Análisis de Componentes Independientes en el Estudio de Potenciales Auditivos P300 A. Labarga Centro de Estudios e InvestigacionesTécnicas de Guipúzcoa CEIT. Paseo Manuel de Lardizabal s/n 20018 San Sebastián alabarga@ceit.es RESUMEN El Análisis de Componentes Independientes (ICA) ha demostrado tener múltiples ventajas sobre el Análisis de Componentes Principales (PCA) para el estudio de algunas señales electroencefalográficas. El ICA proporciona una independencia de órdenes superiores, no presupone la ortogonalidad de las fuentes, y permite encontrar la línea de ruido como fuente independiente, pudiendo sustraerla de las señales de los canales sin pérdida de información. Este hecho permite estudiar la estructura interna de las señales. En este trabajo se demuestra la posibilidad de aplicar este método en la descomposición de las componentes del potencial auditivo P300 obtenido en diferentes condiciones. Palabras clave: Análisis de componentes independientes, potenciales evocados. ABSTRACT Independent Component Analysis (ICA) has been shown to have multiple advantages over other methods such as Pricipal Component Analysis in the study of electroencephalographic signals. ICA provides higher degree of independence without assuming orthogonality of the signals, and allows extraction of noise baseline which can be substracted without lose of valuable information. This allows to study the internal structure of the signals. In this work, the suitability of this type of analysis in the decomposition of the components of the P300 auditory potential, is shown. Keywords: Independent component analysis, evoqued potentials 1 INTRODUCCIÓN El procesamiento neuronal de información relevante se estudia normalmente con un paradigma oddball, en el que un estímulo objetivo, que requiere una respuesta por parte del sujeto, debe ser detectado en una serie de estímulos irrelevantes. El registro y posterior promedio de los potenciales evocados en la realización de esta tarea, revelan una componente alrededor de 300 ms después del estímulo (P300) aparece consistentemente asociada a la detección del estímulo objetivo. Las componente P300 presentan diferentes formas, latencias y topografías en dependencia de las condiciones y el tipo de estímulo, lo que implica que no es un fenómeno homogéneo sino que tiene una estructura de múltiples componentes (Fig.1). Bioingeniería y Física Médica Cubana. 3 (1) 2002 34 Fig. 1. Evolución de la topografía de las señales en torno a 300ms para uno de los sujetos estudiados. El Análisis de Componentes Independientes se ha revelado recientemente como una herramienta válida para el procesamiento de señales encefalográficas y más concretamente para el estudio de los potenciales evocados. El análisis ICA es una solución particular al problema más amplio de la separación ciega de fuentes (BSS) que consiste en obtener las señales originales de un proceso a partir de una mezcla de dichas señales. En el caso de los potenciales evocados, se pretende analizar las diferentes componentes neuronales generadas en el cerebro, a partir de las señales registradas mediante sensores sobre la superficie de la cabeza. Los algoritmos ICA parten de varios supuestos: 1) 2) las fuentes originales son temporalmente independientes la mezcla es lineal, sin retardos e invariante en el tiempo En este caso el problema se puede formular de la siguiente manera: Sea s(t)=[s(t) s(t) ... s(t)] un conjunto de N fuentes independientes y sea x(t)=[x(t) x(t) ... x(t)] el conjunto de M señales observadas en los sensores. Suponiendo una mezcla lineal, sin retardos e invariante en el tiempo, las señales x(t) se pueden expresar como: x(t)= As(t) donde A es la matriz de mezcla. El análisis de componentes independientes trata de conseguir un conjunto de señales y(t)=[y(t) y(t) ... y(t)] que sea una estimación de las señales s(t)=[s(t) s(t) ... s(t)] a partir de las señales observadas: y(t)=Bx(t) donde B es la matriz de recuperación, que se calcula de modo que se maximice una función de contraste Φ (Y), que en un sentido estadístico, es una medida de la independencia de las señales y(t). Bioingeniería y Física Médica Cubana. 3 (1) 2002 35 2. METODOLOGÍA Se utilizó el ICA para el aislamiento de fuentes del potencial P300 registrados en 8 voluntarios tras la aplicación de un paradigma clásico de doble estímulo auditivo con tono estándar 1000 Hz, tono infrecuente a 2000 Hz, P3:1, 90dB, 10-50-10 ms de duración y f 0,7 Hz. Se pidió a los sujetos que identificaran el estímulo infrecuente mediante contaje mental primero (condición B1) y mediante un movimiento de un dedo (condición B2). El método de análisis empleado ha sido el siguiente: Se analizan los registros EEG por medio de alguno de los algoritmos generales implementados. A partir de la señal original (color negro) el programa extrae los componentes ordenándolas de mayor a menor importancia (rojo, magenta, verde, amarillo, azul, cian, etc) Finalmente se pueden proyectar sobre los electrodos para ver su topografía en scalp, realizar análisis de frecuencias para distinguirlos, anular algunos de los mismos etc. 3. RESULTADOS El ICA del potencial P300, mostró en todos los casos entre dos y tres componentes dominantes (Fig.2) Fig. 2. Descomposición en componentes independientes de un potencial P300 registrado en Cz (Sistema Internacional 10-20). Se muestran las tres componentes más importantes En seis de los casos una primera, de latencia alrededor del inicio de la P300 y de proyección frontal, y una segunda, de aparición tardía centroparietal. La tercera fuente era variable para cada sujeto y su proyección en scalp coincidía generalmente con alguna de las dos anteriores (Fig. 3). En dos registros con un potencial P300 de corta duración y monofásico, las fuentes halladas fueron todas de proyección central (Fig. 3). Bioingeniería y Física Médica Cubana. 3 (1) 2002 36 ICA 18 ICA 21 ICA 19 Fig. 3. Topografía de las tres componentes representadas en la Figura 2. Se observa la proyección frontal de la primera de ellas y la proyección central de las otras dos. Se registró un número mayor de componentes cuando los sujetos realizaron una respuesta motora ante el estímulo diana 4. CONCLUSIONES La latencia y proyección en scalp de los componentes obtenidos alrededor de la P300 pueden corresponder con los potenciales ya conocidos P3a y P3b (Fig. 2). Los algoritmos de ICA pueden utilizarse en el estudio de potenciales evocados para separar componentes y depurar, si procede, dichas señales. El mayor número de fuentes encontradas en las respuestas motoras al estímulo diana pueden deberse a la activación simultánea de áreas motoras. REFERENCIAS [1] Zukov L et al. Independent component analysis for EEG source localization. IEEE Eng Med Biol Mag., vol 10, pp. 87-96, 2000. [2] Makeig S et al. Blind separation of auditory event-related brain responses into independent components. Proc Natl Acad Sci USA, vol. 94(20), pp. 10979-84, 1997. [3] Jung TP et al. Extended ICA removes artifacts from electroencephalographic recordings. Advances in Neural Information Processing Systems, vol. 10, 1998. [4] Jung TP et al. Independent component analysis of electroencephalographic and event-related data. In: Poon P and Brugge J, eds. Auditory Processing and Neural Modeling, Plenum Press, New York, pp 189-197, 1998. [5] Makeig S et al. Functionally independent components of the late positive event-related potential during visual spatial attention. J Neurosci., vol. 19(7):,pp. 2665-80, 1999 [6] Jung TP et al. Removing electroencephalographic artifacts by blind source separation. Psychophysiology vol. 37, pp. 163-78,2000. Bioingeniería y Física Médica Cubana. 3 (1) 2002 37