ES2845125T3 - Método de detección de elementos de interés en señales electrofisiológicas y detector - Google Patents
Método de detección de elementos de interés en señales electrofisiológicas y detector Download PDFInfo
- Publication number
- ES2845125T3 ES2845125T3 ES17707337T ES17707337T ES2845125T3 ES 2845125 T3 ES2845125 T3 ES 2845125T3 ES 17707337 T ES17707337 T ES 17707337T ES 17707337 T ES17707337 T ES 17707337T ES 2845125 T3 ES2845125 T3 ES 2845125T3
- Authority
- ES
- Spain
- Prior art keywords
- frequency
- time
- threshold
- signals
- interest
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 45
- 238000010606 normalization Methods 0.000 claims abstract description 19
- 230000010355 oscillation Effects 0.000 claims description 59
- 238000009826 distribution Methods 0.000 claims description 19
- 230000001037 epileptic effect Effects 0.000 claims description 13
- 238000007917 intracranial administration Methods 0.000 claims description 7
- 230000001052 transient effect Effects 0.000 claims description 7
- 230000010339 dilation Effects 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 6
- 230000002123 temporal effect Effects 0.000 description 6
- 238000001228 spectrum Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- 238000002566 electrocorticography Methods 0.000 description 3
- 238000000537 electroencephalography Methods 0.000 description 3
- 238000002001 electrophysiology Methods 0.000 description 3
- 230000007831 electrophysiology Effects 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000003534 oscillatory effect Effects 0.000 description 2
- 230000033764 rhythmic process Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 230000002087 whitening effect Effects 0.000 description 2
- 241001269524 Dura Species 0.000 description 1
- 102000004310 Ion Channels Human genes 0.000 description 1
- 238000013476 bayesian approach Methods 0.000 description 1
- 230000007177 brain activity Effects 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002397 epileptogenic effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 238000002582 magnetoencephalography Methods 0.000 description 1
- 210000002418 meninge Anatomy 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000001766 physiological effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000002759 z-score normalization 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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
-
- 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]
-
- 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]
- A61B5/37—Intracranial electroencephalography [IC-EEG], e.g. electrocorticography [ECoG]
-
- 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
- A61B5/374—Detecting the frequency distribution of signals, e.g. detecting delta, theta, alpha, beta or gamma waves
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4094—Diagnosing or monitoring seizure diseases, e.g. epilepsy
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Psychology (AREA)
- Neurology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Neurosurgery (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
Método de detección automática de elementos de interés en señales electrofisiológicas que comprende las etapas, implementadas por un ordenador, según las que: se proporcionan señales electrofisiológicas; se realiza una representación tiempo-frecuencia blanqueada de dichas señales electrofisiológicas: se establece un umbral; se aplica este umbral a la representación tiempo-frecuencia blanqueada; se detectan, en la representación tiempo-frecuencia blanqueada, máximos locales que son superiores o iguales al umbral aplicado, y según dicho método, para la realización de la representación tiempo-frecuencia blanqueada, se aplica una transformada continua de ondículas y se calcula el módulo al cuadrado de los coeficientes de ondículas después de haber normalizado sus partes real e imaginaria, calculándose un factor de normalización para cada frecuencia ajustando un modelo de ruido gaussiano en la parte central del histograma de los coeficientes reales.
Description
DESCRIPCIÓN
Método de detección de elementos de interés en señales electrofisiológicas y detector
CAMPO DE LA INVENCIÓN
[0001] La presente invención se refiere a un método de detección de elementos de interés en señales electrofisiológicas y, más en concreto, en señales intracraneales. Se refiere además a un detector para la implementación de dicho método.
TÉCNICA ANTERIOR
[0002] La electrofisiología es el estudio de los fenómenos eléctricos y electroquímicos que se producen en las células o los tejidos de los organismos vivos. Implica la medición de diferencias de tensiones o de corrientes eléctricas a diferentes escalas biológicas, desde un canal iónico aislado hasta órganos enteros. En neurociencias, la electrofisiología estudia la actividad eléctrica de las neuronas o, de forma más general, la actividad eléctrica y magnética del sistema nervioso, mediante electroencefalografía y magnetoencefalografía.
[0003] La electroencefalografía intracerebral es un método invasivo de registro de la actividad del cerebro. Este método se utiliza en neurología, por ejemplo, en el contexto de una evaluación prequirúrgica preparatoria para una operación destinada a eliminar, por escisión, tejidos epileptogénicos. Similar a la electroencefalografía de superficie en que mide las variaciones de potencial eléctrico debidas a la actividad electrofisiológica de las neuronas, la electroencefalografía intracraneal se distingue por el hecho de que los electrodos se colocan en la superficie de la piamadre, debajo de la duramadre, o debajo de las meninges directamente sobre la superficie cortical (electrocorticograma, ECoG), o, por último, dentro del propio tejido cerebral mediante electrodos implantados en profundidad según un método estereotáxico (estereoelectroencefalografía, SEEG).
[0004] Las señales electrofisiológicas están formadas por una mezcla de oscilaciones con múltiples frecuencias y actividades más transitorias. En los ritmos fisiológicos, la oscilación más presente es el ritmo alfa, observado en el despertar tranquilo. Los marcadores de las diferentes fases del sueño son elementos de diversas formas. En patología, la electrofisiología es el método de referencia para observar las descargas epilépticas, picos u oscilaciones de alta frecuencia (HFO - del inglés High Frequency Oscillations), cuya frecuencia está comprendida entre 80 y 500 Hz o más. Estas oscilaciones de alta frecuencia pueden dividirse en tres categorías. Estas son las llamadas oscilaciones High-Gamma (HG, por sus siglas en inglés), que presentan una frecuencia comprendida entre 80 y 150 Hz, oscilaciones del tipo Ondulaciones Rápidas (R, del inglés Ripple), que presentan una frecuencia comprendida entre 150 y 250 Hz), y oscilaciones llamadas Ondulaciones Muy Rápidas (FR, del inglés FastFiipple), que presentan una frecuencia comprendida entre 250 y 500 Hz.
[0005] El análisis visual de estas señales es largo y difícil. De hecho, las señales de interés pueden tener una amplitud muy baja. Además, el análisis presenta una gran variabilidad de un operador humano a otro.
[0006] Por lo tanto, se han intentado desarrollar métodos de representación y detección, así como detectores asociados, capaces de detectar automáticamente elementos de interés, como actividades transitorias o actividades oscilatorias, en todo el rango de frecuencias de las señales electrofisiológicas.
[0007] Una primera dificultad para un detector automático es que las actividades transitorias y oscilatorias se superponen en frecuencia. Por lo tanto, un filtrado simple no es suficiente.
[0008] Una posible solución, descrita en el documento VAN VUGT M K ETAL: "Comparison of spectral analysis methods for characterizing brain oscillations", JOURNAL OF NEUROSCIENCE METHODS, ELSEVIER SCIENCE PUBLISHER B.V., AMSTERDAM, NL, vol. 162. 1-2, 15 de mayo de 2007 (2007-05-15), páginas 49-63, ISSN: 0165-0270, consiste en realizar un análisis de tiempo-frecuencia. Sin embargo, este análisis se encuentra con una segunda dificultad, que surge del hecho de que las señales presentan una energía mucho mayor a baja frecuencia que a alta frecuencia (espectro en 1/fa).
[0009] Una tercera dificultad proviene de regular un umbral para la detección automática, que debe ser lo más independiente posible del usuario humano.
[0010] El documento de patente publicado con el número US2012/0245481A1 divulga un detector, que identifica ciertas oscilaciones de alta frecuencia en una señal encefalográfica de tipo ECoG. Este detector filtra una señal cuya frecuencia está comprendida entre 80 y 500 Hz y calcula la energía de esta señal en una ventana deslizante. En una primera etapa propuesta en este documento, se aplica el algoritmo de detección de Staba et al., 2002. A continuación, se seleccionan todas las actividades que superan un determinado umbral de energía. Sin embargo, esta primera etapa sufre demasiadas detecciones falsas. Esta es la razón por la que se implementa una etapa posterior, que consiste en cuantificar la preponderancia de la señal con respecto a una línea de base definida en varios cientos de milisegundos, antes y después de cada evento detectado. Al final de esta etapa posterior, los eventos que tengan una similitud estadística demasiado próxima al modelo de la línea de base se rechazan. Finalmente, una última etapa consiste en extraer diferentes parámetros de los eventos seleccionados, realizar una reducción de dimensionalidad, y después agrupar estos eventos de forma no supervisada, en cuatro grupos.
[0011] Los datos se filtran en una banda de frecuencia amplia. El impacto del espectro en 1/fa es siempre muy importante, puesto que la banda del filtro, comprendida entre 80 y 500 Hz, es muy amplia. Una oscilación de alta frecuencia, en concreto superior a 250 Hz, debe ser muy potente para poder pasar el primer umbral. Se pueden perder muchas oscilaciones. Además, la primera etapa selecciona todos los transitorios agudos, que después se agrupan. Un gran inconveniente es que este método no gestiona los eventos complejos, es decir, eventos de diferentes tipos que tienen lugar al mismo tiempo. Sin embargo, las oscilaciones de alta frecuencia superan casi siempre un pico epiléptico. De esta manera, el método descrito en este documento parece carecer de numerosas oscilaciones de alta frecuencia. Cabe señalar que la definición de la línea de base de esta técnica supone que los eventos de interés están alejados en el tiempo, al menos 600 ms aproximadamente, lo que no es siempre el caso. Estos periodos antes y después del evento no corresponden necesariamente a una línea de base.
[0012] El documento titulado 'Human Intracranial High Frequency Oscillations (HFOs) Detected by Automatic Time-Frequency Analysis", Burnos et al., Plos One, abril 2014, vol. 9, describe un detector de oscilaciones de alta frecuencia que implementa una primera etapa similar a la divulgada en el documento anteriormente mencionado, publicado con el número US2012/0245481A1, a saber, la aplicación del algoritmo de detección de Staba et al., 2002. Según este documento, los datos se filtran primero entre 80 y 500 Hz y después se aplica un umbral. En cambio, el umbral no se aplica a una medición de energía en un periodo corto de tiempo, sino sobre la envoltura de la señal filtrada. Se trata de la transformación de Hilbert. Con el fin de limitar las detecciones falsas, se implementa una segunda etapa. Se calcula un tiempo-frecuencia utilizando la transformada de Stockwell alrededor de los eventos de interés. Después, se mide la densidad espectral de potencia instantánea en una ventana de tiempo más pequeña. Finalmente, se seleccionan tres puntos del espectro obtenido: el máximo local en la banda 60-500 Hz (del inglés High Frequency Peak - HiFP), el mínimo/valle entre 40 Hz y la frecuencia del HiFP y el máximo local más próximo al valle en las frecuencias bajas. Entonces, un evento se califica de oscilación de alta frecuencia si la potencia medida en e1HiFP es bastante superior a la medida en el valle y a la medida en un pico de baja frecuencia (del inglés Low Frequency Peak - LoFP).
[0013] La señal se filtra entre 80 y 500 Hz. El tiempo-frecuencia no se utiliza como tal, puesto que se vuelve al análisis del espectro para decidir si se produce una oscilación de alta frecuencia o no. Cabe destacar que no menciona en ningún momento la posibilidad de detectar picos superados por oscilaciones de alta frecuencia.
SUMARIO DE LA INVENCIÓN
[0014] Teniendo en cuenta lo anterior, un problema técnico que se propone resolver la invención es el de proporcionar un método de detección de elementos de interés en las señales electrofisiológicas, así como un detector para la implementación de dicho método, que supera los inconvenientes anteriormente mencionados de la técnica anterior, y que, en concreto, transforma la actividad de fondo en un ruido blanco para equilibrar la potencia de las actividades a través de las frecuencias, y que permite una representación y una detección adecuada de las oscilaciones de baja y alta frecuencia y de los picos o transitorios, conservando la información asociada a las mismas, como su frecuencia, realizándose la detección incluso si los eventos tienen lugar al mismo tiempo o en tiempos próximos, sin a priori en las bandas de frecuencias en cuestión.
[0015] La solución propuesta de la invención a este problema técnico tiene por primer objeto un método de detección automática de elementos de interés en señales electrofisiológicas que comprende las etapas, implementadas por un ordenador, según las que: se proporcionan señales electrofisiológicas; se realiza una representación tiempo-frecuencia blanqueada de dichas señales electrofisiológicas; se establece un umbral; se aplica este umbral a la representación tiempo-frecuencia blanqueada; se detectan, en la representación tiempo-frecuencia blanqueada, máximos locales que son superiores o iguales al umbral aplicado, y según dicho método, para la realización de la representación tiempofrecuencia blanqueada, se aplica una transformada continua de ondículas y se calcula el módulo al cuadrado de los coeficientes de ondículas después de haber normalizado sus partes real e imaginaria, calculándose un factor de normalización para cada frecuencia ajustando un modelo de ruido gaussiano en la parte central del histograma de los coeficientes reales.
[0016] Tiene por segundo objeto un producto de programa informático que comprende instrucciones que, cuando el programa es ejecutado por un ordenador, hacen que este último implemente el método anterior.
[0017] De forma ventajosa, - las señales electrofisiológicas son señales intracraneales; - las señales intracraneales son señales estereoelectroencefalográficas; - los elementos de interés son oscilaciones de frecuencia baja y alta y picos; - la transformada continua de ondículas se calcula a partir de la siguiente fórmula:
X _ ---------------
1 f ¡ h. (I )— —p / f { h r ( ----- ¡(lt
' J ■ \ " /
~ 00 en la que fes la señal electrofisiológica, T es la transformada continua de ondículas, y es la ondícula, a el factor de dilatación, b el factor de traslación y t es el tiempo; - la ondícula seleccionada en una ondícula de derivada gaussiana (DoG) analítica y su expresión en el dominio de la frecuencia es la siguiente: tp(f) = Znexp(-/2) para f > 0 e = 0 para f < 0 en la que f es la frecuencia, n es el orden de la derivada y ^ es la transformada
de Fourier de la ondícula; - el factor de normalización se calcula para cada frecuencia ajustando un modelo de ruido gaussiano en la parte central del histograma de los coeficientes reales; - el umbral se define por la siguiente fórmula:
ihr — x | 1FDR{;?:) - HoU)/H g(j ;) < Q
en la que thr es el umbral, Q es la tasa de error aceptable, Ho es la hipótesis nula y Hg es la distribución total; - el método comprende además una etapa de determinación de la extensión temporal y frecuencial de los máximos locales; - el método comprende además una etapa de clasificación de los elementos de interés como transitorio u oscilación; - el método comprende además una etapa de visualización de los elementos de interés en el dominio tiempo-frecuencia y/o el dominio temporal; - las señales electrofisiológicas son señales electrofisiológicas de pacientes epilépticos; y - el módulo de software consta de un clasificador.
BREVE DESCRIPCIÓN DE LAS FIGURAS
[0018] La invención se comprenderá mejor con la lectura de la siguiente descripción no limitativa, elaborada con referencia a los dibujos adjuntos, en los que:
las figuras 1A y 1C son histogramas que muestran las distribuciones de la parte real de los coeficientes de ondículas a diferentes frecuencias, sin normalización o con una normalización y, en concreto, con una normalización según el método según la invención;
las figuras 2A y 2B muestran cada una un ejemplo de oscilaciones de alta frecuencia registradas en un paciente epiléptico realizando una representación tiempo-frecuencia blanqueada según el método según la invención; la figura 3 ilustra la aplicación de la lFDR para la implementación del método según la invención;
las figuras 4A y 4B ilustran dos ejemplos de detección según el método según la invención en el dominio temporal con la señal y su reconstrucción blanqueada (primera y segunda línea, respectivamente), así como en el dominio tiempo-frecuencia blanqueado (tercera línea);
las figuras 5A y 5B representan las detecciones en el espacio de los parámetros y el reparto de las frecuencias de las oscilaciones según la invención; y
las figuras 6A y 6B muestran un ejemplo de implementación del detector y de la visualización simultánea de la señal en el dominio temporal con la señal de origen y su reconstrucción blanqueada, así como en el dominio tiempofrecuencia blanqueado, en la utilización clínica cotidiana según la invención.
DESCRIPCIÓN DETALLADA DE LA INVENCIÓN
[0019] El método de detección según la invención es un método de representación y de detección automática de elementos de interés en señales electrofisiológicas. Estas señales son rastros biológicos/físicos, independientemente de su origen.
[0020] En una primera etapa del método según la invención, se proporcionan señales electrofisiológicas. Estas señales son señales intracraneales y, en concreto, señales estereoelectroencefalográficas (SEEG) denominadas f. Se trata de señales complejas que comprenden oscilaciones de frecuencia baja y alta y picos o transitorios. Estas oscilaciones, picos y transitorios son los elementos/eventos de interés que se detectan según el método según la invención.
[0021] En vista de esta detección, se realiza una representación tiempo-frecuencia blanqueada de dichas señales electrofisiológicas. Dicho de otra manera, las señales se rectifican manteniendo una buena relación señal-ruido para los elementos de interés.
[0022] El blanqueamiento se realiza en el dominio tiempo-frecuencia y después se aplica al dominio temporal para la visualización.
[0023] Para la realización de la representación tiempo-frecuencia blanqueada, se aplica una transformada continua de ondículas (CWT - del inglés Continuous Wavelet Transform) denominada T a dichas señales. Esta transformada T se calcula a partir de la siguiente fórmula:
en la que y es la ondícula, a el factor de dilatación, b el factor de traslación y t es el tiempo. La ondícula seleccionada es una ondícula de derivada gaussiana (DoG), analítica. Sus propiedades analíticas permiten reconstruir la señal, a diferencia
de las ondículas de Morlet, y obtener de esta manera la señal blanqueada en el dominio temporal, como se especificará en el resto de la presente descripción según la invención. Su expresión en el dominio de la frecuencia es la siguiente:
[0024] Una vez se han obtenido los coeficientes de ondículas, se normalizan para permitir resaltar mejor los elementos de interés y, en concreto, las oscilaciones de alta frecuencia. Esto corresponde a una etapa según la invención según la que se normaliza la representación tiempo-frecuencia de las señales, para obtener una representación blanqueada/normalizada.
[0025] La normalización seleccionada es una normalización denominada Zhü o H0 Z-score. Esta normalización permite una representación óptima de las oscilaciones de alta frecuencia, sin disminuir las relaciones señal-ruido o perder el contenido de las frecuencias bajas. A diferencia de los métodos convencionales, la potencia de la actividad de fondo en cada frecuencia se estima directamente sobre los datos de interés y no requiere la difícil definición de una línea de base. En concreto, se ajusta un modelo de ruido gaussiano en la parte central del histograma de los coeficientes reales en cada Tf[n,m]-fi[m] . 7}‘,z„ 0[n ,m ] =
frecuencia. Entonces, los coeficientes se transforman en z por la siguiente fórmula: o[m] donde T n y m son respectivamente los índices temporal y frecuencia f ,ZHo ín> l, , y , T ff[ 1n, m] son el coeficiente i (real o imaginario) para los índices n y m antes y después de la normalización, ¡J[m] y o[m] corresponden a la media y a la desviación estándar del gaussiano estimado a la frecuencia de índice m. La normalización transforma la actividad de fondo en un ruido blanco para equilibrar la potencia de las actividades a través de las frecuencias. Por lo tanto, se blanquea el espectro. Además, hace posible la representación óptima de la señal blanqueada a la vez en el dominio tiempofrecuencia y en el dominio temporal. Esta normalización coloca en la misma escala todas las distribuciones de los coeficientes reales e imaginarios por frecuencia.
[0026] En las figuras 1A a 1C, se han representado histogramas que muestran, para diferentes frecuencias, las distribuciones de la parte real de los coeficientes de ondículas a diferentes escalas, sin normalización o con una normalización y, en concreto, con la normalización Z hü . En la figura 1A, las distribuciones de la parte real de los coeficientes de ondículas no están normalizados. Hay una gran diferencia de ancho entre las distribuciones. En la figura 1B, las distribuciones están normalizadas con la media y la desviación estándar - p[a] y a[a] - estimadas en todas las distribuciones. Siempre hay una diferencia entre los anchos de las distribuciones. En la figura 1C, las distribuciones están normalizadas mediante la normalización anteriormente mencionada Z hü . Esta vez, todas las distribuciones tienen la misma extensión en todas las frecuencias.
[0027] Para obtener la representación tiempo-frecuencia blanqueada, se calcula, según la invención, el módulo al cuadrado de los coeficientes de ondículas después de haber normalizado sus partes real e imaginaria.
[0028] Las figuras 2A y 2B muestran cada una un ejemplo de oscilaciones de alta frecuencia registradas en un paciente epiléptico. Para cada ejemplo, la línea superior muestra una señal que comprende elementos de interés en el dominio temporal, la línea intermedia muestra la representación tiempo-frecuencia bruta asociada, y la línea inferior muestra la representación tiempo-frecuencia blanqueada por medio de la normalización denominada ZH0. En la figura 2A, las oscilaciones son oscilaciones FR. En la figura 2B, las oscilaciones son oscilaciones HG. En la línea superior de la figura 2A, el inserto corresponde a un zoom en las oscilaciones de alta frecuencia FR. Parece que las oscilaciones de alta frecuencia son difíciles de identificar en las líneas superiores y las líneas intermedias. Sin embargo, aparecen claramente en la línea inferior, gracias a la normalización ZH0.
[0029] Como la distribución de la parte real de los coeficientes es idéntica en todas las frecuencias, es posible estudiarlos al mismo tiempo y aplicar un único umbral basado en la tasa local de falsos descubrimientos (lFDR - del inglés local False Discovery Rate Efron 2005). Por lo tanto, se establece un umbral según otra etapa según la invención.
[0030] La lFDR es un enfoque bayesiano empírico que supone que el ruido Ho constituye la mayor parte del centro de la distribución Hg y que el resto de la distribución H1 es producido por la señal de interés. El umbral se define por la siguiente fórmula:
en la que thr es el umbral, Q es la tasa de error aceptable, Ho es la hipótesis nula y Hg es la distribución total.
[0031] En la práctica, se obtienen dos umbrales. Consiste en un primer umbral thr- para la parte negativa y un segundo umbral thr + para la parte positiva.
[0032] El umbral de la IFDR es:
1 !,„
lF D R _ thr 1—thr
- — ...
i
.........
Al estudiar los histogramas de los coeficientes reales de la actividad de fondo humano (Rea1Human Background, BKG), t L se observa que estas distribuciones se describen por una gaussiana. La parte central del histograma de 1' H° tomados en conjunto puede ser modelada por una gaussiana centrada reducida y la tasa de error Q se deja a criterio del usuario.
[0033] En la figura 3 se muestra una ilustración de la aplicación de la lFDR. En esta figura, la distribución tota1Hg , la hipótesis nula H0, así como la lFDR están representadas en líneas discontinuas, líneas negras continuas y líneas punteadas, respectivamente. El umbral en la tasa de error Q está representado por una línea continua horizontal. Los umbrales thr+ y thr- se obtienen en la intersección de la lFDR y de Q.
[0034] Según otra etapa del método según la invención, se aplica el umbral en la representación tiempo-frecuencia normalizada. Para ello, el umbral obtenido gracias a la lFDR se eleva al cuadrado:
thrzílQ — ^ í r ÍFDR
[0035] Por lo tanto, es posible detectar, en la representación tiempo-frecuencia normalizada, máximos locales que son superiores o iguales al umbral aplicado, y que corresponden a elementos de interés que emergen del ruido. Gracias al blanqueamiento de los datos y al estudio de los eventos en tiempo-frecuencia, se detectan los picos y las oscilaciones, ocurran al mismo tiempo o no.
[0036] En la práctica, esta detección consiste en seleccionar todos los máximos locales que son más elevados que el umbral establecido por la lFDR. Los máximos locales están relacionados con los eventos localizados tanto en el tiempo con en la frecuencia al igual que las oscilaciones buscadas. Por lo tanto, se puede obtener el tiempo de ocurrencia, así como la frecuencia de oscilación. Los picos epilépticos también están bien localizados en tiempo-frecuencia, pero están más extendidos en frecuencia y menos extendidos en tiempo que las oscilaciones y su máximo local es más bajo que la banda de frecuencia de las oscilaciones de alta frecuencia. En cambio, los artefactos de tipo Dirac no producen máximos locales y, por lo tanto, no se detectan. En realidad, un artefacto mezclado con ruido o un transitorio muy breve con una oscilación pueden crear a veces máximos locales erróneos a alta frecuencia. Sin embargo, como las detecciones se realizan dentro del marco teórico de las ondículas, se puede comparar el ancho del punto/de la isla (blob) relativo al máximo local con el ancho teórico de la isla que habría sido generado por un pico de Dirac. Esto permite diferenciar un elemento breve (es decir, un pico epiléptico o un transitorio breve) con relación a una oscilación independientemente de su frecuencia. Además, como el ancho frecuencial de las ondículas es constante en escala logarítmica, también se pueden distinguir las oscilaciones que tienen siempre un ancho frecuencial limitado independientemente de su frecuencia, de los transitorios que tienen un ancho frecuencial más amplio.
[0037] En las figuras 4A y 4B se ilustran dos ejemplos de detección. En esta figura, las cruces corresponden a los máximos locales superiores al umbral, los círculos blancos al ancho a media altura medido (del inglés Full Width at Half Máximum, FWHM), los asteriscos al ancho a media altura teórico, el círculo grande a un pico epiléptico (spike) y el triángulo a una oscilación de alta frecuencia. Parece que el ancho temporal teórico está muy próximo al ancho temporal medido para un pico.
[0038] Por lo tanto, el método según la invención permite visualizar e identificar varios tipos de actividades fisiológicas como las oscilaciones de alta frecuencia, los picos epilépticos y las oscilaciones de frecuencia más baja. Los parámetros utilizados para clasificar los eventos no dependen de las frecuencias. Gracias a este método, se facilita la identificación de las zonas cerebrales que producen oscilaciones de alta frecuencia, puesto que es automática.
[0039] Cabe señalar que las etapas combinadas de normalización y de la lFDR permiten diferenciar la actividad de fondo de los elementos de interés y aseguran su autenticidad. La combinación de estas dos etapas permite también detectar las oscilaciones de alta frecuencia que habrían sido rechazadas puesto que no son visibles en la señal de origen. Además, cada oscilación será etiquetada por una frecuencia. De esta manera, se pueden determinar las bandas de frecuencias fisiológicas y patológicas para los pacientes, lo que no era posible con los otros detectores. Cabe destacar que el método no presupone una división en bandas de frecuencias.
[0040] En la figura 5A, todas las detecciones están representadas por un punto de coordenadas, su extensión frecuencial y su relación temporal. Un umbral en el límite de duración, equivalente al número de oscilaciones, y en la extensión espectral permite separar las oscilaciones de los picos epilépticos y de los eventos no oscilantes, es decir, que comprenden menos de 3 o 4 oscilaciones. Las oscilaciones, los puntos epilépticos y los eventos no oscilantes se ilustran mediante puntos. Las detecciones seleccionadas como picos y como oscilaciones se representan respectivamente mediante círculos y triángulos.
[0041] En la figura 5B se representan los histogramas de las frecuencias de los picos y de las oscilaciones detectados. Se realiza un ajuste no paramétrico con línea discontinua para los picos y con línea continua negra para las oscilaciones. Cabe destacar que la zona estudiada produce muchas más oscilaciones de alta frecuencia que oscilaciones de baja frecuencia. Gracias a esta representación, se aprecia que sería más interesante situar el corte de las oscilaciones R/FR en 170 Hz que tomar como referencia las bandas R y FR definidas de forma convencional.
[0042] El detector según la invención puede implementarse en un software como el software AnyWave™ en forma de módulo de extensión (plugin) para una utilización clínica regular. Esta plataforma de software se describe, por ejemplo, en el documento titulado «AnyWave: a cross-platform and modular software for visualizing and processing electrophysiological signals», Colombet et al., Journal Neurosciences Methods, marzo 2015, 242, 118-26. El plugin está compuesto por dos elementos, una interfaz (figura 6A) que permite seleccionar varios canales de los diferentes electrodos y lanzar el detector, así como representar los resultados en forma de diagrama de las tasas de detección de los picos epilépticos y de las oscilaciones por bandas de frecuencias seleccionadas por el usuario, y una segunda interfaz (figura 6B) que permite visualizar la señal de un canal de forma síncrona en el dominio temporal y en el dominio tiempo-frecuencia normalizado y mostrar la señal en el tiempo de detección obtenido anteriormente: visualización simultánea de la señal en el dominio temporal con la señal original y su reconstrucción blanqueada, así como en el dominio tiempo-frecuencia blanqueado. Cada plugin se comunica con el software para adquirir las señales y su información. El software que comprende el plugin está destinado a ser implementado por una estación de trabajo, posiblemente en conexión con un servidor, en un entorno informático convencional de tipo Windows™. La estación de trabajo comprende al menos una memoria en la que se almacenará el software, un procesador para su ejecución y una pantalla para mostrar los resultados. La detección es automática. La implementación del método no requiere la presencia de una persona médicamente calificada.
Claims (12)
1. Método de detección automática de elementos de interés en señales electrofisiológicas que comprende las etapas, implementadas por un ordenador, según las que:
se proporcionan señales electrofisiológicas;
se realiza una representación tiempo-frecuencia blanqueada de dichas señales electrofisiológicas: se establece un umbral;
se aplica este umbral a la representación tiempo-frecuencia blanqueada;
se detectan, en la representación tiempo-frecuencia blanqueada, máximos locales que son superiores o iguales al umbral aplicado,
y según dicho método, para la realización de la representación tiempo-frecuencia blanqueada, se aplica una transformada continua de ondículas y se calcula el módulo al cuadrado de los coeficientes de ondículas después de haber normalizado sus partes real e imaginaria, calculándose un factor de normalización para cada frecuencia ajustando un modelo de ruido gaussiano en la parte central del histograma de los coeficientes reales.
2. Método según la reivindicación 1, caracterizado por que las señales electrofisiológicas son señales intracraneales.
3. Método según la reivindicación 2, caracterizado por que las señales intracraneales son señales estereoelectroencefalográficas.
4. Método según una de las reivindicaciones 1, 2 o 3, caracterizado por que los elementos de interés son oscilaciones de frecuencia baja y alta y picos.
5. Método según la reivindicación 4, caracterizado por que la transformada continua de ondículas se calcula a partir de la siguiente fórmula:
en la que f es la señal electrofisiológica, T es la transformada continua de ondículas, y es la ondícula, a el factor de dilatación, b el factor de traslación y t es el tiempo.
6. Método según una de las reivindicaciones 4 o 5, caracterizado por que la ondícula seleccionada en una ondícula de derivada gaussiana (DoG) analítica y su expresión en el dominio de la frecuencia es la siguiente:
M ñ =r
® p ( - / 2) p a r a / > o e = o p a r a / < o
en la que f es la frecuencia, n es el orden de la derivada y ^ es la transformada de Fourier de la ondícula.
7. Método según una de las reivindicaciones anteriores, caracterizado por que el umbral se define por la siguiente fórmula:
en la que thr es el umbral, Q es la tasa de error aceptable, Ho es la hipótesis nula y Hg es la distribución total.
8. Método según una de las reivindicaciones anteriores, caracterizado por que comprende además una etapa de determinación de la extensión temporal y frecuencial de los máximos locales.
9. Método según una de las reivindicaciones anteriores, caracterizado por que comprende además una etapa de clasificación de los elementos de interés como transitorio u oscilación.
10. Método según una de las reivindicaciones anteriores, caracterizado por que comprende además una etapa de visualización de los elementos de interés.
11. Método según una de las reivindicaciones anteriores, caracterizado por que las señales electrofisiológicas son señales electrofisiológicas de pacientes epilépticos.
12. Producto de programa informático que comprende instrucciones que, cuando el programa es ejecutado por un ordenador, hacen que este último implemente el método según una de las reivindicaciones anteriores.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR1600332A FR3048174A1 (fr) | 2016-02-29 | 2016-02-29 | Procede de detection d'elements d'interet dans des signaux electrophysiologiques et detecteur |
| PCT/EP2017/054574 WO2017148900A1 (fr) | 2016-02-29 | 2017-02-28 | Procede de detection d'elements d'interet dans des signaux electrophysiologiques et detecteur |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| ES2845125T3 true ES2845125T3 (es) | 2021-07-26 |
Family
ID=56263769
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| ES17707337T Active ES2845125T3 (es) | 2016-02-29 | 2017-02-28 | Método de detección de elementos de interés en señales electrofisiológicas y detector |
Country Status (7)
| Country | Link |
|---|---|
| US (1) | US11944445B2 (es) |
| EP (1) | EP3422935B1 (es) |
| CN (1) | CN109195517B (es) |
| DK (1) | DK3422935T3 (es) |
| ES (1) | ES2845125T3 (es) |
| FR (1) | FR3048174A1 (es) |
| WO (1) | WO2017148900A1 (es) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111588375B (zh) * | 2020-04-27 | 2021-10-22 | 中国地质大学（武汉） | 一种基于栈式稀疏自编码模型的涟波和快速涟波检测方法 |
| CN111772585B (zh) * | 2020-07-13 | 2021-06-04 | 清华大学 | 间期颅内脑电信号中癫痫异常群体活动的数据提取方法 |
| CN113397559B (zh) * | 2021-06-17 | 2023-08-18 | 深圳大学 | 立体定向脑电图分析方法、装置、计算机设备及存储介质 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6603818B1 (en) * | 1999-09-23 | 2003-08-05 | Lockheed Martin Energy Research Corporation | Pulse transmission transceiver architecture for low power communications |
| JP2003135414A (ja) | 2001-11-08 | 2003-05-13 | Sangaku Renkei Kiko Kyushu:Kk | 非同期光入力賦活による脳波測定方法とそれを用いた視覚障害判定方法、及びそのための脳波測定装置 |
| AU2007257335B8 (en) * | 2006-06-06 | 2013-01-17 | Cortical Dynamics Limited | Brain function monitoring and display system |
| US9326698B2 (en) * | 2011-02-18 | 2016-05-03 | The Trustees Of The University Of Pennsylvania | Method for automatic, unsupervised classification of high-frequency oscillations in physiological recordings |
| CN102488516A (zh) * | 2011-12-13 | 2012-06-13 | 湖州康普医疗器械科技有限公司 | 一种非线性脑电信号分析方法以及装置 |
| EP2887865A4 (en) * | 2012-08-22 | 2016-05-11 | Neuro Assessment Systems Inc | METHOD AND DEVICE FOR ASSESSING A NEUROKOGNITIVE CONDITION |
| US20150282755A1 (en) * | 2014-04-02 | 2015-10-08 | King Fahd University Of Petroleum And Minerals | System and method for detecting seizure activity |
| CN104000587A (zh) | 2014-06-11 | 2014-08-27 | 北京邮电大学 | 一种基于边缘小波特征的脑电波(eeg)信号识别系统 |
| CN105286860A (zh) * | 2015-12-03 | 2016-02-03 | 东南大学 | 一种基于双树复小波能量差的运动想象脑电信号识别方法 |
-
2016
- 2016-02-29 FR FR1600332A patent/FR3048174A1/fr not_active Withdrawn
-
2017
- 2017-02-28 ES ES17707337T patent/ES2845125T3/es active Active
- 2017-02-28 DK DK17707337.6T patent/DK3422935T3/da active
- 2017-02-28 WO PCT/EP2017/054574 patent/WO2017148900A1/fr active Application Filing
- 2017-02-28 CN CN201780026468.XA patent/CN109195517B/zh active Active
- 2017-02-28 EP EP17707337.6A patent/EP3422935B1/fr active Active
- 2017-02-28 US US16/080,719 patent/US11944445B2/en active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN109195517B (zh) | 2022-10-11 |
| EP3422935B1 (fr) | 2020-10-28 |
| US20190029550A1 (en) | 2019-01-31 |
| DK3422935T3 (da) | 2021-01-25 |
| EP3422935A1 (fr) | 2019-01-09 |
| US11944445B2 (en) | 2024-04-02 |
| WO2017148900A1 (fr) | 2017-09-08 |
| CN109195517A (zh) | 2019-01-11 |
| FR3048174A1 (fr) | 2017-09-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Snyder et al. | Independent component analysis of gait-related movement artifact recorded using EEG electrodes during treadmill walking | |
| Cox et al. | Individual differences in frequency and topography of slow and fast sleep spindles | |
| LeVan et al. | A system for automatic artifact removal in ictal scalp EEG based on independent component analysis and Bayesian classification | |
| Keller et al. | Neurophysiological investigation of spontaneous correlated and anticorrelated fluctuations of the BOLD signal | |
| Ito et al. | Segregation of visual response properties in the mouse superior colliculus and their modulation during locomotion | |
| US11510606B2 (en) | Signal processing method for distinguishing and characterizing high-frequency oscillations | |
| Adamczyk et al. | Automatic sleep spindle detection and genetic influence estimation using continuous wavelet transform | |
| Allen et al. | Deconstructing the “resting” state: exploring the temporal dynamics of frontal alpha asymmetry as an endophenotype for depression | |
| Edgar et al. | Interpreting abnormality: an EEG and MEG study of P50 and the auditory paired-stimulus paradigm | |
| Nunes et al. | Bispectral index and other processed parameters of electroencephalogram: an update | |
| ES2845125T3 (es) | Método de detección de elementos de interés en señales electrofisiológicas y detector | |
| BR112015008043B1 (pt) | Dispositivo de sensor fisiológico e método para fornecer umaavaliação cognitiva ou sensorial de um indivíduo | |
| Molavi et al. | Analyzing the resting state functional connectivity in the human language system using near infrared spectroscopy | |
| US20210369147A1 (en) | Multimodal Neuroimaging-Based Diagnostic Systems and Methods for Detecting Tinnitus | |
| Pedreira et al. | Classification of EEG abnormalities in partial epilepsy with simultaneous EEG–fMRI recordings | |
| Ren et al. | Redaction of false high frequency oscillations due to muscle artifact improves specificity to epileptic tissue | |
| Donoso et al. | Atrial activity selection for atrial fibrillation ECG recordings | |
| Kunii et al. | The dynamics of language-related high-gamma activity assessed on a spatially-normalized brain | |
| Balasundaram et al. | Wavelet-based features for characterizing ventricular arrhythmias in optimizing treatment options | |
| US20210106247A1 (en) | Methods and Apparatus for Detection and Imaging of Epileptogenicity from Scalp High-Frequency Oscillations | |
| Özkurt et al. | Identification of nonlinear features in cortical and subcortical signals of Parkinson's Disease patients via a novel efficient measure | |
| Sharma et al. | A novel scheme for the validation of an automated classification method for epileptic spikes by comparison with multiple observers | |
| Bleichner et al. | The effects of blood vessels on electrocorticography | |
| Akiyama et al. | High kurtosis of intracranial electroencephalogram as a marker of ictogenicity in pediatric epilepsy surgery | |
| Obukhov et al. | An approach for EEG of post traumatic sleep spindles and epilepsy seizures detection and classification in rats |