medigraphic.com

2022, Número 3

<< Anterior Siguiente >>

Rev Elec Psic Izt 2022; 25 (3)


El exponente de hurst como parámetro de análisis de señales del eeg para comprender la cognición humana: una revisión

Maureira CF

Idioma: Español
Referencias bibliográficas: 47
Paginas: 930-948
Archivo PDF: 309.81 Kb.


RESUMEN

El siguiente trabajo es una revisión de los artículos que utilizan el exponente de Hurst para analizar señales de electroencefalograma. La búsqueda se realizó en las bases de datos Medline/Pubmed y Scopus, obteniendo un total de 37 artículos que cumplían con los criterios de inclusión (publicados entre el 1° de enero del 2000 y 31 de diciembre de 2019, idioma español o inglés, artículos de investigación y estudios realizados con seres humanos). El 64,9% de los trabajos se avocan a la comprensión de la actividad cerebral en estados de reposo o durante la resolución de problemas cognitivos y un 27% se orientan a la categorización de señales por parte de software o sistemas clasificatorios. Se concluye la necesidad del estudio individual de la actividad cerebral, ya que los exponentes de Hurst muestran una actividad muy diversa entre los sujetos, aun realizando la misma tarea o sometidos a las mismas intervenciones.


REFERENCIAS (EN ESTE ARTÍCULO)

  1. Acharya, U., Faust, O., Kannathal, N., Chua, T. y Laxminarayan, S. (2005). Nonlinearanalysis of EEG signals at various sleep stages. Comput MethodsPrograms Biomed, 80(1), 37-45.

  2. Acharya, U., Sree, S., Alvin, A., Yanti, R. y Suri, J. (2012). Application of non-linearand wavelet based features for the automated identification of epileptic EEGsignals. Int J Neural Syst, 22(2), 1250002.

  3. Amezquita-Sanchez, J., Mammone, N., Morabito, F., Marino, S. y Adeli, H. (2019).A novel methodology for automated differential diagnosis of mild cognitiveimpairment and the Alzheimer's disease using EEG signals. J NeurosciMethods, 322, 88-95.

  4. Balli, T. y Palaniappan, R. (2010). Classification of biological signals using linearand nonlinear features. Physiol Meas, 31(7), 903-920.

  5. Barrat, A., Barthelemy, M. y Vespignani, A. (2008). Dynamical processes oncomplex networks. New York: Cambridge University Press.

  6. Canals, M., Olivares, R., Labra, F. y Novoa, F. (2000). Ontogenetic changes in thefractal geometry of the bronchial tree in Rattus norvegicus. Biol Res, 33, 31-35.

  7. Capra, F. (1998). La trama de la vida. Barcelona: Anagrama.

  8. Cerquera, A., Arns, M., Buitrago, E., Gutiérrez, R. y Freund, J. (2012). Nonlineardynamics measures applied to EEG recordings of patients with attentiondeficit/hyperactivity disorder: quantifying the effects of a neurofeedbacktreatment. Conf Proc IEEE Eng Med Biol Soc, 2012, 1057-1060.

  9. Colombo, M., Wei, Y., Ramautar, J., Linkenkaer-Hansen, K., Tagliazucchi, E. yVan Someren, E. (2016). More Severe Insomnia Complaints in People withStronger Long-Range Temporal Correlations in Wake Resting-State EEG.Front Physiol, 7, 576.

  10. Daneshyari, M., Kamkar, L. y Daneshyari, M. (2010). Epileptic EEG: acomprehensive study of nonlinear behavior. Adv Exp Med Biol, 680, 677-683.

  11. Díaz, H., Maureira, F., Cohen, E., Córdova, F., Palominos, F., Otárola, J. y Cañete,L. (2015). Individual differences in the orden/chaos balance of the brain selforganization.Annals of Data Science, 2(4), 421-438.

  12. Díaz, H., Maureira, F. y Córdova, F. (2017). Temporal scaling and inter-individualhemispheric asymmetry of chaos estimation from EEG time series. ProcediaComputer Science, 122, 339-345.

  13. Díaz, H., Maureira, F. y Córdova, F. (2018). Times series of closed and open eyesEEG conditions reveal differential characteristics in the temporality of linearand no-linear analysis domain. Procedia Computer Science, 139, 570-577.

  14. Díaz, H., Maureira, F., Córdova, F. y Palominos, F. (2017). Long-range linearcorrelation and nonlinear chaos estimation differentially characterizesfunctional conectivity and organization of the brain EEG. Procedia ComputerScience, 122, 857-864.

  15. Díaz, H., Maureira, F., Flores, E., Cifuentes, H. y Córdova, F. (2019).Synchronizing oscillatory chaos in the brain. Procedia Computer Science, 162, 982-989.

  16. Díaz, H., Maureira, F., Flores, E. y Córdova, F. (2018). Intra e inter-hemisphericcorrelation of the order/chaos fluctuation in the brain activity during a motorimagination task. Procedia Computer Science, 139, 456-463.

  17. Díaz, H., Maureira, F., Flores, G., Fuentes, I., García, F., Maertens, P., et al.(2018). Moving correlations and chaos in the brain during closed eyes basalconditions. Procedia Computer Science, 139, 473-480.

  18. Díaz, H., Maureira, F., Flores, E., Gárate, E. y Muñoz, S. (2019). Intra and interindividualvariability in the chaotic component and functional connectivity ofthe EEG signal in basal closed eyes condition. Procedia Computer Science,162, 966-973.

  19. Díaz, H., Maureira, F., Otárola, J., Rojas, R., Alarcón, O. y Cañete, L. (2019). EEGBeta band frequency domain evaluation for assessing stress and anxiety inresting, eyes closed, basal conditions. Procedia Computer Science, 162,974-981.

  20. Euler, M., Wiltshire, T., Niermeyer, M. y Butner, J. (2016). Working memoryperformance inversely predicts spontaneous delta and theta-band scalingrelations. Brain Res, 1637, 22-33.

  21. Flores, F., Maureira, F., Díaz, H., Navarro, B., Gavotto, O. y Matheu, A. (2019).Efectos de una sesión de ejercicio físico sobre la actividad neurofisiológicadurante la resolución de una prueba de atención selectiva. Retos, 36, 390-396.

  22. Geng, S., Zhou, W., Yuan, Q., Cai, D. y Zeng, Y. (2011). EEG non-linear featureextraction using correlation dimension and Hurst exponent. Neurol Res,33(9), 908-912.

  23. Goldberger, A., Rigney, D. y West, B. (1990). Chaos and fractals in humanphysiology. Scie Amer, 262(2), 42-49.

  24. Gupta, A., Singh, P. y Karlekar, M. (2018). A novel signal modeling approach forclassification of seizure and seizure-free EEG signals. IEEE Trans NeuralSyst Rehabil Eng, 26(5), 925-935.

  25. Hartley, C., Berthouze, L., Mathieson, S., Boylan, G., Rennie, J., Marlow, N., et al.(2012). Long-range temporal correlations in the EEG bursts of humanpreterm babies. PLoS One, 7(2), e31543.

  26. Ibáñez-Molina, A. y Iglesias-Parro, S. (2014). Fractal dimension of internally andexternally generated conscious percepts. Brain and Cognition, 87, 69-75.

  27. Jausovec, N. y Jausovec, K. (2010). Resting brain activity: differences betweengenders. Neuropsychologia, 48(13), 3918-3925.

  28. Kale, M. y Butar, F. (2011). Fractal analysis of time series and distributionproperties of Hurst exponent. Journal of Mathematical Sciences andMathematics Education, 5, 8-19.

  29. Kannathal, N., Acharya, U., Lim, C. y Sadasivan, P. (2005). Characterization ofEEG-a comparative study. Comput Methods Programs Biomed, 80(1), 17-23.

  30. Kannathal, N., Puthusserypady, S. y Min, L. (2006). Elman neural networks fordynamic modeling of epileptic EEG. Conf Proc IEEE Eng Med Biol Soc,2006, 6145-6148.

  31. Khasnobish, A., Datta, S., Bose, R., Tibarewala, D. y Konar, A. (2017). Analyzingtext recognition from tactually evoked EEG. Cogn Neurodyn, 11(6), 501-513.

  32. Klonowski, W. (2016). Fractal analysis of electroencephalographic time series(EEG Signals). In Di Leva, A. (Ed). The fractal geometry of the brain(pp.413-429). New York: Springer-Verlag.

  33. Lai, M., Lombardo, M., Chakrabarti, B., Sadek, S., Pasco, G., Wheelwright, S., etal. (2010). A shift to randomness of brain oscillations in people with autism.Biol Psychiatry, 68(12), 1092-1099.

  34. Liang, Z., Li, D., Ouyang, G., Wang, Y., Voss, L., Sleigh, J., et al. (2012).Multiscale rescaled range analysis of EEG recordings in sevofluraneanesthesia. Clin Neurophysiol, 123(4), 681-688.

  35. Lorenz, E. (1995). La esencia del Caos. Madrid: Debate.

  36. Madan, S., Srivastava, K., Sharmila, A. y Mahalakshmi, P. (2018). A case study onDiscrete Wavelet Transform based Hurst exponent for epilepsy detection. JMed Eng Technol, 42(1), 9-17.

  37. Maureira, F. (2107). ¿Qué es la inteligencia? Madrid: Bubok.

  38. Munia, T., Haider, A., Schneider, C., Romanick, M. y Fazel-Rezai, R. (2017). Anovel EEG based spectral analysis of persistent brain function alteration inathletes with concussion history. Sci Rep, 7(1), 17221.

  39. Natarajan, K., Acharya, U., Alias, F., Tiboleng, T. y Puthusserypady, S. (2004).Nonlinear analysis of EEG signals at different mental states. Biomed EngOnline, 3(1), 7.

  40. Racz, F., Stylianou, O., Mukli, P. y Eke, A. (2018). Multifractal dynamic functionalconnectivity in the resting-state brain. Front Physiol, 9, 1704.

  41. Rahmani, B., Wong, C., Norouzzadeh, P., Bodurka, J. y McKinney, B. (2018).Dynamical Hurst analysis identifies EEG channel differences between PTSDand healthy controls. PLoS One, 13(7), e0199144.

  42. Stam, J. (2005). Nonlinear analysis of EEG and MEG: A review of an emergingfield. Clinical Neurophysiology,116, 2266-2301.

  43. Subha, D., Joseph, P., Acharya, U. y Lim, C. (2010). EEG signal analysis: asurvey. J Med Syst, 34(2), 195-212.

  44. von Wegner, F., Tagliazucchi, E., Brodbeck, V. y Laufs, H. (2016). Analytical andempirical fluctuation functions of the EEG microstate random walk - Shortrangevs. long-range correlations. Neuroimage, 141, 442-451.

  45. Weiss, B., Clemens, Z., Bódizs, R., Vágó, Z. y Halász, P. (2009). Spatio-temporalanalysis of monofractal and multifractal properties of the human sleep EEG.J Neurosci Methods, 185(1), 116-124.

  46. Yuan, Q., Zhou, W., Li, S. y Cai, D. (2011). Epileptic EEG classification based onextreme learning machine and nonlinear features. Epilepsy Res, 96(1-2),29-38.

  47. Zarjam, P., Epps, J., Lovell, N. y Chen F. (2012). Characterization of memory loadin an arithmetic task using non-linear analysis of EEG signals. Conf ProcIEEE Eng Med Biol Soc, 2012, 3519-3522.




2020     |     www.medigraphic.com