Saltar ao contido

Electroencefalografía

Na Galipedia, a Wikipedia en galego.
Electroencefalografía (EEG)
[[Ficheiro:|250px]]
EEG normal dun organismo modelo (un roedor)
Tecidos obxectivoNeurona
Datos farmacocinéticos
Comezo de acción1929 (primeiro EEG humano por Hans Berger)
Aviso médico.
Aviso médico.
Advertencia: A Wikipedia non dá consellos médicos.
Se cre que pode requirir tratamento, por favor, consúltello ao médico.

A electroencefalografía (EEG) é un método para rexistrar un electrograma da actividade eléctrica espontánea do cerebro. Demostrouse que os biosinais detectados polo EEG representan os potenciais postsinápticos das neuronas piramidais no neocórtex e no alocórtex.[1] Normalmente non é invasivo, cos eléctrodos de EEG colocados ao longo do coiro cabeludo (scallp EEG en inglés) usando o sistema International 10–20, ou variacións do mesmo. A electrocorticografía, que implica a colocación cirúrxica de eléctrodos, ás veces chámase "EEG intracraneal". A interpretación clínica das gravacións de EEG realízase a maioría das veces mediante a inspección visual do trazado ou a análise cuantitativa de EEG.

As flutuacións de voltaxe medidas polo bioamplificador EEG e os eléctrodos permiten avaliar a actividade normal do cerebro. Como a actividade eléctrica monitorizada polo EEG orixínase nas neuronas do tecido cerebral subxacente, as gravacións realizadas polos eléctrodos na superficie do coiro cabeludo varían segundo a súa orientación e distancia á fonte da actividade. Ademais, o valor rexistrado está distorsionado por tecidos e ósos intermediarios, que actúan dun xeito semellante ás resistencias e capacitores dun circuíto eléctrico. Isto significa que non todas as neuronas contribuirán por igual a un sinal de EEG, cun EEG que reflicte predominantemente a actividade das neuronas corticais preto dos eléctrodos do coiro cabeludo. As estruturas profundas do cerebro máis afastadas dos eléctrodos non contribuirán directamente a un EEG; estes inclúen a base do xiro cortical, as paredes mesiais dos lóbulos principais, o hipocampo, o tálamo e o tronco encefálico.[2]

Unha configuración de gravación EEG usando o sistema 10-10 de colocación de electrodos.

Un EEG humano saudable mostrará certos patróns de actividade que se correlacionan co nivel de esperta dunha persoa. O rango de frecuencias que se observa está entre 1 e 30 Hz, e as amplitudes variarán entre 20 e 100 μV. As frecuencias observadas divídense en varios grupos: alfa (8-13 Hz), beta (13–30 Hz), delta (0,5–4 Hz) e theta (4–7 Hz). As ondas alfa obsérvanse cando unha persoa está nun estado de vixilia relaxada e son sobre todo prominentes nos sitios parietais e occipitais. Durante a actividade mental intensa, as ondas beta son máis prominentes nas áreas frontales e noutras rexións. Se se lle di a unha persoa relaxada que abra os ollos, obsérvase unha diminución da actividade alfa e un aumento da actividade beta. As ondas theta e delta non se ven na vixilia e, cando se ven, é un sinal de disfunción cerebral.[2]

O EEG pode detectar descargas eléctricas anormais, como ondas agudas, picos ou complexos de picos e ondas que se observan en persoas con epilepsia; polo tanto, adoita utilizarse para informar o diagnóstico médico. O EEG pode detectar o inicio e a evolución espazo-temporal (localización e tempo) das convulsións e a presenza de estado epiléptico . Tamén se usa para axudar a diagnosticar trastornos do soño, profundidade da anestesia, coma, encefalopatías, hipoxia cerebral despois dunha parada cardíaca e morte cerebral.

O EEG adoitaba ser un método de diagnóstico de primeira liña para tumores, accidentes cerebrovasculares e outros trastornos cerebrais focais,[3] [4] pero este uso diminuíu coa aparición de técnicas de imaxe anatómica de alta resolución como a resonancia magnética (MRI) e tomografía computarizada (TC).

Electroencefalógrafo de ordenador Neurovisor-BMM 40 producido en Rusia.

A pesar da súa resolución espacial limitada, o EEG segue a ser unha ferramenta valiosa para a investigación e o diagnóstico. É unha das poucas técnicas móbiles dispoñibles e ofrece unha resolución temporal de rango de milisegundos, que non é posible con TC, PET ou resonancia magnética. Os derivados da técnica EEG inclúen os potenciais evocados (EP), que consisten en promediar a actividade EEG atada no tempo á presentación dalgún tipo de estímulo (visual, somatosensorial ou auditivo). Os potenciais relacionados con eventos (ERP) refírense a respostas medias de EEG que están bloqueadas no tempo para un procesamento máis complexo de estímulos; esta técnica utilízase na ciencia cognitiva, na psicoloxía cognitiva e na investigación psicofisiolóxica.

 

Comparación de bandas de EEG
Banda Frecuencia (Hz) Localización Xeralmente Patoloxicamente
Delta < 4 frontalmente en adultos, posteriormente en nenos; ondas de alta amplitude
  • soño adulto de ondas lentas
  • en bebés
  • Atopouse durante algunhas tarefas de atención continua[5]
  • lesións subcorticais
  • lesións difusas
  • encefalopatía metabólica hidrocefalia
  • lesións profundas da liña media
Theta 4–7 Atopado en localizacións non relacionadas coa tarefa en cuestión
  • maior en nenos pequenos
  • somnolencia en adultos e adolescentes
  • inactivo
  • Asociado coa inhibición das respostas suscitadas (descubriuse que aumenta en situacións nas que unha persoa intenta activamente reprimir unha resposta ou acción).[6]
  • lesións focales subcorticais
  • encefalopatía metabólica
  • trastornos profundos da liña media
  • algúns casos de hidrocefalia
Alfa 8–12 rexións posteriores da cabeza, ambos os dous lados, de maior amplitude no lado dominante. Sitios centrais (c3-c4) en repouso
  • relaxado/reflexionando
  • pechando os ollos
  • Tamén se asocia co control da inhibición, aparentemente co propósito de cronometrar a actividade inhibitoria en diferentes lugares do cerebro.
  • coma
Beta 13–30 ámbolos dous lados, distribución simétrica, máis evidente frontalmente; ondas de baixa amplitude
  • intervalo: activo tranquilo → intenso → estresado → leve obsesivo
  • pensamento activo, concentración, alerta alta, ansiedade
Gamma > 32 Codia somatosensorial
  • Mostra durante o procesamento sensorial transmodal (percepción que combina dous sentidos diferentes, como o son e a vista) [8]
  • Tamén se mostra durante a correspondencia de memoria a curto prazo de obxectos recoñecidos, sons ou sensacións táctiles
  • Unha diminución da actividade da banda gamma pode estar asociada co declive cognitivo, especialmente cando se relaciona coa banda theta; con todo, isto non foi probado para o seu uso como medida de diagnóstico clínico
Mu 8–12 Codia sensoriomotora
  • Mostra as neuronas motoras en estado de repouso.[9]
  • A supresión de mu pode indicar que as neuronas espello motoras están funcionando. Os déficits na supresión de Mu e, polo tanto, nas neuronas espello, poden desempeñar un papel no autismo.[10]

A práctica de utilizar só números enteiros nas definicións provén de consideracións prácticas nos tempos nos que só se podían contar ciclos enteiros nos rexistros en papel. Isto leva a lagoas nas definicións, como se ve noutro lugar desta páxina. As definicións teóricas sempre foron máis coidadosamente definidas para incluír todas as frecuencias. Desafortunadamente, non hai acordo nos traballos de referencia estándar sobre cales deberían ser estes intervalos – Os valores para o extremo superior de alfa e o extremo inferior de beta inclúen 12, 13, 14 e 15. Se o limiar se toma como 14 Hz, entón a onda beta máis lenta ten aproximadamente a mesma duración que o pico máis longo (70 ms), o que fai deste o valor máis útil.

Investigación

[editar | editar a fonte]
A primeira gravación de EEG humano obtida por Hans Berger en 1924. O trazado superior é EEG, e o inferior é un sinal de temporización de 10 Hz.

O EEG utilizouse para moitos propósitos ademais dos usos convencionais do diagnóstico clínico e da neurociencia cognitiva convencional. Un uso inicial foi durante a Segunda guerra mundial polo Corpo Aéreo do Exército dos EUA para eliminar aos pilotos en perigo de sufrir convulsións;[11] As gravacións de EEG a longo prazo en pacientes con epilepsia aínda se utilizan hoxe en día para a predición de convulsións. O neurofeedback segue sendo unha extensión importante, e na súa forma máis avanzada tamén se intenta como base das interfaces de ordenadores cerebrais.[12] O EEG tamén se usa bastante no campo do neuromarketing.

O EEG é alterado por fármacos que afectan as funcións cerebrais, os produtos químicos que son a base da psicofarmacoloxía. Os primeiros experimentos de Berger rexistraron os efectos dos fármacos no EEG. A ciencia da farmaco-electroencefalografía desenvolveu métodos para identificar substancias que alteran sistematicamente as funcións cerebrais para uso terapéutico e recreativo.

Honda está a tentar desenvolver un sistema que permita a un operador controlar o seu robot Asimo mediante EEG, unha tecnoloxía que finalmente espera incorporar aos seus automóbiles.[13]

A imaxe ilustra as asociacións entre diversas medidas EEG e a conectividade funcional global (GFC) cerebral, baseándose nos datos simultáneos de EEG e fMRI. Mostra relacións significativas entre a potencia en diferentes bandas de frecuencia EEG (delta frontal, alfa parietal, gamma occipital) e a diversidade de sinal (LZc) coa GFC en varias rexións e redes cerebrais. Estas asociacións son positivas ou negativas e afectan a diferentes redes cerebrais, incluíndo as de atención, límbica, e frontoparietal, seguindo patróns específicos descritos nos puntos A a D. As correlacións están validadas estatísticamente e revelan unha interconexión entre os cambios nos sinais EEG e a conectividade cerebral medida por fMRI.

Os electroencefalogramas utilizáronse como proba en xuízos penais no estado indio de Maharashtra.[14] O Brain Electrical Oscillation Signature Profiling (BEOS), unha técnica de EEG, utilizouse no xuízo do Estado de Maharashtra v. Sharma para mostrar que Sharma se lembraba de usar arsénico para envelenar o seu exnoivo, aínda que a fiabilidade e a base científica de BEOS están en disputa.[15]

Actualmente estase a realizar moitas investigacións para facer que os dispositivos de EEG sexan máis pequenos, máis portátiles e máis fáciles de usar. O chamado "EEG portátil" baséase na creación de electrónicos de recollida sen fíos de baixa potencia e eléctrodos "secos" que non requiren un xel condutor para ser usado.[16] O EEG portátil ten como obxectivo proporcionar pequenos dispositivos de EEG que só están presentes na cabeza e que poden gravar EEG durante días, semanas ou meses á vez, como EEG de oído . Este seguimento prolongado e fácil de usar podería supoñer un cambio radical no diagnóstico de enfermidades crónicas como a epilepsia e mellorar moito a aceptación dos sistemas BCI por parte do usuario final.[17] Tamén se está a investigar para identificar solucións específicas para aumentar a vida útil da batería dos dispositivos Wearable EEG mediante o uso do enfoque de redución de datos.

Na investigación, actualmente o EEG úsase a miúdo en combinación coa aprendizaxe automática.[18] Os datos de EEG preprocesan e pásanse a algoritmos de aprendizaxe automática. Estes algoritmos son entón adestrados para recoñecer diferentes enfermidades como a esquizofrenia,[19] a epilepsia[20] ou a demencia.[21] Ademais, úsanse cada vez máis para estudar a detección de convulsións.[22] [23] [24] [25] Ao usar a aprendizaxe automática, os datos pódense analizar automaticamente. A longo prazo, esta investigación pretende construír algoritmos que apoien aos médicos na súa práctica clínica[26] e proporcionar máis información sobre as enfermidades.[27] Neste sentido, adoitan calcularse medidas de complexidade dos datos de EEG, como a complexidade de Lempel-Ziv, a dimensión fractal e a planitude espectral.[28] Demostrouse que combinar ou multiplicar tales medidas pode revelar información previamente oculta nos datos de EEG.[29]

Os sinais de EEG dos intérpretes musicais utilizáronse para crear composicións instantáneas e un CD polo Brainwave Music Project, dirixido no Computer Music Center da Universidade de Columbia por Brad Garton e Dave Soldier.[cómpre referencia] Do mesmo xeito, incluíuse unha gravación dunha hora de duración das ondas cerebrais de Ann Druyan no Voyager Golden Record, lanzado nas sondas Voyager en 1977, por se algunha intelixencia extraterrestre puidese decodificar os seus pensamentos, que incluía o que era namorarse

  1. "Cellular Substrates of Brain Rhythms". academic.oup.com. doi:10.1093/med/9780190228484.003.0002. Consultado o 2023-10-12. 
  2. 2,0 2,1 Principles of Neural Science. p. 1450. ISBN 978-1-259-64223-4. OCLC 1199587061. 
  3. "EEG". medlineplus.gov. 
  4. Chernecky CC, Berger BJ (2013). Laboratory tests and diagnostic procedures. ISBN 9781455706945. 
  5. Kirmizi-Alsan, Elif; Bayraktaroglu, Zubeyir; Gurvit, Hakan; Keskin, Yasemin H.; Emre, Murat; Demiralp, Tamer (2006-08-09). "Comparative analysis of event-related potentials during Go/NoGo and CPT: Decomposition of electrophysiological markers of response inhibition and sustained attention". Brain Research 1104 (1): 114–128. ISSN 0006-8993. doi:10.1016/j.brainres.2006.03.010. 
  6. Kirmizi-Alsan, Elif; Bayraktaroglu, Zubeyir; Gurvit, Hakan; Keskin, Yasemin H.; Emre, Murat; Demiralp, Tamer (2006-08-09). "Comparative analysis of event-related potentials during Go/NoGo and CPT: Decomposition of electrophysiological markers of response inhibition and sustained attention". Brain Research 1104 (1): 114–128. ISSN 0006-8993. doi:10.1016/j.brainres.2006.03.010. 
  7. Frohlich, Joel; Senturk, Damla; Saravanapandian, Vidya; Golshani, Peyman; Reiter, Lawrence T.; Sankar, Raman; Thibert, Ronald L.; DiStefano, Charlotte; Huberty, Scott (15 de dec. de 2016). "A Quantitative Electrophysiological Biomarker of Duplication 15q11.2-q13.1 Syndrome". PLOS ONE (en inglés) 11 (12): e0167179. ISSN 1932-6203. PMC 5157977. PMID 27977700. doi:10.1371/journal.pone.0167179. 
  8. Kanayama, Noriaki; Sato, Atsushi; Ohira, Hideki (2007-05). "Crossmodal effect with rubber hand illusion and gamma‐band activity". Psychophysiology (en inglés) 44 (3): 392–402. ISSN 0048-5772. doi:10.1111/j.1469-8986.2007.00511.x. 
  9. Gastaut, H. (1952). "[Electrocorticographic study of the reactivity of rolandic rhythm]". Revue Neurologique 87 (2): 176–182. ISSN 0035-3787. PMID 13014777. 
  10. Oberman, Lindsay M.; Hubbard, Edward M.; McCleery, Joseph P.; Altschuler, Eric L.; Ramachandran, Vilayanur S.; Pineda, Jaime A. (2005-07-01). "EEG evidence for mirror neuron dysfunction in autism spectrum disorders". Cognitive Brain Research 24 (2): 190–198. ISSN 0926-6410. doi:10.1016/j.cogbrainres.2005.01.014. 
  11. "The-Age-of-Neuroelectronics". thenewatlantis.com 11: 4–41. 2006. PMID 16789311. 
  12. Wan, Feng; da Cruz, Janir Nuno; Nan, Wenya; Wong, Chi Man; Vai, Mang I; Rosa, Agostinho (2016-05-06). "Alpha neurofeedback training improves SSVEP-based BCI performance". Journal of Neural Engineering 13 (3): 036019. ISSN 1741-2560. doi:10.1088/1741-2560/13/3/036019. 
  13. "nb20090401a2". japantimes.co.jp. 
  14. "Mumbai; sessions-court-murder-Rukmani-Krishnamurthy". articles.timesofindia.indiatimes.com. Arquivado dende o orixinal o 18 de xullo de 2012. Consultado o 21 de xullo de 2008. 
  15. Gaudet, Lyn M. (2011). "Brain Fingerprinting, Scientific Evidence, and "Daubert": A Cautionary Lesson from India". Jurimetrics 51 (3): 293–318. ISSN 0897-1277. 
  16. "Wearable Electroencephalography". ieeexplore.ieee.org (en inglés). doi:10.1109/memb.2010.936545. Consultado o 2023-10-12. 
  17. "The In-the-Ear Recording Concept: User-Centered and Wearable Brain Monitoring". ieeexplore.ieee.org (en inglés). doi:10.1109/mpul.2012.2216717. Consultado o 2023-10-12. 
  18. Lotte, F; Bougrain, L; Cichocki, A; Clerc, M; Congedo, M; Rakotomamonjy, A; Yger, F (2018-04-16). "A review of classification algorithms for EEG-based brain–computer interfaces: a 10 year update". Journal of Neural Engineering 15 (3): 031005. ISSN 1741-2560. doi:10.1088/1741-2552/aab2f2. 
  19. Shim, Miseon; Hwang, Han-Jeong; Kim, Do-Won; Lee, Seung-Hwan; Im, Chang-Hwan (2016-10-01). "Machine-learning-based diagnosis of schizophrenia using combined sensor-level and source-level EEG features". Schizophrenia Research 176 (2): 314–319. ISSN 0920-9964. doi:10.1016/j.schres.2016.05.007. 
  20. Buettner, Ricardo; Frick, Janek; Rieg, Thilo (2019-11-12). "High-performance detection of epilepsy in seizure-free EEG recordings: A novel machine learning approach using very specific epileptic EEG sub-bands". ICIS 2019 Proceedings. 
  21. Ieracitano, Cosimo; Mammone, Nadia; Hussain, Amir; Morabito, Francesco C. (2020-03-01). "A novel multi-modal machine learning based approach for automatic classification of EEG recordings in dementia". Neural Networks 123: 176–190. ISSN 0893-6080. doi:10.1016/j.neunet.2019.12.006. 
  22. "A Multivariate Approach for Patient-Specific EEG Seizure Detection Using Empirical Wavelet Transform". ieeexplore.ieee.org (en inglés). doi:10.1109/tbme.2017.2650259. Consultado o 2023-10-12. 
  23. Saab, Khaled; Dunnmon, Jared; Ré, Christopher; Rubin, Daniel; Lee-Messer, Christopher (2020-04-20). "Weak supervision as an efficient approach for automated seizure detection in electroencephalography". NPJ Digital Medicine 3: 59. ISSN 2398-6352. PMC 7170880. PMID 32352037. doi:10.1038/s41746-020-0264-0. 
  24. Bomela, Walter; Wang, Shuo; Chou, Chun-An; Li, Jr-Shin (2020-05-26). "Real-time Inference and Detection of Disruptive EEG Networks for Epileptic Seizures". Scientific Reports (en inglés) 10 (1): 8653. ISSN 2045-2322. PMC 7251100. PMID 32457378. doi:10.1038/s41598-020-65401-6. 
  25. Paesschen, Wim Van (2018-03). "The future of seizure detection". The Lancet Neurology 17 (3): 200–202. ISSN 1474-4422. doi:10.1016/s1474-4422(18)30034-6. 
  26. Chen, Po-Hsuan Cameron; Liu, Yun; Peng, Lily (2019-05). "How to develop machine learning models for healthcare". Nature Materials (en inglés) 18 (5): 410–414. ISSN 1476-4660. doi:10.1038/s41563-019-0345-0. 
  27. Rudin, Cynthia (2019-05). "Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead". Nature Machine Intelligence (en inglés) 1 (5): 206–215. ISSN 2522-5839. doi:10.1038/s42256-019-0048-x. 
  28. Burns, Thomas; Rajan, Ramesh (2015-06-01). "Combining complexity measures of EEG data: multiplying measures reveal previously hidden information" (en inglés). PMC 4648221. PMID 26594331. doi:10.12688/f1000research.6590.1. 
  29. Burns, Thomas; Rajan, Ramesh (2015-06-01). "Combining complexity measures of EEG data: multiplying measures reveal previously hidden information" (en inglés). PMC 4648221. PMID 26594331. doi:10.12688/f1000research.6590.1. 

Véxase tamén

[editar | editar a fonte]

 

  • Nunez PL, Srinivasan R (2007). doi:10.4249/Scholarpedia.1348
  • Arns M, Sterman MB (2019). Neurofeedback: How it all started. Nijmegen, Países Baixos: Brainclinics Insights. ISBN 9799083001302

Ligazóns externas

[editar | editar a fonte]