Notas
Análisis de la señal de electroencefalograma mediante distancias
espectrales para la ayuda en el diagnóstico de la enfermedad de
Alzheimer
Tutores: Jesús Poza Crespo y Roberto Hornero Sánchez
Alumno: Alejandro Bachiller Matarranz
http://emina.tel.uva.es/mediawiki/images/4/44/ResumenTFM_abm.pdf
1. La enfermedad de Alzheimer.
La enfermedad de Alzheimer (EA) es una enfermedad
neurodegenerativa progresiva con alteraciones cognitivas, conductuales y
funcionales [1]. Es la demencia más común en el mundo occidental, ya que representa entre el 50 y el 60% de todas las diagnosticadas [2]. La prevalencia de la EA aumenta con la edad: está en torno al 1% en sujetos de 60 años, pero muestra un crecimiento casi exponencial, llegando a afectar al 30% de los sujetos de 85 años [3]. Debido al aumento de la esperanza de vida en los países occidentales, la EA se está convirtiendo en un gran problema económico y social. De hecho, es la tercera enfermedad en costes sociales y económicos, sólo superada por la cardiopatía isquémica y el cáncer [4].
Sólo en España se estima que existen cerca de 850.000 personas están afectadas de EA y se manifiestan más de 100.000 nuevos enfermos
al
año.
Asimismo,
si
se
tiene
en
cuenta
el
envejecimiento
de
la
población
y,
por
lo
tanto,
el
futuro
incremento
de
personas
mayores
de
80
años,
se
prevé
que
el
número
de
enfermos
se
duplique
en
2020
y
triplique
en
2050
[5].
Esta
enfermedad
destruye
gradualmente
las
células
cerebrales,
lo
que
provoca
un
deterioro
progresivo
de
las
funciones
mentales
del
paciente.
En
el
cerebro
de
los
enfermos
aparecen
fundamentalmente
dos
tipos
de
lesiones:
las
placas
seniles
y
los
ovillos neurofibrilares.
Aunque
su
importancia
exacta
está
todavía
siendo
investigada,
el
número
de
placas
y
ovillos
presentes
en
el
cerebro
suele
estar
relacionado
con
la
gravedad
de
la
demencia.
La
mayor
densidad
de
estas
lesiones
suele
observarse,
especialmente,
en
las
áreas
corticales
responsables
de
la
memoria
y
el
aprendizaje
[2].
La
duración
media
de
la
EA,
desde
su
desencadenamiento
hasta
la
muerte
del
paciente,
es
de
unos
8
años
[6].
A
pesar
de
la
importancia
social
de
esta
demencia,
sus
causas
aún
siguen
siendo
desconocidas.
Actualmente,
sólo
puede
diagnosticarse
de
forma
definitiva
mediante necropsia
tras
la
muerte
del
paciente.
2.
Electroencefalografía
(EEG).
El
cerebro
es
la
parte
más
evolucionada
del
encéfalo.
Está
formado
por
un
elevado
número
de
neuronas
interrelacionadas
entre
sí.
El
flujo
de
información
a
través
de
las
neuronas
provoca
una
actividad
eléctrica
que
produce
una
serie
de
campos
eléctricos
y,
por
lo
tanto,
diferencias
de
potencial
que
se
pueden
registrar
desde
el
exterior
del
cerebro.
El
EEG
consiste
en
el
registro
de
la
actividad
eléctrica
de
las
neuronas
del
encéfalo
a
través
de
electrodos
situados
en
el
cuero
cabelludo
o
en
la
base
del
cráneo
[7].
El
análisis
de
los
campos
eléctricos
de
la
actividad
cerebral
puede
entonces
aportar
información
útil
para
estudiar
los
cambios
que
esta
técnica
genera
en
el
cerebro
de
los
pacientes
con
EA.
En
el
análisis
tradicional
del EEG
suelen
emplearse
técnicas
de
reconocimiento
de
formas
que
se
basan
en
la
frecuencia,
amplitud,
formas
de
onda,
asimetrías
espaciales,
combinación
temporal
y
espacial,
etc.
[8].
Esta
labor
resulta
sumamente
complicada,
ya
que
los
registros
EEG
no
son
estacionarios
y
varían
considerablemente
de
un
sujeto
a
otro.
Uno
de
los
mayores
problemas
es
que,
en
muchas
ocasiones,
el
diagnóstico
depende
en
gran
medida
del
especialista
que
analice
la
señal
[8].
En
este
trabajo
fin
de
master,
se
pretende
realizar
un
análisis
mucho
más
específico
que
permita
superar
las
limitaciones
humanas
en
la
interpretación
de
estas
señales,
extrayendo
información
relevante
y
que
comúnmente
se
encuentra
enmascarada
por
la
contaminación
del
ruido
[8].
3. Antecedentes.
Desde
comienzos
de
los
años
80,
múltiples
estudios
han
demostrado
que
la
EA
provoca
alteraciones
en
el
espectro
del
EEG
[9].
Dichas
alteraciones
producen
una
lentificación
de
la
actividad
basal
de
estas
señales
[9],
que
puede
medirse
mediante
la
utilización
de
diversos
parámetros
espectrales.
El
presente
trabajo
se
engloba
dentro
del
grupo
de
investigación
de
ingeniería
biomédica
(GIB),
que
presenta
una
amplia
experiencia
en
la
aplicación
de
técnicas
espectrales,
tanto
a
señales
EEG
como
a
magnetoencefalogramas
(MEG)
[10--‐16].
Por
ejemplo
se
han
evaluado
parámetros
como
las
potencias
relativas,
los
ratios
de
potencia
o
una
serie
de
frecuencias
características.
A
modo
de
resumen,
todos
estos
estudios
confirman
la
hipótesis
que
la
EA
afectan
al
espectro
de
la
actividad
electromagnética
cerebral.
Por
otro
lado,
el GIB
también
ha
obtenido
interesantes
resultados
al
analizar
la
actividad
electromagnética
cerebral
en
la
EA
con
métodos
no
lineales
[9].
Los
estudios
realizados
han
mostrado
una
disminución
en
la
complejidad
e
irregularidad
del
EEG
y
MEG
en
la
EA,
acompañada
de
un
menor
grado
de
conectividad
entre
regiones
cerebrales
[9,17].
4. Ambito del trabajo fin de master.
El
trabajo
fin
de
master
se
va
a
centrar
en
la
investigación
y
la
implementación
de
distancias
espectrales
que
complementen
los
resultados
obtenidos
por
el
GIB
en
estudios
anteriores.
A
través
de
las
distancias
se
puede
obtener
una
medida
de
la
regularidad
y
el
equilibrio
de
un
espectro
de
frecuencia.
Para
ello
se
va
a
comparar
la
señal
obtenida
para
cada
uno
de
los
canales
de
registro
con
la
distribución
uniforme
de
probabilidad.
El
resultado
de
la
aplicación
de
las
distancias
espectrales
es
una
caracterización,
a
través
de
parámetros
espectrales,
de
la
regularidad
de
la
actividad
cerebral,
un
aspecto
cuantificado
típicamente
mediante
un
análisis
no
lineal.
5. Señales de trabajo.
Para
la
realización
del
trabajo
fin
de
master
se
cuenta
con
una
base
de
datos
de
registros
de
EEG
de
la
actividad
basal
de
pacientes
con
EA
y
sujetos
de
control
(32
y
25
respectivamente).
Estos
registros
han
sido
obtenidos
en
el
Hospital
Pío
del
Río
Hortega
con
encefalografo
de
19
canales
y
a
una
frecuencia
de
200
Hz.
Además
se
cuenta
con
otra
base
de
datos
de
7
pacientes
con
EA
a
los
cuales
se
les
han
realizado
3
sesiones
de
registro
longitudinalmente
durante
la
realización
de
una
terapia
no farmacologica,
la
musicoterapia.
El
trabajo
con
ambas
bases
de
datos
será
distinto.
En
la
primera
se
tratará
de
optimizar
la
clasificación
diagnostica,
mientras
que
en
la
segunda
se
tratará
de
estudiar
la
evolución
de
la
actividad
cerebral
a
lo
largo
de
la
realización
de
la musicoterapia.
6. Herramientas auxiliares.
Para
completar
el
trabajo
realizado,
se
podrán
comparar
los
resultados
obtenidos
entre
las
distancias
espectrales
implementadas
y
otros
parámetros
espectrales
y
no
lineales.
Para
ello
se
podrá
hacer
uso
de
alguna
de
las
herramientas
estuiadas
en
las
asignaturas
del
master,
como
pueden
ser
los
algorítmos
genéticos,
redes
neuronales
artificiales,
selección
de
componentes
principales
o
modeloes
de
regresión
logística.
7. Referencias.
[1] J.L. Cummings, ‘Alzheimer’s disease’, New England Journal of
Medicine, vol. 351, pp.
56–67,
2004.
[2] K. Blennow, M.J. de Leon & H. Zetterberg, ‘Alzheimer’s
disease’, The Lancet, vol. 368(9533), pp.
387–403, 2006.
[3] C.P. Ferri, M. Prince, C. Brayne, H. Brodaty, L. Fratiglioni,
M. Ganguli, K. Hall, K. Hasegawa, H.
Hendrie & Y. Huang, ‘Global prevalence of dementia: a Delphi
consensus study’, The Lancet, vol.
366(9503), pp. 2112−2117,
2005.
[4] Llibre, JJ & Guerra, MA 1999, ‘Enfermedad de Alzheimer.
Situación actual y estrategias
terapéuticas’, Revista Cubana de Medicina, vol. 38, n.º 2, pp.
134–142.
[5] Fundación Alzheimer España. http://www.alzfae.org/. Último
acceso: 24 de Febrero de 2012.
[6] L.L. Barclay, A. Zemcow & J.P. Sansone, ‘Survival in
Alzheimer’s disease and vascular
dementias’, Neurology, vol. 35(6), pp. 834−840,
1985.
[7] J.D. Bronzino, The Biomedical Engineering Handbook, 3ª edn.
CRC Press, Boca Raton, 2006.
[8] J. Martí, ‘Medidas en el sistema nervioso y muscular’, en J
Mompín (ed.), Introducción a la
Bioingeniería, Marcombo Boixareu, Barcelona, pp. 103–116, 1988.
[9] J. Jeong, 'EEG dynamics in patients with Alzheimer’s disease,’
Clinical Neurophysiology, vol.
115, no. 7, pp. 1490–1505, 2004.
[10] R. Hornero, J. Escudero, A. Fernández, J. Poza, C. Gómez, "Spectral
and non-linear analyses of
MEG background activity in patients with Alzheimer’s disease,”
IEEE Transactions on
Biomedical Engineering, vol. 55, no. 6, pp. 1658-1665, 2008.
[11] D. Abásolo, R. Hornero, P. Espino, D. Álvarez, J. Poza, "Entropy
analysis of the EEG background
activity in Alzheimer’s disease patients," Physiological
Measurement, vol. 27, no. 3, pp. 241-253,
2006.
[12] A. Fernández, R. Hornero, A. Mayo, J. Poza, P. Gil-Gregorio
& T. Ortiz, ‘MEG spectral profile in
Alzheimer’s disease and mild cognitive impairment’, Clinical
Neurophysiology, vol. 117(2), pp
306−314,
2006.
[13] A. Fernández, R. Hornero, A. Mayo, J. Poza, F. Maestú & T.
Ortiz, ‘Quantitative
magnetoencephalography of spontaneous brain activity in
Alzheimer disease: an exhaustive
frequency analysis’, Alzheimer Disease and Associated Disorders,
vol. 20(3), pp 153−159,
2006.
[14] J. Poza, R. Hornero, D. Abásolo, A. Fernández & M. García,
‘Extraction of spectral based
measures from MEG background oscillations in Alzheimer’s disease’,
Medical Engineering and
Physics, vol. 29(10), pp. 1073–1083, 2007.
[15] J. Poza, R. Hornero, D. Abásolo, A. Fernández & A. Mayo,
‘Evaluation of spectral ratio measures
from spontaneous MEG recordings in patients with Alzheimer’s
disease’, Computers Methods and
Programs in Biomedicine, vol. 90(2), pp. 137–147, 2008.
[16] J. Poza, R. Hornero, J. Escudero, A. Fernández & C.I.
Sánchez, ‘Regional analysis of spontaneous
MEG rhythms in patients with Alzheimer’s disease using spectral
entropies’, Annals of
Biomedical Engineering, vol. 36(1), pp. 141–152, 2008.
[17] C. J. Stam, ‘Nonlinear dynamical analysis of EEG and MEG:
Review of an emerging field,’ Clinical Neurophysiology, vol. 116, no. 10, pp. 2266–2301, 2005.
|