Registro completo de metadatos
| Campo DC | Valor | Lengua/Idioma |
|---|---|---|
| dc.provenance | Facultad de Ciencias Exactas y Naturales de la UBA | - |
| dc.contributor | Rosso, Osvaldo A. | - |
| dc.contributor | Mairal, María Liliana | - |
| dc.creator | Mairal, María Liliana | - |
| dc.date.accessioned | 2018-05-04T21:53:36Z | - |
| dc.date.accessioned | 2018-05-28T16:36:24Z | - |
| dc.date.available | 2018-05-04T21:53:36Z | - |
| dc.date.available | 2018-05-28T16:36:24Z | - |
| dc.date.issued | 2001 | - |
| dc.identifier.uri | http://10.0.0.11:8080/jspui/handle/bnmm/73723 | - |
| dc.description | La interpretación clínica de los registros EEG intenta establecer una relación entre los rasgos patológicos (sintomatología clínica) con el reconocimiento de patrones (“patterns”) determinados, a través de la inspección visual. Si bien este análisis tradicional es muy útil, la inspección visual de un registro EEG es una práctica subjetiva y de difícil sistematización. Con el objetivo de superar estos inconvenientes, el análisis cuantitativo EEG (qEEG) introduce medidas que reflejan las características de la actividad eléctrica cerebral, como así también las de su dinámica asociada. Recientemente algunos grupos de investigadores han reportado resultados, acerca de la caracterización de la evolución temporal de la dinámica asociada a registros EEG de pacientes epilépticos, utilizando cuantificadores basados en técnicas métricas de la dinámica no-lineal. Ellos analizaron el registro EEG durante el inicio de la crisis epiléptica y también la actividad de base (pre y post-ictal), siguiendo la evolución temporal de la complejidad de la señal, asociada con la dimensión de correlación, D2, y el grado de caoticidad dado por el mayor exponente de Lyapunov, Λmax. Uno de los principales hallazgos reportados fue la disminución observada en estos dos cuantificadores durante el estadio ictal. Esto sugiere la existencia, al inicio de la crisis, de una transición en el comportamiento dinámico de la red neuronal desde un sistema complejo a uno más simple. Más aún, algunos investigadores reportan un decrecimiento significativo de los cuantificadores mencionados minutos antes del inicio mismo del ataque, generando la hipótesis de que el mismo podría ser predicho. La aplicación de las técnicas métricas de la dinámica no-lineal a un conjunto de datos experimentales exige como requisito básico la estacionariedad de la serie de tiempo que representa. La serie temporal, a su vez, debe ser representativa de un atractor único y estable. Asimismo, la evaluación de la D2 y el Λmax requieren registros con un elevado número de datos significativos, puesto que se definen como propiedades asintóticas de dicho atractor. Se pueden caracterizar diferentes estados a través de las medidas estáticas de D2 y Λmax en porciones seleccionadas de la actividad cerebral (series de tiempo EEG) que satisfagan las hipótesis matemáticas requeridas. Sin embargo, estos invariantes métricos requieren la computación previa de ciertos parámetros y además se degradan rápidamente con el ruido aditivo, dando muchas veces vagos resultados. Desafortunadamente, no se puede asumir la existencia de un atractor estable cuando tratamos con registros de larga duración de la actividad de la masa neuronal, por consiguiente, no se pueden inferir en forma directa conclusiones acerca de las características de su dinámica. A fin de caracterizar la dinámica, es posible relajar el requisito de estacionariedad de la serie temporal e introducir dos cuantificadores: la dimensionalidad y la caoticidad. De este modo, computando sus valores en ventanas temporales deslizantes se podría acceder a la dinámica asociada a la señal EEG. Estos nuevos cuantificadores esencialmente están definidos del mismo modo que la Dz y el Λmax, pero no son equivalentes, ya que violan el requisito matemático básico de estacionariedad de la serie temporal dada. Otra posibilidad para abordar el estudio cuantitativo de una señal EEG es por medio del análisis tiempo-frecuencia, basado en la Transformada Wavelet Discreta Ortogonal (ODWT). En este método no es necesario el cumplimiento del requisito de estacionariedad de la señal y solo se trabaja con la respuesta mensurable del sistema, es decir, la serie temporal misma. Tomando entonces como herramienta básica la Transformada Wavelet de la señal EEG, definimos dos cuantificadores: la Energía Wavelet Relativa (RWE) y la Entropia Wavelet Total (SWT). La RWE brinda información acerca de la energía relativa asociada con las diferentes bandas de frecuencias presentes en el EEG y su correspondiente grado de importancia. La SWT da una medida del grado de orden/desorden presente en una serie de tiempo, y en consecuencia, si se la evalúa a lo largo de todo el intervalo temporal del registro EEG, proveerá información importante que se puede relacionar con cambios en la dinámica subyacente. Los resultados provistos por la SWT son independientes de la energía de la señal y por otra parte, de su definición se desprende que, es una magnitud libre de parámetros y del requisito de estacionariedad de la serie temporal. En este trabajo de tesis se comparan los resultados obtenidos a partir de cuantificadores basados en las técnicas métricas de la dinámica no-lineal y en el análsis wavelet (en particular a través de la Caoticidad y la Entropía Wavelet Total) para señales EEG de pacientes epilépticos, provistas por electrodos profundos y de superficie. El objetivo de esta comparación es elegir la técnica más adecuada para una posible aplicación de la misma en la detección automática de cambios en la dinámica de la señal. En este sentido, se intenta determinar de las dos técnicas analizadas la que presenta mayores ventajas, tanto en su implementación como en su interpretación. | - |
| dc.description | The clinical interpretation of EEG attempts to link pathological features (clinical symptomatology) with the visual inspection and pattern recognition of the EEG. Although this traditional analysis is quite useful, the visual inspection of the EEG is subjective and hardly allows any systematization. In order to overcome this, quantitative EEG (qEEG) analysis introduces objective measures reflecting the characteristics of the brain activity as well as the associated dynamics. Recently, several results have been reported about the characterization of the temporal evolution of the EEG associated dynamics by some research groups. They used quantifiers based on metric techniques of nonlinear dynamics applied to EEG epileptic records. Following the temporal evolution of the signal complexity, associated with the measurement of the correlation dimension D2, and the chaoticness degree, throughout the largest Lyapunov exponent, Λmax); they not only analyzed the EEG during the seizure onset but also the background neuronal activity (pre- and post-ictal). The main findings from these reports were a reduction of these two quantifiers during the ictal stage, suggesting that a transition takes place at the seizure onset in the dynamical behavior of the neural network from a complex behavior to a simpler one. Furthermore, some researchers reported a significant decrease of these quantifiers a few minutes before the seizure-onset raising the hypothesis that epileptic seizure could be predicted. The basic requirement for applying the nonlinear dynamics metric tools to experimental data is the stationarity of the time series. This means that the time series is representative of a unique and stable attractor. The evaluation of D2 and Λmax requires long time recordings, because they are defined as asymptotic properties of the attractor. Applying static measurements of D2 and Λmax to selected portions of brain electrical activity (EEG time series), which satisfy all the mathematical hypothesis, different states could be characterized. These metric invariants require the computation of some previous parameters and also degrade rapidly with additive noise, giving many times vague results. Unfortunately, for long recordings of neural mass activity we can not assume a stable attractor and, therefore we can not come straightforward conclusions concerning dynamic characterization. Moreover when one is interested in state transitions that are not strictly defined, it is possible to relax the stationarity requirement. In these cases we can introduce two quantifiers: the dimensionality and the chaoticity. Computing their values in slide time windows the EEG associated dynamics could be accessed. They are formally defined as D2 and Λmax, but they are not equivalent, because they violate the basic mathematical hypothesis of stationarity. Another kind of qEEG methods is based on time-frequency analysis, like the Wavelet Transform for example. This method only uses the data set, that means the time series. It is not necessary to assume any mathematical hypothesis. Then, taking as a basic element the Orthogonal Discrete Wavelet Transform (ODWT). of the EEG signal, we define two quantifiers: the Relative Wavelet Energy (RWE) and the Total Wavelet Entropy (TWS). The RWE give information about the relative energy associated with the different frequency bands present in the EEG and their corresponding degree of importance. The TWS is a measure of the order/disorder degree in the EEG signal. Furthermore, it gives information in relation with the changes in its underlying dynamical process. The TWS is independent of the signal energy and parameter free. Furthermore, it is not necessary the stationarity requirement for computing the TWS of the EEG time series. In this work we compare the results based on the two different methods mentioned above. Firstly, we apply metric techniques of no lineal dynamic defining the Chaoticity and then the wavelet analysis through the Total Wavelet Entropy. These two quantifiers were computing in EEG signals of epileptic patient providing by depth and scalp electrodes. This study tries to determine the better method in order to detect changes in the EEG signals, from the point of view of its interpretation and implementation. Finally, the main goal of this comparison is to select a suitable technique to a possible application in automatic detection of changes in the underlying dynamic of the EEG time series. | - |
| dc.description | Fil:Mairal, María Liliana. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina. | - |
| dc.format | application/pdf | - |
| dc.language | spa | - |
| dc.publisher | Facultad de Ciencias Exactas y Naturales. Universidad de Buenos Aires | - |
| dc.rights | info:eu-repo/semantics/openAccess | - |
| dc.rights | http://creativecommons.org/licenses/by/2.5/ar | - |
| dc.source.uri | http://digital.bl.fcen.uba.ar/gsdl-282/cgi-bin/library.cgi?a=d&c=tesis&d=Tesis_3325_Mairal | - |
| dc.subject | EEG TIME SERIES | - |
| dc.subject | NON-LINEAR DYNAMICS | - |
| dc.subject | WAVELET TRANSFORM | - |
| dc.subject | ENTROPY | - |
| dc.subject | SERIES EEG | - |
| dc.subject | DINAMICA NO-LINEAL | - |
| dc.subject | TRANSFORMADA WAVELET | - |
| dc.subject | ENTROPIA | - |
| dc.title | Evolución temporal de la dinámica asociada a series electroencefalográficas | - |
| dc.title | Time evolution of the dynamcs associated to electroencephalographic time series | - |
| dc.type | info:eu-repo/semantics/masterThesis | - |
| dc.type | info:ar-repo/semantics/tesis de maestría | - |
| dc.type | info:eu-repo/semantics/publishedVersion | - |
| Aparece en las colecciones: | FCEN - Facultad de Ciencias Exactas y Naturales. UBA | |
Ficheros en este ítem:
No hay ficheros asociados a este ítem.