La nota de este mes es muy interesante, es un Estudio comparativo de dos técnicas de procesado de señales de EEG para la discriminación de estados mentales.

1. Introducción

En los últimos años, han cobrado gran importancia los trabajos de investigación encaminados a la realización de interfaces hombre-máquina, especialmente diseñados para la ayuda a personas con discapacidad. Entre los dispositivos y tecnologías más comunes utilizados en este campo, se pueden enumerar los joysticks, ratones de ordenador, la comunicación mediante comandos o frases, el reconocimiento de ciertos tipos de movimientos generados por el usuario (generalmente cabeza o manos), la detección de movimientos de los ojos, mediante la captura y análisis de señales electrooculográficas (EOG), etc. Las características propias de cada uno de estos sistemas posibilitan su utilización por parte de determinados tipos de usuarios.

Una de las posibilidades estudiada en los últimos años, es la utilización de las señales electroencefalográficas para la implementación de la comunicación entre una persona y una máquina. Como puede comprobarse en [1] y [2], actualmente los trabajos de investigación en este área están dirigidos a encontrar los algoritmos de procesamiento y de clasificación de patrones de dichas señales que permitan la obtención de mejores resultados.

En esta línea de investigación se pretende avanzar en la captación y clasificación de señales electroencefalográficas, generadas voluntariamente por el usuario, para traducirlos a comandos muy sencillos y que puedan ser utilizados para el control de máquinas o sistemas que puedan facilitar la vida de personas con graves minusvalías. El objetivo sería establecer un canal de comunicación eficiente entre el hombre y la máquina mediante señales electroencefalográficas, en especial, mediante aquellas señales relacionadas con imágenes motoras, es decir, relacionadas con el intento y la preparación de movimientos, un proceso que, aunque normalmente es no consciente, se puede realizar de forma voluntaria bajo ciertas condiciones. 

2. Desarrollo

2.1. Imaginación motora

En primer lugar es necesario determinar cuál o cuales serán las tareas mentales que se desean reconocer para establecer el canal de comunicación citado anteriormente entre la persona y el ordenador, es decir, qué tareas serán identificadas y traducidas a comandos específicos. En el caso de este estudio se han elegido el reposo y la imaginación de un movimiento como tareas a discriminar.

Basándose en algunos estudios que describen en detalle el procedo de imaginar un movimiento, [3], [4], [5] y [8], se puede decir que la imaginación motora es una parte del fenómeno relativo a la preparación de un movimiento. En otras palabras, imaginar un movimiento genera el mismo proceso mental e incluso físico, a excepción de que el movimiento queda bloqueado. Como se demuestra en los trabajos citados anteriormente, estas afirmaciones se comprueban observando diversos efectos físicos del hecho de estar imaginando un movimiento. En primer lugar durante el tiempo que se realiza la simulación, la excitabilidad de la espina dorsal aumenta, aumentando los reflejos monosinápticos espinales, tal y como lo haría si realmente el movimiento se fuera a ejecutar. Además, la respiración y el pulso se aceleran de forma similar tanto cuando se está pensando en la acción como cuando se está realizando el ejercicio. Por último, incluso la duración de la acción real y su simulación son similares.

Se puede concluir por tanto que la simulación mental de un movimiento puede ser una tarea mental claramente diferenciable del estado de reposo. De hecho, como se comprobará en algunos de los experimentos realizados, para identificar el estado mental en el que se encuentra el sujeto de estudio bastará con tomar aquellas señales obtenidas a partir de los electrodos colocados en las cercanías del área motora del cerebro (lóbulo frontal junto a la fisura central como se muestra en la Figura 1).

Figura 1 Localización del área motora

En el caso del estudio que se describe en este artículo, se ha elegido como acción motora el movimiento que se realiza al cerrar un puño. Se han probado además otras acciones más complejas, como levantarse y dirigirse hacia una puerta, abrirla y salir al exterior, con peores resultados.

Las señales EEG necesarias para el estudio fueron tomadas a partir de un sujeto sano de 35 años. Se pidió a esta persona que se mantuviera relajada con los ojos cerrados y tratando de no pensar en nada a partir de un momento señalado mediante la palabra “empezamos”.

Figura 2 Paradigma experimental

Pasados seis segundos se indica al individuo mediante la palabra “ya” que comience a imaginar la acción motora que se la ha sugerido previamente. Los datos fueron grabados durante los dos primeros segundos de cada fase, y estas pruebas se repitieron convenientemente hasta dar como resultado la grabación de un número suficiente de datos para la experimentación. Las señales fueron muestreadas con una frecuencia de 128Hz, generando por ello en cada experimento dos archivos, reposo y acción, de 256 muestras. El proceso completo se muestra en la Figura 2 .

Como ya se ha comentado anteriormente, se tomaron como relevantes las señales de los electrodos F7, F3, Fz, F4, F8, C3, Cz y C4 de acuerdo con el sistema de posicionamiento de electrodos 10-20 de la Federación Internacional.

2.3. Tratamiento de las señales EEG

Previa a la fase de clasificación de las señales registradas, es necesario extraer de dichas señales la información realmente relevante para la identificación de los estados mentales.

Las señales registradas están constituidas por la superposición de multitud de potenciales individuales de las células nerviosas del cerebro, información relevante, sumados al ruido eléctrico del resto de generadores que existen en el cuerpo (ECG, EMG, artefactos, etc.) y el ruido generado por los propios instrumentos de medida. El EEG, además, en el caso de este estudio, se registra mediante la utilización de electrodos que captan la señal en la superficie externa del cuero cabelludo, y por tanto atenuada por este. Las señales resultantes son extremadamente pequeñas, en torno a los 300mV, y complejas. Es indispensable, como consecuencia, una fase de tratamiento de la señal electroencefalográfica, que extraiga la información realmente relacionada con el estado mental del individuo.

En el presente trabajo, se han utilizado dos técnicas de reciente aparición para este tratamiento:

• Transformada Wavelet

• Análisis de componentes independientes (ICA)

2.3.1. Transformada Wavelet

La transformada wavelet (Ecuación 1), ampliamente descrita en [13], pertenece a una serie de técnicas de análisis de señal denominadas comúnmente análisis multiresolución. Con ello se significa que es capaz de variar la resolución de los parámetros que analiza (escala, concepto relacionado con la frecuencia y tiempo) a lo largo del análisis.

Ecuación 1Transformada Wavelet

Su principal característica es que permite conocer qué frecuencias componen una señal en cada instante con las siguientes resoluciones:

• Para las altas frecuencias consigue una buena resolución en el tiempo que permita su exacta localización  temporal, aún a cambio de perder resolución frecuencial.

• Para las componentes de bajas frecuencias lo más relevante es conocer su frecuencia aún a costa de perder resolución temporal.

El hecho  de poder localizar en el tiempo las componentes frecuenciales de una señal es fundamental cuando la señal es no estacionaria y parte de la información relevante reside en el momento en el que aparece cada componente. Esta es justo la problemática a la que se enfrenta el análisis de la señal EEG.

Esta señal es de baja frecuencia e intrínsecamente no estacionaria. A ella se suman, como ya se ha explicado anteriormente, ruidos, también llamados artefactos, que suelen ser señales de más altas frecuencias, o bien, señales patológicas como focos epilépticos. La gran ventaja del uso de la transformada wavelet reside en que es capaz de localizar con exactitud en el tiempo estas últimas componentes no deseadas, y permite conocer de forma  precisa la frecuencia de las señales de baja frecuencias, que son las que mejor información aportan acerca del estado mental.

De todas las familias de funciones wavelet disponibles, se ha utilizado para la experimentación la biorthogonal 3.9 que se muestra en Figura 3. La elección de la familia delimita drásticamente las posibilidades de éxito de la transformada. Cuanto más parecida sea la función elegida a las componentes que se desean localizar, mejores serán los resultados.

Figura 3 Función wavelet madre

La segunda parte en el Boletín de Agosto.