Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Ciencia 2008 1
Ciencia 2008 1
Maracaibo, Venezuela
Resumen
Se presenta un algoritmo para calcular la complejidad de un sistema con dimensión alta a
partir de datos experimentales, basado en la definición de complejidad estadística introducida por
López-Ruiz, Mancini y Calbet (16). Mediante este algoritmo, se calcula la complejidad de señales
electroencefalográficas provenientes de diez sujetos sanos y treinta pacientes epilépticos. La di-
mensionalidad de las señales se reduce mediante el método de Análisis de Componentes Principa-
les. Los valores de complejidad estadística así obtenidos permiten caracterizar los dos grupos de in-
dividuos. Los resultados muestran que la complejidad de los estados colectivos cerebrales asocia-
dos con la patología epiléptica es menor que aquella correspondiente a sujetos sanos.
Palabras clave: electroencefalograma; epilepsia; sistemas complejos.
Characterization of complexity in
electroencephalographic signals
Abstract
Based on the definition of statistical complexity introduced by López-Ruiz, Mancini y Cal-
bet (16), we present an algorithm to calculate the complexity of a system from experimental
data. By using this algorithm, the complexity of electroencephalographic signals is calculated.
The data base consists of 10 healthy subjects and 30 epileptic patients. The Principal Compo-
nent Analysis method has been employed to reduce the dimensionality of the signals. The va-
lues of the statistical complexity obtained in this way allow to characterize the two groups of in-
dividuals. The results show that the complexity of the collective brain states associated to the
epileptic pathology is lower than that corresponding to healthy subjects.
Key words: Complex systems; electroencephalogram; epilepsy.
ción entre la información almacenada en el ses de datos utilizados en este trabajo pro-
sistema y su distancia a la equipartición de vienen del Hospital San Juan de Dios, en
la distribución de probabilidad de sus esta- Mérida, y del Hospital José María Pineda, en
dos accesibles. Esta medida de complejidad Barquisimeto, Venezuela.
se ha calculado analíticamente para varios
modelos de sistemas físicos, tanto con dis- Procesamiento de las señales
tribuciones de probabilidad continuas como EEG
discretas (19).
Nos enfocaremos en el cálculo de la
Nótese que el valor de la complejidad
complejidad LMC correspondiente a la emer-
LMC de un sistema depende de la escala de
gencia de estructuras o patrones macroscó-
observación, la cual determina el número de
picos en las señales EEG. Cada señal EEG
estados accesibles del sistema. Por ejemplo,
corresponde a una serie temporal que se
una célula observada desde una distancia
puede describir mediante un vector x tc , don-
muy grande puede describirse como un pun-
de c = 12
, ,...,19 identifica el canal del EEG y t
to, el cual posee complejidad cero; sin embar-
corresponde al tiempo discreto del muestreo
go, a una distancia adecuada se pueden
del canal que puede contener hasta 20.000
apreciar estructuras internas que producen
puntos. Se calcula la variabilidad de la señal
comportamientos colectivos emergentes; por
EEG, definida como s tc = x tc - x c , donde
lo tanto, la complejidad asociada a este siste- T
1
ma tendrá un valor mayor que cero. x c = å x tc es el valor medio temporal del
T t =1
Adicionalmente, debe tenerse en cuen- canal c.
ta que los valores de la complejidad LMC es-
tán definidos con un factor de escala dado Luego, el vector asociado a cada señal
por la constante k. Por lo tanto, lo que tiene tiene una dimensión igual a diecinueve. El
relevancia para caracterizar un sistema son cálculo de la complejidad LMC requiere rea-
los valores relativos de la complejidad LMC. lizar una partición de un espacio de dieci-
nueve dimensiones para establecer la distri-
Base de datos bución de probabilidad correspondiente a
unos veinte mil puntos por cada señal EEG,
El registro de las señales EEG para lo cual evidentemente se vuelve impráctico.
cada sujeto se realizó en 19 canales a partir Para implementar un cálculo eficiente de la
de electrodos adheridos con pasta conduc- complejidad LMC, hemos empleado el méto-
tora a la super ficie de la cabeza en los sitios do co no cido como Prin ci pal Com po nent
establecidos por el sistema internacional Analysis (PCA) (20), el cual permite reducir
10-20. La diferencia de potencial se midió la dimensionalidad efectiva de un conjunto
con respecto a una referencia constituida de datos y se utiliza en aplicaciones de com-
por ambas orejas cortocircuitadas. La señal presión de datos y de procesamiento de imá-
se digitalizó con una frecuencia de muestreo genes. El método PCA consiste en una trans-
de 256 Hz y conversión A/D de 12 bits, fil- formación de los datos (mediante una fun-
trada digitalmente entre 0,5 Hz y 30 Hz. ción llamada ker nel) a un nuevo sistema de
Para el análisis, se seleccionaron registros coordenadas tal que la mayor varianza de
de tiempo variable de actividad en reposo de cualquier proyección de los datos yace en la
diez sujetos sanos, diez pacientes epilépti- primera coordenada (denominada la compo-
cos bajo tratamiento médico, dieciocho pa- nente principal), y así sucesivamente. El
cientes epilépticos sin tratamiento médico y procedimiento seguido para obtener la com-
dos pacientes epilépticos durante crisis con- plejidad de cada señal EEG es el siguiente:
vulsivas. Cada registro electroencefalográfi-
co corresponde a un sujeto distinto. Las ba-
Agradecimientos
Este trabajo ha sido parcialmente fi-
nanciado por el Consejo de Desarrollo Cien-
tífico, Humanístico y Tecnológico de la Uni-
versidad de los Andes, mediante el proyecto
Nº C-1396-06-05-B, y por el Fondo Nacional
de Ciencia, Tecnología e Innovación (Fona-
cit), a través del proyecto Nº F-2002000426.
13. HUBERMAN B.A., HOGG T. Physica D 22: 18. CALBET X., LÓPEZ-RUIZ R. Phys. Rev. E 63:
376-384, 1986. 066116, 2002.
14. LLOYD S., PAGELS, H. Ann Phys 188: 186- 19. LÓPEZ-RUIZ R. Int J Bifurcations & Chaos
188, 1988. 11: 2669-2673, 2001.
15. ARNHOLD J., GRASSBERGER P., LEHNERTZ 20. SCHOLKOPF B., BURGES, C.J.C., SMOLA
K., ELGERT C.E. Physica D 134: 419-425, A.J. (Editores) Advances in ker nel methods-
1999. Support vector learning. MIT Press, Cam-
16. LÓPEZ-RUIZ R., MANCINI H.L., CALBET X. bridge (Estados Unidos), 1999.
Phys Lett A 209: 321-326, 1995. 21. CRISTIANINI N., SHAWE-TAYLOR J. An intro-
17. SHANNON C.E., WEAVER W. The mathe- duction to support vector machines and
matical theory of communication. Univer- other kernel-based methods. Cambridge
sity of Illinois Press, Champaign (Estados Uni- University Press, Cambridge (Estados Uni-
dos), 1949. dos), 2001.