Estudio sobre tcnicas de anlisis de encefalogramas basados en redes neuronales.

Gema Morales Gaviln gema.morales@alumnos.uc3m.es Ignacio Prieto Egido ignacio.pegido@alumnos.uc3m.es

Resumen. En este trabajo se llevar a cabo una investigacin sobre cmo se utilizan las redes neuronales para el anlisis de electroencefalogramas (EEG) y qu resultados se pueden obtener, a modo de estudio terico para una posible investigacin prctica posterior. Palabras clave. Electroencefalograma, EEG, redes neuronales. 1. Introduccin. Las redes neuronales artificiales (en adelante redes neuronales) son una tecnologa cuyo primer modelo matemtico se present en 1943 por Warren McCulloch y Walter Pitts [6]. No obstante ha sido recientemente cuando el modelo de cmputo tradicional se ha mostrado ineficaz frente a los nuevos retos aparecidos con la era digital, como es el caso del procesamiento de imgenes, y el amplio abanico de posibilidades que esto conlleva, lo que ha contribuido al desarrollo de tcnicas como las redes neuronales. Este trabajo se centrar en la utilizacin de redes neuronales para procesar las seales de un encefalograma. El objetivo es estudiar qu tcnicas se emplean y valorar qu resultados pueden obtenerse. En primer lugar se describirn los principios y caractersticas del electroencefalograma, para comprender de qu tipo de seales se trata y porqu las redes neuronales son una buena opcin para su anlisis.

A continuacin se analizarn algunos estudios concretos en los que se emplean redes neuronales para procesar la informacin del electroencefalograma y obtener una respuesta para un problema planteado, centrndonos en las tcnicas y algoritmos que se utilizan. 2. Electroencefalograma (EEG). Un electroencefalograma (EEG), segn se define en [8], es el registro de las variaciones de potencial elctrico entre dos electrodos (registro bipolar) o entre un electrodo y otro indiferente (registro monopolar) situados en el cuero cabelludo. Cada pareja de electrodos se denomina canales, y su disposicin sobre el crneo se conoce como montaje. Para que las medidas realizadas sean generalizables y repetibles el montaje suele seguir las especificaciones del sistema 10-20, que define disposiciones de electrodos en funcin de la aplicacin que se quiere dar al EEG.

Colocacin de sensores para un EGP

La actividad registrada en el EEG es una medida atenuada de los flujos de 1

corriente generada sobre todo por las neuronas de las capas ms superficiales de la corteza, mientras que reas ms profundas como el hipocampo o el tlamo no contribuyen de forma directa debido a la fuerte atenuacin que sufren las seales que generan. Las capas de tejido y de hueso situadas entre el electrodo y la fuente elctrica (neuronas) se pueden modelar mediante condensadores y resistencias que actan como filtros y atenuadores. Debido a esto la amplitud del potencial elctrico detectado es del orden de microvoltios, mientras que la seal generada por una neurona tiene una amplitud de milivoltios. El EEG se realiza con una resolucin temporal baja, de unos cientos de milisegundos a segundos [6]. Las seales del EEG se caracterizan por tener una frecuencia entre 1 y 30 Hz y una amplitud comprendida entre los 20 a los 100 V. Estas seales se han clasificado en cuatro tipos en funcin del la zona del espectro que ocupan. Las ondas alpha comprendidas entre los 8 a los 13 Hz, tienen una amplitud moderada y estn asociadas a la vigilia relajada, detectndose mejor en las zonas parietales y occipitales. El segundo grupo son las ondas beta, que poseen una amplitud menor y se distribuyen entre los 13 y los 30 Hz. La aparicin de las ondas beta se relaciona con estados de actividad mental intensa y son ms acusadas en las zonas frontales. Las ondas delta son las que tienen mayor amplitud, se encuentran entre los 0.5 y los 4 Hz. las theta estn entre los 4 y 7 Hz.

Estas dos ltimas son tpicas de estados de somnolencia y la fase precoz del sueo, pero si se encuentran durante la vigilia suelen ser un signo de disfuncin cerebral. El EEG es una prueba muy til por ser no invasiva y por servir para identificar trastornos convulsivos, anomalas del sueo y algunos trastornos metablicos o estructurales del cerebro, y su anlisis puede considerarse como un problema de clasificacin. 3. Aplicacin de redes neuronales al anlisis de EEG. El proceso de generacin de seales elctricas por parte de las neuronas todava no ha sido comprendido completamente. Las seales EEG se caracterizan por no ser estacionarias e incluso podran ser no lineales [3], por lo que analizar estas seales con modelos no lineales puede aportar informacin de inters. A todo esto se suma que un EEG se compone de mltiples seales (correspondientes a los respectivos canales), por lo que antes de utilizar un esquema de red neuronal se necesita un procesado previo de la seal para extraer sus caractersticas ms relevantes [10].

3.1 Preprocesado. Existen dos tipos generales de preprocesado, aquellos realizados en el dominio del tiempo y los realizados en el dominio de la frecuencia [10]. En el dominio de la frecuencia se puede combinar el clculo de la FFT con un enventanado, o llevar a cabo un promediado de la

respuesta espectral en distintos intervalos de tiempo. Una tcnica muy usada en el dominio del tiempo es tratar de ajustar los datos a un modelo lineal, como un modelo autorregresivo (AR).

3.1.1 Modelo de parmetros AR. En los estudios llevados a cabo en [10], se concluye que el uso de los coeficientes AR del EEG es ms adecuado que el de los coeficientes de Fourier, la FFT, la estimacin del espectro mediante un modelo autorregresivo o el anlisis mediante series temporales. Una explicacin para este comportamiento es que un modelo basado en coeficientes AR slo necesita 8 parmetros, mientras que las series temporales pueden necesitan 128 muestras. Un mayor nmero de parmetros de entrada requiere una red ms grande que es ms difcil de entrenar, y por eso los resultados obtenidos con el primer mtodo sern ms precisos. Por su parte las tcnicas de Fourier asumen que la seal es estacionaria, y aunque se pueden adaptar a modelos no estacionarios y no lineales, tambin requieren muchos ms parmetros que un modelo de coeficientes AR. El nmero de coeficientes AR empleado en [10] y [3] es 8, lo que equivale a considerar que la seal bajo anlisis tiene 4 componentes frecuenciales. Esto se justifica porque el diagnstico a partir del EEG se basa en clasificar la seal en funcin de 4 zonas del espectro, como hemos visto previamente.

Otra posibilidad empleada en [4] y [1] es aplicar una transformacin discreta Wavelet (DWT). Esta transformacin se basa en dividir una seal en sus diferentes componentes frecuenciales y estudiar cada componente con una resolucin acorde a su escala, y se comporta mejor que la transformada de Fourier ante seales no estacionarias, ya que se localiza en ambos dominios, el de la frecuencia y el del tiempo [13]. Las seales EEG estn formadas por la superposicin de distintas estructuras a frecuencias diferentes y que tienen lugar en momentos distintos. Uno de los objetivos del la DWT es el de separar y clasificar estas estructuras, aprovechando sus buenas prestaciones de localizacin en tiempo y frecuencia al contar con tamaos de ventana variables (amplio en frecuencias bajas y estrecho en las altas), logrando resultados ptimos en todo el rango de frecuencia. La seleccin de la longitud de onda apropiada y el nmero de niveles de descomposicin es muy importante en el anlisis. El nmero de niveles se elige en funcin de los componentes de frecuencia dominantes de la seal, de forma que las partes de la seal que tienen una buena correlacin con las frecuencias de clasificacin son conservadas en los coeficientes de la DWT. En el estudio citado [4], el nmero de niveles de descomposicin fue escogido para ser 4. De este modo, los coeficientes de la DWT proporcionan una representacin compacta que muestra la distribucin de energa de la seal en tiempo y frecuencia.

3.1.3 Modelo bilinear. 3.1.2 Transformacin Wavelet.

Aunque no est demostrado que las seales EEG sean no lineales, en el estudio realizado en [3] se intenta caracterizar estas seales mediante un modelo no lineal, como paso previo a la utilizacin de un clasificador. La eleccin de este modelo se justifica por ser computacionalmente sencillo (es posible desarrollar expresiones analticas para su covarianza, su espectro), y por ser capaz de aproximar cualquier sistema no lineal de segundo orden (un sistema lineal correspondera a una aproximacin de primer orden, luego el modelo bilinear podra considerarse como el siguiente paso).

Figura 1: esquema de la arquitectura MLP

3.2 Clasificacin de los datos empleando una red neuronal. Una vez caracterizada la seal se pasa a aplicar una arquitectura de red neuronal. En los casos estudiados se emple un esquema de perceptrn multicapas (MLP) o un modelo conocido como mixture of experts (ME).

Esta arquitectura se emplea en los estudios realizados en [3] para clasificar las seales EEG de pacientes con esquizofrenia (SCH), pacientes con desorden obsesivo compulsivo (OCD) y sujetos normales (N). En las tablas I y II se muestran las matrices de confusin de ambos experimentos obtenidas de [3]. En ellas se puede observar que la clasificacin considerando conjuntamente los coeficientes bilineares y los AR obtiene mejores resultados que la que usa slo coeficientes AR.
TABLA I Matriz de confusin de la clasificacin basada en parmetros AR.

3.2.1 Arquitectura MPL. En la arquitectura MLP los datos viajan en una sola direccin, por lo que tambin es conocida como red feedforward. Su estructura se basa en capas de nodos (neuronas) conectadas; una capa de entrada y otra de salida, conectadas por una o ms capas ocultas [11], tal y como se muestra en la figura 1. La funcin de activacin, que determina cundo una neurona est activa, es no lineal. El aprendizaje se realiza mediante la variacin de los pesos (wij) que regulan las conexiones. El algoritmo tpico para entrenar esta red es el de back-propagation, que es un algoritmo supervisado.

N SCH N 9/15 2/15 SCH 2/21 15/21 OCD 0/11 2/11

OCD 2/15 2/21 3/11

Unknown 2/15 2/21 6/11

TABLA II Matriz de confusin de la clasificacin basada en parmetros AR y coeficientes bilineares.

N SCH OCD N 10/15 1/15 1/15 SCH 1/21 17/21 1/21 OCD 1/11 2/11 5/11

Unknown 3/15 2/21 3/11

En el estudio realizado en [1] se trat de implementar un clasificador capaz de diagnosticar la epilepsia. Para ello se llev a cabo un preprocesado mediante una transformada Wavelet para obtener las 4 componentes fundamentales del EEG. A partir de la seal transformada se entren una red MLP de 3 capas.
TABLA III Resultados obtenidos para un clasificador de seales sanas y epilpticas con un MLP y una transformacin Wavet. Seal Test 1 Test 2 Test 3 Test 4 Test 5 Test 6 Diagnstico Epilptico Sano Sano Sano Sano Patolgico Porcentaje de acierto 97 95 98 97 95 93 Figura 2: esquema de la arquitectura ME.

Cada experto local genera un vector de salida por cada vector de entrada. Dichas salidas son combinadas simultneamente por el administrador, quien adems usa dichos valores para el clculo de pesos en el espacio de entrada; de forma que la salida final del ME es una suma ponderada de todos los vectores de salida. La arquitectura ME es un concepto potente que puede ser llevado a una amplia variedad de aplicaciones incluyendo el apoyo en decisin de diagnsticos mdicos, debido a numerosas ventajas como: - Un modelo complejo global puede ser descompuesto en un conjunto de modelos simples locales, en el cual el diseo del controlador sea sencillo. Cada modelo puede representar una fuente de datos diferente con un estado de estimacin/prediccin asociado. En este caso el sistema ME puede ser visto como un algoritmo de fusin de datos. - Los modelos locales funcionan por separado, pero proporcionan informacin a la salida que puede estar fuertemente correlada, de modo que el funcionamiento del sistema total puede ser mejorado en trminos de fiabilidad o tolerancia a fallos.

3.2.2 Arquitectura ME. Uno de los principios en que se basan las redes neuronales es la mxima divide y vencers que se aplica a problemas complejos dividindolos en problemas ms simples para despus combinarlos y obtener una solucin final. Esta filosofa es la que rige el funcionamiento de un modelo de redes neuronales conocido como mixture of experts (ME) [9], cuyo esquema se muestra en la figura 2. Esta arquitectura est compuesta por diferentes mdulos: redes expertas que compiten por aprender diferentes aspectos de un problema y un administrador (gating) que supervisa la competencia y aprende a asignar diferentes regiones de datos a diferentes expertos locales. La regla de aprendizaje combina aspectos competitivos y asociativos, y est diseada para favorecer la competencia entre expertos locales, permitiendo dividir el espacio de datos en subregiones manejadas en lo posible por un nico experto local.

- La salida global del sistema ME se deriva de una combinacin de las salidas de los expertos, en donde la prediccin del sistema total es generalmente superior a cualquiera de las predicciones de los expertos individuales. Un inconveniente del modelo aparece ante la presencia de datos atpicos, ya que el algoritmo es sensible a estas desviaciones, obteniendo un bajo rendimiento. Para ilustrar un ejemplo de la aplicacin de redes ME con algoritmo EM en la clasificacin de seales electroencefalogrficas, se han analizado los estudios desarrollados por Inan Gler, Elif Derya beyli y Nihal Fatma Gler [4]. En este anlisis, tanto el administrador como las redes expertas eran redes neuronales perceptrn multicapa (MLP). Esta configuracin es elegida por las ventajas que ofrece: capacidad para aprender y generalizar, pocas exigencias de entrenamiento, rpida actuacin, y facilidad de implementacin. Para entrenar la red se escogi el algoritmo conocido como ExpectationMaximization (EM), que sirve para estimar los parmetros que proporcionan la mxima verosimilitud. Es un algoritmo supervisado. Las seales ECG empleadas en el estudio procedan de dos conjuntos de personas: sujetos sanos y pacientes epilpticos; de estos ltimos, se realizaron medidas en diferentes momentos (en periodos de no producirse ataques epilpticos, y en los momentos en que se produce dicho ataque).

De esta forma aparecen tres tipos de segmentos a analizar: segmentos sanos (seg1), segmentos de la zona afectada por la enfermedad sin ataque epilptico (seg2), y segmentos de la zona epilptica durante una crisis (seg3). Las tasas de acierto alcanzadas por la estructura ME fueron ms altas que el de un MLP independiente entrenado con el algoritmo de backpropagation. Una explicacin para estos resultados es que el algoritmo de backpropagation busca una solucin global ptima, por lo que requiere ms iteraciones para converger. En cambio el algoritmo ME divide el problema en problemas ms sencillos y combina cada solucin. Adems el algoritmo EM de entrenamiento resulta adecuado para la estructura modular y consigue una convergencia ms rpida que el de backpropagation. Para evaluar el comportamiento de la arquitectura ME, en [4] calculan una serie de parmetros estadsticos que se presentan a continuacin: Especificidad: numero de segmentos sanos clasificados correctamente sobre el nmero total de segmentos sanos. Sensibilidad en los segmentos de la zona epilptica en ausencia de crisis. Sensibilidad en los segmentos de la zona epilptica durante una crisis. Aciertos totales: numero de segmentos clasificados correctamente sobre el nmero total de segmentos.

Dichos parmetros se muestran en la tabla IV obtenida de [4].

TABLA IV Valores de los parmetros estadsticos con una arquitectura ME.

PARMETRO Especificidad Sensibilidad (en ausencia de crisis) Sensibilidad (durante una crisis) Total de aciertos

PORCENTAJE 94 % 92.5 % 93 % 93.17 %

4. Conclusiones. En este trabajo se realizado un estudio sobe el empleo de redes neuronales para el anlisis de encefalogramas. Aunque la intencin inicial era realizar un anlisis prctico, la dificultad para encontrar seales de EEG junto con la complejidad de las mismas han obligado a realizar un estudio previo de las tcnicas empleadas para analizar dichas seales. Dentro de estas tcnicas hay que destacar la importancia de realizar un procesado previo de la seal para obtener sus caractersticas fundamentales, ya que el tamao de las seales de EEG hace imposible procesarlas directamente. Adems es importante tener en cuenta la no-estacionariedad y no linealidad de la seal para seleccionar una herramienta de preprocesado adecuada, como la transformada Wavelet o la aproximacin bilinear. Tras el preprocesado se puede aplicar una arquitectura de red neural al anlisis de la seal caracterizada. Las redes neuronales son una tcnica sobre la que actualmente se estn realizando numerosos estudios y que se presenta como una herramienta de tratamiento de seales muy interesante debido a su potencia y su versatilidad. Durante la bsqueda de informacin relacionada con redes neuronales se ha observado que se pueden utilizar en un gran abanico de disciplinas y que son muy adecuadas para resolver problemas difciles de modelar mediante los

algoritmos de procesado secuencial tradicionales. Pero a la vez este tipo de redes plantean la necesidad de grupos de trabajo multidisciplinar, ya que su diseo requiere conocimientos de teora de la seal, grafos, estadstica, electrnica en el caso de implementaciones hardware, programacin junto con los conocimientos relacionados con el mbito a estudiar, como la medicina y la biologa en los ejemplos expuestos. Tambin se ha analizado la importancia de la arquitectura de red neuronal que se escoja en funcin de posibles divisiones del problema en problemas ms sencillos. Junto con la arquitectura de red hay que seleccionar tambin el algoritmo de aprendizaje ms adecuado en funcin de la estructura de la red. Entre las aplicaciones prcticas de la utilizacin de redes neuronales al analizar EEG, se pueden destacar las relacionadas con el mbito de las personas con discapacidad y de las personas mayores, donde las redes neuronales pueden ayudar a implementar interfaces hombre/mquina que funcionen a partir de las seales de unos electrodos conectados al cuero cabelludo, como se plantea en [2]. Esto podra dotar de mayor autonoma a muchas personas que mantienen las capacidades cognitivas intactas pero que son incapaces de controlar su cuerpo, como las personas que han sufrido daos en su mdula. Adems tambin constituyen una herramienta muy til de diagnstico, que puede colaborar en la deteccin de enfermedades neuronales como el alzheimer o la epilepsia. Observando los resultados obtenidos hasta el momento se concluye que la utilizacin de redes neuronales para analizar electroencefalogramas

constituye una herramienta muy til con buenas perspectivas de futuro. 5. Bibliografa.
[1] AKIN, M., ARSERIM; M.A., KIYMIK; M.K.; TURKOGLU, I.: A new approach for diagnosing epilepsy by using wavelet transform and neural networks. 2001 PROCEEDING OF THE 23RD ANNUAL EMBS INTERNATIONAL CONFERENCE, OCTOBER 25-28, ISTANBUL, TURKEY. FUKUDA, Osamu; TSUJI , Toshio and KANEKO, Makoto: Pattern Classification of EEG Signals Using a Log-linearized. IEEE. HAZARIKA, Neep; TSOI, Ah Chung y SERGEJEW, Alex A.: Nonlinear Considerations in EEG Signal Classification. IEEE Transactions on signal processing, vol. 45, no. 4, April 1997. INAN GLER; ELIF DERYA BEYLI ; NIHAL FATMA GLER: A Mixture Of Experts Network Structure For EEG Signals Classification. Proceedings of the 2005 IEEE Engineering in medicine and biology 27th annual conference Shanghai, China, September 1-4, 2005 ISASI, Pedro.; GALVN, Ins M.: Redes Neuronales Artificiales: un enfoque prctico. Madrid: Prentice Hall, 2004.

[6]

KANDEL, E. R.; SCHWARTZ, J. H. y JESSELL, T. M.: Principios de Neurociencia. Madrid: Mc Graw Hill, 2001. LI YONG; ZHANG SHENGXUN: Apply Wavelet Transform to analyse EEG signal.Engineering in Medicine and Biology Society, 1996. Bridging Disciplines for Biomedicine. Proceedings of the 18th Annual International Conference of the IEEE Volume 3, 31 Oct.-3 Nov. 1996 Page(s):1007 - 1008 vol.3 MORA, F. y SANGUINETTI, A. M.: Diccionario de Neurociencia. Madrid: Alianza Editorial, 2004. Morcego S., Bernardo Estudio de redes neuronales modulares para el modelado de sistemas dinmicos no lineales. M. Gabriela CEMBRANO GENNARI, J. M. FUERTES (DIR). Tesis doctoral. Universidad Politcnica de Catalua, 2000.

[7]

[8] [2]

[9]

[3]

[4]

[10] TSOI, A. C.; SO, D. S.; SERGEJEW, A.: Classification of electroencephalogram using Artificial neural networks. ADVANCES IN NEURAL INFORMATION PROCESSING SYSTEMS 6, J. D. COWAN, G. TESAURO, AND J. ALSPECTOR, ED. SAN FRANCISCO, CA: MORGAN KAUFMANN, PP. 11511158, 1994. [11] WIKIPEDIA. Multilayer perceptron.<http://en.wikipedia.org/ wiki/Multilayer_perceptron>

[5]