Rodríguez AY, González RT, Marañón RE, Montoya PA, Sanabria MF

Idioma: Español
Referencias bibliográficas: 13
Paginas: S9-S14
Archivo PDF: 544.77 Kb.

RESUMEN

Objetivo: Proponer un método basado en el algoritmo de descomposición en modos empíricos para la corrección de los artefactos oculares y cardiacos presentes en el electroencefalograma (EEG).
Métodos: Para la corrección de artefactos fue aplicada la reconstrucción parcial dela señal, descartando todos los componentes que pudieran contener información de los artefactos. Luego el método de corrección propuesto es evaluado usando señales de EEG contaminadas artificialmente. Se calcularon los criterios de similitud y corrección entre las salidas del método y el EEG original. Finalmente el método de corrección propuesto fue incorporado a un sistema de monitoreo de anestesia. Para evaluar la mejoría de los resultados del sistema de monitoreo las salidas de este fueron comparadas antes y después de aplicar la corrección de artefactos.
Resultados: Las salidas del método de corrección de artefactos en el EEG conservaron una correlación de un 89,7 % entre todas las señales analizadas y un valor medio de similitud de 0,75 comparados con el EEG original. El sistema de monitoreo de anestesia mostró una mejoría de 27,4 % después de aplicar la corrección de los artefactos. Demostrando, el superior desempeño del método de monitoreo de profundidad anestésica propuesto después de realizar la corrección de artefactos.
Conclusiones: El EEG se ha convertido en uno de los métodos más usados en la práctica quirúrgica para cuantificar la profundidad anestésica. Pero la exactitud del diagnóstico realizado a partir de esta señal puede verse comprometido por la aparición de artefactos en el registro de EEG. Los artefactos oculares y cardiacos son los más frecuentes y problemáticos.

REFERENCIAS (EN ESTE ARTÍCULO)

1. Parain D, Szurhaj Z. Surveillance EEG continue de l’ adulte en unité de soins. Neurophysiol Clin. 2015 Mar;45(1):39–46. doi: 10.1016/j.neucli.2014.11.003.

2. Niedermeyer E, Da Silva FL. Electroencephalography: basic principles, clinical applications, and related field. Lippincott: Williams & Wilkins; 2005.

3. Nakamura M, Shibasaki H. Elimination of EKG artifacts from EEG records: a new method of non–cephalic referential EEG

4. recording. Electroencephalogr Clin Neurophysiol. 1987 Jan;66(1):89–92.

5. Gotman P, Gloor P. Automatic recognition and quantification of interictal epileptic activity in the human scalp EEG. Electroencephalogr Clin Neurophysiol. 1976;41(5):513–29.

6. Carlson DE, Vogelstein JT, Qisong Wu, Wenzhao Lian, Mingyuan Zhou, Stoetzner CR, et al. Multichannel electrophysiological spike sorting via joint dictionary learning and mixture modeling. Computer IEEE Trans Biomed Eng. 2014 Jan;61(1):41–54. doi: 10.1109/TBME.2013.2275751.

7. Romero S, Mañanas MA, Barbanoj M. Estudio comparativo de técnicas automáticas para el filtrado ocular en señales EEG simuladas. XXVIII Jornadas de Automática. [citado: 23.3.2015] 2007. Disponible en: http://www.ceautomatica.es/old/actividades/jornadas/XXVIII/documentos/1801–JA07_SRL_vdef.pdf

8. Huang HP, Liu YH, Wang CP, Huang TH. Automatic artifact removal in EEG using independent component analysis and one–class classification strategy. J. Neurosci. Neuroeng. 2013;2(2):73–8.

9. Ramírez–Castro RI, Montejo LA. Trasformada de Hilbert, descomposición modal empírica y sus aplicaciones en el análisis de vibraciones libres. Revista Internacional de Desastres Naturales, Accidentes e Infraestructura Civil [citado: 23.3.2015] 2011;11(2). Disponible en: http://academic.uprm.edu/laccei/index.php/RIDNAIC/article/view/298/326

10. Rutkowski TM, Mandic DP, Cichocki A, Przybyzewski AW. EMD approach to multichannel EEG data the amplitude and phase components clustering analysis. J Circuit Syst Comp. 2010;19(1):215–29. DOI: 10.1142/S0218126610006037

11. Karagiannis A, Constantinou P, Vouyioukas D. Biomedical Time Series Processing and Analysis Methods: The Case of Empirical Mode Decomposition, Advanced Biomedical Engineering, Gargiulo G., ed. InTech [citado: 23.3.2015] 2011. DOI: 10.5772/20906. Disponible en: http://www.intechopen.com/books/advanced–biomedical–engineering/biomedical–time–series–processing–and–analysis–methods–the–case–of–empirical–mode–decomposition

12. Park C, Looney D, Hulle MM, Mandic DP. Neurocomputing The complex local mean decomposition. Neurocomputing. 2011;74:867–75.

13. Serrano CA. Análisis de la variabilidad de intervalos de tiempo del ECG. Catalunya: Universitat Politécnica; [citado: 23.3.2015] 2002. Disponible en: http://hdl.handle.net/10803/6321