FORMATO DE GUÍA DE PRÁCTICA DE LABORATORIO / TALLERES /

CENTROS DE SIMULACIÓN – PARA DOCENTES

CARRERA: INGENIERÍA ELECTRÓNICA ASIGNATURA: ELECTIVA I

NRO. PRÁCTICA: 01 TÍTULO PRÁCTICA: Análisis de señales EEG
AUTOR: - Kevin Fernando Lalangui Flores
OBJECTIVO
 Obtener las señales emitidas por el cerebro ante distintos estímulos, las mismas serán analizadas a través
de varios procesos para la obtención de las señales 𝛼 y 𝛽.
1. Importar datos obtenidos del EEG al Matlab.

INSTRUCCIONES 2. Eliminar los primeros 15s, es decir el primer tramo de muestras.

3. Aplicar la transformada de Wavelet para obtener las señales 𝜶 y 𝜷.
4. Analizar (comparar) las señales 𝜶 y 𝜷.
ACTIVIDADES DESARROLLADAS
1. MARCO TEÓRICO
ELECTROENCEFALOGRAMA
El electroencefalografía es una técnica de monitoreo electrofisiológico que permite registrar la actividad eléctrica del
cerebro, que a su vez es producida por la actividad neuronal en el interior del cerebro. Consiste en el uso de electrodos
colocados en el cuero cabelludo, aunque típicamente es no invasivo, también existen otros métodos quirúrgicos que
pueden dividirse en invasivos y semi - invasivos. El EEG mide fluctuaciones de voltaje que resultan de la corriente
iónica entre las neuronas del cerebro en un periodo de tiempo, las aplicaciones de diagnóstico generalmente se
enfocan en el contenido espectral del EEG, es decir oscilaciones neurales las cuales comúnmente se denominan
ondas cerebrales.

SISTEMA DE POSICIONAMIENTO 10-20

Dicho sistema está basado en la relación entre la localización del electrodo y el área de la corteza cerebral ubicada
bajo el, los números "10" y "20" se refieren a que la distancia entre los electrodos vecinos puede ser de 10% o 20%
de la distancia total entre la zona frontal y posterior, o de derecha a izquierda del cráneo, cada zona tiene asignada
una letra para identificar el lóbulo y un número para identificar en qué hemisferio se encuentra, si el número es par,
las posiciones de los electrodos pertenecen al hemisferio derecho del cerebro, si el número es impar pertenecen al
hemisferio izquierdo, a continuación en la tabla 1 se relaciona cada lóbulo con su identificador, aunque no existe un
lóbulo central, se utiliza el nombre para identificación. [3]

Tabla 1. Identificación de los electrodos según su posición.

Identificador del Electrodo Lóbulo

F Frontal
T Temporal
C Central
P Parietal
O Occipital

Figura 1. Sistema de posicionamiento 10 - 20.

RITMOS CEREBRALES
Las señales del EEG son divididas en grupos basadas en su contenido de frecuencia, la manera más común es dividir
dichas frecuencias en bandas, estas bandas se han definido mediante estudios de fenómenos psicológicos y
fisiológicos asociados a la actividad cerebral, muchos estudios en los últimos años han propuesto un aproximado de
qué ritmos cerebrales deben ser utilizados, sin embargo, a pesar de algunas discrepancias según el tipo de
investigación los principales son especificados en la siguiente Tabla. [3]

Tabla 2. Bandas de frecuencias de los ritmos cerebrales.

Nombre Frecuencia
Ritmo Delta 0.1 - 3.5 Hz
Ritmo Theta 4 - 7.5 Hz
Ritmo Alpha 8 - 13 Hz
Ritmo Beta 14 - 30 Hz
Ritmo Gamma < 30 Hz

2. DESARROLLO
En el experimento a realizar, vamos a analizar el lóbulo occipital. Nuestro experimento consta en que un estudiante
se colocará el casco, luego nuestro tutor le hará ver 10 imágenes de 15 segundos en un orden cronológico, el cual
será la primera estimulación para el cerero. Una vez terminada esta parte, se procederá a mostrar las mismas 10
imágenes pero en un orden diferente, para luego analizar estas señales y hacer una correlación e identificar las
imágenes en el orden en que fueron mostradas.

Una vez que obtuvimos las señales de todos los electrodos, nos vamos a dar cuenta de que es necesario que se
realice algún tipo de pre procesamiento sobre dicha señal, esto abarca desde, reorganizar los datos que se obtienen,
como extraer algún punto de interés sin realizar alguna otra modificación o remover algunos elementos de un
electrodo con mala calidad, hasta un filtrado o transformación que facilite el análisis posterior modificando los datos
crudos del EEG. La razón detrás del pre procesado es que toda señal EEG viene acompañada por un ruido que
entorpece el procesamiento, este ruido suele ser parte de la señal por lo que eliminar parte del ruido puede derivar
en eliminar alguna porción de datos correctos.

Para ello, eliminamos los primeros 15 segundos de la señal, es decir, quitamos las primeras 1920 muestras, ya que
es donde nuestro compañero se estaba acomodando, relajándose y hubo ruido. Como eran 10 imágenes de 15
segundos a una frecuencia de muestreo de 128 Hz, vamos a tener 19200 muestras, de igual manera, eliminamos las
muestras restantes porque es donde hubo ruido y más factores que entorpecieron el procesamiento de señales. Una
vez eliminados estas muestras, nos dirigimos al software Matlab para realizar el procesamiento de dichas señales y
poder obtener los resultados deseados.

Lo primero que hicimos fue leer los datos del electrodo occipital derecho con el primer estímulo y procedimos a graficar
para ver la señal ya a partir de la primera imagen, es decir, sin ruido. A continuación vamos a ver las respectivas
señales.

Figura 2. Señal con el primer estímulo.

Luego, mediante un filtro procedemos a separar esta señal. Sabiendo que la señal alfa se encuentra en el rango de
frecuencia de 8Hz a 16Hz optamos por utilizar un filtro butterword de 1 a 30Hz mediante la función filter ya que la
respuesta en frecuencia de un filtro Butterworth es muy plana (no posee ondulaciones) en la banda pasante, y se
aproxima del cero en la banda rechazada.

Figura 3. Señal filtrada alfa con el primer estímulo.

Este tipo de filtros en realidad a lo que se dedica es a eliminar ruidos externos, ayudan a evitar la contaminación de
la red por causa de algunos ruidos. El filtro de Butterworth más básico es el típico filtro pasa bajo de primer orden, el
cual puede ser modificado a un filtro pasa alto o añadir en serie otros formando un filtro pasa banda o elimina banda
y filtros de mayores órdenes.

Una vez determinado la señal alfa para el primer estímulo, realizamos el mismo proceso pero para la segunda
estimulación que es donde las imágenes están en un orden diferente.

Figura 4. Señal con el segundo estímulo.

Figura 5. Señal filtrada alfa con el segundo estímulo.

ANÁLISIS DE RESULTADOS
Para el análisis de resultados, se usa como método la correlación ya que es una operación entre dos señales, las
cuales generan una tercera, y permite detectar si una señal ocurre en otra.El resultado se conoce también como la
correlación cruzada de dos señales de entrada.

La amplitud de cada muestra en la señal generada por la correlación cruzada, muestra cuánto se parece la señal de
entrada a la señal objetivo en ese punto.
Figura 6. Correlación de la imagen 1 del primer estímulo con la señal del estímulo 2.

Figura 7. Correlación de la imagen 2 del primer estímulo con la señal del estímulo 2.

Figura 8. Correlación de la imagen 3 del primer estímulo con la señal del estímulo 2.

Figura 9. Correlación de la imagen 4 del primer estímulo con la señal del estímulo 2.
Figura 10. Correlación de la imagen 5 del primer estímulo con la señal del estímulo 2.

Figura 11. Correlación de la imagen 6 del primer estímulo con la señal del estímulo 2.

Figura 12. Correlación de la imagen 7 del primer estímulo con la señal del estímulo 2.

Figura 13. Correlación de la imagen 8 del primer estímulo con la señal del estímulo 2.
 Figura 14. Correlación de la imagen 9 del primer estímulo con la señal del estímulo 2.

Figura 15. Correlación de la imagen 10 del primer estímulo con la señal del estímulo 2.

A continuación se verá la tabla de comparación de resultados.

Tabla 3. Comparación de las ondas alfa según la imagen.

Primer Estímulo Segundo Estimulo

1 5
2 6
3 10
4 4
5 1
6 3
7 8
8 2
9 9
10 7

Resumiendo lo que hicimos fue, una vez obtenidos los archivos .xlsx con la información de las pruebas de nuestro se
realizó un script de Matlab, que lee dicho archivo y asigna cada columna de información a una variable, pero en
nuestro caso solo analizamos el lóbulo occipital O2. Ya teniendo toda la información se utilizó técnicas con los mismos
datos, para obtener resultados y gráficas que permitan realizar una comparación, de que tanto aporta cada una en la
obtención de información con respecto a los eventos potenciales a detectar, coste computacional, utilidad de la
información obtenida, etc.
El filtro Butterworth pertenece a los filtros IIR que son más selectivos con un orden inferior, pero como desventaja
tiene que su fase no es lineal. El resultado de aplicar el filtro en donde se ven una mayor atenuación de las
componentes frecuenciales. Cuando se amplía la señal filtrada solo con una pasada del filtro se ve un poco desfasada.
Sin embargo, cuando se aplica el filtro doble vez la señal no presenta retraso. En cuanto a la correlación, nos dimos
cuenta de que permite realizar el estudio de la señal en el dominio del tiempo de una manera sencilla y eficaz.
El procesamiento de las señales de EEG es un proceso complejo y, a veces, no es posible obtener una mejor manera
de extraer las características de estas señales o de eliminar el ruido actual, sin embargo, ya existen varios tipos de
filtrado matemático que básicamente se han convertido en un problema. Estándar en el estudio de señales
estocásticas como las obtenidas en el EEG, en nuestro caso analizamos la señal con un filtro de manteca. El
dispositivo Epoch de Emotiv es un dispositivo completo con muchas características interesantes, sin embargo, tiene
muchas limitaciones para la investigación, una es que su forma no es capaz de adaptarse a todos los usuarios, por
lo que a veces no puede tener acceso a todos los electrodos o usted tiene La información pero con altos niveles de
ruido. Otra limitación es la posición de los electrodos, ya que no se pueden tener datos de posición fuera de los 14 ya
implementados en la fábrica, por lo que se concluye que, como dispositivo EEG portátil, tiene una buena relación
precio-calidad, lo que lo hace es una buena opción para comenzar a investigar, teniendo en cuenta que a medida que
se avanza, será necesario utilizar un equipo más completo para obtener datos más confiables.
BIBLIOGRAFÍA
[1] AV Oppenheim, AS Willsky, SH Nawab. (1998). Señales y sistemas. Recuperado de https://scholar.google.com.ec/
[2] Quesada Martínez, GF Díaz Pérez. (2007). Características del electroencefalograma cuantitativo y trastornos
cognitivos en pacientes alcohólicos. Revista de medes.com

Nombre del estudiante: Kevin Fernando Lalangui Flores

Firma del Estudiante: _______________________________