ES2274576T4 - Sistema y metodo para la tomografia de la corriente primaria del cerebro y el corazon. - Google Patents
Sistema y metodo para la tomografia de la corriente primaria del cerebro y el corazon. Download PDFInfo
- Publication number
- ES2274576T4 ES2274576T4 ES98941221T ES98941221T ES2274576T4 ES 2274576 T4 ES2274576 T4 ES 2274576T4 ES 98941221 T ES98941221 T ES 98941221T ES 98941221 T ES98941221 T ES 98941221T ES 2274576 T4 ES2274576 T4 ES 2274576T4
- Authority
- ES
- Spain
- Prior art keywords
- theta
- calculate
- sigma
- eeg
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Lifetime
Links
- 238000000034 method Methods 0.000 title claims abstract description 99
- 210000004556 brain Anatomy 0.000 title claims abstract description 70
- 238000003325 tomography Methods 0.000 title claims description 21
- 230000000694 effects Effects 0.000 claims abstract description 27
- 238000009826 distribution Methods 0.000 claims abstract description 26
- 230000002490 cerebral effect Effects 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 47
- 238000004364 calculation method Methods 0.000 claims description 34
- 239000011159 matrix material Substances 0.000 claims description 30
- 239000004020 conductor Substances 0.000 claims description 25
- 230000014509 gene expression Effects 0.000 claims description 19
- 238000005259 measurement Methods 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 17
- 230000009021 linear effect Effects 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 14
- 238000002603 single-photon emission computed tomography Methods 0.000 claims description 14
- 238000002599 functional magnetic resonance imaging Methods 0.000 claims description 12
- 230000002123 temporal effect Effects 0.000 claims description 12
- 210000001519 tissue Anatomy 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 12
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 10
- 238000001228 spectrum Methods 0.000 claims description 7
- 238000004804 winding Methods 0.000 claims description 7
- 230000000747 cardiac effect Effects 0.000 claims description 6
- 230000001537 neural effect Effects 0.000 claims description 5
- 230000001575 pathological effect Effects 0.000 claims description 5
- 210000005003 heart tissue Anatomy 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 2
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 230000035939 shock Effects 0.000 claims description 2
- 238000012831 peritoneal equilibrium test Methods 0.000 claims 5
- 238000012636 positron electron tomography Methods 0.000 claims 5
- 238000012877 positron emission topography Methods 0.000 claims 5
- 238000011961 computed axial tomography Methods 0.000 claims 2
- 239000000470 constituent Substances 0.000 claims 1
- 230000003247 decreasing effect Effects 0.000 claims 1
- 238000000605 extraction Methods 0.000 claims 1
- 239000004744 fabric Substances 0.000 claims 1
- XBJBPGROQZJDOJ-UHFFFAOYSA-N fleroxacin Chemical compound C1CN(C)CCN1C1=C(F)C=C2C(=O)C(C(O)=O)=CN(CCF)C2=C1F XBJBPGROQZJDOJ-UHFFFAOYSA-N 0.000 claims 1
- 229960003306 fleroxacin Drugs 0.000 claims 1
- 238000012986 modification Methods 0.000 claims 1
- 230000004048 modification Effects 0.000 claims 1
- 238000004613 tight binding model Methods 0.000 claims 1
- 238000002610 neuroimaging Methods 0.000 abstract description 6
- 210000004761 scalp Anatomy 0.000 abstract description 3
- 238000012800 visualization Methods 0.000 abstract description 3
- 230000002452 interceptive effect Effects 0.000 abstract description 2
- 239000004033 plastic Substances 0.000 abstract description 2
- 229920003023 plastic Polymers 0.000 abstract description 2
- 238000004445 quantitative analysis Methods 0.000 abstract 1
- 210000003128 head Anatomy 0.000 description 27
- 238000002565 electrocardiography Methods 0.000 description 23
- 238000004458 analytical method Methods 0.000 description 21
- 230000006870 function Effects 0.000 description 19
- 238000006243 chemical reaction Methods 0.000 description 14
- 238000012876 topography Methods 0.000 description 14
- 239000000203 mixture Substances 0.000 description 9
- 238000010276 construction Methods 0.000 description 8
- 238000009472 formulation Methods 0.000 description 8
- 238000003384 imaging method Methods 0.000 description 7
- 238000007619 statistical method Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 6
- 230000018109 developmental process Effects 0.000 description 6
- 230000007170 pathology Effects 0.000 description 6
- 230000003321 amplification Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 230000005684 electric field Effects 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 238000003199 nucleic acid amplification method Methods 0.000 description 5
- 238000002600 positron emission tomography Methods 0.000 description 5
- 210000000038 chest Anatomy 0.000 description 4
- 210000004884 grey matter Anatomy 0.000 description 4
- 230000000926 neurological effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 239000000654 additive Substances 0.000 description 3
- 230000000996 additive effect Effects 0.000 description 3
- 210000003484 anatomy Anatomy 0.000 description 3
- 238000002059 diagnostic imaging Methods 0.000 description 3
- 238000000537 electroencephalography Methods 0.000 description 3
- 230000001037 epileptic effect Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 238000010972 statistical evaluation Methods 0.000 description 3
- 238000000844 transformation Methods 0.000 description 3
- 102100037651 AP-2 complex subunit sigma Human genes 0.000 description 2
- 206010003571 Astrocytoma Diseases 0.000 description 2
- 206010008190 Cerebrovascular accident Diseases 0.000 description 2
- 101000806914 Homo sapiens AP-2 complex subunit sigma Proteins 0.000 description 2
- 208000006011 Stroke Diseases 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 210000000748 cardiovascular system Anatomy 0.000 description 2
- 208000026106 cerebrovascular disease Diseases 0.000 description 2
- 238000003759 clinical diagnosis Methods 0.000 description 2
- 230000003750 conditioning effect Effects 0.000 description 2
- 230000001054 cortical effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000002001 electrophysiology Methods 0.000 description 2
- 230000007831 electrophysiology Effects 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 206010015037 epilepsy Diseases 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004060 metabolic process Effects 0.000 description 2
- 238000000491 multivariate analysis Methods 0.000 description 2
- 210000000653 nervous system Anatomy 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000035699 permeability Effects 0.000 description 2
- 230000001766 physiological effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001953 sensory effect Effects 0.000 description 2
- 238000007493 shaping process Methods 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 238000012109 statistical procedure Methods 0.000 description 2
- 230000004936 stimulating effect Effects 0.000 description 2
- 230000000638 stimulation Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000001755 vocal effect Effects 0.000 description 2
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 240000001492 Carallia brachiata Species 0.000 description 1
- 206010051290 Central nervous system lesion Diseases 0.000 description 1
- 241000238366 Cephalopoda Species 0.000 description 1
- 208000033001 Complex partial seizures Diseases 0.000 description 1
- 206010010904 Convulsion Diseases 0.000 description 1
- 208000003443 Unconsciousness Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 230000007177 brain activity Effects 0.000 description 1
- 230000005978 brain dysfunction Effects 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 210000004413 cardiac myocyte Anatomy 0.000 description 1
- 101150071577 chi2 gene Proteins 0.000 description 1
- CLOMYZFHNHFSIQ-UHFFFAOYSA-N clonixin Chemical compound CC1=C(Cl)C=CC=C1NC1=NC=CC=C1C(O)=O CLOMYZFHNHFSIQ-UHFFFAOYSA-N 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000001143 conditioned effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- TXWRERCHRDBNLG-UHFFFAOYSA-N cubane Chemical compound C12C3C4C1C1C4C3C12 TXWRERCHRDBNLG-UHFFFAOYSA-N 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000763 evoking effect Effects 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000005714 functional activity Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 210000002064 heart cell Anatomy 0.000 description 1
- 230000000004 hemodynamic effect Effects 0.000 description 1
- 230000001709 ictal effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000000302 ischemic effect Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 210000003657 middle cerebral artery Anatomy 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003562 morphometric effect Effects 0.000 description 1
- 238000013425 morphometry Methods 0.000 description 1
- 230000002863 neuromagnetic effect Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000009022 nonlinear effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 210000000869 occipital lobe Anatomy 0.000 description 1
- 230000001936 parietal effect Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 229920000728 polyester Polymers 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 210000003625 skull Anatomy 0.000 description 1
- 210000004092 somatosensory cortex Anatomy 0.000 description 1
- 239000000021 stimulant Substances 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/372—Analysis of electroencephalograms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/242—Detecting biomagnetic fields, e.g. magnetic fields produced by bioelectric currents
- A61B5/245—Detecting biomagnetic fields, e.g. magnetic fields produced by bioelectric currents specially adapted for magnetoencephalographic [MEG] signals
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
Se obtiene un mapa tridimensional de la probabilidad de estados funcionales cerebrales a partir de las señales eléctricas y/o magnéticas (EEG/MEG) medidas en la superficie del cuero cabelludo. Para ello se obtienen los parámetros descriptivos estadísticos del EEG/MEG y se calcula un mapa de su distribución cerebral. El mapa es la solución inversa del EEG/MEG basada en: a) la restricción de la solución a estructuras con alta probabilidad de generar actividad eléctrica utilizando para ello un Atlas Cerebral y b) que la solución tenga una suavidad pre-especificada. Se determina la probabilidad de que dicho mapa, o un subconjunto del mismo, pertenezca a un grupo patrón. Para esta determinación se modelan las correlaciones espaciales del mapa así como su dependencia de covariables experimentales. Las probabilidades resultantes se codifican en una escala de pseudocolor y se superponen sobre un Atlas Cerebral para su visualización tridimensional interactiva. Los Altas Cerebrales que se utilizan enla solución del problema inverso y para la visualización pueden ser neuroimágenes individuales, Atlas Probabilísticos o deformaciones plásticas de un Atlas Probabilístico a la morfología de un individuo. A esta metodología la denominamos Análisis Cuantitativo Electro/Magnético Encefalográfico Tomográfico (EEG-T).
Description
Sistema y método para la tomografía de la
corriente primaria del cerebro y el corazón.
La presente invención se refiere a un sistema y
un método para obtener Imágenes por Tomografía de las Corrientes
Eléctricas Primarias (CEP) producidas por las neuronas del cerebro y
las células musculares del corazón.
En esta invención se hará referencia a
expresiones y terminologías usadas de la técnica que se definirán
como sigue.
Los vectores se indicarán con letras minúsculas
en negrita y las matrices con letras en negrita mayúsculas. 1_{N}
es el vector de dimensión N de las unidades, I_{n} indica la
matriz identidad de orden n, \otimes el producto de Kronecker de
la matriz; ".*" el producto de Hadamaard y o representa el
producto diádico entre vectores. Si x es una matriz o un vector,
x^{t} indica x transpuesta de x; x* indica transpuesta conjugada
de x. La operación vech(X) aplicada a X consiste en formar un
vector con las columnas de X, eliminando elementos repetidos o los
considerados constantes en el contexto del problema.
La Corriente Eléctrica Primaria (CEP)
j_{P}(r,t): es la magnitud macroscópica obtenida por la
media espacial y temporal de la actividad possináptica de un grupo
de células nerviosas o cardíacas en la posición \vec{r} y el
instante de tiempo t.
Conductor de Volumen \Omega_{v}: región en
el interior del cuerpo que será objeto de estudio, la cabeza o el
torso.
Volumen Generador \Omega_{g}: subconjunto de
\Omega_{v} donde se origina la CEP, que consiste en bien el
cerebro o el corazón.
Red del Conductor de Volumen \Re_{v}: grupo
discreto de N_{v} puntos r_{v} \in \Omega_{v}
Red del volumen Generador \Re_{g}: grupo
discreto de N_{g} puntos r_{g} \in \Omega_{g}
Intervalo de análisis \Im = [0, T] es el
periodo definido desde una referencia fijada arbitrariamente en el
instante 0 hasta el tiempo T.
Imagen por Tomografía CEP (TPEC, por sus siglas
en inglés): vector j(t) =
\arrowvertj_{p}(\vec{r}_{g},t)\arrowvert_{1\leq
g\leq N_{g}} definido en los puntos r_{g} \in \Omega_{g}
y para cada instante t \in \Im de tiempo.
Electroencefalograma (EEG, por sus siglas en
inglés) y Electrocardiograma (EKG, por sus siglas en inglés):
series de tiempo obtenidas midiendo la diferencia de potencial
V_{er}(t) que se crea en un par de electrodos localizados
en el cuerpo en las posiciones r_{e} (electrodo registrador) y
r_{r} (referencia) en la cabeza y el tórax, respectivamente.
V_{er} (t) se mide en N_{e} sitios en el cuerpo. Un vector de
mediciones de este tipo se indicará por v(t).
Magnetoencefalograma (MEG) y Magnetocardiograma
(MKG, por sus siglas en inglés): series de tiempo obtenidas
midiendo la proyección b_{cn}(t) del vector densidad de
campo magnético en el centro r_{c} de un arrollamiento simple en
n_{c}, el vector perpendicular al plano que lo contiene. Estos
arrollamientos simples están conectados a Dispositivos de
Interferencia Cuántica Superconductora (SQUID cc, por sus siglas en
inglés) por medio de un grupo de transformadores de detección de
flujo magnético, se miden b_{cn}(t) en sitios N_{c} del
cuerpo. El vector de mediciones de este tipo se indicará por
b(t).
Imágenes anatómicas: tipo de imágenes médicas
que ofrecen información estructural acerca del cuerpo tales como la
Tomografía Axial Computerizada (CAT, por sus siglas en ingles) de
Imágenes por Resonancia Magnética (MRI, por sus siglas en inglés),
secciones posmortem de la cabeza usando criotomía, etc.
Atlas anatómico: es una imagen anatómica del
cerebro o del corazón en un sistema de referencia de la cabeza o el
torso, respectivamente. Un ejemplo particular de un sistema de
referencia para el cerebro es el sistema internacional
"Talairach". Son tipos posibles de atlas anatómicos:
Imágenes estructurales, individuales, del
individuo en estudio (Figura 1).
Probabilística: una imagen estadística de
material compuesto que resume la variabilidad interindividual de
morfologías normales o patológicas de imágenes anatómicas en una
población dada (Valdés P. y Biscay R. The statistical analysis of
brain images. En: Machinery of the Mind, E. Roy John et al.
1ª. (ed) (1.990). Birkhauser, págs. 405-434;
Collins DL, Neelin P, Peter MT, Evans AC (1.994) Automatic 3D
registration of MR volumetric dates in standardized talairach
space. JComput Assist Tomogr 18(2): 192-205,
Czanner S et al: "Correlation of the Talairah atlas based
on the proportional grid system", Libro de Actas del décimo
Simposio IEEE sistemas médicos basados en ordenadores, Maribor
Slovenia, 11-13 de junio de 1.997, páginas
109-113; Evans AC, Collins DL, Mills SR, Brown ED,
Kelly RL, Peters MT (1.993) 3D statistical neuroatomical models from
305 MRI volumes. Libro de A. IEEE-Simposio sobre
ciencia Nuclear y Conferencia sobre Imagen Médica:
1.813-1.817; Evans A.C.; Collins, D.L.., Neelin,
P., MacDonald, D., Kambei, M. y Marret, T.S. (1.994). Three
dimensional correlative imaging: Applications in human brain
mapping. En R. Thatcher, M. Hallet, T. Zeffiro, E. Roy John y M.
Huerta (Eds.) Functional neuroimaging technological foundations.
Academic Press).
Imágenes funcionales: tipos de imágenes médicas
que ofrecen información sobre el metabolismo corporal hemodinámico
tales como: Resonancia Magnética Funcional (fMRI, por sus siglas en
inglés), Tomografía por Emisión de Positrones (PET, por sus siglas
en inglés) y la Tomografía por Emisión de Fotones Simples (SPECT,
por sus siglas en inglés).
Observaciones o(t) =
[o(t)_{m}]_{1\leq m \leq M}: el grupo de M
mediciones de diferentes modalidades (EEG, MEG e imagen funcional)
que se usará para la construcción de la TPEC. Todas las mediciones
se refieren al sistema de referencia del atlas anatómico
seleccionado. El EEG/EKG (o_{1}(t)) y/o el MEG/MKG
(o_{2}(t)) y opcionalmente la fMRI, la PET y la SPECT
(o_{m}(t), m>2) siempre estarán incluidas en
o(t), definiéndose estas observaciones para las coordenadas
y\in\Delta_{m} donde \Delta_{m} es el Espacio de Medición
de la modalidad m.
La Transformada Z Multivariante del vector de
variables aleatorias x \Theta_{x} = {\mu_{x},
\Sigma_{x}}, su vector medio y su matriz de covarianzas
de población se define z^{x} = (x - \mu_{x}).
\Sigma_{x}^{-1/2}. En esta última expresión se selecciona una
de las raíces cuadradas de \Sigma_{x} y si ésta no es de rango
total se usa una pseudoinversa. En el caso de que x sea de dimensión
1, su Transformada Z tiene la expresión simple: z^{x} = \frac{x -
\mu_{x}}{\sigma_{x}}.
Distribución Gaussiana Generalizada
N_{t}^{k,p} (\mu_{x}, \Sigma_{x}): es una densidad de
probabilidad proporcional a
exp(-\beta\bigparallelx-\mu_{x}\bigparallel_{\Sigma_{x}}^{p}),
donde k es la dimensión de la distribución, p el orden de la norma
en el exponente
\bigparallelx-\mu_{x}\bigparallel_{\Sigma_{x}}^{p}
= |x_{x}|^{p}, \beta una constante de proporcionalidad y t
el tipo de variable numérica (R real; C compleja). Por ejemplo, la
notación x\simN_{R}^{2,p} (\mu_{x}, \Sigma_{x}) se usa para
expresar que x es una muestra de una distribución gaussiana real
multivariante.
Espacio funcional: es una serie de funciones con
propiedades comunes (Triebel, H. 1.990. Theory of Function Spaces
II. Basel: Birkhauser). La pertenencia en un espacio funcional se
usa para especificar propiedades deseables en la TPEC que se está
considerando. Se considera que los espacios funcionales consisten en
la combinación de átomos.
Diccionario de Átomos: es una colección de
átomos con propiedades de manera que todo elemento de un espacio
funcional se pueda expresar como f = \sum\limits_{k} F_{k} \cdot
\Psi_{k}, donde \psi_{k} son los átomos.
Son ejemplos: "Wavelets" (Meyer, Y. 1.992.
Wavelets and Operators. Cambridge: Cambridge University Press), la
base de Fourier de exponencial compleja, la colección de deltas de
Dirac en un espacio de funciones generalizadas, etc. Un
megadiccionario está siendo la unión de diversos diccionarios de
átomos.
Espacio de Besov B_{n, S}^{m} (\Omega
\rightarrow R^{n}): es una colección de funciones definidas en
el espacio \Omega y tomando valores en R^{n} que poseen un
grado de homogeneidad especificado por medio del triple (m, n, s)
(Triebel, H. 1.990. Theory of Function Spaces II. Baset:
Birkhauser). El requerimiento de que cualquier función f dada
pertenezca a B_{n, S}^{m} se impondrá por medio de penalización
con la métrica \bigparallel \fint \bigparallel _{B_{n, s}^{m}} =
\bigparallel \fint \bigparallel _{b_{n, s}^{m}} =
\sum\limits_{k} \alpha_{k} \cdot \bigparallel
F_{k}\bigparallel^{m}, es decir la norma de la combinación de los
pesos de los átomos (De Vore R. A. y Popov V. (1.988) Interpolation
of Besov Spaces. Transactions of the American Mathematical Society
305, 397-414). Estos espacios permiten la
representación con modelo de funciones con grado controlable de
inhomogeneidad espacial. Son casos particulares:
Espacio de Sobolev B_{2,2}^{m} = H^{m}, de
homogeneidad máxima (con respecto a derivadas de orden m).
El "álgebra de choques" B_{l, s}^{l}
(Meyer Y. (1.992) Wavelets and Operators. Cambridge: Cambridge
University Press) que permite la representación con modelo de tanto
fuentes puntuales (dipolos) como fuentes distribuidas en una
estructura común.
Grupo de referencia: consiste en un grupo de
referencia, la pertenencia al cual se tiene que establecer para un
Imagen por TPEC dada.
Esta invención tiene como antecedentes el
trabajo dirigido a cuantificar y hacer objetiva la detección de
estados anormales del cerebro y el corazón aplicando análisis
estadístico multivariante al EEG y EKG. Estos métodos son conocidos
como electroencefalografía y electrocardiografía cuantitativa
(abreviado respectivamente como qEEG y qEKG). Se describieron
sistemas y métodos para qEEG en las patentes de EE.UU. 4.846.190, la
patente de EE.UU. 4.913.160, la patente de EE.UU. 5.282.474 y la
patente de EE.UU. 5.083.571. Los métodos para qEKG se describieron
en la patente de EE.UU. 4.974.598. Estas patentes especifican:
Registrar el EEG y/o EKG (v(t)) por
medio de una pluralidad de sensores.
Opcionalmente, en vez de analizar el v(t)
registrado originalmente, se obtienen series procesadas previamente
(SPP) por medio del cálculo de la función covarianza cruzada de
v(t) con respecto a una serie de tiempo s(t),
marcador de pruebas externas. En el caso del EEG, se puede tomar
s(t) como una secuencia de funciones delta de Dirac,
indicativo de los momentos en los que se presentan ciertos estímulos
al individuo examinado. La serie de tiempo resultante se conoce
como el Potencial Evocado Medio (AEP, por sus siglas en inglés). En
el caso del EKG, s(t) puede indicar la presencia de la onda
R del EKG mismo y el SPP resultante es el EKG medio (AEKG, por sus
siglas en inglés).
La extracción de Parámetros Descriptivos (PD) de
estas series de tiempo, siendo éstas resúmenes estadísticos de las
series de tiempo registradas diseñadas para reflejar variaciones en
la actividad fisiológica normal y patológica.
En las patentes mencionadas los PD especificados
para el EEG son las medias en bandas amplias de la frecuencia del
espectro, estando incluidas también transformaciones elementales de
estos PD. Los PD del Análisis Espectral de Banda Amplia (BBSA, por
sus siglas en inglés) se definen formalmente como sigue: sea
S_{o}(\omega) el espectro cruzado o matrices de varianza
y covarianzas de los coeficientes de Fourier de V(t) (donde
\omega indica frecuencia).
Los PD-BBSA son: \int\limits_{a}^{b} s_{o , ij} (\omega)d\omega, donde a y b especifican los límites de la amplia banda y s_{o,ij} (\omega) es el elemento i, j de la matriz S_{o} (\omega).
Los PD-BBSA son: \int\limits_{a}^{b} s_{o , ij} (\omega)d\omega, donde a y b especifican los límites de la amplia banda y s_{o,ij} (\omega) es el elemento i, j de la matriz S_{o} (\omega).
En las patentes citadas los PD para el AEP y
AEKG se definen como los coeficientes de una base de
Karhunen-Loeve. Estos parámetros se conocen como
cargas de Análisis Factorial.
En las patentes citadas, se llevan a cabo
transformaciones de los PD para garantizar su carácter gaussiano.
En la descripción de esta invención se indicarán PD escalares
transformados genéricos con la letra x = T(PD) y un vector
con la notación x=T(PD), después de la transformación x\sim
N_{R}^{2,p} (\mu_{x}, \Sigma_{x}).
En las patentes citadas, se lleva a cabo una
comparación de los PD con respecto a la variabilidad normal
(deducida de bases de datos normativas) por medio de la
transformada z univariante que expresa los PD como una desviación
medida en unidades de desviación estándar \sigma_{x} con
respecto a la \mu_{x} media poblacional. En el cálculo de la
z_{x} basado en la base de datos normativa, el efecto de variables
concomitantes que originan variabilidad que no sea de interés para
diagnóstico (como es el caso de la edad del individuo) se elimina
por medio de regresión polinómica homoscedástica.
La construcción de Mapas Topográficos (MT) del
cerebro y el corazón. En estos MT el grado de desviación del
individuo con respecto a la normal está codificado por medio de una
escala de color. El MT es una imagen interpolada entre las
mediciones de los sensores, que representan una proyección
bidimensional esquemática de la cabeza o del torso.
El uso de análisis de grupos para definir grupos
de individuos similares de acuerdo con los valores de su PD
(patente de EE.UU. 5.083.571).
El uso de análisis discriminante lineal para
clasificar a un individuo examinado como perteneciente a un grupo
de ensayo o un grupo de ensayo que se definió previamente por
análisis de grupos sobre la base de valores predefinidos de sus PD
(patente de EE.UU. 5.083.571).
La medición de las distancias estadísticas de un
individuo con respecto a sus propios estados previos se llevó a
cabo en momentos seleccionados. Esto ofrece información sobre el
estado fisiológico del individuo, por ejemplo, en las siguientes
condiciones: durante una operación, mientras se sigue tratamiento
intensivo o mientras se está evaluando el desarrollo de la
patología (patentes de EE.UU. 4.545.388, 4.447.270, 4.815.474,
4.844.086 y 4.841.983). La utilidad de estos métodos se ha
confirmado en diversos estudios (John, E. R.; Harmony, T.
Valdés-Sosa y P. (1.987b): The uses of statistics in
electrophysiology. En: Gevins, A. S: y Rémond, A. (Eds.). Handbook
of Electroencephalography and Clinical Neurophisiology. Serie
Revisada. Volumen 1, Elsevier, Países Bajos,
497-540 y John, E. R.; Prichep, L. S. y Easton, P.
(1.987a): Normative data bases and neurometrics. Basic concepts,
methods and results of norm construction. En: Gevins, A. S. y
Rémond, A. (Eds.), Handbook of Electroencephalography and Clinical
Neurophisiology. Serie Revisada. Volumen 1, Elsevier, Países Bajos,
449-496). Sin embargo, estos métodos presentan las
siguientes limitaciones:
Los PD-BBSA son insuficientes
como parámetros descriptivos para la cuantificación de muchos tipos
de actividades del EEG. Esto es debido a la pérdida de resolución
causada por el establecimiento de una media sobre bandas en
frecuencia, con la pérdida resultante de sensibilidad y
especificidad en los diagnósticos (Szava, S., Valdés, P.; Biscay,
R.; Galán, L.; Bosch, J.; Clark, I. y Jiménez, J. C.: High
Resolution Quantitative EEG Analysis. Brain Topography, Vol. 6, Nº
3, 1.994, págs. 211-219).
El análisis de un grupo de PD por el uso de MT
está impedido por la alta correlación entre las variables. Para
superar esta dificultad, Galán et al. (Galán, L.; Biscay, R.;
Valdés, P.; Neira, L. y Virués T. (1.994): Multivariate Statistical
Brain Electromagnetic Mapping. Brain Topography, vol. 7, Nº 1)
introdujeron el MT Multivariante por medio del uso de la
transformada Z multivariante.
La evaluación de la normalidad del MT se lleva a
cabo por medio de estadística univariante sin tener en cuenta la
necesidad del control de errores de Tipo I causados por las
múltiples comparaciones para todo punto del mapa. Esto incrementa a
niveles incontrolables la probabilidad de detección de falsas
anomalías.
El procedimiento para la clasificación
estadística de individuos está basado en la hipótesis de que x\sim
N_{R}^{2,p} (\mu_{x}, \Sigma_{x}). Esto implica que las
fronteras de decisión entre los grupos son lineales, que es
demasiado restrictivo. Además, no se han aplicado procedimientos
óptimos para la selección de los PD con la más alta facultad de
clasificación.
No se incluye el uso de mediciones magnéticas
b(t), a pesar del hecho de que éstas añaden información
adicional a las proporcionadas por v(t).
El análisis de la información fisiológica está
limitado a v(t) sin que haya ninguna interferencia acerca de
j(t). Por lo tanto, ninguno de estos métodos constituye una
modalidad de TPEC. Hay simplemente un análisis de proyecciones de
j(t) en la superficie del cuerpo después de que haya sido
deformada por los tejidos del individuo interpuestos entre los
generadores de la CEP neural/cardíaca y los sensores. De hecho, la
relación entre la CEP y el EEG/MEG/EKG/MKG depende de las
propiedades del conductor de la cabeza y el torso (por ej.,
geometría, conductividad, permeabilidad eléctrica y magnética,
etc.).
Algunas de estas limitaciones se superaron por
la patente de EE.UU. 5.282.474 de Pedro Valdés-Sosa
et al. En esta patente se reivindica el uso de métodos
estadísticos para la evaluación de la actividad anormal del cerebro
y del corazón con las siguientes innovaciones:
Se añade b(t) como una fuente opcional de
información fisiológica. En lo que sigue el uso de PD obtenido tanto
a partir de v(t) como de b(t) se incluirá en la
definición de qEEG y qEKG.
Se incluyen componentes adicionales de la serie
de tiempo s(t) en la forma de marcadores de pruebas externas
de tipo más general tal como puede provenir de la propia voluntad o
de reacciones involuntarias, del individuo o las obtenidas por el
análisis de su propia o(t). La serie proveniente por tal
proceso previo se denominará los Componentes Relacionados con la
Prueba (ERC, por sus siglas en inglés) procedentes de
o(t).
Extensión de los ERC en tensores producto de
bases espacio - tiempo funcionales. Estas incluyen no sólo las
bases de Fourier, sino también trenes de ondas (para la descripción
de procedimientos no estacionarios) entre otras series de PD que
incrementen la flexibilidad en la descripción de procedimientos
fisiológicos.
Resumen inclusive de estos PD por medio del uso
de momentos estadísticos de orden superior y diferentes modelos de
series de tiempo paramétricos. En particular, se incluyen los
coeficientes de autorregresión lineal.
La introducción como PD de Análisis Espectral de
Alta Resolución (HRSA, por sus siglas en inglés) consecuente en el
uso de S_{0}(\omega) para todas las frecuencias \omega
de acuerdo con una transformada de Fourier discreta.
La introducción en el MT de escalas de color
basadas en la distribución de probabilidad empírica de los máximos
globales y los mínimos globales de los PD. Esta escala ejerce un
control eficaz de la probabilidad de detección de falsa
patología.
Se ejemplificaron las mejoras para la evaluación
de actividad cerebral introducida en esta patente.
Por medio de la construcción de normas de HRSA
para la población cubana de 5 a 97 años (Valdés, P.; Biscay, R.;
Galán, L.; Bosch, J,; Szava, S. y Virues, T.: High Resolution
Spectral EEG norms for topography. Brain Topography, 1.990, vol. 3,
págs. 281-282 y Valdés, P.; Bosch, J,; Serious of it
Banks, R.; Hernández, J. L.; Pascual, R. y Biscay, R.: Frecuency
domain models for the EEG. Brain Topography, 1.992a, vol. 4, págs.
309-319).
Mostrando que los PD-HRSA
consiguen una sensibilidad y especificidad mayores que los
PD-BBSA para la detección de patología neurológica
y psiquiátrica (Szava, S.; Valdés, P,.; Biscay, R.; Galán, L.;
Bosch, J.; Clark, I. y Jiménez, J. C.: High Resolution Quantitative
EEG Analysis. Brain Topography, Vol. 6, Nº 3, 1.994, págs.
211-219). Sin embargo, la construcción de PD de
o(t) usado en la patente citada está limitada a dichos
modelos paramétricos como los PD-HRSA. Sólo hay una
descripción completa de o(t) para señales estocásticas
estacionarias y lineales o aquéllas con tipos limitados de no
linealidad. La insuficiencia de dicho PD para el estudio de la EEG
de algunos tipos de paciente (en particular los que tienen
epilepsia) se demostró por Hernández, Valdés-Sosa y
Vila (Hernández, J. L.; Valdés, P. A. y Vila, P. (1.996) EEG spike
and wave modeled by to stochastic limit cycle. Neuroreport,
7: 2.246-2.250).
7: 2.246-2.250).
Los métodos qEEG y qEKG no se aplican a
estimaciones de j(t), por esta razón no son verdaderas
variantes de TPEC.
Como en todos los tipos de Tomografía, el punto
de partida para el desarrollo de la TPEC es el establecimiento de
un modelo que relacione los datos observados con la cantidad que se
tiene que estimar, conocido este modelo como el Problema Directo.
En la TPEC el problema directo postula cómo la o(t) se genera
de j(t). Este modelo tiene dos componentes:
El modelo específico de Conductor de Volumen
asumido, es decir, de las propiedades conductoras de la cabeza y el
torso, en particular su geometría, su conductividad, su
permeabilidad eléctrica y magnética, etc.
El modelo que se asume para j(t) o modelo
fuente.
Las propiedades del Conductor de Volumen se
resumen en los Campos * Conductores (LF, por sus siglas en inglés)
eléctrico k^{E}(r) y magnético k^{M}(r). Estos son
los núcleos de ecuaciones integrales de Fredholm de la primera
clase que establecen relaciones directas entre la CPE
j_{p}(r, t) con V_{er}(t) y
b_{cn}(t).
\vskip1.000000\baselineskip
\vskip1.000000\baselineskip
\vskip1.000000\baselineskip
La discretización de los términos expresados en
las ecuaciones (1) y (2) conduce a la siguiente formulación del
problema directo:
\vskip1.000000\baselineskip
donde K es el LF discretizado y
e(t) \sim N_{t}^{k,p} (0, \Sigma_{EE}), siendo
introducido el error en los sensores en el momento de la
medición.
El uso de los LF para formular el Problema
Directo en vez de usar la formulación de Green clásica da como
resultado notables ventajas de acuerdo con Rush y Driscoll (Rush S.
y Driscoll D. A. EEG electrode sensitivity - an application of
reciprocity. IEEE Trans. on Biomed. Eng. vol.
BME-16, págs. 15-22, 1.969) y
Plonsey (Plonsey R. Capability and limitations of
electrocardiography and magnetocardiography. IEEE Trans. Biomed.
Eng. vol. BME-19, nº. 3, págs.
239-244, 1.972). Esto es principalmente debido a que
se pueden resumir todas las propiedades conductoras de la cabeza o
el tórax, en estas magnitudes sin asumir un modelo específico para
la CEP. Sin embargo, se sabe bien que la conductividad en el cuerpo
no es homogénea y no es isotrópica (Hoeltzell P. B. y Dykes R. W.
Conductivity in the somatosensory cortex of the cat. Evidence for
cortical anisotropy. Brain Research, 117, págs.
61-82, 1.979), un hecho que complica el cálculo de
los LF considerablemente. Sin embargo, es posible una
simplificación substancial cuando la conductividad se considere
constante e isotrópica en cada tipo de tejido, que constituye una
división (Schwan H. P. y Kay C. F. The conductivity of living
tissues. Ann. N.Y. Acad. Sci. vol. 65, págs.
1.007-1.013, 1.957). Este modelo de Conductor de
Volumen se denomina Conductor de Volumen Homogéneo Isotrópico y por
Tramos (IPHC, por sus siglas en inglés). En general, están en uso
dos tipos de IPHC modelo para la cabeza o el torso:
Esférico: el modelo más simple que especifica
que las superficies que definen las diferentes divisiones son
esferas concéntricas. Para este modelo existe fórmula explícita para
evaluar K. Este modelo es fácil de evaluar pero no es muy exacto,
principalmente para las regiones temporales de la cabeza.
Realista: en que las superficies de las
divisiones se obtienen de un atlas anatómico. Para este modelo, se
han desarrollado métodos numéricos por Fletcher et al.
(Fletcher D. J., Amir A., Jewett D. L. y Fein G. Improve method for
the calculation of potentials in a realistic head shape model. IEEE
Trans. Biomed. Eng. vol 42, not. 11, págs.
1.094-1.104, 1.995) y Oostendorp y van Oosteroom
(Oostendorp T. y van Oosterom A. The potential distribution
generated by surface electrodes in homogeneous volume conductive of
arbitrary shape. IEEE Trans. Biomed. Eng. vol.
BME-38, págs. 409-417, 1.991). Sin
embargo, este procedimiento está basado en un método de elementos
límite (BEM, por sus siglas en inglés) para el cálculo de la
diferencia de potencial en las superficies que limitan las
divisiones producidas activando los sensores.
La expresión:
es el funcional del Problema
Directo en la norma p_{0}.
|(o(t)|j(t),\Sigma_{EE}) =
C_{0}exp[-R_{0}] se define como la probabilidad que corresponde
a la ecuación (3), siendo C_{0} la constante de normalización de
la densidad. En lo que sigue, a menos que se indique de otro modo,
p_{0} =
2.
El objetivo central de la TPEC es la estimación
de j(t) por medio de la minimización de (4), que es el
"Problema Inverso". Se sabe bien que (4) carece, en general,
de una única solución puesto que el operador LF tiene un espacio
nulo no trivial, incluso cuando están disponibles mediciones
eléctricas y magnéticas simultáneas.
La estimación de la CEP es posible sólo si se
aporta una información a priori en la forma de un modelo para
j(t) que imponga una serie de restricciones. Estas se pueden
clasificar como:
Extrínsecas: que consisten en requerir la
compatibilidad de la solución deseada con información proporcionada
a partir de otros tipos de neuroimágenes. Acerca de las
neuroimágenes anatómicas cerebrales los requerimientos típicos
son:
Que j(t) se estime sólo en el interior
del Conductor de Volumen esférico que represente con modelo la
cabeza.
Que j(t) esté restringido a la superficie
cortical del individuo con una orientación perpendicular a dicho
córtex (Dale, A. M. y Sereno y M. I., J. Cognit. Neurosc., 1.993,
5:2, págs. 162-176).
Intrínseco: que consiste en requerimientos
acerca de la conformación y extensión de áreas de tejido activado.
Se requiere que las áreas activadas sean tan pequeñas como sea
posible mientras se mantenga la compatibilidad del modelo con los
datos (simplicidad). En cuanto a la variación en la conformación en
el espacio, j(t), este requerimiento ha oscilado desde
homogeneidad mínima (colecciones de deltas de Dirac que corresponden
a dipolos de corriente eléctrica) a funciones que tienen
homogeneidad máxima.
Todas las condiciones indicadas anteriormente se
imponen en la solución de dos maneras equivalentes:
Regularización: Añadir a (4) un funcional no
negativo R_{J} = R_{J}(j(t)\theta) y
minimizar
Estimación Bayesiana: Maximizar la distribución
a posteriori
donde
\pi(j(t)\theta) = C_{j} exp [-R_{j}] es
la probabilidad a priori de
j(t).
Las diferencias fundamentales en los diferentes
métodos que se han desarrollado para estimar los generadores de
o(t) están en el modelo especificado para j(t). Estas
están revisadas como sigue:
Cuando
R_{j}(j(t)\theta) es un funcional que
garantiza que N_{g}<\theta_{o}, siendo \theta_{o} una
constante que asegura la unicidad de la solución de la ecuación (4).
Esta clase de modelos para j(t) se denomina dipolos de
corriente eléctrica (Scherg, M. y Ebersole, J. S. (1.993): Models of
Brain Sources. Brain Topography. Vol. 5, Nº 4, págs.
419-423).
Donde \alpha_{g}(t) es la actividad
del generador g y \mu_{g}(t) su orientación. Un modelo de
este tipo se describió en las patentes de EE.UU. 4.949.725,
5.285.385, 5.524.086 y 5.361.774. Las ventajas de estos modelos
son:
Son eficaces para representar con modelo
situaciones en que un pequeño grupo de regiones esté produciendo
CEP, todas de pequeña extensión.
La formulación conduce a métodos de estimación
por mínimos cuadrados simple.
La serie de PD resultantes de las estimaciones
es muy compacta, comprendiendo las posiciones y orientaciones de
cada dipolo de corriente eléctrica.
Debido a la simplicidad del modelo, es fácil
incluir restricciones adicionales a la estimación de este modelo de
CEP (Scherg. M y Ebersole, J. S. (1.993): Models of Brain Sources.
Brain Topography. Vol. 5, Nº 4, págs. 419-423). Por
ejemplo se puede imponer un cierto grado de homogeneidad en
\alpha_{g}(t) y el requerimiento que
\mu_{g}(t) =\mu_{g} no dependa del tiempo. Estos
requerimientos estabilizan los PD estimados.
Sin embargo, los modelos dipolares discutidos
tienen las siguientes limitaciones:
Cuando el número de generadores posibles de CEP
(N_{g}) llega a ser demasiado grande, este tipo de modelo
requiere una excesiva intervención manual del operador. Para este
caso, el problema inverso llega a estar de nuevo mal determinado.
De hecho, estos modelos no incluyen una aproximación estadística
para determinar N_{g}.
Cuando las diferentes regiones de tejido que
generan CEP se distribuyen en áreas extensas, el modelo dipolar
estima un dipolo equivalente localizado en el centro de masas de la
región real y produce por lo tanto un artificio.
La homogeneidad de \alpha_{g}(t) se
ha impuesto por el uso de una base spline, que limita sus
posibles formas de la amplitud de la actividad para pertenecer a un
Espacio funcional de Sobolev W^{2}(L^{2}), (segunda
derivada integrable Lebesgue).
Este tipo de modelo se ha usado sólo para
describir el AEP o AEKG.
Este modelo para generadores se ha aplicado
usando modelos esféricos y realistas del Conductor de Volumen. Sin
embargo, no se ha usado la metodología LF, que necesita el uso de
algoritmos numéricos para el caso realista que no sea muy práctico
puesto que requiere la evaluación de una etapa del BEM en cada
iteración.
Se propuso una TPEC por primera vez en la
patente de EE.UU. 5.307.807 de Valdés-Sosa et
al., dando lugar a una nueva modalidad de imagen médica. Esta
invención consiste en un método y un sistema para crear mapas
tridimensionales de la amplitud, la orientación y la conectividad
de los generadores de CEP neural/cardíaco con las siguientes
innovaciones:
Se lleva a cabo una estimación de j(t) en
una red tridimensional en el interior del cuerpo.
Se consideran los PD de la CEP del CRE.
La información disponible de otros tipos de
Imágenes Médicas Estructurales se usa para especificar las
propiedades conductoras del cuerpo del individuo. También se usa
para definir la extensión espacial de una red para la que se define
CEP (limitando así los sitios posibles donde se tenga que estimar la
CEP) y para determinar la orientación de la CEP. Las
características geométricas corporales del individuo se incorporan
en la TPEC de una manera cuantitativa con el uso de modelos
paramétricos.
El uso de información en el metabolismo del
individuo en estudio, disponible de otros tipos de imágenes médicas
funcionales para limitar incluso además la red en que se tenga que
estimar j(t).
Los generadores que se representan por modelos
incluyen no sólo fuentes discretas (dipolos) sino también
generadores difusos que describen ruido generador de fondo, en
ocasiones de amplitud superior que los generadores discretos.
La estimación del dominio de frecuencia se
introduce para los generadores de CRE, en particular se introduce
la matriz espectral cruzada S_{j}(\omega) de los
generadores.
Las mejoras para la evaluación de actividad
cerebral introducidas en esta patente se verificaron más tarde por
estudios en el origen de actividades eléctricas anormales en el
paciente con lesiones neurológicas focales. Véase por ejemplo
Harmony, T.; Fernández-Bouzas, A.; Marosi, E.;
Fernández, T.; Valdés, P.; Bosch, J.; Riera, J.; Rodríguez, M.;
Reyes, A.; Silva, J.; Alonso, M y Sánchez, J. M. (1.995). Frecuency
Source Analysis in Patients with Brain Lesions, Brain Topography,
vol. 8, Nº 2. Sin embargo, los trabajos clínicos mencionados
previamente y otros (Valdés, P.; Carballo, J. A:; Alvarez, A.; Díaz,
G. F.; Biscay R.; Pérez, M. C.; Szava, S.; Virués, T y Quesada, M.
E.: qEEG en to public Health System, Brain Topography, Vol. 4, Nº 4,
1.992 b, págs. 259-266) mostraron que las
invenciones descritas en las patentes de EE.UU. 5.282.474 y la
patente de EE.UU. 5.307.807 no tienen en cuenta los siguientes
aspectos, necesariamente para una elaboración metodológica más
completa de la TPEC.
Los procedimientos estadísticos descritos en la
patente de EE.UU. 5.282.474 no se extendieron para su uso en la
TPEC. En particular, el espacio de muestra de la TPEC es un campo
estocástico definido en una variedad espacio tiempo de 4
dimensiones, requiriendo así para su análisis métodos específicos
que no se tuvieron en cuenta en dicha patente.
\newpage
Los métodos de regresión usados en la patente de
EE.UU. 5.282.474 para eliminar el efecto de variables concomitantes
experimentales son de un tipo polinómico global paramétrico. Estos
no son suficientemente flexibles para la descripción de las
variaciones en múltiples escalas típicas para datos
electrofisiológicos.
En el caso de la patente de EE.UU. 5.307.807, el
único recurso de regularización consiste en el control del número
de dipolos cuyos parámetros se consideran. Esto es un uso implícito
del funcional R_{J}(j(t)\theta) que
garantiza que N_{g}<\theta_{0} que no es muy flexible y
requiere una excesiva intervención humana.
En el caso de la patente de EE.UU. 5.307.807, la
solución para el problema directo que relaciona la actividad de los
generadores con las señales observables se consigue con
deconvolución anatómica. Este método no se adapta a configuraciones
generales de generadores y es sólo una aproximación numérica
inexacta a la solución óptima.
En el caso de la patente de EE.UU. 5.307.807, la
descripción paramétrica empleada para caracterizar la geometría del
cuerpo del individuo está basada en el uso de descripciones
cuantitativas de una forma funcional que no es suficientemente
flexible para describir adecuadamente variabilidad morfométrica
interindividual. En particular este método no permite la inclusión
de información anatómica probabilística en los casos para los que la
adquisición de imágenes estructurales del individuo particular en
estudio sea bien no deseable o impracticable.
En el caso de la patente de EE.UU. 5.307.807, la
información metabólica disponible de otras modalidades de imagen
sólo está integrada como una restricción a las regiones en que se
permitirán dipolos activos. Así esta información no se usa en un
procedimiento de estimación estadísticamente óptima.
Desde la publicación de las dos patentes
mencionadas ha aparecido una serie de trabajos que aunque no
resuelven los problemas indicados en líneas generales
anteriormente, totalmente, han contribuido a la elaboración de las
soluciones que se reivindican en la presente invención. Los
desarrollos pertinentes se enumeran a continuación, acompañados por
una evaluación de sus ventajas e insuficiencias.
Los PD usados en la construcción de todas las
TPEC hasta el momento son bien los datos a tratar o estadística
suficiente, procedente de los datos, casi siempre algunos de los
momentos estadísticos de orden inferior en el dominio del tiempo o
la frecuencia. Trabajos recientes (Hernández, J. L.; Valdés, P. A.;
y Vila P. (1.996) EEG spike and wave modeled by to stochastic limit
cycle. NeuroReport, 7: 2.246-2.250) demuestran la
necesidad de descripciones no paramétricas flexibles para la
secuencia temporal del EEG/MEG/EKG/MKG que permita la descripción
de la actividad dinámica, esencialmente no lineal, que es
característica de masas de tejido neural y cardíaco.
El caso
R_{J}(j(t)\Theta) = \bigparallel
j(t) \bigparallel_{\Sigma_{jj}}^{P_{j}} incluye
regularización clásica, que permite modelos de j(t) en que
las áreas activadas puedan ser extensas y con contornos homogéneos.
En particular las Soluciones Distribuidas Lineales están limitadas
a estimar j(t) para cada tiempo t separadamente. Se asume que
R(t) \sim N_{R}^{k, p_{o}} (0, \Sigma_{EE}) y que
j(t) \sim N_{R}^{k, p_{j}} (0, \Sigma_{j} con p_{0}
y p_{J}=2. En consecuencia, la estimación de TPEC genérica se
formula como una solución de tipo Spline (Riera, J. J.;
Aubert, E.; Valdés, P., Casanova, R y Lins, O. Discrete Spline
Electric-Magnetic Tomography (DSPET) based on
Realistic Neuronatomy. Para aparecer en el Libro de Actas en La
Décima Conferencia Internacional en Biomagnetismo, BIOMAG'96, Santa
Fe, Nuevo México, Febrero de 1.996) donde la homogeneidad de la
solución se especifica por la matriz \Sigma_{JJ}. La estimación
de la CEP tiene, en este caso, una expresión explícita que es:
Los más significantemente representativos en
esta familia de TPEC se caracterizan por asumir que
\Sigma_{EE}=\sigma^{2}_{EE}I, donde \sigma^{2}_{EE}
es una varianza común a los sensores del mismo tipo. Las diferentes
soluciones lineales se caracterizan por el \Sigma_{j} postulado
como se indica a continuación.
TPEC (NM) de la Norma Mínima para la que
\Sigma_{j} = \sigma_{j}^{2} \cdot I_{3 . N_{g}}. Esta
solución requiere que la configuración de los generadores tenga
energía mínima (Wang, J. Z., Williamson, S. J. y Kaufman L. Magnetic
source images determined by lead-field analysis:
the unique minimum-norm least squares estimation.
IEEE Trans. Biomed. Eng., 39, 7, 665-667, 1.992)
compatible con la probabilidad. Este método produce estimaciones
espacialmente extendidas que no localizan fuentes discretas
correctamente. Se presentaron variantes de esta metodología en la
patente de EE.UU. 5.228.443.
TPEC de la Norma Mínima Ponderal (NMP),
\Sigma_{J} = \sigma_{j}^{2} \cdot W^{-2} \otimes I_{3},
donde la matriz W = diag(w_{j})
W es diagonal y contiene pesos. Esto
contrarresta un sesgo que presentan las soluciones distribuidas de
soluciones de concentración cerca de los sensores (George, J. S.;
P. S. Lewis, H. A. Schlitt, L. Kaplan, I. y C. C. Wood (1.993).
Strategies for source space limitation in tomographic inverse
procedures. En: Libro de A. 9ª Conf. Int. En Biomagnetismo, Viena).
Se ha demostrado que este método evita soluciones superficiales
falsas pero no localiza fuentes discretas con más precisión.
Tomografía eléctrica de baja resolución (LORETA)
donde:
\Lambda_{m} = W, L_{3} =
L\otimesI_{3}, siendo L la matriz de la Laplaciana discretizada.
Esta solución impone la homogeneidad espacial máxima compatible con
el término de probabilidad (Pascual-Marqui, R. D.,
1.994. Low resolution electromagnetic tomography: a new method for
localizing electrical activity in the brain, Int. J. Psychophysiol.
18: 49-65. LORETA). Este método localiza una fuente
puntual única con exactitud en cualquier parte del cerebro o el
corazón. Se ha extendido LORETA para la estimación del espectro
cruzado de los generadores del EEG. Véase el documento por Casanova
et al. (Casanova, R.; Valdés P., García F. M., Aubert. E.,
Riera, J. J., Korin, W y Lins O. Frequency domain distributed
inverse solutions. Para aparecer en los libros de Actas de la
Décima Conferencia Internacional en Biomagnetismo, BIOMAG'96, Santa
Fe, Nuevo México, febrero de 1.996). Esto se basa en la
siguiente
estimación:
estimación:
Sin embargo, (9) no corresponde con un modelo
Bayesiano completo, puesto que se especifica una probabilidad a
priori para j(t), pero no para \Sigma_{j}.
En algunos casos, se pueden imponer
restricciones adicionales para obtener la solución de Backus y
Gilbert bien conocida como se describe en la patente de EE.UU.
4.977.896.
Todos estos métodos de Spline especifican
la pertenencia de j(t) a un Espacio de Sobolev
H^{q}(L^{2}), para el número entero q, que es demasiado
restrictivo pues no está permitida la estimación de tipos dipolares
de CEP. De hecho, el límite de Raleigh es válido, que indica la
imposibilidad de discriminar fuentes puntuales cercanas. Este
límite es la causa, adicionalmente, de la aparición de soluciones
"fantasma" que son artificios de interferencia debido a la
resolución limitada de métodos lineales.
En la investigación de soluciones menos
generales, diversos autores han propuesto estimaciones no lineales
de j(t). Entre éstos 1) Matsuura y Okabe (Matsuura K y Okabe
Y. (1.995) Selective Minimum-Norm Solution of the
Biomagnetic Inverse Problem. IEEE Trans. BME Vol. 43 not. 6, págs.,
608-615) han variado de p_{0} y p_{j} en las
distribuciones gaussianas Generalizadas que definen el problema
inverso con la consecuencia que la solución inversa no se debe
estimar ahora no linealmente. 2) Gorodnitsky y Bhaskar (Gorodnitsky,
I. y Bhaskar D. R. 1.997. Sparse signal reconstruction from limited
data using FOCUSS: a reweighted minimum norm algorithm. IEEE Trans.
Signal Proc. Vol. 45 (3) págs. 600-616) han
propuesto aplicar iterativamente la estimación de la ecuación (5)
pesando cada punto de la red proporcionalmente al valor de
j(t) estimado en la etapa previa. Ambas propuestas convergen
algorítmicamente a un número de generadores discretos iguales al
número de sensores, siendo por lo tanto en efecto una forma más
elaborada de ajuste del dipolo. En consecuencia, comparten con
estos modelos dipolares el defecto que no pueden estimar fuentes
distribuidas espacialmente. Philips et al., (Philips JW,
Leahy RM y Mosher JC. MEG based imaging of focal neuronal current
sources (1.997). IEEE trans Medical Imaging, Volumen 16:
338-348 y Philips JW et al: "Imaging
neutral activity using MEG and EEG". IEEE Engineering in
medicine and Biology Magazine, vol. 16, nº 3, mayo de 1.992, páginas
34-42) introducido para el modelo (6) el
funcional
donde j(t)
=\psi(t).*(z(t)\otimes1_{3}). Este
funcional penaliza la carencia de homogeneidad de \psi(t)
en la métrica de \Sigma\psi\psi. También impone el
requerimiento adicional que hay pocos Z_{j} activos (que se
controla por los pesos \alpha_{1}) que se concentrarán en
vecinos \xi_{1} (cuya dispersión se controla por medio de los
parámetros Q y los pesos \beta_{i}). Esto se lleva a cabo por
medio del término 13 . El modelo jerárquico
Bayesiano resultante se estima usando el método de "Reconocimiento
de Campo Medio". Este modelo, aunque potencialmente muy flexible
sólo se ha descrito para el caso \Sigma_{\Psi} =
\sigma_{\Sigma}^{2} \cdot W^{-2} \otimes
I_{3}.
\newpage
\global\parskip0.900000\baselineskip
Ninguno de los métodos descritos anteriormente
representa con modelo las dependencias temporales de j(t),
que es igual al uso de la hipótesis implícita de que j(t) es
independiente para cada t. Esta hipótesis puede causar considerable
sesgo en las estimaciones estadísticas.
Se debería mencionar que numerosos trabajos
llevan a cabo procesamiento de imágenes de o(t), teniendo en
cuenta a veces información aportada por otras modalidades de
neuroimagen, que sin embargo no tienen como objetivo la estimación
y uso ulterior de j(t). Tal es el caso de la patente de
Finlandia 925.461 y la patente de EE.UU. 5.331.970. Puesto que
estas patentes no tienen como objetivo la obtención de una TPEC,
estos tipos de antecedentes no se incluirán en este análisis de la
técnica.
El objeto de la presente invención es
proporcionar un sistema y un método para calcular una estimación de
j(t) basada en o(t), indicándose dicha estimación como
TPEC. Cuando se hace referencia al estudio del cerebro,
específicamente Tomografía de la Corriente Eléctrica Primaria
Cerebral, el procedimiento se indicará (TPECc) y en el caso del
corazón, como Tomografía de la Corriente Eléctrica Primaria del
Corazón, (TPECk).
El mapa es la solución inversa del problema de
EEG/MEG/EKG/MKG basado en: a) la restricción de la solución a las
estructuras con alta probabilidad de generar actividad eléctrica
usando para esta restricción un Atlas Anatómico y b) imponer que la
solución pertenezca a un espacio funcional especificado previamente
de tipo Besov o se defina por un Megadiccionario. La probabilidad
determina que este mapa o un subconjunto del mismo, pertenece a un
grupo de ensayo. Para esta determinación, las correlaciones espacial
y temporal del mapa están representadas con modelo así como su
dependencia en covariables experimentales. Las probabilidades
resultantes están codificadas en una escala pseudocolor y están
superpuestas en un Atlas Anatómico para su visualización
tridimensional interactiva. Los Atlas usados en la solución del
problema inverso y para visualización, pueden ser Neuroimágenes
Estructurales individuales, Atlas Probabilísticos o deformaciones
plásticas de un Atlas Probabilístico a la morfología de un
individuo.
Uno de los aspectos de la presente invención
consiste entonces en, un Sistema para la Tomografía de la Corriente
Eléctrica Primaria (TPEC) del cerebro (TPECc) y del corazón (TPECk)
que comprende los siguientes elementos:
- -
- una pluralidad de sensores externos de campos eléctricos y/o magnéticos situados en la proximidad del cuerpo del individuo que está conectado al subsistema de amplificación, estando colocados dichos sensores, en el caso de TPECc, en la proximidad del cráneo del individuo y estando colocados dichos sensores, en el caso de TPECk, en la proximidad del torso del individuo;
- -
- un subsistema de amplificación que consiste en preamplificadores y amplificadores electrónicos que registran las señales detectadas por dichos sensores y llevan a cabo el acondicionamiento previo de dichas señales para su conversión analógica a digital;
- -
- un subsistema de conversión de analógico a digital que transforma las señales amplificadas en una secuencia de números binarios o(t) y almacena dicha secuencia en la memoria de un ordenador digital de propósito general que sirve como una unidad de control (UC), en el caso de las TPECc la serie de tiempo obtenida a partir de los sensores eléctricos es el Electroencefalograma (EEG) y la serie de tiempo obtenida a partir de los sensores magnéticos el magnetoencefalograma (MEG), mientras en el caso de la TPECk, la serie de tiempo obtenida a partir de los sensores eléctricos es el electrocardiograma (EKG) y la serie de tiempo obtenida de los sensores magnéticos el magnetocardiograma (MKG);
- -
- un subsistema de almacenamiento digital externo acoplado a la UC que permite la entrada de un Atlas Anatómico del cerebro o del corazón en un sistema de referencia de la cabeza o del torso, respectivamente, así como los valores de conductancia, permitividad eléctrica y magnética asociada a los tejidos descritos en este atlas, siendo un ejemplo particular pero no exclusivo de sistema de referencia para el cerebro, el sistema internacional "Talairach".
- -
- un subsistema de almacenamiento digital externo acoplado a la UC, donde la UC permite la entrada de imágenes de estados funcionales del cerebro o el corazón de un individuo obtenidas por otros procedimientos biofísicos tales como: Resonancia Magnética Funcional (fMRI), Tomografía por Emisión de Positrones (PET) y Fotones de Tomografía por Emisión de Fotones Simples (SPECT), definiéndose dichas imágenes funcionales en el sistema de referencia de la cabeza o del torso;
- -
- un dispositivo para detectar la posición de sensores que emitan en forma digital, las coordenadas de estos sensores así como las coordenadas de estructuras anatómicas externas de la cabeza o del torso del individuo. Estas coordenadas se definen en el sistema de referencia de la cabeza o el torso y se almacenan en la UC;
- -
- una pluralidad de dispositivos de estimulación conectados con la UC que emite auditoría, estímulos sensoriales visuales, así como calor, pulsos eléctricos y magnéticos para el propósito de estimular el sistema nervioso o cardiovascular del individuo;
- -
- una pluralidad de dispositivos sensores conectados a la UC que mide el motor, las reacciones fisiológicas y verbales del individuo en estudio;
\global\parskip1.000000\baselineskip
- \bullet
- una UC en cuya memoria reside un grupo de instrucciones o programas, para el control de la realización de los estudios, estando entre otros propósitos el campo de acción de este programa, la activación de los dispositivos de estimulación de acuerdo con un diseño preprogramado, el control de la adquisición del EEG/MEG/EKG/MKG, la determinación de las posiciones de los sensores, el registro de la actividad del individuo en estudio, la adquisición de las imágenes que llegan de otras modalidades biofísicas y el procesamiento digital de toda la información adquirida en un estudio de un individuo para la construcción de mapas estadísticos tridimensionales del desarrollo temporal de los estados funcionales del cerebro o el corazón.
Adicionalmente la presente invención proporciona
un método de cálculo que se usará junto con el sistema mencionado y
que comprende las siguientes etapas:
- a)
- Conversión de las coordenadas de los sensores al sistema de referencia del atlas anatómico (Figura 4). Esto se consigue por medio de la aplicación de una deformación viscoelástica (lo más generalmente, no lineal) que pone en correspondencia las coordenadas de los marcadores anatómicos externos del individuo con el atlas anatómico almacenado en la UC.
- b)
- Cálculo de los operadores lineales (Núcleo eléctrico y Núcleo magnético) que predice el EEG/MEG/EKG/ MKG que se produciría en el individuo con la presencia de CEP en cualquier parte del cerebro o el corazón. Este Núcleo se calcula para la red \Re_{V} usando el principio eléctrico o magnético de reciprocidad. Este principio establece una relación lineal entre los LF eléctricos y magnéticos con el campo eléctrico que aparece cuando los sensores se activan con una corriente continua o alterna de baja frecuencia, respectivamente. Por lo tanto, este campo eléctrico resume todas las propiedades conductoras de la cabeza o el tórax independientes del aspecto de un CEP arbitrario. Teorema de Reciprocidad: Sea \deltar^{3} un elemento de volumen en el interior del conductor \Omega_{V}. Una fuente puntual de corriente primaria j_{P}(t)\deltar^{3} en la posición r_{g} en el interior del conductor se refleja como una diferencia de potencial elemental \deltaV_{er}^{g}(t) en el electrodo conductor localizado en el cuero cabelludo y como una proyección elemental del campo magnético \deltab_{cn}^{g}(t) en la dirección normal a un arrollamiento simple externo a la cabeza (Figura 5). En condiciones pasivas (CEP igual a cero en el conductor), las dos situaciones indicadas a continuación producirán diferentes distribuciones de campo eléctrico en el conductor completo. 1) Para el EEG una corriente continua I_{er} (saliendo del conductor por el electrodo de registro y entrando por la referencia) aplicada al mismo electrodo {}\hskip17cm conductor (Figura 6a). El teorema eléctrico de reciprocidad establece: \frac{e(r_{g}) \cdot j_{p} (t) \delta r^{3}}{I_{er}} = -\delta V_{er}^{g} (t). 2) para {}\hskip17cm el MEG una corriente alterna I_{c}(\omega) (a una frecuencia específica (0\leq\omega\leq100) Hz) circulando en el mismo {}\hskip17cm arrollamiento (Figura 6b). El teorema de reciprocidad establece: \frac{e(r_{g} \cdot \omega) \cdot j_{p} (t) \delta r^{3}}{i\omega I_{c} (\omega)\Delta S_{c}} = -\delta b_{cn}^{g} (t). El cálculo de {}\hskip17cm los campos eléctricos e(r_{g}) y e(r_{g},\omega) en las dos situaciones descritas previamente se debería calcular para obtener finalmente los LF eléctrico y magnético. Este cálculo se puede llevar a cabo sobre la base de un modelo de las características físicas realistas de la cabeza o el torso del individuo como conductor. El uso del Método De los Elementos Finitos (FEM, por sus siglas en inglés) o Diferencia Finita (FDM, por sus siglas en inglés) (Ramírez, S., Eisenberg, J. Lehr y F. Schoen. Effects of cardiac configuration, paddle placement and paddle size on defibrillation current distribution: A finite element mode. Med. Biol. Eng. Comput., vol. 27, págs. 587-594, 1.989; Fahy, J., Kim Y y Ananthaswamy A., Optimal electrode configurations for external cardiac pacing and defibrillation: An inhomogeneous study. IEEE Trans. Biomed. Eng., vol. BEM-34, págs. 743-748, 1.987), permite representar con modelo un Conductor de Volumen que es inhomogéneo y anisótropo. Para este caso, \Re_{V} consiste en tetraedros. Si el Conductor de Volumen se considera un IHPC, se usa el Método de los Elementos Límite (BEM, por sus siglas en inglés) (Oostendorp T. y van Oosterom A. The potential distribution generated by surface electrodes in homogeneous volume conductive of arbitrary shape. IEEE Trans. Biomed. Eng., vol. BME-38, págs. 409-417, 1.991). Para este caso particular también se usan tetraedros para discretizar el volumen, pero con la diferencia de que estos tetraedros cuando entrecruzan las superficies que separan divisiones sucesivas, forman triángulos, discretizándose estas superficies por medio de una red. Todos estos métodos se han desarrollado basándose en la formulación de un problema de límite escalar para el potencial eléctrico. Estos conducen a un problema mal planteado (desde el punto de vista físico) debido a la incertidumbre en la determinación del potencial eléctrico hasta una constante espacial. Una vez que se calcula el potencial eléctrico, entonces se usa algún tipo de gradiente numérico para calcular el potencial eléctrico en las situaciones formuladas previamente. El método propuesto por Fletcher et al., (Fletcher D. J., Amir A., Jewett D. L., y Fein G. Improve method for calculation of potentials in to realistic head shape model. IEEE Trans. Biomed. Eng., vol. 42, nº 11, págs. 1.094-1.104, 1.995), denominado Análisis de Campo Conductor (LFA, por sus siglas en inglés) también está basado en la solución de un problema de BEM para el potencial eléctrico. La principal dificultad de esta metodología es que las matrices originadas por todos estos métodos son singulares y por lo tanto se necesita el uso de un método de deflaciones múltiples para obtener una solución particular (Lynn M. S. y Timlake W. P. The uses of multiple deflations in the numerical solution of singular systems of equations, with application to potential theory. SIAM J. Numer. Anal. vol. 5, not. 2, 1.968). Además, cuando se incrementa o disminuye la relación entre la conductividad de la capa exterior y del hueso, las matrices resultantes llegan a estar muy mal condicionadas. Los errores numéricos introducidos por dicho mal acondicionamiento se han reducido cuando se usa la formulación del problema aislado Hamalainein y Sarvas (Hamailainen M. S. y Sarvas J. 1.989. Realistic conductivity model of the head for interpretation of neuromagnetic dates. IEEE Trans. Biomed. Eng. Vol. 36, págs. 165-171). Todos estos métodos se pueden extender al cálculo de estos campos eléctricos bajo la formulación de un problema de límites vectoriales para la densidad de corriente óhmica originada en ambas situaciones, conduciendo a versiones vectoriales del FEM, FDM y BEM. Al contrario de las versiones escalares las matrices que se originan de la discretización de las ecuaciones no son singulares, evitándose de esta manera el uso del método de deflaciones múltiples. El "escaso" mal acondicionamiento (cuando se incrementan o disminuyen las relaciones entre las conductividades) se refleja en dichas matrices por la presentación de una estructura de bloque. Es posible para la versión vectorial de BEM calcular las inversas por bloques, algo que no es posible en el caso escalar puesto que estas inversas no están definidas. Como un ejemplo, el caso de un BEM vectorial se desarrolla en detalle a continuación. Dicho procedimiento origina sistemas de ecuaciones algebraicas de una gran escala. El uso de análisis multirresolución basado en el principio de umbral permite la conversión de estos enormes sistemas algebraicos de ecuaciones en un formato escaso, permitiendo de esta manera una reducción considerable del coste computacional y de los errores introducidos por redondeo (D. M. Bond y S. A. Vavasis. Fast wavelet transforms for matrices arising from boundary element methods, 1.994 y Glowinski R., Bread T. W., Wells R. O. y Zhou X. Wavelet and finite element solutions for Neumann problem using fictitious domains, 1.994).
- c)
- Determinación de los sitios posibles de presencia de generadores de CEP en la cabeza o el tórax por medio del uso de un Atlas Anatómico.
En el caso particular de un conductor de
volumen homogéneo por tramos isotrópico (IPHC), dicho IPHC consiste
en N divisiones (R_{1}, R_{2},..., R_{N}) que no se
entrecruzan y están ordenadas de manera que dichas divisiones se
contengan unas a otras. El aire es, R_{N+1} por definición.
Adicionalmente, \sigma_{j} representa el valor de la
conductividad en la división R_{j} (\sigma_{N+1}=0). La
superficie S_{j.j+1} es la frontera que separa las divisiones
R_{j} y R_{j+1}. El vector n_{j}(r) indica el r normal
a la superficie en la posición (Figura 7).
- 1)
- La densidad de corriente óhmica, j_{j}(r) en cada división R_{j} para la situación (1) corresponde a un problema de límite vectorial y se puede calcular sobre la base de la segunda fórmula del vector de Green:
\vskip1.000000\baselineskip
- donde:
\vskip1.000000\baselineskip
- 2)
- La densidad de corriente óhmica j_{j}(r), en cada división R_{j} para la situación (2) también corresponde a un problema límite vectorial y se puede calcular directamente sobre la base de la segunda fórmula del vector de Green:
\vskip1.000000\baselineskip
- donde:
Además, la densidad de campo magnético vectorial
producida por un arrollamiento en un medio infinito y homogéneo se
calcula de acuerdo con la expresión:
Las ecuaciones (11) y (13) se resuelven
analíticamente si la simetría de la IPHC permite una representación
en un sistema de coordenadas curvilíneas que permita una separación
de variables para la solución de la ecuación vectorial de Laplace.
De otro modo, estos se deberían transformar a coordenadas
Cartesianas y discretizarse. Obsérvese que para una frecuencia
\omega=\omega_{0} fijada en (13), estas ecuaciones sólo
difieren en el término independiente
{j_{\infty}(r),j_{\infty}(r, \omega_{0})}.
Indiquemos el campo vectorial general como c_{k}(r) =
{j_{k}(r),j_{k}(r, \omega_{0})}. Se puede
escribir entonces que para un término independiente
c_{\infty}(r) este campo vectorial general satisface la
ecuación:
Donde:
Se obtiene un BEM vectorial basado en esta
ecuación cuando se calcula el límite r\rightarrow S_{j,j+1} y
cuando se discretiza la ecuación integral de Fredholm resultante del
segundo tipo. Esto conduce a una serie de ecuaciones lineales
algebraicas:
Donde c_{\infty} =
(c_{1\infty},...c_{N\infty}), c = (c_{1},...c_{N}) y las
matrices:
Los (3N_{j,j+1}x1) vectores c_{j\infty} y
c_{i} se forman por la evaluación de c_{j\infty}(r) y
c_{j}(r) en los centros de masa de los triángulos de la
superficie S_{j,j+1}.c_{k} es un (3N_{k,k+1}x1) vector
construido por la evaluación en los centros de masa de los
triángulos de la superficie S_{k,k+1}. La matriz \Gamma_{jk},
(3N_{j,j+1}x3N_{k,k+1}), contiene la evaluación numérica de en
los centros de masa de los triángulos de la superficie
S_{j,j+1}.
Donde: \Gamma_{n}^{k} (r) = \Omega_{n}^{k}
(r) I_{3} - (n_{n}^{k} \cdot \lambda_{n}^{k} (r)):
La solución del sistema de ecuaciones (17)
algebraicas se obtiene invirtiendo la matriz del sistema: c_{est}
=
(D + \Gamma)^{-1}c_{\infty}. Este sistema de ecuaciones algebraicas no presenta problemas de singularidad puesto que la densidad de corriente óhmica no depende de la especificación de una referencia cualquiera.
(D + \Gamma)^{-1}c_{\infty}. Este sistema de ecuaciones algebraicas no presenta problemas de singularidad puesto que la densidad de corriente óhmica no depende de la especificación de una referencia cualquiera.
El valor de c_{j}(r) en un punto r
interior de la división R_{J} se obtiene sustituyendo, el campo
vectorial general estimado en las superficies, en la siguiente
expresión:
\vskip1.000000\baselineskip
Para el EEG
Concentrándose en el hecho de que la corriente
inyectada se considera constante por los triángulos marcados en el
cuero cabelludo, correspondiendo con los electrodos se obtiene lo
siguiente:
\vskip1.000000\baselineskip
Para el MEG
Si se considera a la frecuencia fija \omega=
\omega_{0}, que la densidad vectorial de campo magnético es
constante en cada triángulo e igual a su valor en el centro de masa,
obtenemos:
\vskip1.000000\baselineskip
donde:
Obsérvese que es necesario especificar el
componente transversal de la densidad vectorial de campo magnético
en cada uno de los triángulos que forman cada superficie. Para esto,
sólo es necesario evaluar la expresión mencionada a continuación en
cada uno de los centros de masas de los triángulos.
\vskip1.000000\baselineskip
La solución al problema inverso está basada en
la formulación de un modelo Bayesiano Jerárquico para fusión de la
imagen (Hum, 1.996; Mardia, 1.996). En el nivel más básico en el
modelo se postula la existencia de una activación A(t) de
tejido del cerebro o del corazón, no observable.
El modelo comprende los siguientes
componentes:
\bullet Términos I_{0m} de probabilidad para
cada modalidad m basada en el correspondiente problema directo
La expresión (18) se refiere a las observaciones
o_{m}(t) con los indicadores funcionales, F_{m}(x,
t) siendo estos degradados por la convolución con, K_{m}, un
núcleo que captura la resolución espacial y temporal de la
modalidad m de la imagen. También se asume un error instrumental
aditivo,
e_{m}(t)-I_{om}(o_{m}(t)-K_{m}*f_{m}(t)I\Theta_{\Theta
m}). Se usará la notación f = [f_{m}]_{1\leq m\leq M}.
Obsérvese que para el EEG y MEG, f_{m}(t) =
j(t).
\bullet Probabilidades, \pi_{fm}, a
priori para cada actividad F_{m}(x, t) funcional,
condicionada a un grado de activación A(x, t) cerebral de
acuerdo con la relación
que expresa la forma en que se
proyecta A(x, t) de acuerdo con algún mecanismo H_{m} para
producir los indicadores funcionales. También se asumen variaciones
aleatorias de los indicadores funcionales, \beta_{m} (t) -
\pi_{fm} (\fint_{m} (t) – H_{m} \circ A(t)
I\Theta_{\beta m}. Se usará la notación \Theta_{\beta} =
L\Theta_{\beta m} J_{1\leq m \leq
M}.
\bullet Una probabilidad \pi_{A} a
priori de la activación del cerebro o el corazón A(t)
\sim\pi_{A}(A(t)I\Theta_{A}).
\bullet Probabilidades a priori para
los hiperparámetros
\vskip1.000000\baselineskip
Todo lo cual conduce a la probabilidad a
posteriori básica siguiente:
\vskip1.000000\baselineskip
La estimación de todos los parámetros A,
\Theta_{A}, F, \Theta_{\beta}, \Theta_{E} del modelo se
llevará a cabo por el método de Máximos un método a
Posteriori (MAP). Para algunas realizaciones de la invención,
existirán estimadores explícitos. De otro modo la estimación se
obtendrá por uno de los siguientes métodos iterativos, tomando como
valores iniciales los estimados de un modelo más simple o valores
aleatorios simplemente:
- Maximización Sucesiva de (20) para subconjuntos de los parámetros A, \Theta_{A}, F, \Theta_{\beta}, \Theta_{E} mientras se están manteniendo fijos los demás "Maximización Condicional Iterada" (ICM; Winkler, G. (1.995) Image Analysis, Random Fields and Dynamic Carlo Methods Mounts, Springer).
- A.
- Maximización Sucesiva de (20) para subconjuntos de los parámetros, fijando los otros parámetros a su valor esperado, "Maximización Esperada" (ME; Tanner, 1.996).
- B.
- Elegir el modo de la distribución de Monte Carlo de (20) obtenida por medio de métodos de Cadena de Markov Monte Carlo (MCMC, Tanner M. 1.996 Tools for Statistical Inference. Tercera edición, Springer).
La ventaja de la formulación (20) es que permite
la combinación, de una manera estadísticamente óptima, de
información proporcionada por modalidades de imagen con diferente
resolución temporal y espacial. El peso que se debería asignar a
cada modalidad se obtiene en un automático. En particular, es
posible encontrar los pesos óptimos relativos con que se deberían
combinar el EEG y MEG.
La forma de la probabilidad se especifica por
medio de la forma del Riesgo:
La siguiente notación se introduce para
cualquier serie de variable x. Sean los parámetros más importantes
de la distribución la media y la matriz de covarianzas \Theta_{x}
= {\mu_{x}, \Sigma_{x}}. Entonces R_{x}^{p} [X |
\Theta_{x}]_{\varepsilon, p} = \sum\limits_{i=1}^{N_{x}}
C_{\varepsilon, p} [z_{l}^{x}] define un riesgo polinómico de
orden p, con (\varepsilon insensible)
\vskip1.000000\baselineskip
\vskip1.000000\baselineskip
Esta clase de riesgos incluye las normas
(L_{p}) de orden p>1 usadas previamente:
\vskip1.000000\baselineskip
\vskip1.000000\baselineskip
Además, los riesgos que son más generales
R_{x}^{C} [X | \Theta_{x}] = \sum\limits_{i=1}^{N_{x}}
C_{\varepsilon, p. \sigma} [z_{l}^{x}] se usarán donde:
\vskip1.000000\baselineskip
\vskip1.000000\baselineskip
Este tipo de riesgo incluye muchos casos
particulares usados en otros contextos. Cuando \varepsilon=0 y
p=2 el riesgo corresponde al de Huber que define estimadores
robustos. El caso \varepsilon=0 y \sigma=0 reduce a la norma
L_{1} mencionada previamente. Finalmente, si \sigma=0 la norma
es el riesgo \varepsilon insensible de Vapnik (1.995).
Para obtener el estimador MAP de (20) usando
ICM, EM o MCMC una etapa esencial es la minimización de expresiones
del tipo
R_{0}+\lambda.R_{J}(j(t)I\Theta)
(ecuación 5). Definimos R_{0} como R_{x}^{p} [X |
\Theta_{x}]_{\varepsilon, p} o R_{x}^{C} [X |
\Theta_{x}] y R_{J}(j(t)|\Theta)
como
\bigparallel x - \mu_{x}\bigparallel_{\Sigma_{x}}^{p}. La solución parcial (Smola, 1.966) es equivalente a la regresión con Máquinas Vectoriales Soporte (MVS). Permitiendo además una minimización eficiente, indicada como un problema de programación cuadrátrica, también las soluciones obtenidas son robustas para datos contaminados con valores atípicos. Adicionalmente la CEP estimada será una función de un número reducido de elementos de K_{m} que garantice simplicidad de la TPEC.
\bigparallel x - \mu_{x}\bigparallel_{\Sigma_{x}}^{p}. La solución parcial (Smola, 1.966) es equivalente a la regresión con Máquinas Vectoriales Soporte (MVS). Permitiendo además una minimización eficiente, indicada como un problema de programación cuadrátrica, también las soluciones obtenidas son robustas para datos contaminados con valores atípicos. Adicionalmente la CEP estimada será una función de un número reducido de elementos de K_{m} que garantice simplicidad de la TPEC.
Para tanto el EEG como el MEG
f_{m}(t)=_{ }j(t), la CEP. El modelo para la CEP
se detalla además como:
donde \mu(r_{g}):
\Omegag \rightarrow R^{3} es el campo de orientaciones de los
generadores de la CEP, \gamma(x, t): \Omegagx\Im
\rightarrow R el campo de intensidad de los generadores de la CEP
y \xi(t): \Omegag\Im \rightarrow R^{3} el
componente aleatorio aditivo asociado con j(t). Dicho
componente aleatorio, que sin pérdida de generalidad en una
realización particular, se especificará como
\xi(x,t) \sim N_{R}^{3,2} (0, \sigma_{xi}^{2} \cdot I_{3}). La ecuación (25) extiende al TPEC la representación con modelo espacio temporal introducido inicialmente para dipolos cerebrales (ecuación 7; Scherg, 1.993):
\xi(x,t) \sim N_{R}^{3,2} (0, \sigma_{xi}^{2} \cdot I_{3}). La ecuación (25) extiende al TPEC la representación con modelo espacio temporal introducido inicialmente para dipolos cerebrales (ecuación 7; Scherg, 1.993):
La especificación de la orientación e intensidad
de los generadores se lleva a cabo definiendo las siguientes
probabilidades a priori:
\vskip1.000000\baselineskip
de manera que la compatibilidad se
imponga con la activación A cerebral y una homogeneidad funcional
predefinida por un espacio de Besov. Seleccionar en este caso un
Espacio de Besov con índice (1,1,s) conduce a un TPEC de Resolución
de Variable (VARETA). VARETA permite la estimación de tanto
generadores de fuente puntual como generadores de fuente
distribuida en la misma estructura. Así, se elimina la absoluta
dicotomía entre ambos tipos de representación con modelo, existente
hasta ahora. En VARETA se permite que la cantidad de homogeneidad
impuesta en la solución sea variable desde un punto a otro en el
interior del volumen generador. De ese modo la denominación
"Resolución de Variable". Esta resolución de variable permite
estimaciones no lineales espacialmente adaptativas de las fuentes
de corriente que eliminan las soluciones "fantasma" presentes
en las soluciones distribuidas lineales usuales. También permite la
realización de "superresolución", la capacidad para distinguir
fuentes discretas muy cercanas entre sí. Son realizaciones
particulares, pero no exclusivas, de las probabilidades a
priori de la
ecuación (26):
ecuación (26):
- 1.
- log \pi_{u} \propto\bigparallel\Lambda_{s} \cdot \mu \cdot \Lambda_{m}\bigparallel_{B_{n,s}^{m}} donde \Lambda_{s} especifica el grado de homogeneidad que se impondrá a cada punto de la red y \Lambda_{m} = W \cdot p_{g} donde W se ha definido ya y p_{g} es una matriz en cuya diagonal las probabilidades se colocan tal que la sustancia gris exista en el punto de la red.
- 2.
- \pi_{\mu} (\mu | i) = N_{R}^{3 . N_{g . p}} (0, \Lambda_{m} \cdot D \cdot Z \cdot D \cdot \Lambda_{m}), donde los valores en la diagonal de D toman valores \sigma_{A}^{2} grandes o valores \sigma_{A}^{2} pequeños de acuerdo con el valor de una variable indicadora i definida para la red de manera que dicho indicador tome el valor 1 si se admite actividad en un punto y 0 de otro modo. En otras palabras se toma un modelo de mezcla para la distribución marginal de manera que \pi_{\mu} (\mu | i) = i \cdot N(0, \sigma_{A}^{2}) + (1-i) \cdot N(0, \sigma_{B}^{2}) y, a su vez, la i se obtiene como muestras de un multinomio con probabilidades p_{g}.
Son evidentes expresiones similares para la
ecuación (27). Obsérvese que la dependencia de p_{g} permite la
restricción probabilística de estimadores para CEP para puntos de la
red debido a nuestro conocimiento a priori. En particular,
si p_{g} sólo toma los valores 0 y 1 esta restricción para la
localización de la CEP llega a ser determinista.
Una vez hecha, para un individuo dado, la
estimación de j(x, t) y \gamma(x, t) y de los
hiperparámetros, una selección de éstos se compone de un vector de
PD. Este vector se usa para determinar si se puede clasificar la
TPEC obtenida, usando métodos de estadística no paramétrica (Ripley
B. D. (1.966) Pattern Recognition and Neural Networks. Cambridge
University Press) en una de una multiplicidad de grupos de ensayo.
Los grupos de ensayo que representan diferentes realizaciones de
esta invención son:
\bullet Grupos de individuos definidos como
normales por medio de criterios externos a su TPEC. Estos grupos se
especificarán implícitamente por medio de una muestra de PD de TPEC
de individuos normales contenidos en una base de datos. El objetivo
del análisis estadístico en este caso, es determinar la probabilidad
de que el PD de la TPEC evaluada se obtenga de un individuo
sano.
\bullet Grupos de individuos definidos con
patologías predefinidas por criterios externos a la TPEC se
especificarán implícitamente por medio de muestras de los PD de
TPEC de pacientes con las patologías contenidas de interés en una
base de datos. El objetivo del análisis estadístico en este caso es
determinar la probabilidad de que la TPEC se obtenga a partir de un
individuo con las enfermedades especificadas.
\bullet Grupos determinados por métodos de
Reconocimiento de Modelos No Supervisados la base de los PD de la
TPEC de una muestra de individuos normales y/o patológicos tienen en
común características fisiológicas de interés. El objetivo del
análisis estadístico en este caso es determinar la probabilidad de
que se obtenga un individuo de TPEC con las características
fisiológicas.
\bullet Grupos que consisten en una muestra de
PD de TPEC obtenida en momentos previos del individuo en estudio.
El grupo de los PD para cada momento del análisis constituye una
serie de tiempo vectorial. El objetivo del análisis estadístico de
esta serie de tiempo vectorial es dos veces
- 1.
- Determinar los cambios con el tiempo en el funcionamiento de partes predeterminadas del cerebro o el corazón, como se refleja en cambios del PD, con el objetivo, por ejemplo, de controlar los estados del cerebro durante una operación.
- 2.
- Llevar a cabo predicciones acerca de la probabilidad de que un vector de PD que refleje el estado funcional del cerebro o corazón tomado en una serie dada de valores en un momento posterior al examen actual.
Para el cálculo de las probabilidades previas,
se requiere tener la media \mu_{x} (\nu) y la varianza
\sigma_{x} (\nu) de cada Grupo de ensayo para cada uno de los
parámetros en cada punto de la red del volumen generador. Estas
medias y varianzas se pueden expresar como una función de variables
de control, v, por medio de regresión no parámetrica (Hastle, T. J.
y Tibshirani, R. J. (1.990): Generalized additive models. Chapman
and Hall, págs. 18-20; ISBN
0-412-34390-8 y Fan
J. y Gibjels I. Local Polynomimal Modeling and its Applications,
1.996):
Se llevan a cabo las siguientes
transformaciones, también, en los PD:
- 1.
- Transformación hacia una distribución objetivo por medio de una función no lineal x = T(PD), para asegurar que el vector x tenga una distribución próxima a una seleccionada, t, especificada con antelación.
- 2.
- Cálculo de la transformación z_{x} usando la variante univariante.
- 3.
- Cálculo de la probabilidad de que todo o parte de z_{x} alcance un valor máximo o mínimo especificado previamente. Este cálculo se debería llevar a cabo con la corrección del efecto de las múltiples correlaciones espacial y temporal. Estas son tanto una consecuencia del proceso de estimación como de la fisiología del cerebro y el corazón, siendo por todo efecto el incremento del error tipo i en la identificación de estados patológicos.
La complejidad de este problema descansa en la
naturaleza de z_{x} como una función aleatoria definida en una
variedad de cuatro dimensiones, tres dimensiones para espacio y una
para tiempo (definido así sin pérdida de generalidad, aunque se
pueda referir la dimensión tiempo a una expansión en una base de un
Megadiccionario; definiéndose así también posiblemente una dimensión
de frecuencia o frecuencia de tiempo). Se han desarrollado métodos
estadísticos para este tipo de variable aleatoria definida como
procedimientos estocásticos en una variedad
n-dimensional (Worsley, K. J.; Marrett, S.; Neelin,
P.; Vandal, A. C.; Friston, K. J. y Evans, A. C. (1.995): A unified
statistical approximation for determining significant signals in
images of cerebral activation. Human Brain Mapping, 4:
58-73). Estos procedimientos estadísticos se han
aplicado al estudio de imágenes estructurales (CAT, MRI), así como
imágenes funcionales (fMRI, SPECT y PET). Dichos métodos no se han
aplicado aún al campo qEEG/qEKG o al TPEC. En particular estos
resultados calculan la probabilidad P de que z_{max}, el valor
máximo de z observado en una región de interés C (o conformación
arbitraria) exceda el de un umbral U dado.
\vskip1.000000\baselineskip
\newpage
donde
p_{max}(f)_{d} y p_{min}(f)_{d}
dependen del tipo f de campo aleatorio que se postule (Gaussiana,
t, F, \chi^{2}, etc) y el R_{d} caracteriza la geometría de C
que se está expresando en términos de la FWHM del campo
estocástico. FWHM = \sqrt{4log_{e} 2}(det(\Lambda))^{-1/2D}, donde
\Lambda = Var\left(\frac{\partial Z}{\partial x}\right)
es la varianza de la derivada del campo estocástico y D es la
dimensión de C. Obsérvese que, en el caso general, la probabilidad
expresada previamente sólo dependerá del tipo de campo aleatorio
que se esté evaluando pero también de los grados de libertad de la
imagen estadística. z_{x} se representará gráficamente de las
siguientes
maneras:
\bullet Como gráfica unidimensional, donde
z_{x} se representará gráficamente como una función para un punto
fijado de la red. Este tipo de gráfica se denomina una curva z (o en
el caso del dominio de frecuencia, espectro z de la TPEC).
\bullet Como una imagen bi o tridimensional,
donde z_{x} se representará gráficamente para un instante de
tiempo fijado. Este tipo de gráfica se denomina imagen z de la TPEC.
La gráfica se realizará de acuerdo con un código de color que
indique el grado de desviación de la TPEC a partir de valores
normativos. Esta gráfica está superpuesta en un atlas anatómico,
que constituye el fundamento de la imagen.
Para la evaluación estadística más clara de la
imagen z se define la siguiente transformación:
donde la región de interés
seleccionada es la imagen completa, F^{-1} es la función de
distribución Gaussiana inversa. U_{max}, U_{min} son límites
elegidos por el usuario, siendo una posible selección U_{min} =
-U_{max}. La resultante en una escala de probabilidad que
corresponde a una distribución gaussiana univariante. La ventaja de
esto es que el usuario puede hacer una evaluación sin que tenga que
concentrarse en el tipo f de distribución o los grados
correspondientes de
libertad.
Una realización preferida, pero no exclusiva, de
esta invención será la TPECc en el dominio de frecuencia para el
EEG. Esta realización se desarrolla para situaciones en situaciones
en que no es conveniente obtener un MRI individual y por lo tanto
llega a ser necesario el uso de Atlas Cerebral Probabilístico. Las
observaciones se toman ahora como el EEG para el i individual,
segmento j, que se representa con modelo (Valdés, P.; Bosch, J,;
Grave de Peralta, R.; Hernández, J. L.; Pascual, R. y Biscay, R.:
Frecuency domain models for the EEG. Brain Topography, 1.992a, vol.
4, págs. 309-319) como:
En otras palabras, se asume que el EEG observado
es la distorsión de un EEG registrado ideal v_{i,j}(t) por
multiplicación con un factor \kappa_{i} de escala (individual y
aleatorio) y también por sustracción de la actividad del electrodo
de referencia p_{ij}(t). Por medio de inspección visual, se
garantiza que los segmentos conformen las hipótesis de
estacionareidad y "mezclamiento" (Brillinger, D. R., (1.975):
Time series Date Analysis and Theory). Esto garantiza que la
transformada de Fourier de los segmentos o_{i,j}(\omega)
\sim N_{c}^{n_{d}} (0,\Sigma_{0}(\omega)) donde
\omega indica frecuencia y la matriz de espectro cruzado o
covarianza del EEG que se estima como:
Valdés-Sosa
(Valdés-Sosa, P., (1.984): Statistical Bases.
Capítulo 7. Neurometric assessment of brain dysfunction in
neurological patients. En: T. Harmony. Functional Neuroscience, vol.
3. Lawrence Eribaum Associates, Hilsdate, Nueva Jersey, págs.
141-254). Por consiguiente el estimador de la
muestra de la matriz de covarianzas \Sigma_{1}(\omega)
es:
donde H indica la matriz de
centrado que transforma los datos a la referencia media (Mardia KV,
Kent JT y Bibby JM. (1979): Multivariate Analysis. Academic Press
Inc. Londres Ltd) y el estimador de Probabilidad Máxima de \kappa
se describe en Hernández et al (Hernández, J. L.; Valdes, P.;
Biscay, R.; Virués, T.; Szàva, S.; Bosch, J.; Riquenes, A y Clark,
I. (1.995): A Global Scale Factor in Brain Topography. Intern.
Journal of Neuroscience, 76:
267-278).
En este caso el objeto de interés primario es la
estimación de \Sigma_{J}(\omega), que se lleva a cabo
eligiendo las probabilidades apropiadas a priori. En este
caso, el procedimiento de estimación de MAP es equivalente para
minimizar la siguiente expresión:
que se consigue calculando
iterativamente la etapa
k
Estas etapas se repiten hasta que converge el
estimador.
En la ecuación (32) el primer término
corresponde a la probabilidad, el segundo término
\sum\limits_{r=1}^{Nrg} j_{ir} (\omega^{l} \cdot
\Sigma_{J_{i}}^{-1} (\omega) \cdot J_{ir} (\omega) (al
término de regularización usual con la matriz de hiperparámetros.
El tercer término corresponde al conjugado natural a priori
para la Matriz de Wishart para el hiperparámetro
\Sigma_{Ji}(\omega), proporcional a:
donde la matriz \Lambda_{s}
diagonal especifica el grado de homogeneidad que se impondrá en cada
punto de la red, en este caso cero para las fronteras de la
sustancia gris. \Lambda_{m} pesa la magnitud permisible de la
CEP en cada punto de la red \Lambda_{m} = W \cdot
\Lambda_{G}^{\tfrac{1}{2}}, donde la matriz \Lambda_{G}
diagonal contiene un estimador de la probabilidad de que cualquier
cerebro normal tenga materia gris en esa posición. Estas
probabilidades por ejemplo se pueden obtener usando un Atlas
Probabilístico Braini (Evans, A. C.; Collins, D. L.; Neelin, P.;
MacDonald, D.; Kambei, M. y Marret, T. S. (1.994) Three dimensional
correlative imaging: Applications in human brain mapping. En R.
Thatcher, M. Hallet, T. Zeffiro, E. Roy John y M. Vegetable garden
(Eds.) Functional neuroimaging technological foundations. Academic
Press; Mazziotta JC, Gown TO, Evans AC, Fox P, Lancaster J (1.995).
A probabilistic atlas of the human brain: Theory and rationale for
its development. Neuroimage 2:
89-101).
En una realización particular de esta invención,
las diagonales de todos los \Sigma_{ji} (\omega) se toman
como PD, indicado como S_{j}(\omega). La ecuación (28)
se aplica a cada uno de estos parámetros descriptivos usando el
logaritmo natural como T. La media y la varianza por frecuencia y
para cada punto de la red se obtienen previamente por el modelo de
regresión:
donde la población la media
\mu_{i}(\omega, edad) y la desviación estándar
\sigma_{i} (\omega, edad) para cada punto de la red j y cada
edad, se obtienen por regresión no paramétrica heteroscedástica
(Hastie, T. J. y Tibshirani, R. J. (1.990): Generalized aditive
models. Chapman and Hall, págs. 18-20; ISBN
0-412-34390-8; Fan
J. y Gibjels, I. Local Polynomimal Modeling and its Applications.
Chapman and Hall). La serie completa de
\mu_{i}(\omega, edad) constituye entonces una
generalización de las superficies desarrolladas descritas en Valdés
et al. (Valdés, P.; Biscay, R.; Galán, L.; Bosch, J,; Szava,
S. y Virues, T.: High Resolution Spectral EEG norms for topography.
Brain Topography, 1.990, vol. 3, págs. 281-282) y
ahora extendido a TPEC. En la Figura 9 se pueden observar estas
superficies de regresión (obtenidas de la Base de Datos de EEG de la
Normativa Cubana). En la figura, se conocen superficies
tridimensionales para diversos puntos de la red generadora, en que
el eje z es \mu_{i}(\omega, edad) el eje y es
frecuencia y el eje x es
edad.
La gráficas bi o tridimensionales de los valores
de z obtenidos de esta manera a partir de S_{J}(\omega)
constituyen un ejemplo de imágenes z de la TPEC. La representación
gráfica se lleva a cabo con un código de color que indica la
desviación de la imagen calculada de los valores de la normativa.
Esta gráfica está superpuesta en un atlas cerebral en coordinadas
de Talairach, que constituye el fundamento de la imagen. Para la
evaluación estadística de imágenes z de ello se asume que son
muestras de un campo aleatorio gaussiano de cuatro dimensiones (3
dimensiones espacio y 1 dimensión frecuencia). En este caso se
aplica la teoría descrita por Worsley et al., (Worsley., K.
J.; Marrett, S.; Neelin, P.; Vandal, A. C.; Friston, K. J., y Evans,
A. C. (1,995): A unified statistical approximation for determining
significant signals in images of cerebral activation. Human Brain
Mapping, 4:58-73). Esto permite la evaluación de la
probabilidad de que un máximo o un mínimo de la imagen z tome un
valor dado. La transformación z_{w} descrita anteriormente se
adopta para el rendimiento a escala de probabilidad correspondiendo
a una distribución gaussiana univariante.
Ejemplo clínico
1
En la Figura 10 a) se muestra la imagen Z de la
TPECc en el dominio de frecuencia, obteniéndose dicha imagen de una
paciente hembra de 27 años para la que se había diagnosticado un
astrocitoma en la región frontoparietal izquierda. Para propósitos
de comparación también se conocen en esta figura el b) CAT espiral,
c) MRI T1, d) SPECT y e)
MRI T2.
MRI T2.
Ejemplo clínico
2
Se seleccionó un grupo de 11 pacientes
neurológicos de admisión reciente basándose en un diagnóstico de
accidentes Cerebrovasculares (CVA, por sus siglas en inglés) de
origen isquémico, debido a la oclusión de la Arteria Cerebral Media
Izquierda (LCMA) o Derecha (RCMA) (ambas por sus siglas en inglés).
Se aplicaron a todos los pacientes el dominio de la frecuencia
TPECc y el CAT. Los ejemplos de la TPECc-FD
obtenidos se muestran en la Figura 11, habiendo una correspondencia
completa con el diagnóstico clínico. Todos los resultados obtenidos
se resumen en la Tabla 1. Se puede observar que en 7 casos la
TPECc-DF fue superior al CAT, en 3 igual y sólo en
1 peor en términos de precisión de localización. El CAT es hasta la
fecha el método de formación de imagen de elección para la
evaluación de CVA a pesar de su naturaleza invasiva.
\vskip1.000000\baselineskip
Otra realización preferida, pero no exclusiva,
de esta invención es la TPECc en el dominio tiempo. En este caso el
método se usa para identificar regiones cerebrales activadas y sus
conexiones funcionales cuando se tiene un atlas cerebral anatómico
individual para el individuo en estudio. Una vez que se estima el
\gamma(x, t), se analizan como series de tiempo no
lineales. Los valores de \gamma(x, t) se agrupan en un
vector \gamma_{t} = [\gamma (x_{j}, t)]_{l\leq 1 \leq N{g}}
al que se fija un Modelo Autorregresivo No Lineal No Paramétrico
(NNAM, por sus siglas en inglés);
donde \Gamma_{t}^{q} =
[\gamma_{t-k}]_{l\leq k \leq q} es la
matriz de valores antiguos que constituye el estado previo del
sistema Markoviano (q es el orden máximo del valor antiguo
incluido. Tanto la función F Autorregresiva como la matriz de
covarianzas \Sigma_{y} (\Gamma_{t}^{q}, t), de \varepsilon
(\Gamma_{t}^{q}, t) dependen tanto del estado previo como del
instante de tiempo t, razón por la cual el modelo es también no
estacionario y heteroscedástico. Tanto la función F Autorregresiva
como la matriz de covarianzas \Sigma_{y} (\Gamma_{t}^{q}, t) se
estiman usando métodos no paramétricos (Hastle y Tibshirani, 1.990)
en forma de Splines (Wahba, 1.990) polinomios locales (Fan J. y
Gibjels, I.; Local Polynomimal Modeling and its Applications.
Chapman and Hall), SVM (Smola A., (1.996) Regression Estimation
with Support Vector Machines. Dr. en Dissertation Physik Department,
Technische Department, Technische Universität München) o regresión
en
Megadiccionarios.
La evaluación de F en el soporte de la serie de
tiempo \gamma_{t} genera un vector x_{\gamma}^{NL} de PD que
contiene información acerca de la morfología de los grafoelementos
de la serie fisiológica que se ha demostrado que es más informativa
que la proporcionada por poliespectros para el reconocimiento de la
actividad de actividad ictal en el EEG de epilépticos (Hernández,
J. L.; Valdés, P. A: y Vila, P. 1.996) EEG spike and wave modeled
by to stochastic limit cycle. NeuroReport, 7:
2.246-2.250). El análisis de grupo y el
reconocimiento del modelo del EEG se lleva a cabo ahora con
x_{\gamma}^{NL}, usando para este propósito no sólo métodos
lineales simples sino también métodos no paramétricos (Ripley B. D.
(1.966) Pattern Recognition and Neural Networks. Cambridge
University Press).
Adicionalmente, la estimación de F permite el
cálculo de estimaciones de causalidad de Granger entre generadores
de CEP por medio de la siguiente generalización no lineal y no
estacionaria de mediciones de influencia introducidas por Geweke
(1.984). Indíquense A, B y C como subconjuntos (sin intersección) de
la serie de tiempo que comprende \gamma_{t}. Definamos la
matriz de covarianzas \Sigma_{\gamma} (\Gamma_{t}^{q}, t, A |
B \cdot C) como la obtenida de A cuando se elimina la influencia
de B por regresión no paramétrica condicional en C. Entonces la
influencia (dirigida) de B en A, condicional a C como el logaritmo
natural de las relaciones de determinantes:
Ahora se ilustra la utilidad potencial de las
mediciones de influencia combinadas con la TPECc en la evaluación
de la patología epiléptica. Los estimadores de \gamma_{t} se
obtuvieron basándose en el registro de EEG de un paciente con una
convulsión parcial compleja (de origen focal y propagación
secundaria que resulta en pérdida de consciencia). El paciente fue
una chica de 11 años cuyo registro se muestra en la Figura 12. En
la Figura 13, se muestra la varianza estimada de \gamma_{t}
siendo posible observar cuatro sitios activos (indicados con las
letras A a D en la figura). El cálculo de las mediciones de
influencia indicó la dirección de flujo de la información entre
presumidos focos epilépticos. Como se puede ver el foco A influenció
todos los otros focos presumidos y otros no influyeron. El lugar de
la mayor actividad y el origen primario presumido de la crisis se
consideró como A, que correspondió al diagnóstico clínico.
Atlas anatómico cerebral basado en una imagen
estructural individual. a) Módulo axial de un MRI, al que se aplica
un procedimiento de detección de contorno; b) Señalar en líneas
generales la capa exterior detectada; c) reconstrucción en 3D de la
formación de triángulos de la superficie de la capa exterior usando
los contornos detectados en todos los módulos.
Atlas anatómico cerebral basado en una imagen
estructural probabilística en el sistema de referencia de Talairach,
a) Módulos axiales de la imagen media; b) imagen de la probabilidad
de presentación de sustancia gris; c) imagen de la probabilidad de
presentación de la sustancia gris del lóbulo occipital; d)
segmentación de diferentes estructuras de la sustancia gris
representada por una escala discreta de colores.
Esta figura es un diagrama que muestra un
Sistema para obtener la TPEC, que comprende las siguientes partes
presentadas en la presente memoria, sin pérdida de generalidad, para
la realización particular para la TPECc. Estos elementos son los
descritos a continuación y se designan por las letras usadas para su
identificación: a) Una pluralidad de sensores externos de campos
eléctricos y/o magnéticos que se colocan en la proximidad del
cuerpo del individuo. En el caso de la TPECc, dichos sensores están
colocados en la proximidad de la cabeza del individuo. En el caso
de TPECk, dichos sensores están colocados en la proximidad del torso
del individuo. Estos sensores están conectados al subsistema de
amplificación b) que consiste en preamplificadores electrónicos y
amplificadores que registran las señales recogidas por dichos
sensores y que llevan a cabo el acondicionamiento previo de estas
señales para su conversión más tarde de analógicas a digitales. El
subsistema de amplificación se conecta al subsistema de conversión
de analógico a digital (1-c) que transforma las
señales amplificadas en una secuencia de números binarios. Dicho
subsistema de conversión de analógico a digital está conectado a un
ordenador digital de propósito general que actúa como una unidad de
control (UC). (i) Las señales digitalizadas se almacenan en la
memoria de la UC, que está, a su vez, acoplada a subsistemas
externos para almacenamiento digital d) y que permite la lectura y
el almacenamiento
de:
de:
\bullet Atlas anatómico del cerebro o del
corazón en el sistema de referencia de la cabeza o del torso,
respectivamente.
\bullet Imágenes funcionales del cerebro o el
corazón de un individuo obtenidas por otros procedimientos
biofísicos y definidas en el sistema de referencia de la cabeza o
del torso.
El sistema también comprende un dispositivo para
detectar la posición de los sensores (f) que emite en forma
digital, las coordenadas de estos sensores así como las coordenadas
de estructuras anatómicas externas de la cabeza o el torso del
individuo. Estas coordenadas se definen en dicho sistema de
referencia y se almacenan en la UC. Adicionalmente, el sistema
comprende una pluralidad de dispositivos estimulantes (g) conectados
con la UC que emite, estímulos sensoriales visuales, auditivos, así
como calor, pulsos eléctricos y magnéticos para el propósito de
estimular el sistema nervioso o cardiovascular del individuo. A la
UC también está conectada una pluralidad de dispositivos (h)
sensores que miden el motor, reacciones fisiológicas y verbales del
individuo en estudio (Respuestas del individuo). La UC (i) es un
ordenador de propósito general en cuya memoria reside un grupo de
instrucciones (Programas) para el control de la realización de
estudios. Las actividades del sistema para TPEC que se controlan
por este programa incluyen: la activación de los dispositivos
estimulantes de acuerdo con un diseño preestablecido (concebido con
el propósito de explorar reacciones del individuo); el control de
la adquisición del EEG/MEG/EKG/MKG; la determinación de las
posiciones de los sensores; el registro de la actividad del
individuo en estudio en el mismo sistema de referencia de tiempo
como el del EEG/MEG/EKG/MKG; la adquisición de las imágenes
funcionales que vienen de otras modalidades biofísicas y el
procesamiento digital de toda la información adquirida en un
estudio de un individuo para la construcción de mapas estadísticos
tridimensionales del desarrollo temporal de los estados funcionales
del cerebro.
\vskip1.000000\baselineskip
Electrodos del sistema patrón 10/20 para el
registro del EEG mostrado en la capa exterior del atlas cerebral
probabilístico en sistema de referencia de Talairach.
\vskip1.000000\baselineskip
Ilustración del principio de reciprocidad para
una división R_{j} rodeada por una superficie S de conformación
arbitraria. Diferencia de potencial elemental y proyección del campo
vectorial magnético \deltab^{g}_{cn}(t) que aparece
debido a la presencia de una CEP puntual
j_{P}(t)\deltar^{3} en el interior de la
división R_{j}.
\vskip1.000000\baselineskip
Ilustración del principio de reciprocidad para
una división rodeada por una superficie S de conformación
arbitraria. Las densidades de corriente óhmicas que aparecen en el
interior de la división R_{j} en ausencia de CEP activa, como
resultado de activar los: a) sensores eléctricos con una corriente
I_{er} continua y b) los sensores magnéticos con una corriente
I_{c}(\omega) alterna de baja frecuencia.
\vskip1.000000\baselineskip
Representación gráfica de un conductor de
volumen homogéneo por tramos isotrópico (IPHC).
\newpage
Secuencia de operaciones con el individuo. El
uso del sistema descrito para obtener TPEC consiste en las
siguientes operaciones: Colocación del individuo en posición
sentado o tumbado en la proximidad del sistema descrito. Colocar un
grupo de sensores (electrodos y sensores magnéticos) para detectar y
registrar las señales eléctricas y magnéticas que representen la
actividad fisiológica cerebral y cardíaca en forma de registros de
EEG/MEG/EKG/MKG. Uso del dispositivo para la medición de las
coordenadas de los sensores y las estructuras anatómicas externas
de la cabeza o del torso para su almacenamiento en la memoria de la
UC. La iniciación de la colección de datos del individuo,
controlado por los programas almacenados en la memoria de la UC.
Recogida y conversión de analógica a digital de la actividad
eléctrica y/o magnética del cerebro o del corazón del individuo por
el uso de los sistemas para la amplificación y conversión de
analógica a digital. Esta etapa puede estar acompañada opcionalmente
por la presentación de estímulos usando los dispositivos descritos
y la adquisición de las Respuestas del individuo. Las señales
recogidas se almacenan en forma de series cronológicas de
EEG/MEG/EKG/MKG. Eliminación del individuo del sistema.
Procesamiento previo de las señales registradas del individuo para
la eliminación de artificios y de componentes de frecuencia no
fisiológicos.
Entrada de las observaciones (EEG/EKG; MEG/MKG;
opcionalmente de imágenes funcionales tales como fMRI, PET,
SPECT).
Entrada de las posiciones de los sensores.
Entrada de un atlas anatómico, esto puede ser
una imagen estructural bien individual o una probabilística.
Conversión de la posición de los sensores al
sistema de referencia del atlas anatómico.
Cálculo de las probabilidades a priori
obtenidas del atlas anatómico.
Entrada de las propiedades conductoras.
Cálculo de los LF eléctrico y magnético usando
las posiciones de los sensores modificados.
Cálculo de j(t) de la CEP.
Cálculo de parámetros descriptivos observables
(PD) de las señales procesadas ya previamente. Estos PD son
estadística suficiente de modelos de procedimientos estocásticos.
Ejemplos particulares, pero no exhaustivos, de esta estadística
son:
- \bullet
- Promedios, varianzas y covarianzas o acumulantes de orden superior calculados como invariantes en el tiempo o alternativamente, como no estacionarios.
- \bullet
- poliespectros cruzados de todos los canales de EEG/EKG y MEG/MKG, registrados, calculados como invariantes en el tiempo o alternativamente, como no estacionarios;
- \bullet
- Funciones Autorregresivas Multivariantes fijadas al EEG/EKG y MEG/MKG, ambos paramétricos (lineal, cuadrático) así como no paramétricos.
- \bullet
- Mediciones de correlación, información mutua, causalidad de Granger entre canales de EEG/EKG y MEG/ MKG.
- \bullet
- Coeficientes de regresión de uno cualquiera de los tipos previos de parámetros con respecto a bien los estímulos emitidos por el sistema o a las respuestas del individuo.
\vskip1.000000\baselineskip
Ilustra las ecuaciones que describen la
variación normal de la TPECc en el dominio de frecuencia. Cada
subgráfica muestra, para puntos de la red cerebral representativa,
la superficie de regresión del logaritmo del espectro de la CEP
(eje z) con respecto a la frecuencia (x) y la edad (z).
\vskip1.000000\baselineskip
Imagen z de la TPECc en el dominio de frecuencia
de una paciente hembra de 27 años a la que se le diagnosticó que
tenía un astrocitoma en la región parietal frontal izquierda del
cerebro. Para propósitos de comparación se muestran otras
modalidades de formación de imagen para este paciente, en: b) CAT
espiral, c) MRI T1, D) SPECT y) MRI T2.
Proyección de Intensidad Máxima de la
transformada Z del logaritmo de la TPECc en el dominio de frecuencia
de dos pacientes con Accidente Cerebrovascular de la a) Arteria
Cerebral Media Izquierda y b) Derecha.
\vskip1.000000\baselineskip
Registro de EEG de un paciente con epilepsia
parcial compleja. El registro presenta actividad de picos y
ondas.
\vskip1.000000\baselineskip
TPECc en el dominio de tiempo del registro de la
Figura 12 en que se indican las fuentes principales de CEP así como
la dirección de flujo de información cuando se determina por las
mediciones de influencia no lineal, no estacionarias.
Claims (22)
1. Un método para obtener una Tomografía de la
Corriente Eléctrica Primaria (CEP) a partir de las señales
originadas bien a partir del cerebro o del corazón usando una serie
de sensores eléctricos y biomagnéticos externos y una serie de
imágenes anatómicas y médicas, comprendiendo el método las etapas
de:
- a)
- Medir las señales eléctricas y/o magnéticas de un individuo de ensayo a partir de la serie de sensores, definiendo observaciones para un tiempo t común, designando el EEG/EKG como o_{1}(t) y el MEG/MKG como o_{2}(t), respectivamente, obteniendo como resultado una serie de tiempo vectorial definida en el intervalo de tiempo \Im=[0,T].
- b)
- Especificar las coordenadas de los sensores en la serie de sensores para el individuo de ensayo como con respecto al sistema de referencia de la cabeza o el torso, designándose dicha serie de coordenadas \aleph_{1} y \aleph_{2} para el EEG/EKG y el MEG/MKG, respectivamente.
- c)
- Seleccionar una imagen anatómica, sea del individuo de ensayo o una imagen de referencia adecuada y especificar las coordenadas Cartesianas en el sistema de referencia común, de sus elementos de imagen volumétrica, constituyentes, como la red del conductor de volumen \Re_{V}.
- d)
- Especificar para cada punto r_{v} de \Re_{V} de un tipo "s" de tejido dado definiendo así un Atlas Anatómico.
- e)
- Marcar cada punto r_{v} de la red del conductor de volumen con el tipo de tejido.
- f)
- Especificar para cada punto r_{v} de la red del conductor de volumen \Re_{V} el valor de la conductividad que corresponde a la marca s_{v} de tejido, tomándose dichos valores de una serie predefinida de conductividades, designadas como el perfil \sigma de conductividad.
- g)
- Seleccionar los puntos del R_{V} generador para definir la serie \Re_{g} de N_{g} con puntos r_{g}, el volumen generador.
- h)
- Calcular las matrices de campo conductor eléctrico K_{1} y magnético K_{2} por las versiones de vector del Método de Elementos Finitos (FEM) o Método de Diferencias Finitas (FDM) que para un conductor de volumen inhomogeneo y anisótropo tal como \sigma, \aleph_{1}, \aleph_{2}, \Re_{g} y \Re_{V}, dados, soportan las siguientes ecuaciones: o_{1}(t)=K_{1}f_{1}(t), o_{2}(t)=K_{2}f_{2}(t), donde f_{1}(t) y f_{2}(t) se usan de forma intercambiable para indicar la CEP.
- i)
- Seleccionar, cuando esté disponible, una o más de las imágenes de las siguientes modalidades funcionales: Resonancia magnética funcional (fMRI) Tomografía por Emisión de Positrones (PET) y Tomografia Computerizada de Emisión de Fotones Simples (SPECT) definiendo las observaciones o_{3}(t), o_{4}(t) y o_{5}(t), respectivamente, siendo las del individuo de ensayo o alguna imagen de referencia adecuada.
- j)
- Especificar las posiciones de los elementos de imagen volumétrica como la serie de coordenadas Cartesianas, en el sistema de referencia común, para cada imagen funcional seleccionada, designándose dicha serie de posiciones \aleph_{3}, \aleph_{4} y \aleph_{5}, para fMRI; PET y SPECT, respectivamente.
- k)
- Especificar los instantes de tiempo para los cuales se ha muestreado cada imagen m funcional seleccionada, en una escala de tiempo común, para fMRI, PET y SPECT, respectivamente.
- l)
- Calcular el núcleo K_{m} que expresa nuestro conocimiento de que el indicador f_{m}(t) funcional ideal, asociado a la modalidad de imagen m-th (m=3, 4, 5) definida en \Re_{V} y se modifica para los instantes de tiempo muestreados por el procedimiento de formación de la imagen de acuerdo con la transformación o_{m}(t) = K_{m}*f_{m}(t) que:
- \bullet
- Reduce la resolución espacial de f_{m}(t) a partir del de \Re_{V} al de \aleph_{m}
- \bullet
- Reduce la resolución temporal de f_{m}(t) a partir de los datos electrofisiológicos (m=1) a esa o cualquier otra modalidad m.
- m)
- Calcular el operador H_{m} fisiológico que exprese nuestro conocimiento de que la activación A(t) de tejido neural o cardíaco definido en \Re_{g} y \Im_{m} produce procedimientos fisiológicos asociados a la modalidad de imagen m-th (m= 1, 2, 3, 4, 5) de acuerdo con la transformación\fint_{m} (t) = H_{m} \circ A(t).
- n)
- Calcular estimaciones de la CEP por estimación de unión de todas las f_{m}(t) y de A(t) para todo m observado, comprendiendo dicha estimación las etapas de:
- i.
- Asignar arbitrariamente valores iniciales a la f_{m}(t) y A(t)
- ii.
- Modificar iterativamente los valores de f_{m}(t) y A(t).
- iii.
- Calcular una medición p de probabilidad que se incremente cuando los valores de f_{m}(t) y A(t), simultáneamente
- \bullet
- Reconstruyan el o_{m}(t) con pequeño error cuando se cuantifique por una función de riesgo y
- \bullet
- Tengan una pequeña norma en un espacio de Besov dado.
- iv.
- Continuar la etapa ii hasta que la medición p no se incremente.
- o)
- Calcular los siguientes parámetros descriptivos.
- \bullet
- \gamma_{m}(t) = f_{m}(t) m=1,2,3,4,5 y \gamma_{6}(t) = A(t); para r_{i}\varepsilon\Re_{g}
- \bullet
- un valor I_{B\rightarrow NC} que cuantifique la influencia directa de la región B del cerebro o el corazón en la región A que no sea debido a la actividad que viene de la región C.
- p)
- Especificar grupos de referencia de individuos para los cuales se han resumido estadísticamente parámetros descriptivos y calcular:
- \bullet
- Las probabilidades p(\gamma_{m}) que los parámetros descriptivos medidos obtenidos en la reivindicación 1 -o para el individuo de ensayo sean típicas de un grupo de referencia dado.
- \bullet
- Las probabilidades p(I_{A\rightarrow BIC}^{m}) que los parámetros descriptivos medidos obtenidos en la reivindicación 1-o para el individuo de ensayo y sean típicas de un grupo de referencia dado.
- q)
- Codificar los valores de p(\gamma_{m}) y p(I_{A\rightarrow BIC}^{m}) por medio de una escala de color y visualizar dichos códigos cubiertos en la imagen anatómica seleccionada destacando regiones estadísticamente significativas por establecimiento de umbral en cero de los valores por debajo de un nivel de significación elegido para obtener un mapa paramétrico estadístico para la Tomografía de CEP.
2. El método definido en la reivindicación 1,
en el que el sistema de referencia común es el sistema de
coordenadas de Talairach.
3. El método definido en la reivindicación 1, en
el que el atlas anatómico se obtiene de acuerdo con una de las
siguientes variantes:
- a)
- Por la extracción de probabilidades de tejido de imágenes anatómicas obtenidas para el individuo específico en estudio siendo éstas una cualquiera de los siguientes tipos: Tomografía Axial Computada (CAT), Formación de Imágenes por Resonancia Magnética (MRI), secciones posmortem de la cabeza obtenidas por criotomía, etc., designándose dicho atlas como un Atlas Anatómico individual.
- b) Por una transformación rígida o elástica de la red conductora de volumen del individuo para asegurar la mejor correspondencia posible a una red conductora de volumen canónica para la cual se haya obtenido una distribución de probabilidad de tejidos a partir de una muestra de imágenes anatómicas normales o patológicas, designándose dicho atlas como un Atlas Anatómico Probabilístico.
4. El método definido en la reivindicación 1, en
el que el cálculo de las matrices de Campos Conductores Eléctrico y
Magnético por las versiones vectoriales del Método de los Elementos
Finitos (FEM) o Método de las Diferencias Finitas (FDM) para un
conductor de volumen inhomogéneo y anisótropo que comprende las
siguientes etapas:
- a)
- Especificar las posiciones de los sensores para la red de modalidad de EEG/EKG y MEG/MKG \aleph_{1} y \aleph_{2} respectivamente, como se define en la reivindicación 1-b.
- b)
- Especificar las posiciones r_{g} y r_{v} en la red del volumen \Re_{g} generador y del conductor \Re_{v} de volumen, respectivamente, como se define en las reivindicaciones 1-c y 1-f.
- c)
- Especificar el perfil de conductividad como se define en la reivindicación 1-g, usando una aproximación de manera que cada serie de marcas de tejido constituya una colección de N regiones embebidas para lo cual el valor de la conductividad es constante, \sigma={\sigma_{1}, ...,\sigma_{N}}.
- d)
- Calcular numéricamente las densidades de corriente óhmicas j_{kv}=j_{k}(r_{v}) y j_{kV}^{\omega} = j_{k} (r_{v}, \omega) en cada punto r_{v} de la red del conductor \Re_{V} de volumen, que pertenece a las superficies que limitan las regiones por medio de los siguientes Sistemas Algebraicos Lineales de Ecuaciones: Dc = c \infty -\Gammac; en las que c=(c_{1}, ...,c_{N}); dicho c_{k} ={j_{kv}, V=1,...N_{k,k+1}} para el EEG/EKG o c_{k}={j_{kv}^{\omega}, V=1,...N_{k,k+1}} para el MEG/MKG, N_{k,k+1} es el punto r_{v} numérico que pertenece a la superficie que separa las regiones k y k+1. Las matrices \Gamma y D se definen como:
\newpage
- e)
- f)
- donde
- r_{i}^{j} marca el punto i-th de \Re_{v} que pertenece a la superficie j-th: c_{\infty} = (c_{\infty}^{i};...;c_{\infty}^{N}) con c_{\infty}^{k} = {j_{kv}^{\infty}, V = 1,...,N_{k,k+1}} para el EEG/EKG y c_{\infty}^{k} = {j_{kv}^{\omega \infty}, V = 1,..., N_{k, k + 1}} para el MEG/MKG. Las magnitudes j_{kv}^{\infty} = j_{k\infty} (r_{v}) y j_{kv}^{\omega \infty} = j_{k\infty} (r_{v}, \omega) se evalúan a partir de las expresiones:
- g)
- j_{k \infty} (r) = - \frac{I_{er}}{4\pi} \nabla \cdot (g(r,r_{e}) - g(r,r_{r}))
- h)
Siendo b_{c}(r',\omega) el campo
magnético generado por la corriente ac de baja frecuencia que pasa
por un único arrollamiento en un conductor de volumen infinito y
homogéneo.
i) La función
donde g(r_{g}, r') es la
Función de Green del dominio
infinito.
j) Calcular el Campo Conductor Eléctrico y
Magnético en cada división de un IPHC usando los teoremas de
reciprocidad: k_{eg} = - \frac{j_{j}(r_{g})}{\sigma_{j}I_{er}}
en el electrodo conductor "er" y k_{cg} = -
\frac{j_{j}(r_{g}, \omega)}{i\omega\sigma_{j}I_{c}(\omega)\Delta
S_{c}} en el arrollamiento "co", respectivamente. Las
densidades de corriente óhmica se evalúan en cualquier punto
r_{g} de la red del volumen generador \Re_{g} por el uso de
las siguientes expresiones:
k) Campo Conductor Eléctrico:
l) Campo Conductor
Magnético:
m) Calcular las matrices de los
Campos Conductores Eléctrico K_{1} = {k^{t}_{eg}} y Magnético
K_{2} = {k^{t}_{cg}} especificando una fila de dichas
matrices para cada sensor (EEG/EKG e = 1,..., N_{e} y
MEG/MKG c = 1,...,N_{c}) y una columna para cada punto de la red
del volumen generador r_{g} \in
\Re_{g}.
5. El método definido en la reivindicación 1,
en el que el cálculo del operador núcleo k_{m} se especifica
estando la resolución espacial y temporal asociada a la modalidad de
imagen m-th (i=3, 4, 5).
6. El método definido en la reivindicación 1,
en el que la estimación de la CEP f, (t) para un individuo dado
comprende las etapas de:
- a)
- Asignar valores iniciales a las siguientes series de variables:
- 1.
- Activación de tejido A(t) = [A(r_{g}, t)]_{r_{g}\in\Re_{g}} para cada punto r_{g} de \Re_{g}
- 2.
- Indicadores funcionales \fint_{m} (t) = [\fint_{m} (r_{g}, t)]_{r_{g}\in\Re_{g}} para cada punto r_{g} de \Re_{g} donde f(t) = [f_{m}(t)]_{1\leq m \leq M} indica la totalidad de modalidades de medición obtenidas para el individuo.
- 3.
- Hiperparámetro de la activación \Theta_{A},
- 4.
- Hiperparámetro del ruido intrínseco de los indicadores funcionales \Theta_{\beta} = [\Theta_{\beta m}]_{1\leq m\leq M.}
- 5.
- Hiperparámetro del ruido experimental \Theta_{\beta} = [\Theta_{\beta m}]_{1\leq m\leq M}
- b)
- Calcular la probabilidad a posteriori:
\vskip1.000000\baselineskip
- que comprende los siguientes términos multiplicativos:
- 1)
- Términos I_{om} de probabilidad para cada modalidad m I_{om} (o_{m}(t).K_{m}*f_{m}(t) \Theta_{em})
- 2)
- Las probabilidades a priori para los indicadores funcionales
- 3)
- La probabilidad a priori para la activación \pi_{A}(A(t)|\Theta_{A})
- 4)
- La probabilidad a priori para los hiperparámetros de la activación \pi_{\Theta_{A}} (\Theta_{A})
- 5)
- Las probabilidades a priori para los hiperparámetros del ruido intrínseco de los indicadores funcionales \pi_{\Theta_{\beta m}} (\Theta_{\beta m})
- 6)
- Las probabilidades a priori para los hiperparámetros del ruido instrumental de \pi_{\Theta_{em}} (\Theta_{em})
- 7)
- Modificar iterativamente los parámetros A(t), \Theta_{A}, f(t), \Theta_{\beta}, \Theta_{e} hasta que se consiga un valor máximo de la probabilidad a posteriori, llevándose a cabo dicha modificación de acuerdo con uno de los siguientes esquemas:
- 1.
- Maximización Sucesiva de P(A(t), \Theta_{A}, f(t), \Theta_{\beta}, \Theta_{e}Io(t)) para subconjuntos de los parámetros, mientras se mantienen fijos todos los demás "Maximización Condicional Iterada" (MCI).
- 2.
- Maximización Sucesiva de P(A(t), \Theta_{A}, f(t), \Theta_{\beta}, \Theta_{e}Io(t)) para subconjuntos de los parámetros, fijando los otros parámetros a su valor esperado. "Maximización Esperada "(ME).
- 3.
- Elegir el modo de la distribución de P(A(t), \Theta_{A}, f(t), \Theta_{\beta}, \Theta_{e}Io(t)) obtenida por medio de métodos de Cadena Markov de Monte Carlo (MCMC).
7. El método según la reivindicación 6, en el
que las observaciones o_{m}(t) m = 1,2 electrofisiológicas
para la estimación de f_{1}(t) comprende una cualquiera de
las siguientes combinaciones: EEG solo, MEG solo, EEG y MEG
juntos.
8. El método según la reivindicación 6, en el
que bien:
- \bullet
- Ninguna de las imágenes funcionales o_{m}(t) m = 3,4,5 se usa para la estimación de f_{1}(t) o alternativamente,
- \bullet
- Algunas de estas mediciones se usan en una cualquiera de las siguientes combinaciones: fMRI solo, PET solo, SPECT solo, fMRI y SPECT, fMRI y SPECT, PET y SPECT.
9. El método según la reivindicación 6, en el
que el cálculo de las probabilidades
I_{om}(o_{m}(t).K_{m}*f_{m}(t)|\Theta_{em})
comprenden las siguientes etapas:
- a)
- Seleccionar el uso de cualquier riesgo polinómico insensible \varepsilon o un riesgo polinómico generalizado R_{x} [x|\Theta_{x}] para el propósito específico de evaluar probabilidades no gaussianas.
- b)
- Calcular el vector discrepancia \Delta = o_{m}(t)-K_{m}*f_{m}(t)
- c)
- Reescalar el \Delta como una función de los hiperparámetros \Theta_{e_{m}}
- d)
- Calcular R_{x}^{c}[\Delta/\Theta_{x}], el riesgo de \Delta
- e)
- Calcular I_{Om} (\Delta | \Theta_{cm}) = exp(-BR_{x}^{c}[\Delta | \Theta_{x}]) donde B es una constante preseleccionada
10. El método según la reivindicación 6, en el
que el cálculo de la probabilidad \pi_{tm} (\fint_{m} (t) \cdot
H_{m} \circ A(t) \Theta_{\beta m}) a priori, para
los indicadores funcionales comprende las siguientes etapas:
- a)
- Seleccionar los índices m, n, s del espacio de Besov B_{n,s}^{m} con el propósito de definir la homogeneidad del indicador funcional estimado, una elección particular pero no exclusiva siendo m=1, n=1, s=1, que define el "álgebra de choques".
- b)
- Calcular el vector discrepancia \Delta = \fint_{m} (t) - H_{m} \circ A(t)
- c)
- Reescalar el \Delta como una función de los hiperparámetros \Theta_{e_{m}}
- d)
- Calcular \bigparallel\Delta\bigparallel_{B_{n,s}^{m}}, la norma del \Delta en B_{n,s}^{m} llevándose a cabo dicho cálculo extendiendo primero \Delta como \Delta = \sum\limits_{k} F_{k} \cdot \Psi_{k} donde el \Psi_{k} pertenece a un Diccionario de Átomos (ejemplos particulares pero no exhaustivos del cual son el diccionario de Wavelet, diccionario de Fourier, diccionario delta de Dirac o un megadiccionario definido por la unión de diversos diccionarios) y después calcular \bigparallel\Delta\bigparallel_{B_{n,s}^{m}} \approx \sum\limits_{k} \alpha_{k} \cdot \bigparallel F_{k}\bigparallel^{m}
- e)
- Calcular \pi_{\fint_{m}} (\Delta | \Theta_{\beta_{m}}) = exp(-C \bigparallel\Delta\bigparallel_{B_{n,s}^{m}}) donde C es una constante preseleccionada.
11. El método según la reivindicación 6, en el
que el cálculo de la probabilidad a priori de la activación
\pi_{A}
(A(t)|\Theta_{A}) comprende las siguientes etapas:
(A(t)|\Theta_{A}) comprende las siguientes etapas:
- a)
- Calcular una función h(\Box) no decreciente del atlas probabilístico h(p_{g})
- b)
- Calcular la norma \bigparallel A(t)\bigparallel_{B_{n,s}^{m}} como se especifica en la reivindicación 10
- c)
- Calcular \pi_{A} (A(t) | \Theta_{A}) = exp(-Dh(p(s, r_{g})) - E\bigparallel A(t)\bigparallel_{B_{n,s}^{m}}) donde D y E son constantes especificadas previamente.
12. El método según la reivindicación 6, en el
que la probabilidad a priori para la CEP toma la siguiente
forma específica:
\vskip1.000000\baselineskip
\vskip1.000000\baselineskip
donde \pi_{1} y \pi_{2} son
probabilidades a priori especificadas como en la
reivindicación
10,
\vskip1.000000\baselineskip
\vskip1.000000\baselineskip
donde el \mu_{g} son las
orientaciones de la CEP para cada punto de
\Re_{g}.
13. El método según la reivindicación 6, en el
que la probabilidad \pi_{2}(\mu|\Theta_{2}) a
priori definida según la reivindicación 12, se calcula por
cualquiera de las siguientes expresiones:
- \bullet
- donde \Lambda_{s} es una matriz diagonal que especifica el grado de homogeneidad que se impondrá en cada punto de \Re_{g} y \Lambda_{m} =W.P, donde W es una matriz de pesos especificados previamente y P es una matriz diagonal que contiene p_{g} para todo r_{g}.
- \bullet
- Por medio de evaluación sucesiva de las distribuciones marginales de
- con N(0,\sigma^{2}) la distribución gaussiana univariante con media cero y desviación estándar \sigma, siendo \sigma_{A}^{2} y \sigma_{B}^{2} constantes seleccionadas para que sean grande y pequeña, respectivamente, con respecto a la variación esperada de las orientaciones.
14. El método según la reivindicación 6, en el
que los cálculos se llevan a cabo para o_{1}(t) y/o
o_{2}(t) en el domino de frecuencia especificando:
- \bullet
- Que las señales eléctricas se hayan sometido a la transformada de Fourier, indicando ahora t frecuencia.
- \bullet
- donde N_{R}^{2,p} (\mu_{x}, \Sigma_{x}) indica la distribución gaussiana real multivariante con media y varianza (\mu_{x}, \Sigma_{x}).
\newpage
- \bullet
- la matriz identidad
- \bullet
- \bullet
- una distribución a priori conjugada natural para matrices Wishart complejas donde \alpha y Q se especifican previamente de acuerdo con conocimiento previo.
- \bullet
- son constantes que definen previos incorrectos.
15. El método definido en la reivindicación 1,
en el que el cálculo del elemento I_{B \rightarrow NC} que
cuantifica la influencia directa de la región cerebral o cardíaca B
en la región A que no es debida a la actividad que procede de la
región C, comprende las etapas de:
- a)
- Definir regiones A, B, C como series de elementos de imagen volumétrica arbitrarios r_{i} \in \Re_{g} elegidos del volumen generador.
- b)
- Definir para cualquier modalidad m de imagen dada la matriz de valores antiguos como
- c)
- Calcular los residuales \varepsilon (\Gamma_{t}^{q}, t) de un modelo autorregresivo por cualquier cerebro dado fijando el modelo
- por medio de una función F no paramétrica y usar la expresión:
- d)
- Calcular la matriz \Sigma_{\gamma} (\Gamma_{t}^{q}, t, A | B.C) como la covarianza de los residuales del modelo autorregresivo no paramétrico por la unión de la serie de las regiones A, B y C.
- e)
- Calcular la matriz \Sigma_{\gamma} (\Gamma_{t}^{q}, t, A | B.C) como la covarianza de los residuales del modelo autorregresivo no paramétrico por la unión de la serie de las regiones A y C, excluyendo B.
- f)
- Calcular la influencia de la región A en B cuando se elimina la influencia de la región C como la expresión:
- como la relación logarítmica de los determinantes de las matrices \Sigma_{\gamma} (\Gamma_{t}^{q}, t, A | B.C) y \Sigma_{\gamma} (\Gamma_{t}^{q}, t, A|{ }.C)
16. El método definido en la reivindicación 1,
en el que los cálculos implicados comprenden las siguientes
etapas:
- a)
- Especificación de grupos de referencia de individuos para los que se han obtenido parámetros \gamma_{m}(t) descriptivos y para los que se han medido ciertas covariantes. Dichas covariantes (un ejemplo específico pero no exclusivo del cual es la edad) se indican por \varpi.
- b)
- Transformación hacia la Gaussianidad de los parámetros descriptivos de tanto el individuo de ensayo como los individuos en los grupos de referencia por medio de la expresión: \gamma^{'}_{m}(t) = T(\gamma_{m}(t)) en que los parámetros \gamma_{m}(t) descriptivos se transforman por una función T no lineal para obtener el vector \gamma^{'}_{m}(t).
- c)
- Cálculo de la media condicional \mu(\gamma^{'}_{m};\varpi) y la varianza \sigma(\gamma^{'}_{m};\varpi) de cada uno de los parámetros descriptivos como una función de los parámetros \varpi de control en cada grupo de referencia por medio de una regresión no paramétrica;
- d)
- Cálculo de la transformada z de cada
parámetro descriptivo por medio de la expresión:
75 donde cada cantidad se evalúa en cada punto de la red \Re_{g} generadora;
- e)
- Cálculo de las probabilidades que z_{max} y z_{min} el valor máximo y el mínimo de z en una región de interés C respectivamente, exceda unos umbrales Umax; U_{min} respectivamente dichos U_{max}, U_{min} son umbrales elegidos de acuerdo con conocimiento previo;
- f)
- Cálculo de las siguientes cantidades transformadas:
- en que P^{-1} es la función gaussiana inversa;
- g)
- Visualizar las curvas z, definidas como en gráficas dimensionales de z' representadas gráficamente para un punto fijado de la red \Re_{V} generadora y como una función de bien el tiempo o la frecuencia; designando el último caso un espectro z de la tomografía de la CEP.
- - Visualizar los valores z' como imágenes bi o tridimensionales para tiempo o frecuencia fijados denominándose dicha imagen, imagen z de la tomografía de la CEP haciéndose la imagen de acuerdo con un código de color que indica el grado de desviación de los valores de los grupos de referencia, superponiendo dicha imagen un atlas anatómico, que constituye el fundamento de la imagen.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CU1997087A CU22550A1 (es) | 1997-08-22 | 1997-08-22 | Sistema y método para la tomografía de la corriente eléctrica primaria del cerebro y del corazón |
CU87/97 | 1997-08-22 |
Publications (2)
Publication Number | Publication Date |
---|---|
ES2274576T3 ES2274576T3 (es) | 2007-05-16 |
ES2274576T4 true ES2274576T4 (es) | 2008-04-16 |
Family
ID=5459328
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
ES98941221T Expired - Lifetime ES2274576T4 (es) | 1997-08-22 | 1998-08-24 | Sistema y metodo para la tomografia de la corriente primaria del cerebro y el corazon. |
Country Status (12)
Country | Link |
---|---|
EP (1) | EP1005677B9 (es) |
JP (1) | JP4414591B2 (es) |
AR (1) | AR016854A1 (es) |
AT (1) | ATE341790T1 (es) |
CA (1) | CA2301712C (es) |
CO (1) | CO4790140A1 (es) |
CU (1) | CU22550A1 (es) |
DE (1) | DE69836086T8 (es) |
DK (1) | DK1005677T3 (es) |
ES (1) | ES2274576T4 (es) |
PT (1) | PT1005677E (es) |
WO (1) | WO1999010816A1 (es) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6622036B1 (en) * | 2000-02-09 | 2003-09-16 | Cns Response | Method for classifying and treating physiologic brain imbalances using quantitative EEG |
US8160677B2 (en) | 2006-09-08 | 2012-04-17 | Medtronic, Inc. | Method for identification of anatomical landmarks |
US8160676B2 (en) | 2006-09-08 | 2012-04-17 | Medtronic, Inc. | Method for planning a surgical procedure |
US8150497B2 (en) | 2006-09-08 | 2012-04-03 | Medtronic, Inc. | System for navigating a planned procedure within a body |
US8150498B2 (en) | 2006-09-08 | 2012-04-03 | Medtronic, Inc. | System for identification of anatomical landmarks |
US11103174B2 (en) | 2013-11-13 | 2021-08-31 | Biosense Webster (Israel) Ltd. | Reverse ECG mapping |
CN109753754B (zh) * | 2019-01-22 | 2023-03-24 | 国网浙江省电力有限公司电力科学研究院 | 一种基于希红诺夫正则化的发电机动态参数在线辨识方法 |
CN110610458B (zh) * | 2019-04-30 | 2023-10-20 | 北京联合大学 | 一种基于岭回归的gan图像增强交互处理方法及系统 |
CN110390724B (zh) * | 2019-07-12 | 2023-06-02 | 杭州凌像科技有限公司 | 一种带有实例分割的slam方法 |
EP4301220A1 (en) * | 2021-03-03 | 2024-01-10 | LVIS Corporation | Systems, methods, and apparatuses for neurological activity data analysis |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0542116A (ja) * | 1991-08-13 | 1993-02-23 | Hitachi Ltd | 生体表面電位分布から生体内電流分布を推定する信号処理方法 |
US5370126A (en) * | 1992-01-22 | 1994-12-06 | Neurotech, Inc. | Method and apparatus for three-dimensional mapping of evoked potentials |
-
1997
- 1997-08-22 CU CU1997087A patent/CU22550A1/es unknown
-
1998
- 1998-08-21 CO CO98047931A patent/CO4790140A1/es unknown
- 1998-08-21 AR ARP980104151A patent/AR016854A1/es active IP Right Grant
- 1998-08-24 ES ES98941221T patent/ES2274576T4/es not_active Expired - Lifetime
- 1998-08-24 DK DK98941221T patent/DK1005677T3/da active
- 1998-08-24 DE DE69836086T patent/DE69836086T8/de active Active
- 1998-08-24 JP JP2000508064A patent/JP4414591B2/ja not_active Expired - Fee Related
- 1998-08-24 WO PCT/CU1998/000006 patent/WO1999010816A1/es active IP Right Grant
- 1998-08-24 PT PT98941221T patent/PT1005677E/pt unknown
- 1998-08-24 EP EP98941221A patent/EP1005677B9/en not_active Expired - Lifetime
- 1998-08-24 AT AT98941221T patent/ATE341790T1/de active
- 1998-08-24 CA CA002301712A patent/CA2301712C/en not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
JP4414591B2 (ja) | 2010-02-10 |
AR016854A1 (es) | 2001-08-01 |
JP2001514031A (ja) | 2001-09-11 |
EP1005677A1 (en) | 2000-06-07 |
EP1005677B1 (en) | 2006-10-04 |
DE69836086D1 (de) | 2006-11-16 |
PT1005677E (pt) | 2007-01-31 |
CA2301712C (en) | 2009-12-22 |
CO4790140A1 (es) | 1999-05-31 |
DE69836086T8 (de) | 2008-04-03 |
CA2301712A1 (en) | 1999-03-04 |
CU22550A1 (es) | 1999-03-31 |
ES2274576T3 (es) | 2007-05-16 |
WO1999010816A1 (es) | 1999-03-04 |
EP1005677B9 (en) | 2007-12-26 |
ATE341790T1 (de) | 2006-10-15 |
DK1005677T3 (da) | 2007-02-05 |
DE69836086T2 (de) | 2007-11-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7092748B2 (en) | System and method for the tomography of the primary electric current of the brain and of the heart | |
Song et al. | EEG source localization: Sensor density and head surface coverage | |
Hedrich et al. | Comparison of the spatial resolution of source imaging techniques in high-density EEG and MEG | |
Fuchs et al. | Improving source reconstructions by combining bioelectric and biomagnetic data | |
Liu et al. | Monte Carlo simulation studies of EEG and MEG localization accuracy | |
Huang et al. | A novel integrated MEG and EEG analysis method for dipolar sources | |
Samuelsson et al. | Spatial fidelity of MEG/EEG source estimates: A general evaluation approach | |
Phillips et al. | Imaging neural activity using MEG and EEG | |
Stenroos et al. | Minimum-norm cortical source estimation in layered head models is robust against skull conductivity error | |
Im et al. | Spatial resolution of EEG cortical source imaging revealed by localization of retinotopic organization in human primary visual cortex | |
He et al. | Electrophysiological mapping and neuroimaging | |
Lew et al. | Improved EEG source analysis using low‐resolution conductivity estimation in a four‐compartment finite element head model | |
Huppertz et al. | Cortical current density reconstruction of interictal epileptiform activity in temporal lobe epilepsy | |
ES2274576T4 (es) | Sistema y metodo para la tomografia de la corriente primaria del cerebro y el corazon. | |
Liao et al. | A new wavelet transform to sparsely represent cortical current densities for EEG/MEG inverse problems | |
He | High-resolution functional source and impedance imaging | |
Liu | Spatiotemporal brain imaging | |
Jatoi et al. | Multiple sparse priors technique with optimized patches for brain source localization | |
Sohrabpour et al. | Estimating underlying neuronal activity from EEG using an iterative sparse technique | |
Srebro | Continuous current source inversion of evoked potential fields in a spherical model head | |
Choi et al. | A new multimodal cortical source imaging algorithm for integrating simultaneously recorded EEG and MEG | |
George et al. | 19 Dynamic functional neuroimaging integrating multiple modalities | |
Wang et al. | The relationship between conductivity uncertainties and EEG source localization accuracy | |
Haor et al. | Improved back-projection cortical potential imaging by multi-resolution optimization technique | |
Wendel | The influence of tissue conductivity and head geometry on EEG measurement sensitivity distributions |