caracterización de la relación entre señales corticales y...

Caracterización de la relación entre señales corticales ycardiovasculares en sujetos con epilepsia durante el sueño

Alumno: José Saúl González Salazar

Asesores: Dr. José Martín Luna Rivera, Dr. Francisco Alfonso Alba Cadena

Facultad de Ciencias, Universidad Autónoma de San Luis Potosí

Resumen: Este documento presenta el avance del proyecto de la tesis de nivel maestría:�Caracterización de la relación entre señales corticales y cardiovasculares en sujetos con

epilepsia durante el sueño�, obtenido durante el periodo Junio-Octubre del 2012. Conla �nalidad de favorecer el desarrollo del trabajo de investigación, durante el semestrese están cursando las siguientes asignaturas: Reconocimiento de Patrones, InteligenciaArti�cial, y Proyecto de Tesis I. El objetivo del proyecto es estudiar la relación de loscambios de la frecuencia cardíaca respecto a las activaciones corticales que conformanla microestructura durante el sueño.

1. Introducción

En las ciencias de la salud, y en especial en la �siología, es común encontrarse con señales denaturaleza eléctrica que pueden aportar información signi�cativa, útil y valuable para el estudiodel cuerpo humano. Actualmente para una mejor comprensión de nuestro organismo se cuentacon dispositivos y equipos electrónicos, técnicas y metodologías en constante desarrollo, de cuyosresultados actuales dependen los avances futuros en el área de la �siología.

En los seres humanos, el sistema nervioso, cuya actividad se basa en el envío de señales de caráctereléctrico; es el encargado del control de todas las actividades (psicomotrices, de pensamiento, etc.). Elcerebro, que en conjunto con otros órganos del sistema nervioso dentro del cráneo forma el encéfalo,se ha convertido recientemente en un intenso objeto de investigación debido a las múltiples ventajasque puede aportar su estudio y entendimiento. A continuación se explican algunos conceptos básicospara el entendimiento de este documento.

1.1. EEG

La electroencefalografía (EEG) es una exploración neuro�siológica que se basa en el registro de laactividad bioeléctrica cerebral en condiciones basales de reposo, en vigilia o sueño, u durante otrasdiversas activaciones. La adquisición de las señales EEG se realiza mediante un equipo sensible aactividad eléctrica sobre la super�cie de la cabeza que, por medio de electrodos, comunican la señaleléctrica a un dispositivo capaz de registrar los cambios de la señal respecto al tiempo. Los electrodosse colocan estratégicamente sobre la cabeza (existe un sistema internacional de ubicación de loselectrodos llamado sistema 10-20) y estos son capaces de detectar potenciales eléctricos generadospor la sinergia de las distintas agrupaciones o cúmulos de neuronas de la corteza cerebral cercanasa esa zona. Los patrones generados en estas detecciones pueden ser interpretados por expertos ypueden arrojar información signi�cativa sobre el funcionamiento del cerebro y sus distintos procesos.

1

1.2. ECG

La electrocardiografía (ECG) es la representación grá�ca de la actividad eléctrica del corazón,se obtiene similarmente al EEG en forma de cinta continua. Es el instrumento principal de laelectro�siología cardíaca y el cribado y diagnóstico de las condiciones cardiovasculares y metabólicas.También es el principal indicador para saber la duración del ciclo y frecuencia del ritmo cardíaco.A la representación de la frecuencia cardíaca expresada en cantidad de latidos por segundo se lellama HRV (Heart Rate Variability), ya que expresa la variabilidad del ritmo cardíaco respecto aduración del pulso entre pico y pico de la señal de ECG.

1.3. PLET

La pletismografía (PLET) consiste en el registro de las variaciones de una señal de carácter elec-tromagnético (como puede ser la luz visible) cuando se le hace atravesar alguna región, parte uórgano del cuerpo. Una señal electromagnética en su transcurso dentro del cuerpo puede ser modi�-cada por los tejidos o principalmente, los �uidos dentro del cuerpo, posiblemente de acuerdo a unacaracterística cambiante dentro del cuerpo. Un uso común de la fotopletismografía o pletismografíacon luz visible es la medición del pulso cardíaco y la saturación de oxígeno en la sangre. Al colocarLEDs y un fotosensor a través de una región delgada del cuerpo como puede ser la punta de un dedoo el lóbulo de la oreja, la circulación y composición de la sangre en dicha región producirá cambiosen la luz y en la señal pletismográ�ca en el tiempo, de estas variaciones se obtienen fácilmente lascaracterísticas mencionadas.

1.4. Epilepsia

La epilepsia es un trastorno neurológico caracterizado por una predisposición del cerebro paragenerar convulsiones recurrentes. En funcionamiento normal, el cerebro genera patrones asíncronosentre sus distintas regiones, es decir algunas regiones generan menor actividad y durante otrostiempos que otras regiones, pero durante una convulsión la actividad del cerebro se maximiza ysincroniza fuertemente, lo cual ocasiona todas las características observables durante el transcursode una convulsión. El diagnóstico de la epilepsia se basa en antecedentes familiares y el análisis delelectroencefalograma.

1.5. Macroestructura y Microestructura del Sueño

Actualmente se puede hacer una clasi�cación del estado del sueño de acuerdo a característicasobservables en la señal de EEG y EOG (Electrooculografía o registro de la actividad eléctrica delos músculos oculares). En la clasi�cación Macroestructura se reconocen 5 fases de sueño que secaracterizan por diferencias en la forma de onda (amplitud y frecuencia) de la señal de EEG; estasfases se les llama S1, S2, S3 y S4 en orden de la mayor a menor frecuencia que presenta la señalEEG; la quinta fase se le conoce como REM (Rapid Eye Movements) y se caracteriza por una altaactividad en la señal de EOG y patrones de onda EEG semejantes a los de vigilia.

Conforme se analiza la señal de EEG durante el sueño se pueden observar ciertos patrones repe-titivos y ciclos alternantes entre actividad alta (más notable en amplitud y frecuencia) y actividad

2

baja (menos notable). A estos patrones se les conoce como CAP (Cyclic Alternating Pattern). Alperiodo de duración en actividad alta se le denomina fase A, al periodo de duración en actividadbaja se le denomina fase B. La clasi�cación Microestructura se obtiene a partir de las característicasde los CAPs. Se reconocen principalmente tres subtipos según la forma de la fase A, conocidos comoA1, A2 y A3, en orden de mayor a menor contraste en la alternancia entre actividad alta y baja.De acuerdo a Terzano [1], Un patrón CAP se considera como tal sólo si la duración de la fase Aestá entre 2 y 60 segundos.

2. Motivación

El principal motivo para la realización de esta tesis, es aportar información nueva y relevantesobre la relación de señales corticales (señales eléctricas que se presentan sobre la corteza cerebral, yson medibles con un EEG) y señales cardiovasculares (propias del corazón y el sistema circulatorio);que se presentan durante el sueño en individuos con ciertas condiciones del sistema nervioso comolas que se presentan durante un ataque de epilepsia.

El diagnóstico de la epilepsia se basa principalmente en el análisis del EEG, sin embargo, por lanaturaleza del sistema nervioso, un ataque epiléptico puede verse re�ejado en otros sistemas comoel sistema cardiovascular. Entonces un objetivo más especí�co es encontrar una señal o indicador�able de ese re�ejo en el sistema cardiovascular. Una aplicación de este descubrimiento podría servirpara complementar o sustituir el análisis de EEG por el análisis de una señal cardiovascular de másfácil implementación como es la señal de PLET. Así como posiblemente la predicción de un ataqueepiléptico.

3. Objetivo

El objetivo de esta tesis es caracterizar señales cardiovasculares y corticales (electroencefalograma)durante el sueño en sujetos con condiciones patológicas del sistema nervioso, como puede ser laepilepsia. Especí�camente es encontrar la posible relación y si la hay caracterizarla a fondo, entrela señal de electroencefalograma y las señales del sistema cardiovascular, es decir, si es que seve re�ejada o afectada alguna característica o propiedad de alguna señal cardiovascular debido aalguna característica o propiedad de la señal de la onda de electroencefalografía; usando las técnicasy herramientas de análisis.

4. Reporte de avance Septiembre - Octubre

Como punto de partida para el inicio de la investigación se precisa de una base de datos digital queconsista de registros polisomnográ�cos (conjunto de distintas señales corporales que incluyen entreotras: EEG, ECG y PLET, efectuadas durante el sueño) de una cantidad signi�cativa de pacientes.

Se obtuvo una base de datos procedente de Italia, tomada de adultos jóvenes (edad media 25años) con diagnóstico de Epilepsia de Lóbulo Frontal Nocturna (NFLE por sus siglas en inglés). Laprueba fue realizada en el Hospital de Parma bajo las reglas estándar internacionales.

3

En la primera fase se obtuvo un total de registros polisomnográ�cos de seis pacientes. Cada registropolisomnográ�co consta de una matriz de una �la por cada muestra y siete señales o columnas, lascuales son:

Columna 1: Macroestructura del sueño.

Columna 2: Microestructura del sueño.

Columna 3: derivación de EEG.

Columna 4: derivación de EEG.

Columna 5: ECG.

Columna 6: PLET.

Columna 7: HRV.

Cada señal está digitalizada a una tasa de 128 muestras por segundo. El registro polisomnográ�coconsta de sólo una noche de sueño que duró alrededor de ocho horas. Lo cual nos da alrededor de3,7× 106 muestras por cada señal de cada paciente.

Cada muestra de la señal de la columna 1 (Macroestructura del sueño) puede tener los siguientesvalores:

1. Indica que la forma de la onda EEG corresponde al estado de vigilia o despierto

2. Indica que la forma de la onda EEG corresponde al estado REM o sueño lúcido.

3. Indica que la forma de la onda EEG corresponde al estado de sueño ligero o S1.

4. Indica que la forma de la onda EEG corresponde al estado de sueño intermedio o S2.

5. Indica que la forma de la onda EEG corresponde al estado de sueño profundo o S3.

6. Indica que la forma de la onda EEG corresponde al estado de sueño más profundo o S4.

Cada muestra de la señal de la columna 2 (Microestructura del sueño) puede tener los siguientesvalores:

1. Indica que se detectó actividad EEG correspondiente un CAP con subtipo A1.



En el resto de las columnas (EEG, ECG, PLET) las señales son de naturaleza analógica. Losvalores de cada muestra tienen una precisión de hasta 15 dígitos después del punto decimal. Lasunidades para EEG, ECG y PLET son microvolts (µV). La última columna (HRV) está en unidadesde latidos por segundo.

Ya obtenida la base de datos en formato listo para analizarla con el software MATLAB (unamatriz en formato .mat), se procedió a encontrar si existe una relación entre las señales de EEG yalguna señal cardiovascular.

4

4.1. Caracterización de señales

En primera instancia se procedió a buscar una relación de la clasi�cación Microestructura delsueño con la señal HRV. Para relacionar las transiciones o cambios de la señal de EEG en suclasi�cación Microestructura (los cuales fueron previamente detectados, establecidos y clasi�cadosen los subtipos A1, A2 y A3 en la columna 2) respecto a algún cambio en la señal cardiovascularHRV, se procedió a gra�car la actividad de todas y cada una de las activaciones detectadas en elconjunto de la base de datos junto con la actividad de la señal HRV, como se ilustra en los ejemplosmostrados en las Figuras 1 y 2.:

−120

−100

−80

−60

−40

−20

0

20

40

60

80

EE

G

−0.2

0

0.2

0.4

0.6

0.8

1

1.2

1.4

1.6

1.8

HR

V

−0.2

0

0.2

0.4

0.6

0.8

1

1.2

1.4

1.6

1.8

En

vo

lve

nte

de

l H

RV

1.8664 1.8666 1.8668 1.867 1.8672 1.8674 1.8676 1.8678 1.868 1.8682 1.8684

x 106

0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

HRV mínimo encontrado en: 1867488, Diferencia en amplitud: 0.106, Diferencia en tiempo: 2.4219

Activa

cio

ne

s

A2 Activación No.: 22 de 93, Rango: muestras del 1866730 al 1868110, Duración de la activación: 3.7813 s., Duración mínima: 2 s.

Figura 1: Detalle de una activación A2 en conjunto con la señal EEG (blanco) que la de�ne, yla señal HRV (verde) junto con su envolvente (azul). Las activaciones anotadas por el experto semuestran mediante un pulso negro. La línea roja denota HRVmin, la línea rosa de�ne el límitesuperior de búsqueda de HRVmin. El promedio de los valores de HRV entre la línea cian y el �ancoizquierdo del pulso negro de�nen la variable HRV .

−120

−100

−80

−60

−40

−20

0

20

40

60

80

EE

G

−0.2

0

0.2

0.4

0.6

0.8

1

1.2

1.4

1.6

1.8

HR

V

−0.2

0

0.2

0.4

0.6

0.8

1

1.2

1.4

1.6

1.8

Envolv

ente

del H

RV

7.95 8 8.05 8.1 8.15

x 104

0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

HRV mínimo encontrado en: 80862, Diferencia en amplitud: 0.38537, Diferencia en tiempo: 3.4688

Activacio

nes

A1 Activación No.: 2 de 313, Rango: muestras del 79970 al 81201, Duración de la activación: 2.6172 s., Duración mínima: 2 s.

Figura 2: Detalle de una activación A1.

En las Figuras 1 y 2 se muestra en línea blanca la señal de EEG. El pulso alto de color negro indicael segmento donde ocurre la activación de acuerdo con las anotaciones realizadas por el experto.Estas activaciones corresponden al subtipo A2 en la Figura 1 y subtipo A1 en la Figura 2. Laslíneas en verde es la señal HRV, que concuerda con los pulsos de la señal de ECG. La línea azulayuda a visualizar mejor las variaciones de la señal HRV, es pues la envolvente de la señal HRV.

5

El eje horizontal esta graduado en muestras, es decir el evento de la primer �gura se registró en lasmuestras aproximadamente de la 1,866,400 a la 1,868,400.

Ahora, para encontrar la relación entre actividad EEG y ECG, se procedió a encontrar que tantose redujo la señal HRV dentro del transcurso de la activación. Se hizo un programa en MATLABque detectó automáticamente el valor mínimo que presenta la señal HRV dentro del transcurso detiempo desde que inicia la activación hasta que termina la activación mas 3.5 segundos. En las�guras anteriores la línea roja indica donde se encontró el valor mínimo de HRV. La línea rosa esel límite de búsqueda para el valor mínimo de HRV. En la primer �gura el mínimo fue encontradodentro del transcurso de la activación, en la segunda �gura el valor mínimo se encontró fuera deltranscurso de la activación pero dentro del rango permitido (tiempo de �n de la activación mas 3.5segundos).

Ahora para conocer la diferencia en amplitud de la señal HRV, se tomó como referencia el promedioque mantuvo la señal HRV (HRV ) desde 3.5 segundos antes del inicio de la activación hasta eltiempo de inicio de la activación. En las �guras, es el promedio de los pulsos HRV (suma de lalongitud de las líneas verdes, dividida entre el número de líneas verdes) que se encuentran entre lalínea en color cian y el �anco izquierdo del pulso de color negro. Ya obtenido HRV se calcula:

Ad = HRV −HRVmin

donde Ad denota el dato denominado diferencia en amplitud, y HRVmin es el valor mínimo deHRV encontrado en el rango de valores considerado. Se aplicó el procedimiento anterior a todas lasactivaciones con duración mayor a 2 segundos.

Para conocer la diferencia en tiempo, es decir, el tiempo que tardó en alcanzar el mínimo encon-trado la señal HRV después del tiempo de inicio de la activación, se obtienen los datos de en quemuestra se alcanzó ese mínimo m(HRVmin) y la muestra en que inicia la activación m(Ai); ahorasimplemente se restan estos dos valores y se divide entre la frecuencia de muestreo fm (en este caso128 Hz) para obtener el dato denominado diferencia en tiempo (td) como se indica en la siguienteexpresión .

td =m(HRVmin)−m(Ai)

fm

Para obtener el tiempo en segundos, dato que denominamos diferencia en tiempo (td). Se aplicóel procedimiento anterior a todas las activaciones con duración mayor a 2 segundos. Enseguida semuestran los resultados obtenidos, el comportamiento y estadísticas de los parámetros anteriores,del paciente Avellone:

Las Figuras 3, 4 y 5 corresponden a las diferencias en amplitud Ad de las activaciones subtiposA1, A2, y A3 respectivamente, en la �gura del lado izquierdo En la Figura 3, 4 y 5 el eje horizontalde la grá�ca del lado izquierdo corresponde a las activaciones en orden de tiempo de aparición yel eje vertical a la diferencia de amplitud Ad que tomó la señal HRV debido a la activación. En la�gura del lado derecho se muestra la distribución de las diferencias en amplitud Ad en forma dehistograma. La Figura 6 es un esquema estadístico del tipo boxplot para observar las diferenciasentre los tres tipos de activaciones, la línea roja indica la mediana de las diferencias en amplitud Ad

para cada subtipo de activación, los limites superior e inferior del cuadro en azul indican el tercer

6

0 50 100 150 200 250 300 350−0.1

0

0.1

0.2

0.3

0.4

0.5

0.6

−0.1 0 0.1 0.2 0.3 0.4 0.5 0.60

10

20

30

40

50

60

70

Diferencia de amplitude para las activaciones A1s

A1V: Activación subtipo A1 válida. Número de activaciones válidas: 313

μV

μV

A1V

A1V

Ad

Ad

Figura 3: Valores obtenidos de las diferencias en amplitud Ad para las activaciones subtipo A1 delpaciente Avellone, en la �gura del lado izquierdo el eje horizontal corresponde a las activacionesen orden de tiempo de aparición y el eje vertical corresponde a la diferencia de amplitud quetomó HRVmin debido a la activación respecto a HRV . En la �gura del lado derecho se muestra ladistribución de las diferencias en amplitud en forma de histograma.

y primer cuartil respectivamente, los guiones en negro indican los limites que arroja la desviaciónestándar.

Las Figuras 7, 8, 9 y 10 corresponden a la explicación anterior, sólo que son para las diferencias entiempo td. Como se puede inferir después de observar las estadísticas anteriores, en la mayoría de loscasos, las activaciones generan un cambio en amplitud en la señal HRV, el cual tiende hacia un ciertovalor promedio similar en los tres subtipos de activaciones. Lo mismo ocurre para las diferenciasen tiempo. Lo anterior parece indicar que hay una relación directa entre las señales corticales ycardiovasculares.

7

0 10 20 30 40 50 60 70 80 90 100−0.1

0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

−0.1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.70

2

4

6

8

10

12

14

Diferencia de amplitude para las activaciones As 2

A2V: Activación subtipo A2 válida. 93Número de activaciones válidas:

μV

μV A2V

A2V

Ad

Ad

Figura 4: Diferencias en amplitud Ad para las activaciones subtipo A2.

0 10 20 30 40 50 60 70−0.05

0

0.05

0.1

0.15

0.2

0.25

0.3

0.35

0.4

0.45

−0.05 0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.450

1

2

3

4

5

6

7

Diferencia de amplitude para las activaciones As 3


μV

A2V

A2V

μV

Ad

Ad

Figura 5: Diferencias en amplitud Ad para las activaciones subtipo A3.

−0.05

0

0.05

0.1

0.15

0.2

0.25

0.3

0.35

0.4

0.45

−0.1

0

0.1

0.2

0.3

0.4

0.5

0.6

0

0.05

0.1

0.15

0.2

0.25

0.3

0.35

0.4

Estadísticas de las diferencias en amplitud HRV para los tres subtipos de activaciones. Paciente Avellonede

A1 A2 A3

μV μV μV

Figura 6: Esquema estadístico tipo boxplot de las diferencias en amplitud Ad para los tres tiposde activaciones, la línea roja indica la mediana de las diferencias en amplitud para cada subtipode activación, los limites superior e inferior del cuadro en azul indican el tercer y primer cuartilrespectivamente, los guiones en negro indican los limites que arroja la desviación estándar.

8

0 50 100 150 200 250 300 3500

5

10

15

20

25

−5 0 5 10 15 20 250

10

20

30

40

50

60

Diferencia de para las activaciones Atiempos 1


A1V

A1Vseg.

seg.

tdtd

td

Figura 7: Valores obtenidos de las diferencias en tiempo td para las activaciones subtipo A1, enla �gura del lado izquierdo, el eje horizontal corresponde a las activaciones en orden de tiempo deaparición y el eje vertical corresponde al tiempo que le tomó a la señal HRV llegar a un mínimo desdeel inicio de la activación. En la �gura del lado derecho se muestra la distribución de las diferenciasde tiempo en forma de histograma.

0 10 20 30 40 50 60 70 80 90 1000

2

4

6

8

10

12

14

16

18

20

−5 0 5 10 15 200

2

4

6

8

10

12

14

16

18

Número de activaciones válidas: 93



seg.

A2V

A2V

seg.

td

td

Figura 8: Diferencias en tiempo td para las activaciones subtipo A2.

0 10 20 30 40 50 60 700

5

10

15

20

25

30

35

−5 0 5 10 15 20 25 30 350

2

4

6

8

10

12



seg.

A3V

A3V

seg.

td

td

Figura 9: Diferencias en tiempo td para las activaciones subtipo A3.

9

0

5

10

15

20

0

2

4

6

8

10

12

14

16

18

0

5

10

15

20

25

30

Estadísticas de las diferencias en HRV para los tres subtipos de activaciones. Paciente Avellonetiempo de

A1 A2 A3

seg. seg. seg.

Figura 10: Esquema estadístico tipo boxplot de las diferencias en tiempo td para los tres tiposde activaciones, la línea roja indica la mediana de las diferencias en tiempo para cada subtipode activación, los limites superior e inferior del cuadro en azul indican el tercer y primer cuartilrespectivamente, los guiones en negro indican los limites que arroja la desviación estándar.

5. Resumen del avance logrado de junio a agosto del 2012

Revisión del estado del arte en el tema mediante resumen y exposición de los artículos ypublicaciones encontrados en las referencias.

Adquisición, exploración y análisis de la base de datos de seis pacientes.

6. Cronograma de actividades de noviembre del 2012 a abril del

2013

Noviembre Diciembre Enero Febrero Marzo Abril

Extracción y análisis de caracteris!cas de

señales de EEG

Extracción y análisis de caracterís!cas de

señales de ECG y HRV

Extracción y análisis de caracterís!cas de

señales de PLET

Caracterización de señales de ECG y HRV

con la señal PLET

2012 2013Ac!vidad \ Mes

Revisión bibliográfica

Selección de datos representa!vos

Referencias

[1] Terzano, M. G. and Parrino, L. �Atlas, Rules, and Recording Techniques for the Scoring of CyclicAlternating Pattern (CAP) in Human Sleep�, Sleep Medicine 2, 2001, 537-553.

[2] Delessert, A., et al, �Pulse Wave Amplitude Drops during Sleep are Reliable Surrogate Markers

of Changes in Cortical Activity�, SLEEP Vol. 33, No. 12 2010, 1687-1692.

[3] Tenorio-Orta, J.M., �Detección Automática del Patrón Alternante Cíclico del Sueño�, Tesis deIngeniería Electrónica, Facultad de Ciencias, Universidad Autónoma de San Luis Potosí, 2010.

[4] Haba-Rubio, J., et al, �Obstructive Sleep Apnea Syndrome: E�ect of Respiratory Events and

Arousal on Pulse Wave Amplitude Measured by Photoplethysmography in NREM Sleep�, SleepBreath 9, 2005, 73-81.

[5] Calandra-Buonaura, G., et al,�Physiologic Autonomic Arousal Heralds Motor Manifestations of

Seizures in Nocturnal Frontal Lobe Epilepsy: Implications for Pathophysiology�, Elsevier, SleepMedicine, 2012, 2011.11.7.

[6] Penzel, T., Brandenburg, U., Fricke, R., Peter, J., �New Methods for the Non-Invasive Assesment

of Sympathetic Activity During Sleep�, Somnologie 6, 2002, 69-73.

[7] Zacharia, A., �Sleep Apnea Syndrome: Improved Detection of Respiratory Events and Cortical

Arousals Using Oxymetry Pulse Wave Amplitude During Polysomnography�, Sleep Breath 12,2008, 33-38.

10

caracterización de la relación entre señales corticales y...

Documents