Você está na página 1de 16

NEUROFISIOLOGÍA DEL

PROCESAMIENTO TEMPORAL
EN PRIMATES

Perla Guadalupe Arellano Pérez

Proyecto I, Fase II
Dr. David Oswaldo Pérez Merı́nez

10 de diciembre de 2018
Índice
Página

1. Introducción 2

2. Análisis de señales 3
2.1. Clasifiación de señales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.2. Ortogonalidad y series de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . 4

3. Series de Fourier en bases de datos 6

4. Señales EEG 12
4.1. Consideraciones de tiempo en señales EEG . . . . . . . . . . . . . . . . . . . . . 12

1
Resumen

En el presente documento, se expone de manera breve lo que se trabajó a lo largo del


semestre sobre la clasificación de señales, en el laboratorio de neurofisiologı́a del proce-
samiento temporal en primates, del Instituto de Neurobiologı́a de la UNAM, con el Dr.
David Oswaldo Pérez Martı́nez.

1. Introducción

La investigación llevada a cabo en este departamento analiza los mecanismos neurobiológicos


que participan en el control del comportamiento y en procesos cerebrales complejos pertene-
cientes a animales y humanos. Por medio de métodos electrofisiológicos y de neuroimagen, se
estudian los fundamentos dentro del cerebro de la actividad mental, como el lenguaje, las emo-
ciones y la conciencia, ası́ como los mecanismos neurofisiológicos de la percepción del tiempo
en los primates.

Se presenta a los sistemas (sujetos) estı́mulos auditivos o visuales, que tienen una temporalidad.
Al sujeto le podemos pedir que responda si el estı́mulo que recibió fue diferente a otros que se
le hayan dado; de esa manera tiene que discriminar la duración de un intervalo con respecto
a otro; eso se muestra bajo el control de una computadora. Los seres humanos somos más ca-
paces de distinguir diferencias a nivel perceptual o de ejecutar movimientos cuando se utilizan
estı́mulos auditivos; en cambio, los monos tienen mayor facilidad para ejecutar movimientos en
el tiempo o percibir diferencias con estı́mulos visuales.

La hipótesis que se tiene sobre ese resultado


es que el ser humano, tiene mayor propensión
a ejecutar las cosas con la modalidad auditiva.
En cambio, los monos, como tienen un lenguaje
relativamente primitivo, sus vocalizaciones no
son muy complejas, pero su sistema visual sı́;
son más capaces de temporalizar la conducta
y percibir intervalos cuando son definidos por
estı́mulos visuales.

Una vez que uno caracteriza la conducta paramétricamente y la compara con el humano, lo que
se hace es registrar la actividad de neuronas en diferentes áreas corticales y subcorticales del
mono cuando está ejecutando una tarea. Esto permite establecer qué áreas están involucradas
en la cuantificación del tiempo y cómo lo están, es decir, qué tipo de código neuronal utiliza el
cerebro para medir el tiempo.

Para realizar las correlaciones, se utilizan métodos matemáticos y estadı́sticos multidimensio-


nales para establecer correlaciones paramétricas entre la actividad de las neuronas y los eventos
conductuales que controlamos en el mono. En este caso la variable más importante, obviamente,
es el tiempo. Se busca ver si existe una especie de acumulador de tiempo, un tipo de reloj donde
se almacena la actividad en el tiempo y eso podrı́a permitir cuantificarlo.

2
2. Análisis de señales

Una señal es todo aquello que porta información y piede viajar por algún medio, ya sea material
o el vacı́o. El objetivo de estudiar su análisis nos permitirá aprender a caracterizarla, es decir,
conocer los parámetros que la definen.

Para esta rama de estudio, consideraremos solamente señales eléctricas, que son generalmen-
te señales de voltaje o corriente que bajo cierto comportamiento se pueden describir por una
relación matemática explı́cita. Esto se debe a que las neuronas envı́an pulsos eléctricos con la
información que nos interesa.

2.1. Clasifiación de señales

Existen varios tipos de clasificación de señales, entre las que detacan:

Señales de energı́a. Es una señal en forma de pulso que normalmente existe sólo du-
rante un intervalo de tiempo finito.

La energı́a de una señal, se puede calculas con la siguiente fórmula:

Z −
E= |f (t)|2 dt (1)

Si esta integral es finita, entonces f (t) es una señal de energı́a. A la señales en las que la
ecuación (1) es infinita, se les conoce como:
Señales de potencia. Si se tiene una señal f (t), su potencia media en el intervalo (t1 , t2 )
está dada por la expresión:

Z t2
1
P̄ = |f (t)|2 dt (2)
t1 − t2 t1

Señales contı́nuas o analógicas. Son aquellas que están definidad para todos los valores
de tiempo; pueden tomar valores en un intervalo contı́nuo (a, b).
Señales digitales. Sólo están definiad para ciertos valores de tiempo, generalmente se
denota la variable independiente con la letra n indicando el número de nuestras. Se puede
representar como una secuencia de números reales y complejos.
Señales periódicas. Es aquella que se repite exactamente a sı́ misma en un lapso fijo,
suele escribirse como f (t + T ) = f (t), donde T es el periodo de la señal.
Señales no periódicas

3
Señales determinı́sticas. Es aquella para la cual podemos conocer todos sus valores
para cualquier valor del tiempo o el espacio, puede ser representada por una expresión
matemática.
Señales aleatorias. Es aquella en la que hay algún grado de incertidumbre en sus va-
lores. Se puede representar como expresión matemática, por ejemplo, una solución al
movimiento de un armónico simple: f (t) = Asin(ω0 t + φ).

2.2. Ortogonalidad y series de Fourier

Para el análisis de señales, es útil poder representar una señal en términos de funciones base.
Para poder representar una función como una combinación lineal de otras funciones debe cum-
plir con la función de ortogonalidad [1].

Si se tiene un conjunto de funciones φk (t) que cumplen con la siguiente condición:

Z t2 Z t2
φ1 (t)φ02 (t) dt = φ01 (t)φ2 (t) dt = 0
t1 t1

donde φ01 (t) y φ02 (t) representan el complejo conjugado de φ1 (t) y de φ2 (t) respectivamente.

Para un análisis de señales más efectivo, se usan las funciones que ofrece MATLAB; para la
serie de Fourier, se usa de la siguiente manera:

Se tienen los siguientes datos de una señal:


Fs = 1000; % Frecuencia de muestreo
T = 1/Fs; % Periodo de muestreo
L = 1500; % Longitud de la se~nal
t = (0:L-1)*T; % Vector del tiempo
Formaremos una señal que contenga una sinusoide de 50 Hz de amplitud 0,7 y una sinusoide
de 120 Hz de amplitud 1.
S = 0.7*sin(2*pi*50*t) + sin(2*pi*120*t);
Añadiremos un poco de ruido.
X = S + 2*randn(size(t));
Ahora, grafiquemos la señal ruidosa en el dominio del tiempo:

plot(1000*t(1:50),X(1:50))
title(’Se~
nal da~
nada con ruido aleatorio de
media cero’)
xlabel(’t (milisegundos)’)
ylabel(’X(t)’

4
A simple vista, es difı́cil identificar los componentes de frecuencia observando la señal x(t).
Para tener una mejor vista, calcularemos la transformada de Fourier:
Y = fft(X);
Ahora calculemos el espectro bilateral P2. Y después, el espectro unilateral P1 basado en P2 y
la longitud de la señal de valor uniforme L:
P2 = abs(Y/L);
P1 = P2(1:L/2+1);
P1(2:end-1) = 2*P1(2:end-1);
Definamos el dominio de la frecuencia f y representemos gráficamente el espectro de amplitud
unilateral P1.

f = Fs*(0:(L/2))/L;
plot(f,P1)
title(’Single-Sided Amplitude Spectrum
of X(t)’)
xlabel(’f (Hz)’)
ylabel(’|P1(f)|’)

Las amplitudes no son exactamente de 0,7 y 1, como se esperaba, debido al ruido añadido.
Como promedio, las señales más largas producen mejores aproximaciones de frecuencia.

Ejemplo obtenido de: [2].

5
3. Series de Fourier en bases de datos

El ejercicio anterior se aplicó a una base de datos, resultado de la parte experimental del pro-
yecto. El cual mostraba la actividad cerebral de las neuronas a un estı́mulo sonoro. El sujeto
en estudio fue un humano.

A continuación se muestra el código, y la gráfica de las señales con ruido:

X = YAN_144.streams.EEGx.data(1,5.0911e4:6.9686e4);
Fs = YAN_144.streams.EEGx.fs; % Frecuencia de muestreo
T = 1/Fs; % Periodo de muestreo
L = length(X); % Ancho de la se~nal
t = (0:L-1)*T; % Vector tiempo

plot(t,X)
title(’Se~
nal da~
nada con ruido’)
xlabel(’t (milisegundos)’)
ylabel(’X(t)’)

6
Ahora, similar al ejemplo, obtenemos el espectro bilateral P2. Y después, el espectro unilateral
P1 basado en P2 y la longitud de la señal de valor uniforme L. Definamos el dominio de la
frecuencia f y representemos gráficamente el espectro de amplitud unilateral P1.
Y = fft(X);

P2 = abs(Y/L);
P1 = P2(1:L/2+1);
P1(2:end-1) = 2*P1(2:end-1);

f = Fs*(0:(L/2))/L;
plot(f,P1)
title(’Single-Sided Amplitude Spectrum of X(t)’)
xlabel(’f (Hz)’)
ylabel(’|P1(f)|’)

Figura 1

Es cierto que no podemos dar un análisis muy claro sobre la interpretación de los datos ob-
tenidos, buscaremos de manera gráfica las amplitudes de la señal, para ello, se estructuró un
programa donde se grafica lo mismo que la gráfica de la Figura 1, sólo que se toma el promedio
(mean) de P1.

7
clear F P1 P2
Fs = YAN_144.streams.EEGx.fs; % Sampling frequency
T = 1/Fs; % Sampling period

for i=1:1000

IndicesInicio = find(diff(YAN_144.streams.Wave.data(2,:))==1);
IndicesFinal = IndicesInicio+round(.5*Fs);

signal{i}=YAN_144.streams.EEGx.data(4,IndicesInicio(i):IndicesFinal(i));
L = length(signal{i}); % Length of signal
t = (0:L-1)*T; % Time vector

F(i,:)= fft(signal{i});

end
for i=1:1000

P2 = abs(F(i,:)/L);
P3(i, :) = angle(F(i, :)/L);
P1(i,:)= P2(1:L/2+1);
P1(i,2: end-1) = 2*P1(i,2:end-1);

end

f = Fs*(0:(L/2))/L;
plot(f,mean(P1))
title(’144’)
xlabel(’f (Hz)’)
ylabel(’Mean P1(f)’)

8
Figura 2

En la Figura 2, vemos con mayor claridad las amplitudes caracterı́sticas de la señal, si hacemos
un acercamiento, será más claro en qué valores se encuentran.

Figura 3

9
La señal anterior, se mencionó que fue de un estı́mulo auditivo, obtenido de un sujeto humano,
el sonido era más o menos como çoo coo”; se hizo otro muestreo con un sonido diferente, .oye
oye”, y los resultados de aplicar el mismo análisis fueron:

Figura 4: Señal con ruido sin ningún filtro.

Figura 5: Representación gráfica del espectro de amplitud unilateral P1.

10
Figura 6: Tomando el promedio (mean) de P1.

Figura 7: Acercamiento de las amplitudes.

La transformada de Fourier en el procesamiento de señales nos será útil para pasar una señal al
dominio de frecuencia, para ası́ obtener información que no es evidente en el dominio temporal.

11
4. Señales EEG

Estas señales de nada nos servirı́an si no les tuvieramos una interpretación; para poder identifi-
car patrones en la actividad cerebrañ haremos uso de los algoritmos clasificadores (classification
algorithms).

Primero es escencial enteder que una interface computadora-cerebro (BCI por sus iniciales en
inglés Brain-computer interface ), es un sistema de comunicación que no requiere de ninguna
actividad muscular periférica, es decir, para el control del BCI, el sujeto de estudio producirá
actividad cerebral, la cual será identificada por el sistema y traducida a un lenguaje computacio-
nal (comandos). En resumen, el objetivo del BCI, es traducir la actividad cerebral a comandos
para una computadora.

Este conjunto de datos, puede ser analizado, se expondrá el análisis de la clasificación utilizada
por BCI, sus propiedades y evaluación; asimismo, contemplar los diferentes tipos de algorit-
mos de clasificación usados en las investigaciones EEG-based BCI, e identificar sus propiedades
crı́ticas.

Para la clasificación de las señales EEG es importante considerar los siguientes puntos que
suelen ser conflictivos:

Ruido y partes aisladas; esto suele suceder ya que son cuestiones que no se pueden
controlar al cien por ciento.
Dimensionalmente altas; es normal que las señales emitidas por el cerebro sean de
dimensiones muy altas, ya que no es una sola neurona la que se analizará, sino, un conjunto
de neuronas de zonas especı́ficas.
Información del tiempo
Pequeños sets de entrenamiento; esto permitirá analizar de una manera más detallada
la actividad cerebral, que si se hicieran sets más largos.

4.1. Consideraciones de tiempo en señales EEG

La mayorı́a de las actividades cerebrales usadas para construir un BCI están relacionadas a
variaciones particulares de tiempo de EEG, posiblemente en bandas de frecuencia especı́ficas.

Por lo tanto, el curso del tiempo de las señales de EEG deberı́a considerarse durante la obten-
ción de caracterı́sticas. Para usar esta información temporal, se proponen tres enfoques:

1. Concatenación de caracterı́sticas de diferentes segmentos de tiempo. Consiste


en la extracción de caracterı́sticas de varios segmentos de tiempo y concatenarlos en un
solo vector caracterı́stico.

12
2. Combinación de clasificación en diferentes intervalos de tiempo. Consiste en
realizar los pasos de extracción y clasificación de caracterı́sticas en varios segmentos de
tiempo y combinar los resultados de diferentes clasificadores.
3. Clasificación dinámica. Consiste en extraer caracterı́sticas de varios segmentos de tiem-
po para construir una secuencia temporal de vectores caracterı́sticos.
Este primer enfoque es el más usado, el cual explica por qué los vectores caracterı́sticos tienen
dimensiones muy grandes.

Para la clasificación de las señales EEG es un análisis extenso, y existen muchas manera de
hacerlo, para leer más sobre los algoritmos clasificadores, se recomienda [3].

Lo que se recomienda, es la combinación de varios algoritmos, esto sin duda ha mostrado más
eficiencia que hacer el análisis con uno solo.

La combinación de los algoritmos clasificadores ayuda a reducir la varianza del error de clasifi-
cación.

Aunque es cierto que no existe una guı́a que indique en qué orden deben de usarse, sino que se
emplean de acuerdo a las necesidades de la investigación, en el caso que se trabajó el semestre
pasado en el mismo laboratorio, se empleaba la concatenación de matrices de covarianza, para
obtener los valores y vectores propios, ahora, por ejemplo, se trabajó con series de Fourier.

13
Santiago de Querétaro, 9 de Diciembre de 2018.

Universidad Autónoma de Querétaro


Facultad de Ingeniería
Licenciatura en Ingeniería Física.

REF. Constancia de cumplimiento de actividades estancia Proyecto I Fase II

Cordial Saludo.

Por medio de la presente, yo Dr. David Oswaldo Pérez Martínez representante del
centro de investigación/laboratorio de Neurofisiología de Primates, el cual está a
cargo del Dr. Hugo Merchant Nancy en la Universidad Nacional Autónoma de
México, hago constar que el alumno Perla Guadalupe Arellano Pérez con número
de expediente 243183 cumplió sus actividades propuestas para el periodo de Julio-
Diciembre en el proyecto titulado NEUROFISIOLOGÍA DEL PROCESAMIENTO
TEMPORAL EN PRIMATES , demostrando un desempeño sobresaliente en el
tiempo de estancia, el cual correspondió a +60 horas semestrales, con una
calificación de 10. Que la presente sirva de constancia del desempeño del
estudiante en la estancia del presente periodo.

Atentamente.

Dr. David Oswaldo Pérez


_________________________________ ________________________________
Martínez
Nombre y firma del asesor. Vo. Bo. Profesor de Proyecto I Fase II

14
Referencias
[1] Avilés.C y Rodrı́guez. E, Anális de señales, Universidad Autónoma Metropolitana.
Tamaulipas, México 2003
[2] MathWorks https://la.mathworks.com/help/matlab/ref/fft.html
[3] F. Lotte A reviw of classification algorithms for EEG-based brain-computer interfa-
cehttps://www.ncbi.nlm.nih.gov/pubmed/29488902

15