UNIVERSIDAD DE VALLADOLID

E.T.S. INGENIEROS DE TELECOMUNICACIN

PRCTICA DE PROCESADO DE
SEALES BIOMDICAS
Procesado de seales biomdicas Curso 2008-2009

NDICE

1. OBJETIVOS______________________________________________________ 3

2. SEALES DE EEG ________________________________________________ 3

3. ENFERMEDAD DE ALZHEIMER ___________________________________ 5

4. ANLISIS TIEMPO-FRECUENCIA DEL EEG _________________________ 5

5. ANLISIS NO LINEAL DEL EEG ___________________________________ 6

6. PROGRAMACIN DE LOS MTODOS SELECCIONADOS______________ 7

7. INFORME DE RESULTADOS_______________________________________ 7

BIBLIOGRAFA ____________________________________________________ 8

2
Procesado de seales biomdicas Curso 2008-2009

1. OBJETIVOS
Con esta prctica se pretende que el alumno sea capaz de programar y evaluar la
utilidad de mtodos de anlisis tiempo-frecuencia y no lineales para procesar seales de
electroencefalograma (EEG) de pacientes con la enfermedad de Alzheimer y sujetos de
control. Las seis sesiones prcticas se llevarn a cabo en el seminario Bangemman (2
planta). Al final de la prctica se deber haber realizado una serie de programas de
Matlab que permitirn:

1. Cargar seales de EEG.

2. Filtrar seales de EEG.
3. Representar seales de EEG.
4. Analizar las seales de EEG con algn mtodo de anlisis tiempo-frecuencia
(frecuencia mediana, factor de cresta, turbulencia espectral y entropa espectral)
y no lineal (entropa aproximada, complejidad de Lempel-Ziv y entropa
muestral).

2. SEALES DE EEG

El electroencefalograma (EEG) consiste en el registro de la actividad elctrica

producida por las neuronas del encfalo a travs de electrodos situados en el cuero
cabelludo o en la base del crneo. La posicin ms habitual de los electrodos para el
registro de los EEG viene determinada por una norma estndar, aconsejada por la
Federacin Internacional de Sociedades de Electroencefalografa y Neurofisiologa
Clnica. Este sistema de registro se conoce como sistema internacional 10-20 [1].
El sistema internacional 10-20 emplea una serie de marcas en el crneo como
puntos de referencia para situar los electrodos, tal y como muestran las figuras 1 y 2. La
localizacin de los electrodos se identifica con letras y nmeros. Cuando el electrodo se
encuentra sobre el hemisferio derecho se emplean nmeros pares, mientras que cuando
est sobre el izquierdo se usan nmeros impares. Las letras identifican cada regin de la
cabeza: frontopolar (Fp), frontal (F), temporal (T), central (C), parietal (P) y occipital
(O). A cada uno de los electrodos situados sobre la lnea media se le asigna la letra zeta
minscula. Los electrodos del lbulo de la oreja se designan con A1 y A2.
Para el registro de la seal de EEG es necesario determinar qu electrodos harn
de fuente y cules de referencia. Por ello han surgido diferentes mtodos de registro:
bipolar, con referencia comn y con referencia promedio:

En los registros bipolares los electrodos se toman de dos en dos, registrando

diferencias de potencial entre ellos (electrodos activos). Debido al elevado
nmero de combinaciones posibles, la Federacin Internacional de
Electroencefalografa recomienda utilizar 16 pares, diferentes segn si el
montaje es longitudinal o transversal [2].
El registro con referencia comn se produce entre un electrodo activo fijado
a la cabeza y un electrodo de referencia relativamente inactivo. Como punto
de referencia se toma frecuentemente el lbulo de la oreja, la nariz o el
mentn.
En el registro con referencia promedio se conectan todos los electrodos con
iguales resistencias a un punto que sirve de referencia comn. El potencial en
ese punto es el potencial promedio de todos los electrodos de la cabeza.

3
Procesado de seales biomdicas Curso 2008-2009

Figura 1. Disposicin de los electrodos en el Figura 2. Disposicin de los electrodos en el

Sistema 10-20. Vista lateral izquierda. Sistema 10-20. Vista superior.

Las ondas generadas por el EEG abarcan frecuencias desde 0.5 Hz hasta unos
100 Hz, con amplitudes comprendidas entre 100 V y 10 mV, dependiendo de si el
punto de registro se encuentra en la corteza (electrodos intracraneales) o sobre la
superficie del cuero cabelludo (electrodos superficiales).
Las seales de EEG con las que van a trabajar fueron registradas con un
electroencefalgrafo digital Profile Study Room 2.3.411 de Oxford Instruments.
Empleamos el sistema internacional 10-20 (canales Fp1, Fp2, F3, F4, C3, C4, P3, P4,
O1, O2, F7, F8, T3, T4, T5, T6, Fz, Cz y Pz), con el electrodo de referencia situado en
la barbilla. Con el fin de minimizar la presencia de artefactos ruidosos en la actividad
base del EEG, los registros se realizaron con todos los sujetos sentados, despiertos, en
reposo, quietos y con los ojos cerrados. La seal se registr con los ojos cerrados para
minimizar la presencia de artefactos debidos a movimiento ocular.
La frecuencia de muestreo empleada en el registro de la seal fue 256 Hz. Los
datos se digitalizaron con un conversor A/D empleando 12 bits y se organizaron en
pocas continuas de 5 s (1280 puntos).
Descargue en su directorio de trabajo las seales de EEG disponibles en la
pgina web de la asignatura.

Seleccione una poca de EEG concreta de un sujeto y represente en una

misma figura de Matlab los 16 canales de EEG disponibles haciendo uso de
las funciones plot y subplot.
Antes de realizar el anlisis de los datos con los mtodos tiempo-frecuencia
y los no lineales, filtre todos los registros de EEG con un filtro paso-banda
con frecuencias de corte 0.5 Hz y 40 Hz para eliminar la frecuencia de red y
los artefactos electromiogrficos. Emplee el comando filtfilt para ello y
el filtro cuyos coeficientes estn disponibles en la pgina web de la
asignatura. Represente en una figura de Matlab los canales de EEG filtrados
de la misma poca que anteriormente representase sin filtrar.

4
Procesado de seales biomdicas Curso 2008-2009

Las seales de EEG que analizaremos corresponden a pacientes con la

enfermedad de Alzheimer (EA) y sujetos de control de edad similar.

3. ENFERMEDAD DE ALZHEIMER

La enfermedad de Alzheimer (EA) es una demencia degenerativa primaria, de

tipo cortical y desarrollo gradual, que implica un deterioro cognitivo continuo. Est
considerada la principal causa de demencia en el mundo occidental [3]. La EA se
caracteriza por una reduccin progresiva de la capacidad para pensar, recordar, aprender
y razonar, lo que conduce a una reduccin de la capacidad del enfermo para cuidarse y
dirigirse a s mismo [4].
El origen de la enfermedad est en unas placas y ndulos que aparecen en el
cerebro, y que slo pueden detectarse cuando se examina ste al microscopio. Estas
placas, que suelen ser de mayor tamao que las neuronas, se localizan principalmente en
la corteza cerebral. Son relativamente grandes a menudo mayores que las neuronas
y, aparentemente, estn constituidas por un agrupamiento de terminaciones nerviosas
anormales y engrosadas. En las placas de mayor tamao se distingue un rea central que
contiene fibras de una protena denominada amiloide [5]. Los ndulos neurofibrilares, al
contrario que las placas, se localizan en el interior de las neuronas. Estn constituidos
por una agrupacin densa de neurofilamentos enrollados entre s en forma de espiral. En
condiciones normales estas fibras ayudan a que las clulas del cerebro trabajen con
eficacia pero, como consecuencia de esta agrupacin de pares de filamentos enrollados,
se produce un deterioro de la funcin cerebral. Sin embargo, su importancia exacta est
todava siendo investigada. Normalmente, cuanto ms numerosos sean los ndulos y
placas presentes en el cerebro, ms grave habr sido la demencia de la persona. La
mayor densidad de placas y ndulos suele observarse, especialmente, en las reas
corticales responsables de la memoria y el aprendizaje.
El valor del EEG como prueba diagnstica en la EA es limitado. Sin embargo, el
anlisis no lineal de esta seal ha mostrado que el EEG de los pacientes con la EA se
caracteriza por ser menos complejo que el de sujetos de control de edad avanzada [6].

4. ANLISIS TIEMPO-FRECUENCIA DEL EEG

Los registros EEG son seales no estacionarias [7]. Por tanto, un anlisis preciso
de sus caractersticas requiere de la aplicacin de tcnicas de procesado que reflejen la
variacin en el tiempo de sus propiedades. Para ello, resulta til emplear
representaciones en tiempo-frecuencia capaces de reflejar la variacin en el tiempo de
las caractersticas espectrales de las seales. Una de las representaciones ms sencillas e
intuitivas es la transformada corta de Fourier (STFT, Short Time Fourier Transform),
que selecciona segmentos de la seal mediante una serie de ventanas temporales que se
desplazan a lo largo de la misma. Dado que los segmentos seleccionados se pueden
considerar estacionarios, si la ventana es suficientemente pequea, el siguiente paso
consiste en aplicar la transformada de Fourier sobre cada uno de ellos. De esta forma, es
posible obtener una evolucin temporal del espectro de la seal [8].
A travs de la representacin que proporciona la STFT calcularemos la
evolucin temporal de alguno de los siguientes mtodos tiempo-frecuencia para el
anlisis de la actividad base de la actividad EEG de pacientes con un diagnstico de EA
probable y de sujetos de control.
Frecuencia mediana. Es un ndice que se usa para resumir de una forma
sencilla el contenido del espectro de potencia. Se define como la frecuencia a

5
Procesado de seales biomdicas Curso 2008-2009

partir de la cual se acumula el 50% del rea del espectro de potencia. Un

parmetro estrechamente relacionado con la frecuencia mediana es la
frecuencia media, cuya definicin se basa en el clculo del centroide del
espectro de potencia [9].
Factor de cresta. Es una medida de la tonalidad de la seal [10]. Da una
estimacin de la concentracin del espectro de potencia en torno a unas
pocas componentes. En este sentido, un factor de cresta elevado indica que el
espectro tiene una componente claramente dominante, mientras que un factor
de cresta pequeo se obtiene cuando las componentes del espectro son
similares entre s. Este parmetro se define como el mximo del espectro de
potencia dividido por la potencia media en la banda de anlisis [11].
Turbulencia espectral. Es una tcnica que permite cuantificar los cambios
en el contenido espectral de una seal a lo largo del tiempo [12]. Permite
estudiar tanto los eventos frecuentes como los cambios abruptos que ocurren
en el espectro de una seal [13]. A diferencia de otros mtodos de anlisis
tiempo-frecuencia, es una tcnica que consigue estabilidad paramtrica y
ofrece resultados reproducibles numricamente, por lo que su uso ha sido
sugerido en aplicaciones clnicas [14]. Para estimar la turbulencia espectral
de una seal en primer lugar se calcula su espectro de potencia en el plano
tiempo-frecuencia. A continuacin, se comparan los espectros de potencia
adyacentes mediante el coeficiente de correlacin. Por ltimo, se extraen la
media y la desviacin estndar de la serie temporal obtenida con estos
coeficientes, que sirven como indicadores de los cambios espectrales [12].
Entropa espectral. En 1948 C. E. Shannon defini la entropa desde el
punto de vista de la teora de la informacin como una medida de la
incertidumbre media de la cantidad de informacin enviada en un mensaje
[15]. Desde el punto de vista del procesado de seal, se adapt la definicin
de entropa de Shannon para dar lugar a la entropa espectral, como un
cuantificador del desorden de la seal [16]. Powell & Percival introdujeron
en 1979 una definicin de entropa en la que la irregularidad de la seal se
estimaba en trminos de la uniformidad del espectro de potencia
normalizado [16]. De esta manera, un espectro de potencia plano con un
contenido espectral uniforme (p. ej. una seal muy irregular como el ruido
blanco) obtendra una entropa espectral elevada. Por otro lado, un espectro
de potencia estrecho formado por unas pocas componentes espectrales (p. ej.
una seal altamente predecible como una suma de sinusoides) tendra una
entropa espectral baja [17].

5. ANLISIS NO LINEAL DEL EEG

El anlisis del EEG con mtodos no lineales ha mostrado su utilidad a la hora de

realizar comparaciones entre diferentes estados fisiolgicos [18], [19]. Por ello, en esta
prctica aplicaremos algn mtodo de anlisis no lineal al estudio de la actividad base
de los EEG de pacientes con un diagnstico de la EA y a sujetos de control.
Consideraremos los siguientes mtodos de anlisis no lineal en el estudio de las seales
de EEG:

Entropa aproximada. Es una familia de parmetros estadsticos que sirve

para cuantificar la regularidad en series de datos. Fue propuesta por Pincus
en 1991 [20] y se introdujo pensando en aplicaciones con secuencias

6
Procesado de seales biomdicas Curso 2008-2009

ruidosas y pocos datos. Evala los patrones dominantes y subdominantes en

los datos y detecta cambios que no se reflejan en las amplitudes o valores de
pico [21]. Asigna un nmero no negativo a una serie temporal y la obtencin
de valores ms elevados seala una mayor irregularidad en los datos
analizados [22].
Complejidad de Lempel-Ziv. Es una medida de la complejidad no
paramtrica cuyo clculo tiene un bajo coste computacional. Fue introducida
por Lempel y Ziv [23] y no es necesario disponer de un gran nmero de
datos para estimar su valor [24]. Est relacionada con el nmero de
subsecuencias presentes en la serie original, as como con la tasa de
repeticin de las mismas. El anlisis de la complejidad de Lempel-Ziv est
basado en la transformacin de la seal en una secuencia P formada por un
nmero finito de smbolos. Esta secuencia P se examina de izquierda a
derecha, y un contador de complejidad se incrementa en una unidad cada vez
que se encuentra una nueva subsecuencia de caracteres consecutivos. Dicho
contador refleja la tasa de aparicin de nuevos patrones a lo largo de la
secuencia P.
Entropa muestral. Es una familia de parmetros estadsticos recientemente
introducida para cuantificar la irregularidad de una serie temporal [25].
Valores menores de la entropa muestral de una serie temporal estn
asociados a una mayor regularidad en la secuencia analizada.

6. PROGRAMACIN DE LOS MTODOS SELECCIONADOS

Habr que realizar dos programas en Matlab que implementen un mtodo de

anlisis tiempo-frecuencia y otro no lineal, respectivamente. Dichos programas tendrn
como entradas la seal de EEG que se pretenda estudiar, as como los posibles
parmetros del mtodo en cuestin, y como salida el valor concreto de los mtodos
seleccionados. En las referencias [9], [26], [27] aparecen detallados los mtodos de
anlisis tiempo-frecuencia, mientras que las referencias [28][31] contienen las
descripciones de los algoritmos de cada mtodo de anlisis no lineal. Estos artculos
pueden resultar tiles en la programacin de cada uno de los mtodos seleccionados.

7. INFORME DE RESULTADOS

Una vez terminada la prctica de la asignatura ser necesario entregar un

informe de resultados que siga el formato de los artculos del IEEE 1 . Este informe
deber tener la estructura habitual de los artculos cientficos con apartados
Introduccin, Materiales y mtodos, Resultados y Discusin y Conclusiones
y reflejar las razones que han motivado seleccionar los correspondientes mtodos de
anlisis tiempo-frecuencia y no lineal, los resultados obtenidos al procesar la seal de
EEG con ellos, as como las posibles diferencias entre pacientes con la EA y sujetos de
control. Asimismo, ser necesario entregar los archivos .m correspondientes a los
programas de Matlab realizados enviando un correo electrnico a los profesores Daniel
Absolo (danaba@tel.uva.es) y Jess Poza (jespoz@tel.uva.es). La fecha lmite para la
entrega del informe y el envo de los archivos informticos es el 15 de mayo de 2009.

1
La plantilla correspondiente est disponible en la pgina web de la asignatura.

7
Procesado de seales biomdicas Curso 2008-2009

BIBLIOGRAFA
[1] H. H. Jasper, The ten twenty electrode system of the International Federation,
Electroenceph. clin. Neurophysiol., vol. 10, pp. 371-375, 1958.
[2] A. Gil-Nogal, J. Parra, J. Iriarte, and A. M. Kanner, Manual de
electroencefalografa. Mc. Graw-Hill, 2001.
[3] T. D. Bird, Alzheimers disease and other primary dementias, in Harrison's
Principles of Internal Medicine, E. Braunwald, A. S. Fauci, D. L. Kasper, S. L.
Hauser, D. L. Longo, and J. L. Jameson, Eds. New York: The McGraw-Hill
Companies, Inc., 2001, pp. 2391-2399.
[4] R. T. Woods, La enfermedad de Alzheimer. Madrid: Instituto Nacional de
Servicios Sociales, 1991.
[5] A. Harrison, Principios de Medicina Interna. 13th ed. Madrid: McGraw-Hill,
1995.
[6] J. Jeong, EEG dynamics in patients with Alzheimers disease, Clin.
Neurophysiol., vol. 115, pp. 1490-1505, 2004.
[7] S. Blanco, H. Garca, R. Q. Quiroga, L. Romanelli, and O. A. Rosso, Stationarity
of the EEG series, IEEE Eng. Med. Biol., vol. 14(4), pp. 395399, 1995.
[8] O. Rioul, and M. Vetterli, Wavelets and Signal Processing, IEEE Signal
Process. Mag., vol. 8(4), pp. 1438, 2001.
[9] J. Poza, R. Hornero, D. Absolo, A. Fernndez, and M. Garca, Extraction of
spectral based measures from MEG background oscillations in Alzheimers
disease, Med. Eng. Phys., vol. 29(10), pp. 10731083, 2007.
[10] A. Ramalingam and S. Krishnan, Gaussian mixture modeling of Short-Time
Fourier Transform features for audio fingerprinting, IEEE Transactions on Inf.
Forensics Secur., vol. 1(4), pp. 457463, 2006.
[11] N. S. Jayant and P. Noll, Digital coding of waveforms: Principles and applications
to speech and video. Prentice Hall, 1984.
[12] G. J. Kelen, R. Henkin, A. M. Starr, E. B. Caref, D. Bloomfield, and N. el-Sherif,
Spectral turbulence analysis of the signal-averaged electrocardiogram and its
predictive accuracy for inducible sustained monomorphic ventricular tachycardia,
Am. J. Cardiol., vol. 67(11), pp. 965975, 1991.
[13] P. R. B. Barbosa, A. de Souza Bomfim, E. C. Barbosa, P. Ginebra, S. H. Cardoso
Boghossian, C. Destro, and J. Nadal, Spectral turbulence analysis of the signal-
averaged electrocardiogram of the the atrial activation as predictor of recurrence of
idiopathic and persistent atrial fibrillation, Int. J. Cardiol., vol. 107(3), pp. 307
316, 2006.
[14] R. Vzquez, E. B. Caref, F. Torres, M. Reina, J. A. Guerrero, and. N. El-Sherif,
Reproducibility of time-domain and three different frequency-domain techniques
for the analysis of the signal-averaged electrocardiogram, J. Electrocardiol., vol.
33(2), pp. 99105, 2000.
[15] C. E. Shannon, A Mathematical Theory of Communication, Bell System Tech.
J., vol. 27(7/10), pp. 379423,623655, 1948.
[16] G. E. Powell and I. C. Percival, A spectral entropy method for distinguishing
regular and irregular motion of Hamiltonian systems, J. Phys. A Math. Gen., vol.
12(11), 20532071, 1979.
[17] T. Inouye, K. Shinosaki, H. Sakamoto, S. Toi, S. Ukai, A. Iyama, Y. Katsuda, and
M. Hirano, Quantification of EEG irregularity by use of the entropy of the power
spectrum, Electroenceph. Clin. Neurophysiol., vol. 79(3), pp. 204210, 1991.

8
Procesado de seales biomdicas Curso 2008-2009

[18] P. E. Rapp, Chaos in the neurosciences: cautionary tales from the frontier,
Biologist, vol. 40, pp. 89-94, 1993.
[19] C. J. Stam, T. C. A. M. van Woerkon, and W. S. Pritchard, Use of nonlinear EEG
measures to characterize EEG changes during mental activity, Electroenceph.
clin. Neurophysiol., vol. 76, pp. 214-224, 1996.
[20] S. M. Pincus, Approximate entropy as a measure of system complexity, Proc.
Natl. Acad. Sci. USA, vol. 88, pp. 2297-2301, Mar. 1991.
[21] S. M. Pincus and D. L. Keefe, Quantification of hormone pulsatility via an
approximate entropy algorithm, American Journal of Physiology, vol. 262, pp.
E741-E754, 1992.
[22] S. M. Pincus, Assessing serial irregularity and its implications for health, Annals
of the New York Academy of Sciences, vol. 954, pp. 245-267, 2001.
[23] A. Lempel and J. Ziv, On the complexity of finite sequences, IEEE Trans.
Inform. Theory, IT-22, pp.75-81, 1976.
[24] X.-S. Zhang, Y.-S. Zhu, N. V. Thakor, Z.-Z. Wang, Detecting Ventricular
Tachycardia and Fibrillation by Complexity Measure, IEEE Trans. Biomed. Eng.,
vol. 46, pp. 548-555, 1999.
[25] J. S. Richman and J. R. Moorman, Physiological time-series analysis using
approximate entropy and sample entropy, Am. J. Physiol. (Heart Circ. Physiol),
vol. 274, pp. 2039-2049, 2000.
[26] J. Poza, R. Hornero, J. Escudero, A. Fernndez, and C. Gmez, Analysis of
spontaneous MEG activity in Alzheimer's disease using time-frequency
parameters, Proc. 30th Ann. Int. Conf. IEEE Eng. Med. Biol, pp. 57125715,
Vancouver, Canada, 2008.
[27] R. Hornero, J. Escudero, A. Fernndez, J. Poza, and C. Gmez, Spectral and Non-
linear Analyses of MEG Background Activity in Patients with Alzheimers
Disease, IEEE Trans. Biomed. Eng., vol. 55(6), pp. 1658-1665, 2008.
[28] D. Absolo, R. Hornero, P. Espino, J. Poza, C.I. Snchez, and R. de la Rosa,
Analysis of regularity in the EEG background activity of Alzheimer's disease
patients with Approximate Entropy, Clin. Neurophysiol., vol. 116, pp.
18261834, 2005.
[29] D. Absolo, R. Hornero, P. Espino, D. lvarez, and J. Poza, Entropy analysis of
the EEG background activity in Alzheimers disease patients, Physiol. Meas., vol.
27, pp., 2006.
[30] D. Absolo, R. Hornero, C. Gmez, M. Garca, and M. Lpez, Analysis of EEG
background activity in Alzheimers disease patients with Lempel-Ziv complexity
and Central Tendency Measure, Med. Eng. Phys., vol. 28, pp., 2006.