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

2.3.2 Análisis de componentes independientes (ICA)

El análisis de componentes independientes, en adelante ICA, fue presentado en 1986 por Jeanny Herault y Christian Jutten en Utah como una red neuronal basada en la ley de aprendizaje de Hebb capaz de realizar una separación ciega de señales. En concreto, este algoritmo trata de separar un número determinado de señales estadísticamente independientes a partir un número idéntico de señales de entrada que son suma lineal de las primeras.

La primera aplicación inmediata de ICA, es la eliminación de artefactos. Se trata de separar estas últimas señales no deseadas pudiendo realizar la clasificación únicamente sobre las señales originales resultado de la actividad neuronal.

La restricción en el uso de esta técnica está, como se describe detalladamente en [7] y [11], en sus condiciones de aplicación. Éstas, para un caso general, son:

• Las fuentes, es decir, las señales originales que se mezclan y que ICA deberá recuperar posteriormente, deben ser linealmente independientes

• El retardo de propagación a través del medio en el que se mezclan las señales tiene que ser despreciable

• Las señales originales deben ser analógicas y su función de distribución de probabilidad no puede ser gaussiana.

• El número de componentes independientes es el mismo que el de señales originales

Es razonable suponer que las tres primeras condiciones del apartado anterior se cumplen en el caso de cerebro y las señales electroencefalográficas. No se puede decir lo mismo, sin embargo, de la cuarta condición, puesto que nunca se sabrá cuantas componentes independientes se están mezclando en el cerebro y, por tanto, cuántas señales (es decir, electrodos) se dar como entrada al algoritmo. Este problema fuerza el ajuste del número de electrodos de entrada en función de los resultados, tratando de buscar aquel número de electrodos que mejor resultados produzca.

2.4. Clasificación de las señales

Definido el experimento, recogidas las señales y preprocesadas convenientemente, el último paso es la implementación de un clasificador que pueda decidir a qué estado mental corresponde cada una de las señales. Para este fin, puede comprobarse que el método más utilizado en la actualidad se basa en las redes neuronales [12].

En este estudio, la clasificación se ha realizado mediante una red neuronal Learning Vector Quantification (LVQ), descrita en [6], [9] y [10]. El esquema general de esta red se muestra en la figura:

Figura 4 Esquema de la red neural

La capa competitiva realiza una primera clasificación de los vectores de entrada en una serie de clases propias. La segunda capa, ajusta esas clases a las clases buscadas en la aplicación

Los archivos obtenidos en la fase anterior de tratamiento de la señal se dividen en dos grupos para el entrenamiento de esta red y la posterior simulación.

2.5. Resultados

A continuación se muestran los resultados más relevantes de los experimentos descritos.

2.5.1 Transformada wavelet

En primer lugar se presentan los resultados obtenidos mediante la utilización de la transformada wavelet. La red neuronal se ha configurado con 5000 ciclos, 10 neuronas,  y velocidad 0,05, y se ha utilizado la wavelet biorthogonal 3.9. Como se puede comprobar en la Tabla 1, los resultados alcanzan hasta un 80% de acierto en la clasificación. Se comprobó además durante la experimentación que el entrenamiento del individuo, su concentración y cansancio y la dificultad de la ares mental requerida son parámetros altamente influyentes en los resultados.

Tabla 1 Resutados de la transformada wavelet

2.5.2 ICA

En segundo lugar se presentan los resultados relativos al algoritmo de análisis de componentes independientes. En este caso, se muestran además distintas pruebas realizadas con distintas configuraciones de la red neuronal.

Tabla 2 Resultados iniciales

Como se puede observar en la Tabla 2, los mejores resultados se obtienen  trabajando con los electrodos centrales y frontales simultáneamente. También se realizaron pruebas eliminando los electrodos centrales pero los resultados empeoraban considerablemente.

En la Tabla 3, se muestran los resultados de utilizar algunas estrategias de mejora como utilizar grabaciones más largas o utilizar un filtro paso banda (13-30Hz) previo al algoritmo.

Tabla 3 Otras pruebas

En el artículo se han mostrado las bases y primeras pruebas de dos sistemas de tratamiento y clasificación de señales electroencefalográficas que permitirían la implementación de una sencilla interfaz hombre máquina.

Ambos sistemas están compuestos por una primera etapa dirigida a extraer, a partir del EEG, la información relevante para su clasificación, y una segunda etapa de clasificación que trata asignar a cada señal de entrada su correspondiente estado mental. En la primera fase se ha trabajado con dos técnicas de tratamiento de señal: la transformada wavelet y el algoritmo de análisis de componentes independientes.   La primera de estas técnicas es una transformada que permite descomponer las señales EEG en sus distintas componentes frecuenciales conociendo cuál es su localización temporal. La segunda técnica es un algoritmo de separación ciega implementado mediante una red neuronal. Como resultado, este algoritmo obtiene las componentes independientes del EEG, es decir, las señales que generadas y mezcladas en el cerebro conforman las señales electroencefalográficas.

Los resultados mostrados han de ser todavía confirmados con un número mayor de registros  y con datos recogidos a partir de un número mayor de individuos. Sin embargo, ya marcan una tendencia que garantiza que ambos sistemas obtienen una tasa de acierto dentro de los estudios que vienen realizándose por otros autores.

4. Referencias

[1] C.W. Anderson, S.V, Devulapalli and E.A. Stolz,  Determining mental states from EEG signals using neural networks, Scientific Programming, 4(3), Fall 1995, pp. 171-183.

[2] C.W. Anderson, S.V, Devulapalli and E.A. Stolz,  EEG classification with different signal representations, Neural networks for signal processing, V, 1995, pp. 475-483.

[3] J. Annett, Motor imagery: Perception or action, Neuropychologia, 33, 11,1995, pp. 1395-1417.

[4] Decety, J., Jeannerod, M., y Prablanc, C. “The timing of mentally represented actions”. Behav. Brain Res. 1989, 34, 35-42.

[5] Decety, J. Lindgren, M. “Sensation of effort and duration of mentaly executed actions”. Scand. J. Psychol. 1991, 32, 97-104.

[6] Flotzinger, D.; Kalcher, J.; and Pfurtscheller, G.(1992). “EEG classification by learning vector quantization”. Biomediziniche Technik, 37, pp303-309.

[7] A. Hyvärinen and E. Oja, Independent component analysis: algorithms and applications, Neural Networks, 13, 2000, pp. 411-430.

[8] M. Jeannerod, Mental imagery in the motor context, Neuropychologia, 33, 11,1995, pp. 1419-1432.

[9] T. Kohonen, Self organization and associative memory, Springer Verlag, 3ra edn, 1988.

[10] T. Kohonen, Self organizing map, Proc.IEEE.78, 9, 1990, pp 1464 -- 1480.

[11] Scott Makeig, Anthony J. Bell, Tzyy-Ping Jung and Terrence J. Sejnowski, Independent Component Analysis of Electroencephalographic Data, Advances in  neural information, 8, 1996.

[12] Neuronal Network. Toolbox. The Mathworks Inc, Howard Demuth, Mark Beale.

[13] Mathworks Wavelet Toolbox for Matlab.