Boletín No. 94
1o. de enero de 2023
REPRESENTACIÓN EN ESPACIO-TIEMPO PARA IDENTIFICAR TIPOS DE EVENTOS EPILEPTÓGENOS DE EEG
Ing. Noemi Luna Hernández
Esta dirección de correo electrónico está siendo protegida contra los robots de spam. Necesita tener JavaScript habilitado para poder verlo.
Dra. Laura Garay Jiménez
Esta dirección de correo electrónico está siendo protegida contra los robots de spam. Necesita tener JavaScript habilitado para poder verlo.
Dra. Blanca Tovar Corona
Esta dirección de correo electrónico está siendo protegida contra los robots de spam. Necesita tener JavaScript habilitado para poder verlo.
Instituto Politécnico Nacional
UPIITA
Cómo citar este artículo
Abstract
The aim is to identify patterns that differentiate three graphoelements: Spikes, Slow Waves, and Spike-Slow Wave, characteristic of epileptic events. This, by statistical methods and the image processing method known as Gray Level Co-occurrence Matrix. Images sized 100x100 pixels are generated for the spatiotemporal analysis. When applying statistical calculations such as: mean square error, asymmetry, kurtosis coefficient, and entropy, as well as the GLCM method, the following was obtained: by the statistical method it was not possible to identify a pattern that could distinguish the morphologies. With the GLCM method, it was possible to identify some patterns by morphology, but the differences are very small, therefore it is not possible to differentiate the morphologies with the proposed methods.
Introducción
La epilepsia, de acuerdo a La Liga Internacional contra la Epilepsia (ILAE), “es un trastorno cerebral que se caracteriza por una predisposición crónica a crisis epilépticas y por las consecuencias neurobiológicas, cognitivas, psicológicas y sociales de esta enfermedad” [1]. Se puede clasificar por tipo de crisis, en crisis parcial y crisis generalizada. La crisis parcial inicia en una zona concreta del cerebro, y la generalizada afecta a toda la corteza cerebral. Un especialista (neurólogo, neurólogo cirujano o neurólogo pediatra) para diagnosticar la epilepsia, hace diferentes pruebas, como un examen neurológico, análisis de sangre, y el electroencefalograma (EEG) como técnica estándar. El EEG sirve para observar el funcionamiento eléctrico del cerebro. Se colocan electrodos en la corteza cerebral, se registran señales por cada electrodo y se analizan visualmente. Un registro en promedio dura 30 min y el especialista las analiza en secciones de 10 segundos. Las morfologías típicas de la epilepsia son las puntas, ondas lentas y puntas ondas lentas. En la Figura 1 se observan diferentes electroencefalogramas con las morfologías mencionadas anteriormente.
Con el objetivo de generar una herramienta auxiliar en la detección de las morfologías, se está desarrollando un sistema que identifica patrones en un análisis espacio-temporal con cálculos estadísticos y el método de procesamiento de imágenes conocido como matriz de co-ocurrencia de nivel de grises, GLCM por sus siglas en inglés (Gray Level Co-occurrence Matrix). |
||
Figura 1. Morfologías típicas de la epilepsia. |
MÉTRICAS ESTADÍSTICAS
Las métricas estadísticas utilizadas son: Error Cuadrático Medio, Asimetría, Coeficiente de Curtosis y Entropía [2]. Estas métricas permitirán visualizar los valores atípicos, la simetría de la distribución, la concentración de datos alrededor de la media y el equilibrio del sistema.
GLCM
La matriz GLCM caracteriza la textura de una imagen calculando la frecuencia de los pares de píxeles que muestran valores específicos en combinación con medidas estadísticas [3],y se pueden revelar ciertas propiedades sobre la distribución espacial de los niveles de grises en la imagen.
Para crear la matriz GLCM primero se debe decidir en qué ángulo de desplazamiento se quiere analizar. Existen cuatro, como se muestra en la Figura 2. |
||
Figura 2. Desplazamientos. |
Después, se identifica la frecuencia de aparición de la combinación de filas y columnas en la imagen. Por ejemplo, en la Figura 3 se observa que en la primera fila y primera columna de la matriz GLCM se coloca 1 porque busca la frecuencia de aparición de [1 1] en toda la imagen. En este caso se ve en el óvalo de color rojo que solo se repite una vez, por eso se coloca 1. Si se observa la frecuencia de aparición de la primera fila, segunda columna, los óvalos de color azul muestran la cantidad que hay, en este caso solo se repiten dos veces.
La Figura 4, muestra un ejemplo donde se crea la matriz GLCM con los diferentes ángulos de deslizamiento y un análisis a 8,16, y 32 bits.
Figura 4. Elemplo de creación de la matriz GLCM. |
Figura 3. Creación de la matriz GLCM Teniendo creada la matriz GLCM, se puede calcular algunas propiedades estadísticas de la imagen. En la Tabla 1 se muestra una descripción de cada propiedad. |
|
Tabla 1. |
Propiedades estadísticas. |
METODOLOGÍA
Para caracterizar las morfologías características de la epilepsia, se realizó un análisis espacio-temporal, generando matrices cuadradas de 100 muestras, que representan 10 segundos por cada arreglo bipolar de los electrodos. Se aplicaron los métodos estadísticos y se generó la matriz GLCM.
1.-SELECCIONAR LOS REGISTROS EEG |
Figura 5. *****Ejemplo de creación de la matriz GLCM. |
|
2.-SELECCIÓN DE EVENTOS
2.1.- Se visualizaron los registros en el programa TWinLOOK® para seleccionar los rangos donde se visualizan las 3 morfologías (punta, onda lenta y punta onda lenta) en un tiempo de 3 segundos consecutivos. Con apoyo de un neurólogo pediatra se identificaron las morfologías en los registros. Se seleccionaron 5 registros de pacientes con epilepsia por morfología de los 12 registros ya seleccionados. Por cada registro se seleccionaron 10 eventos.
3.-FORMACIÓN DE LAS MATRICES POR EVENTO
Se acomodaron los eventos con ayuda de un programa en MATLAB®, de tal forma que, en el eje vertical será el espacio que está representado por la posición de los electrodos, en montaje bipolar, quedando un total de 16 arreglos, tomando primero el hemisferio izquierdo (azul) y luego el hemisferio derecho (verde) sin considerar los canales centrales. El eje horizontal es el tiempo de 0.5 segundos representado en 100 muestras. Para que sea una matriz cuadrada, se agregaron 4 filas en la parte final con los valores del promedio de la matriz. En la Figura 6 se muestran tres matrices, una por cada morfología.
Figura 6. Matriz por morfologías. |
4.-ANÁLISIS DE RESULTADOS
Análisis Estadístico
En la Figura 7 se observa el comportamiento de las morfologías de acuerdo a cada métrica estadística. No se distingue alguna diferencia entre ellas. En la Figura 8 se ve el comportamiento de las tendencias, se podría distinguir la onda lenta en las cuatro métricas, pero la diferencia entre las otras es muy pequeña por lo tanto con este método no se pueden diferenciar las morfologías.
Figura 7. Comportamiento de las morfologías. . | Figura 8. Comportamiento con respecto a sus tendencias de las morfologías. |
Análisis de la matriz GLCM
Se analizaron las propiedades estadísticas de la imagen para obtener patrones y distinguir las morfologías. Se muestra en las Figuras 9 y 10 los patrones identificados con este método.
Figura 9. Patrones de la morfología puntas. | Figura 10. Patrones de la morfología ondas lentas. |
Con el análisis estadístico no se puede identificar algún patrón que pueda diferenciar las morfologías. Con el método de GLCM se encontraron patrones que pueden diferenciar las morfologías, pero no sería algo preciso ya que las diferencias entre ellas son muy pequeñas. Como trabajo a futuro se utilizará la transformada wavelet discreta bidimensional y una red neuronal convolucional (CNN) para identificar patrones que nos permitan distinguir las morfologías.
Referencias
- Liga Internacional contra la Epilepsia, (2008). Buró Internacional de Epilepsia y Organización Mundial de la Salud, 2008” INFORME SOBRE LA EPILEPSIA EN LATINOAMÉRICA”.Panamá: AG Publicidad., pp.8-17.
- D. Wackerly, W. Mendenhall y R. Scheaffer, (2008). Estadistica Matematica con aplicaciones, 7a ed. GENGAGE LEARNING.
- Gonzalez, R. C., R. E. Woods, and S. L. Eddins. (año). Digital Image Processing Using MATLAB. New Jersey, Prentice Hall, 2003, Chapter 11.
- Haralick, R.M., K. Shanmugan, and I. Dinstein, (1973). "Textural Features for Image Classification", IEEE Transactions on Systems, Man, and Cybernetics, Vol. SMC-3, 1973, pp. 610-621.
- Haralick, R.M., and L.G. Shapiro. (1992). Computer and Robot Vision: Vol. 1, Addison-Wesley, 1992, p. 459
Cómo citar este artículo en APA
Luna, N., Garay, L. & Tovar, B. (1 de enero de 2023). Representación en espacio-tiempo para identificar tipos de eventos epileptógenos de EEG. Boletín UPIITA. 17 (94).
https://www.boletin.upiita.ipn.mx/index.php/ciencia/1033-cyt-numero-94/2125-representacion-en-espacio-tiempo-para-identificar-tipos-de-eventos-epileptogenos-de-eeg