delaPlataformadeSimulaciónDinámicaLMV Lince ...
1
Cartografía Bioeléctrica Cerebral durante el manejo de la Plataforma de Simulación Dinámica LMV-Lince MV Sebastián 1 , MA Navascués 2 , MA Idiazábal 3 , C Ruiz 1 , A Otal 1 , C Arcos 4 , MV Arana 4 , L Di Stasi 5 , 6 , C Díaz-Piedra 5 1 CUD-AGM Zaragoza [email protected] 2 EINA-UNIZAR Zaragoza 3 INCIA Barcelona 4 HGDZ Zaragoza 5 CIMCYC-UGR Granada 6 CEMIX UGR-MADOC Granada 1. Introducción Los mapas cerebrales (o cartografía) proporcionan una distribución espacial sobre la superficie cortical de los datos, facilitando las comparaciones. En este trabajo se presenta una cartografía, median- te splines de interpolación de Duchon, como méto- do de visualización de los resultados obtenidos con el parámetro de cuantificación del EEG denominado dimensión fractal. Además se incluyen mapas multitarea y mapas de significación para visualizar las relaciones existentes entre los diferentes canales y tipos de EEG y las comparaciones estadísticas. Se han analizado las señales EEG de sujetos de las FAS en estados basales y durante varias pruebas de simulación de conducción de diferente dificultad en la plataforma dinámica LMV-Lince en el Centro Na- cional de Adiestramiento (CENAD) San Gregorio de Zaragoza. El parámetro utilizado en el estudio ha demostra- do ser buen cuantificador de la actividad cerebral, reflejando la complejidad de cada tarea. 2. Sujetos y Señales Sujetos 32 sujetos voluntarios suboficiales y Militares Profe- sionales de Tropa y Marinería(MPTM), instructores y alumnos del CENAD con edad media 30, 6 ± 6, 5. 10 instructores (37, 4 ± 5, 4) 22 alumnos (27, 5 ± 4, 3) 30 hombres, 2 mujeres Señales EEG EEG reposo ojos cerrados (oc) EEG reposo ojos abiertos (oa) EEG simulación conducción Afganistán [complejidad alta] (Af) EEG simulación conducción Pista [complejidad media](P) EEG simulación conducción Mali [complejidad baja] (M) EEG reposo ojos abiertos final (oa2) Recogida Señales Muestras recogidas en el CENAD Plataforma simulación dinámica LMV Lince Electroencefalógrafo SOMNOwatch plus EEG-6 (Somnomedics, Alemania) Montaje monopolar 10-20 Jasper System referencia Cz Electrodos: F3, F4, T3, T4, O1, O2 Época: 3 er minuto Muestreo: 256 Hz Agradecimientos Proyectos CUD ID: 2017-03, 2018-02. 3. Métodos Reconstrucción de la señal por métodos fractales y espectrales x(t)= N X n=0 (a n cos nω 0 t + b n sin nω 0 t) 0.0 0.2 0.4 0.6 0.8 1.0 -20 -10 0 10 20 30 40 Cálculo de parámetro de cuantificación, dimensión fractal, por métodos propios Cartografía propia, por splines de Duchon, para representar espacialmente los valores de la dimensión Mapas multitarea para visualizar las relaciones entre canales y tipos de EEG Mapas de significación para visualizar las diferencias significativas encontradas estadísticamente Dimensión Fractal Parámetro adimensional Proporciona una medida de la complejidad de cada canal de un EEG Permite comparaciones entre diferentes canales, grupos y tipos de EEG. Calculada a partir del exponente de Hurst (H ) D =2 - H H indicador de la auto-similaridad y la persis- tencia de la señal, 0 ≤ H ≤ 1 D =2 ruido blanco D =1 señal suave D =1.5 movimiento browniano o ruido rojo A mayor valor de la dimensión fractal la señal es más compleja o menos predictible Splines de Duchon Tras conocer el valor del cuantificador en los elec- trodos del Sistema 10-20 Jasper se aplica un Spli- ne de Duchon (D 2 -spline) para obtener una fun- ción que proporciona una aproximación del po- tencial en toda la superficie cortical y permite su representación. U 2 (x, y )= N X i=1 λ i K 3 (x - x i ,y - y i )+ p 1 (x, y ) p 1 (x, y )= 2 X d=0 d X k=0 q kd x d-k y k K 3 (x - x i ,y - y i )= r 3 i log[r i ] r i = |x - x i ,y - y i | 4. Resultados y Conclusiones Comparación entre tipos de EEG En reposo: Valores elevados en zona frontal izquierda F3 y ondas lentas en zona occipital Tareas de simulación: Mayores valores de la dimensión fractal Incremento de la dimensión en las zonas activadas en cada tarea (dependiendo de la dificultad) En Afgnistan (complejidad alta) se activan las áreas occipital y temporal. En Mali (complejidad baja) la zona frontal izquierda y parte de la temporal derecha Comparaciones multitarea y mapas de significación 2 Multitarea: Máximos (Af) zona tem- poral y occipital. (oc) y (oa) zona fon- tal. Mínimos en área occipital en (oc) Mapas de significación: 11 compara- ciones entre tipos de EEG. Mayores diferencias (p-valores bajos) en com- paraciones entre (Af) y (oc, oa, oa2) La dimensión fractal refleja la variación bioeléctrica producida al pasar de estados de reposo a simulaciones de conducción y durante las simulaciones en distintos escenarios. Bibliografía [1] L Astolfi, J Toppi, G Borghini, G Vecchiato, R Isabella, F De Vico Fallani, et al., Proc Annu Int Conf Proc IEEE Eng Med Biol Soc (2011) 2338–41. [2] E Basar, C.Basar-Eroglu, J Roschke, J Shultz, Models of Brain Function, Ed. R.M.J. Cotterill. Cambridge Univ. Press, 1989. [3] G Borghini, L Astolfi, G Vecchiato, D Mattia, F Babiloni F, Neurosci Biobehav Rev 44 (2014) 58–75. [4] Di Stasi LL, Diaz-Piedra C, Suárez J, Mccamy MB, Martínez-Conde S, Roca-Dorda J, et al., Psychophysiology 52 (2015) 951–56. [5] C Dussault C, JC Jouanin, M Philippe M, CY Guezennec, Aviat Space Environ Med 76(4) (2005) 344-51. [6] MA Idiazábal, MV Sebastián, MA Navascués, C Arcos, MV Arana, C Ruiz, JM Iso, Rev. Neurol. 66(10) (2018) 331–39. [7] MA Navascués, MV Sebastián, in: Thinking in Patterns: Fractals and Related Phenomena in Nature World Sci. (2004) 143–54. [8] MA Navascués, MV Sebastián, C Ruiz, JM Iso, Math. Meth. Appl. Sci. 39 (16) (2016) 4680–87. [9] MV Sebastián, MA Navascués et al., in: Dena Arto et al. Actas: II Congreso Nacional DESEi+d 2014. Ed. CUD (2014) 487–94. [10] MV Sebastián, MV Arana, C Arcos, MA Navascués, MA Idiazábal, C Ruiz, JM Iso, SEDENE (2018).
Transcript of delaPlataformadeSimulaciónDinámicaLMV Lince ...
CartografíaBioeléctricaCerebral durante elmanejode laPlataformadeSimulaciónDinámicaLMV−Lince
MV Sebastián1, MA Navascués2, MA Idiazábal3, C Ruiz1, A Otal1, C Arcos4, MV Arana4, L Di Stasi5,6, C Díaz-Piedra 5
2 EINA-UNIZARZaragoza
3 INCIABarcelona
4 HGDZZaragoza
5 CIMCYC-UGRGranada
6 CEMIX UGR-MADOCGranada
1. IntroducciónLos mapas cerebrales (o cartografía) proporcionanuna distribución espacial sobre la superficie corticalde los datos, facilitando las comparaciones.En este trabajo se presenta una cartografía, median-te splines de interpolación de Duchon, como méto-do de visualización de los resultados obtenidos conel parámetro de cuantificación del EEG denominadodimensión fractal.Además se incluyen mapas multitarea y mapas designificación para visualizar las relaciones existentesentre los diferentes canales y tipos de EEG y lascomparaciones estadísticas.Se han analizado las señales EEG de sujetos de lasFAS en estados basales y durante varias pruebas desimulación de conducción de diferente dificultad enla plataforma dinámica LMV-Lince en el Centro Na-cional de Adiestramiento (CENAD) San Gregorio deZaragoza.
El parámetro utilizado en el estudio ha demostra-do ser buen cuantificador de la actividad cerebral,reflejando la complejidad de cada tarea.
2. Sujetos y SeñalesSujetos32 sujetos voluntarios suboficiales y Militares Profe-sionales de Tropa y Marinería(MPTM), instructoresy alumnos del CENAD con edad media 30, 6± 6, 5.
10 instructores (37, 4± 5, 4)
22 alumnos (27, 5± 4, 3)
30 hombres, 2 mujeres
Señales EEGEEG reposo ojos cerrados (oc)EEG reposo ojos abiertos (oa)EEG simulación conducción Afganistán[complejidad alta] (Af)EEG simulación conducción Pista[complejidad media](P)EEG simulación conducción Mali[complejidad baja] (M)EEG reposo ojos abiertos final (oa2)
Recogida SeñalesMuestras recogidas en el CENADPlataforma simulación dinámica LMV Lince
Electroencefalógrafo SOMNOwatch plusEEG-6 (Somnomedics, Alemania)
Montaje monopolar10-20 Jasper System referencia CzElectrodos: F3, F4, T3, T4, O1, O2Época: 3er minutoMuestreo: 256 Hz
AgradecimientosProyectos CUD ID: 2017-03, 2018-02.
3. Métodos� Reconstrucción de la señal por métodos fractales y espectrales
x(t) =
N∑n=0
(an cosnω0t+ bn sinnω0t)
0.0 0.2 0.4 0.6 0.8 1.0
-20
-10
0
10
20
30
40
� Cálculo de parámetro de cuantificación, dimensión fractal, por métodos propios� Cartografía propia, por splines de Duchon, para representar espacialmente los valores de la dimensión� Mapas multitarea para visualizar las relaciones entre canales y tipos de EEG� Mapas de significación para visualizar las diferencias significativas encontradas estadísticamente
Dimensión Fractal� Parámetro adimensional� Proporciona una medida de la complejidad decada canal de un EEG� Permite comparaciones entre diferentes canales,grupos y tipos de EEG.� Calculada a partir del exponente de Hurst (H)
D = 2−H
� H indicador de la auto-similaridad y la persis-tencia de la señal, 0 ≤ H ≤ 1
D = 2 ruido blancoD = 1 señal suaveD = 1.5movimiento browniano o ruido rojo
� A mayor valor de la dimensión fractal la señales más compleja o menos predictible
Splines de DuchonTras conocer el valor del cuantificador en los elec-trodos del Sistema 10-20 Jasper se aplica un Spli-ne de Duchon (D2-spline) para obtener una fun-ción que proporciona una aproximación del po-tencial en toda la superficie cortical y permite surepresentación.
U2(x, y) =
N∑i=1
λiK3(x− xi, y − yi) + p1(x, y)
p1(x, y) =
2∑d=0
d∑k=0
qkd xd−kyk
K3(x− xi, y − yi) = r3i log[ri]
ri = |x− xi, y − yi|
4. Resultados y ConclusionesComparación entre tipos de EEG
En reposo: Valores elevados en zona frontal izquierda F3 y ondas lentas en zona occipitalTareas de simulación: Mayores valores de la dimensión fractalIncremento de la dimensión en las zonas activadas en cada tarea (dependiendo de la dificultad)En Afgnistan (complejidad alta) se activan las áreas occipital y temporal. En Mali (complejidad baja)la zona frontal izquierda y parte de la temporal derecha
Comparaciones multitarea y mapas de significación
2
Multitarea: Máximos (Af) zona tem-poral y occipital. (oc) y (oa) zona fon-tal. Mínimos en área occipital en (oc)
Mapas de significación: 11 compara-ciones entre tipos de EEG. Mayoresdiferencias (p-valores bajos) en com-paraciones entre (Af) y (oc, oa, oa2)
La dimensión fractal refleja la variación bioeléctrica producida al pasar de estados de reposo asimulaciones de conducción y durante las simulaciones en distintos escenarios.
Bibliografía[1] L Astolfi, J Toppi, G Borghini, G Vecchiato, R Isabella, F De Vico Fallani, et al., Proc Annu Int Conf Proc IEEE Eng Med Biol Soc (2011)
2338–41.
[2] E Basar, C.Basar-Eroglu, J Roschke, J Shultz, Models of Brain Function, Ed. R.M.J. Cotterill. Cambridge Univ. Press, 1989.
[3] G Borghini, L Astolfi, G Vecchiato, D Mattia, F Babiloni F, Neurosci Biobehav Rev 44 (2014) 58–75.
[4] Di Stasi LL, Diaz-Piedra C, Suárez J, Mccamy MB, Martínez-Conde S, Roca-Dorda J, et al., Psychophysiology 52 (2015) 951–56.
[5] C Dussault C, JC Jouanin, M Philippe M, CY Guezennec, Aviat Space Environ Med 76(4) (2005) 344-51.
[6] MA Idiazábal, MV Sebastián, MA Navascués, C Arcos, MV Arana, C Ruiz, JM Iso, Rev. Neurol. 66(10) (2018) 331–39.
[7] MA Navascués, MV Sebastián, in: Thinking in Patterns: Fractals and Related Phenomena in Nature World Sci. (2004) 143–54.[8] MA Navascués, MV Sebastián, C Ruiz, JM Iso, Math. Meth. Appl. Sci. 39 (16) (2016) 4680–87.
[9] MV Sebastián, MA Navascués et al., in: Dena Arto et al. Actas: II Congreso Nacional DESEi+d 2014. Ed. CUD (2014) 487–94.
[10] MV Sebastián, MV Arana, C Arcos, MA Navascués, MA Idiazábal, C Ruiz, JM Iso, SEDENE (2018).
