Estudio de nuevas aproximaciones metodológicas para identificar de forma precisa la activación de fuentes cerebrales mediante LORETA

Abstract

En este Trabajo de Fin de Máster (TFM) se han generado y analizado señales electroencefalográficas (EEG) sintéticas en diferentes escenarios, con el objetivo de diseñar y evaluar nuevos filtros espaciales para mejorar la localización de fuentes cerebrales con el método sLORETA (standardized Low Resolution Brain Electromagnetic Tomography). A diferencia de otros métodos disponibles para registrar la actividad cerebral, el EEG es una técnica que se caracteriza por una alta precisión temporal, un fácil uso, muy amplio en el entorno clínico, y un bajo coste. Sin embargo, las señales EEG se ven influidas por las diferencias en la conductividad del cuero cabelludo, el cráneo y el cerebro, por el número y posición de electrodos utilizados, y por la ubicación espacial de las fuentes cerebrales. Los electrodos proporcionan una medida del potencial eléctrico del cerebro, que denominaremos señales a nivel de sensor, y en base a este potencial se pueden localizar las fuentes cerebrales que lo han generado, lo que denominaremos señales a nivel de fuente. La hipótesis de trabajo del TFM se basa en quela utilización de nuevos filtros espaciales permitiría mejorar la localización de las fuentes cerebrales en relación a los métodos convencionales que se utilizan para estimar la activación en ROIs (Regions Of Interest) con el método sLORETA. Para poder analizar el error obtenido a la hora de localizar fuentes cerebrales se han diseñado e implementado nuevos filtros espaciales. Estos filtros espaciales dividen la corteza cerebral en 84 ROIs, que se corresponden con las 42 áreas de Brodmann en cada hemisferio cerebral. El error de localización estimado se ha analizado en términos de diversos estadísticos, como la media, la desviación típica y la dispersión, con el fin de poder caracterizar su distribución. Los resultados muestran que la aplicación de los filtros espaciales propuestos permite obtener precisiones de localización de las fuentes cerebrales similares a los métodos convencionales. No obstante, este trabajo es solo un primer paso para el diseño de nuevos algoritmos que permitan disminuir el error en la localización de fuentes cuando se utiliza el algoritmo sLORETA con señales EEG.

In this Master Thesis, synthetic electroencephalographic (EEG) signals have been generated and analyzed in different scenarios. The goal was to design and evaluate new spatial filters to improve the localization of brain sources with the sLORETA (standardized Low Resolution Brain Electromagnetic Tomography) method. Unlike other methods available to record brain activity, EEG is a technique that is characterized by high temporal resolution, wide use at clinical settings and low cost. However, EEG signals are influenced by differences in conductivity of the scalp, skull and brain, by the number and position of electrodes, and by the spatial localization of brain sources. The electrodes provide a measure of the electrical potential of the brain, named signals at the sensor level, and based on this potential the brain sources that have generated it can be localized, named signals at the source level. The working hypothesisof this study is based on the idea that the use of new spatial filters would allow to improve the localization of cerebral sources in comparison to the conventional methods that are used to estimate the activation in ROIs (Regions Of Interest) using the method sLORETA. In order to analyze the localization error of the brain sources, new spatial filters have been designed and implemented. These spatial filters divide the cerebral cortex into 84 ROIs, which correspond to the 42 Brodmann areas in each cerebral hemisphere. The estimated localization error has been assessed in terms of several statistics, such as the mean, standard deviation and dispersion, in order to characterize its distribution. The results show that the application of the proposed spatial filters allows obtaining localization accuracies of brain sources similar tothose obtained by conventional methods. However, this work is only a first step for designing new algorithms useful to reduce the localization error of brain sources, using the sLORETA algorithm with EEG signals.