Programas para Analisis de Senales y Evaluacion Cognoscitiva Guevara PDF

Programas computacionales
para análisis de señales bioeléctricas

y evaluación cognoscitiva
Miguel Ángel Guevara Pérez
Marisela Hernández González
Araceli Sanz Martin
Programas computacionales
para análisis de señales bioeléctricas
y evaluación cognoscitiva
Universidad de Guadalajara
2010
Primera edición 2010
D.R. © 2010, Universidad de Guadalajara
Centro Universitario
de Ciencias Biológicas y Agropecuarias
Carretera Nogales kilómetro 15.5
Las Agujas, Nextipac
Zapopan, Jalisco, México
ISBN
Impreso y hecho en México

Printed and made in Mexico
Índice
Prólogo 13
Presentación 15
Actividad cerebral
Señales electroencefalográficas (EEG) 21
Correlación y coherencia en el análisis de señales EEG 29
EEGmagic: programa para analizar señales EEG 39
EEGcorco: programa para analizar
correlaciones y coherencias EEG 55
REGRES: programa para calcular
regresiones y predicciones 67
Funciones ejecutivas
Corteza prefrontal 85
Memoria 97
Evaluación de funciones ejecutivas 107
HANOIPC3: versión computarizada de Torres de Hanoi 117
Estimulación Visual
Percepción visual 133
ESTIVISU: programa para estimulación visual 147
ESTIMSEX: programa para estimulación visual erótica 155
Referencias 161
Agradecimientos
A la Dra. Esmeralda Matute Villaseñor que, como en otras ocasio-

nes, no vaciló en brindarnos el apoyo para que la publicación de este
trabajo fuera una realidad.
A nuestras alumnas de postgrado: Lucía Ester Rizo Martínez y
Marina Ruiz Díaz, por la asistencia, técnica y académica, aportada
durante todo el proceso de elaboración del presente texto.
A nuestra amiga y colaboradora: Claudia del Carmen Amezcua
Gutiérrez, quien participó en la redacción del capítulo de estimula-
ción visual.
A Francisco Abelardo Robles Aguirre y a Evangelina Sánchez
Padilla por el diseño computacional de la imagen de la portada; fi-
nalmente a Carlos Sanz Hernández por la elaboración de los dibujos
que aparecen al inicio de las diferentes secciones que componen la
obra.
Al Dr. Víctor Manuel Alcaraz Romero
Impulsor incansable de la ciencia.
Por la oportunidad y fortuna de recibir su apoyo
Prólogo
Las Neurociencas cognitivas incursionan desde muy diversas pers-

pectivas en el estudio de la relación cerebro conducta. Una de ellas,
de larga tradición, es midiendo la actividad cerebral a través de las
señales electroencefalográficas que se evidencian ante la ejecución
de diversas actividades. Es justo este paradigma de análisis el que
es atendido en este volumen.
En efecto, en este libro se incluye la descripción de seis progra-
mas computacionales diseñados por el primer autor – Miguel Ángel
Guevara Pérez- para el registro de la actividad electroencefalográfica
con relación a diversas funciones cognitivas. En el primer apartado
se incluye la descripción de tres programas: EEGmagic: programa
para analizar señales EEG; EEGcorco: programa para analizar corre-
laciones y coherencias EEG y REGRES: programa para calcular re-
gresiones y predicciones. Éstos son precedidos por una introducción
sobre qué son las señales electroencefalográficas, haciendo especial
énfasis en la correlación y la coherencia.
El segundo apartado está destinado a la descripción del progra-
ma HANOIPC3, el cual es una versión computarizada de la prueba
“Torres de Hanoi”. Dado que este material está relacionado con la
medición de uno de los aspectos centrales de las funciones ejecuti-
vas, la planeación y la organización de la actividad, y que estas fun-
ciones tienen como sustrato la corteza prefrontal, los autores inician
el capítulo con una breve descripción de la corteza prefrontal y del
constructo teórico de las funciones ejecutivas.
Finalmente, en el tercer y último apartado se incluyen el progra-
ma ESTIVISU, diseñado para analizar la actividad cerebral ante la
presentación de estímulos visuales, y el programa ESTIMSEX, que
está destinado a la presentación de estímulos eróticos.
13
Programas computacionales...
Este volumen es especial, ya que los materiales que se incluyen

en él son ideas originales del primer autor y diseñados de manera
específica para desarrollar investigaciones cuyo interés central sea
conocer la actividad electroencefalográfica en población hispanoha-
blante.
Aplaudo la idea de los autores de reunir, en un solo volumen, el
trabajo de varios años que ha apoyado la investigación desarrollada
en diferentes centros nacionales encaminada al estudio de diferen-
tes elementos de la actividad cerebral.
Los autores del presente volumen son investigadores adscritos
al Instituto de Neurociencias del Centro Universitario de Ciencias
Biológicas y Agropecuarias de la Universidad de Guadalajara. El Dr.
Miguel Ángel Guevara ha trabajado durante más de 20 años en el
desarrollo de software para el registro de señales eléctricas cerebra-
les y de material visual computarizado cuya utilización, en conjunto
o de manera aislada, brinde información sobre el funcionamiento
cerebral. La Dra. Marisela Hernández, investigadora independiente
cuyos trabajos se ubican en el campo de la neurofisiología de la con-
ducta reproductiva, ha acompañado durante más de 15 años al Dr.
Guevara en esta línea de investigación. Finalmente, la Dra. Araceli
Sanz ha sido alumna de ellos y ahora se desempeña como investiga-
dora independiente dentro de las neurociencias cognitivas.
El poner a la disposición de los investigadores este material sin
duda facilitará el desarrollo de nuevas áreas de estudio dirigidas por
investigadores ajenos a este grupo, que tengan interés en profundi-
zar sobre el conocimiento de la relación de la actividad electroence-
falográfica y la conducta. Espero que este libro abra un diálogo entre
todos ellos y promueva la conformación de una base de datos que
brinden criterios normativos para la consecución de sus estudios.
Así, este volumen será un recurso esencial para aquellos investi-
gadores que en el área de las Neurociencias cognitivas realizan tra-
bajos utilizando material computarizado.

Esmeralda Matute
ematute@cencar.udg.mx
14
Presentación
El registro y análisis de la actividad electroencefalográfica ha cons-

tituido durante muchos años una de las más sensibles herramien-
tas que permiten examinar la funcionalidad cerebral con relación
a diferentes estados fisiológicos, manipulaciones hormonales y far-
macológicas o ante la resolución de diferentes tipos de tareas. La
importancia de su uso radica, principalmente, en su alta resolución
temporal, que permite obtener registros desde milisegundos hasta
horas o días. Los grupos de investigación que en diferentes univer-
sidades e instituciones de salud han continuado desarrollando y
profundizando en el estudio de la actividad electroencefalográfica
se cuentan ya como numerosos en nuestro país.
Por otro lado, la aplicación de diferentes pruebas neuropsicoló-
gicas en el ámbito clínico y de investigación básica ha constituido
una útil herramienta para el estudio de las funciones cognoscitivas
tanto en sujetos sanos como en sujetos con patologías específicas o
lesiones cerebrales. Las funciones cognoscitivas, entendidas como
las funciones más complejas y superiores de los mamíferos, tienen
un sustrato neurofisiológico, en el cual la corteza prefrontal desem-
peña un papel primordial; de ahí que varias de las pruebas neu-
ropsicológicas que han sido desarrolladas evalúan procesos tales
como selección de respuestas, implementación de estrategias para
facilitar la memoria, información espacial “en línea”, monitoreo y
manipulación de la memoria de trabajo, así como la organización de
material antes de la codificación, verificación y evaluación de repre-
sentaciones que han sido recuperadas de la memoria a largo plazo
(Ramnani & Owen, 2004) y que se han atribuido en gran parte a la
involucración de la funcionalidad prefrontal. Así pues, muchas de
las capacidades de razonamiento consideradas como características
15
Programas computacionales...
únicamente de seres humanos, tales como la planificación a largo

plazo, el razonamiento hipotético y la reorganización de conceptos
complejos, requieren de la adecuada funcionalidad de la corteza
prefrontal, así como de otras áreas corticales y subcorticales con las
cuales mantiene conexiones.
De entre las diversas pruebas neuropsicológicas más utilizadas
(Wisconsin, Torres de Londres, Cubos de Corsi, entre otras), las To-
rres de Hanoi (TOH) destacan por ser uno de los más famosos y
fascinantes juegos matemáticos. Fue inventado como un juego para
niños en 1883 por el matemático francés Francois Edouard Anato-
le Lucas (Danesi, 2004). Torres de Hanoi es considerada como una
prueba de planificación que requiere de la habilidad para solucionar
problemas del aprendizaje por procedimientos, de la memoria de
trabajo para la generación y almacenamiento provisional de subme-
tas, de la inhibición de los movimientos incorrectos, del monitoreo
de la propia conducta y de la revisión de planes, habilidades todas
ellas que dependen de la corteza prefrontal. Así pues, dada la opor-
tunidad de colaborar estrechamente con varios grupos de investi-
gación nacional es que surge el interés de desarrollar una versión
computarizada de Torres de Hanoi, así como también de programas
para el análisis de datos electroencefalográficos (EEG) y de presen-
tación de estímulos visuales.
El primero de los programas aquí presentados es EEGmagic, el
cual fue creado para analizar señales EEG. Para ello aplica la Trans-
formada Rápida de Fourier con el fin de obtener los valores de
potencia absoluta (PA) y potencia relativa (PR) de cada frecuencia
individual, así como de frecuencias agrupadas en bandas anchas. Se
calcula la correlación (producto-momento de Pearson) para deter-
minar cuantitativamente la semejanza entre las señales de EEG de
áreas homólogas de los hemisferios (correlación interhemisférica) y
entre áreas localizadas dentro de un mismo hemisferio (intrahemis-
férica). EEGcorco es un programa de computadora muy similar a
EEGmagic que también aplica la Transformada Rápida de Fourier
para calcular los espectros, pero esta vez son de correlación y de
coherencia de cada frecuencia individual, así como de frecuencias
agrupadas en bandas anchas. REGRES es un programa que, con
base en señales electroencefalográficas, genera un modelo matemá-
tico (una función de regresión) que explica el comportamiento de
una población de datos o, bien, predice el comportamiento de dicha
población.
16
Presentación
HANOIPC3 es un programa de computadora que está basado

en la versión original de Francois Edouard Anatole Lucas. Este pro-
grama, además de minimizar los errores de interpretación, propor-
ciona resultados cuantificables. Nuestra versión consta de 3 postes
(torres) colocados en línea recta y 3 discos de diferentes tamaños.
Al igual que en la prueba original, el problema consiste en mover
todos los discos a otro poste con las siguientes reglas: mover sólo
un disco cada vez, los discos siempre tienen que estar en uno de los
postes y nunca se puede colocar un disco mayor sobre uno menor.
En HANOIPC3 se ha añadido una regla más: se deben mover los
discos sin saltar de poste, es decir, solamente se pueden mover dis-
cos a los postes aledaños. Esta regla hace que el número mínimo de
movimientos para resolver la tarea, con 3 discos, se incremente de 7
(sin la regla adicional) a 26. Finalmente, ESTIVISU (de imágenes u
objetos) y ESTIMSEX (estímulos eróticos) son programas computa-
cionales para estimulación visual, los cuales permiten estimular con
imágenes o con video, controlando de manera precisa el tiempo de
presentación y el intervalo de tiempo entre estímulos.
Para fines de investigación científica, las versiones computacio-
nales pueden ser solicitadas a los autores y libremente instaladas
por todos aquéllos que estén interesados. Lo único que se solicita es
que, si se publican resultados de experimentos en los que se hayan
utilizado tales programas, se cite el crédito correspondiente.
Con la mejor intención y esperando que sean de utilidad para los
grupos de investigación de instituciones nacionales y extranjeras,
ponemos en sus manos estas herramientas computacionales.
Miguel Ángel Guevara Pérez

mguevara@cencar.udg.mx
Marisela Hernández González

mariselh@cencar.udg.mx
Araceli Sanz Martin

aracelisanz@yahoo.com
17
ACTIVIDAD CEREBRAL
Señales electroencefalográficas (EEG)
La actividad electroencefalográfica es generada por la actividad

conjunta de millones de neuronas corticales influenciadas por la in-
terrelación de la actividad entre regiones corticales y subcorticales.
Se puede definir la actividad EEG como las oscilaciones de voltaje
originadas por las corrientes iónicas intra y extraneuronales en una
gran población de células, dispuestas en forma radial a la superficie,
que se activan sincrónicamente (por su configuración, los candida-
tos más probables son las neuronas piramidales). Las corrientes ió-
nicas están dadas principalmente por los potenciales postsinápticos,
tanto excitatorios como inhibitorios.
A nivel de redes neuronales, las fluctuaciones de la actividad
eléctrica observadas en los registros EEG son en gran medida el re-
sultado de la actividad neuronal entre el tálamo y la corteza. El tá-
lamo es la estructura subcortical central que releva señales aferentes
hacia el nivel cortical y recibe señales de las vías ascendentes y des-
cendentes de múltiples áreas del cerebro. En general se acepta que
la ritmicidad cortical es el resultado de una compleja interrelación
entre circuitos tálamo-corticales y circuitos córtico-corticales locales
y globales (Mesulam, 1990; Thatcher, Krause & Hrybyk, 1986).
El registro y análisis de la actividad electroencefalográfica han
sido usados durante muchos años como unas de las más sensibles
herramientas que permiten examinar la funcionalidad cerebral en
relación con diferentes estados fisiológicos, manipulaciones hormo-
nales y farmacológicas o ante la resolución de diferentes tipos de
tareas. La importancia de su uso radica, principalmente, en su alta
resolución temporal, que permite obtener registros desde milise-
gundos hasta horas o días (ver Figura 1).
21
Programamas computacionales...
Figura 1
Registro de la actividad electroencefalográfica mientras se realiza la prue-
ba Torres de Hanoi con el programa HANOIPC3
El electroencefalograma permite estudiar la relación entre la con-

ducta y el sistema nervioso sin intervención invasiva (Niedermeyer,
1999). Entendemos por electroencefalograma el registro continuo de
las fluctuaciones espontáneas de voltaje generadas por el cerebro
(John et al., 1977) y se representa por una gráfica del voltaje en fun-
ción del tiempo.
Los inicios del electroencefalograma se atribuyen a los médicos
Fritsch (1838-1927) y Hitzing (1838-1907) quienes, en el año de 1870,
observaron que al estimular mediante corriente galvánica determi-
nadas áreas laterales del encéfalo de un perro se producían movi-
mientos en el lado opuesto del cuerpo. Fritsch observó contracciones
musculares contralaterales durante el vendaje de un cerebro abierto
de un soldado herido en la guerra Prusiana-Danesa de 1864 (Nie-
dermeyer, 1999).
El electroencefalograma fue descrito inicialmente en conejos y
monos por Richard Caton en el año 1875. Caton estaba interesado
en estudiar la localización de las funciones sensoriales del cerebro;
presentaba estímulos visuales mientras registraba de electrodos di-
rectamente sobrepuestos en el cerebro de conejos y monos. Demos-
22
Señales electroencefalográficas
tró que cuando un “flash” de luz se le presentaba al animal frente a

sus ojos, existía un cambio en la actividad eléctrica del área occipi-
tal. Esta respuesta fue, probablemente, el primer potencial sensorial
evocado de tejido cortical. También Caton fue el primero en demos-
trar que, aunque no existiera estímulo alguno que se le presentara
al animal, ocurrían oscilaciones de voltaje en sus registros, conclu-
yendo la existencia de ondas y actividad eléctrica en el cerebro en
reposo (Andreassi, 2000).
Con electrodos no polarizados, Beck (1863-1939) investigaba la
actividad eléctrica espontánea del cerebro de conejos y perros. Él ob-
servó la desaparición de oscilaciones rítmicas cuando los ojos eran
estimulados con luz. Hasta 1913, Prawdwicz-Neminski registró lo
que llamó “electrocerebrograma” de un perro. Siendo el primero
en intentar clasificar semejantes observaciones, continuó haciendo
investigaciones de este tipo, en las cuales los registros se hacían en
cerebros descubiertos, ya que era imposible registrar los impulsos
cerebrales desde el exterior del cráneo debido a que no contaban con
amplificadores (Niedermeyer, 1999).
En 1902, Hans Berger comenzó su trabajo sobre las ondas cere-
brales en perros y en 1920 comenzó con registros EEG en humanos.
Su principal meta fue detectar, desde la superficie del cráneo en hu-
manos, las mismas ondas que podía obtener de la superficie del ce-
rebro de los animales; finalmente incluyó sus propios registros y los
de su hijo para publicar, en el año 1929, sus primeros experimentos
en humanos (Berger, 1929).
Berger descubrió y nombró dos ondas cerebrales con patrones
básicos; una onda relativamente larga, regular, que ocurría entre 10
y 11 veces por segundo (Hz), llamándola “Alpha”; y una onda pe-
queña e irregular a una frecuencia de 20 a 30 ciclos por segundo,
llamándola “Beta”. Otra de las ondas es “Delta”, una onda caracte-
rizada por muy baja frecuencia y gran amplitud, fue nombrada por
Walter en 1937; en el año 1953, Walter también describió a la onda
“Theta”, una onda con frecuencias entre 3 y 7 ciclos por segundo
(Andreassi, 2000).
Ritmos Electroencefalográficos
Por ritmo electroencefalográfico se reconoce a una actividad sincró-

nica, con un rango de frecuencias específico, con determinada loca-
lización encefálica y que predomina en alguna condición fisiológica
23
y puede desaparecer ante una maniobra específica (reactividad)...

(Harmony, Marosi, Díaz de León, Becker & Fernández, 1991).
Ritmo Delta: su frecuencia es de 1 a 3.5 Hz, con una amplitud

oscilando alrededor de los 100-200 µV. No debe observarse en adul-
tos en vigilia, pero es el ritmo que predomina en la última fase del
sueño de ondas lentas. También se observa en los dos primeros años
de vida y en daños cerebrales serios (tumores, cisticercos, isquemia,
etc.) focalizado en el área de la lesión. Este ritmo fue descrito por
Grey Walter en 1936 (Guyton, 1987). También se ha descrito en con-
diciones de meditación yoga y durante actividad mental que requie-
re de concentración (inhibiendo los estímulos externos que no son
relevantes para la realización de la tarea).
Ritmo Theta: su frecuencia está entre los 4 y los 7.5 ciclos por
segundo. Este ritmo se presenta en la mayoría de las regiones parie-
tales y temporales de los niños. En situaciones fisiológicas normales
no es frecuente observarlo en adultos en vigilia, aunque a veces se
presenta bajo situaciones de estrés emocional y se ha descrito du-
rante la meditación yoga. En patologías se observa en pacientes que
presentan edema cerebral (Fernández, 1996). Dicho ritmo fue descri-
to por Walter y Dovey en 1944 (Guyton, 1987). Es normal observarlo
durante las primeras fases del sueño de ondas lentas. Su amplitud
oscila alrededor de los 70 µV.
Ritmo Alfa: fue el primer ritmo electroencefalográfico descrito,
descubierto por Hans Berger en 1929; fue llamado como “ritmo de
Berger” por Adrian y Matthews en 1934 (Harmony, 1991). Son ondas
rítmicas que ocurren en una frecuencia de 8 a 13 ciclos por segundo
(Hertz: Hz) y se observan en el registro EEG de adultos normales
despiertos en condición de reposo; se favorece la aparición de alfa
cuando el sujeto tiene los ojos cerrados. Estas ondas tienen mayor
amplitud o voltaje en regiones occipitales, pero también pueden ser
encontradas en las regiones parietales y frontales. Su voltaje es cer-
cano a los 50 µV. Durante el sueño, el ritmo alfa comienza a reducir-
se en amplitud y frecuencia de aparición paulatinamente, llegando
a desaparecer por completo en las últimas fases de sueño de ondas
lentas. Este ritmo también se reduce o bloquea cuando el sujeto en-
foca su atención a una actividad mental específica o cuando abre los
ojos en condición de reposo; cuando el registro EEG se desincroniza,
las ondas alfa son reemplazadas por ritmo beta; sin embargo, en la
condición de concentración profunda que se requiere para algunas
24
tareas mentales, se ha descrito también que se reemplazan por acti-

vidad delta (Fernández, 1996).
Ritmo Beta: fue descrito por Hans Berger en 1929 (Guyton, 1987).
Su frecuencia se encuentra entre 13.5 y 30 Hz y tiene menor ampli-
tud que alfa, aproximadamente 20-30 µV. Este ritmo es el que más
frecuentemente se registra en las regiones frontales. La mayoría de
las ondas beta aparecen durante la activación del sistema nervioso
central, si el individuo se encuentra bajo tensión o con la apertura de
los ojos en vigilia.
Ritmo Gamma: las ondas gamma inicialmente fueron ignoradas,
se les prestó atención hasta el advenimiento masivo de la compu-
tación digital. Se les considera un rango de frecuencias entre los
31-100 Hz (son una continuación, en frecuencias, del ritmo beta),
siendo característica de este ritmo la frecuencia de 40 Hz. Su apa-
rición está asociada a pensamientos abstractos y que involucren un
alto procesamiento de información (su existencia se ha asociado a
la aparición de la conciencia). Aparece, principalmente, en la región
frontocentral, presentando una amplitud promedio entre 10-20 V.
La distinción que se ha hecho de los ritmos indica que tienen
características funcionales diferentes y subyacen procesos conduc-
tuales diferentes.
El análisis cuantitativo de la actividad EEG
El análisis cuantitativo del electroencefalograma constituye una

herramienta útil que permite relacionar cambios en la actividad
eléctrica cerebral con funciones cognoscitivas y conductuales ante
diversas condiciones experimentales. Éste se ha basado en dos tipos
de técnicas: las basadas en el dominio de la frecuencia, como la cohe-
rencia, y las basadas en el dominio del tiempo, como la correlación.
Para poder trabajar con medidas cuantitativas es necesario utili-
zar métodos de análisis que utilicen series de tiempo (para lo cual
es necesario trabajar con señales digitalizadas). El análisis espectral
de potencias es un método muy poderoso de cuantificación de se-
ries de tiempo. Todos los análisis espectrales descomponen una for-
ma de onda compleja en una suma lineal de componentes de ondas
más elementales. En el análisis de Fourier, las ondas elementales son
ondas seno y coseno, las cuales permiten ejecutar el análisis lineal
de una manera eficiente mediante simples cambios del dominio del
tiempo al dominio de las frecuencias (Thatcher, 1998).
25
La transformada rápida de Fourier (TRF) permite separar una

señal EEG en los componentes de frecuencia que la constituyen
y calcular la amplitud de cada uno de ellos para, posteriormente,
agruparlos en bandas de frecuencias particulares. Estas amplitudes
(por frecuencias individuales o agrupadas en bandas) constituyen
el espectro de amplitudes de la señal en estudio. El espectro de po-
tencias absolutas de una señal es el espectro de amplitudes elevado
al cuadrado (la amplitud en cada frecuencia se eleva al cuadrado).
La suma de todos los valores de potencia absoluta, que forman el
espectro, se llama potencia absoluta total, la cual gráficamente se
puede considerar como el área comprendida entre la curva del es-
pectro y el eje de las abscisas (Figura 2). El espectro de potencias
relativas se obtiene a partir del de potencias absolutas, calculando el
porcentaje de la potencia absoluta en cada frecuencia respecto a la
potencia absoluta total.
Figura 2
Se representa un espectro de potencias absolutas, el cual es equiparable al
área bajo la curva; se ha indicado, con sombreado, una posible agrupación
de frecuencias en 7 bandas anchas
uV2
140 Espectro de potencias absolutas
120
100
80
60
40
20
0 Hertz
1 3 7 11 13 10 30 50
4 8 10 14 20
En el dominio del tiempo se cuenta con el coeficiente de correlación

producto-momento de Pearson, que es uno de los índices matemáti-
cos con mayor potencia estadística para encontrar posibles relaciones
entre las variables de estudio. Este tipo de análisis se ha aplicado para
el estudio de las señales bioeléctricas cerebrales. Galton fue uno de los
iniciadores de la idea de utilizar la pendiente de regresión como índice
de relación entre dos variables, pero fue Karl Pearson quien resolvió el
26
problema aplicando la fórmula de correlación a la cual se le atribuye

su nombre. La correlación entre señales bioeléctricas cerebrales es una
medida de la semejanza de morfología y polaridad entre los puntos
que conforman a dos señales registradas simultáneamente en diferen-
tes zonas cerebrales sin tomar en cuenta la amplitud. Una correlación
de 1 indica la máxima correlación positiva, de 0 la mínima y -1 la
máxima negativa (Guevara, Lorenzo, Arce, Ramos & Corsi-Cabrera,
1995; Guevara & Hernández, 2006).
Buscando, también, obtener datos cuantitativos y comparables
entre sujetos, es altamente recomendable que los registros EEG sean
obtenidos siguiendo una colocación estándar de electrodos de re-
gistro, por ejemplo el Sistema Internacional 10-20 de colocación de
electrodos (Jasper, 1958) (ver Figura 3).
Figura 3
Representación esquemática de la colocación de electrodos mediante el sis-
tema 10-20 internacional (Jasper, 1958) y su nomenclatura (A, vista lateral;
B, vista superior)
A B Nasion 10%
20% Vertex
Pg1 Pg2
CZ 20% 20%
FZ Fp1 Fp2
20% 20%
C3 F3 FZ F4
F3 PZ F7 F8
FP1 20% P3 20% 20%
F7 A1 A2
10% T3 C3 CZ C4
T3 T5 O1
Nasion 10%
20%
10% T5
A1 P3 PZ P4 T6
Preauricular Inion
Pg1 O1 O2
20%
Inion 10%
En la búsqueda de la correspondencia entre la posición de los

electrodos en el cuero cabelludo, de acuerdo al Sistema Internacional
10-20, y la corteza cerebral, se han realizado diferentes trabajos expe-
rimentales. Por ejemplo, Homan, Herman y Purdy (1987) colocaron
marcadores de aluminio, siguiendo el sistema 10-20, en 12 sujetos (9
27
hombres y 3 mujeres), sanos y diestros, y mediante tomografía com-

putarizada determinaron la relación entre la posición superficial del
marcador y la relación que guarda con la estructura cerebral corres-
pondiente. En particular encontraron que los marcadores colocados
en F3 y F4 correspondían al área 46 de Brodmann; y que los colocados
en P3 y P4, a pesar de que presentan una substancial dispersión, casi
todos caen en el área 7 de Brodmann. De igual manera, los autores,
presentan un reporte para el resto de los marcadores.
Rossi et al. (2001), a partir de promediar las imágenes de reso-
nancia magnética de 152 sujetos, determinaron que la proyección
cortical de F4, sobre la corteza cerebral, corresponde al área 9 de
Brodmann, con las coordenadas de Tailarach 42, 32, 31 (que corres-
ponden al giro frontal superior (Tailarach & Tournoux, 1988)).
Herwig, Satrapi y Schönfeldt-Lecuona (2003) en 21 sujetos sanos
(11 hombres y 10 mujeres) colocaron una gorra de electrodos, tam-
bién de acuerdo al Sistema Internacional 10-20. La posición relativa
de los electrodos sobre la corteza cerebral fue determinada median-
te imágenes de resonancia magnética. Determinaron que la corres-
pondencia no era uniforme para todos los sujetos; por ejemplo: el
electrodo colocado en F3 correspondió a las áreas de Brodmann 8 y
9 (algunos sujetos en 8 y otros en 9); con F4 pasó lo mismo pero del
lado derecho; el colocado en P3 correspondió a las áreas de Brod-
mann 7 y 40 (algunos sujetos en 7 y otros en 40).
Okamoto et al. (2004) determinaron la proyección cortical del
sistema internacional 10-20 en 17 sujetos sanos (9 hombres y 8 mu-
jeres), 14 de ellos diestros. Usaron marcadores vegetales grasos y
determinaron su proyección sobre la corteza mediante imágenes de
resonancia magnética (usando un complejo programa computacio-
nal y el atlas de Talairach); tanto F3 como F4 resultaron proyectados
sobre las áreas de Brodmann 9 y 10 (aproximadamente el 50% de
los sujetos en cada área); tanto P3 como P4 se proyectaron sobre las
áreas de Brodmann 7 y 19 (predominantemente sobre la 7), por lo
que también se obtuvo variabilidad en la localización de la proyec-
ción de las localizaciones del sistema 10-20.
Con base en los estudios anteriores y algunos otros no revisados
en este trabajo se ha podido determinar que los electrodos colocados
sobre el cuero cabelludo, de acuerdo al sistema internacional 10-20,
en las derivaciones F3 y F4 se corresponden directamente con la cor-
teza prefrontal dorsolateral y los colocados en las derivaciones P3 y
P4 con la corteza parietal posterior.
28
Correlación y coherencia
en el análisis de señales EEG
En el área del análisis de señales bioeléctricas cerebrales ha existido

interés por evaluar las posibles relaciones funcionales del cerebro
ante conductas motivadas. La coherencia y la correlación son índi-
ces matemáticos que permiten determinar el grado de semejanza
entre dos señales electroencefalográficas y han sido utilizados para
establecer una posible relación funcional entre diferentes regiones
del cerebro. Aunque frecuentemente ambos métodos se consideran
como equivalentes, la verdad es que existen algunas diferencias tan-
to en los procedimientos que se siguen para su cálculo como en los
resultados que proporcionan. Mientras que la coherencia mide la
covariación entre dos señales como una función de la frecuencia, to-
mando en cuenta tanto los cambios de amplitud como de fase entre
las señales involucradas, la correlación mide la covariación entre las
señales como una función del tiempo, considerando tanto la relación
de fase como la polaridad entre las dos señales que se están anali-
zando, no tomando en cuenta la amplitud. La correlación puede ser
calculada a partir de un solo segmento de las señales, mientras que
la coherencia solamente tiene sentido a partir de varios segmentos.
La correlación está definida entre los valores -1 (correlación máxima
negativa) y 1 (correlación máxima positiva), siendo cero la correla-
ción mínima (ausencia de correlación); la coherencia lo está entre
cero (coherencia mínima) y 1 (coherencia máxima). En Guevara y
Corsi (1996) se han explicado las principales diferencias entre los 2
índices matemáticos en cuestión.
Desde un punto de vista histórico, la correlación y la coherencia
han evolucionado de manera diferente. La correlación es producto
del trabajo desarrollado por estadísticos y matemáticos, mientras
que la coherencia ha sido desarrollada por ingenieros, ya que está
29
basada en el análisis espectral, que es una herramienta fundamental

en la ingeniería de comunicaciones (Bendat, 1980).
El método matemático para calcular el coeficiente de correlación
puntual se debe a Karl Pearson. En realidad primero surgió el con-
cepto de regresión y en seguida el de correlación; ambos conceptos
matemáticos se deben a Sir Francis Galton, quien los propuso cuan-
do estaba realizando unos estudios sobre la herencia (Galton, 1886).
La idea de Galton era emplear la pendiente de la recta de regresión
como índice de la relación entre dos variables, porque mientras más
inclinada sea la pendiente, más fuerte será la relación entre las dos
variables, pero fue Karl Pearson, un amigo de Galton, quien resol-
vió el problema con la fórmula a la cual se le ha puesto su nombre
(Pearson & Lee, 1903).
Las primeras publicaciones referentes al uso de la coherencia en
el análisis de señales EEG aparecieron hasta después de la publica-
ción de Cooley y Tukey (1965) referente al algoritmo que permite
calcular, de una manera rápida, la Transformada discreta de Fourier.
Siendo la coherencia un método que involucra el cálculo de los es-
pectros de las señales, ha evolucionado a partir de la posibilidad de
realizar los cálculos de dichos espectros en un tiempo razonable-
mente corto (a partir del año 1965).
La aplicación de la correlación al análisis de las señales bioeléctri-
cas cerebrales se ha dado de manera histórica antes que la aplicación
de la coherencia a dichas señales; sin embargo, actualmente la cohe-
rencia se aplica en mayor número de investigaciones. Las primeras
aplicaciones de la correlación al análisis de las señales bioeléctricas
fueron a partir del cálculo de la función de correlación entre dos
señales, lo que involucra el sucesivo desplazamiento temporal de
una de las dos señales (Brazier & Casby, 1952). La función de co-
rrelación, también conocida como correlograma, fue principalmente
empleada en la búsqueda de componentes periódicos de las señales
bioeléctricas (Grindel, 1965).
Lo cierto es que los dos análisis (el de correlación y el de cohe-
rencia) son muy similares y han brindado información, tanto sobre
el grado de semejanza morfológica de las señales EEG (Shibasaki,
2003; Byring, 2004), como de su polaridad y fase en el tiempo (Cor-
si-Cabrera, Guevara, & Ramos-Loyo, 2008; Harmony, 1973; Shaw,
1984).
Siendo la coherencia una función de la frecuencia, es común
presentarla de manera espectral (valores de coherencia en cada
30
Correlación y coherencia en el análisis...
frecuencia del espectro); mientras que la correlación normalmen-

te se presenta como valores puntuales definidos en el tiempo. En
realidad es posible calcular tanto espectros de correlación como de
coherencia, basta con calcular los valores de correlación para cada
frecuencia; el cuadrado de los valores de este espectro es una muy
buena aproximación a un espectro de coherencia. En un documento
ya publicado (Guevara & Hernández, 2006) se ha explicado una ma-
nera de calcular los espectros de correlación a partir de los mismos
espectros utilizados para calcular la coherencia; ahora se presenta la
comparación entre las fórmulas para el cálculo de ambos espectros
(correlación y coherencia). La Figura 4 es un diagrama de los pasos
que se siguen para calcular dichos espectros.
Figura 4
Método para calcular la coherencia y la correlación. Las señales analógicas
A y B son digitalizadas a través de un convertidor analógico-digital (A/D).
A partir de las señales digitales se obtienen los espectros instantáneos de
cada señal y posteriormente los autoespectros (SAA y SBB) y el espectro cru-
zado (SAB). El espectro de coherencia es calculado a partir de los autoespec-
tros y del espectro cruzado. En la figura también se observa que la función
de correlación cruzada puede obtenerse con la Transformada inversa de
Fourier (F-1) del espectro cruzado.
SAA
Señal Espectro Auto Función de
A/D Señal F F-1
Analógica Instantá- Espectro AUTO
Digital
A neo (promedio) CORRELACIÓN
SAB
Espectro F-1 Función de
Cruzado CORRELACIÓN
(promedio) CRUZADA
SAB 2
COH=
SAA SBB
CovAB
COHERENCIA r=
VarA VarB
SBB
Señal A/D Espectro Auto F-1 Función de
Señal F
Analógica Instantá- Espectro AUTO
Digital
B neo (promedio) CORRELACIÓN
Tiempo Frecuencia Tiempo
31
Algoritmo para calcular el espectro de correlación
Al tener en el dominio del tiempo a cada uno de los componentes

(frecuencias) de las señales bioeléctricas, el coeficiente de correla-
ción puntual producto-momento de Pearson, para cada frecuencia,
puede ser calculado mediante la siguiente fórmula:
n
Σ {(a – µ )(b – µ )}
i A i B
= n
i=l
n
(1)
Σi=l
(ai – µA)2 Σ
i=l
(bi – µB)2
El coeficiente de correlación puede ser calculado siguiendo un

método similar al del cálculo de la coherencia, es decir, empleando
los espectros de amplitudes de las señales. El método está ilustrado
en la Figura 4 y queda explicado siguiendo los pasos A-D:
A) Transformada discreta directa de Fourier: la fórmula 2 indica

cómo, a partir de las fórmulas 3 y 4, se puede obtener el espectro
instantáneo de una señal digitalizada.
Espectro instantáneo = (Fre)2 + (Fim)2 (2)
Σ
N–l
Fre(x) = n=0
f(n)cos N (
( 2πnx (3)

Σ (4)
N–l
Fim(x) = – n=0 N (
f(n)sen ( 2πnx
Donde:
Fre(x), Fim(x): x = 0,1,2,...,N-1 (las N frecuencias en que se des-
componen las señales)
f(n): n = 0,1,2,...,N-1 (las N muestras que componen a las señales
en el tiempo)
Por las propiedades de la Transformada discreta de Fourier se

sabe que el número de frecuencias en que es posible descomponer
a una señal digital es N/2 más un elemento que representa al nivel
promedio de los datos (conocido como nivel de corriente directa, o
nivel de “DC”); las N/2 -1 frecuencias restantes son una imagen de
las primeras N/2-1.
32
B) Transformada discreta inversa de Fourier: con la fórmula 5 se

regresa al dominio del tiempo una señal digitalizada que se encuen-
tra en el dominio de la frecuencia.
(5)

Donde:
Fre(x), Fim(x): x = 0,1,2,...,N-1 (las N frecuencias en que se des-
componen las señales)
f(n): n = 0,1,2,...,N-1 (las N muestras que componen a las señales
en el tiempo)
C) Las fórmulas de los autoespectros y del espectro cruzado para

señales digitalizadas son (6 - 15):
Autoespectro de la señal A:
(6)
(7)

(8)
Autoespectro de la señal B:
(9)
(10)

(11)
33
Espectro cruzado entre las señales A y B:
(12)
(13)

(14)
(15)
Donde :
nd = número de segmentos
Ai(x), Bi(x) = espectros instantáneos de las señales A y B en la
frecuencia x
Ai*(x), Bi*(x) = conjugados de los espectros instantáneos de las se-
ñales A y B en la frecuencia x (el conjugado de un número complejo
se obtiene al invertir el signo de la parte imaginaria)
D) Al aplicarle la Transformada Inversa de Fourier al espectro

cruzado de una señal se obtiene la función de correlación cruzada
expresada por la fórmula (16):
(16)
De esta función de correlación solamente interesa la correlación

en tiempo cero para cada frecuencia x, por lo que n siempre será
cero, es decir, sólo interesa el primer lugar (correlación en tiempo
cero) de la función de correlación, quedando la fórmula (17):
(17)
La simplificación fue posible debido a que, siendo n = 0:
34
Se ve claramente que, para el cálculo del primer lugar de la fun-

ción de correlación, no se emplea la parte imaginaria del espectro
cruzado. Pero además, si para cada frecuencia x se supone que todas
las demás son cero (como en un filtro ideal), esto es, que se trabaja
con señales que contienen una sola frecuencia, entonces para cada
frecuencia x se tiene que la función de correlación en tiempo cero
está dada por la fórmula 18:
(18)
Donde:
x = 1,2,...,N/2 (las N/2 frecuencias en que se descomponen las
señales)
(x no empieza en cero porque no se debe considerar el “DC”)
Sabiendo que en la fórmula anterior Fre(x) es igual a la fórmula

19:
(19)

es decir, a la parte real del espectro cruzado. Considerando a un
solo segmento (nd=1, es posible para la correlación) se obtienen las
fórmulas 20 y 21:
(20)
(21)
Con estos valores de correlación para cada una de las N/2 fre-
cuencias, ya es posible calcular el espectro de correlación para las
dos señales involucradas, pero sus valores no están entre -1 y +1,
como es la mejor manera de verlos. Para obtener los valores en di-
cho rango se deberán dividir los valores de cada r(x) entre la raíz
35
cuadrada del producto del lugar cero de la transformada inversa de

los autoespectros de las señales para la misma frecuencia x, es decir,
la autocorrelación en tiempo cero de cada una de las señales A y B
(facA y facB), según se indica en la fórmula 22:
(22)
donde facA y facB están definidas por las fórmulas 23 y 24:
(23)
(24)
Pero como solamente interesa el lugar cero de la transformada

inversa (n=0), se tienen las fórmulas 25 y 26:
(25)
(26)
Ya que los autoespectros no contienen parte imaginaria, y con-

siderando con valor cero a todas las frecuencias diferentes de x,
FreA(x) y FreB(x) son equivalentes a los autoespectros de las señales
A y B respectivamente, fórmulas 27 y 28:
(27)
(28)

Por lo tanto, para un solo segmento (nd=1) se tienen las fórmu-
las 29 y 30:
36
(29)
(30)
sustituyendo las fórmulas 19, 29 y 30 en la 22:
(31)
De esta manera se puede calcular el espectro de correlación

(valores de correlación para cada una de las frecuencias en que se
descompone la señal) entre dos áreas cerebrales, existiendo la posi-
bilidad de agruparlas posteriormente en bandas.
Por último, vale la pena hacer notar que si en la fórmula 31 la
señal A fuera igual a la señal B (autocorrelación), entonces el valor
de la correlación sería igual a 1:
n Algoritmo para calcular el espectro de coherencia
La coherencia está definida en el dominio de la frecuencia; la fórmu-

la con que puede ser calculado su espectro es (32):
(32)
donde: x = 0,1,2,...,N-1 (las N frecuencias en que se descomponen

las señales A y B)
El valor absoluto de un número complejo es igual a la raíz cua-

drada de la suma de los cuadrados de las partes real e imaginaria. El
numerador de la fórmula 32, de acuerdo a esta definición, es igual
a la fórmula 33:
(33)

A partir de la transformada discreta directa de Fourier de las se-
ñales A y B (de acuerdo a las fórmulas 3 y 4) se obtienen los autoes-
37
pectros (fórmulas 8 y 11), así como el espectro cruzado entre las dos
señales (fórmulas 14 y 15). Sustituyendo en la fórmula 32:
(34)
nd nd
Σ Σ
i=l i=l
nd nd
Σ Σ
i=l i=l
Con la fórmula 34 es posible calcular los valores de coherencia

para cada una de las N/2 frecuencias, es decir, el espectro de corre-
lación para las dos señales involucradas. Puede verse que no hay
valores negativos involucrados en la fórmula, por lo que los valores
de coherencia siempre son positivos. Al hacer la división entre el
producto de los autoespectros se está logrando que los valores osci-
len entre los valores 0 y 1.
Por último supongamos que solamente se contara con un seg-
mento de las señales A y B. La fórmula 34 sería igual a la 35:
(35)
Realizando las operaciones queda la fórmula 36:

(36)
Con la fórmula 36 se demuestra que la coherencia calculada a

partir de solamente un segmento de señales siempre será igual al
valor 1. La coherencia obtenida a partir de varios segmentos seguirá
valiendo uno sólo si se conserva la misma relación de fase y ampli-
tud a lo largo de todos ellos. Mientras que la correlación, calculada
por cada segmento, seguirá reflejando solamente la relación de fase
entre dichos segmentos de señal, independientemente de los cam-
bios en la amplitud.
38
EEGmagic: programa para analizar señales EEG
EEGmagic (Guevara & Hernández-González, 2009) es un perfeccio-

namiento de POTENCOR (Guevara, Hernández-González, Zarabo-
zo & Corsi-Cabrera, 2003; Guevara & Hernández-González, 2006), el
cual es un programa de computadora diseñado para analizar seña-
les EEG. EEGmagic agiliza la exploración con pruebas estadísticas
paramétricas de los datos obtenidos a partir del análisis cuantitativo
de las señales EEG. El programa aplica a dichas señales la Transfor-
mada Rápida de Fourier con el fin de obtener los valores de potencia
absoluta (PA) y potencia relativa (PR) de cada frecuencia individual,
así como de frecuencias agrupadas en bandas anchas. Se calcula la
correlación (producto-momento de Pearson) para determinar cuan-
titativamente la semejanza entre las señales EEG de áreas homólogas
de los hemisferios (correlación interhemisférica) y entre áreas locali-
zadas dentro de un mismo hemisferio (intrahemisférica). Todos los
cálculos anteriores se llevan a cabo también con datos normaliza-
dos, esto es, los valores de PA y PR son transformados mediante
logaritmos naturales y los valores puntuales de correlación a valores
z de Fisher (John, 1980; Sánchez-Bruno, 2005).
EEGmagic funciona en cualquier computadora compatible con
PC que tenga un procesador Pentium o superior con apenas 256 Mb
de memoria RAM (pero se sugiere tener la máxima posible); el es-
pacio en disco duro que requiere es el que ocupen las señales a ser
analizadas, pues su salida son archivos en formato texto que ocu-
pan muy poco espacio. Ha sido totalmente elaborado bajo ambiente
Delphi para el sistema operativo Windows. Básicamente es un pro-
grama que en su módulo principal contiene casi íntegro a POTEN-
COR; de hecho, se obtienen los mismos archivos de resultados, pero
adicionalmente se obtienen otros que contienen los resultados de las
pruebas estadísticas aplicadas.
39
Ejecución del programa
EEGmagic requiere que se le proporcionen señales que hayan sido

digitalizadas (discretizadas en la amplitud y en el tiempo) a par-
tir de señales analógicas (continuas en la amplitud y en el tiempo).
Para ello se toman “N” puntos (muestras), igualmente espaciados
en el tiempo, por cada segmento de señal, tomándose varios de es-
tos segmentos que representen a la condición de interés. Si las se-
ñales a analizar no han sido capturadas con CAPTUSEN o alguna
de sus variantes (Guevara, Ramos, Hernández-González, Madera,
& Corsi-Cabrera, 2000; Guevara & Hernández-González, 2006), en-
tonces se deberán preparar para ajustarse a las características de los
archivos de salida de ese programa. Las señales que se proporcionen
al programa ya deben haber sido previamente revisadas con el fin
de eliminar posibles artefactos y ruido coherente (ruido con compo-
nentes de frecuencias en el rango de las señales de interés). Aunque
el programa se ejecuta bajo ambiente Windows, se sugiere asignar
a los archivos de las señales, nombres de 8 dígitos; por ejemplo, el
nombre 21HABAF3.RE2 indica: dos dígitos para el nombre del suje-
to (21), cuatro dígitos para la condición (HABA) y dos dígitos para
la derivación (F3). Además deben tener 3 dígitos indicando el tipo
de archivo (es convencional y para efectos del programa puede ser
cualquiera; es RE2 en este ejemplo).
La Figura 5 muestra la pantalla de inicio de EEGmagic. A diferen-
cia de POTENCOR, solamente se requiere un archivo de nombres
(de archivos de datos); la principal diferencia se encuentra en que es
necesario trabajar con al menos 2 grupos de sujetos (grupos indepen-
dientes) o bien un grupo de sujetos en al menos 2 condiciones (grupos
correlacionados); en todo caso deben existir al menos 2 celdas. El
número máximo de celdas que ocupen las condiciones (o los grupos,
según sea el caso) es de 20. Se debe indicar si se ha de trabajar con 2 o
con 4 canales (es decir, si se analizarán 2 o 4 derivaciones por sujeto) y
si el muestreo ha sido realizado a 256, 512, ó 1024 Hz (únicas frecuen-
cias de muestreo permitidas en el programa). Los puntos por seg-
mento con que se puede trabajar son 256, 512 ó 1024 (únicos tamaños
de segmentos permitidos por el programa), siempre respetando que
se tenga al menos un segundo de señal por segmento. Por omisión,
el programa determina los límites de las bandas de actividad EEG
en: banda1, de 1 a 3 Hz; banda2, de 4 a 7 Hz; banda3, de 8 a 10 Hz;
banda4, de 11 a 13 Hz; banda5, de 14 a 19 Hz; banda6, de 20 a 30 Hz;
40
EEGmagic: programa para analizar señales...
banda7, de 31 a 50 Hz. Sin embargo, en la pantalla de inicio se pueden

definir las modificaciones a las primeras 6 de éstas bandas de análisis
(los límites de la banda7 no pueden ser modificados). Si se trabaja con
diseños correlacionados o mixtos se puede elegir restar la primera
celda como línea basal. Se debe indicar si se desea que las bandas 1 y
7 sean consideradas en los cálculos y análisis estadísticos; en realidad,
ésta consideración solamente es importante para los cálculos de la
potencia relativa (participarían para formar el 100% de potencia), ya
que tanto la potencia absoluta como la correlación, basta con que sean
descartadas de los resultados.
Figura 5
Pantalla inicial de EEGmagic; el usuario selecciona los parámetros de aná-
lisis.
En la pantalla inicial se debe elegir si se trata de un diseño de

grupos independientes, de grupos correlacionados o si se trata de un
diseño mixto (también conocido como de parcelas divididas (Kirk,
1968). Además se deberá indicar si existen uno o dos factores (trata-
41
mientos) en el diseño, además de los niveles de cada uno de ellos. Pero

siempre respetando la restricción de tener como máximo 20 celdas
(grupos y/o condiciones en total) y se debe tener igual número de
sujetos en todos los grupos (o condiciones). El máximo de sujetos por
grupo es 25. En el diseño mixto siempre habrá 2 factores; el primero de
ellos son los grupos independientes (las parcelas) y el segundo factor
son las medidas repetidas que se hacen a cada grupo. En general, en
todos los diseños factoriales solamente puede haber 2 factores, con un
máximo de 10 niveles cada uno. Si se tienen 2 grupos (ó 2 condicio-
nes del mismo grupo) a los resultados (los mismos que se obtienen
con POTENCOR) se les aplicarán pruebas t de Student (para grupos
independientes o para grupos correlacionados, según sea el caso). Sin
embargo, si los grupos (o condiciones) son más de 2, entonces se les
aplicará automáticamente análisis de varianza y se harán las pruebas
a posteriori correspondientes (pruebas de Tukey y Duncan).
Se elegirá el nombre del archivo de nombres, es decir, el nombre
del archivo de texto que contiene los nombres de los archivos con
las señales a analizar. Finalmente, en la parte superior derecha de la
pantalla inicial se indicará a partir de qué nivel de significancia de-
berán aparecer los resultados de las pruebas t de Student. Esto es, si
se desea que aparezcan los resultados de todas las pruebas (se elige
p<=1) o si se han de restringir a que alcancen un nivel de significan-
cia preestablecido (se puede elegir entre p<0.5, p<0.01 ó p<0.001).
Esta elección no es válida para los análisis de varianza, de los cuales
aparecen siempre todos.
Antes de hacer el archivo de nombres para EEGmagic se debe
saber claramente a qué diseño se adaptan los datos que se le van a
proporcionar. En la Figura 6 se pueden ver gráficamente los dife-
rentes diseños en que pueden estar acomodados los datos. Es im-
portante aclarar que en todos los diseños es indispensable, para este
programa, que el número de sujetos en cada celda sea el mismo (no
se permiten “enes” desiguales). Como puede verse, las celdas son
numeradas en orden secuencial de izquierda a derecha y de arriba
hacia abajo. En los archivos de nombres se darán los datos siguiendo
el orden de las celdas.
En la Figura 7 se muestra un ejemplo de cómo deben acomo-
darse los nombres de los archivos de datos de señales en el archivo
de nombres (EEGmagic.DIR en el ejemplo). El archivo completo se
usará para ejemplificar la ejecución del programa. Éste contiene 2
grupos con 12 sujetos cada uno y, a su vez, cada grupo tiene 2 con-
42
Figura 6
Representación esquemática de los diferentes diseños que se pueden
trabajar en EEGmagic. En todos ellos debe haber igual número de suje-
tos en todas las celdas.
B1 B2 B1 B2
A1 A2 A1 A2 A3 celda 1 celda 2 celda 1 celda 2
celda 1 celda 2 celda 1 celda 2 celda 3 A1 s1 A1 s1
s3 s1
s1 s3 s1 s3 s5 s2 s4 s2 s2
s2 s4 s2 s4 s6 ● ● ● ●
celda 3 celda 4 celda 3 celda 4

● ● ● ● ●
t de Student ANDEVA para grupos A2 s5 s7 A2 s3 s3

para grupos independientes s6 s8 s4 s4
independientes ● ● ● ●
ANDEVA de dos factores ANDEVA mixto de dos factores (2x2)

independientes
A1 A2 A1 A2 A3 B1 B2 B3
celda 1 celda 2 celda 1 celda 2 celda 3 celda 1 celda 2 celda 3
A1 s1 s1 s1
s1 s3 s1 s1 s1 B1 B2
s4 s2 s2 s2 s2 s2 s2
s2 celda 1 celda 2 ● ● ●
● ● ● ● ● A1 s1 s1 celda 4 celda 5 celda 6
t de Student ANDEVA para grupos s2 s2 A2 s3 s3 s3
para grupos correlacionados ● ●
s4 s4 s4
correlacionados celda 3 celda 4 ● ● ●
A2 s1 s1 celda 7 celda 8 celda 9
s2 s2 A3 s5 s5 s5
● ●
s6 s6 s6
ANDEVA de dos factores ● ● ●
correlacionados ANDEVA mixto de dos factores (3x3)
diciones (HABA y HAHA). Cada sujeto fue registrado en 4 zonas

cerebrales (derivaciones F3, F4, P3 y P4). Cabe aclarar que en las
Figuras 6 y 7 solamente se muestran 2 sujetos de cada grupo, en las
2 condiciones con sus 4 derivaciones. En el ejemplo, todos los archi-
vos tienen la terminación RE2, pero puede ser cualquier otra.
Los archivos de nombres están acomodados de tal manera que
primero están todos los sujetos de la primera celda, cada sujeto con
todas sus derivaciones (primero el canal izquierdo y luego el dere-
cho) y por bloques de sujetos (en el mismo orden) se repiten todas
las celdas del diseño en el archivo de nombres. De esa manera, en
la Figura 8 se presentan los datos de un diseño mixto de 2 factores
(2x2); primero aparecen los nombres de los archivos que forman la
primera celda (grupo 1 en la primera condición); le sigue la celda 2
(grupo 1 en la segunda condición); sigue la celda 3 (grupo 2 en la
primera condición) y finalmente la celda 4 (grupo 2 en la segunda
condición). Cabe aclarar que para aplicar EEGmagic no puede haber
archivos faltantes, se debe contar con todos los archivos de todos los
sujetos (y todos deben aparecer en el archivo de nombres).
43
Figura 7
Ejemplo de cómo se deben aco-
modar los archivos en el archivo
de nombres que se proporciona a
EEGmagic. En el ejemplo, los su-
jetos 01 y 21 pertenecen al primer
grupo, los sujetos 09 y 10 pertene-
cen al segundo grupo. Cada grupo
se registró en 2 condiciones, HABA
y HAHA (por lo tanto existen 4 cel-
das); y se registró a cada sujeto en 4
zonas, F3, F4, P3 y P4. La extensión
de los archivos es RE2 (puede ser
cualquiera). Al final del último
nombre de archivo no debe haber
renglones en blanco (el cursor apa-
rece abajo del último nombre y no
puede bajar más en el archivo).
Figura 8
Se muestra el contenido de un ar-
chivo de nombres con 4 celdas, que
corresponden a un diseño mixto
de 2 factores (2x2). Cada celda
contiene solamente 2 sujetos, cada
uno registrado en 4 derivaciones.
Las líneas y comentarios a la dere-
cha de los nombres de los archivos
se han agregado solamente para
ejemplificar el orden de las celdas,
no son necesarios en los archivos
de nombres reales.
44
La Figura 9 ilustra los parámetros con que se correrá el ejemplo

que aquí se presenta (con el archivo de nombres EEGmagic.DIR). Se
han elegido los valores por omisión, para los rangos de las bandas
anchas de frecuencias. Para cada banda se debe proporcionar un va-
lor de frecuencia inicial (en Hertz) y un valor de frecuencia final (por
ejemplo, para la primera banda: banda1i = 1Hz y banda1s = 3Hz).
Figura 9
Se ha indicado que existen 4 canales, que son señales en segmentos de
512 puntos, muestreadas a 512Hz; se ha elegido agrupar las 7 bandas en
los límites preestablecidos, la banda1 se considerará y la banda7 no; y
no se restará la primera celda. Se trata de un diseño mixto de 2x2 (hay 4
celdas) y, para presentar los resultados, para las pruebas t de Student, se
ha elegido un nivel de significancia de 1.0 (por lo que aparecerán todos
los resultados). El archivo de nombres es EEGmagic.DIR.
Al oprimir el botón “Iniciar el análisis”, el programa inicia los

cálculos y se obtienen los archivos de resultados de la Tabla 1 (todos
ellos son de texto):
45
Tabla 1
Nombres de los archivos de salida de EEGmagic. En la columna de en
medio se encuentran los nombres de los archivos de datos sin transfor-
mar y en la columna de la extrema derecha los nombres de los archivos
con datos transformados (las potencias a logaritmos y las correlaciones
a Z de Fisher).
1, 2 EEGmagic.ABF EEGmagic.ALF
3, 4 EEGmagic.REF EEGmagic.RLF
5, 6 EEGmagic.ERF EEGmagic.EZF
7, 8 EEGmagic.ARF EEGmagic.AZF
9 EEGmagic.ABS
10 EEGmagic.REL
11 EEGmagic.TER
12 EEGmagic.TRA
13, 14 EEGmagic.RES EEGmagic.RET
15, 16 EEGmagic.AVA EEGmagic.AVT
17, 18 EEGmagic.TES EEGmagic.TET
19, 20 EEGmagic.TUK EEGmagic.TUT
Son 20 archivos de salida, todos tendrán el nombre del archi-

vo de nombres con la terminación (últimos 3 caracteres) cambiada.
Los primeros 12 archivos son parte del conjunto de archivos que
se obtienen con POTENCOR (Guevara & Hernández-González,
2006), los 8 últimos (del 13 al 20) son únicos de EEGmagic. El ar-
chivo ABF contiene el espectro de amplitudes por frecuencia (de 1
a 30Hz); en ALF se encuentran los valores de este espectro norma-
lizados (convertidos a logaritmos naturales). En REF están los valo-
res del espectro de potencias relativas (de 1 a 30 Hz) y en RLF sus
valores transformados a logaritmos. El archivo ERF tiene los valo-
res del espectro (1 a 30Hz) de correlaciones interhemisféricas (entre
canales izquierdos y derechos) y EZF sus valores transformados a
Z de Fisher. En ARF están los valores del espectro (1 a 30Hz) de
correlaciones intrahemisféricas (entre zonas anteriores y posteriores
del mismo hemisferio) y en AZF sus valores transformados a Z de
Fisher. ABS tiene los valores del espectro de amplitudes agrupado
en las 7 bandas seleccionadas, tanto en valores transformados como
sin transformar. REL contiene el espectro de potencias relativas, en
valores transformados y sin transformar, agrupadas en las 7 ban-
46
das seleccionadas. TER contiene el espectro de correlaciones inter-

hemisféricas agrupado en las 7 bandas, tanto transformado como
sin transformar. En TRA está el espectro de correlaciones intrahe-
misféricas, agrupado en las 7 bandas seleccionadas, tanto en valores
transformados como sin transformar.
El archivo RES contiene los resultados de todos los espectros
calculados, tanto por frecuencia como por banda, sin transformar;
en tanto que RET contiene los valores transformados. Si se está tra-
bajando con 2 canales (2 zonas cerebrales registradas) entonces el
archivo contiene 185 columnas, distribuidas de la manera que se
muestra en la Tabla 2.
Tabla 2
Distribución de las variables analizadas con EEGmagic en los archivos
RES y RET, cuando se analizan 2 canales.
Columna Variable correspondiente

1 – 30 Potencia Absoluta, por frecuencia, del canal 1zquierdo 1
31 – 60 Potencia Relativa, por frecuencia, del canal 1zquierdo 1
61 – 67 Potencia Absoluta, de 7 bandas, del canal izquierdo 1
68 – 74 Potencia Relativa, de 7 bandas, del canal izquierdo 1
75 - 104 Potencia Absoluta, por frecuencia, del canal derecho 1
105 – 134 Potencia Relativa, por frecuencia, del canal derecho 1
135 – 141 Potencia Absoluta, de 7 bandas, del canal derecho 1
142 – 148 Potencia Relativa, de 7 bandas, del canal derecho 1
149 – 178 Correlación inter, por frecuencia, para canales 1
179 – 185 Correlación inter, de 7 bandas, para canales 1
Si se está trabajando con un diseño que involucra 4 canales (4

zonas cerebrales registradas) se obtendrán 444 variables (columnas)
en los archivos RES y RET; en la Tabla 3 se describe la posición de
dichas variables.
En la Figura 10 se muestra parte de los archivos de resultados
RES y RET. Puede verse que los renglones quedan agrupados en
las diferentes celdas que forman el diseño estadístico. A cada co-
lumna de estos archivos de resultados se le aplicará la prueba es-
tadística adecuada, de comparación de grupos (o de condiciones),
y con los resultados se obtendrán los restantes archivos de salida
de EEGmagic.
47
Tabla 3
Distribución de las variables analizadas con EEGmagic en los archivos

1 - 30 Potencia Absoluta, por frecuencia, del canal izquierdo 1
31 - 60 Potencia Relativa, por frecuencia, del canal izquierdo 1
61 - 67 Potencia Absoluta, de 7 bandas, del canal izquierdo 1
105 - 134 Potencia Relativa, por frecuencia, del canal derecho 1
186 – 215 Potencia Absoluta, por frecuencia, del canal izquierdo 2
216 – 245 Potencia Relativa, por frecuencia, del canal izquierdo 2
246 – 252 Potencia Absoluta, de 7 bandas, del canal izquierdo 2
290 – 319 Potencia Relativa, por frecuencia, del canal derecho 2
371 – 400 Correlación intra, por frecuencia, para canales izquierdos
401 – 407 Correlación intra, de 7 bandas, para canales izquierdos
408 – 437 Correlación intra, por frecuencia, para canales derechos
438 – 444 Correlación intra, de 7 bandas, para canales derechos
En la Figura 11 se presentan los resultados de aplicar el análisis

de varianza de parcelas divididas a cada una de las variables (co-
lumnas) en los archivos de resultados RES y RET. Se han indicado
con un asterisco las pruebas que resultaron significativas (p < 0.05).
En el caso de que el diseño estadístico conste de solamente 2
celdas implica que se deberá aplicar, en EEGmagic, la prueba t de
Student, ya sea para grupos independientes o correlacionados. La
Figura 12 muestra parte de los archivos de resultados, TES (para
datos sin transformar) y TET (para datos transformados), obtenidos
al aplicar la prueba t de Student a celdas que contienen grupos inde-
48
Figura 10
Parte de los archivos de resultados RES y RET, trabajando con 4 ca-
nales, con un diseño mixto de 2x2. La primera columna (suj) es para
la identificación de cada sujeto; las columnas que siguen (01HzPAi1,
01HzPAi1…) son para los valores de todas las variables, calculadas por
el programa, para cada sujeto.
pendientes. Debido a que en la pantalla inicial se indicó trabajar con

p ≤ 1.0 aparecen todos los resultados de las pruebas no importando
la significancia obtenida.
Si se tienen más de 2 celdas se aplicará análisis de varianza. Si
solamente se tiene un factor (una variable independiente o trata-
miento), el análisis de varianza será un diseño de un factor para
grupos independientes o para grupos correlacionados. En caso de
existir más de un factor (más de una variable independiente o trata-
mientos), el análisis de varianza será un diseño factorial. EEGmagic
solamente puede trabajar con 2 factores, en 3 modalidades: grupos
independientes, grupos correlacionados y diseños mixtos (de parce-
49
Figura 11
Parte de los archivos de resultados AVA y AVT, trabajando con 4 canales,
con un diseño mixto de 2x2. En las columnas se obtiene la significancia
para el factor A [p(FA)], para el factor B [p(FB)] y para la interacción
AxB [p(FAB)].
las divididas). En todos los casos debe trabajarse con igual número
de sujetos por celda, es decir, no se permite tener diferente número
de sujetos por celda. En todos los casos en que se aplique el análisis
de varianza, además de los archivos de resultados AVA (datos sin
transformar) y AVT (datos transformados) se obtendrán los archivos
TES y TET (los mismos que aparecen al tener diseños de 2 celdas);
en diseños mixtos se realizan pruebas t para grupos independientes
y pruebas t para grupos correlacionados (según corresponda); estos
archivos pueden ser bastante grandes dependiendo del diseño ele-
gido y del número de celdas.
Si se ha aplicado análisis de varianza, EEGmagic reportará los ar-
chivos TUK (para datos sin transformar) y TUT (para datos transfor-
mados). Éstos contienen las comparaciones entre celdas, utilizando
50
Figura 12
Parte de los archivos de resultados TES y TET. Se ha hecho la compa-
ración entre celdas aplicando la prueba t de Student para grupos inde-
pendientes.
las pruebas de Duncan y Tukey, con el fin de determinar las dife-

rencias significativas entre grupos (o entre condiciones) (Figura 13).
Consideraciones
Si se elige restar la primera celda (como línea base), ésta ya no debe

considerarse en el número de celdas del resultado (la nueva celda1
ahora es la resta de la que era la celda2 menos la que era la celda1).
Si el diseño es de dos factores, se resta la primera celda de cada nivel
del factor A, es decir, se toma como basal el primer nivel del factor B.
De esa manera, si se propone un diseño mixto de 2 factores con 2 ni-
51
Figura 13
Parte de los archivos de resultados TUK y TUT. Se han aplicado las
pruebas de Tukey y Duncan, como pruebas a posteriori, de acuerdo a
los resultados obtenidos con el análisis de varianza.
veles por factor (4 celdas: A1B1, A1B2, A2B1, A2B2) y se elige restar
la celda basal, al final se tendrán solamente 2 celdas (A1B2-A1B1 y
A2B2-A2B1) (el primer nivel del factor B es restado del segundo ni-
vel) y EEGmagic aplicará, automáticamente, la prueba t de Student
para 2 grupos independientes (en vez del diseño mixto).
Si se resta la primera celda, entonces en el archivo RET (con las
variables transformadas) se encuentran las transformaciones de las
diferencias, es decir, las restas se hacen con los datos sin transfor-
mar y se transforma la diferencia, excepto para la potencia relativa,
para la cual sus diferencias no se transforman. Otra consideración es
que la diferencia en la potencia absoluta nunca se trabaja con valor
negativo (en números reales no hay logaritmos de números negati-
vos); siempre se transforma el valor absoluto de la diferencia; por
lo tanto, todas las comparaciones estadísticas, en potencia absoluta
transformada, se hacen con los valores absolutos de las diferencias.
52
A las diferencias que en valor absoluto sean menores a uno se

les asigna un valor de cero en logaritmos. Los valores negativos que
aparecen en las transformaciones se refieren a logaritmos de dife-
rencias negativas.
53
EEGcorco: programa para analizar
correlaciones y coherencias EEG
EEGcorco (Guevara & Hernández-González, 2009) es un programa de

computadora muy similar a EEGmagic, siguen la misma lógica y tra-
bajan con las mismas restricciones al analizar señales EEG. También
aplica la Transformada Rápida de Fourier para calcular los espectros,
pero esta vez son de correlación y de coherencia (no se dan resultados
para espectros de potencia). Además de analizar los espectros de co-
herencia, EEGcorco trabaja con 7 bandas anchas de actividad EEG.
La Figura 14 muestra la pantalla de inicio de EEGcorco. Las restric-

ciones son casi las mismas que para EEGmagic, sólo hay algunas pe-
queñas diferencias: el número máximo de sujetos por celda es de 30;
son 7 bandas, pero no se pueden cambiar los límites de la séptima
(al igual que en EEGmagic); el número máximo de celdas (grupos o
condiciones, según sea el caso) también es de 20. En los resultados
no aparecen las potencias absolutas ni relativas.
En la pantalla inicial se debe elegir el diseño (independiente, co-
rrelacionado o mixto), el número de celdas por factor (máximo 10),
el número de canales (2 ó 4), en correlacionados o mixtos se debe
decidir si se resta la primera celda como condición basal (primera
celda de cada parcela en caso de ser diseño factorial), la frecuencia
de muestreo (256, 512 ó 1024 Hz), el número de puntos por segmen-
to (256, 512 ó 1024), se debe decidir el nivel de significancia para las
pruebas t de Student (0.001, 0.01, 0.05 ó 1.0). Si se desea se pueden
modificar los niveles predefinidos de las seis primeras bandas en
que se agruparán los espectros. Por último se debe indicar el nom-
bre del archivo que contiene los nombres de los archivos de las seña-
les (siguiendo las mismas reglas indicadas en EEGmagic).
55
Figura 14
Pantalla inicial de EEGcorco, el usuario selecciona los parámetros de
captura.
En el ejemplo de la Figura 15 existen 4 celdas, correspondientes

a un diseño mixto de 2 factores (2x2); primero aparecen los nombres
de los archivos que forman la primera celda (grupo 1 en la primera
condición), le sigue la celda 2 (grupo 1 en la segunda condición),
sigue la celda 3 (grupo 2 en la primera condición) y finalmente la
celda 4 (grupo 2 en la segunda condición). Cada archivo de datos
contiene solamente 10 segmentos de señal (512 puntos por segmen-
to, correspondientes a 1 segundo). Cabe aclarar que, al igual que en
EEGmagic, no puede haber archivos faltantes, se debe contar con
todos los archivos de todos los sujetos (y todos deben aparecer en el
archivo de nombres).
La Figura 16 ilustra los parámetros con que se correrá el ejemplo
que aquí se presenta (con el archivo de nombres EEGcorco.DIR). Se
han elegido los valores por omisión, para los rangos de las bandas
anchas de frecuencias.
56
EEGcorco: programa para analizar correlaciones...
Figura 15
Se ejemplifica el orden en que
deben acomodarse los nombres de
los archivos, conteniendo las seña-
les, en el archivo que se proporcio-
na a EEGcorco. En el ejemplo, los
sujetos 01, 21, 22 y 24 pertenecen al
primer grupo, los sujetos 09, 10, 12
y 14 pertenecen al segundo. Cada
grupo se registró en 2 condiciones,
HABA y HAHA (por lo tanto exis-
ten 4 celdas); y se registró a cada
sujeto en 4 zonas, F3, F4, P3 y P4.
La extensión de los archivos es
N10 (pero puede ser cualquiera).
Al final del último nombre de ar-
chivo no debe haber renglones en
blanco (el cursor aparece abajo del
último nombre y no puede bajar
más en el archivo).
57
Figura 16
Se ha indicado que existen 4 canales, que son señales en segmentos de
512 puntos, muestreadas a 512Hz; se ha elegido agrupar las 7 bandas en
los límites preestablecidos y no se restará la primera celda. Se trata de
un diseño mixto de 2x2 (hay 4 celdas) y para presentar los resultados de
las pruebas t de Student se ha elegido un nivel de significancia de 1.0
(por lo que aparecerán todos los resultados). El archivo de nombres es
EEGcorco.DIR.
Al oprimir el botón “Iniciar el análisis”, el programa inicia los

cálculos y se obtienen los archivos de resultados de la Tabla 4 (todos
ellos son de texto):
Son 20 archivos de salida, todos tendrán el nombre del archivo
de nombres con la terminación (últimos 3 caracteres) cambiada. El
archivo ERF contiene el espectro de correlaciones interhemisféricas
por frecuencia (de 1 a 30Hz); en EFC se encuentran los valores del
espectro de coherencias interhemisféricas para las mismas frecuen-
cias; los archivos EZF y EZC contienen los respectivos resultados, de
los archivos anteriores, para las mismas frecuencias, pero con datos
58
Tabla 4
Nombres de los archivos de salida de EEGcorco. En la columna de en
medio se encuentran los nombres de los archivos de correlación y en la co-
lumna de la extrema derecha los nombres de los archivos de coherencia.
1, 2 EEGcorco.ERF EEGcorco.EFC
3, 4 EEGcorco.EZF EEGcorco.EZC
5, 6 EEGcorco.TER EEGcorco.TEC
7, 8 EEGcorco.ARF EEGcorco.AFC
9, 10 EEGcorco.AZF EEGcorco.AZC
11, 12 EEGcorco.TRA EEGcorco.TCA
13, 14 EEGcorco.RES EEGcorco.RET
15, 16 EEGcorco.AVA EEGcorco.AVT
17, 18 EEGcorco.TES EEGcorco.TET
19, 20 EEGcorco.TUK EEGcorco.TUT
transformados a Z de Fisher (se transformaron con el fin de norma-

lizar los datos). TER contiene el espectro de correlaciones interhe-
misféricas agrupado en las 7 bandas, tanto transformado como sin
transformar; TEC contiene el espectro de coherencias equivalente.
En ARF están los valores del espectro (1 a 30Hz) de correlaciones
intrahemisféricas (entre zonas anteriores y posteriores del mismo
hemisferio) y en AFC el espectro de coherencias correspondiente;
en AZF y AZC están los respectivos espectros, de correlaciones y de
coherencias, transformados a Z de Fisher. En TRA y TCA están los
espectros de correlaciones y de coherencias intrahemisféricas, agru-
pados en las 7 bandas consideradas; cada archivo contiene tanto va-
lores transformados como sin transformar.
El archivo RES contiene los resultados de todos los espectros
calculados, tanto por frecuencia como por banda, sin transformar;
en tanto que RET contiene los valores transformados. Si se está
trabajando con 2 canales (2 zonas cerebrales registradas), entonces
el archivo contiene 74 columnas, distribuidas de la manera que se
muestra en la Tabla 5.
Si se está trabajando con un diseño que involucra 4 canales (4
zonas cerebrales registradas) se obtendrán 296 variables (columnas)
en los archivos RES y RET; en la Tabla 6 se describe la posición de
dichas variables.
59
Tabla 5
Distribución de las variables analizadas con EEGcorco en los archivos

1 – 30 Correlación inter, por frecuencia, para canales1 (i1-d1)
31 – 37 Correlación inter, por bandas, para canales1
38 – 67 Coherencia inter, por frecuencia, para canales1
68 – 74 Coherencia inter, por bandas, para canales1
Tabla 6
Distribución de las variables analizadas con EEGcorco en los archivos

1 – 30 Correlación inter, por frecuencia, para canales1 (i1-d1)
75 - 104 Correlación inter, por frecuencia, para canales2 (i2-d2)
149 – 178 Correlación intra, por frecuencia, canales izquierdos (i1-i2)
179 – 185 Correlación intra, por bandas, para canales izquierdos
186 - 215 Coherencia intra, por frecuencia, para canales izquierdos
216 - 222 Coherencia intra, por bandas, para canales izquierdos
223 - 252 Correlación intra, por frecuencia, canales derechos (d1-d2)
253 - 259 Correlación intra, por bandas, para canales derechos
260 - 289 Coherencia intra, por frecuencia, para canales derechos
290 - 296 Coherencia intra, por bandas, para canales derechos
En la Figura 17 se muestran partes de los archivos de resultados

RES y RET. Las primeras columnas de resultados corresponden a
la correlación interhemisférica entre los canales 1 y 2 (normalmente
son derivaciones anteriores); siguen las columnas correspondientes
a la coherencia interhemisférica para los mismos canales. En caso de
tratarse de un diseño con 4 canales, las columnas que siguen son para
la correlación interhemisférica entre los canales 3 y 4 (normalmente
son derivaciones posteriores), siguen los de la coherencia entre esos
60
canales; las columnas siguientes contienen las correlaciones intrahe-

misféricas entre los canales izquierdos (1 y 3), siguen los resultados
de la coherencia entre esos mismos canales; por último se encuentran
los resultados de la correlación y coherencia entre los canales dere-
chos (2 y 4). Cada conjunto de correlaciones o de coherencias consta
de 30 resultados por frecuencia (1 a 30Hz) seguidos por 7 resultados
para banda ancha (agrupación de varias frecuencias aledañas). Puede
verse que los renglones quedan agrupados en las diferentes celdas
que forman el diseño estadístico. A cada columna de estos archivos de
resultados se le aplicará la prueba estadística adecuada, de compara-
ción de grupos (o de condiciones) y con los resultados se obtendrán
los restantes archivos de salida de EEGcorco.
Figura 17
Parte de los archivos de resultados RES y RET, para 4 canales, con diseño
mixto de 2x2. La primera columna (suj) es para la identificación de los su-
jetos; las columnas que siguen (01Hzr1, 01Hzr1…) son para los valores de
todas las variables, calculadas por el programa, para cada sujeto; la termi-
nación r1 indica la correlación interhemisférica, en la frecuencia de 1Hz,
entre los canales 1 y 2 (normalmente izquierdo y derecho anteriores); la
correlación interhemisférica entre los canales 3 y 4 (normalmente izquier-
do y derecho posteriores) se indicará con la terminación r2. La correlación
intrahemisférica izquierda tendrá la terminación ri y la derecha rd. En el
caso de la coherencia serán c1, c2, ci y cd respectivamente.
61
En la Figura 18 se presentan los resultados de aplicar el análisis

de varianza de parcelas divididas a cada una de las variables (co-
lumnas) contenidas en los archivos de resultados RES y RET. En los
archivos AVA y AVT se han indicado con un asterisco las pruebas
que resultaron significativas (p < 0.05).
Figura 18
Parte de los archivos de resultados AVA y AVT, trabajando con 4 cana-
les, con un diseño mixto de 2x2. En las columnas se obtienen las sig-
nificancias para el factor A [p(FA)], para el factor B [p(FB)] y para la
interacción AxB [p(FAB)].
En el caso de que el diseño estadístico conste de solamente 2

celdas implica que se deberá aplicar, en EEGcorco, la prueba t de
Student, ya sea para grupos independientes o correlacionados. La
62
Figura 19 muestra parte de los archivos de resultados, TES (para

datos sin transformar) y TET (para datos transformados), obtenidos
al aplicar la prueba t de Student a celdas que contienen grupos inde-
pendientes. Debido a que en la pantalla inicial se indicó trabajar con
p ≤ 1.0 aparecen todos los resultados de las pruebas no importando
la significancia obtenida.
Figura 19
Parte de los archivos de resultados TES y TET. Se ha hecho la compa-
ración entre celdas aplicando la prueba t de Student para grupos inde-
pendientes.
Si se tienen más de 2 celdas se aplicará análisis de varianza. Si so-

lamente se tiene un factor (una variable independiente o tratamiento),
el análisis de varianza será un diseño de un factor para grupos inde-
pendientes o para grupos correlacionados. En caso de existir más de
63
un factor (más de una variable independiente o tratamientos), el aná-

lisis de varianza será un diseño factorial. EEGcorco solamente puede
trabajar con 2 factores, en 3 modalidades: grupos independientes,
grupos correlacionados y diseños mixtos (de parcelas divididas). En
todos los casos debe trabajarse con igual número de sujetos por celda,
es decir, no se permite tener diferente número de sujetos por celda. En
todos los casos en que se aplique el análisis de varianza, además de
los archivos de resultados AVA (datos sin transformar) y AVT (datos
transformados) se obtendrán los archivos TES y TET (los mismos que
aparecen al tener diseños de 2 celdas); en diseños mixtos se realizan
pruebas t para grupos independientes y pruebas t para grupos corre-
lacionados (según corresponda); estos archivos pueden ser bastante
grandes dependiendo del diseño elegido y del número de celdas.
Si se ha aplicado análisis de varianza, EEGcorco reportará los ar-
chivos TUK (para datos sin transformar) y TUT (para datos transfor-
mados). Estos contienen las comparaciones entre celdas, utilizando
las pruebas de Duncan y Tukey, con el fin de determinar las dife-
rencias significativas entre grupos (o entre condiciones) (Figura 20).
Figura 20
Parte de los archivos de resultados TUK y TUT. Se han aplicado las
pruebas de Tukey y Duncan, como pruebas a posteriori, de acuerdo a
los resultados obtenidos con el análisis de varianza.
64
Consideraciones
Si se elige restar la primera celda (como línea base), ésta ya no debe

considerarse en el número de celdas del resultado (la nueva celda1
ahora es la resta de la que era la celda2 menos la que era la celda1).
Si el diseño es de dos factores, se resta la primera celda de cada nivel
del factor A, es decir, se toma como basal el primer nivel del factor
B. De esa manera, si se propone un diseño mixto de 2 factores con 2
niveles por factor (4 celdas: A1B1, A1B2, A2B1, A2B2) y se elige res-
tar la celda basal, al final se tendrán solamente 2 celdas (A1B2-A1B1
y A2B2-A2B1) (el primer nivel del factor B es restado del segundo
nivel) y EEGcorco aplicará, automáticamente, la prueba t de Student
para 2 grupos independientes (en vez del diseño mixto).
Si se resta la primera celda, entonces en el archivo RET (con las
variables transformadas) se encuentran las transformaciones de las
diferencias, es decir, las restas se hacen con los datos sin transformar
y se transforma la diferencia.
65
REGRES: programa para calcular
regresiones y predicciones
El análisis de regresión lineal es una herramienta matemática para

tratar de explicar la dependencia de una variable, llamada variable
dependiente, en función de otras variables, llamadas explicatorias. Al
hacer esto se persigue generar un modelo matemático (una función de
regresión) que explique el comportamiento de una población de datos
o, bien, predecir el comportamiento de dicha población. En la mayoría
de los casos, lo anterior debe hacerse a partir de una muestra de la
población de datos en estudio, ya que resultaría muy difícil y costoso,
cuando no imposible, contar con el total de la población.
Desarrollo matemático (enfoque matricial)
La función de regresión lineal se puede expresar simbólicamente

como la fórmula 37:
(37)
en donde f(xi) denota que es una función lineal de las variables ex-
plicatorias xi, y puede ser representada con la fórmula 38:
(38)
La ecuación anterior se conoce como la función de regresión li-

neal poblacional con k variables, ß0 se conoce como el intercepto y
puede interpretarse como el valor promedio de todas las variables
explicatorias no consideradas en la generación del modelo, ß1 a ßk
como coeficientes (pendientes) de regresión parciales y µi como per-
turbación estocástica.
67
La ecuación anterior es una expresión abreviada de un conjunto

de ecuaciones simultáneas:
Que a su vez se puede representar en forma matricial como:
= +
La representación anterior recibe el nombre de representación

matricial del modelo de regresión general de k variables y se puede
escribir en forma condensada en la fórmula 39:
(39)
donde Y es un vector columna de orden (N,1) de observaciones de

la variable dependiente y, X es una matriz de orden (N,k+1) e indica
N observaciones de las k variables, de x1 a xk. ß es un vector columna
de orden (k+1,1) de los parámetros ß0 a ßk. µ es un vector columna
de orden (N,1) de las N perturbaciones µi.
Para que el modelo anterior funcione correctamente se deben

cumplir los siguientes supuestos:
a) La esperanza matemática de µi debe ser cero (E{µi} = 0) para cada

valor de i.
b) La esperanza de µiµj debe ser cero (E{µiµj} = 0) para toda i di-
ferente de j, y debe ser σ2 (una constante) para toda i igual a j,
es decir, E{µiµj} = σ2I. Donde I es una matriz identidad de or-
den (N,N) y σ2 es una constante que indica la covarianza entre
µ i y µ j.
68
REGRES: programa para calcular regresiones y predicciones
c) La matriz de observaciones X es no estocástica, esto es, consiste

de un conjunto de números fijos.
d) No hay una relación lineal exacta entre las variables x, por lo
que no existe multicolinealidad. Esto significa que el rango de X
es k+1 (número de columnas en X) y k+1 debe ser menor que N
(número de observaciones).
En la práctica se debe calcular un vector ß que es una estimación

del verdadero ß.
Para esto se puede escribir la fórmula de regresión muestral en
forma matricial:
o en forma condensada como lo expresa la fórmula 40:
(40)
En este caso, ß es un vector cuyos elementos ßj son las estimacio-

nes de las ßj verdaderas de la población, y e es un vector columna de
orden (N,1) de los residuos (errores aleatorios). Para encontrar el vec-
tor de estimaciones ß se ha empleado el método de cuadrados míni-
mos ordinarios, el cual consiste en minimizar la suma de cuadrados
de los residuos e; lo anterior queda expresado en la fórmula 41:

(41)
Derivando parcialmente con respecto a cada uno de los elemen-

tos del vector ß se obtiene:
69
Al igualar a cero se reordenan términos y el resultado expresado

en forma matricial es el siguiente:
o simplemente la expresión de la fórmula 42:
(42)
en donde la incógnita es el vector ß.

Si la inversa de (X’ X) existe, denotada por (X’ X)-1 entonces:
sabiendo que: de orden (k+1, k+1)
y finalmente se obtiene la fórmula 43:
(43)
Es relevante comentar que los estimadores de cuadrados míni-

mos ordinarios son los mejores estimadores lineales insesgados y
eficientes. Por lo que la esperanza de cada ßj estimada (E{ßj}) es igual
al verdadero ßj de la población de datos en estudio y tiene varianza
mínima.
Además de calcular el vector de ß estimadas se debe calcular el
valor del coeficiente de determinación múltiple, denominado R2, ya
que éste nos da la proporción de varianza total en la variable depen-
diente Y explicada conjuntamente por las variables explicatorias.
Si está definida la suma total de cuadrados (STC) como la va-
riación total de Y con respecto a su media muestral, representada
por STC = Σ(yi medido en la muestra - media de los yi medidos en
70
la muestra)2. Y la suma de cuadrados debida a la regresión (debida

a las variables explicatorias), también llamada simplemente suma
explicada de cuadrados (SEC), como la variación de los valores es-
timados de yi con respecto a su media, representada por SEC = Σ(yi
estimado con el modelo de regresión - media de los yi estimados). Y
finalmente la suma residual de cuadrados como SRC = Σ(ei)2. Cabe
recordar que por ser insesgada la media de los yi medidos en la
muestra es la misma que la media de los yi calculados empleando el
modelo de regresión.
Se obtendrá, por lo tanto, la fórmula 44:
(44)
Y el R2 se define con la fórmula 45:
(45)
En forma matricial, si ÿ representa a la media de Y, entonces que-

da la fórmula 46:
(46)
Donde: N = tamaño de la muestra, quedando las fórmulas 47 a

la 51:
(47)

(48)
(49)
71
(50)
(51)
Si se está aplicando el análisis de regresión con fines de predic-

ción se deben perseguir R2 grandes, ya que se asocian con mejores
predicciones.
Modelos lineales de probabilidad
En este tipo de modelos, la variable dependiente sólo puede tomar

uno de dos valores posibles y se tomarán por conveniencia al 0 y al
1 como dichos valores.
A estos modelos se les llama también modelos lineales de proba-
bilidad, ya que la esperanza de yi dadas las variables explicatorias xi
(E{yi/xi}) puede interpretarse como la probabilidad condicional de
que el evento ocurra dadas xi; es decir P{yi = 1 / xi}. Suponiendo que
se asigna, a la variable dependiente, 1 cuando el evento ocurre y 0
cuando no ocurre.
Designando por Pi la probabilidad de que el evento ocurra (es
decir, de que yi = 1), y por 1-pi la probabilidad de que el evento no
ocurra (es decir, de que yi = 0).
Dado que Pi debe estar entre 0 y 1 se debe aceptar la siguiente
restricción:
Pero el principal problema de los modelos lineales de probabili-

dad es que en la práctica no es posible asegurar que, con el método
de cuadrados mínimos ordinarios, los estimadores de yi cumplan
esta restricción. Aunque se han desarrollado métodos para asegurar
72
que los estimados caigan en el intervalo 0 a 1, lo más generalizado

es adoptar el criterio de que si el valor estimado es menor de cero
entonces se considera cero y si es mayor de 1 se acepta como 1.
Las estimaciones de ß para estos modelos siguen siendo insesga-
das pero no son eficientes, esto es, no tienen varianza mínima. Esto se
debe a que los errores ei no están distribuidos con la misma varianza,
por lo que se dice que existe heteroscedasticidad en los errores.
El programa REGRES fue desarrollado, al igual que todos los pro-

gramas descritos en este volumen, en el lenguaje de programación
Delphi para Windows. Sirve para calcular un vector de coeficientes
de regresión a partir de una matriz de datos de observaciones de
las variables explicatorias y de un vector de valores de una variable
dependiente asociada a dichas variables. También puede servir para
calcular predicciones de la variable dependiente con base en un mo-
delo de regresión previamente calculado y a valores conocidos de
las variables explicatorias.
Aunque se puede emplear alguno de los paquetes comerciales
de procesamiento estadístico y automatizado de datos (por ejemplo,
SPSS), optamos por evitar las complicaciones de utilizar uno de ellos
y desarrollar este sencillo programa que, por ser exclusivamente para
regresión lineal múltiple, nos da buen desempeño en cuanto a rapidez
y capacidad de manejo de datos. Regres ya ha sido empleado en al-
gunas investigaciones con bastante buen resultado (Madera-Carrillo,
H.; Ramos-Loyo, J.; Cerdán-Sánchez, L. F.; Guevara, M. A., 2003).
Características del hardware y software requeridos

El programa se realizó en el lenguaje de programación Delphi (ver-
sión 5), el cual permite el manejo de tiempos reales, cuenta con todas
las funciones de un lenguaje estructurado y permite el desarrollo de
programas sobre el ambiente Windows. Para su elaboración se si-
guió el método matemático con un enfoque matricial de la regresión
lineal múltiple. Los datos con que se ha de llevar a cabo la regresión
(o la predicción) deben estar previamente almacenados en un ar-
chivo de datos (archivo de texto) en disco. Este archivo puede ser
creado con cualquier editor de texto, el programa “block de notas”
de Windows o un procesador de palabras que almacene en formato
de texto (sin formato).
73

REGRES requiere, como mínimo, de un procesador Pentium (en
computadora compatible con PC) con al menos 256 Mbytes de me-
moria RAM. El programa funciona en el sistema operativo Win-
dows, en cualquiera de sus versiones. El archivo ejecutable se llama
REGRES.EXE y no requiere instalación, basta con copiarlo.
Al ser ejecutado, el programa presenta al usuario la pantalla que se
muestra en la Figura 21. El usuario debe elegir entre Regresión (lado
izquierdo) o Predicción (lado derecho). En ambos casos, el primer
paso es seleccionar el archivo de datos (botón “Archivo de datos” o
“Datos para predicción”). Los datos deben estar en formato de texto.
Figura 21
Pantalla inicial de REGRES
Se debe proporcionar, en la pantalla de inicio, el número de va-

riables (total de variables) explicatorias (el mínimo es 2 y el máximo
es 32). Si se eligió predicción se puede indicar que se eliminen del
análisis algunas de las variables explicatorias. El análisis inicia al
74
presionar el botón correspondiente (“Calcular Regresión” o “Calcu-

lar Predicción”) (Figura 22).
Figura 22
Pantalla que aparece al terminar de ejecutarse REGRES con la opción
de regresión para 20 variables, que se encuentran en el archivo LU-
CYHAN.DAT.
Restricciones del programa
Para calcular el modelo de regresión, la matriz de datos puede te-

ner un máximo de 256 renglones (sujetos) y 32 columnas (variables
por cada sujeto). Los datos deben estar en un archivo de texto, en
forma de matriz. En el archivo de texto, cada renglón representa
a un sujeto (tantos renglones como sujetos). Cada renglón tiene en
la primera columna el valor de la variable dependiente “Y” y en
las siguientes columnas todas las variables explicatorias del sujeto
correspondiente.
75
En la modalidad de predicción, los datos estarán en un archivo

de texto; el archivo contiene datos en forma de matriz, el primer ren-
glón contiene en su primera (y única) columna a B0 (el intercepto).
En el segundo renglón están los siguientes coeficientes de la regre-
sión (solamente los que se van a considerar para la predicción. Es-
tarán uno en cada columna (B1, B2, B3,...,BK). Cada renglón sucesivo
representa a un sujeto y cada columna contiene a una variable expli-
catoria (máximo 32), en igual orden de acomodo que las B1,...,BK).
Ejemplo de aplicación de REGRES
a) Participantes
En este estudio participaron 38 jóvenes; 19 de ellos con edad en-
tre 11 y 12 años y los restantes con edad entre 18 a 19 años. Todos
ellos eran sanos, diestros y del sexo masculino.
b) Procedimiento:
Se registró la actividad electroencefalográfica de los jóvenes
mientras trataban de resolver la tarea “Torres de Hanoi” que,
como se ha señalado en un capítulo anterior, evalúa las funciones
ejecutivas, especialmente la capacidad de planeación. Se coloca-
ron electrodos superficiales en las derivaciones F3, F4, P3 y P4, de
acuerdo al sistema internacional 10-20 (Jásper, 1958), referidas a
las orejas cortocircuitadas. Se registraron al menos 3 minutos de
actividad EEG, excluyendo de la muestra a todos aquellos parti-
cipantes que terminaban la tarea antes de ese tiempo.
c) Análisis de los datos
Con el programa EEGmagic se obtuvieron los espectros de co-
rrelaciones interhemisféricos (F3-F4 y P3-P4) e intrahemisféricos
(F3-P3 y F4-P4) para las bandas de frecuencias Theta (4-7Hz),
Alfa1 (8-10Hz), Alfa2 (11-13Hz), Beta1 (14-19Hz) y Beta2 (20-
30Hz). En total se obtuvieron 20 valores de correlación (10 para
inter y 10 para intra) por cada participante. Para calcular el mo-
delo de regresión lineal se utilizaron los datos de 32 de los 38
sujetos (16 de cada grupo).
Se trabajó con un modelo lineal de probabilidad y a cada uno

de los participantes de 11-12 años de edad se le asignó el número 0
(cero), asignado el número 1 a los de mayor edad. En la Figura 23 se
ilustran las primeras columnas del contenido del archivo de datos
que se trabajará para calcular la regresión lineal.
76
Figura 23
Se muestra el contenido del archivo LUCYHAN.DAT. Son 32 renglo-
nes, cada uno de ellos representa a un sujeto diferente. Un 0 en la pri-
mera columna indica que el sujeto pertenece al grupo de 11-12 años,
un 1 que pertenece al de 18-19 años. Se muestran además las primeras
12 columnas (del total de 20) que contienen los valores de correlación.
Las primeras 10 columnas de correlación corresponden a la correlación
interhemisférica en las 5 bandas consideradas (5 bandas de F3-F4 y 5
bandas para P3-P4), mientras que las 10 últimas a la correlación intra-
hemisférica (5 bandas para F3-P3 y 5 bandas para F4-P4).
Después de correr el programa REGRES se obtiene el archivo

LUCYHAN.REG (el nombre del archivo de resultados es generado
a partir del nombre del archivo de datos de entrada cambiando sola-
mente la terminación). El contenido de dicho archivo está ilustrado
en la Figura 24.
Con los coeficientes de regresión obtenidos de REGRES se puede
proceder a la etapa de predicción. Para lo anterior se debe preparar
el archivo de datos LUCYHAN.PRE (Figura 25), el cual contiene en
77
Figura 24
Se muestra el contenido del archivo LUCYHAN.REG. En éste aparecen
los 21 coeficientes de regresión (β0 a β20).
su primer renglón el coeficiente β0, en el segundo renglón los coefi-

cientes β1 a β20 y en los siguientes 6 renglones están los datos de los
3 sujetos de cada grupo que no se utilizaron para calcular el modelo
de regresión lineal. Si el modelo funciona deberá predecir a qué gru-
po pertenecen (entre los dos rangos de edad considerados).
Figura 25
Contenido del archivo LUCYHAN.PRE
78
Los resultados de aplicar el modelo de predicción, utilizando to-

dos los coeficientes, están ilustrados en la Figura 26.
Figura 26
Pantalla inicial para etapa de predicción y resultados de aplicar el mo-
delo de predicción utilizando todos los coeficientes obtenidos en la eta-
pa anterior.
d) Resultados y discusión
Harmony y Alcaraz (1987) consideran que para ser adecuada
una clasificación, mediante un modelo discriminante, se deben
clasificar adecuadamente al menos al 80% de los sujetos (casos)
que participaron en la generación de dicho modelo. En el ejem-
plo presentado, tomando como línea divisoria, entre rangos de
edad, la probabilidad de 0.5, se logró clasificar adecuadamente a
los jóvenes con base en los valores de correlación en el 100% de
los casos (16 sujetos de cada grupo) (Tabla 7).
En la Tabla 7, los primeros 16 participantes pertenecen al grupo
de 11-12 años, los últimos 16 al grupo de 18-19 años. Podría ser inte-
79
Tabla 7
Pronósticos del archivo LUCYHAN.PRE
Sujeto Predicción Sujeto Predicción

1 0.146 17 0.776
2 0.231 18 0.911
3 0.137 19 1.000
4 0.173 20 0.906
5 0.000 21 0.864
6 0.076 22 0.893
7 0.000 23 1.000
8 0.159 24 1.000
9 0.000 25 0.884
10 0.077 26 0.789
11 0.023 27 1.000
12 0.000 28 1.000
13 0.089 29 0.913
14 0.288 30 1.000
15 0.052 31 0.759
16 0.000 32 0.797
resante calcular el modelo de predicción sin que participen todos los

coeficientes (y por lo tanto no todas las variables explicatorias). De
ser así podría obtenerse un modelo más simple; podría comenzarse
por eliminar a todos los coeficientes cuya t de Student, en valor ab-
soluto, sea menor de uno (Gujarati, 1981).
De la aplicación del modelo de predicción se ve que los coeficien-
tes de correlación parecen ser excelentes para discriminar entre los
dos grupos de participantes.
Consideraciones
La regresión lineal es una herramienta matemática diseñada para

tratar de explicar la dependencia de una variable, llamada varia-
ble dependiente, en función de otras variables, llamadas explica-
torias. Al hacer esto se persigue generar un modelo matemático
(una función de regresión) que explique el comportamiento de
una población de datos o, bien, predecir el comportamiento de
dicha población.
80
En este capítulo se ha presentado un programa llamado REGRES,

el cual sirve para calcular un vector de coeficientes de regresión a
partir de una matriz de datos de observaciones de las variables ex-
plicatorias y de un vector de valores de una variable dependiente
asociada a dichas variables. Dicho programa también puede servir
para calcular predicciones de la variable dependiente con base en
un modelo de regresión previamente calculado y a valores conoci-
dos de las variables explicatorias.
Aunque existen en el mercado paquetes estadísticos comercia-
les que permiten realizar correlaciones lineales, en el Instituto de
Neurociencias de la Universidad de Guadalajara optamos por desa-
rrollar este sencillo programa que, por ser exclusivamente para re-
gresión lineal múltiple, es rápido y permite manejar fácilmente una
gran cantidad de datos. Este programa está disponible, sólo basta
pedírselo a los autores.
Por otra parte, hemos mostrado la forma en que se puede em-
plear REGRES para clasificar dos grupos de sujetos con edades
distintas. De la aplicación del modelo de predicción se ve que los
coeficientes de correlación parecen ser excelentes para discriminar
entre estos dos grupos de sujetos.
Conclusiones generales
El análisis cuantitativo de la actividad electroencefalográfica ha

permitido relacionar cambios en la actividad eléctrica cerebral con
funciones cognoscitivas y conductuales ante diversas condiciones
experimentales. Estos análisis se han llevado a cabo tanto en el domi-
nio de la frecuencia (coherencia) como en el tiempo (correlación).
Se ha presentado un programa computarizado denominado
EEGmagic, el cual, además de realizar el análisis cuantitativo de la
actividad EEG, agiliza la exploración de los datos al aplicar diversas
pruebas estadísticas paramétricas. Una condición muy importante
es que los datos de las diferentes derivaciones y condiciones de cada
sujeto quedan bien organizados en los archivos respectivos; si esta
condición se cumple de forma adecuada, el programa aplicará, sin
dificultad alguna, la prueba estadística requerida. Una de las limita-
ciones del programa es el hecho de manejar sólo cuatro derivaciones
sin embargo, para estudios donde se registran más derivaciones, es
posible hacer varias corridas del programa, haciendo las compara-
ciones de interés.
81
FUNCIONES EJECUTIVAS
Corteza prefrontal
La corteza Prefrontal (CPF) es la región cortical más anterior de los

lóbulos frontales. Fue definida clásicamente en 1913, por Brodmann,
basándose en la citoarquitectura del cerebro primate, mientras que
la neurobiología moderna la define basándose en sus conexiones
con estructuras corticales y subcorticales (Krasnegor, Lyon & Gold-
man-Rakic, 1997). La principal y más general función de la corteza
prefrontal es la organización temporal de las acciones hacia metas
biológicas y cognoscitivas (Luria, 1966; Fuster, 1997).
En el cerebro mamífero, la CPF está convencionalmente definida
por dos criterios básicos: citoarquitectura y conectividad. Tales crite-
rios delimitan aproximadamente el mismo territorio, caracterizado
en todas las especies de mamíferos por una prominente capa IV ce-
lular o capa granular (Fuster, 2002) y una firme conectividad con el
núcleo mediodorsal del tálamo (Rose & Woolsey, 1948). Además, la
CPF posee extensas conexiones con las demás áreas cerebrales, tanto
corticales (principalmente de asociación) como subcorticales (Gold-
berg, 2002), lo que le permite estar ampliamente informada de lo que
pasa en el exterior e interior del sujeto, tanto en el presente como en
el pasado. La CPF recibe información altamente detallada del mun-
do exterior desde las áreas corticales de asociación parietal, occipital
y temporal (para una revisión, ver Groenewegen & Uylings, 2000).
De igual forma, recibe información de la memoria a través del hipo-
campo y las áreas temporales y del estado motivacional del sujeto a
través de sus conexiones con la amígdala y el hipotálamo. Aunque
no ejecuta movimientos de forma directa, la CPF es capaz de contro-
lar, regular e iniciar la conducta a través de sus proyecciones con la
corteza motora, motora suplementaria, caudado, putamen y colícu-
los superiores. Además puede regular la conducta emocional y las
85
funciones autónomas y endócrinas por medio de sus proyecciones

a la amígdala y el hipotálamo y puede incidir en la atención con sus
proyecciones retrógradas hacia las áreas sensoriales.
De esta forma, la CPF está involucrada en varios circuitos corti-
co-subcorticales implicados en las funciones sensorimotoras, cog-
noscitivas, motivo-emocionales y viscerales que fundamentan y
guían las conductas complejas (Passingham, 1993). Debido a su pri-
vilegiada posición en el cerebro anterior y extensas conexiones con
otras áreas corticales y subcorticales, la CPF se ha implicado en el
procesamiento de todas las modalidades sensoriales, desempeñan-
do un papel primordial en las conductas dirigidas a una meta y en
guiar las conductas en busca de una recompensa (para una revisión,
ver Kolb, 1990; Uylings & Van Eden, 1990; Yonemori et al., 2000;
Uylings, Groenewegen & Kolb, 2003).
La participación de la CPF en procesos recompensantes ha sido
demostrada en varios estudios. La CPF es parte del sistema dopa-
minérgico mesocorticolímbico y recibe prominentes proyecciones
dopaminérgicas desde el área tegmental ventral (ATV), así como
proyecciones desde otras estructuras subcorticales a través del tála-
mo mediodorsal. A su vez, ésta proyecta de regreso al ATV y núcleo
accumbens (Acc), considerados generalmente como los componen-
tes principales del denominado “sistema cerebral recompensante”
(Figura 1). Evidencias de la participación de la CPF en los mecanis-
mos relacionados con recompensa han surgido principalmente de
tres tipos de investigaciones: preferencia de lugar condicionada, au-
toestimulación y autoadministración de drogas (Tzschentke, 2000).
Por otro lado, en años recientes se han acumulado sustanciales
pruebas que indican el crítico papel de la CPF en mediar la asigna-
ción del valor incentivo de los estímulos. Por ejemplo, se ha mostra-
do que muchas neuronas prefrontales codifican una representación
de estímulos olfatorios que es dependiente de su asociación con una
recompensa (Rolls, 2000) y que las neuronas de la CPF muestran
una respuesta diferencial a estímulos sensoriales condicionados (au-
ditivos o visuales) cuando son asociados, o no, con una recompensa
(Takenouchi et al., 1999; Jodo, Suzuki, & Kayama, 2000). En estudios
más específicos se ha sugerido que este procesamiento sensorial, el
cual implica la adquisición del valor incentivo de los estímulos, es
mediado por circuitos límbico-prefrontales incluyendo principal-
mente las proyecciones recíprocas entre la CPF y la amígdala. En
estos modelos se propone que la CPF participa en la adquisición del
86
Corteza prefrontal
Figura 1
Esquema del sistema dopaminérgico mesocorticolímbico en cerebro
de rata. Las proyecciones dopaminérgicas desde el área tegmental
ventral (ATV) viajan a través del fascículo medial del cerebro anterior
para inervar a diferentes estructuras del sistema límbico (hipocampo,
amígdala, Septum, accumbens) y corteza prefrontal. Este sistema
dopaminérgico forma la base sustancial del denominado “sistema
cerebral recompensante.
Núcleo caudado
y putamen Cuerpo Cerebelo
Corteza Tabique Calloso
Cingulada Lateral Hipocampo
Anterior
Corteza
Prefrontal
Habérula
Cuerpo A10
estirado
Locus caruleus
A8 Núcleo
A9 parabraquial externo
Corteza Núcleo Corteza Núcleo

Piriforme central Entorrinal Accumbens
(núcleo
amigdalino)
valor recompensante de los estímulos a través de sus conexiones

con la amígdala (Armony, Servan-Schreiber & LeDoux, 1997; Rolls
& Treves, 1998; Balkenius & Morén, 2001; Hall, Parkinson, Connor,
Dickinson & Everrit, 2001); en este contexto, la amígdala incremen-
ta el valor incentivo de un estímulo novedoso y la CPF confirma o
–en el caso de un estímulo ya conocido– reconfirma este valor (Rolls
2000; 2004; Rolls & Treeves, 1998).
Con base en las diferentes características anatómicas y funciona-
les de la CPF, ésta ha sido subdividida en regiones, dando lugar a la
propuesta de que esta región cortical presenta una especialización
subregional. En los seres humanos, la CPF ha sido subdividida ana-
tómicamente en tres regiones principales (Fuster, 2001): dorsolate-
ral, orbitofrontal y medial aunque, recientemente, algunos autores
han incluido también a la corteza frontopolar (Ramnani & Owen,
2004) (Figura 2).
87
La región dorsolateral incluye las áreas: 8-12, 46 y 47 de Brod-

mann. Provee el soporte cognoscitivo a la organización temporal del
comportamiento, habla y razonamiento. Se relaciona con funciones
ejecutivas tales como la memoria de trabajo y la planificación.
La región orbital (también llamada prefrontal ventral) compren-
de las áreas 10-15, 25 y 47 de Brodmann. Ésta a su vez se divide en
área lateral y área medial. Las funciones de la primera están relacio-
nadas con las emociones y la conducta social, mientras que las del
área medial están implicadas en el procesamiento apetitivo y en el
control del estado interno del organismo.
La región medial de la corteza prefrontal comprende las áreas
9-13, 24 y 32 de Brodmann, además incluye la corteza anterior del
cíngulo, la cual parece involucrada en la predisposición o facilitado-
ras de la actividad, motivación, atención y emoción (Tekin & Cum-
mings, 2002) (Figura 2).
Figura 2
Vista lateral, ventral (orbital) y medial de la corteza prefrontal humana,
indicando las áreas (en números) de la clasificación de Brodmann.
Lateral
Orbital
Medial
88
Corteza prefrontal
La división anatómica y funcional de la CPF antes mencionada

ha servido de base para hacer una distinción entre las funciones eje-
cutivas emocionales o en caliente (hot en inglés), asociadas con la
corteza orbitofrontal, y las funciones ejecutivas cognoscitivas o en
frío (cool en inglés) implicadas en aspectos cognoscitivos asociados
con la corteza prefrontal dorsolateral (Zelazo & Müller, 2002).
La actividad cortical de los lóbulos frontales está regulada por
varios circuitos frontosubcorticales paralelos y segregados. Alexan-
der, De Long y Strick (1986) introdujeron el concepto de circuitos
frontosubcorticales para designar a los diferentes circuitos implica-
dos en diferentes procesos: las regiones dorsolateral, orbitofrontal y
medial forman parte de los tres circuitos descritos por Alexander y
sus colaboradores. De estos circuitos, el dorso-lateral está implica-
do en las funciones ejecutivas (Cummings, 1993), mientras que el
circuito órbito-frontal es el más comprometido con las emociones
y la conducta social. Este último se divide a su vez en las regiones
medial, implicada en el procesamiento apetitivo y en el control del
estado interno del organismo; y lateral, involucrada en las asocia-
ciones entre los objetos, sus emociones y en la conducta empática y
aceptable socialmente. Finalmente, el circuito del cíngulo anterior,
perteneciente a la región medial de la CPF, es importante en el moni-
toreo de las conductas, en la corrección de errores y en la motivación
(Mega & Cummings, 2001) (Figura 3).
Circuitos Prefrontales
I. Circuito Dorsolateral Prefrontal: la corteza dentro y alrededor del

surco principal y en la convexidad prefrontal dorsal (áreas 9 y 10
de Brodmann) es el origen del circuito dorsolateral prefrontal. La
proyección de esta área cortical termina en la región dorsolateral
del núcleo caudado (Goldman & Nauta, 1976). Importantes pro-
yecciones corticoestriadas a este mismo sector surgen de la corteza
parietal posterior (área 7) y el área premotora arcuata (Selemon &
Goldman-Rakic, 1985). Las porciones rostrales del núcleo caudado
proyectan al globo pálido dorsomedial y a las porciones rostrales
de la sustancia nigra reticulata (SNr) (Szabo, 1962). El globo pálido
dorsomedial proyecta a la porción parvocelular del núcleo talámico
anterior ventral (Kuo & Carpenter, 1973), en tanto que la SNr pro-
yecta al tálamo mediodorsal (Ilinsky, Jouandet & Goldman Rakic,
1985) proyectando de regreso a la corteza prefrontal dorsolateral en
89
Figura 3
Representación esquemática de los circuitos frontosubcorticales prefronta-
les descritos por Alexander et al. (1986).
Corteza Corteza Corteza Corteza

prefrontal prefrontal prefrontal prefrontal
Dorsolateral Orbital lateral Orbital medial medial cíngulo
AB 9 y 10 AB 10 AB 11 anterior AB 24
Caudado Caudado Núcleo Estriado

dorsolateral ventro- accumbens ventral
medial
Globo
pálido/
sustancia
nigra
Tálamo
Eferencias de la corteza
Aferencias hacia la corteza
y alrededor del surco principal (Jacobson, Butters & Tovsky, 1978).

Las lesiones en este circuito producen deficiencias en una serie de
funciones cognoscitivas superiores tales como planificación, secuen-
ciación, flexibilidad, memoria de trabajo espacial y verbal y auto-
conciencia, entre otras (Tekin & Cummings, 2002).
II. Circuito Orbitofrontal lateral y medial: el circuito orbitofrontal

está comprendido por dos subcircuitos paralelos que se originan en
las áreas 10 y 11 de Brodmann (Chow & Cummings, 1999). La cor-
teza lateral orbitofrontal (área 10 de Brodmann) proyecta al sector
ventromedial del núcleo caudado. Esta parte del núcleo caudado
también recibe entradas de las áreas de asociación auditivas y vi-
suales del giro temporal inferior y superior, respectivamente, y tam-
bién recibe entradas de las áreas de asociación, auditivas y visuales
90
Corteza prefrontal
del giro temporal inferior y superior, respectivamente (Selemon &

Goldman-Rakic, 1985). Por otro lado, la corteza medial orbitofrontal
(área 11 de Brodman) envía proyecciones al estriado ventral, especí-
ficamente al núcleo accumbens (Chow & Cummings, 1999). Ambas
porciones proyectan al sector dorsomedial del globo pálido interno
y a la porción rostromedial de la sustancia nigra pars reticulata (SNr)
(Szabo, 1962). Esta última proyecta al núcleo del tálamo anteroven-
tral y al núcleo del tálamo dorsomedial (Carpenter, Nakano & Kim,
1976). El “circuito cerrado” de los circuitos orbitofrontal lateral y or-
bitofrontal medial se completa con la regresión de las proyecciones
de esas dos regiones talámicas a las cortezas orbitofrontal lateral y
medial respectivamente (Ilinsky et al., 1985). Este circuito está invo-
lucrado en la iniciación de las conductas sociales y en la inhibición
de las conductas inapropiadas. Las funciones orbitofrontales son
relevantes en la evaluación de conductas riesgosas. Las lesiones en
esta área producen conductas tales como la dependencia ambiental
y conductas sociales inapropiadas, así como alteración en la percep-
ción o procesamiento de modalidades sensoriales.
III. Circuito del Cíngulo Anterior: las neuronas del cíngulo ante-
rior son el origen del circuito cíngulo-subcortical. Desde el área 24
de Brodmann, estas neuronas proyectan hacia el caudado ventrome-
dial y putamen ventral (que juntos construyen el estriado ventral),
al núcleo accumbens y al tubérculo olfatorio, es decir, a las áreas que
constituyen el estriado límbico (Selemon & Goldman Rakic, 1985).
Las proyecciones de estas estructuras se dirigen hacia la porción ros-
tromedial del globo pálido y región rostrodorsal de la SNr (Haber,
Wolfe & Groenewegen, 1990). El circuito se cierra con conexiones en-
tre el pálido ventral y el núcleo talámico mediodorsal (Haber, Lynd
& Mitchells, 1993) y desde la región dorsal de éste hacia la corteza
cingular anterior (Giguere & Goldman Rakic, 1988). El cíngulo ante-
rior es importante en el monitoreo de las conductas, en la corrección
de errores y en la motivación (Tekin & Cummings, 2002).
Funciones de la corteza prefrontal dorsolateral
Como se mencionó anteriormente, la CPF dorsolateral es una ex-

tensa región constituida por diferentes áreas de Brodmann (AB) y,
como consecuencia, se ha reportado que existe también una fina es-
pecialización subregional en esta área cortical. De las áreas de Brod-
91
man principalmente estudiadas en la región prefrontal dorsolateral

sobresalen las AB 9 y 46, esto probablemente debido a que son las
áreas conjuntas más prominentes y accesibles del lóbulo frontal la-
teral. Ya desde 1940, Walker utilizó el término “corteza prefrontal
dorsal” para las áreas 9 y 46 combinadas y el término “convexidad
(convexity) prefrontal dorsal” sólo para el área 9. Algunos estudios
con PET han concluido que esta corteza prefrontal dorsolateral me-
dial constituye una región especializada en el monitoreo dentro de
la memoria de trabajo, ordenando y clasificando respuestas internas
y externas al organismo (Grafman, Holyoak & Boller, 1995).
La CPF dorsolateral medial ha sido implicada en muchas funcio-
nes cognoscitivas, incluyendo información espacial “en línea”, mo-
nitoreo y manipulación dentro de la memoria de trabajo, selección
de respuestas, implementación de estrategias para facilitar la me-
moria, así como la organización de material antes de la codificación,
verificación y evaluación de representaciones que han sido recupe-
radas de la memoria a largo plazo (Ramnani & Owen, 2004).
Así mismo, muchas de las capacidades de razonamiento consi-
deradas como características únicamente de seres humanos, tales
como la planificación a largo plazo, el razonamiento hipotético y
la reorganización de conceptos complejos, requieren de la memoria
de trabajo, la cual no es un proceso unitario y es probablemente una
función esencial de muchas regiones no frontales del cerebro. Sin
embargo, la CPF dorsolateral parece ser importante para la memo-
ria de trabajo, tareas que implican la relación temporal de elementos
separados y la comparación o manipulación de varios segmentos de
información (Fuster, 1995; Goldman- Rakic, 1984).
En humanos, las lesiones en la porción dorsolateral de la CPF,
incluyendo al área 10, resultan en el deterioro de altas habilidades
cognoscitivas que facilitan la memoria de experiencias prolongadas,
la organización de contenidos mentales que controlan el pensamien-
to creativo y el lenguaje, la expresión artística y la planificación de
acciones futuras (Damasio, 1985).
Además, los daños a la CPF dorsolateral pueden dar lugar a una
multitud de deficiencias neuropsicológicas, incluyendo aspectos di-
versos de la cognición, tales como atención, lenguaje y funciones
ejecutivas. Asimismo, tales daños no causan amnesia dentro del
sentido convencional, pero pueden interrumpir aspectos del apren-
dizaje y de la memoria en varias etapas de estos procesos y de la
asignación básica de la atención a habilidades en la metamemoria.
92
Corteza prefrontal
Los pacientes con lesiones en la CPF dorsolateral muestran crecien-

te vulnerabilidad para distraerse ante diversas modalidades de es-
tímulos, así como evidencia electrofisiológica de desinhibición en
regiones sensoriales (Anderson & Tranel, 2002).
Se ha mostrado además que la lesión de la CPF dorsolateral iz-
quierda puede dar lugar a una variedad de defectos del discurso y
del lenguaje (Anderson & Tranel, 2002). La CPF dorsolateral izquier-
da y las áreas premotoras se activan durante la recuperación léxi-
ca, con las demandas de la búsqueda mental y diversas categorías
léxicas que contribuyen a la activación de varias subregiones (Gra-
bowski, Damasio & Damasio, 1998), mientras que los daños a ésta
área no sólo afectan la expresión del lenguaje, sino también la com-
prensión y la lectura auditiva (Alexander, Benson & Stuss, 1989).
Similarmente, los daños a la corteza prefrontal dorsolateral derecha,
pueden dar lugar a restricciones del discurso prosódico (Anderson
& Tranel, 2002).
De forma general se ha propuesto que las áreas que maduran
más tardíamente en la convexidad prefrontal lateral son las que es-
tán principalmente involucradas en las funciones ejecutivas. La fun-
ción ejecutiva más general de la CPF dorsolateral es la organización
temporal de acciones dirigidas a metas en el dominio de la conducta,
la cognición y el lenguaje; estos tres dominios constituyen la función
global sustentada por una función fundamental de la CPF dorsola-
teral en la integración temporal, esto es, la integración de percepcio-
nes sensoriales discontinuas temporalmente y de entradas neurales
a estructuras cerebrales. La integración temporal se sirve de al me-
nos 3 funciones cognoscitivas de topografía prefrontal diferente:
memoria de trabajo (mantenimiento transitorio de representaciones
accesibles mientras está ocurriendo el razonamiento), preparación
de acciones o planificación (identificación y organización de los pa-
sos y elementos necesarios para llevar a cabo una intención o lograr
una meta) y control inhibitorio (habilidad para ignorar respuestas o
estímulos automáticos o preponderantes irrelevantes para lograr la
tarea o meta actual). Estas funciones comprometen a la CPF en una
cooperación interactiva con otras regiones neocorticales.
De manera general se ha propuesto que la corteza prefrontal es el
área cerebral que lleva a cabo las funciones más elaboradas y com-
plejas que caracterizan a los seres humanos. De forma particular, la
corteza prefrontal lateral, específicamente las dorsolateral, es el área
a la que se le han adjudicado las funciones correspondientes a la or-
93
ganización temporal de la conducta, así como el control de las altas

funciones cognoscitivas, lo cual hace referencia a uno de los térmi-
nos utilizados en los últimos tiempos referente a aquellas acciones
dirigidas a una meta y que requieren de la adecuada integración de
diversas funciones cognoscitivas: las funciones ejecutivas.
Las diversas funciones de las cortezas de asociación son frecuen-
temente referidas como cognición, lo cual literalmente significa el
proceso mediante el cual se conoce al mundo (la palabra “cognición”
no es quizá la mejor palabra para indicar este amplio rango de fun-
ciones neurales, pero se ha convertido en parte del vocabulario utili-
zado por los neurólogos y neurocientíficos). Más específicamente, la
cognición se refiere a la habilidad para atender estímulos externos o
la motivación interna para identificar el significado de determinado
estímulo y para responder de manera significativa (Purves, 2004).
La cognición está íntimamente relacionada con conceptos abs-
tractos tales como mente, percepción, razonamiento, inteligencia,
aprendizaje, memoria y muchos otros que describen numerosas
capacidades de los seres humanos (citado en Kandel, Schwartz &
Jessell, 2000).
Las funciones cognoscitivas son, entonces, funciones intelec-
tuales que se dividen en cuatro clases: 1- Las funciones receptivas
que permiten la adquisición, el procesamiento, la clasificación y la
integración de la información; 2- La memoria y el aprendizaje que
permiten el almacenamiento y el acceso a la información; 3- El pen-
samiento o la razón relacionadas con la organización y la reorgani-
zación mental de la información; 4- Las funciones expresivas que
permiten la comunicación o la acción (Bérubé, 1991).
Por otro lado, algunos autores tales como Lezak (1982) conside-
ran que existe una distinción entre las funciones cognoscitivas y las
funciones ejecutivas, considerando que las funciones cognoscitivas
conciernen a “qué” y “cuánto” conocimiento, habilidad y equipa-
miento intelectual posee una persona. Mientras que las funciones
ejecutivas se refieren a “cómo” la persona realiza determinada ac-
ción. Desde este punto de vista se considera entonces que la eva-
luación de las funciones cognoscitivas y las funciones ejecutivas se
enfocan en procesos diferentes. Así, por ejemplo, nuestros hábitos
de conceptualización y observación de la conducta están más rela-
cionados con cuestiones cognoscitivas, mientras que las funciones
ejecutivas tienden a ser supramodales, afectando la expresión de
todos los aspectos de la conducta.
94
Corteza prefrontal
Además, Godefroy, Cabaret, Petit-Chenal, Pruvo y Rousseaux

(1999) sugieren que las FE dependen de múltiples procesos que pue-
den ser separables unos de otros, los cuales son controlados princi-
palmente, pero no exclusivamente, por la parte anterior del cerebro,
y que sus operaciones pueden ser especificadas en términos cognos-
citivos, tales como creación y selección de asociaciones estímulo-res-
puesta o preparación de la respuesta. Al considerar las deficiencias
encontradas en pacientes con lesiones en los lóbulos frontales, espe-
cíficamente en la corteza prefrontal, es que se ha sugerido que esta
región cortical forma una parte muy importante del sustrato neural
de las FE (Duncan, Emslie, Williams, Johnson & Freer, 1996; Duncan,
Johnson, Swales & Freer, 1997; Engle, Kane &Tuholski, 1999).
95
Memoria
La memoria es la capacidad neurocognoscitiva de codificar, alma-

cenar y recuperar información (Tulving, 2000). La memoria es un
prerrequisito para toda actividad cognoscitiva, relacionándose con
habilidades cognoscitivas importantes tales como el aprendizaje, la
comprensión del lenguaje, la lectura, el pensamiento y la solución
de problemas, entre otras.
La memoria es un sistema que implica tres etapas. En la prime-
ra, habitualmente llamada de codificación, es necesario alimentar
el sistema de información; en la segunda, o de almacenamiento, se
necesita un medio para conservar esta información en el tiempo y
prevenir su deterioro y extravío u olvido; y en la tercera, o de recu-
peración, es indispensable conseguir el acceso a la información al-
macenada. A pesar de que estos tres procesos son conceptualmente
diferentes están estrechamente ligados, por lo que una modificación
que afecte a uno de ellos influirá en los otros (Gumá, 2001).
A pesar de que a menudo se habla de memoria, sería más preciso
hablar de sistemas de memoria. Estos sistemas funcionan con cierto
grado de independencia, pero son intrínsecamente dependientes.
Numerosos estudios han sugerido que existen diferentes formas
de memoria, los cuales pueden depender de sistemas cerebrales dis-
tintos. La primera clasificación se basa en la duración de la memoria,
dividiéndose en memoria a corto plazo (que incluye a la memoria de
trabajo) y memoria a largo plazo (Brown, 1958; Hebb, 1949; Peterson
& Peterson, 1959). En la memoria a corto plazo la información está
disponible sólo durante unos cuantos segundos, a menos que tenga
lugar un repaso continuo, y es vulnerable a las distracciones. Este
tipo de memoria tiene una capacidad limitada (Miller, 1956), ya que
sólo puede mantener 7 (±2) elementos. Gran parte de la información
97
que ingresa a la memoria a corto plazo se olvida, pero parte de ésta

ingresa a la memoria a largo plazo, ya sea porque es repasada o
porque es relevante. La memoria a largo plazo es un sistema que al-
macena gran cantidad de información, tanta que sus límites no han
sido definidos. Más aún, mantiene esta información durante largos
periodos, incluso años o toda la vida.
Otra clasificación es realizada por Squire, Knowlton & Musen
(1993), quienes dividen a la memoria en declarativa (explicita,
consciente, intencional o relacional) y no declarativa (implícita y
no consciente, incidental o procedural), formas que a su vez son
subdivididas. De esta manera, la memoria declarativa puede ser de
hechos (semántica) o de eventos (episódica), mientras que en la no-
declarativa se incluyen las destrezas y los hábitos, el condiciona-
miento clásico simple, el priming y la memoria no asociativa. Otra
distinción puede hacerse de acuerdo al tipo de información que es
almacenada. De acuerdo a Schachter & Tulving (1994), la memoria
puede dividirse en verbal y no verbal.
Sustratos neurales de los Distintos Sistemas de memoria
Memoria explícita
El primer conjunto de estructuras cerebrales implicado en la me-
moria es el correspondiente al almacenamiento y recuperación
consciente de la información, es decir, a la memoria declarativa o
explícita. Este sistema involucra a la región hipocámpica (hipocam-
po, cortezas parahipocámpica, perirrinal y entorrinal), la corteza
prefrontal y el lóbulo parietal medial (cortezas retroesplenial y cu-
neal). Dichas estructuras tienen conexiones recíprocas con las áreas
sensoriales corticales.
La región hipocámpica participa en el almacenaje inicial o codifi-
cación consciente de todo tipo de información (Gumá, 2001). Dicha
información es primeramente procesada en la corteza de asociación
polimodal y desde ahí es enviada a las cortezas parahipocampal y
perirrinal y luego a la entorrinal, el giro dentado, el hipocampo y el
subículo para, finalmente, regresar a la corteza entorrinal (Figura 4).
Desde ahí, la información es reenviada a las cortezas parahipocampal

Es el efecto facilitador no consciente de la experiencia previa sobre la percep-
ción y otros procesos, en ausencia de la recolección consciente o dirigida de
experiencias previas.
98
Memoria
y perirrinal y posteriormente a las zonas de asociación polimodal de

la neocorteza. Es importante mencionar que el hipocampo y el resto
del lóbulo temporal medial pueden actuar en un periodo de días o
semanas para facilitar el almacenamiento de la información en su
destino final –la neocorteza–. Es probable que esta lenta adición de la
información a la neocorteza permita que los nuevos datos no alteren
a la información preexistente (Kandel, Schwartz & Jessell, 1997).
Figura 4
Entradas y salidas de la formación hipocámpica
Giro Dentado
Corteza
Áreas de Hipocampo CA3
Parahipocampal Corteza
asociación
Entorrinal
polimodal Corteza Perirrinal Hipocampo CA1
Subículo
La corteza prefrontal participa en la movilización de los recursos

limitados de atención consciente que permiten enviar y extraer infor-
mación de los almacenes especializados en donde se guarda esta últi-
ma en función de su modalidad (Gumá, 2001). Así, esta área participa
en la organización, búsqueda y selección de información pertinente
para cada situación, así como la verificación del recuerdo de la infor-
mación almacenada (Tirapu-Ustárroz & Muñoz-Céspedes, 2005).
La corteza prefrontal es también fundamental en la memoria de
corto plazo, particularmente en la memoria de trabajo. Tradicional-
mente se ha considerado, gracias a las ideas de Patricia Goldman-Ra-
kic (1987, 1994 & 1995), que la memoria de trabajo se organiza en la
CPF de acuerdo al tipo de información que es procesada, estando la
región dorsolateral implicada con el material espacial y la ventrolate-
ral con el material no espacial. Sin embargo, en la actualidad, Michael
Petrides ha desarrollado una visión alternativa en la que se cree que la
distinción entre las regiones prefrontales dorsolateral y ventromedial
es de carácter funcional y no de acuerdo al tipo de información. Así,
el sector dorsolateral se involucra con la codificación y manipulación
99
de la información, mientras que el ventrolateral con el mantenimiento

y recuperación de dicha información y con varios procesos ejecutivos
de bajo nivel como comparaciones, juicios acerca de la ocurrencia o no
ocurrencia de los hechos, etc. (Petrides, 1994; 1998).
Finalmente, la corteza prefrontal se relaciona con la metame-
moria o conocimiento sobre nuestra propia memoria, la memoria
prospectiva o el almacenamiento de los planes e intenciones para
el futuro y la memoria de referencia, es decir, la capacidad para re-
cordar correctamente no sólo el hecho, sino la fuente y el contexto
donde se adquirió dicha información (Tirapu-Ustárroz & Muñoz-
Céspedes, 2005).
El lóbulo parietal medial se activa durante la memoria de acon-
tecimientos pero no durante la evocación de material semántico. Se
ha sugerido que esta activación corresponde a la evocación de la
imagen visual característica de la memoria episódica (Gumá, 2001).
El lugar final donde se almacenan los engramas son las áreas
corticas no hipocámpicas, las cuales están especializadas en el
procesamiento de una modalidad sensorial (para una revisión, ver
Gumá, 2001).
Memoria implícita
Las distintas variedades de memoria implícita sólo tienen en común
que son no conscientes, por lo que se sustentan en mecanismos cere-
brales diferentes entre sí. Por ejemplo, en el condicionamiento clási-
co de reflejos está implicado el cerebelo (Thompson, 1990), mientras
que en el condicionamiento clásico de miedo es fundamental el pa-
pel de la amígdala (Kandel, Schwartz & Jessell, 1997).
En el desarrollo de habilidades perceptuales están involucradas
las áreas neocorticales visuales y el neoestriado mientras que, en los
hábitos motores, son muy importantes las conexiones recíprocas en-
tre los ganglios basales (caudado, putamen) y la corteza cerebral.
De hecho, este tipo de aprendizaje está deteriorado en los pacientes
con la enfermedad de Huntington, la cual afecta los ganglios basales
(Heindel, Butters & Salmon, 1988). También se ha reportado apren-
dizaje motriz deteriorado en asociación con lesiones cerebelosas
(Pascual-Leone et al., 1993).
El priming depende de la operación de sistemas de representa-
ción presemánticos localizados en las áreas corticales que procesan
y representan información sobre la forma y la estructura. Se ha su-
gerido la existencia de tres de estos sistemas: a) visual de palabras
100
Memoria
(para la representación visual y ortográfica de las palabras), b) de

descripción estructural (para la representación de las relaciones
entre las partes de los objetos que especifican su forma global y
estructura) y c) auditivo de palabras (para el procesamiento de la
información acústico-fonológica de las palabras) (para revisión, ver
Gumá, 2001).
Memoria de trabajo
La memoria de trabajo es un sistema temporal que permite retener
cierta cantidad de piezas de información, manipularlas y regularlas
para guiar conductas y tareas cognoscitivas tales como el aprendi-
zaje, el razonamiento, la comprensión y procesos mentales como la
aritmética, el cálculo y la solución de problemas. Se caracteriza por
poseer una capacidad limitada y una decadencia o borrado espon-
táneo en pocos segundos (Baddeley, 1996; 1999).
Para Alan Baddeley (1996), la memoria de trabajo es un sistema
integrado por tres componentes principales: un sistema ejecutivo,
un almacén fonológico y un almacén viso-espacial. El ejecutivo cen-
tral es un sistema de control atencional que coordina de manera glo-
bal las actividades, ordena y supervisa la información proveniente
de los almacenes y selecciona la información para la realización de
las actividades cognoscitivas prioritarias; está regido por la corteza
prefrontal, en particular el área dorsolateral. El almacén fonológico
procesa material verbal y se mantiene a través de la repetición sub-
vocal y el repaso articulatorio; está regulado por el área de Broca
y el área temporal. El almacén viso-espacial manipula y mantiene
imágenes visuales; se mantiene a través del escaneo visual, activi-
dad regulada por las áreas parietal posterior, prefrontal y motora
suplementaria (Baddeley, 1999).
Al modelo tradicional de memoria (Figura 5) propuesto de Badde-
ley y Hitch (1974) se han añadido otros almacenes, como el almacén
episódico, en el cual el procesamiento de información fonológica y
visual se combina de algún modo y se integran con la información
que llega de la memoria de largo plazo, formando una represen-
tación multimodal y temporal de una situación actual. Aunque no
se ha demostrado fehacientemente, se cree que las áreas frontales
pueden desempeñar un papel crucial en este cuarto componente
(Baddeley, 2004; Tirapu-Ustárroz & Muñoz-Céspedes, 2005).
En la evaluación de la memoria de trabajo se emplean tareas en
las que se debe retener cierta información por un tiempo breve y
101
Figura 5
Modelo original de memoria de trabajo propuesto por Baddeley y Hitch
Almacén Almacén
Ejecutivo Central
Vioespacial Fonológico
simultáneamente manipularla antes de efectuar una respuesta. Es

común en diversas baterías psicométricas (p. ej. Weschler) el em-
pleo de tareas en donde los sujetos deben repetir series crecientes
de letras o dígitos en el orden inverso al que son presentadas. Otros
ejemplos se encuentran en la sub-prueba de “números letras” y
“aritmética” de las escalas de inteligencia y memoria de Weschler.
En la primera se presentan series progresivas de letras y números
que se deben ordenar, diciendo primero los números y luego las le-
tras (p. j. T 9 A 3, 3 9 A T). En la segunda se deben resolver problemas
y operaciones aritméticas mentalmente. También existen tareas en
modalidades visoespaciales, como la secuencia regresiva de toques
de cubos de Knox, Corsi y Queensland (Fleming et al., 1997).
Prueba de Memoria Espacial o Cubos de Corsi
La prueba de memoria espacial, también conocida como cubos

de Corsi, mide tanto la memoria inmediata como la memoria de
trabajo espacial y se ha usado ampliamente en poblaciones clínicas
(Milner, 1971). La prueba consta de un tablero en el que se encuen-
tran colocados 9 ó 10 cubos numerados (Figura 6). Dicho tablero
se coloca frente al sujeto evaluado de tal forma que éste no ve la
numeración de los cubos pero el evaluador sí (Figura 7). Este último
toca secuencias crecientes de cubos y el sujeto debe repetir dichas
secuencias de toques en el mismo orden que el evaluador (memoria
inmediata) o en el orden contrario (memoria de trabajo). Aunque
esta tarea fue diseñada para aplicarse “manualmente” con el table-
ro antes descrito, existen algunas versiones computarizadas que se
han empleado en investigaciones en el área de las neurociencias
(Owen, Evans & Petrides, 1996; Owen et al., 1999; Bor, Duncan, Lee,
Parr & Owen, 2006).
102
Memoria
Figura 6
Tablero de la prueba de memoria espacial
Figura 7
Aplicación de la prueba de memoria espacial
Por otra parte, diversas investigaciones realizadas tanto en pa-

cientes cerebro-lesionados como en sujetos sanos con técnicas de
neuroimagen funcional han demostrado el importante papel que
desempeñan las cortezas prefrontal y parietal del hemisferio dere-
103
cho en el óptimo desempeño de las distintas versiones de la prueba

de memoria espacial (Bor et al., 2006; Van Asselen et al., 2006).
Con respecto a los estudios con pacientes cerebro-lesionados, Bor
et al. (2006) encontraron que aquéllos con lesiones en la CPF dorso-
lateral derecha mostraban serias deficiencias en la tarea de memoria
espacial. Van Asselen et al. (2006) obtuvieron resultados similares al
observar, en un grupo de pacientes cerebro-lesionados, una corre-
lación negativa entre la ejecución de la tarea de cubos de Corsi y la
extensión de la lesión de la CPF dorsolateral derecha y de la corteza
parietal posterior derecha.
Como se comentó anteriormente, se han realizado diversos es-
tudios con tomografía por emisión de positrones (TEP) y con reso-
nancia magnética funcional (RMf) con la tarea de memoria espacial.
En dichos estudios se ha observado una activación distinta de las
regiones ventral lateral y dorsolateral de la CPF en dependencia del
grado de complejidad de la tarea. Por ejemplo, con TEP, Owen et al.
(1996) emplearon diversas variantes de tareas de memoria espacial
con distintos requerimientos de manipulación de la información. En
la primera de ellas se presentaba, en un monitor de computadora
sensible al tacto, un conjunto de 5 círculos que cambiaban de color
secuencialmente y los sujetos tenían que mantener en la memoria
una secuencia de 5 posiciones. Posteriormente, los sujetos tenían
que reproducir la secuencia aprendida en la condición anterior. Se
encontró que, mientras que en la primera condición se activaba úni-
camente la CPF ventro-lateral derecha, en la segunda se activaba bi-
lateralmente. En otras dos tareas, los sujetos requerían recordar los
lugares que habían sido marcados con un círculo azul para poste-
riormente evitar seleccionar nuevamente aquéllos lugares. En estas
últimas hubo una activación de la CPF dorsolateral derecha, corres-
pondiente a las áreas 9 y 46 de Brodmann (AB 9 y 46), así como de la
región ventral lateral en ambos hemisferios.
En un estudio posterior también efectuado con PET, Owen et al.
(1999) emplearon dos variantes de memoria espacial. En ambas ver-
siones se presentaba un conjunto de 5 círculos que cambiaban de
color secuencialmente. En la primera, los sujetos tenían que mante-
ner una secuencia de 5 posiciones mientras que, en la segunda, los
sujetos tenían que responder inmediatamente después de cada cam-
bio de color tocando el círculo que correspondía a dos pasos atrás
en la secuencia anterior. En la primera tarea (memoria espacial) se
encontró un incremento del flujo sanguíneo en la región ventro-la-
104
Memoria
teral derecha de la CPF (área 47 de Brodmann), mientras que en la

segunda (2 pasos atrás) además se incrementó el flujo sanguíneo en
la región dorsolateral media (áreas 9 y 46 de Brodmann).
De igual forma, Bor et al. (2006) emplearon otras dos variantes de
memoria espacial compuestas de 8 cubos. En la primera (no estruc-
turada), los cubos estaban distribuidos aleatoriamente en la panta-
lla mientras que, en la segunda (estructurada), los cubos estaban
alineados en dos filas de cuatro columnas. Los autores encontraron
que en el arreglo no estructurado hubo un incremento bilateral de
la activación en el área ventro lateral de la CPF (AB 45 y 47), en las
cortezas motora izquierda (AB 4), motora suplementaria (AB 6) y
estriada derecha (AB 17). En el arreglo estructurado se activaron la
CPF dorsolateral (AB 9 y 46) y ventro lateral derechas, la corteza
parietal superior derecha (AB 7) y la corteza extra estriada derecha
(AB 18).
Los resultados de las investigaciones mencionadas parecen apo-
yar la idea de Petrides (1994 & 1998) en el sentido de que la región
dorsolateral de la CPF se involucra con la codificación y manipula-
ción de la información, mientras que la ventrolateral con el mante-
nimiento y recuperación de dicha información.
105
Evaluación de funciones ejecutivas
Luria (1966) esboza el término de Funciones Ejecutivas (FE) consi-

derando que la corteza prefrontal es crítica para la formulación de
metas, planificación y la secuencia y verificación de la conducta. Sin
embargo, el término funciones ejecutivas fue primero descrito por
Baddeley y Hitch (1974) como un “ejecutivo central” y después defi-
nido por Lezak (1983) como una dimensión de la conducta humana
que concierne a “cómo” es expresada la conducta.
Las funciones ejecutivas (FE) se refieren generalmente a los proce-
sos psicológicos involucrados en el control consciente del pensamien-
to y la acción (Zelazo & Muller, 2002).
Lo anterior requiere, además de la motivación necesaria para al-
canzar las metas, la retención de los planes en la memoria y la im-
plementación de los planes (Rains, 2004). Las funciones ejecutivas
son cruciales para la conducta humana normal y socialmente útil,
ya que permiten experimentar diversos tipos y combinaciones de
funciones motoras, sensoriales y cognoscitivas y mantener, simul-
táneamente, la dirección de la propia vida. La deficiencia o pérdida
de estas funciones compromete la capacidad de una persona para
mantener una vida independiente, útil para sí mismo y para los de-
más (Lezak, 1982).
Las funciones ejecutivas no son una entidad única, sino un con-
junto de procesos que trabajan de manera integrada para ejecutar al-
guna tarea. A este respecto, Anderson (2002) (basado en los trabajos
de Stuss & Alexander, 2000) propuso un modelo para las funciones
ejecutivas, el cual las clasifica en 4 dominios diferentes:
a) Control atencional: incluye tanto la capacidad de seleccionar un

estímulo específico e inhibir otros, como la habilidad para enfo-
107
car la atención por un tiempo prolongado. Comprende también

la regulación y monitoreo de las acciones para que sean ejecuta-
das en el orden correcto, la identificación de errores y el logro de
metas.
b) Procesamiento de información: se refiere a la fluidez, la eficacia y
la rapidez de la producción de acciones.
c) Flexibilidad cognoscitiva: se refiere a la habilidad para cambiar
la respuesta, aprender de los errores, idear estrategias, dividir la
atención y procesar múltiples fuentes de información al mismo
tiempo. Incluye a la memoria de trabajo.
d) Establecimiento de metas: incorpora tanto la habilidad para de-
sarrollar nuevas iniciativas y conceptos, como la capacidad de
planear acciones con antelación y tareas de aproximación de for-
ma eficiente y estratégica.
Tradicionalmente se ha relacionado a las funciones ejecutivas

con la Corteza Prefrontal (Luria, 1966; Godefroy et al., 1999) aun-
que, recientemente, algunos autores como Stuss y Alexander (2000)
consideran que esta relación no es del todo clara y que un proceso
cognoscitivo específico no depende de una sola región cerebral, sino
de diversos sistemas neurales. Sin embargo, a pesar de las objecio-
nes de estos autores, existe amplia evidencia científica de que la CPF
está implicada (aunque no exclusivamente) en las funciones ejecu-
tivas y en el control superior del comportamiento, encontrándose
la clave de este hecho en las características citoarquitectónicas y de
conectividad de la CPF.
En la literatura existe una amplia variedad de pruebas para
medir las funciones ejecutivas y sus diversos componentes. En la
Tabla 1 se presenta un cuadro comparativo de tres pruebas utiliza-
das para evaluar dichas funciones en una breve descripción de las
tres pruebas consideradas.
Torres de Hanoi
Torres de Hanoi (TOH) se reconoce como uno de los más famosos

y fascinantes de todos los juegos matemáticos. Fue inventado como
un juego para niños en 1883 por el matemático francés Francois
Edouard Anatole Lucas (Danesi, 2004).
El juego original consiste en lo siguiente: se tienen 3 postes; en
uno de ellos hay n discos de diferentes tamaños, organizados de
108
manera que el mayor está debajo de los demás y así sucesivamente.

El objetivo consiste en mover todos los discos a otro poste, pero con
las siguientes condiciones:
Se debe mover sólo un disco a la vez.

Los discos siempre tienen que estar en uno de los postes.
Nunca se puede colocar un disco mayor sobre uno menor.
Torres de Hanoi es considerada como una prueba de planifica-

ción (Finchman Carter, Vincent, Adrew & Anderson, 2002), ya que
requiere de la identificación y organización de los pasos y elementos
necesarios para llevar a cabo una intención o lograr una meta (Car-
doso & Parks, 1998). Esta prueba también requiere de la habilidad
para solucionar problemas (León Carrión, Barroso & Martín, 2001), el
aprendizaje por procedimientos (Simon, 1975), la memoria de trabajo para
la generación y almacenamiento provisional de submetas (Goel &
Grafman, 1995; Handley Capon, Capon & Harper, 2002), la inhibi-
ción de los movimientos incorrectos (Krikorian, Bartok & Gay, 1994),
el monitoreo de la propia conducta y la revisión de planes cuando es
necesario (Welsh, Cicerello, Cuneo & Brennan, 1994).
Como toda tarea que mide funciones ejecutivas, la ejecución de
las Torres de Hanoi está relacionada con el funcionamiento de la
corteza prefrontal dorsolateral, hecho que es evidenciado por nume-
rosas investigaciones realizadas en personas sanas con técnicas de
imagen funcional. Por ejemplo, se ha demostrado que los pacientes
con lesiones del lóbulo frontal muestran un deterioro en la ejecución
de Torres de Hanoi (Goel & Grafman, 1995). De igual forma han
sido encontradas deficiencias en la realización de TOH en autistas
(Ozzonoff, Pennington & Rogers, 1991), pacientes con desorden ob-
sesivo compulsivo (Cavedini, Cisima, Riboldi, D’Annucci & Bellodi,
2001), esquizofrénicos (Goldberg, Saint-Cyr & Weinberger, 1990) e
individuos con la enfermedad de Parkinson (citado en C. Welsh &
Huizinga, 2001).
La participación de la CPF dorsolateral en la prueba de Torres
de Hanoi ha sido corroborada por estudios de neuroimagen. Por
ejemplo, Fincham et al. (2002) utilizaron la Resonancia Magnética
Funcional en 8 personas sanas (4 hombres y 4 mujeres) mientras
realizaban las Torres de Hanoi. Se encontró una activación fronto-
parietal que incluía a la corteza prefrontal dorsolateral (área 9 de
Brodmann), la corteza parietal bilateral (áreas 40 y 7 de Brodmann)
109
110
Tabla 1
Funciones cognoscitivas implicadas en la ejecución de las pruebas de Torres de Hanoi, Torres de Londres y cartas de
Wisconsin
Torres de Hanoi Torres de Londres Wisconsin

Funciones Autores Funciones Autores Funciones Autores
Planificación Gnys y Willis, Planificación Baker et al., 1996; Conceptuali- Schuepbach et al.,
1991; Fincham et Newman et al., 2003 zación/ 2002; Barceló, 2001
al. 2002 formación de
conceptos
Inhibición y Goel y Grafman, Atención Baker et al., 1996; Categorización Schuepbach et al.,
flexibilidad 1995; Welsh & dirigida Newman et al., 2003 2002
cognoscitiva Huizinga, 2001
Conflictos Goel y Grafman, Definir Baker et al., 1996 Cambio Schuepbach et al.,
meta-submeta 1995. submetas de reglas/ 2002; Barceló, 2001
flexibilidad
cognoscitiva
y cambio en
contingencias
Memoria de Welsh y Huizinga, Memoria de Baker et al., 1996; Memoria a corto Schuepbach et al.,
trabajo 2001; Bull et al. trabajo Newman et al., 2003 plazo 2002
2004; Goel y (espacial)
Grafman, 1995.
Razonamiento Simon, 1975 Razonamiento Newman et al., 2003; Planificación Schuepbach et al.,
complejo visoespacial 2002; Bustini, 1999

Solución de Simon, 1975; León Preparación Schuepbach et al.,
problemas Carrión et al., 2001 2002
Automonitoreo Welsh et al., 1994; Control Schuepbach et al.,
León-Carrión et inhibitorio 2002
al., 2001
y cambio en
contingencias
Memoria de Welsh y Huizinga, Memoria de Baker et al., 1996; Memoria a corto Schuepbach et al.,
trabajo 2001; Bull et al. trabajo Newman et al., 2003 plazo 2002
2004; Goel y (espacial)
Grafman, 1995.
Razonamiento Simon, 1975 Razonamiento Newman et al., 2003; Planificación Schuepbach et al.,
complejo visoespacial 2002; Bustini, 1999
Solución de Simon, 1975; León Preparación Schuepbach et al.,
problemas Carrión et al., 2001 2002
Automonitoreo Welsh et al., 1994; Control Schuepbach et al.,
León-Carrión et inhibitorio 2002
al., 2001
Planificación Gnys y Willis, Razonamiento Barceló, 2001
1991; Fincham et abstracto
al., 2002
Inhibición y Goel y Grafman, Solución de Welsh, 1991;

flexibilidad 1995; Welsh y problemas Bustini, 1999.
cognoscitiva Huizinga, 2001
Conflictos Goel y Grafman, Elaboración de Bustini et al., 1999
meta-submeta 1995 estrategias
111
y el área premotora bilateral (6 de Brodmann). Además se activó

al giro frontal inferior (44 de Brodmann) durante el procesamiento
más intensivo de las metas.
Torres de Londres
Torres de Londres es una prueba neuropsicológica desarrollada por

Shallice (1982) para identificar el deterioro de los procesos de pla-
nificación en pacientes con daño frontal. Esta prueba es una adap-
tación y simplificación de las Torres de Hanoi pero, a diferencia de
ésta, permite que la dificultad de los problemas sea gradual. En la
actualidad, la prueba Torres de Londres ha sufrido algunas modifi-
caciones y puede aplicarse tanto en niños como en adultos.
De forma general, Torres de Londres consiste en una base de ma-
dera con tres postes de distintos tamaños y tres esferas de colores. El
ejercicio consiste en que, partiendo de una posición inicial, se llegue
a una nueva colocación de las esferas en los postes. A la persona
evaluada se le dan las esferas en la posición inicial y se le permite
ver durante todo el ejercicio la posición meta, ya sea en otra base de
madera con postes o en un cuadernillo. Normalmente se tienen dos
minutos para completar cada meta (ver Figura 8).
Figura 8
Aplicación manual de la prueba Torres de Londres
112
La versión tradicional de la prueba consta de 10 metas (proble-

mas) de dificultad ascendente en los que se llega a la configuración
final con un mínimo de 3 a 7 movimientos. Al realizar la tarea, la
persona evaluada debe además respetar las siguientes reglas (Cul-
bertson y Zillmer, 1999):
a) No se pueden poner más esferas en un poste de las que puede

sostener. El primer poste puede sostener tres esferas, el segundo
dos y el tercero una.
b) Sólo se puede mover una esfera a la vez.
La ejecución de la persona evaluada es medida por los siguientes

parámetros (Culbertson y Zillmer, 1999):
a) El número de movimientos realizados para lograr la meta.

b) Puntuación de movimientos: se extrae el número de movimien-
tos realizados por la persona evaluada del mínimo de movimien-
tos necesarios para alcanzar la meta.
c) La latencia del primer movimiento: tiempo que tarda el sujeto en
mover la primera esfera.
d) El tiempo de ejecución de la meta: tiempo transcurrido desde que
el sujeto mueve la primera esfera hasta que completa el ejercicio.
e) El tiempo de ejecución total: suma de la latencia del primer mo-
vimiento y el tiempo de ejecución de la meta.
f) Número de violaciones a la regla a (tipo 1).
g) Número de violaciones a la regla b (tipo 2).
h) Número de violaciones de tiempo: cuando la persona evaluada
no completa el problema en un minuto.
Torres de Londres evalúa las funciones ejecutivas, específicamente

la planificación. La ejecución exitosa de esta prueba requiere, además
del análisis de los medios y los fines para resolver problemas cuya
dificultad va aumentando: el monitoreo y la modificación de las
acciones (de acuerdo a un plan de acción), la retroalimentación por
los errores cometidos (Levin et al., 1994; Morris, Syed & Toone, 1988;
Shallice, 1982), el control atencional, la inhibición de acciones y repre-
sentaciones y la memoria de trabajo espacial (Baker et al., 1996).
Torres de Londres ha demostrado consistentemente su utili-
dad, en el campo de la Neuropsicología, como una prueba sensible
a lesiones o disfunciones frontales. A este respecto, Shallice (1982)
113
observó que los pacientes con daños en el lóbulo frontal izquier-

do resuelven menos metas y tardan más tiempo en iniciar los mo-
vimientos que pacientes con lesiones frontales derechas o lesiones
posteriores (izquierdas o derechas). Sin embargo, Owen et al. (1990)
no encontraron diferencias en la magnitud del déficit entre pacientes
con lesiones frontales derechas o izquierdas al emplear una versión
computarizada de Torres de Londres. Estudios subsecuentes han co-
rroborado estos hallazgos, demostrando que la prueba es sensible a
una amplia gama de disfunciones frontales, tales como las encon-
tradas en pacientes con Parkinson (Lange et al., 1992; Morris et al.,
1988; Owen et al., 1995) y en esquizofrénicos (Andreasen et al., 1992;
Morice & Delahunty, 1996).
El compromiso de la corteza prefrontal en la ejecución de Torres
de Londres ha sido corroborado por estudios tanto de SPECT, tomo-
grafía por emisión de positrones (TEP) y resonancia magnética fun-
cional (RMf) (Andreasen et al., 1992; Morris et al., 1993; Rezai et al.,
1993). Por ejemplo, Baker et al. (1996) midieron con PET los cambios
en el flujo sanguíneo cerebral local al realizar mentalmente Torres
de Londres. A diferencia de otros estudios, en éste no se tenían que
realizar los movimientos de las esferas, sino simplemente había que
imaginar los movimientos necesarios para llegar a la meta para pos-
teriormente indicar cuantos eran. Se encontró un incremento de la
activación de las regiones frontales y parieto-occipitales al realizar
la tarea. Específicamente, a nivel frontal se activaron las áreas dor-
solateral izquierda y derecha (área 9 de Brodmann) y rostro-lateral
derecha (área 10 de Brodmann), así como el cíngulo anterior (áreas
32 y 24) y la corteza premotora (bilateralmente). A nivel parietal se
activaron bilateralmente las áreas medial (área 7 de Brodmann (pre-
cuneus)) y superior, así como la inferior izquierda (área 40). De la
misma manera, hubo activación bilateral de la corteza occipital late-
ral (áreas 18 y 19), el hemisferio izquierdo del cerebelo, el vermis y
el tálamo derecho.
Wisconsin, prueba de categorización de cartas
Entre las numerosas pruebas utilizadas para evaluar funciones eje-

cutivas destaca la Categorización de cartas de Wisconsin (WCST),
ideada por Grant y Berg (1948). El WCST es una prueba neurop-
sicológica empleada principalmente en adultos para medir el ra-
zonamiento abstracto, la resolución de problemas, la inhibición, la
114
categorización, la memoria de trabajo, la atención y la flexibilidad

cognoscitiva (habilidad de modificar la conducta de acuerdo a las
contingencias de reforzamiento del medio ambiente) (Heaton, 1995;
Demakis, 2003).
El WCST ha sido la prueba por antonomasia para evaluar las alte-
raciones en el control ejecutivo de la atención, resultante de lesiones
en el lóbulo frontal. Dicha prueba consiste en la presentación de cua-
tro cartas muestra (cartas patrón), junto con un bloque de 128 cartas
estímulo (respuesta). Durante la aplicación, a la persona evaluada
se le presentan, una por una, estas 128 cartas, las cuales tendrá que
igualar con alguna de las 4 cartas muestra, esto con base en un crite-
rio de clasificación previamente determinado (pero desconocido por
la persona evaluada), que puede ser color, forma, o número. Origi-
nalmente, la primera categoría es color; si el participante clasifica las
tarjetas por el color, el evaluador dirá “correcto”, en caso contrario
dirá “incorrecto”. Este proceso continúa hasta que el participante
produzca diez respuestas correctas consecutivas, después de lo cual
se cambia el criterio a forma y después de otras diez respuestas co-
rrectas, a número. Una vez terminadas estas tres categorías, se repite
el criterio de color, luego forma y luego número. La prueba termina
ya sea al completar seis categorías o cuando se terminan las tarjetas.
Es importante mencionar que nunca se comunica al participante el
cambio del principio (criterio) de clasificación; el cambio se da de
forma implícita cuando el evaluador retroalimenta al participante,
diciéndole si la respuesta es o no es correcta.
Para considerar las respuestas incorrectas, que pueden ser de
diferentes tipos (como más adelante se explica), existen respuestas
incorrectas perseverativas, las cuales implican que el participante
haya contestado repetidas veces sobre la misma categoría. Después
de que se dan diez respuestas correctas en una categoría, el parti-
cipante debe cambiar la forma de categorización y si no lo hace e
insiste en continuar con la respuesta anterior (forma de clasificación
anterior), ésta se considerará como una respuesta perseverativa.
La aplicación de la prueba toma de 15 a 20 minutos y se obtie-
nen los siguientes resultados: número de categorías completadas
(número máximo 6 categorías), número de respuestas correctas, nú-
mero de errores, número de errores perseverativos y porcentaje de
errores perseverativos. La medida más importante de esta prueba es
el número de errores perseverativos que se realizaron, que es cuán-
tas veces un participante continúa categorizando las cartas con la
115
dimensión (criterio) de categorización previa, en lugar de la nueva

relevante (Phillips & Henry, 2008).
La prueba es utilizada extensamente por psiquiatras, neurólogos
y neuropsicólogos en pacientes con daño cerebral, con trastornos
degenerativos o con enfermedades mentales como la esquizofrenia.
En particular, en los pacientes con lesiones a nivel prefrontal dorso-
lateral se presenta un mayor número de errores perseverativos en
comparación con los participantes control (Milner, 1963). Al respec-
to se ha sugerido que estos errores perseverativos pueden ser la me-
dida más útil para valorar el déficit (Greve, Stickle, Love, Bianchini
& Stanford, 2005).
Por otro lado, se ha descrito la participación de diversas áreas
corticales y subcorticales en la resolución del WCST. Mediante es-
tudios de resonancia magnética se ha encontrado un incremento de
la activación de la corteza prefrontal durante diferentes etapas de
la ejecución de la tarea (Landmann et al., 2007), especialmente de
la corteza prefrontal dorsolateral (áreas 9 y 46 de Brodmann) en el
momento que recibían retroalimentación positiva y negativa. Sin
embargo, también se ha encontrado que otras áreas como la corte-
za prefrontal ventrolateral (áreas 47 y 12 de Brodmann), el núcleo
caudado y el tálamo mediodorsal incrementan su actividad durante
la recepción de la retroalimentación negativa, lo que probablemen-
te señale la necesidad de cambiar a una nueva respuesta. Esta acti-
vación en los ganglios basales coincide con lo postulado por otros
autores en el sentido de que existe una mayor activación de dichas
estructuras estriatales ante tareas novedosas o nuevas para la perso-
na evaluada (Monchi, Petrides, Petre, Worsley & Dagher, 2001).
Como se mencionó anteriormente, la prueba de WCST está dise-
ñada para evaluar a la población adulta. Para evaluar la flexibilidad
cognoscitiva en niños existe una subprueba denominada “Clasifica-
ción de Cartas”, la cual forma parte de la Evaluación Neuropsicoló-
gica Infantil (ENI, Matute, Rosselli, Ardila & Ostrosky-Solís, 2007).
En cuanto a la forma de aplicación, así como en la evaluación, esta
subprueba es muy similar al WCST, pero con dos variantes: única-
mente se presentan 3 tarjetas muestra y 54 tarjetas respuesta; y la
prueba se termina cuando el niño completa 3 categorías o cuando se
terminan las cartas. Entre los datos que esta versión arroja están los
siguientes: número de categorías completadas, número de respues-
tas correctas, incapacidad para mantener la organización, respues-
tas perseverativas y porcentaje de respuestas perseverativas.
116
HANOIPC3: versión computarizada
de la prueba Torres de Hanoi
En el instituto de Neurociencias de la Universidad de Guadalajara

hemos desarrollado una versión computarizada del juego Torres de
Hanoi, a la cual hemos denominado HANOIPC3 (Guevara, Rizo,
Ruiz-Díaz & Hernández-González, 2009). Esta versión puede fun-
cionar como una prueba que, además de minimizar los errores de
interpretación, proporcione resultados cuantificables. HANOIPC3
es un programa de computadora que está basado en la versión ori-
ginal de Francois Edouard Anatole Lucas. Nuestra versión consta
de 3 postes (torres) colocados en línea recta y 3 discos de diferentes
tamaños. Al igual que en la prueba original, el problema consiste en
mover todos los discos a otro poste con las siguientes reglas: mover
sólo uno cada vez, los discos siempre tienen que estar en uno de los
postes y nunca se puede colocar un disco mayor sobre uno menor.
En HANOIPC3 se ha añadido una regla más: se deben mover los
discos sin saltar de poste, es decir, solamente se pueden mover dis-
cos a los postes aledaños. Esta regla hace que el número mínimo de
movimientos para resolver la tarea, con 3 discos, se incremente de 7
(sin la regla adicional) a 26. Además, en HANOIPC3 las reglas no se
dan explícitamente y la persona evaluada tiene que descubrirlas du-
rante el juego, lo que implica mayor procesamiento cognoscitivo.
Método computacional y teoría
En la versión original de Torres de Hanoi, el mínimo de movimien-

tos para terminar la tarea está dado por la fórmula:
2n – 1
117
Donde n significa número de discos. De tal manera que para mo-

ver una torre de un sólo disco se necesita solamente un movimiento;
para 2 discos se necesitan 3 movimientos y para una de 3 discos se
requieren 7 movimientos.
En la Figura 9 se ilustran los 3 discos y los 3 postes, indicando los
colores y tamaños de cada uno de los discos.
Figura 9
Se muestra la disposición de los 3 postes y discos que son usados en HA-
NOIPC3; el color de cada disco y el número asignado a cada poste.
Poste 1 Poste 2 Poste 3
Rojo
Verde
Azul
La secuencia mínima de movimientos, con 3 discos, es la siguien-

te (ver Figura 10):
1. Mover el disco rojo (el más pequeño) del poste 1 al poste 3.

2. Mover el disco verde (el mediano) del poste 1 al poste 2.
3. Mover el disco rojo del poste 3 al poste 2, sobre el disco verde.
4. Mover el disco azul (el más grande) del poste 1 al poste 3 (el cual
se encuentra vacío).
5. Mover el disco rojo del poste 2 al poste 1 (el cual ahora está va-
cío).
6. Mover el disco verde del poste 2 al poste 3, encima del disco
azul.
7. Mover el disco rojo del poste 1 al poste 3, encima del disco verde,
el cual a su vez está encima del disco azul. Con esto se termina la
tarea.
HANOIPC3 tiene algunas restricciones que no están considera-

das en la versión original: 1) Los postes deben estar acomodados en
118
HANOIPC3: versión computarizada...
Figura 10
De izquierda a derecha, y de arriba a abajo, se presentan los 7 mínimos
movimientos requeridos, en la versión original del juego para llevar a
cabo exitosamente la tarea. Los números encima de cada figura indican
el número del movimiento.
0 1
2 3
4 5
6 7
línea recta; 2) cada disco puede ser movido solamente a los postes
aledaños (eso hace que para mover un disco del poste 1 al 3 se re-
quieran 2 movimientos). Estas sencillas restricciones hacen que el
número mínimo de movimientos para completar la tarea se incre-
mente sustancialmente. La nueva fórmula para el mínimo de movi-
mientos es:
3n – 1
Donde n indica el número de discos. Ahora, para mover un disco

se necesitan 2 movimientos; para mover 2 discos 8 movimientos y
para mover 3 discos se requieren 26 movimientos (Figura 11).
119
Figura 11
De izquierda a derecha, y de arriba a abajo, se ilustra el mínimo de mo-
vimientos (26) que se necesitan para terminar eficientemente la tarea, en
la versión HANOIPC3 de Torres de Hanoi (pasar los 3 discos del poste
1 al poste 3, pero cada disco puede únicamente ser movido a postes
aledaños).
1 2 3
4 5 6 7
8 9 10 11
12 13 14 15
16 17 18 19
20 21 22 23
24 25 26 27
Las 27 posiciones (de acuerdo a la Figura 11) en las cuales pueden

ser correctamente colocados los discos en el programa HANOIPC3
han sido numeradas (en decimal con su equivalente binario) de
acuerdo a como se indica en la Tabla 2.
Cada número indica la posición actual de los 3 discos en los 3
postes. En sistema binario, cada grupo de 3 bits corresponde a uno
de los postes, es decir, los 3 bits de la derecha indican al poste del ex-
tremo derecho y los 3 bits de la izquierda corresponden al poste del
extremo izquierdo. También en binario, en los 3 bits de cada poste
se indica la presencia o ausencia de discos: el bit menos significativo
(el de la derecha) representa al disco rojo, el bit de en medio al disco
verde y el bit de la izquierda al disco azul. Si el valor del bit es 1,
120
Tabla 2
Números decimales, cada uno con su equivalente en binario, corres-
pondiente a las 27 posiciones correctas posibles de los 3 discos en los 3
postes, de acuerdo al programa HANOIPC3.
448 111 000 000

392 110 001 000
385 110 000 001
273 100 010 001
280 100 011 000
336 101 010 000
322 101 000 010
266 100 001 010
259 100 000 011
35 000 100 011
42 000 101 010
98 001 100 010
112 001 110 000
56 000 111 000
49 000 110 001
161 010 100 001
168 010 101 000
224 011 100 000
196 011 000 100
140 010 001 100
133 010 000 101
21 000 010 101
28 000 011 100
84 001 010 100
70 001 000 110
14 000 001 110
7 000 000 111
indica la presencia de un disco; mientras que un valor de 0 indica la

ausencia de disco.
Para mover un disco, como primer paso, el programa calcula el
valor de la nueva posición deseada; así que para borrar el bit de la
posición actual del disco, se aplica una función AND al valor de la
posición actual, seguido de una función OR para agregar el bit de la
121
nueva ubicación del disco. Finalmente se evalúa si la nueva posición

es aledaña a la actual, ya que las únicas posibles nuevas posiciones
correctas son las aledañas a la actual (las posiciones inicial y final
únicamente tienen una posición aledaña correcta).
Por ejemplo, si la posición actual es 100 010 001 y se desea mover
el disco verde al poste derecho (poste 3), la posición deseada es in-
correcta, ya que se pretende colocar un disco grande encima de otro
disco más pequeño. El programa detecta este error por medio de los
siguientes pasos:
a. El disco que se desea mover es el verde (bit de en medio) y se calcu-

la el valor de la nueva posición. Para eso al valor actual se le aplica
la función AND con el número 101 101 101 (si se tratara del disco
rojo sería con 110 110 110 y para el azul con 011 011 011). Al valor
obtenido se le aplica la función OR con 000 000 010 (para el poste
1 sería con 010 000 000 y para el poste 2 con 000 010 000). Así se ha
obtenido el valor de la nueva posición deseada (100 000 011).
b. Para saber si la nueva posición es correcta, el programa evalúa
si corresponde a alguna de las posiciones aledañas (110 000 001
ó 100 011 000) (un movimiento hacia adelante o uno hacia atrás).
En este caso no corresponde y por lo tanto no se realiza el movi-
miento. Se da un aviso de error tanto en forma verbal (auditiva)
como escrita (visual).
Descripción del programa
Para ejecutar el programa se requiere de una computadora compati-

ble con PC y se sugiere contar con un miniteclado numérico conec-
tado al puerto USB (aunque un teclado normal también funciona).
Se emplean 9 teclas del miniteclado; 3 de ellas serán de color rojo, 3
serán verdes y 3 serán azules; con estas teclas se simulan los 3 postes
(Figura 12). El uso del programa es muy simple.
Al iniciar el programa aparece una pantalla (Figura 13) en la
cual se debe seleccionar el tiempo máximo, en segundos, que
será establecido como límite para terminar la tarea (por omisión
está predefinido en 420 segundos). Al presionar el botón “elegir
archivo para resultados” es posible seleccionar una carpeta y asig-
narle nombre al archivo de resultados. El programa sugiere, por
omisión, el nombre HANOIPC3.RES, pero es posible asignarle un
nombre diferente.
122
Figura 12
Miniteclado numérico en el cual se indican las teclas que han sido co-
loreadas y cómo éstas forman los 3 postes. Los números 1, 4 y 7 co-
rresponden a los 3 discos coloreados del poste 1; los números 2, 5 y 8
corresponden a los discos del poste 2; y finalmente los números 3, 6 y 9
a los discos del poste 3.
Rojo
Verde
Azul
Poste 1 Poste 2 Poste 3
Figure 13
Pantalla con la ventana inicial del programa HANOIPC3, en la cual se
observan las opciones para asignar el tiempo límite de ejecución de la
prueba, el nombre del archivo de salida donde quedarán almacenados
los datos, así como el botón para iniciar el juego computacional.
123
Después de presionar el botón “Comenzar a Jugar” aparece la

segunda pantalla (Figura 14), en la cual están explicadas, en forma
detallada, las instrucciones para ejecutar la tarea.
Figura 14
Pantalla con la explicación de las instrucciones para la ejecución de la
versión computarizada del juego, HANOIPC3.
Cuando alguna de las teclas coloreadas es presionada, aparece

la siguiente pantalla (Figura 15) y de inmediato inicia el conteo del
tiempo para resolver la tarea.
Al final del programa, cuando el tiempo límite ha terminado y la
persona evaluada presiona el botón del último movimiento, aparece
una leyenda en la parte superior de la pantalla que dice “Fin del
programa”.
Especificaciones de hardware y software
El programa HANOIPC3 fue desarrollado para ser ejecutado en

computadoras compatibles con PC; requiere como mínimo de un
procesador Pentium con 256 Megabytes de memoria RAM. Este
124
Figura 15
La pantalla despliega la imagen de los tres discos y postes antes de ini-
ciar la tarea, mostrando los tres discos en la posición inicial. El color de
cada disco (rojo, verde y azul) y la numeración de los postes (1, 2 y 3 de
izquierda a derecha) es igual que en la Figura 9.
programa trabaja con sistema operativo Windows, en cualquiera de

sus versiones, y fue escrito en el lenguaje de programación Delphi
(versión 5), el cual, además de permitir el manejo de tiempos reales,
contiene todas las funciones de un lenguaje estructurado (está basa-
do en el lenguaje de programación Pascal). El programa ejecutable
se llama HANOIPC3.EXE y no requiere instalación, basta con co-
piarlo en la carpeta que se desee. El archivo de salida está en código
ASCII y necesita muy poco espacio para almacenarse (en todo caso
depende del tiempo que tarde en completarse la tarea y del número
de movimientos ejecutados).
Ejemplo de aplicación de HANOIPC3
a) Participantes:
Esta versión computarizada de Torres de Hanoi fue aplicada a 13
hombres voluntarios sanos de 18 a 20 años de edad.
125
b) Procedimiento
La tarea fue aplicada en una cámara sono-amortiguada donde
cada participante permaneció solo durante la ejecución de la
prueba, a la cual se le asignó un tiempo límite de 7 minutos (420
segundos). Antes de la tarea, el participante pudo leer las instruc-
ciones en la pantalla y el evaluador verificó que las instrucciones
le quedaran claras. Como se mencionó antes, a los participantes
nunca se les dijeron las reglas, éstas estaban implícitas y debían
aprenderlas a partir de sus aciertos y errores. Para lo anterior se
incluyó en el programa una retroalimentación consistente en una
voz que decía la palabra “incorrecto” aunada a la misma palabra
escrita en la pantalla.
Durante toda la tarea, los participantes permanecieron cómo-
damente sentados frente a una computadora y resolvieron la
prueba mediante la presión de teclas en un miniteclado con las
características ilustradas en la Figura 12. La tarea iniciaba cuando
los participantes movían el primer disco al presionar una tecla; si
el movimiento solicitado estaba permitido se llevaba a cabo y se
podía intentar un siguiente movimiento, pero si era incorrecto no
se llevaba a cabo y se debía intentar otro movimiento.
e) Resultados
Los parámetros durante la ejecución de la tarea fueron registra-
dos y almacenados automáticamente en archivos específicos (de
respuesta). Dichos parámetros son: la latencia del primer movi-
miento, número total de movimientos, número de movimientos
correctos e incorrectos y tiempo total de ejecución. En la Figura
16 se presenta un ejemplo de cómo son mostrados los resultados
finales de un participante.
Los parámetros de ejecución de los 13 participantes que ejecuta-

ron la tarea HANOIPC3, junto con las medias y desviaciones están-
dar de la muestra son presentados en la Tabla 3.
Al obtener de forma automática y precisa los cálculos matemáti-
cos implícitos en la ejecución del programa HANOIPC3 es posible
un rápido y eficiente manejo de los datos para su uso en las pruebas
estadísticas que se requieran.
126
Figura 16
Pantalla donde se ejemplifica el contenido del archivo de resultados de
HANOIPC3; se muestran los parámetros obtenidos después de la eje-
cución del programa por un participante. La primera columna indica el
número de movimientos; la segunda, la posición de los discos (en valor
decimal); la tercera, el tipo de movimiento (correcto, C o incorrecto, I) y la
cuarta, el tiempo en segundos en el cual se ejecutó cada movimiento.
127
Tabla 3
Puntuación en los diferentes parámetros de ejecución obtenidos por
cada uno de los 13 participantes que resolvieron HANOIPC3 con un
tiempo límite de 7 minutos (420 segundos). El tiempo total representa
el tiempo en el cual los participantes lograron terminar la tarea. Al final
de la tabla se muestran las medias (x) y las desviaciones estándar (s) del
total de la muestra.
Número total de
Latencia para el
primer movi-
Movimientos
Movimientos
movimientos
Tiempo Total
Incorrectos
(segundos)
(segundos)
correctos
miento
#
1 36 26 10 1.1 88.4
2 65 38 27 1.6 138.5
3 71 48 23 1.7 159.1
4 78 38 48 1.2 174.3
5 42 28 14 1.6 176.0
6 52 32 20 3.2 176.1
7 38 28 10 2.7 180.9
8 99 48 51 2.6 191.7
9 50 32 18 1.4 204.9
10 108 60 48 0.8 211.0
11 148 66 82 2.2 263.8
12 129 50 79 1.0 333.8
13 78 52 26 1.3 406.2
76.46 42 35.08 1.72 208.05
s 34.14 12.45 23.59 0.71 80.36
Conclusiones
Como se mencionó anteriormente, las funciones ejecutivas son un

constructo que incluye las habilidades mentales necesarias para la
formulación de metas y planes, así como la habilidad para llevarlas
a cabo eficientemente. Dichas funciones, relacionadas con la corteza
prefrontal, son cruciales para la conducta humana normal, por lo
que la deficiencia o pérdida de éstas hacen imposible tener una vida
128
independiente y útil para sí mismo y para los demás.

Hemos presentado a HANOIPC3, un programa de computadora
que es flexible y fácil de utilizar. Facilita la calificación e interpre-
tación de los resultados y registra los tiempos de respuestas de las
personas evaluadas, situación ausente o complicada en una versión
manual o de escritorio.
Primeramente, en HANOIPC3 las reglas no están explícitas,
por lo que la persona evaluada debe descubrirlas al intentar hacer
movimientos para llegar a la meta aunque, si se desea, se pueden
dar instrucciones más precisas (en forma verbal o escrita). Asimis-
mo, en HANOIPC3 se ha agregado una nueva regla (cada disco
solamente puede ser movido a los postes aledaños), lo que hace
que el número mínimo de movimientos para resolver la tarea se
incremente de 7 a 26.
En HANOIPC3, las instrucciones aparecen en pantalla al ejecutar
el programa, por lo que el experimentador puede preguntar a la per-
sona evaluada si ha comprendido las instrucciones. De igual forma,
el programa brinda retroalimentación, es decir, ante cada intento de
movimiento erróneo, la computadora da un aviso en forma verbal
y escrita.
Por último, los movimientos que realiza la persona evaluada son
mínimos (un dedo cada vez), los archivos de salida (en ASCII) per-
miten un fácil y rápido análisis e interpretación de los resultados.
Se puede combinar la ejecución de la tarea con otro tipo de registro,
como el electroencefalograma.
Este programa se puede obtener simplemente solicitándolo a los
autores y citando el crédito correspondiente en la publicación de los
resultados que deriven de su uso.
129
ESTIMULACIÓN VISUAL
Percepción visual
Hasta hace poco tiempo solía compararse la percepción visual con

la operación de una cámara fotográfica, pues las lentes de los ojos, al
igual que las de una cámara, enfocan e invierten la imagen sobre la
retina. Sin embargo, en la actualidad ha decaído esta analogía, pues
deja de lado lo que realmente hace la vista: crear una percepción
tridimensional del mundo distinta de las imágenes bidimensionales
proyectadas sobre la retina. La analogía tampoco da cuenta de una
característica sorprendente de nuestro sistema visual: el que poda-
mos reconocer un objeto, aunque su imagen sobre la retina varíe
considerablemente bajo distintas condiciones de iluminación. Por
lo tanto, hoy sabemos que el sistema visual no registra las imágenes
pasivamente, como lo hace una cámara, sino por el contrario, trans-
forma los estímulos luminosos transitorios que inciden sobre la reti-
na en constructos mentales de un mundo tridimensional estable.
El punto inicial para la visión es la luz, el estímulo que activa el
sistema visual y que contiene información acerca de nuestro mundo
visual. La luz es energía radiada en forma de ondas producidas por
cargas eléctricas, las cuales conforman un continuo conocido como
espectro electromagnético. Los seres humanos solamente somos ca-
paces de ver la estrecha banda del espectro electromagnético, cuyas
longitudes de onda van de los 400 a los 700 nanómetros (nm; un
nanómetro = 10-9 metros) (Goldstein, 1999).
Cuando la luz entra al ojo pasa por la córnea, un orificio llamado
pupila y el cristalino. La córnea y el cristalino enfocan la luz en la
retina y, aunque la mayor parte del enfoque está a cargo de la cór-

La longitud de onda es la distancia entre los picos de las ondas electromagné-
ticas.
133
nea, el cristalino que está justo detrás cambia de forma para ajustar
el foco a la distancia de los objetos. La intensidad de la luz se regula
en la pupila, que se hace pequeña con la luz intensa para limitar la
cantidad que entra al ojo (Figura 1).
Figura 1
Corte transversal del ojo de los seres humanos
Ligamentos suspensorios
Retina
Cámara posterior
Cámara anterior
Iris
Córnea
Pupila
Cristalino
Conductos de Schlemm
Esclerótica Coroides
Cuerpo ciliar Humor vítreo
Cuando la imagen está enfocada en la retina, la siguiente etapa

del proceso visual es la estimulación de dos clases de receptores: los
conos y bastones, los cuales a su vez generan señales eléctricas que
transmiten a otras neuronas dentro de la retina: las células bipolares,
horizontales, amacrinas y ganglionares. Los fotorreceptores conos y
bastones son los encargados de realizar la transducción (Figura 2).
Los conos y los bastones difieren en varios aspectos. Primera-
mente, los conos son responsables de la visión diurna mientras que
los bastones de la nocturna, pues son mucho más sensibles a la luz.
La visión mediada por los conos tiene una agudeza mayor que la
mediada por los bastones y proporciona una resolución mejor de
los cambios rápidos de la imagen visual. Los conos median también

El cristalino se engruesa para enfocar objetos cercanos y se adelgaza para enfo-
car objetos lejanos. Este proceso recibe el nombre de acomodación.
134
Percepción visual
Figura 2
Receptores visuales: bastones y conos
Bastones Conos
la visión del color y los bastones son acromáticos. De hecho, existen

tres tipos de conos, cada uno de los cuales contiene un pigmento
visual sensible a una parte distinta del espectro.
Además de lo anterior, los conos y los bastones difieren por su
distribución en la retina. En ésta hay una pequeña zona, la fóvea,
que contiene sólo conos y que se localiza justo en la línea de visión.
Aunque hay alrededor de cinco millones de conos en cada retina,
solamente hay 50,000 en la fóvea. La mayor parte de los conos se
encuentran en la retina periférica, pero ahí son superados por los
bastones en una proporción de 20 a uno (Goldstein, 1999).
En la parte externa de los conos y los bastones inicia el procesa-
miento visual. En esta área se encuentra una serie de discos apla-
nados que contienen moléculas de pigmentos fotosensibles. Dichas
moléculas tienen dos componentes: la opsina y el retinal, el cual re-
acciona a la luz. Cuando el retinal absorbe un fotón cambia de forma

Los conos tienen tres tipos distintos de pigmentos fotosensibles. Cada uno de
ellos tiene mayor sensibilidad a las longitudes de ondas cortas, medianas y
largas del espectro visible, por lo que contribuyen a la percepción de los colores
azul, verde y rojo. Estos pigmentos, conocidos como A, V y R, tienen su máxi-
ma absorción a los 419 nm, 531 nm y 559 nm respectivamente (Kandel, Jesell y
Schwartz, 1997).
135
(se isomeriza) y desencadena una cascada de segundos mensajeros.

Primeramente, la actividad del retinal estimula a una proteína G, la
transducina, que a su vez activa una fosfodiesterasa que cataliza la
hidrólisis de GMPc, lo que ocasiona la reducción de la concentra-
ción de éste. En la oscuridad, el GMPc abre canales iónicos especia-
lizados que transportan una corriente despolarizante al interior de
la célula, de modo que, con la luz, la reducción en el nivel de GMPc
hace que el receptor se hiperpolarice (Kandel, Jesell & Schwartz,
1997) (Figura 3). La hiperpolarización de los fotorreceptores hace
que cese la inhibición tónica que ejercen sobre las células bipolares,
en las cuales se generan cambios en el potencial de membrana que
son transmitidos pasivamente a las células ganglionares.
Antes de que el pigmento visual pueda volver a convertir la ener-
gía luminosa en eléctrica, deben reunirse la retinal y la opsina. Esta
reunión se denomina regeneración del pigmento y ocurre en la oscuri-
dad con la ayuda de enzimas que suministra el epitelio cercano.
Figura 3
Fototransducción en el segmento externo de los bastones
Membrana del Pigmento Visual Proteína G Fosfodiesterasa

segmeno externo (Rodopsina) (Transducina) (GMPc)
Disco Citoplasma
Interior del Disco Canal activado

por el GMPc
Na*
Luz 5’-GMPc GMPc
Espacio
Segmento Externo de un Bastón
Extracelular
Como se había comentado, la información visual se transfiere

desde los fotorreceptores hasta las células ganglionares a través de
las interneuronas retinianas (células bipolares, amacrinas y horizon-
tales) (Figura 4). Las aferencias de cada célula ganglionar siempre
tienen su origen en los mismos fotorreceptores de un área circuns-
crita de la retina, el campo receptor de esa célula. Los campos recep-
tores de las células ganglionares tienen dos rasgos importantes: son
circulares y están divididos en dos partes (centro y periferia).
136
Percepción visual
Figura 4
Corte transversal de la retina, que muestra las cinco clases principales
de células y sus conexiones
Bastones Conos
Célula horizontal
Célula bipolar
Célula amacrina
Célula Ganglionar
Luz
Las células ganglionares pueden dividirse en dos clases, según

su respuesta ante la aplicación de pequeños puntos de luz en el cen-
tro de su campo receptor. Las células de centro-on se excitan cuando
la luz estimula el centro de su campo receptor y se inhiben cuando
la luz estimula su periferia. Por el contrario, las células de centro-off
se inhiben cuando la luz estimula el centro de su campo receptor y
se excitan cuando la luz estimula la periferia. Es importante destacar
que, dado que cada fotorreceptor envía información a ambos tipos
de células, las células ganglionares forman dos vías paralelas para el
procesamiento de la información visual.
La existencia de estas dos vías paralelas ayuda a los centros vi-
suales superiores a detectar los contrastes débiles y los cambios rá-
pidos de la intensidad de la luz. Además, las células ganglionares
están especializadas en el procesamiento de distintos aspectos de
la imagen visual. Algunas células se ocupan de los rasgos generales
del estímulo y su movimiento; otras transmiten la información de
los detalles espaciales finos y el color de la imagen visual.
137
Las células ganglionares pueden dividirse además en M (magno

o grandes) y P (parvo o pequeñas). Dentro de cada una de éstas
hay células de centro-on y centro-off. Las células M tienen campos
receptores amplios, responden con ráfagas breves de disparos a la
iluminación sostenida, responden a objetos grandes y parecen estar
implicadas en el análisis de los rasgos gruesos del estímulo y de
su movimiento. Las células P son más numerosas, tienen campos
receptores más pequeños, responden a los estímulos con disparos
sostenidos, la mayoría son selectivas a la longitud de onda y están
implicadas en la percepción de la forma y el color.
Entre las células ganglionares P pueden distinguirse dos tipos:
las de banda ancha concéntrica (centro-on y centro-off), que hemos des-
crito ya, y las oponentes simples al color. Estas neuronas tienen tam-
bién campos receptivos centro-periferia, en donde el centro recibe
proyecciones de un tipo de cono (por ejemplo R) y la periferia de
otro (por ejemplo V). La información de los conos azules la transmi-
te un tipo de células oponentes simples distinto, las oponentes simples
coextensivas. Los campos receptivos de estas células no tienen zonas
de excitación e inhibición separadas; en vez de ello, las proyeccio-
nes de los conos A se oponen a las proyecciones combinadas de los
conos V y R (Kandel et al., 1997).
Las señales eléctricas en las células ganglionares abandonan el
fondo del ojo por medio del nervio óptico. Algunas de ellas viajan al
colículo superior, una estructura que participa en los movimientos
oculares, pero alrededor del 90% llegan al núcleo geniculado lateral
del tálamo (NGL) y de ahí al área visual primaria (V1) en el lóbulo
occipital, también conocida como corteza estriada.
El NGL tiene una representación retinotópica y las proyecciones
de las células ganglionares P y M llegan a capas distintas (M 1 y 2, P
3, 4 ,5 y 6). Aunque no modifica la información visual, el NGL regula
la información que fluye de la retina a la corteza visual.
La información visual llega finalmente a la capa 4c del área vi-
sual primaria de la corteza, donde se encuentran las células estrella-
das. Éstas cuentan con campos receptivos concéntricos similares a
las ganglionares retinianas y a las del NGL. En la corteza estriada se
pueden distinguir además otras tres clases de neuronas de acuerdo
con el tipo de estímulo al que mejor responden (Hubel, 1982):
a) Células simples: cuentan con campos receptivos con zonas ex-

citatorias e inhibitorias dispuestas de lado a lado, es decir, en
138
Percepción visual
forma de barra. Así responden ante barras luminosas que están

orientadas en el sentido del campo receptivo y lo hacen cada vez
menos a medida que se apartan de la orientación óptima.
b) Células complejas: al igual que las simples, responden a barras
con cierta orientación pero, a diferencia de éstas que responden
a estímulos fijos, la mayor parte de las complejas responde cuan-
do una línea de la orientación adecuada se mueve por todo el
campo receptivo. Incluso, muchas células complejas responden
mejor a cierta dirección del movimiento. La actividad combina-
da de las células simples y complejas podría estar implicada en
la percepción fina de un borde o del contorno de una forma, aun
al mover los ojos o la cabeza.
c) Células hipercomplejas: disparan ante líneas de determinada
longitud o con esquinas o ángulos en movimiento.

Como puede apreciarse a partir de lo expuesto en los párrafos
anteriores, en cada nivel de la vía visual, cualquier célula tiene una ca-
pacidad de abstracción mayor que la que tienen los niveles más bajos.
En el nivel más bajo, el de las células ganglionares retinianas y de las
del NGL, las neuronas responden fundamentalmente a los contrastes
de luz en pequeños campos receptores circulares. En el nivel siguiente
-la corteza visual primaria- las células simples y complejas responden
a segmentos lineales relativamente precisos y a límites dentro de los
campos receptores rectilíneos que abarcan los campos receptores de
neuronas de orden inferior (Kandel et al., 1997).
Organización columnar de la corteza estriada
La corteza estriada tiene una organización retinotópica y columnar,

es decir, está compuesta por neuronas organizadas en columnas que
responden a líneas luminosas con determinadas orientaciones. To-
das las neuronas de una misma columna responden a líneas lumino-
sas con la misma orientación y sus campos receptivos se encuentran
en el mismo sitio de la retina. Las columnas adyacentes están forma-
das por células que prefieren otras orientaciones (Hubel, Wiesel &
Stryker, 1978). Cada columna de orientación contiene células estre-
lladas (capa 4c) y justo por encima y por debajo de éstas hay células
simples; también tiene muchas células complejas. Las columnas de
orientación se comunican entre sí por medio de conexiones horizon-
tales entre células de una misma capa.
139
Las columnas de orientación están interrumpidas regularmente

por los blobs, que se ocupan del color (Kandel et al., 1997). En éstos
existen células oponentes dobles que responden preferentemente a un
punto verde sobre un fondo rojo y las que responden mejor a un
punto azul sobre un fondo amarillo y viceversa.
Además de estar organizadas según la localización y orientación,
las neuronas corticales también se disponen de acuerdo con el ojo
que mejor responden. No obstante a que el 80% de las neuronas de
la corteza responden por igual a la estimulación del ojo izquierdo
que a la del derecho, muchas responden mejor a un ojo que a otro,
a lo cual se le conoce como dominancia ocular. Las células con la mis-
ma dominancia ocular se organizan también en columnas con una
misma dominancia. Esta organización es fundamental para la per-
cepción de la profundidad.
Como hemos visto, la corteza visual está organizada en co-
lumnas basadas en la localización en la retina, la orientación del
estímulo, el color y la dominancia ocular izquierda y derecha.
Las hipercolumnas reúnen una secuencia completa de columnas de
dominancia ocular izquierda y derecha, un conjunto de columnas
de orientación (que representan los 360º) y un conjunto de blobs.
Cada hipercolumna mide aproximadamente un mm2 (Kandel et al.,
1997). Las hipercolumnas se repiten con regularidad y precisión
por toda la superficie de la corteza estriada, de hecho tenemos más
de 2,500 (Tovee, 1996).
Áreas extra-estriadas
El análisis de la imagen visual no termina en el área visual primaria.

En la corteza tenemos por lo menos otras 32 representaciones de
la retina, la mayoría de las cuales están en las áreas extraestriadas.
La información visual abandona la corteza estriada por dos vías: la
ventral hasta el lóbulo temporal y la dorsal hasta el lóbulo parietal.
La vía ventral, también conocida como vía del qué, está implicada
en la percepción de la forma. Este sistema inicia en las capas parvoce-
lulares del NGL y continúa en la corteza estriada, donde se mantiene
la diferenciación entre la información proveniente de las células P y
M de la retina. De ahí la información es enviada a V2 y a V4, que están
organizados retinotópicamente y poseen neuronas sensibles tanto a
la forma como al color. En V4 hay células que responden mejor a un
color determinado, independientemente de la precisa composición
140
Percepción visual
de longitudes de onda de la iluminación ambiental. De V4, la vía se

proyecta a la corteza inferotemporal (Figura 5).
Casi todas las neuronas de la corteza inferotemporal poseen
campos que incluyen la región foveal donde se realizan las discri-
minaciones finas. Estas neuronas no están organizadas retinotó-
picamente y poseen campos receptivos muy grandes que pueden
abarcar incluso a ambos hemicampos visuales. Cerca del 10% de
estas células son selectivas a imágenes específicas, tales como caras
o manos (Gross, 2008).
Por otro lado, la información sobre el movimiento nace en las
grandes células retinianas de tipo M. Aunque estas células no tienen
una sensibilidad especial al movimiento per se, sí responden mejor
a dianas circulares en el campo visual cuyo contraste varía en el
tiempo. Las señales generadas por las células de tipo M se transmi-
ten a través de las capas magnocelulares del NGL a varias capas de
la corteza estriada (V1). Aquí las señales son procesadas por células
simples y complejas selectivas a la dirección del movimiento. Estas
señales se elaboran posteriormente en el área temporal media (TM
o V5) y el área temporal superior medial (TSM o V5a) y después se
remiten al área visomotora del lóbulo parietal, donde los patrones
de neuronas reflejan la velocidad y la dirección del movimiento de
los objetos en el campo visual. Esta vía es conocida como dorsal o
vía del dónde (Figura 5).
Tanto V1 como TM tienen una representación retinotópica y
poseen neuronas selectivas a la dirección de los componentes, es decir,
células que responden bien al movimiento de un componente del
patrón visual, pero no a la dirección del movimiento del conjunto de
elementos visuales. En TM también existe una pequeña proporción
de neuronas selectivas a la dirección del patrón, las cuales responden a
la dirección del movimiento de todos los elementos visuales. Estas
neuronas integran las señales provenientes de las células selectivas a la
dirección de los componentes (Stoner, Albright & Ramachandran, 1990).
Al igual que en otras áreas corticales, las neuronas de TM están
organizadas funcionalmente en columnas. Las neuronas de una
única columna se excitan por el movimiento en una dirección
específica pero no por el movimiento en otras direcciones. La di-
rección preferente del movimiento varía sistemáticamente de una
columna a otra.
Por su parte, la corteza parietal posterior participa en la atención
visual.
141
Figura 5
Vías visuales ventral (“Qué”) y dorsal (“Dónde”). Estas vías incluyen
áreas especializadas en el procesamiento de la profundidad (simboliza-
do por los binoculares), forma (ángulo), color (pinceles), dirección del
movimiento (curva) y atención visual (brújula).
Vía del “Donde”
Vía del “Qué”
Estimulación Visual
Como hemos mencionado en la sección anterior, la percepción de las

formas, el color y el movimiento de los estímulos visuales se realiza
en áreas cerebrales distintas. Sin embargo, dichos estímulos no sólo
son procesados por el sistema visual, sino que paralelamente son
procesados por otros sistemas cognoscitivos como son aquéllos im-
plicados en la atención, la memoria y las emociones. Por ejemplo, la
cara de una persona importante para nosotros –nuestra abuela, por
ejemplo– es procesada secuencialmente por la corteza estriada, las
áreas temporales posteriores y por el área inferotemporal, donde re-
conocemos que es la cara de nuestra abuela. Simultáneamente, este
estímulo activa las áreas temporales relacionadas con la memoria
explícita, de tal manera que recordamos el nombre de nuestra abue-
la, su dirección, los detalles de su casa y los ricos platillos que ella
solía prepararnos cuando éramos niños. Aun antes de ser procesada
por las áreas visuales, la cara de nuestra abuela activó a la amígdala,
quien ya ha generado una respuesta emocional y, a través de sus co-
nexiones con la corteza prefrontal, ha preparado a los sistemas aten-
cionales para enfocar y resaltar, sobre todo el resto de la información
circundante, aquélla relacionada con nuestra abuela.
142
Percepción visual
Como puede apreciarse a través del ejemplo anterior, los estímu-

los visuales pueden ser empleados no sólo para estudiar la percep-
ción visual en sí misma, sino otros procesos cognoscitivos como la
atención, la memoria y las emociones.
Específicamente, nuestro grupo de investigación ha empleado la
estimulación visual para estudiar la memoria de trabajo, las emo-
ciones (Sanz-Martin, Guevara, Corsi-Cabrera, Ondarza-Rovira &
Ramos-Loyo, 2006) y la activación sexual. En el presente capítulo
hablaremos de su aplicación en el estudio de las emociones y la ac-
tivación sexual.
Estimulación visual en el estudio de las emociones
Las emociones son un conjunto complejo de respuestas fisiológicas y

conductuales, generalmente de corta duración, ante ciertos eventos
externos o internos que dependen de la activación de ciertos siste-
mas cerebrales (Damasio, 2000). Dichas respuestas motivan conduc-
tas de aproximación o alejamiento que posibilitan la sobrevivencia
del organismo ante determinadas situaciones. Además, las emocio-
nes provocan cambios corporales (expresiones faciales, posturas o
tono de la voz) que sirven a los otros para reconocer los estados
internos del sujeto que experimenta las emociones y poder actuar en
consecuencia (Damasio, 2003).
Para poder estudiar de forma experimental el procesamiento
emocional se requiere de estímulos que sean capaces de evocar, de
manera confiable, tanto la experiencia subjetiva o sentimientos,
como las reacciones conductuales y fisiológicas periféricas y cen-
trales que acompañan a las emociones, lo cual a veces no es fácil
de lograr en el laboratorio. Los estímulos afectivos que más se han

La experiencia subjetiva se refiere al sentimiento interno y privado que generan
las emociones en un individuo.

En el laboratorio, los cambios conductuales suelen evaluarse a través de pará-
metros como los tiempos de reacción a los estímulos y las expresiones faciales.
De igual forma, para evaluar los cambios periféricos se miden parámetros como
la frecuencia cardiaca, la temperatura y la respuesta galvánica. Para detectar los
cambios fisiológicos centrales se emplean técnicas como el electroencefalogra-
ma, los potenciales relacionados con eventos, la resonancia magnética funcio-
nal y la tomografía por emisión de positrones. Para una revisión más amplia
revisar (Sanz-Martin et al., 2008).
143
empleado con esta finalidad han sido las expresiones faciales (Ek-
man, 1976), las palabras (Bradley, 1999a), las fotografías (Lang, 1999;
Castillo-Parra, Iglesias & Ostrosky, 2002) y los sonidos (Bradley,
1999b), aunque ocasionalmente también se han empleado olores
(Kim, 2003; Watanuki, 2005), videos (Jones, 1992) y música (Flores-
Gutiérrez, 2007).
La combinación de este tipo de estímulos y técnicas como el
Electroencefalograma, los Potenciales Relacionados con Eventos, la
Resonancia Magnética funcional y la Tomografía por Emisión de Po-
sitrones han ayudado a identificar los circuitos neuronales cerebra-
les que subyacen al procesamiento consciente e inconsciente de las
emociones. Con estas técnicas se ha descubierto que el procesamien-
to de las emociones involucra a un complejo circuito cerebral inte-
grado por las regiones dorsolateral y orbital de la corteza prefrontal,
la corteza del cíngulo anterior, los lóbulos temporal y parietal, la
ínsula y el hipocampo, además de los ganglios basales, el tálamo, el
mesencéfalo y principalmente la amígdala (para una revisión, ver
Sanz-Martin, Castillo-Parra, Sánchez-Padilla & Gumá-Díaz, 2008).
Estimulación visual en el estudio de la activación sexual
La conducta sexual es una conducta motivada que requiere, para su

manifestación, de dos aspectos importantes: 1) de la presencia de es-
tímulos externos con significado sexual relevante y 2) de la influen-
cia de hormonas gonadales sobre las estructuras que conforman el
circuito neural involucrado en la detección y percepción de estos
estímulos sexuales relevantes.
La conducta sexual involucra una fase apetitiva o de motivación
sexual, que equivale al cortejo e involucra a todas las conductas de
un sujeto para lograr el acceso a la potencial pareja sexual, y una fase
consumatoria o de ejecución, que implica los actos motores caracterís-
ticos de la interacción sexual. En la fase apetitiva o de motivación
sexual se produce el arousal o activación sexual, el cual es un estado
de activación general (fisiológico y psicológico) provocado por es-
tímulos incentivos sexuales. En el hombre, la activación sexual se
ha asociado principalmente con la erección peneana, en tanto que
en la mujer se ha asociado con la lubricación vaginal e hinchazón
genital.
Para que se genere el estado motivado que impulsa al sujeto a
buscar la interacción sexual es necesario que se lleve a cabo un ade-
144
Percepción visual
cuado procesamiento de los estímulos incentivos procedentes de

la potencial pareja sexual. Mientras que en los roedores, la estimu-
lación olfatoria y somatosensorial son los incentivos sexuales más
efectivos, en el humano lo son la información visual y somatosen-
sorial.
De manera semejante a las emociones, en el estudio científico de
la conducta sexual humana se ha empleado la combinación de di-
versos tipos de estímulos y mediciones fisiológicas para generar y
evaluar la activación sexual. Los estímulos más utilizados (Bocher,
2001; Sabatinelli, 2004) han sido los visuales, los cuales pueden ser
fotografías y películas con contenido sexual y erótico, aunque oca-
sionalmente se han empleado con éxito estímulos auditivos (Bridde-
ll, 1978). Para corroborar la presencia de activación sexual se utilizan
tanto cuestionarios que evalúan la apreciación subjetiva de la exci-
tación sexual, como la medición de respuestas autónomas, entre las
que destacan la presión sanguínea (Exton et al., 2000), el eletrocar-
diograma (ECG), la electrodermografía (EDG) (Cuthbert, Schupp,
Bradley, Birbaumer & Lang, 2000) y la tumescencia peneana, siendo
esta última la más confiable (Bancroft, 1989).
La exposición a estímulos visuales sexualmente relevantes produ-
ce en el humano no sólo cambios periféricos, sino también cambios
en el sistema nervioso central. Con relación a lo anterior, diversas in-
vestigaciones de imagenología funcional en el hombre han eviden-
ciado la participación de áreas tanto corticales como subcorticales
en la activación sexual. Aunque hay contradicción en los hallazgos
de los distintos estudios, la mayoría coincide en señalar que en la
activación sexual participan las áreas corticales visuales asociativas,
el cíngulo anterior, los lóbulos temporal y parietal, la ínsula y la cor-
teza prefrontal. A nivel subcortical parecen estar implicados la amí-
gala y el hipotálamo (para una revisión, ver Amezcua, Sanz-Martin,
Rivera-Sánchez & Hernández-González, 2008).
Aunque se ha avanzado mucho en la comprensión de los me-
canismos cerebrales que participan en la activación sexual, aún
quedan algunas preguntas pendientes, así como inconsistencias en
las investigaciones que ya se han realizado. Es factible que estas in-
consistencias pudieran ser el producto de los diferentes métodos de
estimulación visual que han sido empleados. Una forma de resolver
estos problemas sería a través del desarrollo de métodos de estimula-
ción visual estandarizados, que permitan realizar experimentos con
un mayor control de la ejecución motora y tiempos de exposición,
145
así como del tamaño, color y nitidez de las imágenes presentadas, ya

sean fotos o películas. Aunque existen diversos programas comer-
ciales de estimulación visual (Stim, de la compañía Neuroscan; Min-
dtracer de Neuronic; E-prime de Psychology Software Tools, etc.)
frecuentemente son costosos y, a veces, difíciles de programar.
ESTIVISU es un programa computacional diseñado exprofeso
para experimentos en los que se desea estimular mediante imáge-
nes fijas o videos, registrar los tiempos de reacción y paralelamente
tomar medidas fisiológicas. En particular se ha empleado para esti-
mular visualmente mientras se registra la actividad eléctrica cere-
bral y respuestas periféricas (como electrocardiograma o respuesta
galvánica de la piel) de los sujetos. Es un programa diseñado para
computadoras compatibles con PC, amigable, de fácil instalación y
manejo, no requiere de gran capacidad de memoria y se puede ins-
talar incluso en una PC portátil, lo que permite su aplicación fuera
del laboratorio.
146
ESTIVISU:
programa para estimulación visual
ESTIVISU se creó teniendo como base al programa ESTIMVIS (Gue-

vara et al., 2004; Ramos et al., 2001). Las principales diferencias con
su predecesor son que no está diseñado para ser sincronizado con
otra computadora con el fin de obtener Potenciales Relacionados a
Eventos (PRE), no tiene la opción de estimular con sonido y que
ahora funciona en cualquier versión del sistema operativo Windows
y se puede estimular con imágenes o con video. A nivel de progra-
mación, son dos programas diferentes.
ESTIVISU se realizó para ser ejecutado en computadoras compati-
bles con PC; requiere, como mínimo, de un procesador Pentium con al
menos 512 Megabytes de memoria RAM. El programa funciona en el
sistema operativo Windows, en cualquiera de sus versiones.
El programa se realizó en el lenguaje de programación Delphi
(versión 5), el cual permite el manejo de tiempos reales, cuenta con
todas las funciones de un lenguaje estructurado y permite el desa-
rrollo de programas sobre el ambiente Windows. El archivo ejecu-
table se llama ESTIVISU.EXE y no requiere instalación, basta con
copiarlo.
Al inicio aparece la pantalla representada por la Figura 6. En ella se

solicita que se elija, mediante la presión del botón correspondiente
(“Archivo de imágenes o de video”), un archivo de texto conteniendo
los nombres de los estímulos que se han de presentar al sujeto o bien
el nombre de un archivo de video. Si se elige estimular con video, se
debe elegir directamente el nombre de un archivo de video (no de un
147
archivo de nombres) en formato compatible (MPG o WMV).

Además se debe elegir el tipo de estímulos que se presentarán
(recuadro “Estímulos”) y, excepto en la opción de video, se debe
seleccionar un archivo de salida para resultados (con el botón “Ar-
chivo de resultados”). Solamente para las imágenes en diseño es
necesario seleccionar el archivo de secuencias (mediante el botón
“Archivo de secuencias”). El archivo de nombres (o de video), el ar-
chivo para resultados, el archivo de secuencias y todos los archivos
de imágenes (los estímulos) estarán en la misma carpeta.
Todas las demás opciones que se presentan al usuario en la pan-
talla de inicio se seleccionan de acuerdo al tipo de estímulo selec-
cionado.
Características de los estímulos
ESTIVISU maneja en general tres opciones de estimulación: video,

para presentar un video durante un tiempo preestablecido (Figura
6); imágenes fijas, en las que los estímulos permanecen en la pantalla
Figura 6
Pantalla inicial de ESTIVISU, en ella se define si serán imágenes fijas, imá-
genes en diseño o se trata de un video
148
ESTIVISU: programa para estimulación visual
hasta que se oprima una tecla o se cumpla el tiempo de presentación

preestablecido; imágenes en diseño, en las que la duración de los
estímulos y los intervalos entre ellos se determinan de antemano.
Las imágenes pueden estar en formato JPG, BMP, TIF, PCX o GIF
(se sugiere un tamaño no mayor a los 640 x 480 pixeles). Los videos
pueden estar en formato MPG o WMV (también se sugiere un tama-
ño no mayor a 640 x 480 pixeles al proyectarse).
1. Video
Se debe elegir directamente el nombre de un archivo de video (no
archivo de nombres) en formato MPG o WMV. Las imágenes del
video deben ser de un tamaño máximo de 640 x 480 pixeles. Éste
será presentado en el centro de la pantalla por el tiempo exacto (en
segundos) que se haya elegido en la pantalla de inicio. En este caso
no se obtendrá archivo de resultados (no es necesario seleccionar
archivo de resultados ni de secuencias) y el sujeto no tiene que dar
respuesta alguna; simplemente debe observar el video. Esta opción
del programa se ha pensado para registrar alguna otra medida fi-
siológica mientras se observa el video; nosotros hemos registrado la
actividad electroencefalográfica.
Figura 7
2. Imágenes fijas Ejemplo de un archivo de nom-
Con esta opción, los estímulos bres de imágenes. Este archivo
permanecen en la pantalla hasta puede ser utilizado tanto para la
que se presiona una tecla o se ter- opción de imágenes fijas como
mina el tiempo preestablecido. para la de imágenes en diseño.
En la pantalla de inicio se deben
indicar tanto el tiempo que per-
manecerá la imagen en pantalla
como el tiempo que la pantalla
permanecerá sin imagen; estos
tiempos deberán ser dados en
segundos. En realidad no hay un
estímulo blanco, pero el progra-
ma puede registrar los tiempos
de respuesta de los sujetos. Estos
tiempos se graban en el archivo
de resultados que se haya selec-
cionado. En la Figura 7 se ilustra
149
un ejemplo de un archivo de nombres de imágenes. Como puede ver-

se, es un archivo de texto con un nombre de imagen por cada renglón.
El primer nombre corresponde a una imagen que puede ser un fondo
negro, una imagen que contenga alguna indicación o bien una imagen
neutra. Esta imagen permanecerá durante 5 segundos en la pantalla
antes de que aparezca el primer estímulo verdadero. En esta opción
no se necesita seleccionar el archivo de secuencias.
Ante cada estímulo (imagen), el sujeto puede dar una respuesta
al presionar la tecla “1” (número uno) en el teclado y se mide el
tiempo de reacción del sujeto. En esta opción de imágenes fijas se
obtiene un archivo de resultados (Figura 8), en el cual aparece el
tiempo de reacción para cada estímulo presentado.
Figura 8
Ejemplo de un archivo de resul-
tados para la opción de imágenes
fijas. La primera columna sim-
plemente numera los estímulos
presentados, la segunda indica el
tiempo de reacción (-1 indica que
no hubo respuesta) y la tercera co-
lumna es el nombre del estímulo
(imagen) presentado.
3. Imágenes en diseño
En la opción de imágenes en diseño, ESTIVISU cuenta con diversos
diseños de estimulación, para lo cual se requiere definir a los estí-
mulos de acuerdo a la siguiente nomenclatura:
• X: “Estímulo Blanco 1”, al que se debe responder.

• Z: “Estímulo Blanco 2”, al que se debe responder.
• Y: “Estímulo No-Blanco”, debe ser ignorado.
• A: “Estímulo señal”, se debe responder a un estímulo X única-
mente cuando es precedido por un estímulo A.
El tipo de diseño se elige en el recuadro “Imágenes en diseño” (X,

AX, XX, XZ) y además se debe proporcionar un archivo de nombres,
denominado “Archivo de secuencias”, el cual es un archivo de texto
150
que contiene una letra por renglón (X, Z, Y, A); cada letra (cada ren-
glón) corresponde a un nombre en el archivo de imágenes; con estas
letras, el programa determinará si la imagen correspondiente es un
estímulo prueba o no prueba. Por ejemplo, si el archivo de imágenes
tiene 16 renglones, el de secuencias tendrá 15, ya que el primer nom-
bre del archivo de imágenes no corresponde a un estímulo del diseño
(es neutro). En la Figura 9 se ilustra el contenido de un posible archivo
de secuencias para un diseño AX. Si se tratara de un diseño X, en el de
secuencias, no existiría la letra A; en un diseño XX no existiría la letra
A, pero habría varias X precedidas de X. Finalmente, en un diseño XZ,
en el archivo de secuencias existen letras X y letras Z (ambas corres-
ponden a estímulos blanco). Es muy importante que en los archivos
de imágenes y de secuencias, en cada renglón, el nombre o letra inicie
en la columna 1 (inicie sin dejar espacios en blanco) y que no haya
renglones en blanco al final del último nombre.
Por otra parte, en la ventana inicial se debe definir el tiempo de
duración de la imagen en pantalla (en milisegundos). El tiempo
que transcurre entre un estímulo y otro puede ser fijo o variable,
de acuerdo a las necesidades del usuario. En la opción “Pantalla sin
estímulo (tiempo fijo en milisegundos)” de la ventana de ESTIVISU se
estipula el tiempo fijo mínimo entre los estímulos, mientras que en
la opción “Sin estímulo (tiempo variable, en milisegundos)” se define
la duración del intervalo variable, cuya duración cambia aleatoria-
mente entre un estímulo y otro. El valor asignado en esta ventana
indicará el tiempo máximo que puede durar el intervalo variable.
Si por ejemplo se escribe 500 en la ventana de estímulo en pantalla,
750 para intervalo fijo (pantalla sin estímulo) y 0 en la de tiempo
variable, pasarán invariablemente 1250 ms desde el momento en
que aparece un estímulo hasta que se presente el siguiente; de los
cuales la imagen estará en pantalla solamente 500 milisegundos. En
cambio, si se selecciona 500 en la ventana de estímulo en pantalla,
750 para intervalo fijo y 750 en la de variable, se tendrá un intervalo
inter-estímulo cambiante que podrá oscilar aleatoriamente entre los
1250 y los 2000 milisegundos.
ESTIVISU calificará automáticamente, para cada estímulo, la
respuesta del sujeto como correcta, incorrecta u omisión (si omitió
dar una respuesta cuando debía hacerlo), en función del diseño de
estimulación seleccionado. Posteriormente calculará algunos datos
estadísticos para las respuestas ante cada estímulo blanco y para el
total de las respuestas.
151
Figura 9
Ejemplo de un archivo de secuen-
cias (ESTIVISU.SEC). Este archivo
puede ser utilizado para la opción
de imágenes en diseño (no se nece-
sita en imágenes fijas ni en video).
Archivo de resultados
ESTIVISU genera un archivo de resultados, para esta opción, en el

cual se guardan tanto las respuestas del sujeto como los cálculos
estadísticos obtenidos a partir de ellas.
Como se puede apreciar en la Figura 10, el archivo de respuestas
de ESTIVISU posee 5 columnas. En la primera se muestra el núme-
ro del estímulo presentado, mientras que en la segunda, el tiempo
de reacción de la respuesta expresado en milisegundos. En aquellos
estímulos en los que no hay respuesta, el programa presenta un –1.
En la tercera columna se indica si la respuesta fue correcta (C), in-
correcta (I) o no se contestó (N). En la cuarta columna se presenta el
tipo de estímulo (X, Y, A o Z).
Después del listado de respuestas, en el archivo de salida se pre-
senta una serie de datos estadísticos. Como se muestra en la Figura
10, primero aparecen el total y el porcentaje de estímulos prueba
(blanco) que se presentaron. También se indica el número y el por-
centaje de estímulos prueba a los que se respondió (respuestas co-
rrectas) y a los que no se respondió (omisiones). Además se indica
el número y porcentaje de falsos positivos, es decir, de aquellos estí-
mulos “no prueba” ante los que hubo respuesta. Posteriormente se
muestra el tiempo de reacción promedio (TR) expresado en milise-
gundos, tanto de los estímulos prueba contestados, como del total
de estímulos contestados.
Es importante señalar que el programa puede generar estos da-
tos estadísticos para dos estímulos prueba (X y Z), si el diseño de
152
Figura 10
Archivo de resultados (ESTIVISU.RES) correspondiente a los archivos
de estímulos (ESTIMSEX.DIR) y de secuencias (ESTIMSEX.SEC). Los
archivos son de ejemplo y solamente contienen 24 estímulos.
estimulación es del tipo XZ. Por último, el archivo indica el tipo de

diseño empleado y la fecha (día-mes-año).
ESTIVISU asigna automáticamente el nombre “ESTIVISU.RES”
al documento de salida, situándolo en la carpeta en donde se en-
cuentran los estímulos. Sin embargo, se puede modificar el nombre,
la extensión y la ubicación del documento seleccionando la opción
“Archivo de resultados”. Este procedimiento es recomendable para
153
identificar cada documento, en especial cuando se tienen varios su-

jetos o cuando un mismo sujeto va a realizar varias tareas.
Para dar una respuesta a un estímulo blanco X se debe presionar
la tecla “fin” (número 1 en el teclado numérico), mientras que para
responder a un estímulo Z se presiona la tecla “inicio” (número 7 en
el teclado numérico).
Conclusiones
ESTIVISU permite el manejo de cuatro diferentes diseños de esti-

mulación, en los cuales se pueden tener estímulos “señal” y más de
un estímulo blanco (X y Z). Asimismo, no sólo se puede modificar
la duración de aparición de los estímulos, sino que es factible hacer
que un estímulo permanezca en la pantalla hasta que se oprima una
tecla de respuesta. Otras ventajas del programa son la posibilidad de
presentar videos y la facilidad para crear secuencias de estímulos con
las características y la extensión que se desee. Es posible utilizar, como
estímulos, distintos tipos de imágenes, como letras, figuras diversas,
caras, etc.
ESTIVISU hace que el análisis de la ejecución de los sujetos sea
muy fácil y rápido, puesto que genera un archivo de salida en donde
se exhibe el tiempo de reacción en cada respuesta dada y determina
si éstas fueron correctas o incorrectas. También realiza de forma au-
tomática un análisis matemático en donde se cuantifica el número
de respuestas correctas, omisiones y falsos positivos y se calcula el
tiempo de reacción promedio. Por si fuera poco, este archivo de salida
está escrito en formato ASCII, por lo que los datos contenidos en él
pueden ser leídos por la mayoría de los editores de texto (Word, por
ejemplo) y programas matemáticos comerciales (Lotus, Excel, SPSS,
Systat, etc.).
Dada su disponibilidad, flexibilidad y manejabilidad, ESTIVISU
ha mostrado su utilidad en la investigación en el área de las neuro-
ciencias y podría ser utilizado también por profesionales de la psi-
cología para la evaluación de sujetos en las áreas clínica, educativa
y del trabajo.
154
ESTIMSEX:
programa para estimulación visual erótica
Con el objetivo de diseñar una prueba para generar excitación

sexual de forma gradual ascendente en hombres jóvenes, en nues-
tro laboratorio se seleccionaron 200 imágenes de dominio público
de Internet, representando mujeres con ropa ligera, sensual, en bi-
kini, así como interacciones entre parejas desde moderadas hasta
con escenas sexuales totalmente explícitas. Estas imágenes fueron
clasificadas por 20 participantes del sexo masculino, sanos, hetero-
sexuales y con edades entre 18 y 20 años. Cada participante se sentó
cómodamente frente a un escritorio que se encontraba en un cuarto
de registro, bien iluminado y con la puerta cerrada, para que tuviera
privacidad. Encima del escritorio se encontraban 6 cajas numeradas
de 0 a 5. A cada participante se le proporcionó un paquete de tarjetas
que contenían las 200 imágenes a clasificar que se encontraban dis-
tribuidas en forma aleatoria. Se le pidió que acomodara las tarjetas
en las diferentes cajas según el grado de excitación sexual que le
provocaran. Así, en la caja 5 debían quedar las muy excitantes y en
la caja 0 las menos excitantes. Una vez acomodadas todas las tarjetas
en las cajas (generalmente, las cajas quedaban con diferente número
de tarjetas) se le pedía que dentro de cada caja las acomodara en for-
ma jerárquica, de tal manera que hasta adelante quedara la tarjeta
con la imagen menos excitante y hasta atrás la más excitante. Para
efectos de orden numérico, la imagen hasta adelante, dentro de la
caja 0, estaba en el lugar 1; el lugar 200 era el de la imagen hasta atrás
dentro de la caja 5 (ver Figura 11).
Una vez acomodadas las imágenes, los participantes contestaban
un cuestionario, el cual valoraba, mediante una escala visual análoga,
el nivel de excitación sexual generado por las imágenes desde mínima
excitación hasta máxima excitación. Así mismo se evaluaban ciertos
155
Figura 11
Las 200 imágenes acomodadas en las 6 cajas. Los sujetos las han acomo-
dado en orden jerárquico, de tal manera que en cada caja ha quedado
hasta adelante la imagen menos excitante.
aspectos de su experiencia sexual, como por ejemplo: a qué edad fue

su primera relación sexual, cuántas parejas sexuales ha tenido, con
qué frecuencia tiene relaciones sexuales y su preferencia sexual.
Para seleccionar las 60 imágenes, que finalmente formarían la
batería de estímulos deseada, a cada una de las 200 imágenes se le
dieron 20 valores. Los valores correspondían a los asignados por
cada uno de los 20 participantes y podían oscilar entre 1 y 200. Para
los 20 valores de cada imagen se calculó la mediana y a partir de
ésta se calculó un rango medio de dispersión. El rango medio de
dispersión, para cada imagen, se calculó como el promedio de los 20
valores absolutos obtenidos al restar la mediana de cada uno de los
valores asignados por los participantes (ver Tabla 1).
De cada caja se eligieron las 10 imágenes con menor rango me-
dio de dispersión, quedando finalmente 60 imágenes que fueron, en
promedio, seleccionadas más frecuentemente.
Los datos recabados del cuestionario mostraron que los partici-
pantes refirieron haber experimentado excitación sexual ante este
tipo de imágenes, referencia escrita que fue acompañada de la apli-
cación de una escala lineal (Figura 12) donde los sujetos podían
marcar el grado de excitación que ellos experimentaron durante la
observación de los estímulos.
Este estudio permitió seleccionar las imágenes eróticas más efec-
tivas para generar excitación sexual y distribuirlas con base en el
grado de excitación que provocaron en una muestra mexicana de
156
ESTIMSEX: programa para estimulación visual erótica
Tabla 1
Los 60 estímulos seleccionados (10 por cada nivel, identificados como
ca01…ca60), con su respectivo rango medio de dispersión. El rango me-
dio de dispersión es el promedio de las diferencias absolutas entre la
mediana y los valores asignados a cada estímulo por los participantes.
ident. rangmed ident. rangmed

ca01 7.9 ca31 29.0
ca02 11.3 ca32 32.3
ca03 8.7 ca33 23.6
ca04 1.0 ca34 24.8
ca05 24.0 ca35 4.7
ca06 19.5 ca36 5.3
ca07 11.0 ca37 26.3
ca08 12.8 ca38 26.6
ca09 14.0 ca39 2.0
ca10 26.7 ca40 2.1
ca11 23.1 ca41 4.5
ca12 19.0 ca42 5.0
ca13 13.7 ca43 4.2
ca14 24.5 ca44 3.2
ca15 28.9 ca45 3.2
ca16 27.0 ca46 31.2
ca17 18.5 ca47 4.8
ca18 8.9 ca48 1.7
ca19 30.7 ca49 5.9
ca20 26.2 ca50 6.0
ca21 22.5 ca51 6.8
ca22 15.2 ca52 5.5
ca23 31.5 ca53 4.4
ca24 26.8 ca54 5.3
ca25 24.4 ca55 4.7
ca26 6.7 ca56 14.7
ca27 25.2 ca57 3.5
ca28 2.0 ca58 20.2
ca29 19.3 ca59 3.1
ca30 4.1 ca60 4.3
157
Figura 12
Escala de 10 centímetros de longitud, en que los sujetos indican el nivel
de excitación máximo alcanzado al visualizar las imágenes.
0 10
Mínima excitación Mínima excitación
hombres jóvenes, de manera que pudimos establecer una secuencia

de estímulos eróticos que, al ser presentados en orden ascendente,
pueden generar una excitación sexual que se incrementa de forma
gradual.
Este estudio permitió conformar una batería estandarizada de
imágenes sexuales que podrán ser utilizadas como estímulos visua-
les eróticos en futuras investigaciones con hombres jóvenes hetero-
sexuales en los que se desee provocar activación sexual de manera
gradual.
Con el propósito de registrar medidas fisiológicas mientras se
observan estímulos visuales eróticos se elaboró una versión simpli-
ficada de ESTIVISU. Esta modificación nos ha permitido registrar la
actividad electroencefalográfica de sujetos mientras observan esos
estímulos. En ESTIMSEX se ha eliminado la opción de imágenes en
diseño; además, a la opción de imágenes fijas se le ha eliminado la
opción del archivo de resultados. Por lo tanto, en las dos únicas op-
ciones con que cuenta el programa, el sujeto no debe contestar nada,
sólo observar los estímulos, ya sean fotografías o videos presenta-
dos en un orden y duración específico. En la Figura 13 se muestra la
pantalla inicial del programa.
El programa tiene los mismos requerimientos y restricciones, de
hardware y software, que ESTIVISU. Los archivos de nombres, de
los estímulos (imágenes), se hacen idénticos a los utilizados por la
opción de imágenes fijas de ESTIVISU. La primera imagen en pan-
talla (primer renglón en el archivo de nombres) durará también 5
segundos, por lo que es recomendable que sea una imagen neutra o
con alguna instrucción rápida de leer.
158
ESTIMSEX: programa para estimulación visual erótica
Figura 13
La pantalla inicial de ESTIMSEX
Conclusiones de ESTIVISU y ESTIMSEX
La presentación de estímulos visuales es una práctica común en las

Neurociencias para estudiar procesos como la percepción, la aten-
ción, la memoria, las emociones y la activación sexual. Con este fin se
han desarrollado diversos sistemas computarizados de estimulación
visual estandarizados, que permitan controlar con precisión varia-
bles como los tiempos de exposición, el tamaño, el color y la nitidez
de las imágenes presentadas. En este capítulo hemos presentado dos
programas desarrollados por nuestro grupo de investigación: ESTI-
VISU y ESTIMSEX. Dichos programas de estimulación han mostrado
ser sumamente útiles, sencillos, flexibles y confiables para la presen-
tación de estímulos visuales con fines de investigación.
Tanto ESTIVISU como ESTIMSEX pueden correr, sin dificultad,
en computadoras con requerimientos mínimos, incluyendo equipos
portátiles, lo que disminuye los costos operativos de la investigación
y permite realizar estudios fuera del laboratorio (hospitales, indus-
trias, escuelas, centros penitenciarios, etc.). Los programas también
son amigables y fáciles de usar.
159
Referencias
Alexander, G. E., De Long, M. R. & Strick, P. L. (1986). Parallel orga-

nization of functionally segregated circuits linking basal ganglia
and cortex. Annual Review of Neuroscience, 9, 357-381.
Alexander, M. P., Benson, D. F. & Stuss, D. T. (1989). Frontal lobes
and language. Brain and Language: 37(4), 656-691.
Alexander, M. P. & Stuss, D. T. (2000). Disorders of frontal lobe func-
tioning. Seminars in Neurology, 20, 427-437.
Amezcua-Gutiérrez, C. C., Sanz-Martin, A., Rivera-Sánchez, K.E. &
Hernández-González, M. (2008). Activación sexual inducida por
estimulación visual erótica: efectos del alcohol e implicaciones
cerebrales. En M. A. Guevara, L. Chacón-Gutiérrez, M. Hernán-
dez-González & J. A. Barradas-Bribiesca (Eds.). Aproximaciones al
estudio de la Psicobiología del comportamiento (pp. 379-411). Uni-
versidad de Guanajuato, México.
Anderson, P. (2002). Assessment and Development of Executive Func-
tion (EF) During Childhood. Child Neuropsychology, 8(2), 71-82.
Anderson, S. & Tranel, D. (2002). Neuropsychological conse-
quences of dysfunction in human dorsolateral prefrontal cortex.
En J. Grafman (Ed). Handbook of Neuropsychology, 2nd Edition,
Vol. 7. Elsevier Science B.V. Iowa City, USA.
Andreasen, N. C., Rezai, K., Alliger, R., Swayze 2nd, V. W., Flaum,
M., Kirchner, P., Cohen, G. & O’Leary, D. S. (1992). Hypofron-
tality in neuroleptic-naive patients and in patients with chronic
schizophrenia. Assessment with xenon 133 single-photon emis-
sion computed tomography and the Tower of London. 49 (12),
Archives of General Psychiatry, 49 (12), 943-958.
Andreassi, J. L. (2000). Psychophysiology; Human Behavior and Physio-
logical Response. Lawreance Erlbaum Associates Publishers, Lon-
don. 4th. Edition.
Anokhin, A. P., Golosheykin, S., Sirevaag, E., Kristjansson, S., Rohr-
baugh, J. W. & Heath, A. C. (2006). Rapid discrimination of visual
scene content in the human brain. Brain Research. 1093, 167-177.
Armony, J., Servan-Schreiber, D. J. & LeDoux, J. E. (1997). Compu-
tational modeling of emotion, explorations through the anatomy
and physiology of fear conditioning. Psychological Review, 81,
199-213.
161
Baddeley, A. & Hitch, G. (1974). Working Memory. En G. H. Bower

(Ed.) Recent advances in learning and motivation (vol. 8, pp 47-89).
Nueva York: Nueva York Academic.
Baddeley, A. (1996). The Fractionation of working memory. Proce-
dures National Academy of Sciences. 93, 13468-13472.
Baddeley, A. (1999). Working Memory. Essentials of Human Memo-
ry, (45-70). East Sussex: Psychology Press.
Baddeley, A. (2004). The Psychology of Memory. The Essential Hand-
book of Memory Disorders for Clinicians, (1-13), John Wiley & Sons.
Baker, S. C., Rogers, R. D., Owen, A. M., Frith, C. D., Dolan, R. J.,
Frackowiak, R. S, J. & Robbins, T. W. (1996). Neural systems en-
gaged by planning; a PET study of the Tower of London Task.
Neuropsicología, 34 (6), 515-526.
Balkenius, C. & Morén, J. (2001). Emotional Learning, A computa-
tional model of the amygdal. Cybernet Systems, 32, 611-636.
Bancroft, J. (1989). Human and sexuality, its problems. Oxford: Chur-
chill Livingstone.
Barceló, F. (2001). Does the Wisconsin Card Sorting Test Measure
Prefrontal Function? The Spanish Journal of Psychology, 4 (1), 79-
100.
Bendat, J. S. (1980). Engineering Applications of Correlation and Spectral
Analysis. John Wiley & Sons. U.S.A.
Berger, H. (1929). Über das Elektrenkephalogramm des Menschen.
Archiv für Psychiatrie und Nervenkrankheiten, 87: 527-570.
Bérubé, L. (1991) Terminologie de neuropsychologie et de neurolo-
gie du comportement, Montréal, Les Éditions de la Chenelière
Inc., 176, p. 7.
Bocher, M., Chisin, R., Parag, Y., Freedman, N., Meir Weil, Y., Lester,
H., Mishani, H. & Bonne, O. (2001). Cerebral activation associated
with sexual arousal in response to a pornographic clip: A 150-H2O
PET study in heterosexual men. Neuroimage, 14, 105-117.
Bor, D., Duncan, J., Lee, A. C. H., Parr, A. & Owen, A. M. (2006).
Frontal lobe involvement in spatial span: Converging studies of
normal and impaired function. Neuropsychologia, 44, 229-237.
Bradley, M. M. & Lang P. J. (1999a). Affective Norms for English Words
(ANEW), Technical Manual and Affective Ratings. Gainesville: The
Center for Research in Psychophysiology, University of Florida.
Bradley, M. M. & Lang, P. J. (1999b), International Affective Digitized
Sounds. Technical Manual and Affective Ratings. Gainesville: The
Center for Research in Psychophysiology, University of Florida.
162
Referencias
Brazier, M. A. & Casby, J. U. (1952). Crosscorrelation and Autocorre-

lation Studies of Electroencephalographic Potentials. Electroence-
phalography and Clinical Neurophysiology, 4, 201-211.
Bridell, D. A. W., Rimm, G. R., Caddy, G., Krawitz, D., Sholis &
Wunderlin, R. J. (1978). Effects of alcohol and cognitive set on
sexual arousal to deviant stimuli. Journal of Abnormal Psychology,
87(4), 418-430.
Brodmann, K. (1913). Neue Forschungsergebnisse der Grosshirn-
rindenanatomie mit besonderer Beru¨ cksichtigung anthropolo-
gischer Fragen. Gesellschaft Deutscher Naturforscher und Ärzte, 85,
200–240.
Brown, J. (1958). Some tests of the decay theory of immediate mem-
ory, The Quarterly Journal of Experimental Psychology, 10 (1).
Bull, R., Andrews Espy, K. & E. Senn T. (2004). A comparison of per-
formance on the towers of London and Hanoi in young children.
Journal of child psychology and psychiatry, 45 (4), 743-754.
Bustini, M, Strattam, P., Daneluzzo, E., Pollice, R., Prosperini, P. &
Rossi, A. (1999). Tower of Hanoi and WSCT performance in schi-
zophrenia: problem-solving capacity and clinical correlates. Jour-
nal of Psychiatric Research, 33, 285-290.
Byring, R. F., Haapasalo, S. & Salmi, T. (2004). Adolescents with
learning disorders have atypical EEG correlation indices. II. Co-
rrelation indices during reading. Clinical Neurophysiology, 115,
2584–2592.
Cardoso, J. & Parks, R. (1998). Neural network modeling of exe-
cutive functioning with the Tower of Hanoi test in frontal lobe
lesioned patients. En R. Parks, D. Levine & Long (Eds.). Funda-
ments of neural network modeling. Neuropsychologia and Cogniti-
ve Neuroscience. USA: Editorial.
Carpenter, M. B., Nakano, K., Kim, R. (1976). Nigrotalamic projec-
tions in the monkey demonstrated by autoradiographic technics.
Journal of Comparative Neurology, 236, 315-30.
Castillo-Parra, G., Iglesias de Jesús, A. & Ostrosky, F. (2002). Valen-
cia, activación y tiempos de reacción ante estímulos visuales con
contenido emocional: Un estudio en población mexicana. Revista
Mexicana de Psicología, 19, 167-176.
Caton, R. (1875). The electric currents of the brain. British Medical
Journal, 2: 278.
Cavedini, P., Cisima, M., Riboldi, G., D’Annucci & Bellodi L. (2001).
A Neuropsychological Study of Dissociation in Cortical and
163
Subcortical Functioning in Obsessive-Compulsive Disorder by

Tower of Hanoi Task. Brain and Cognition, 46, 357-363.
Cooley, J. W. & Tukey, J. W. (1965). An Algorithm for the Machine
Calculation of Complex Fourier Series. Mathematics of Computa-
tion, 19, 297-301.
Corsi-Cabrera, M., Guevara, M. A. & Ramos-Loyo, J. (2008). Patterns
of Covariant Power and Coherent EEG Activity During Rest in
Young Adults. International Journal of Neuroscience, 118, 821–837.
Culbertson, W. & Zillmer, E. A. (1999). Tower of London Drexel Uni-
versity (TOL DX): Technical manual. Examiner´s Manual (Research
Version). Toronto: MHS.
Cummings, J. L. (1993). Frontal-subcortical circuits and human be-
havior. Archives of Neurology, 50, 873-880.
Cuthbert, B. N., Schupp, H. T., Bradley, M. M., Birbaumer, N. &
Lang, P. J. (2000). Brain potentials in affective picture processing:
covariation with autonomic arousal and affective report. Biologi-
cal Psychology, 52, 95-111.
Chow, T. W. & Cummings, J. L. (1999). Frontal-subcortical circuits.
En B. L. Miller y J. L. Cummings (Eds.), The human frontal lobes.
Functions and disorders. New York: The Guilford Press.
Damasio, A. R. (1985). The frontal lobes. En K. Heilman y E. Va-
lenstein (comp.), Clinical Neuropsychology. Nueva York: Oxford
University Press.
Damasio, A. (2000). A second chance of emotion. En R. Lane, L. Na-
del. (Eds.), Cognitive Neuroscience of Emotion, (pp. 12-23). Nueva
York: Oxford University Press.
Damasio, A. (2003). En busca de Spinoza: Neurobiología de la emoción y
los sentimientos. Barcelona: Drakontos.
Danesi, M. (2004). The liar Paradox and the Towers of Hanoi. The ten
greatest math puzzles of all time, 105-123. New Jersey: John Wiley
& Sons, Inc.
De Reinzi, E. & Vignolo, L. (1962). The Token Test. A sensitive test to
detect receptive disturbance in aphasic brain, 85, 665-678.
Demakis, G. J. (2003). A meta-analytic review of the sensitivity of
the Wisconsin Card Sorting Test to frontal and lateralized frontal
brain damage. Neuropsychologia, 17, 255–264.
Duncan, J., Emslie, H., Williams, P., Johnson, R. & Freer, C. (1996).
Intelligence and the frontal lobe: The organization of goal-direc-
ted behaviour. Cognitive Psychology, 30, 257-303.
164
Referencias
Duncan, J., Johnson, R., Swales, M. & Freer, C. (1997). Frontal Lobe
deficits after head injury: Unity and diversity of function. Cogni-
tive Neuropsychology, 14, 713-741.
Ekman, P. & Friesen W. V. (1976). Measuring Facial Movement. Envi-
ronmental Psychology and Nonverbal Behavior, 1(1), 56-75.
Engle, R. W., Kane, M. J. & Tuholski, S. W. (1999). Individual differ-
ences in working memory capacity and what they tell us about
controlled attention, general fluid intelligence, and functions of
the prefrontal cortex. En A. Miyake & P. Shah (Eds.), Models of
working memory: Mechanisms of active maintenance and executive
control (pp. 102-134). New York: Cambridge Univ. Press.
Exton, N. G., Truong, T., Exton, M. S., Wingenfeld, S. A., Leygarf, N.,
Saller, B., Hartmannn, U. & Schedlowski, M. (2000). Neuroendo-
crine responses to film-induced sexual arousal in men and wo-
men. Psychoneuroendocrinology, 25,187-199.
Fernández, T. (1996). Análisis Electroencefalográfico de la Actividad
Cognoscitiva en Niños. México: UNAM.
Finchman, J., Carter, C., Vincent, V., Andrew, S. & Anderson, J. (2002).
Neural mechanisms of planning: A computational analysis using
event-related fMRI. PNAS, 99 (15), 3346-3351.
Fleming, K., Goldberg, T. R., Binks, S., Randolph, C., Gold, J. M. &
Weinberger, D. R. (1997). Visuospatial Working Memory in Patients
with Schizophrenia. Society of Biological Psychiatry, 41, 43-49.
Flores-Gutiérrez, E. O., Díaz, J. L., Barrios, F. A. Favila-Humara, R.,
Guevara, M. A., del Río-Portilla, Y. & Corsi-Cabrera, M. (2007).
Metabolic and electric brain patterns during pleasant and unplea-
sant emotions induced by music masterpieces. International Jour-
nal of Psychophysioly, 65(1), 69-84.
Fuster, J. M. (1995). Memory in the cerebral cortex. An empirical approach
to neural networks in the human and nonhuman primate. Cambridge,
The MIT Press.
Fuster, J. M. (2001). The prefrontal cortex – an update: time is of the
essence. Neuron, 30, 319-333.
Fuster, J. M. (2002). Frontal lobe and cognitive development. Journal
of Neurocytology 31, 373-385.
Galton, F. (1886). Family Likeness in Stature. Proceeding of Royal So-
ciety, 40: 42-72, London.
Giovanni, M. & Lafrancesco, V. (2003). Capítulo 10: El currículo y
su relación con las funciones cognitivas y el potencial de apren-
165
dizaje. En Extracto de nuevos fundamentos: para la transformación

curricular a propósito de los estándares. Vicerrectoría de Docencia
Programa de Desarrollo Pedagógico Docente. Cooperativa Edi-
torial Magisterio de Bogotá.
Gnys, J. A. & Willis, W. G. (1991) Validation of executive function
tasks with young children. Developmental Neuropsychology, 7,
487–501.
Godefroy, O, Cabaret, M., Petit-Chenal, V., Pruvo, J. P. & Rousseaux,
M. (1999). Control Functions of the frontal lobes. Modularity of
the Central Supervisory System. Cortex, 35, 1-20.
Goel, V. & Grafman, J. (1995). Are the Frontal Lobes implicated in
“planning” functions? Interpreting data from the Tower of Ha-
noi. Neuropsychologia. 33, 623-642.
Goldberg, E. (2002). El cerebro ejecutivo. Lóbulos frontales y mente civi-
lizada. Madrid, Ed. Drakontos.
Goldberg, T. E., Saint-Cyr, J. A. & Weinberger, D. R. (1990). Assess-
ment of procedural learning and problem solving in schizophrenic
patients by Tower of Hanoi type task. Journal of Neuropsychiatry,
2, 165-173.
Goldman, P. S. & Nauta, W. J. H. (1976) Autoradiographic demons-
tration of a projection from prefrontal association cortex to the
superior colliculus in the rhesus monkey. Brain Research, 116, 145-
149.
Goldman-Rakic P. S. (1984) Modular organization of prefrontal cor-
tex. Trends in Neurosciences, 7, 419-424.
Goldman-Rakic, P. S. (1987). Circuitry of primate prefrontal cortex
and the regulation of behavior by representational memory. En
F. Plum & V. Mountcastle (Eds). Handbook of Physiology, Section 1.
The Nervous System, 5 (pp. 373-417). Bethesda, MD: American
Psychological Association.
Goldman-Rakic, P. S. (1994). The issue of memory in the study of
prefrontal functions. En A. M. Thierry, J. Glowinski, P. S Gold-
man-Rakic & Y. Christen (Eds.). Motor and cognitive functions of
the prefrontal cortex (pp. 112-122). Berlin: Springer-Verlag.
Goldman-Rakic, P. S. (1995). Architecture of the prefrontal cortex
and the central executive, Annual of New York Academy of
Sciences, 769, 71-83.
Goldstein, E. B. (1999). Sensación y percepción. México: International
Thomson Editores.
166
Referencias
Grabowski, T. J., Damasio, H. & Damasio, A. R. (1998). Premotor

and prefrontal correlates of category-related lexical retrieval.
Neuroimage, 7, 232-243.
Grafman, J., Holyoak, K. J. & Boller, F. (1995). Structure and Functions
of the Human Prefrontal Cortex. Annals of the New York Academy
of Sciences. Vol. 769.
Grant, D. A. & Berg, E. A. (1948). A behavioral analysis of degree of
reinforcement and ease of shifting to new responses in a weigl-
type card-sorting problem. Journal of Experimental Psychology: Ge-
neral. 38: 404-11.
Greve, K. W., Stickle, T. R., Love, J, Bianchini, K. J. & Stanford, M.
S. (2005). Latent structure of the Wisconsin Card Sorting Test: a
confirmatory factor analytic study. Archives of Clinical Neuropsy-
chology, 20, 355-364.
Grindel, O. M. (1965). The Significance of Correlation Analysis for
Evaluation of the EEG in Man. En Mathematical Analysis of the
Electrical Activity of the Brain, 10-23. Harvard University Press.
Groenewegen, H. J. & Uylings, H. B. M., (2000). The prefrontal cor-
tex and the integration of sensory, limbic, and autonomic infor-
mation. En HBM Uylings., CG Van Eden., JPC de Bruin., MGP
Feenstra., CMA Pennartz. (Eds.). Cognition, Emotion and autono-
mic responses: The integrative role of the prefrontal cortex and limbic
structures. Progress in Brain Research, vol 126, Elsevier, Amster-
dam., pp. 3-28.
Gross, C. G. (2008). Single neuron studies of inferior temporal cor-
tex. Neuropsychologia, 12, 46 (3), 841-852.
Guevara, M. A., Lorenzo, I., Arce, C., Ramos, J. & Corsi-Cabrera, M.
(1995). Inter- and intra hemispheric EEG correlation during sleep
and wakefulness. Sleep, 18, 257–265.
Guevara, M. A. & Corsi-Cabrera, M. (1996). EEG coherence or EEG
correlation? International Journal of Psychophysiology, 23, 145-153.
Guevara, M. A., Ramos J. & Corsi-Cabrera, M. (1997). Un Método
Práctico para el Espectro de Correlación entre Señales Electroen-
cefalográficas para Evaluar Relaciones Funcionales entre Áreas
Cerebrales. Revista Mexicana de Psicología, 14, 5-12.
Guevara, M. A., Ramos J., Hernández-González, M., Madera, H. &
Corsi-Cabrera, M. (2000). CAPTUSEN: un sistema para la adqui-
sición computarizada del EEG y los potenciales relacionados a
eventos. Revista Mexicana de Psicología, 17, 77-88.
167
Guevara, M. A., Hernández-González, M., Zarabozo, D. & Corsi-

Cabrera, M. (2003). POTENCOR: A program to calculate power
and correlation spectra of EEG signals. Computer Methods and
Programs in Biomedicine, 72, 241-250.
Guevara, M. A., Sanz-Martin, A., Hernández-González, M. & Ra-
mos-Loyo, J. (2004). ESTIMVIS: Un sistema computarizado para
estimulación visual. Revista Mexicana de Ingeniería Biomédica,
25(1), 52-59.
Guevara, M. A. & Hernández-González, M. (2006). Registro y análi-
sis automatizado de señales bioeléctricas cerebrales durante la ejecución
sexual. México: Universidad de Guadalajara.
Guevara, M. A., Rizo, L., Ruiz-Díaz, M. & Hernández-González, M.
(2009). HANOIPC3: A computer program to evaluate executive
functions. Computer methods and programs in biomedicine, 95, 158-
165.
Guevara, M. A. & Hernández-González, M. (2009). EEGmagic:
programa para analizar señales electroencefalográficas. Revista
Mexicana de Ingeniería Biomédica, 30(1), 41-53.
Guevara, M.A., Hernández-González, M. (2009). EEGcorco: progra-
ma para analizar correlaciones y coherencias EEG. En Lavado, L.
(Ed.), Memoria COMTEL: Congreso Internacional de Computación y
Telecomunicaciones (pp: 68-78). Lima, Perú: Universidad Inca Gar-
cilaso de la Vega.
Gujarati, D. (1981). Econometría Básica. México: McGraw Hill.
Giguere, M. & Goldman Rakic, P. S. (1988). Mediodorsal nucleus:
areal, laminar, and tangential distribution of afferents and effer-
ents in the frontal lobe of rhesus monkeys. Journal of Comparative
Neurology, 277, 195-213.
Gumá, E. (2001). La Memoria Humana. En V.M. Alcaraz & E. Gumá.
Textos de Neurociencias Cognitivas (pp 195-134). México: Manual
Moderno.
Guyton, C. A. (1987). Basic Neurocience, Anatomy and Physiology. Phi-
ladelphia. Saunders.
Haber, S. N., Wolfe D. P., Groenewegen, H. J. (1990). The relation-
ship between ventral striatal efferent fibers and the distribution
of peptide-positive woolly fibers in the forebrain of the rhesus
monkey. Neuroscience, 39, 323-338.
Haber, S. N., Lynd, B. E. & Mitchells, S. J. (1993). The organization of
the descending ventral pallidal projections in the monkey. Jour-
nal of Comparative Neurology, 329, 111-128.
168
Referencias
Hall, J., Parkinson, J., Connor, T., Dickinson, A. & Everrit B. J.

(2001). Involvement of the central nucleus of the amygdala and
nucleus accumbens core in mediating pavlovian influences
on instrumental behavior. European Journal of Neuroscience, 13,
1984-1192.
Handley, S., Capon, A., Capon, C. & Harper, C. (2002). Conditional
reasoning and the Tower of Hanoi: The role of spatial and verbal
working memory. British Journal of Psychology, 93, 501-518.
Harmony, T., Otero, G., Ricardo, J. & Fernández, G. (1973). Polari-
ty Coincidence Correlation Coefficient and Signal Energy Ratio
of the Ongoing EEG Activity. I. Normative data. Brain Research,
61:133-140.
Harmony, T. & Alcaraz, V. (1987). Daño cerebral: diagnóstico y trata-
miento. México: Trillas.
Harmony, T., Marosi, E., Díaz de León, A. E., Becker, J. & Fernández,
T. (1991). Factores de riesgo biológicos y socioculturales que afec-
tan la maduración del EEG en el niño. Ontogenia Neural. México.
Sociedad Mexicana de Ciencias Fisiológicas.
Heaton, S. K. & Thompson, L. L. (1995). Wisconsin Card sorting Test;
individual practice in administration and scoring. Psychological As-
sessment Recources, Inc. U.S.A.
Hebb, D. O. (1949). The Organization of Behavior. New York: John
Wiley.
Heindel, K. W., Butters, N. & Salmon, D. P. (1988). Impaired learning
of a motor skill in patients with Huntington’s disease. Behavioral
Neuroscience, 102, 141-147.
Herwig, U., Satrapi, P. & Schönfeldt-Lecuona, C. (2003). Using the
international 10-20 EEG system for positioning of transcranial
magnetic stimulation. Brain Topography, 16, 95-99.
Homan, R., Herman, J. & Purdy, P. (1987). Cerebral location of inter-
national 10-20 system electrode placement. Electroencephalogra-
phy and clinical Neurophysiology, 66, 376-382.
Hubel, D. H. (1982). Exploration of the primary visual cortex, 1955-
1978. Nature, 299, 515-524.
Hubel, D. H., Wiesel, T. N. & Stryker, M. P. (1978). Anatomical de-
monstration of orientation columns in macaque monkey. Journal
of Comparative Neurology, 177, 361-379.
Ilinsky, I. A., Jouandet, M. L. & Goldman Rakic, P. S. (1985). Organi-
zation of the nigrothalamocortical system in the rhesus monkey.
Journal of Comparative Neurology, 165: 401-16.
169
Jacobson, S., Butters, N. & Tovsky, N. J. (1978). Afferent and efferent

subcortical projections of behaviorally defined sectors of pre-
frontal granular cortex. Brain Research, 159: 279-96.
Jasper, H. (1958). Report of the Committee on Methods of Clinical
Examination in Electroencephalography. Electroencephalography
and Clinical Neurophysiology, 10: 370-375.
Jodo, E., Suzuki, Y. & Kayama, Y. (2000). Selective responsiveness of
medial prefrontal cortex neurons to the meaningful stimulus with
a low probability of occurrence in rats. Brain Research, 856, 68-74.
John, E. R., Karmel, B., Cornig, W., Eaton, P., Brown, D., Ahn, H.,
John, M., Harmony, T., Prichep, L., Toro, A., Gerson, I., Bartlett,
F., Thatcher, F., Kaye, H., Valdes, P. & Schwartz, E. (1977). Neuro-
metrics. Science, 196, 1393-410.
John, E. R., Ahn, H., Prichep, L., Trepetin, M., Brown, D. & Kaye, H.
(1980). Science, 210, 1255-1258.
Jones, A. L. & Fox, N. A. (1992). Electroencephalogram asymmetry
during emotionally evocative films and its relation with positive
and negative affectivity, Brain and Cognition, 20 (2): 280-299.
Kandel, E. R., Jesell, T. M. & Schwartz, J. H. (1997). Neurociencia y
Conducta (635-652), España: Prentice Hall.
Kandel, E. R., Schwartz, J. H., Jessell, T. M. (2000). Principles of Neu-
roscience. Fourth edition. McGraw-Hill,. pp: 381-403.
Khokhryakova, M., 1979. Structural organization of the prefrontal
cortex in cats and its differences from that in monkeys. Neuros-
cience and Behavioral Physiology. 9:103-109.
Kim, Y. K. & Watanuki, S. (2003). Characteristics of electroencepha-
lographic responses induced by a pleasant and an unpleasant
odor. Journal of Physiological Anthropology and Applied Human
Science, 22(6), 285-291.
Kirk, R. (1968). Experimental Design: Procedures for the Behavioral
Sciences. Belmont, CA.: Brooks/Cole.
Kolb, B. (1990). Prefrontal cortex. En B. Kolb., R.C. Tees. (Eds.). The
Cerebral Cortex of the Rat. MA: The MIT Press, Cambridge. pp.
437-58.
Krasnegor, N., Lyon, R. G. & Goldman-Rakic, P. S. (1997). Develop-
ment of the Prefrontal Cortex. Evolution, Neurobiology, and behavior.
Baltimore, Maryland, Paul H. Brookes Publishing Co. Inc.
Krikorian, R., Bartok, J. & Gay, N. (1994). Tower of London proce-
dure: A standard method and developmental data. Journal of Cli-
nical and Experimental Neuropsichology, 16 (6), 840-850.
170
Referencias
Kuo, J. S. & Carpenter, M. B. (1973). Organization of pallidothalamic

projections in the rhesus monkey. Journal of Comparative Neurolo-
gy, 151, 201-36.
Landmann, C., Dchaenem, S., Pappata, S., Jobert, A., bottlaender,
M., Roumenov, D. & Le Bihan, D. (2007). Dynamics of prefrontal
and cingulate activity during a reward-based logical deduction
task. Cerebral cortex, 17,749-759.
Lang, P. J, Bradley, M. & Cuthbert, B. N. (1999). International Affec-
tive Picture System (IAPS): Technical Manual and Affective Ratings.
Technical report A-4, The Center for Research in Psychophysio-
logy, University of Florida.
Lange, K. W., Robbins, T. W., Marsden, C. D., James M., Owen, A. M.
& Paul, G. M. (1992). L-dopa withdrawal in Parkinson’s disease
selectively impairs cognitive performance in tests sensitive to
frontal lobe dysfunction. Psychopharmacologia, 107(2-3), 394-404.
León Carrión, J., Barroso & Martín, J. (2001). La Torre de Hanoi/Se-
villa: una prueba para evaluar las funciones ejecutivas, la capa-
cidad para resolver problemas y los recursos cognitivos. Revista
Española de Nuropsicología, 3 (4), 63-72.
León-Carrión, J., Martín-Rodríguez, J. F., Damas-López, J., Pourre-
zai, K., Izzetoglu, K., Barroso y Martín, J. M. & Domínguez-Mo-
rales, M. R. (2007). Does dorsolateral prefrontal cortex (DLPFC)
activation return to baseline when sexual stimuli ceases? Neuro-
science Letters. 416: 55-60.
Levin, H. S., Mendelsohn, D., Lilly, M. A.; Fletcher, J. M., Culhane,
K. A., Chapman, S. B., Harward, H., Kusnerik, L., Bruce, D. & Ei-
senberg, H. M. (1994). Tower of London performance in relation
to Magnetic Resonance Imaging following closed head injury in
children. Neuropsychology, 8(2), 171-179.
Lezak, M. (1982). The problems of assessing executive functions. In-
ternational Journal of Psychology, 17, 281-297.
Luria, A. R. (1966). Higher cortical functions in man. New York: Basic
Books and Plenum Press.
Madera-Carrillo, H., Ramos-Loyo, J., Cerdán-Sánchez, L. F. & Gue-
vara, M. A. (2003). Un sistema experto de predicción para la
clasificación de esquizofrénicos: Esquizor. Revista Mexicana de
Psicología, 20(2), 19-27.
Matute, E., Roselli, M., Ardila, A. & Ostroski, F. (2007). Manual de
aplicación. Evaluación Neuropsicológica Infantil (ENI). México: El
Manual Moderno, Universidad de Guadalajara, UNAM.
171
Matute, E., Rosselli, M., Ardila, A. & Ostrosky-Solís, F. (2007).

Evaluación Neuropsicológica Infantil (ENI). México: Manual Mo-
derno.
Mega, M. S. & Cummings, M. D. (2001). Frontal subcortical circuits.
En S. P. Salloway, P. F. Malloy & J. D. Duffy, (Eds.). The frontal lobes
and neuropsychiatric illness (15-32). England: American Psychiat-
ric J. D., Publishing.
Mesulam, M. M. (1990). Large-scale neurocognitive networks and
distributed processing for attention, language, and memory. An-
nals of Neurology, 28: 597-613.
Miller, G. A. (1956). The magic number seven plus or minus two:
Some limits in our capacity for processing information. Psycholo-
gical Review, 63, 81-97.
Milner, B. (1963). Effect of Different Brain Lesions on Card Sorting.
Archives of Neurology, 9, 90-100.
Milner, B. (1971). Interhemispheric differences in the localization of
psychological processes in man. British Medical Bulletin, 27(3),
272–277.
Monchi, O., Petrides, M., Petre, V., Worsley, K. & Dagher, A. (2001).
Wisconsin Card Sorting Revisited: Distinct Neural circuits parti-
cipating in different stages of the task identified by event-related
functional magnetic resonance imaging. Journal of Neuroscience.
21,7733-7741.
Morice, R. & Delahunty, A. (1996). Frontal/executive impairments
in schizophrenia. Schizophrenia bulletin, 22 (1), 125-137.
Morris, R. G., Ahmed, S., Syed, G. M. & Toone B. K. (1993). Neural
correlates of planning ability: frontal lobe activation during the
Tower of London test. Neuropsychologia, 31, 1367-1378.
Morris, R. G., Downes, J. J., Sahakian, B. J., Evenden, J. L. Heald, A.
& Robbins, T. W. (1988). Planning and spatial working memory
in Parkinson’s disease. Journal of Neurology, Neurosurgery and
Psychiatry, 51, 757-766.
Neisser, U. (1967). Cognitive Psychology. Englewood Cliffs, NJ: Pren-
tice-Hall.
Newman, S., Carpenter, P., Varma, S. & Adam, J. (2003). Frontal and
parietal participation in problem solving in the Tower of Lon-
don: FNRI and computational modeling of planning and high-
level perception. Neuropsychologia, 41, 1668-1682.
Niedermeyer, E. (1999). The normal EEG of the waking adult. En E.
Niedermeyer & F. López da Silva (Eds.), Electroencephalography.
USA. Lippincott Williams y Wilkins.
172
Referencias
Okamoto, M., Dan, H., Sakamoto, K., Tadeo, K., Shimizu, K., Cono,
S., Oda, I., Isobe, S., Suzuki, T., Johyama, K. & Dan, I. (2004).
Three-dimensional probabilistic anatomical cranio-cerebral cor-
relation via the international 10–20 system oriented for transcra-
nial functional brain mapping. Neuroimage, 21(1), 99–111.
Owen, A. M., Downes, J. J., Sahakian, B. J., Polkey, C. E. & Robbins,
T. W. (1990). Planning and spatial working memory following
frontal lobe lesions in man. Neuropsychology, 9, 126-140.
Owen, A. M., Evans, A. C. & Petrides, M. (1996). Evidence for a two
stage model of spatial working memory processing the lateral
frontal cortex: A positron emission tomography study. Cerebral
Cortex, 6 (1), 31-38.
Owen, A. M., Herrod, N. J., Menon, D. K., Clark, J. C., Downey, S.
P., Carpenter, T. A., Minhas, P. S., Turkheimer, F. E., Williams, E.
J., Robbins, T. W., Sahakian, B. J., Petrides, M. & Pickard, J. D.
(1999). Redefining the functional organization of working mem-
ory processes within human lateral prefrontal cortex. European
Journal of Neurosciences, 11 (2), 567-574.
Owen, A. M., Sahakian, B. J., Hodges, J. R., Summers, B. A., Polkey,
C. E. & Robbins, T. W. (1995). Dopamine-dependent frontostria-
tal planning deficits in early Parkinson’s disease. Neuropsycholo-
gy, 9(1), 126-140.
Ozzonoff, S., Pennington, B. F. & Rogers, S. J. (1991). Executive func-
tions deficits in high-functioning autistic individuals; Relation-
ship to theory of mind. Journal of child Psychology, 32, 1081-1105.
Pascual-Leone, A., Grafman, J., Clark, K., Stewart, M., Massaquoi,
S., Lou, J. & Hallet, M. (1993). Neuropsychology of the amnesic syn-
drome. Erlbaum: Hillsdale.
Passingham, R. (1993). The frontal lobes and voluntary action. Oxford
Psychology Series, Vol. 21, Oxford University Press, Oxford U.K.
Pearson, K., Lee, A. (1903). On the laws of inheritance in man: I. In-
heritance of physical characters, Biometrika, 2:357-462.
Peterson, L. R. & Peterson, M. J. (1959). Short-term retention of indivi-
dual verbal items. Journal of Experimental Psychology, 58, 193-198.
Petrides, M. (1994). Frontal lobes and working memory: evidence
from investigations of the effects of cortical excisions in nonhu-
man primates (pp. 59-81). En F. Boller & J. Grafman (Eds.). Hand-
book of Neuropsychology. Amsterdam: Elsevier Science.
Petrides, M. (1998). Specialized systems for the processing of mne-
monic information within the primate frontal cortex. En A. C.
Roberts, T. W. Robbins & L. Weiskrantz (Eds.). The Prefrontal
173
Cortex: Executive and Cognitive Functions (pp. 103-116). Oxford:

Oxford University Press.
Phillips, L. & Henry, J. (2008). Adult aging and executive function-
ing. En: V. Anderson, R. Jacobs, R., & P. J. Anderson. Executive
Functions and the frontal lobes: A lifespan perspective. Taylor and
Francis: Nueva York, USA.
Purves, D. (2004). Neuroscience: third edition. Sinauer Associates,
Inc. Sunderland, Massachusetts U.S.A.
Ramos, J., Cerdán, L. F., Guevara, M. A. & Amezcua, C. (2001). Al-
teraciones en la atención y en el reconocimiento de emociones
faciales en esquizofrénicos refractarios y no refractarios al trata-
miento, evaluadas a través de un paradigma oddball. Revista de
Neurología, 33(11), 1027-1032.
Rains, G. D. (2004). Principios de Neuropsicología Humana. México:
McGraw Hill.
Ramnani, N. & Owen, A. M. (2004). Anterior prefrontal cortex: in-
sights into function from anatomy and neuroimage. Nature Re-
views. Neuroscience, 5(3), 184-194.
Rand, Y., Feuerstein, R., Hoffman, M. & Jensen, M. (1979). Cognitive
modifiability in retarded adolescents. American Journal of Mental
Deficiency, 83, 539-550.
Rezai, K., Andreasen, N. C., Alliger, R., Cohen, G., Swayze 2nd. V.
& O’Leary D. S. (1993). The neuropsychology of the prefrontal
cortex. Archives of Neurology, 50, 636-642.
Rolls, E. T. & Treves, A. (1998). Neural networks and brain functions.
Oxford, Oxford University Press.
Rolls, E. T. (2000). The orbitofrontal cortex and reward. Cerebral Cor-
tex. 10, 284-294.
Rolls, E. T. (2004). The functions of the orbitofrontal cortex. Brain and
Cognition, 55, 11-29.
Rose, J. E. & Woolsey, C. N. (1948) The orbitofrontal cortex and its
connections with the mediodorsal nucleus in rabbit, sheep and
cat. Research Publications – Association for Research in Nervous and
Mental Disease. 27, 210–232.
Rossi, S., Cappa, S. F., Babiloni, C., Pasqualetti, P., Miniussi, C., Car-
ducci, F., Babiloni, F. & Rossini, P. M. (2001). Prefrontal cortex in
long-term memory: an “interference” approach using magnetic
stimulation. Nature Neuroscience, 4(9), 948-952.
Sabatinelli, D., Flaisch, T., Bradley, M. M., Fitzsimmons, J. R. & Lang,
P. J.(2004). Affective picture perception: gender differences in vi-
sual cortex? Neuroreport, 15 (7), 1109-1112.
174
Referencias
Sánchez-Bruno, A. & Borges del Rosal, A. (2005). Transformación

Z de Fisher para la determinación de intervalos de confianza
del coeficiente de correlación de Pearson. Psicothema. 17:148-
153.
Sanz-Martin, A., Castillo-Parra, G., Sánchez-Padilla, E. & Gumá-
Díaz, E. (2008). Las emociones desde el punto de vista de la
Psicobiología. En M. A. Guevara, L. Chacón-Gutiérrez, M. Her-
nández-González & J. A. Barradas-Bribiesca (Eds.). Aproximacio-
nes al estudio de la Psicobiología del comportamiento (pp. 323-378).
Universidad de Guanajuato, México.
Sanz-Martin, A., Guevara-Pérez, M. A., Corsi-Cabrera, M., Ondar-
za-Rovira, R. & Ramos-Loyo, J. (2006). Efecto diferencial de la
lobectomía temporal izquierda y derecha sobre el reconocimien-
to y la experiencia emocional en pacientes con epilepsia. Revista
de Neurología. 47 (7), 391-398.
Schacter, D. L. & Tulving, E. (1993). What are the memory systems of
1994. En Schacter, D. L. & Tulving, E. (Eds.). Memory Systems (pp.
1-38), Cambridge, MA: MIT Press.
Schuepbach, D., Merlo, M. C. G., Goenner, F., Staikov, I., Mattle, H.
P., Dierks, T. & Brenner, H. D. (2002). Cerebral hemodynamic res-
ponse induced by the Tower of Hanoi puzzle and the Wisconsin
Card Sorting test. Neuropsychologia, 40, 39-53.
Selemon, L. D. & Goldman-Rakic P. S. (1985). Longitudinal topo-
graphy and interdigitation of cortico-stratial projections in the
rhesus monkey. Journal of Neuroscience, 5: 776-94.
Shallice, T. (1982). Specific impairments of planning. Philosophical
Transactions of the Royal Society of London, 298, 199-209.
Shaw, J. C. (1984). Correlation and Coherence Analysis of the EEG:
a Selective Tutorial Review. International Journal of Psychophysio-
logy, 1, 255-266.
Shibasaki, H. & Nagamine, T. (2003). EEG (MEG)/EMG correlation.
En Hallett, M. (ed). Movement Disorders: Handbook of Clinical Neu-
rophysiology, Volume 1 (pp. 15-29). Elsevier.
Simon, H. T. (1975). The functional equivalence of problem solving
skills. Cognitive Psychology, 7, 268-288.
Squire, L. R.; Knowlton, B. & Musen, G. (1993). The structure and or-
ganization of memory. Annual Review of Psychology, 44: 453-495.
Stoner, G. R., Albright, T. D. & Ramachandran, G. R. (1990). Trans-
parency and coherence in human motion perception. Nature, 344,
153-155.
175
Stuss, D. T. & Alexander, M. P. (2000). Executive functions and the

frontal lobes: conceptual view. Psychological Research, 63(3-4),
289-98.
Szabo, J. (1962). Topical distribution of the striatal efferents in the
monkey. Experimental Neurology, 19: 463-76.
Tailarach, J. & Tournoux, P. (1988). Co-planar Stereotaxic atlas of the
human brain. Thieme, Stuttgart, New York.
Takenouchi, K., Nishijo, H., Uwano, T., Tamura, R., Takigawa, M. &
Ono, T. (1999). Emotional and behavioral correlates of the ante-
rior cingulated cortex during associative learning in rats. Neuro-
science, 93: 1271-1287.
Tekin, S. & Cummings, J. (2002). Frontal-Subcortical neural circuits
and clinical neuropsiquiatry. An update. Journal of Psychosom Re-
search: 53: 647-654.
Thatcher, R. W., Krause, P. J. & Hrybyk, M. (1986). Cortico-cortical
associations and EEG coherence: a two-compartmental model.
Electroencephalography Clinical Neurophysiology, 64, 123-43.
Thatcher, R. W. (1998). Normative EEG databases and EEG biofeedback.
Journal of Neurotherapy. Vol 2(4) Spr 1998, 8-39. Haworth Press,
US
Thompson, R. J. (1990). Neural mechanism of classical conditioning
in mammals. Philosophical Transactions of the Royal Society of Lon-
don (Biology), 329, 161-170.
Tirapu-Ustárroz, J. & Muñoz-Céspedes, J. M. (2005). Memoria y
Funciones Ejecutivas. Revista de Neurología, 41 (8), 475-484.
Tovee, M. J. (1996). An introduction to the visual system. Cambridge,
England: Cambridge University Press.
Tulving, E. (2000). Concepts of Memory. En Tulving, E & Craik,
F.I.M. (Eds.). The Oxford Handbook of Memory (pp. 33-43), Nueva
York: Oxford University Press.
Tzschentke, T. M. (2000). The medial prefrontal cortex as a part of
the brain reward system. Amino Acids, 19, 211-219.
Uylings, H. B. M. & Van Eden, C. G. (1990). Qualitative and quanti-
tative comparison of the prefrontal cortex in rat and in primates,
including humans. En HBM Uylings., CG Van Eden., JPC de
Bruin., MA Corner. & MPG Feenstra (Eds.). The prefrontal cortex:
Its structure, function and pathology. Prog Brain Res Elsevier, Ams-
terdam. 85: 31-62.
Uylings, H. B. M., Groenewegen, H. J. & Kolb, B. (2003). Do rats
have a prefrontal cortex? Behavioural Brain Research, 146, 3-17.
176
Referencias
Van Asselen, M., Kessels, R. P. C., Neggers, S. F. W., Kappelle, L. J.,

Frijns C. J. M. & Postma, A. (2006). Brain areas involved in spatial
working memory. Neuropsychologia, 44 (7), 1185-1194.
Walker, E. A. (1940). A cytoarchitectural study of the prefrontal area
of Macaque monkey. Journal of Comparative Neurology, 73:59–86.
Watanuki, S. & Kim, Y. K. (2005). Physiological responses induced by
pleasant stimuli, Journal of Physiological Anthropology and Applied
Human Science, 24(1), 135-138.
Wechsler, D. (1997). Wechsler Memory Scale. Third Edition Adminis-
tration and Scoring Manual. San Antonio USA. The Psychological
Corporation.
Welsh, M. & Huizinga, M. (2001). The development and prelimina-
ry validation of the tower of Hanoi-revised. Psychological Assess-
ment, 8 (2), 167-176.
Welsh, M. C., Cicerello, A., Cuneo, K. & Brennan, M. (1994). Error
and temporal patterns in Tower of Hanoi performance: Cogni-
tive mechanisms and individual differences. The Journal of Gene-
ral Psychology, 122, 69-81.
Wikipedia (2008) Cognición. Wikipedia, la enciclopedia libre.
http://es.wikipedia.org/wiki/Cognici%C3%B3n, 7 de octubre
del 2008.
Yonemori, M., Nishijo, H., Uwano, T., Tamura, R., Furuta, I., Kawasa-
ki, M., Takashima, Y. & Ono, T. (2000). Orbital cortex neuronal
responses during an odor-based conditioned associative task in
rats. Neuroscience, 95, 691-703.
Zelazo, P. D. & Müller, U. (2002). Executive function in typical and
atypical development. En U. Goswami (Ed.), Handbook of Child-
hood Cognitive Development (pp. 445-469). Oxford: Blackwell.
177
Programas computacionales para análisis de señales
bioeléctricas y evaluación cognoscitiva
se terminó de imprimir en febrero de 2010
en los talleres de Editorial Pandora S. A. de C. V.
Cañas 3657, La Nogalera,
Guadalajara, Jalisco, México.
La edición consta de 500 ejemplares.
Diseño:
Verónica Segovia González
Corrección:
Susana Arriola Guevara

Programas para Analisis de Senales y Evaluacion Cognoscitiva Guevara PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Programas para Analisis de Senales y Evaluacion Cognoscitiva Guevara PDF

Cargado por

Copyright:

Formatos disponibles

Programas computacionales

para análisis de señales bioeléctricas

Impreso y hecho en México

A la Dra. Esmeralda Matute Villaseñor que, como en otras ocasio-

Las Neurociencas cognitivas incursionan desde muy diversas pers-

Este volumen es especial, ya que los materiales que se incluyen

El registro y análisis de la actividad electroencefalográfica ha cons-

únicamente de seres humanos, tales como la planificación a largo

HANOIPC3 es un programa de computadora que está basado

Miguel Ángel Guevara Pérez

Marisela Hernández González

Araceli Sanz Martin

La actividad electroencefalográfica es generada por la actividad

El electroencefalograma permite estudiar la relación entre la con-

tró que cuando un “flash” de luz se le presentaba al animal frente a

Por ritmo electroencefalográfico se reconoce a una actividad sincró-

y puede desaparecer ante una maniobra específica (reactividad)...

Ritmo Delta: su frecuencia es de 1 a 3.5 Hz, con una amplitud

tareas mentales, se ha descrito también que se reemplazan por acti-

El análisis cuantitativo de la actividad EEG

El análisis cuantitativo del electroencefalograma constituye una

La transformada rápida de Fourier (TRF) permite separar una

En el dominio del tiempo se cuenta con el coeficiente de correlación

problema aplicando la fórmula de correlación a la cual se le atribuye

En la búsqueda de la correspondencia entre la posición de los

hombres y 3 mujeres), sanos y diestros, y mediante tomografía com-

En el área del análisis de señales bioeléctricas cerebrales ha existido

basada en el análisis espectral, que es una herramienta fundamental

frecuencia del espectro); mientras que la correlación normalmen-

Tiempo Frecuencia Tiempo

Algoritmo para calcular el espectro de correlación

Al tener en el dominio del tiempo a cada uno de los componentes

El coeficiente de correlación puede ser calculado siguiendo un

A) Transformada discreta directa de Fourier: la fórmula 2 indica

Espectro instantáneo = (Fre)2 + (Fim)2 (2)

Por las propiedades de la Transformada discreta de Fourier se

B) Transformada discreta inversa de Fourier: con la fórmula 5 se

C) Las fórmulas de los autoespectros y del espectro cruzado para

Espectro cruzado entre las señales A y B:

D) Al aplicarle la Transformada Inversa de Fourier al espectro

De esta función de correlación solamente interesa la correlación

La simplificación fue posible debido a que, siendo n = 0:

Se ve claramente que, para el cálculo del primer lugar de la fun-

Sabiendo que en la fórmula anterior Fre(x) es igual a la fórmula

cuadrada del producto del lugar cero de la transformada inversa de

donde facA y facB están definidas por las fórmulas 23 y 24:

Pero como solamente interesa el lugar cero de la transformada

Ya que los autoespectros no contienen parte imaginaria, y con-

sustituyendo las fórmulas 19, 29 y 30 en la 22:

De esta manera se puede calcular el espectro de correlación

n Algoritmo para calcular el espectro de coherencia

La coherencia está definida en el dominio de la frecuencia; la fórmu-

donde: x = 0,1,2,...,N-1 (las N frecuencias en que se descomponen

El valor absoluto de un número complejo es igual a la raíz cua-

Con la fórmula 34 es posible calcular los valores de coherencia

Realizando las operaciones queda la fórmula 36:

Con la fórmula 36 se demuestra que la coherencia calculada a

EEGmagic (Guevara & Hernández-González, 2009) es un perfeccio-

Ejecución del programa

EEGmagic requiere que se le proporcionen señales que hayan sido

banda7, de 31 a 50 Hz. Sin embargo, en la pantalla de inicio se pueden

En la pantalla inicial se debe elegir si se trata de un diseño de

mientos) en el diseño, además de los niveles de cada uno de ellos. Pero