Universitatea de Medicină și Farmacie Grigore T.

Popa
Facultatea de Bioinginerie Medicala

Modelarea și simularea matematica a undelor EEG

Pisica Andreea Madalina

Anul 2 , Grup 5
9 Septembrie 2020
1. Introducere. Morfologia și fiziologia neuronilor:

Părțile componente de bază ale Sistemului Nervos Central sunt celulele nervoase (neuronii) și celulele
gliale, situate între neuroni. Fiecare celulă nervoasă este formata dintr-un axon, dendrite și corpul
celular. Celulele nervoase transmit informații prin corp sub formă de impulsuri electrice. Axonul
acționează ca și cale care conduce impulsul electric, în timp ce dendritele, conectate, fie cu alți axoni,
fie cu alte dendrite, distribuie impulsul către alte celule nervoase . În celulă nervoasă pot apărea
diferite impulsuri electrice. Când un potențial de acțiune stimulează sinapsele excitatorii, este produs
un potențial postsinaptic excitator . Potențialul postsinaptic inhibitor, care indică o hiperpolarizare,
este produs când o sinapsa inhibitorie este stimulată de un potențialului de acțiune , sunt generate în
celulele nervoase ulterioare, de curentul postsinaptic După ce are loc depolarizarea , se produce un
potențial de-a lungul celulei nervoase, datorită diferenței de concentrație de cationi (ioni cu sarcina
pozitivă) sau anioni (ioni cu sarcina negativă) dintre exteriorul și interiorul celulei nervoase. Curenții
transmembranari primari, generează curenți intracelulari care sunt responsabili de generarea
potențialului de câmp.Informația transferată prin celulele nervoase este sub forma potențialului de
acțiune. Un potențial de acțiune este generat de schimbul de ioni care difuzeaza prin membrana
neuronului, creând astfel o schimbare temporară a potențialului de membrană. Schimbul de ioni este
cauzat de un potențial postsinaptic, care trebuie să depășească un potențial de prag pentru a iniția un
potențial de acțiune . Pentru a depăși pragul, mai mulți neuroni presinaptici trebuie să producă în
același timp un potențial postsinaptic . În timpul schimbului de ioni, potențialul de membrană de
polarizează rapid, crescând în polaritate pozitivă și creând un vârf. Pentru a readuce potențialul de
membrană la echilibru, acesta polarizează, revenind la potențialul de membrană original, denumit
potențial de membrana, de repaus, prezintă vârful AP produs când este stimulat un neuron. Ionii
predominanți, implicați în vârful potențialul de acțiune sunt Na+ și K+. Când neuronul este stimulat,
are loc depolarizarea rapidă, iar canalele cu barieră voltaică de Na+ se deschid și permit Na+ să
difuzeze în membrana celulei neuronale, crescandu-i potențialul. Dacă acest potențial atinge pragul de
-55 mV, atunci se deschid mai multe canale cu barieră voltaică de Na+ și permit unei cantități mai
mari de Na+ să difuzeze, producând creșterea potențialului de membrană la +30 mV. Înainte de a
atinge vârful, canalele cu barieră voltaică de Na+ devin inactive, iar Na+ încetează să se difuzeze.
Canalele cu barieră voltaică de K+ se deschid și K+ începe să se difuzeze în afara celulei membranei,
astfel scăzând potențialul de membrană. Acest proces este cunoscut sub denumirea de repolarizare.
Canalele cu barieră voltaică de Na+ devin din nou active și Na+ începe să difuzeze din nou, astfel că
echilibrul (potențialul de membrană, de repaus) poate fi atins. În timpul procesului de atingere a
echilibrului, repolarizarea depășește potențialul de repaus .Acest fenomen este denumit
hiperpolarizare. Hiperpolarizarea este o măsură de siguranță care face ca neuronul să nu primească alți
stimuli, ce pot cauza alte AP în direcția opusă. După hiperpolarizare, potențialul de membrană revine
la nivelul său de repaus (-70 mV). Întregul proces, inclusiv perioada de recuperare, înainte ca un alt
potențial de actiune să fie generat, durează 8ms .

Modele neuronale : FitzHugh Nagumo Model:

 ● Potential de membrana:
dv v3
dt
=v− 3
−w+I
● Variabilitatea activitati K:
dw
dt
= τ1 (v + a − bw) .

2.Modelul Hodgkin-Huxley (HH) :

Modelele neuronilor biologici descriu

cantitativ potentialul de actiune.

C du 3h 4
dt = − [gN am (u − E N a) + g kn (u − E k) + g L(u − E L)] + I (t);
dm
dt = αm(u)(1 − m) − β m(u)m ;
dn
dt = αn(u)(1 − n) − β n(u)n;
dh
dt = αh(u)(1 − h) − β h(u)h ;
Neuronii din creier produc potențialul de acțiune care contribuie la generarea activității
neurale înregistrate de EEG. Există 1010 până la 1011 neuroni în creier și însumarea
activității lor este cea care produce activitatea neurală . În timpul excitației a zeci de mii de
neuroni piramidali, este generat un flux de curent care produce, la rândul lui, dipoli electrici
între corpul neuronului și dendrite.

Dinamica activității cerebrale stimulate​ :

Activitatea electrică neuronală conţine o bandă largă
de frecvenţă, astfel încât biosemnalele cerebrale
monitorizate sunt filtrate pentru a li se elimina
zgomotul și pentru a fi extrasă informaţia relevantă. În final această informaţie este decodificată şi
transformată în comenzi pentru aparat, prin control sincron, sau mai eficient, prin control auto ajustat
sau asincron, pentru a detecta dacă utilizatorul intenţionează ceva sau nu. Pentru unele sarcini
electrice specifice, biosemnalul cerebral brut serveşte ca stimul, precum şi ca feedback de control
pentru interfaţă. Fiind semnăturile activităţilor neurale, biosemnalele EEG pot fi captate de aparate
EEG cu electrozi multipli, din interiorul creierului, de pe cortexul cerebral sau din anumite locaţii de
pe scalp şi pot fi înregistrate sub diverse forme. Biosemnalele sunt în mod normal prezentate în
domeniul timp, dar multe aparate EEG . Până în prezent au fost dezvoltaţi mai mulţi algoritmi pentru
procesarea biosemnalelor EEG. Operaţiile includ, dar nu sunt limitate la acestea, metode ca analiza
domeniu timp, analiza domeniu frecvență, analiza domeniul spațial, şi procesarea multimodală. De
asemenea, au fost dezvoltaţi câţiva algoritmi pentru vizualizarea activităţii cerebrale din imagini
reconstruite doar de către EEG. În tehnica EEG care implică o dinamică înaltă a activității corticale se
folosesc de regulă două tipuri de sisteme: cele bazate pe sarcini endogene şi cele bazate pe sarcini
exogene . Sistemele cu sarcini endogene, care sunt bazate pe activitate spontană, folosesc semnale
cerebrale care nu depind de stimulii externi şi care pot fi influenţaţi de concentrarea asupra unei
sarcini mentale specifice. Pentru a obţine un sistem de recunoaştere eficientă a sarcinii, sunt în
general, realizate câteva încercări de concentrare a omului. Limitarea concentrării este o sarcină
mentală obositoare în special pentru subiecţii cu dizabilităţi, care pot avea dificultăţi în achiziţia
controlului voluntar asupra activităţii lor cerebrale şi trebuie redusă pentru a obţine un sistem de
recunoaştere a sarcinii, eficient. Sistemele cu sarcină exogenă, care sunt bazate pe activitatea evocată,
folosesc semnale cerebrale care depind de stimuli externi. Deosebit de interesante sunt sistemele
bazate fie pe potențialul evocat sau pe potenţiale evocate vizuale de stare constantă. Avantajele
acestor potenţiale constau în faptul că sunt relativ bine înţelese din punct de vedere neurofiziologic şi
că ele pot fi evocate cu robusteţe de diferiţi subiecţi. Mai mult, antrenamentul de feedback nu este
necesar la aceste sisteme, căci aceste potenţiale apar „automat” indiferent dacă subiecţii se
concentrează asupra unui singur stimul sau a mai multor stimuli prezentaţi în ordine aleatoare . În
timpul fazei de achiziție a datelor, activitatea neuronală a persoanei este obținută prin metode invazive
sau noninvazive, care folosesc electrozi. Activitatea neurală înregistrată este eșantionată la o rată de
eșantionare aleasă, fiind apoi amplificată, folosind echipamente specializate. Datele obținute din
achiziția biosemnalului sunt contaminate de artefacte și din acest motiv ele trebuie procesate pentru a
evidenția proporția semnal zgomot. Acest lucru asigură calitatea EEG la standard înalt, pentru
clasificarea sarcinilor mentale. După ce a fost îmbunătățită proporția semnal zgomot, caracteristicile
precum filtrarea spațială, măsurarea amplitudinii voltajului și analiza spectrală, sunt extrase din datele
care codifica mesajul său comanda subiecților. Aceste caracteristici pot fi în domeniul timp (de
exemplu amplitudinile potențialului ecou) și/sau domeniul frecvență (de exemplu amplitudinile
ritmurilor ) . Atât activitatea senzorio-motorie prin modificările ritmurilor cerebrale (, β şi γ),
potențialele legate de mișcare , cât și potențialele corticale lente , potențialul evocat , potențialul
evocat vizual sau răspunsul la sarcini mentale, descriu partea cea mai dinamică a activității cerebrale,
exprimată cu mare fidelitate prin analiza de tip EEG.

Modelul local EEG:

În general aceste modele sunt liniare. Cel mai simplu model este format dintr-un set de neuroni
simulați, celule talamocorticale de tip releu și interneuroni, acesta încorporând datele fiziologice și
histologice, model care a furnizat un set de ecuații capabile să descrie activitatea generală (nu în mod
specific EGG-ul) într-un complex de neuroni excitatori și inhibitori cu un număr mare de
interconexiuni. Deși modelul este analog în natură, toate blocurile sunt implementate într-o formă
discretă. Acest model poate lua în considerare caracteristicile majore ale unui model distribuit, fiind
ușor de a investigat rezultatul modificării gamei de influențe excitatorii și inhibitorii ale celulelor
talamocorticale de tip releu și inter neuronilor. În cadrul LEM se presupune că ritmurile EEG sunt
generate de populații neuronale distincte, care posedă proprietăți selective de frecvență. Aceste
populații sunt formate prin interconectarea neuronilor individuali și se presupune a fi conduse de un
input aleator. Caracteristicile modelului, cum ar fi interconectivitatea neurală, răspunsul puls al
sinapse și pragul de excitație, sunt prezentate prin parametrii LEM. Schimbările la acești parametri
produc ritmurile EEG
relevante.
Neuronii talamocorticali de
tip releu sunt reprezentați
prin două sisteme liniare
prezentând răspunsuri la
impuls excitator he(t), pe
ramura superioară și
potențialul postsinaptic
inhibitor, reprezentat de
hi(t).
Neliniaritatea acestui sistem
este descrisă de fe(v),
reprezentând procesul generator de țintă. Funcția fe(v) se poate modifica pentru a genera semnalele
EEG pentru anomalii diferite ale creierului. Activitatea interneuronală este reprezentată de un alt filtru
liniar he(t) în ramura inferioară, care, în general, poate fi diferit de primul sistem liniar și o funcție
liniară fi(v). C e si Ci reprezintă numărul de celule inter-neuronale, respectiv, neuronii talamocorticali.
Numărul mediu de intrări la un neuron inhibitor, de la neuronii excitator, este desemnat de C e și
numărul mediu , corespunzător de neuroni inhibitori, pentru fiecare neuron excitator, este C i . Input-ul
p(t) se presupune că rezultă din însumarea unei serii distribuite aleatoriu de potențiale care conduc
celulele excitator ale circuitului, producând semnalul de fond EEG în derulare. Astfel de semnale
provenite din alte surse mai profunde ale creierului la nivelul trunchiului cerebral și talamusului,
constituie o parte a acțiunii sau activării spontane a sistemului nervos central (SNC).
Expresia matematică:
he(t) = A[e−a1t − e−a2t ]
hi(t) = B [e−b1t − e−b2t ]
-unde he si hi potențiale postsinaptice.
-A, B, ak si bk sunt parametri constanți care controlează undele pulsului.

Ecuațiile liniei de transmisie RC :

1.Segmentul omogen este caracterizat de:
C επD
-Capacitatea liniara c = L = t
R 4
-Rezistenta liniara r = L = (σcπD2)
G σmπD
-Curentul liniar a membrana g = L = t
JiπDL
-Curentul liniar imprimat de membrana j = L = σ mEiπD
-unde r=6MOhm , c=2pF, g=1/290 , j=0
i(x) = i(x + Δx) + g · Δx · V (x) − j (x) · Δx + c · Δx
dV (x) ∂i ∂V
⇒ dt
⇒ ∂x
= g · V (x, t) + c · ∂t
− j (x)
∂V (x) ∂i ∂V
V (x) − V (x + Δx) = r · Δx · i(x + Δx) ⇒ ∂x
⇒ ∂x = g · V (x, t) + c · ∂t
− j (x)
∂V
V (x) − V (x + Δx) = r · Δx · i(x · Δx) ⇒ ∂x = r · i(x, t)
1 ∂2 V
⇒ r ∂x2
= g · V (x, t) + c · ∂V
∂t
− j (x)
2 ∂2 V j(x)
⇔ λ ∂x2 = V (x, t) + τ ∂V ∂t
− g
c 1
- τ = g = 0.6γs , λ = √r·g = 223γm

Soluția prin transformată Laplace:

d2 V
dx2
= r(g + sc) · V (x, s) − rc · V o
c·V o
⇒ V (x, s) = (g+sc) + C 1sh(λx) + C 2sh(λ(x − L);
λ = √r(g + sc) ;
-verificare:
1 Vo
C 1sh(λx) + C 2sh(λ(x − L)) = r(g+sc) (r(g + sc)V (x, s) − rc · V o) V (x, s) − s+g
c
Vo Vo
x = 0 ⇒ V (0, s) = g+s+g − C 2sh(λL)) = E (s) = L(e(t)) ⇒ C 2 = (− E (s) + (s+g/c) )/sh(λL)
c
dV
x=L⇒ dt = C 1λch(λx) + C 2λch(λ(x − L)) = C 1λch(λL) + C 2λ = 0 ⇒ C 1 = − C 2/ch(λL)
Vo
−E(s) (s+g/c)
Vo 1
V (x, s) = (g+s+g/c)
+ sh(λL)
(− ch(λL) sh(λx) + sh(λ(x − L))) ⇒
E(s)
V (L, s) = Vo
(s+g/c)
1
+ ch(λL) Vo
(E(s) − (g+s+s/c) ) = ch(λL) + V o(1−1/ch(λL))
(s+g/c)

t → 0 ⇒ s → ∞; λ → ∞; V (x, t) → V o
Vo
t → ∞ ⇒ s → 0; λ → √rg; V (x, t) →
ch(L√rg)
Vo 1 1
e(t) = V o + V m(e−t/τ 1+ e−t/τ 2 ) ⇒ E (s) = s + V m( s+1/τ 1 − s+1/τ 2 )

EEG-electroencefalografia:

Parametrii EEG :
Preluarea automata a semnalelor de tip EEG , din punct de vedere informational EEG este determinat
de parametrii temporali, amplitudine , frecventa si statistici .
Parametrii temporali urmareste intersectiile cu o axa si extremele amplitudini , raportate la unitatea de
timp . Valorile diferite de 0 ale acestui parametru indica prezenta unui evenimente monofazice in
EEG.
Parametrii statistici de amplitudine se determina in functie de densitate de probabilitate care se
calculeaza media , mediana (valoarea mijlocie a domeniului variabil x).
Parametrii de frecventa - frecventa care se bazeaza pe spectre de amplitudine furnizata cat si de
spectrele de putere . Densitatea spectrala este distributia puteri in banda B a semnalui X(t).
T
P (f o, B ) = lim T1 ∫ |x(t)|2 dt ;
0
dP (f )
S (f o)dt = ( df )dt
Se extrage din memorie functia de autocorelatie si se inmulteste cu functii de pondere , pentru
semnalele cu spectru mai larg . Memorile cu sin si cos implementeaza functia exponentiala .La iesire
blocului de preluarea a semnalului se fa furniza partile reale si imaginara .
Cod Matalb:

clear ​all​;

close ​all​;

t = 0:0.01:1;

x1 = cos(2*pi*4*t);

x2 = cos(2*pi*20*t);

x3 = cos(2*pi*40*t);

x4 = x1 + x2 + x3;

f1 = 2;

f2 = 20;

f3= 40;

T1 = 1/f1;

T2 = 1/f2;

T3 = 1/f3;

figure;

subplot(2,2,1),

plot(t,x1);

xlabel(​'Time (s)'​);

ylabel(​'Amplitude'​);

title(​'EEG '​);

subplot(2,2,2);

plot(t,x2);

xlabel(​'Time (s)'​);

ylabel(​'Amplitude'​);

title(​'EEG '​);

subplot(2,2,3);

plot(t,x3);

xlabel(​'Time (s)'​);
ylabel(​'Amplitude'​);

title(​'EEG) '​);

subplot(2,2,4);

plot(t,x4);

xlabel(​'Time (s)'​);

ylabel(​'Amplitude'​);title(​'EEG '​);

x5 = [x1 x2 x3] ;

figure;

plot(x5);

xlabel(​'Time (s)'​);

ylabel(​'Amplitude'​);

title(​'EEG < x1, x2, x3 '​);

fN1=f1/2;

fN2 = f2/2;

fN3= f3/2;

fs = 50;

figure;

plot(x5);

xlabel(​'Time (s)'​);

ylabel(​'EEG x1, x2, and x3 '​);

fN1=f1/2;

fN2 = f2/2;

fN3= f3/2;

fs = 40;

NFFT_x1 = 2 ^ nextpow2(length(x1));

Y_x1 = fft(x1, NFFT_x1)/length(x1);

f_x1 = (fs/2 * linspace(0,1,NFFT_x1/2+1))';

amp_x1 =( 2 * abs(Y_x1(1: NFFT_x1/2+1)));

NFFT_x2 = 2 ^ nextpow2(length(x2));

Y_x2 = fft(x2, NFFT_x1)/length(x2);

f_x2 = (fs/2 * linspace(0,1,NFFT_x2/2+1))';

amp_x2 =( 2 * abs(Y_x2(1: NFFT_x2/2+1)));

NFFT_x3 = 2 ^ nextpow2(length(x3));

Y_x3 = fft(x3, NFFT_x3)/length(x3);

f_x3 = (fs/2 * linspace(0,1,NFFT_x3/2+1))';

amp_x3 =( 2 * abs(Y_x3(1: NFFT_x3/2+1)));

NFFT_x4 = 2 ^ nextpow2(length(x4));

Y_x4 = fft(x4, NFFT_x4)/length(x4);

f_x4 = (fs/2 * linspace(0,1,NFFT_x4/2+1))';

amp_x4 =( 2 * abs(Y_x3(1: NFFT_x4/2+1)));

NFFT_x5 = 2 ^ nextpow2(length(x5));

Y_x5 = fft(x5, NFFT_x5)/length(x5);

f_x5 = (fs/2 * linspace(0,1,NFFT_x5/2+1))';

amp_x5 =( 2 * abs(Y_x5(1: NFFT_x5/2+1)));

figure;

subplot(3,2,1), plot (f_x1, amp_x1); title (​'EEG x1 =

cos(2*pi*4*t)'​); xlabel (​'frequency (Hz)'​); ylabel (​'|y(f)|'​);grid
on​;

subplot(3,2,2), plot (f_x2, amp_x2); title (​'EEG x2 =

cos(2*pi*20*t)'​); xlabel (​'frequency (Hz)'​); ylabel (​'|y(f)|'​);grid
on​;

subplot(3,2,3), plot (f_x3, amp_x3); title (​'EEG x3 =

cos(2*pi*40*t)'​); xlabel (​'frequency (Hz)'​); ylabel (​'|y(f)|'​);grid
on​;

subplot(2,2,4),plot (f_x4, amp_x4); title (​'EEG x4 = x1+x2+x3 '​);

xlabel (​'frequency (Hz)'​); ylabel (​'|y(f)|'​);grid ​on​;

figure;

subplot (211); plot(x5); xlabel(​'Time (s)'​), ylabel(​'Amplitude'​),

title(​' EEG x1, x2, and x3 '​);

subplot (212); plot (f_x5, amp_x5); title (​'EEG x1, x2, and x3 '​);
xlabel (​'frequency (Hz)'​); ylabel (​'|y(f)|'​);

grid ​on​;
Blibiografie;
1. Analysis and Classfication of EEG Signals for Brain-Computer Interfaces / Autor : Szczepan
Paszkiel / Editura Springer.
2. Anatomie si Fiziologie Omului - Compediu / Autori: Cezar TH.Niculescu , Radu Carmaciuc ,
Bogdan Voiculescu , Carmen Salavastru , Cristina Nita , Catalina Ciornei / Editura -Corint
3. https://www.frontiersin.org/articles/10.3389/fninf.2018.00010/full
4. https://acad.ro/sectii2002/proceedings/doc1_2004/09_timotin.pdf
5. http://www.physiologyweb.com/lecture_notes/neuronal_action_potential/neuronal_action
_potential_frequency_coding_in_the_nervous_system.html
6. http://virtualrat.org/sites/default/files/downloads/Hodgkin%20Huxley%20Action
%20Potential%20Model_0.pdf
7. https://en.wikipedia.org/wiki/FitzHugh%E2%80%93Nagumo_model
8. http://www.acad.ro/sectii2002/proceedings/doc1_2004/09_timotin.pdf