CONICET | Buscador de Institutos y Recursos Humanos

En el ámbito de la ingeniería biomédica, es muy común hablar acerca de señales. Una señal es una variable física, de la naturaleza que sea, que proporciona información sobre el estado o evolución de un sistema. En este trabajo nos interesan los potenciales evocados relacionados a eventos (PRE), que se producen cuando estímulos visuales, auditivos o somatosensoriales infrecuentes (o particularmente significativos) son mezclados con estímulos frecuentes (o de rutina), los primeros evocan un potencial en el electroencefalograma (EEG) con un pico cercano a los 300 ms. En registros de EEG de época única, la relación señal a ruido de los PRE es baja ya que se encuentran inmersos en una suma de otros potenciales generados por diversas fuentes fisiológicas y no fisiológicas. Existen situaciones en que se requiere estimar la morfología del PRE, pero en otras aplicaciones sólo se desea saber si dicha señal está o no presente. Este es el caso de las interfaces cerebro computadoras (ICC), que proveen una forma de comunicación directa entre el cerebro de una persona y el mundo exterior. Este tipo de dispositivos puede mejorar la calidad de vida de muchos pacientes que sufren de enfermedades neurológicas que disminuyen o anulan la capacidad de los canales neuromusculares por los cuales el cerebro se comunica normalmente. Las ICC básicamente se componen de 3 bloques, uno de instrumentación electrónica encargado de adquisición de la señal, otro de extracción de características en el cual se procesa la señal con el objetivo de facilitar la tarea de clasificación y finalmente la clasificación propiamente dicha. Este problema de reconocimiento de patrones consta con dos clases posibles: registros con PRE y registros sin PRE. El objetivo de este trabajo es evaluar el desempeño de la transformada paquete de onditas (WPT, de inglés wavelet packet transform) como método de extracción de características para detectar al PRE inmerso en la señal de EEG y consecuentemente mejorar la clasificación de los mismos. Si se considera al PRE como un elemento de un espacio de señales, entonces se puede representar en función de una base que favorezca la expresión de las características buscadas. Para esto se utilizó la WPT, que puede pensarse como un par de filtros pasa bajos y pasa altos que descomponen de una señal tanto las bajas frecuencias como las altas frecuencias. En el primer nivel de descomposición, la señal se parte en una porción de alta frecuencia (detalle) y otra porción de baja frecuencias (aproximación), las cuales contienen la mitad de las muestras de la señal original. En el próximo nivel, tanto el detalle como la aproximación se vuelven a dividir en dos porciones, generando cada uno a su vez otro detalle y otra aproximación con la mitad de las muestras del nivel anterior. Este proceso de partición se continúa hasta el nivel de profundidad deseado, generándose una cantidad muy grande pero finita de posibles bases ortogonales en donde representar a nuestra señal. En este trabajo se calcula la WPT con una profundidad de descomposición igual a 6, a partir de la ondita Daubechies 4. Esta ondita es ampliamente utilizada en el análisis de EEG ya que se asemeja morfológicamente a los PRE. Para la elección de la mejor base ortogonal se probaron dos métodos, los denominados Best Ortogonal Basis (BOB) y el Local Discriminant Basis (LDB). Ambos métodos evalúan funciones de costo a lo largo de los vectores bases generados por la WPT para así determinar la mejor base ortogonal que representa la señal. A diferencia del BOB, el LDB utiliza una función de costo que maximiza la separación entre las clases posibles del problema y además permite disminuir la dimensión de los registros quedándose sólo con aquellos más representativos para el problema en cuestión. La base de datos utilizada fue generada en el Laboratorio de NeuroImagenología del Departamento de Ingeniería Eléctrica de la Universidad Autónoma Metropolitana empleando el sistema BCI2000. La base consta de registros de diez canales de EEG realizados a diez sujetos sanos, que en una etapa de pre-procesamiento fueron filtrados con un filtro FIR pasa bajos y submuestreados a 64 Hz. Se implementó como clasificador al denominado Discriminante Lineal de Fischer, y las entradas al mismo fueron por un lado, los conjuntos de señales formadas por los registros temporales (registros sin post-procesamiento) y por el otro, los coeficientes wavelet generados utilizando el BOB y el LDB. Los resultados obtenidos por el clasificador para los patrones temporales se utilizaron para contrastar los resultados obtenidos con las otras estrategias. Los índices de desempeño utilizados fueron la taza de aciertos, que indica el porcentaje de los registros bien clasificados sobre el total de los registros de entrada; la sensibilidad y la especificidad. De los resultados arrojados por el clasificador, se realizó un promedio para todos los sujetos. De esta manera, los registros temporales presentan una tasa de aciertos del 75%, y de manera muy similar los coeficientes BOB y los coeficientes LDB presentan un 74%. Con la selección de los 8 vectores más discriminativo para el LDB se obtiene un 80% en la clasificación y como máximo se obtuvo 82% con los coeficientes LDB de 14 características por canal. Finalmente podemos concluir que la WPT presenta gran potencialidad para la representación de la señal PRE, pero los métodos de selección de la base ortogonal deben ser capaces de resaltar aquellas características buscadas en la clasificación. Es por esto que el BOB no presenta mejoras, porque es un algoritmo pensado para la compresión de señales. Por el contrario el LDB es un método pensado para la clasificación y que además al permitir disminuir la dimensionalidad del problema, el tiempo de clasificación es menor obteniéndose conjuntamente mejores resultados en la clasificación en comparación con los registros temporales.

enviar mensaje