesada y luego usara una
51

utilidad de SPM que permite limitar la solucin del problema inverso a una ventana de
tiempo determinada.
En la Ilustracin 24 se muestra el resultado de realizar el promedio entre todos los
trials para obtener el ERP requerido.

Ilustracin 24. ERP de los datos de EEG.

Los desarrolladores de SPM recomiendan filtrar los datos de ERP obtenidos debido a
que el algoritmo de promedio robusto de SPM puede agregar ruido indeseado a la
52

seal. La Ilustracin 25 se muestra como al aplicar un filtro pasabanda entre 1-30 Hz

efectivamente se suaviza la seal.

Ilustracin 25. ERP obtenido al aplicar un filtro pasabanda con frecuencias de

corte 1-30Hz.

Para seleccionar el rango de la ventana de tiempo en el cual se aplica la solucin del

problema inverso, se usa el criterio mencionado en la seccin 4.2.2.1, en el que se
explica que el origen del foco se encuentra entre el 30-50% de la subida de la espiga
53

epileptognica. Este rango se debe limitar lo ms posible a este criterio para evitar que
SPM optimice la solucin en ubicaciones temporales no deseadas.
En la figura Ilustracin 26 se puede observar la espiga epileptogenica entre -80 y 40
milisegundos.

Ilustracin 26. Espiga epileptogenica graficada entre -80 y 40 ms.

De acuerdo al criterio adoptado y de las observaciones realizadas a la Ilustracin 26

se concluye que un rango apropiado para la solucin del problema inverso es entre -20
y 3 milisegundos.

4.4.3

Localizacin de la fuente del foco epilptico

Una de las grandes ventajas que ofrece SPM es la posibilidad de solucionar el

problema inverso por medio de diferentes algoritmos que se han propuesto en la
literatura, tales como MN, LORETA y MSP mencionadas en la seccin 2.4.2. A
continuacin se presentan los resultados de la solucin del problema inverso con MSP
debido a su superioridad frente a otros algoritmos [19], y adems se compararan los
resultados de la solucin para los datos pre-procesados en SPM y los datos de EEG
procesados con ICA exportados desde EEGLab.

54

La Ilustracin 27 muestra el resultado de la solucin del problema inverso obtenido con

el algoritmo MSP para los diferentes tipos de datos.

Pre-procesados -16 ms

Procesado -16 ms

Ilustracin 27. Solucin del problema inverso en -16 ms obtenido al aplicar el

algoritmo MSP a la ventana de tiempo -23,-3 ms, para los datos pre-procesados y
procesados.
En la Ilustracin 27 se puede observar las reas de activacin resultado de la solucin
del problema inverso para los datos pre-procesados y procesados en el tiempo -16 ms.
Para los datos pre-procesados se observan activaciones en los lbulos temporales y
frontales, adems se evidencia diferentes zonas grises que se pueden asociar con
ruido presente en los datos. Los resultados de los datos procesados con ICA coinciden
con una activacin en el lbulo temporal derecho y una leve activacin en el izquierdo
acompaados de una menor cantidad de zonas grises con menor cobertura e
intensidad que pueden corresponder a ruido. Esta cantidad de zonas grises se ven
reflejadas en el porcentaje de varianza explicada por la solucin con valores de
64.24% y 85.02% para los datos pre-procesados y procesados respectivamente.
55

La

Ilustracin 28 muestra otras formas de visualizacin de los resultados de la solucin.

Pre-Procesado

Observado -16ms

Predicho -16 ms

Procesado

Observado -16 ms

Predicho -16 ms

Ilustracin 28. Localizacin del origen en diferentes vistas. Localizacin del

origen en modelo 3d cerebral. Mapas de cuero cabelludo observado y predicho.
Imgenes obtenidas en -16 ms.
56

4.4.4

Discusin

El proceso de pre-procesamiento de datos de EEG epilpticas es muy similar entre

EEGlab y SPM. Ambos ofrecen las herramientas necesarias para realizar el preproceso bsico con resultados similares, sin embargo en algunos casos una
herramienta ofrece ventajas tiles sobre la otra. Este es el caso de la eliminacin de
artefactos y el promedio. En cuanto a la eliminacin de artefactos SPM ofrece
algoritmos que permiten la automatizacin y la bsqueda de trials y canales que se
encuentren corruptos bajo ciertos criterios determinados, los cuales resultan ser muy
tiles cuando se presentan eventos como ausencia de seal; sin embargo para el caso
de este trabajo donde se usaron datos previamente seleccionados de manera manual
y los artefactos se encuentran mezclados con la seal de inters, esta utilidad no
representa una mayor ventaja para el usuario. En contraparte EEGLab permite el uso
de ICA una herramienta ampliamente conocida por su utilidad para la eliminacin de
artefactos, pero que depende en gran medida de la experiencia del usuario en su uso.
En cuanto al promedio, SPM ofrece una ventaja en su caracterstica llamado promedio
robusto que bsicamente analiza que tan valioso (en cuanto libre de artefactos) es un
trial y le asigna un peso entre 0 y 1 para el promedio de los datos.
En el proceso de la solucin del problema inverso, ambas herramientas (EEGLab y
SPM) ofrecen mtodos para la solucin de la actividad elctrica intracraneal. Sin
embargo es evidente la superioridad de SPM al ofrecer diferentes algoritmos y
mtodos que van desde ubicacin de dipolos, hasta solucin con algunos de los
algoritmos ms conocidos en la literatura.
Como se mencion anteriormente, los resultados de la ubicacin del origen del foco
epilptico con SPM, depende en gran medida del criterio elegido para la solucin. Esta
ltima puede diferir si no se escoge una ventana de tiempo y punto en el tiempo
adecuado para graficar las soluciones. Adicionalmente analizando los resultados, se
puede concluir que realizar un procesamiento previo de los datos con ICA mejora
considerablemente los resultados. Contrastando esto ltimo con las comparaciones
realizadas en esta seccin, da paso a pensar que EEGLab y SPM son programas que
se pueden complementar para hallar mejores resultados en la ubicacin del origen del
foco epilptico.

57

4.5

PROCESAMIENTO CON CARTOOL

En esta seccin se presentaran de forma ilustrativa los principales pasos para el

procesamiento de seales de EEG epilpticas con Cartool, con el objetivo de obtener
el origen del foco epilptico del paciente. Para el seguimiento de esta actividad se
recomienda referenciarse al anexo D: Protocolo para el procesamiento de seales de
EEG epilpticas con SPM para la obtencin del origen del foco epilptico.

4.5.1

Pre-Procesamiento de seales de EEG con Cartool: Segmentacin

Los pasos para el pre-procesamiento de seales de EEG fueron descritos en la

seccin 2.3 y algunos fueron ejemplificados en la seccin 4.2.1. Estos pueden
seguirse usando el protocolo descrito en el anexo D para el caso de Cartool.
La Ilustracin 29 muestra los resultados del pre-procesamiento de las seales de EEG
en Cartool. La seal se pas por un filtro pasa-banda con frecuencias de corte 1-30
Hz, se removi la lnea de base y se obtuvo finalmente el ERP de las pocas.

Ilustracin 29. Ubicacin 3D de electrodos, Mapa de potencial 3D del mximo de

la espiga, Seal ERP de los datos.
58

En secciones anteriores se ha hablado sobre la importancia de elegir un buen criterio

para la obtencin del origen del foco epilptico con la solucin del problema inverso.
Hasta ahora se ha restringido la solucin del problema a una ventana temporal de la
espiga epileptognica teniendo en cuenta que la ubicacin del origen del foco
epilptico se encuentra entre el 30-50% de la subida de la GFP del ERP, criterio que
ha demostrado buenos resultados en la literatura [20,21]. Sin embargo
estadsticamente hablando en este trabajo se ha usado este criterio de una forma muy
artesanal tratando de acomodar las ventanas de tiempo de la solucin para cumplir
con el criterio establecido. El proceso de segmentacin en micro-estados integrada en
Cartool nos permitir hacer un acercamiento ms matemtico al criterio establecido.
El proceso de segmentacin en micro-estados, esta descrito en la seccin 2.3.8. Este
se ejecuta luego del pre-procesamiento bsico descrito al inicio de esta seccin.
Bsicamente realiza una serie de actividades matemticas de agrupacin de los
mapas de potencial, una serie de pos-procesamiento temporal para hallar aquellos
mapas que mejor representan cada segmento del GFP de los datos de ERP y el
clculo de algunos indicadores para la eleccin de la mejor segmentacin. La
Ilustracin 30 muestra el resultado de los indicadores resultado de correr el proceso de
segmentacin a los datos ERP presentados en la Ilustracin 29.

Ilustracin 30. Indicadores de calidad de la segmentacin

Cada posicin horizontal de los indicadores de calidad, representa una segmentacin
diferente de la GFP de la ERP de los datos. A continuacin se explicara el significado
de los principales indicadores a tener en cuenta para elegir la mejor segmentacin.

Clust: Representa el nmero de segmentos en los que se divide el GFP de la

ERP de los datos.
59

GEV (Global Explained Variance): Representa la varianza global explicada

con el segmento propuesto en el punto elegido. Un valor ms alto para este
indicador representa una mejor segmentacin.
CV (Cross Validation): Representa el resultado de la validacin cruzada
usado para evaluar la calidad de la segmentacin. Un menor valor en este
indicador, representa una mejor segmentacin.
KL (Krzanovski-Lai): Indicador que ayuda a determinar el nmero de posibles
segmentaciones en los datos. Un mayor valor en este indicador representa una
mejor segmentacin. Debido a las caractersticas matemticas de este criterio
se recomienda explorar los dems picos de este indicador y no escoger
ciegamente el pico de mayor valor.

En la Ilustracin 31 se grafican las segmentaciones obtenidas de las posiciones de las

marcas de la Ilustracin 30. Las segmentaciones de la Ilustracin 31 corresponden de
arriba a abajo a las marcas de derecha a izquierda de la Ilustracin 30.

Ilustracin 31. Segmentacin de la GFP del ERP, obtenidas de las marcas de la

figura 28. La imagen superior e inferior corresponde a la marca del extremo
derecho e izquierdo de la figura 28 respectivamente.

De la figura 29 podemos observar que la imagen inferior segmenta de manera ms

exacta la ventana de tiempo que es de nuestro inters. En adelante usaremos esta
segmentacin para hallar el origen del foco epilptico en Cartool.

60

4.5.2

La matriz de inversin para la solucin del problema inverso

La solucin del problema inverso en Cartool exige el clculo de una matriz llamada la
matriz de inversin. Bsicamente esta matriz es creada con la informacin fisiolgica
necesaria integrada con el algoritmo de solucin inversa, la cual es multiplicada con
archivos de EEG para brindar una solucin en cada cuadro de tiempo de la fuente de
actividad elctrica. La computacin de esta matriz requiere de los siguientes pasos:

Pre-procesamiento de MRI: Se realizan algunas actividades de reorientacin

y emparejamiento de MRI de la cabeza y del cerebro. Esta actividad se
desarrolla con MRI reales del paciente o con MRI estndar asumiendo las
desventajas de este ltimo.
Pre-procesamiento de electrodos: Se realizan actividades de reorientacin,
escalamiento y ajuste de los electrodos al modelo de cabeza ingresado.
Modelado de la cabeza y espacio de solucin: Esta actividad en Cartool
lleva el nombre de Lead Field processing. Se modela la cabeza usando
modelos esfricos de 3 capas globales o locales que representen el cuero
cabelludo, el crneo y la corteza cerebral, posteriormente se divide el modelo
en puntos de solucin.
Procesamiento de solucin inversa: Se integra alguno de los algoritmos de
solucin inversa de Cartool al Lead field para obtener la matriz de inversin.
Los algoritmos que se pueden usar son WMN, LORETA, LAURA o EPIFOCUS.

Una vez creada la matriz es necesario multiplicarla por un archivo de EEG para hallar
la fuente de la actividad elctrica, este proceso es realizado automticamente en
Cartool al conectar la matriz de inversin con el archivo de datos de EEG.

4.5.3

Obtencin del origen del foco epilptico

En esta seccin se har uso la matriz de solucin creada con la MRI estndar MNI152,
el modelo LSMAC de 3 capas y el algoritmo LAURA para la solucin del problema
inverso. Adicionalmente se usara el archivo de ERP segmentado escogido en la
seccin 7.1. Para obtener la matriz de inversin y el archivo segmentado, refernciese
al anexo D.

61

Ilustracin 32. Localizacin del origen en modelo 3D de la cabeza, Localizacin

del origen en diferentes vistas.
En la Ilustracin 32 se puede observar las reas de activacin elctrica cerebral,
resultado de la solucin del problema inverso con el algoritmo LAURA. A primera vista
se puede destacar la superioridad de Cartool en cuanto a la representacin grfica de
los resultados. En esta grafica se puede destacar importantes activaciones en la
regin cerebelosa y en los lbulos temporales de ambos hemisferios.

4.5.4

Discusin

El procesamiento de seales de EEG en Cartool tiene grandes diferencias frente a sus

homlogos EEGLab y SPM. Para empezar se debe mencionar que el uso de esta
herramienta no es tan intuitivo para nuevos usuarios. Es importante destacar adems
que Cartool es una herramienta que corre como proceso del sistema operativo (OS)
host, lo que quiere decir que no son necesarios programas o licencias adicionales para
62

el uso de la herramienta, lo que es una ventaja frente a SPM y EEGlab los cuales
corren bajo el entorno de MATLAB. Desde el punto de vista grafico la superioridad de
Cartool se hace notar y gracias al funcionamiento como proceso del OS la interaccin
es ms fluida y dinmica. En cuanto a la solucin del problema inverso este programa
le proporciona al usuario una ventaja en el procesamiento, debido a que en Cartool
solo es necesario crear una nica matriz de solucin para ser usada por todos los
archivos de EEG, a diferencia de SPM y EEGLab que para cada set de datos de EEG
es necesario correr el algoritmo de solucin del problema inverso. Adems del preprocesamiento bsico, Cartool cuenta con herramientas adicionales como la
segmentacin en micro-estados, correlacin espacial de mapas de potencial, y otras
herramientas estadsticas que pueden ser usadas para mejorar el resultado de la
localizacin del origen del foco epilptico.
Luego de analizar las ventajas y desventajas de cada herramienta usada en este
trabajo, se presenta en la Ilustracin 33 una metodologa propuesta para la obtencin
del origen del foco epilptico.
Correlacin de
espigas con Cartool
usando la
segmentacin

Pre-procesamiento
basico con EEGLab
(filtrado, cambio de
tasa de muestreo)

Procesamiento con
ICA en EEGLAb

Obtencin de ERP
con promedio
Robusto en SPM

Solucin problema
inverso con MSP en
SPM

Solucin problema
inverso LORETA
usando ICA

Solucin de
problema inverso
con LORETA usando
ERP

Solucin del
problema inverso
con LAURA en
Cartool usando ERP

Ilustracin 33. Metodologa robusta para la obtencin del origen del foco epilptico

De esta manera se pueden obtener diferentes resultados con diferentes algoritmos

de solucin del problema inverso en diferentes herramientas, haciendo uso de las
principales ventajas que tiene cada una en el pre-procesamiento y procesamiento
de los datos para la obtencin del origen del foco epilptico.

63

64

5 Conclusiones y recomendaciones
5.1

CONCLUSIONES

En este manuscrito se han presentado los resultados de la solucin del problema

inverso con diferentes programas de distribucin libre, con el objetivo de hallar el foco
epilptico en datos reales. Se ha explicado que cada herramienta y software tiene
variaciones significativas en cuanto al procesamiento y posterior solucin del problema
inverso, sin embargo el procedimiento de pre-procesamiento para seales de EEG
epilpticas es muy parecido, encontrando diversas utilidades que se adjudican como
ventajas para cada programa. Este es el caso de ICA para EEGlab, promedio robusto
de SPM y Segmentacin de Cartool.
De los resultados obtenidos en este trabajo se concluye que los diferentes programas
analizados pueden usarse complementariamente para obtener una solucin con un
mayor grado de confiabilidad, al pasar por un proceso ms robusto de preprocesamiento y procesamiento como el que se presenta en la Ilustracin 33. De esta
manera se pueden usar las ventajas de cada herramienta y obtener resultados con
diferentes algoritmos de solucin del problema inverso, con los cuales se pueden
hacer comparaciones y validaciones. Sin embargo el uso de cada programa y
herramienta de forma individual es igualmente valido y til para propsitos de
validacin de los diferentes resultados obtenidos y ya sea que se use la metodologa
robusta o la individual para cada software y herramienta, los datos y la informacin
obtenida pueden ser en el futuro una gua para validar no solo los resultados de origen
del foco epilptico obtenidos con cada software y herramienta, sino tambin para
validar el diagnostico obtenido con otras herramientas clnicas.
Finalmente, es importante mencionar la inmensa cantidad de posibilidades que abre
los mtodos de solucin del problema inverso en la neurociencia y, como parte de esta
discusin para la epilepsia brindando nuevas herramientas de apoyo para el
diagnstico y futuro tratamiento, ya sea farmacolgico o quirrgico.

5.2

RECOMENDACIONES

Antes de emplear la metodologa presentada en este trabajo es importante recordar

cuales buenas prcticas se deben implementar para mejorar y no desvirtuar los
resultados obtenidos con cada herramienta.

Tener una frecuencia de muestreo correcta para la toma de los datos.

Realizar una previa seleccin de las espigas epilpticas.
Seleccionar las espigas tomando como referencia un solo canal.
Rechazar o eliminar aquellas pocas que se encuentren corruptas
Eliminar canales malos y luego interpolar.
65

Filtrar los datos de frecuencias no deseadas.

Eliminar artefactos.

La mejora de los procedimientos presentados en este trabajo se puede lograr

acercando los modelos usados a la realidad del estudio realizado, esto quiere decir,
cambiar los modelos estndar de cabeza, electrodos y resonancia magntica por
modelos reales del paciente al cual se le est haciendo el estudio. Esto se puede
lograr combinando futuros trabajos de adquisicin 3D de posicin de electrodos y
conversin de archivos MRI con las metodologas presentadas, con el objetivo de
obtener soluciones ms acertadas a la realidad de cada paciente.
En todo caso, el acompaamiento de un especialista neurlogo es vital, sobre todo en
los casos donde las actividades involucran la morfologa de las espigas
epileptogenicas (como la seleccin de espigas o eliminacin de artefactos), adems de
la validacin de los resultados obtenidos con las herramientas presentadas y otras
herramientas clnicas existentes para dar un correcto diagnstico.

66

6 Bibliografa
1. RIERA, Alejandro. Computational Intelligence Techniques for Electro-Physiological
Data Analisis. Tesis Doctoral. Barcelona, Starlab Barcelona, Universidad de Barcelona,
2012. 238 p
2. RUIZ, Carolina; NARIO, Daniel y MUOS, Jose Fernando. Epidemiologa y carga
de la Enfermedad de Alzheimer. Acta Neurol Colomb 2010;26:Sup (3:1):87-94).
3. Trastornos neurolgicos: desafos para la salud pblica. Organizacin Mundial de la
Salud. 2006. ISBN 978 92 4 1563369
4. FRISTON, Karl J, et al. Statistical Parametric Mapping: The Analysis of Functional
Brain Image. 1 ed. ELSEVIER, 2007. ISBN 0 12 312560 7
5. Ashby, F.G. Statistical Analysis of FMRI Data. MIT Press, 2011. ISBN 0262015048.
6. Carreras, Jose Luis. La tomografa por emisin de positrones en Oncologa. Real
academia Nac. Medicina, 1995
7. Hansen, Peter. MEG: An Introduction to Methods. Oxford University Press, 2010.
ISBN 0199719136
8. Moritani, T. and Ekholm, S. and Westesson, P.L.A. Diffusion-Weighted MR Imaging
of the Brain. Springer, 2009. ISBN 9783540787853
9. Gujar Sachin K, Maheshwari Sharad, Bjrkman-Burtscher Isabella, Sundgren Pia C.
Magnetic Resonance Spectroscopy. Magnetic Resonance Spectroscopy. Pag 217-226.
10. Vlaardingerbroek, M.T. and Boer, J.A. Magnetic Resonance Imaging: Theory and
Practice. Springer ,2003. ISBN 9783540436812
11. S. Ogawa, D. W. Tank, R. Menon, J. M. Ellermann, S-G Kim, H. Merkle and K
Ugurbil, Intrinsic signal changes accompanying sensory stimulation: functional brain
mapping with magnetic resonance imaging, Proc. Natl. Acad. Sci. USA, vol. 89, pp.
5951-5955, 1992
12. Emma L. Hall, Sin E. Robson, Peter G. Morris, Matthew J. Brookes, The
relationship between MEG and fMRI, NeuroImage, Available online 15 November
2013, ISSN 1053-8119, http://dx.doi.org/10.1016/j.neuroimage.2013.11.005.
13. Petra Ritter, Arno Villringer, Simultaneous EEGfMRI, Neuroscience &
Biobehavioral Reviews, Volume 30, Issue 6, 2006, Pages 823-838, ISSN 0149-7634,
http://dx.doi.org/10.1016/j.neubiorev.2006.06.008
14. Bagshaw, Andrew P, et al. EEG-fMRI of focal epileptic spikes: Analysis with
multiple haemodynamic functions and comparison with gadolinium-enhanced MR
angiograms. Human Brain Mapping, Volume 22, Issue 3,2004, 179-192, ISSN 10970193, http://dx.doi.org/10.1002/hbm.20024
15. Plummer, Chris. Harvey, A. Simon. Cook, Mark. EEG source localization in focal
epilepsy: Where are we now?, Epilepsia, Volume 49, Issue 2, 2008, Pages 201-218,
ISSN 1528-1167, http://dx.doi.org/10.1111/j.1528-1167.2007.01381.x
67

16. Gram, L. and Dam, M. Epilepsia. Editorial Medica Panamericana, 1996. ISBN
9789500608787.
17. Hojjat Adeli, Ziqin Zhou, Nahid Dadmehr, Analysis of EEG records in an epileptic
patient using wavelet transform, Journal of Neuroscience Methods, Volume 123, Issue
1, 15 February 2003, Pages 69-87, ISSN 0165-0270, http://dx.doi.org/10.1016/S01650270(02)00340-0.
18. Christoph M. Michel, Micah M. Murray, Gran Lantz, Sara Gonzalez, Laurent
Spinelli, Rolando Grave de Peralta, EEG source imaging, Clinical Neurophysiology,
Volume 115, Issue 10, October 2004, Pages 2195-2222, ISSN 1388-2457,
http://dx.doi.org/10.1016/j.clinph.2004.06.001.
19. Karl Friston, Lee Harrison, Jean Daunizeau, Stefan Kiebel, Christophe Phillips,
Nelson Trujillo-Barreto, Richard Henson, Guillaume Flandin, Jrmie Mattout, Multiple
sparse priors for the M/EEG inverse problem, NeuroImage, Volume 39, Issue 3, 1
February 2008, Pages 1104-1120, ISSN 1053-8119
20. Scherg M, Bast T, Berg P. Multiple Source analysis of interictal Spikes : Goals,
requirements, and clinical value. J. Clin. Neurophysiol. 1999; 16 (3): 214-24.
21.-Lantz G, Spinelli L, Seeck M, Grave de Peralta R, Sottas C C, Michel C.M.
Propagation of interictal epileptiform activity can lead to erroneous source localization:
a 128-channel EEG mapping study. J.Clin. Neurophysiol. 2000; 20: 311-9.
22. Brodbeck, V., Spinelli, L., Lascano, A. M., Pollo, C., Schaller, K., Vargas, M. I.,
Wissmeyer, M., Michel, C. M. and Seeck, M. (2010), Electrical source imaging for
presurgical focus localization in epilepsy patients with normal MRI. Epilepsia, 51: 583
591. doi: 10.1111/j.1528-1167.2010.02521.x
23. Engel J. A Greater Role for Surgical Treatment of Epilepsy: Why and
When?Epilepsy Currents 2003;3(2):37-40. doi:10.1046/j.1535-7597.2003.03201.x.

68

69

7 ANEXOS

A.
Protocolo para procesamiento de seales de EEG epilpticas con
EEGlab V 10.2.5.8b para la obtencin del origen del foco epilptico

1. Abra EEGlab en MATLAB. Use el comando >>eeglab

2. Abra la funcin: File\Import Data>from ASCII float file or MATLAB array.
3. Se abre la ventana Import dataset info:
a. En Data file/array: seleccione la opcin ASCII text file
b. En data file/array presione el botn Browse: Seleccione el archivo *.eeg.
c. En Dataset name: ingrese el nombre del dataset.
d. En Data sampling rate(Hz): Indique la tasa de muestreo de la seal que
ingreso. (256 Hz para el archivo de ejemplo del Dr.Borrego
e. Click en Ok. Sale una nueva ventana, se da click en OK de nuevo.
4. Para verificar si est bien cargado:
a. En la pantalla principal de EEGlab verifique
i. Channels per frame (65 al momento de la carga en el archivo
ejemplo del Dr. Borrego)
ii. Sampling rate (Hz) (256)
b. Abra la funcin Plot\Channel data (scroll) de la pantalla principal de
EEGlab
5. En el archivo ejemplo del Dr. Borrego el canal 1 de los 65 canales del dataset, es
un canal de evento. Importaremos la informacin de evento de este canal y
dejaremos el dataset con los 64 canales reales.
a. Abra la funcin File\Import event info\from data cannel de la ventana
principal de EEGlab. Se abre una nueva ventana
i. En Event cannel(s): ingrese el canal de eventos (1, para el archivo
ejemplo)
ii. Marque la casilla Delete event channel(s)?
iii. Presione Ok. En la pantalla principal de EEGlab revise que
Channel per frame= 64
6. Para ingresar la localizacin de los canales abra la funcin Edit\Channel
Locations de la ventana principal de EEGlab
a. Se abre la ventana Edit cannel info. Presione el botn Read locations
b. Seleccione el archivo de ubicacin de los electrodos (64ch.xyz para el
archivo ejemplo del Dr. Borrego)
c. Se abre una nueva ventana. Seleccione autodetect. Presione Ok
d. Para revisar si se cargaron las posiciones de los electrodos correctamente
presione el botn Plot 3D(xyz) de la ventana Edit cannel info.
e. Presione Ok para continuar.
7. Para filtrar los datos abra la funcin Tools\Filter the data\short IIR filter de la
ventana principal de EEGlab
70

a.
b.
c.
d.

En el campo High-pass ingrese el valor 0.

En el campo Low-pass ingrese el valor 30.
D click en Ok.
Sale una nueva ventana. En Name it ingrese el nuevo nombre de su
dataset filtrado (Ejemplo: dataset_LF). De click en OK
e. Abra de nuevo la funcin Tools\Filter the data\short IIR filter.
f. En el campo Higpass ingrese el valor de 1
g. En el campo Lowpass ingrese el valor de 0.
h. De click en Ok
i. Sale una nueva ventana. En Name it ingrese el nuevo nombre de su
dataset filtrado (Ejemplo: dataset_LFHF). De click en OK.
8. Para remover la lnea de base abra la funcin Tools\Remove baseline. Se abre
una nueva ventana. De click en Ok
9. Abra: Tools\extract epochs
a. ingrese Time-locking event type (2 para el archivo ejemplo del Dr.
Borrego)
b. Epoch limits [Start,end] ([-0.5 0.5] para el archivo ejemplo del Dr. Borrego)
c. Se abre una nueva ventana. Ingrese el nombre en el campo Name it
(Ejemplo: Dataset_LFHF_epoch). Click en OK
d. Se abre la ventana: Epoch baseline removal.
i. Baseline latency range: -500 500
ii. Ok
10. En este punto es recomendado realizar un script con los pasos anteriores, con el
objetivo de automatizar este proceso para futuros dataset.Abra la funcion
File>history>scripts>save dataset history>scripts> guardar en el disco(Ejemplo:
eventoespigas64chanel)
11. Abrir el notepad leerlo corregir errores y salvarlo como sabe as *.m con el nombre
espigas. Al script hay que borrarle el primer comando hasta EEG=pop channel
event y guardar
12. VERIFICACION DE ARTEFACTOS A SIMPLE VISTA:
a. Abra la funcin Plot\Channel Data (scroll) y seleccione los trials que desea
eliminar dando click en el segmento.
b. Presione REJECT para eliminarlos (primera inspeccin de eliminacin de
artefactos)
13. Para realizar en anlisis de las componentes independientes abra la funcin
Tools\run ICA (Este proceso puede tardar varios minutos), se abre una nueva
ventana y de click en Ok.
14. En el Workspace de Matlab ejecute el siguiente comando: EEG.data=-EEG.data
15. Abra Plot\Component ERP\ in rectangular array. Se abre una ventana que
muestra el orden de las componentes ms importantes desde el punto de vista
estadstico. De click sobre la componente para abrir una nueva ventana y
visualizarla individualmente. Se grafican todas las componentes
a. Mirar los ICAs que tienen picos entre el tiempo (-100,0) y anotar los ms
considerables
16. Abra plot\Component ERP\With component maps
a. Se abre la ventana Plot component and ERP envelopes
71

b. Enter time range (in ms) to plot: -100, 20 (Ingrese el rango de tiempo que
desea visualizar)
c. Enter Time range (in ms ) to rank component contributions: -100, 0
(Ingrese el rango de tiempo en el cual desea visualizar las components
que hacen mayor aporte).
d. Number of largest contributing components to plot: 10 (ingrese el nmero
de components que desea graficar).
e. Se abre una ventana donde se muestra la envolvente de la superposicin
de todas las componentes y se grafican adems aquellas que ms
aportan al rango seleccionado en el punto c.
f. Anotar los componentes ms importantes en la subida
17. Correr Un script que contenga las siguientes lneas. Se graficaran todas las
componentes con respectivo aporte al rango -100,0. Anotar aquellas
componentes ms importantes.
for i=1:64
figure; pop_envtopo(EEG, [-150 10] ,'limcontrib',[-100 0],'compnums',[i],'title',
strcat('Componente ',int2str(i)),'electrodes','off');
end

18. Abra Tools\ Remove Components para remover las componentes que no son de
utilidad. Se abre la ventana Remove components from data. Si desea especificar
manualmente las componentes que desea eliminar ejecute el paso a. de este
punto o bien si desea especificar las que quiere retener siga el paso b. de este
punto
a. En el campo Component(s) to remove from data, especifique las
componentes que desea eliminar. Ejm 1:20 si es un rango del 1 al 20, o
individualmente 1,2,4,6,13
b. En el campo Component(s) to retain, especifique las componentes que
desea mantener. Ejm 1:20 si es un rango del 1 al 20, o individualmente
1,2,4,6,13
c. Se pide que especifique el nombre con el que quiere guardar el nuevo
dataset modificado. De click en Ok
19. Realizaremos un segundo anlisis de ICA para esto siga Tools\run ICA, se abre
una nueva ventana y de click en Ok.
20. Abra Plot\Component ERP\ in rectangular array. Se abre una ventana que
muestra el orden de las componentes ms importantes desde el punto de vista
estadstico. De click sobre la componente para abrir una nueva ventana y
visualizarla individualmente. Se grafican todas las componentes
a. Mirar los ICAs que tienen picos entre el tiempo (-65,0) y anotar los mas
considerables
21. Para localizar los dipolos abra Tools\Locate Dipoles using DIPFIT
a. De click en Head model and settings
i. Se abre la ventana Dipole fit settings
72

ii. En el campo Head model, seleccione Spherical Four-shell (BESA)

iii. En el campo Co-register chan. Marque la casilla No Co-Reg
iv. De click en Ok
b. De click en coarse Fit
i. En el campo Rejection threshold RV(%), ingrese el valor 15
c. De click en autofit
i. En el campo Component ndices, ingrese las componentes que
selecciono en el punto 20. Ejm: 1:20 si es un rango del 1 al 20, o
individualmente 1,2,4,6,13
ii. En el campo rejection Threhold RV(%): Ingrese el valor 45
iii. Marque la casilla Remove dipoles outside the head
iv. Marque la casilla Plot resulting dipoles
v. De click en OK
d. Se abre una nueva ventana donde se grafican todos los dipolos
resultantes de cada componente
i. Para observar cada dipolo por separado presione el botn Plot one
ii. En la columna derecha se puede navegar entre los diferentes
dipolos y se puede observar a que componente corresponde con
su respectiva varianza residual (RV) y coordenadas XYZ
22. Para observar los dipolos en una presentacin ms profesional, abra
Tools\Locate dipoles using DIPFIT\Plot component dipoles
a. Se abre una nueva ventana llamada Plot dipoles
i. En el campo Component ndices indique aquellos componentes
que desea graficar.
ii. Marque la casilla Plot summary mode
iii. De click en OK
b. Se abre una nueva ventana donde se grafican las diferentes vistas 2D del
cerebro con la proyeccin del dipolo. Ademas se muestra a que
componente corresponde, su varianza residual (RV) y sus coordenadas
3D en coordenadas de Talairach

B.
Protocolo de procesamiento de datos de EEG en el software
LORETA V2014.06.25 para la obtencin del origen del foco epileptico
usando como base datos obtenidos con el software EEGLab .
Este procedimiento se desarrolla con el supuesto que se ha desarrollado previamente
el procedimiento del Anexo A: Protocolo para procesamiento de seales de EEG
epilpticas con EEGlab para la obtencin del foco epilptico.
1. Luego de llegar al paso 10 del protocolo de EEGLAB, ejecute los siguientes
comandos en el workspace de Matlab, para exportar el ERP de los datos de EEG
pre-procesados.

73

pop_export(EEG,[Ruta]\[Nombre de archivo].txt, 'erp', 'off', 'transpose', 'on',

'elec', 'off', 'time', 'off');
eeglab redraw;
Estos comando exportaran a un archivo *.txt el ERP de los datos de EEG ya
procesados ubicados en la ruta especificada en el comando.
2. Luego de llegar al paso 20 del protocolo de EEGLab, ejecute los comandos
presentados en el paso 1 de este protocolo. Recuerde cambiar el nombre del
archivo.
3. Abra el programa LORETA. Se Abre una nueva ventana donde aparece el
nombre del programa y en la parte superior un men de opciones.
4. Para crear el archivo de electrodos, en la ventana principal de LORETA presione
el botn Utilities/Electrode names to coordinates. Para crear el archivo de
coordenadas hay dos opciones:
a. Genere un archivo *.txt en un editor de texto donde se escriban en cada
salto de lnea los siguientes nombres en el orden en que se presentan los
canales de las seales de EEG. Para los datos del Doctor Camilo Borrego
es:
Fpz, AFz, Fp1, Fp2, F7, F8, F3, F4, T7/T3, T8/T4, C3, C4, P7/T5, P8/T6,
P3, P4, O1, O2, Fz, Cz, Pz, F9, F10, T9, T10, P9, P10, FC3, FC4, CP3,
CP4, Oz, AF7, AF8, AF3, AF4, F5, F6, F1, F2, FT9, FT10, FT7, FT8, FC5,
FC6, FC1, FC2, C5, C6, C1, C2, TP7, TP8, CP5, CP6, CP1, CP2, CPz,
P5, P6, PO7, PO8, POz.
En el campo File with electrode names, ingrese el archivo *.txt generado
Presione Go para generar el archivo de coordenadas. LORETA creara un
nuevo archivo con el mismo nombre del archivo ingresado y la extensin
*.sxyz.
b. Presione el cuadro Alternatively, you can open the. Se abre una nueva
ventana con todos los electrodos que se usan en las plantillas de los
sistemas 10/20, 10/10, etc. Debe ir agregando uno por uno los electrodos
en el orden en que se presentan los canales de las seales de EEG. Este
orden lo puede encontrar en la opcin a de este paso.
Presione Save, se abre una nueva ventana para ubicar el archivo *.sxyz.
5. De la ventana utilities seleccione Electrode coordinates to transformation matrix.
a. En el campo File with electrode coordinates arrastre el archivo *.sxyz
creado en el paso anterior. Deje los otros campos que aparecen por
defecto.
b. Presione Go. LORETA genera en este paso un archivo con la extensin
*.spinv
6. A continuacin se describe el procedimiento para la solucin del problema
inverso. En la ventana principal de LORETA presione del men superior el botn
Viewer. Se abre una nueva ventana con diferentes subventanas donde se grafica
la solucin del problema inverso.
a. En el men superior presione file/Open electrode coordinates file.
Seleccione el archivo *.sxyz creado en el paso 4.
74

b. En el menu superior presione file/Open transformation matrix file.

Seleccione el archivo *.spinv generado en el paso 5.
c. En el men file/Open EEG\ERP file. Ingere el archivo generado en los
pasos 1 o 2.
d. Luego de ingresar los archivos se grafica la solucin del problema inverso.
En la sub-ventana EEG/ERP signals ubique al espiga epileptogenica y
ubique el cursor entre el 30 y 50% de la seal eegGFP.
Protocolo para procesamiento de seales de EEG epilpticas con
SPM V8 para la obtencin del origen del foco epilptico
C.

1. Para cargar los datos de EEG y las coordenadas de electrodos al programa SPM
se recomienda consultar el manual de uso de SPM disponible en la web
(http://www.fil.ion.ucl.ac.uk/spm/doc/spm8_manual.pdf). Una opcin
recomendada es usar EEGlab para armar un archivo con los datos de EEG y los
electrodos y convertirlo a un formato que puede ser ledo por SPM. Usaremos el
formato Biosemi con extensin *.bdf.
a. Abra EEGLab usando el comando >>eeglab.
b. Siga los pasos del 1 al 6 del Anexo A: protocolo para procesamiento de
seales de EEG epilpticas con EEGLab para la obtencin del foco
epilptico.
c. Los datos del Doctor Camilo Borrego se encuentran en milivoltios y deben
ser expresados en microvoltios para que sea ledo correctamente por
SPM. En el workspace de Matlab escriba el comando >>
EEG.data=EEG.data*1000.
d. Abra la funcin File/Export/Data to EDF/BDF/GDF file
e. Se abre una nueva ventana del explorador. Escriba el nombre con el que
desea guardar el archivo. Use el siguiente formato [Nombre de
archivo].bdf. No olvide escribir la extensin.
f. Se abre una nueva ventana para seleccionar la extensin. Seleccione
BDF.
g. Presione OK.
2. Abra SPM en MATLAB usando el comando >>SPM eeg.
3. Se abren 3 ventanas. En la ventana men de SPM EEG presione el botn
convert seleccione el archivo *.bdf que genero con EEGLab. En una nueva
ventana se le pregunta Define Settings? Presione Just read. Esto hara que SPM
lea todos los datos del archivo de BDF con sus caractersticas por defecto. SPM
creara un nuevo archivos resultado de la conversin que tendra el nombre
SPM8_[nombre del archivo].mat
4. Se abre una nueva ventana de visualizacin del set de datos cargado. Presione
la pestaa EEG para visualizar los datos.
5. Presione la pestaa OTHER y verifique que nicamente se encuentra la seal
estatus (para set de datos que cuentan con la seal, esta pestaa se debe
encontrar vacia).
a. Si se encuentra algn otra seal presente presione la pestaa info.
b. Aparece un men con las opciones channels, trials, inv, history. Presione
channels. En esta pestaa se muestra el nombre de cada canal y
caractersticas como tipo de seal, si se encuentra defectuoso, entre
otros.
75

6.

7.

8.

9.

c. En la columna Type busque el canal que aparece como Other. Cambie

este valor por EEG haciendo doble click en la celda y asignando EEG.
d. Sobre el cuadro de las celdas presione el botn update.
e. En la parte superior derecha de la ventana presione el botn SAVE.
f. Cierre la ventana.
g. Para verificar que se han guardado los cambios dirjase a la ventana
men de SPM EEG presione display y seleccine M/EEG.
h. Se abre una nueva ventana, seleccione el archivo que creo SPM luego de
cargar los datos. Debe aparecer como SPM8_[nombre del archivo].mat
i. Verifique que en la pestaa OTHER nicamente se encuentra la seal
estatus. Si se corrigi el error pase al paso 6, de lo contrario vuelva a
iniciar este paso.
En la ventana de men de SPM EEG presione el botn Filter.
a. Se abre una nueva ventana. Seleccione el archivo SPM8_[nombre de
archivo].mat
b. Se abre una nueva ventana. Seleccione bandpass
c. Ingrese las frecuencias de corte (1, 30)
d. SPM crea un nuevo archivo con el prefijo f al archivo usado. Tendr el
nombre de fSPM8_[nombre de archivo].mat
e. Siempre que desea visualizar los resultados de un procedimiento dirjase
a la ventana men de SPM EEG presione display, seleccine M/EEG y
abra el archivo.
En la ventana de men de SPM EEG presione el botn epoching.
a. Seleccione el archivo fSPM8_[nombre del archivo].mat
b. Se abre una nueva ventana. En el campo Start of trial in PST [ms], ingrese
el valor de inicio del trial (Para los datos del doctor Camilo Borrego el valor
es -500).
c. En el campo End of trial in PST [ms], ingrese el valor final del trial (Para
los datos del doctor Camilo Borrego el valor es 500).
d. En el campo How many conditions, ingrese la cantidad de eventos que
tiene su set de datos (Para los datos del doctor Camilo Borrego el valor es
1).
e. En el campo Label of condition, ingrese el nombre del evento (Para los
datos del doctor Camilo Borrego ingrese el nombre espiga).
f. Se abre una nueva ventana donde aparecen el nmero de pocas
posibles del set de datos. (Para los datos del doctor camilo borrego
seleccione el de 100 epocas).
g. SPM crea un nuevo archivo con el prefijo e al archivo usado.
En la ventana de men de SPM EEG presione other y seleccione Baseline
correction.
a. Seleccione el archivo efSPM8_[nombre del archivo].mat
b. Se abre una nueva ventana. En el campo Start and stop of baseline [ms].
Ingrese el tiempo inicial para la correction de linea de base (Para los datos
del doctor Camilo Borrego ingrese -500).
c. En el campo Start and stop of baseline [ms]. Ingrese el tiempo inicial y
final para la correction de linea de base (Para los datos del doctor Camilo
Borrego ingrese -500,500).
d. SPM crea un nuevo archivo con el prefijo b al archivo usado.
En la ventana de men de SPM EEG presione el botn Averaging.
a. Seleccione el archivo befSPM8_[nombre del archivo].mat
b. Se abre una nueva ventana. En el campo Use robust averaging presione
el botn YES.
c. En el campo Save weights, presione el botn No.
76

d. En el campo Compute weights by condition, presione el boton No.

e. En el campo Offset of the weighting function deje el valor por defecto.
f. SPM crea un nuevo archivo con el prefijo m al archivo usado.
10. Luego de realizar la promediacion se recomienda ejecutar de nuevo un filtro en la
banda 0-30 hz. En la ventana de men de SPM EEG presione el botn Filter.
a. Se abre una nueva ventana. Seleccione el archivo mbefSPM8_[nombre
de archivo].mat
b. Se abre una nueva ventana. Seleccione bandpass
c. Ingrese las frecuencias de corte (1, 30)
d. SPM crea un nuevo archivo con el prefijo f al archivo usado. Tendr el
nombre de fSPM8_[nombre de archivo].mat
e. Siempre que desea visualizar los resultados de un procedimiento dirjase
a la ventana men de SPM EEG presione display, seleccine M/EEG y
abra el archivo.
11. En el men de SPM EEG presione el botn 3D Source Reconstr.
a. Se abre una nueva ventana. En el campo Data file presione el botn Load
y seleccione el archivo mefSPM8_[nombre del archivo].mat
b. Se abre una nueva ventana. Ingrese el nombre del analisis. Ejm: prueba1,
analisis1
c. Presione el botn template. Se abre una nueva ventana. En el campo
Cortical mesh se sugiere presionar el botn normal (para computadores
con capacidad media de cmputo).
d. Presione el botn Co-register.
e. Presione el botn Forward model. Se abre una nueva ventana. En la
pestaa Which EEG head model, seleccione EEG BEM.
f. A continuacin se presenta el procedimiento para la solucin del problema
inverso con SPM.
i. Presione el botn Invert. Se abre una nueva ventana. Presione el
botn Imaging.
ii. Presione el botn Custom. (El botn standard usa MSP para la
solucin en toda la ventana de tiempo del ERP).
iii. Presione el botn GS (Este botn da paso a la solucin con el
algoritmo de MSP, COH para Loreta, IID para mnima norma).
iv. En el campo Time-window, ingrese -20, 3.
v. En el campo PST Hanning, presione el botn NO.
vi. En el campo High-Pass, presione el botn 0.
vii. En el campo Low-Pass presione el botn 48.
viii. Presione el botn NO para los campos Source priors, Restrict
solutions.
ix. En la ventana de 3D source Reconstruction, escriba en el campo
ms or mm el valor -16 y presione el botn mip.
g. Si desea visualizar el comportamiento de la actividad elctrica en el
campo movie ingrese la ventana que selecciono para la solucin del
problema inverso (-20,3 ms). Luego proceda a presionar el botn movie.
h. Si desea ver un modelo 3D con la solucin presione el botn Render.

77

D.
Protocolo para procesamiento de seales de EEG epilpticas con
CARTOOL V3.51 para la obtencin del origen del foco epilptico
1. Verifique que las espigas se encuentren cada una ubicada en un archivo por
separado. la extensin de cada archivo debe ser *.ep (verifique adems que el
mximo de la espiga se encuentre centrado en el intervalo de tiempo).
a. Para el caso de los datos del doctor Camilo Borrego en el cual las
espigas se encuentran concatenadas es necesario separarlas en
diferentes archivos. Para esto corra en MATLAB los siguientes
comandos.

Freq=256;
%Frecuencia de muestreo de los datos del Doctor Camilo
EEG=dlmread('31215-20C3.eeg'); %Se carga la matriz con los datos
event=EEG(1,:); %Se guarda en la variable event el canal 1 de los datos
E2=find(event==2); %se guarda en el vector E2 las posiciones del evento 2
EEG=EEG(2:65,:); %Se elimina el canal 1 de los datos
for i=2:1:size(E2,2)
Data=EEG(:,E2(i)-127:E2(i)+128); %se centra en la posicion del evento 2 y se
extrae el trial para guardarlo en el vector Data
Aname=strrep('espiga#.ep','#',int2str(i));
dir='D:cartool\prueba\';
Aname=strcat(dir,Aname);
dlmwrite(Aname,Data','delimiter','\t'); %Se guarda la transpuesta del vector
Data en el directorio dir
end
2. Abra el programa Cartool.Se abre la ventana principla del programa
3. En la barra de herramientas, dirjase a tolos/averaging EEG files
a. Se abre una nueva ventana llamada Averaging en la pestaa Input
Files.
b. En el campo Input Files, presione el botn browse.
c. Se abre una nueva ventana. Ubique los archivos individuales de las
espigas, seleccinelos todos y presione abrir. Inmediatamente se
cargaran todos los archivos seleccionados al campo Input Files.
d. Presione el botn Events y desmarque los botones Triggers y Markers
e. En el campo Electrodes Coordinates File, presione browse. Se Abre
una nueva ventana. Ubique el archivo de electrodos. Seleccinelo y
presione abrir.
f. En el campo Output Base File Name, escriba la ruta de ubicacin del
archivo de salida de esta operacin.
g. Presione el botn Next>>
h. En el campo Presets. Seleccione Grand Average of ERPs/EEG/Surface
i. Desmarque los botones test to tthreshold value.
j. En el campo Epoch Origin. Presione el botn Fixed Time Frame e
ingrese el origen de la poca (Para los datos del doctor el valor es 0)
k. En el campo Pre-Frames Duration. Ingrese la cantidad de muestras
antes del origen de la poca (Para los datos del doctor el valor es 0).

78

l.

En el campo Post-Frames Duration. Ingrese la cantidad de muestras

despus del origen de la poca (Para los datos del doctor el valor es
256).
m. En el campo Filters, presione el botn Set Filters. Se abre una nueva
ventana.
i. Presione el botn High Pass e ingrese el valor 1
ii. Presione el botn Low Pass e ingrese el valor 30
iii. Presione el botn Remove DC
iv. Presione el botn Notch e ingrese el valor 60
v. En el campo Sampling Frequency ingrese el valor 256
vi. Presione Ok para continuar
n. Presione el botn Baeline Corr.
o. En el campo Baseline Inferior Limit ingrese la muestra inicial en donde
iniciara la remocin de liniea de base (Para los datos del doctor el valor
es 0).
p. En el campo Baseline Superior Limit ingrese la muestra final en donde
terminara la remocin de lnea de base (Para los datos del doctor el
valor es 256).
q. En el campo Data Level Normalization, presione el botn None.
r. Presione el botn Accept All Epochs, si confa que todos los trials son
buenos, de lo contrario no lo presione para hacer una revisin visual
uno por uno y rechazar los no deseados
s. Presione Next>>
t. Presione el botn Merged into One File
u. Presione el boton Average of Epochs
v. Presione el boton Process
w. Cartool iniciara el proceso de promediar los trials que se contienen en
los archivos aadidos. En caso de que en el paso 3.r. no halla presiona
do el botn Accept all epoch, prodra visualizar cada poca que
procesara el programa y oprimir el botn accept o reject epoch.
4. En la barra de herramientas de la ventana principal presione
Tools/Segmentation of EEG files
a. Se abre una nueva ventana llamada Segmentation
b. Presione el botn add New Group of files. Se abre una nueva ventana.
Ubique el archivo de salda del paso 3 y presione abrir.
c. En el campo Presets, seleccione el mtodo de clustering. Se
recomienda usar el mtodo EEG/Surface/Evoked Responses/ T-AAHC
(para datos de EEG ERP obtenidos con electrodos de montaje
superficial).
d. Deje los dems campos por defecto
e. En el campo Output Base file name, escriba la ruta de ubicacin del
archivo de salida de esta operacin.
f. Inmediatamente se abre una nueva ventana en la ventana principal de
Cartool.
g. Ubique el cursor en los picos de mximo relatico de la seal KL
i. En la barra de herramientas de la ventana principal de Cartool
presione Options/ Open segmentation at cursor position.
ii. Se abre una nueva ventana con el GFP de la seal de EEG ERP
segmentado.
iii. Anote el nombre de la ventana y el nmero de segmento donde
se encuentra la subida de la GFP.
iv. Repita el paso 4.g. para cada pico de la seal de KL.
79

5. En la barra de herramientas de la ventana principal presione Tools/Creating

Inverse Solution Matrices
a. Se abre una ueva ventana llamada Creating Inverse Solution Matrices
b. En el campo Electrodes - Presets, seleccione template MRI si va usar
un archivo de MRI estndar.
c. En el campo Full Head MRI, presione browse y seleccione el archivo de
la cabeza. El formato del archivo es *.head.hdr.
d. En el campo Brain MRI, presione el botn browse y seleccione el
archivo del cerebro. El formato del archivo es *.Brain.hdr
e. Si usa archivos estndar de MRI en el campo MRIs Pre-Processing deje
los botones por defecto.
f. En el campo presets, seleccione Coregister Template Electrodes to a
MRI.
g. En el campo Electrodes Coordinates File, ingrese la ruta del archivo de
coordenadas de electrodos.
h. En el campo XYZ coregistration to MRI presione el botn Coregister
template XYZ si usa MRI estndar
i. En el campo LeadField Preset, seleccione LSMAC for template brain
j. En el campo Lead Field, presione el botn Compute
k. En el campo Numer of solutions ingrese un valor entre 3000 a 6000
(para maquinas con baja capacidad de computo seleccione 3000).
l. En el campo Skull thickness, presione el botn Estimated from MRI
m. Presione los botones de los algoritmos con los que desea crear las
matrices de solucin inversa. Por cada algoritmo se crea una matriz.
n. En el campo Use Tikhonov Regularization, presione el botn
Regularization.
o. En el campo Output Base file name, escriba la ruta de ubicacin del
archivo de salida de esta operacin.
p. Presion OK.
6. Para hallar la solucin del problema inverso, en la barra de herramientas de la
ventana principal de Cartool, presine File/New emty link many file
a. Abra una ventana del explorador de archivos de Windows, ubique y
arrastre los siguientes archivos a la ventana LM.
b. El archivo .[nombre del algoritmo ejm: LORETA].is. Resultado del paso
5.
c. El archivo *.Grey.hdr resultado del paso 5.
d. El archivo *.Head.hdr.
e. El archivo *.brain.hdr.
f. El archivo *.spi resultado del paso 5.
g. El archivo con las coordenadas de electrodos
h. Los archivos *.ep con los nombres que anoto resultado del paso 4.
i. Para cada archivo .ep, una vez agreados con los otros archivos se
genera una solucin inversa, un mapa de potencial y las seales de
EEG resultado de la segmentacin.
j. Ubique el cursor en el nmero de segmento que anoto en el paso 4,
correspondiente a la subida del GFP. Esto se puede verificar en el
nombre de la ventana de seal de EEG que se abre luego de agregar el
archivo *.ep. Aparece el nombre del archivo al que corresponde la
ventana, seguido del segmento en el que se ubica el cursor. Ejemplo:
para el segmento 11 aparece template11.

80