Colombia
El registro de la actividad eléctrica cerebral ha permitido la comprensiónde diferentes estados neurofisiológicos, posibilitando el diagnóstico dealgunos trastornos neuronales, de aquí, la importancia de la caracterizacióny el conocimiento de las diferentes morfologías que pueden presentarlas señales de electroencefalografía (EEG). El modelado matemático deseñales biomédicas facilita el desarrollo de simuladores que puedenservir como herramienta de entrenamiento médico en computadoreso dispositivos móviles. Este artículo presenta el modelado paramétricoautorregresivo (AR) y la simulación de señales EEG en diferentes estadosfisiológicos, como: reposo con ojos abiertos y cerrados y crisis epilépticas,además bajo la presencia de algunos de los artefactos más comunes,como son: parpadeo, actividad muscular, electrodo “pop” y ruido 60Hz. Se valida el desempeño de los modelos en el dominio del tiempo através del porcentaje de ajuste FIT, el cual siempre estuvo por encimadel 70%, y en el dominio de la frecuencia a través de la energía en lasbandas de frecuencia características del EEG. Se presenta la metodologíade modelado, los gráficos de las señales simuladas y los valores de losparámetros evaluados. La amplia variedad de señales EEG modeladaspermitirá el desarrollo de simuladores de señales cerebrales para elentrenamiento del personal médico, e igualmente para el análisis y lacaracterización de las señales de electroencefalografía.
The recording of brain electrical activity has led to a greater understandingof different neurophysiological states, has even made possible thediagnosis of some neuronal disorders, hence the importance of characterizationand understanding of the different morphologies that mayhave electroencephalography signals (EEG). The mathematical modelingof biomedical signals facilitates the development of simulators that canbe useful as medical training tools on computers or mobile devices. Thispaper presents the autoregressive (AR) modeling and simulation ofEEG signals in different physiological states: seizures, resting with eyesopen and eyes closed, and also under the presence of some of the mostcommon artifacts: muscle, eye blinking, electrode “pop”, and 60-Hz.The performance of the models has been validated in the time domainusing the percentage of fitting (FIT), which was always above 70%, andin the frequency domain through energy of the characteristic frequencybands of the EEG. The modeling methodology, figures of simulatedsignals and the values of the parameters evaluated are presented. Thewide variety of EEG signals modeled allow the development of brainsignals simulators for training of medical personnel, and also for theanalysis and characterization of EEG signals.
© 2001-2024 Fundación Dialnet · Todos los derechos reservados