medigraphic.com
Instituto Nacional de Ciencias Médicas y Nutrición Salvador Zubirán

2014, Número S1

<< Anterior Siguiente >>

Rev Invest Clin 2014; 66 (S1)


Caracterización de la actividad eléctrica cerebral relacionada con la imaginación del movimiento de la mano en sujetos sanos

Cantillo-Negrete J, Gutiérrez-Martínez J, Flores-Rodríguez TB, Cariño-Escobar RI, Elías-Viñas D

Idioma: Español
Referencias bibliográficas: 31
Paginas: 111-121
Archivo PDF: 449.37 Kb.


RESUMEN

Los sistemas de interfaz cerebro-computadora (BCI) interpretan las intenciones de pacientes paralizados completamente a partir de características obtenidas de la señal eléctrica cerebral y las convierten en comandos para controlar dispositivos externos. Una de las estrategias utilizadas consiste en decodificar la imaginación de movimiento del paciente, la cual puede modificar la actividad neuronal en las áreas sensorial-motoras en una forma similar a la que se observa en movimiento real. Sin embargo, aún no es posible disponer de sistemas BCI que puedan usarse fuera del laboratorio de experimentación. En el presente estudio se muestran los patrones de activación registrados en tareas de movimiento e imaginación de movimiento de la mano derecha e izquierda de una muestra de sujetos jóvenes sanos de nacionalidad mexicana. A partir de un análisis tiempo-frecuencia fue posible diferenciar condiciones de imaginación y de movimiento. Mediante la prueba U de Mann-Whitney se obtuvieron diferencias estadísticamente significativas (p ‹ 0.05) en los canales C3, Cz, C4, T3 y P3, en la banda de frecuencia para los ritmos beta y mu, para sujetos con características similares (edad, género, educación). Con estos resultados será posible definir un clasificador o decodificador por género que mejore las tasas de desempeño y disminuya el tiempo de entrenamiento, con el fin de diseñar un sistema BCI funcional que pueda ser trasladado del laboratorio a la aplicación clínica en pacientes con discapacidad neuromotora.


REFERENCIAS (EN ESTE ARTÍCULO)

  1. Wolpaw JR, Birbaumer N, McFarland DJ, Pfurtscheller G, Vaughan T. Brain-computer interfaces for communication and control. Clin Neurophysiol 2002; 113: 767-91.

  2. Farwell LA, Donchin E. Talking off the top of your head: Toward a mental prosthesis utilizing event-related brain potentials. Electroencephalogr Clin Neurophysiol 1988; 70: 510-23.

  3. Thulasidas M, Guan C, Wu J. Robust classification of EEG signal for brain-computer interface. IEEE Trans Neural Syst Rehabil Eng 2006; 14: 24-9.

  4. Birbaumer N, Ghanayim N, Hinterberger T, Iversen I, et al. A spelling device for the paralysed. Nature 1999; 398: 297-8.

  5. Galán F, Nuttin M, Lew E, Ferrez PW, et al. An asynchronous and non invasive brain-actuated wheelchair. Clin Neurophysiol 2008; 119: 2159-69.

  6. Iturrake I, Antelis JM, Andrea K, Miguez J. A Noninvasive Brain-Actuated Wheelchair Based on a P300 Neurophysiological Protocol and Automated Navigation. IEEE Trans Robot 2009; 25(3): 614-27.

  7. Taylor D, Helms-Tillery SI, Schwartz AB. Direct cortical control of 3D neuroprosthetic devices. Science 2002; 296: 1829-32.

  8. Pfurtscheller G, Müller-Putz GR, Pfurtscheller J, Rupp R. EEG-Based asynchronous BCI controls functional electrical stimulation in a tetraplec patien. EURASIP J Appl Sig 2005: 3152-5.

  9. Neuper C, Müller-Putz G, et al. Motor imagery and EEG-based control of spelling devices and neuroprostheses. Prog Brain Res 2006; 159: 393-409.

  10. Heasaman JM, Scott TR, Kirkup L, Flynn RY, et al. Control of a hand grasp neuroprostheses using an electroencephalogramtriggered switch: demonstration of improvements in performance using wavepacket analysis. Med Biol Eng Comput 2002; 40: 588-93.

  11. Pfurtscheller G, Guger C, Müller G, Krausz G, Neuper C. Brain Oscillations Control Hand Orthosis in a Tetraplegic. Neurosci Lett 2000; 292: 211-4.

  12. Chih-Wei C, Chou-Ching KL, Ming-Shaung J. Hand Orthosis Controlled Using Brain-Computer Interface. J Med Biol Eng 2009; 29(5): 234-41.

  13. Pfurtscheller G, Neuper C. Motor imagery activates primary sensorimotor area in humans. Neurosci Lett 1997; 239: 65-8.

  14. Pfurtscheller G, Brunner C, Schlogl A, Lopez da Silva FH. Mu rhythm (de)syncronization and EEG single-trial classification of different motorimagery tasks. Neuroimage 2006; 31(1): 153-9.

  15. Pineda JA, Allison BZ, Vankov A. The effects of self-movement observation and imagination on mu rhythms and readiness potentials (RP’s): toward a brain-computer interface (BCI). IEEE Trans Rehabil Eng 2000; 8(2): 219-22.

  16. Pfurtscheller G, Lopes da Silva FH. Event-related EEG/MEG synchonization and desynchronization: basic principles. Clin Neurophysiol 1999; 110: 1842-57.

  17. Carmena JM, Lebedev MA, Crist RE, et al. Learning to control a brain-machine interface for reaching and grasping by primates. PLoS Biol 2003; 1: E42. Cantillo-Negrete J, et al. Actividad eléctrica cerebral e imaginación del movimiento de la mano. Rev Invest Clin 2014; 66 (Supl. 1): s111-s121 s121

  18. Neuper C, Müller GR, Küber A, et al. Clinical application of an EEG-based brain–computer interface: a case study in a patient with severe motor impairment. Clin Neurophysiol 2003; 114: 399-409.

  19. Johnson SH, SprehnG, Andrew SJ. Intact Motor Imagery in Chronic Upper Limb Hemiplegics: Evidence for Activity-Independent Action Representations. J Cogn Neurosci 2002; 14(6): 841-52.

  20. Schlögl A, Lee F, Bischof H, Pfustscheller G. Characterization of four-class motor imagery EEG data for the BCI-competition 2005. J Neural Eng 2005; 1: L14-L22.

  21. Lalor EC, Kelly SP, Finucane C, et al. Steady-state VEP-based brain-computer interface control in an immersive 3D gaming environment. EURASIP J Appl Sig P 2005; 2005: 3156-64.

  22. Gysels E, Celka P. Phase Synchronization for the Recognition of Mental Tasks in a Brain–Computer Interface. IEEE Trans Neural Syst Rehabil Eng 2004; 12(4): 406-15.

  23. Lemm S, Schäfer C, Curio G. Probabilistic modeling of sensorimotor mu-rhythms for classification of imaginary hand movements. IEEE Trans Biomed Eng 2004; 51: 1077-80.

  24. Ostrosky-Solis F, Gómez-Pérez E, Ardilla A, et al. Batería Neuropsicológica NEUROPSI Atencion y Memoria, 6 a 85 años de edad. Bookstore, 2003.

  25. Pfurtscheller G, Neuper C. Motor imagery and direct braincomputer communication. Proc IEEE 2001; 89(7): 1123-34.

  26. Jung TP, Makeig S, Humphries C, Lee TW, Mckeown MJ, et al. Removing Electroencephalographic Artifacts by Blind Source Separation. Psychophysiology 2000; 37: 163-78.

  27. Makeig S, Westerfield M, Jung JP, et al. Functionally Independent Components of the Late Positive Event-Related Potential during Visual Spatial Attention. J Neurosci 1999; 19(7): 2665-80.

  28. Oostenveld R, Fries P, Eric M, Schoffelen JM. Field Trip: Open Source Software for Advanced Analysis of MEG, EEG, and Invasive Electrophysiological Data. Comput Intell Neurosci 2011; 2011: 9.

  29. McFarland DJ, Miner LA, Vaughan TM, Wolpaw JR. Mu and Beta Rhythm Topographies During Motor Imagery and Actual Movements. Brain Topogr 2000; 12(3): 177-86.

  30. Birbaumer N, Ghanayim N, Hinterberger T, Iversen I, et al. The thought translation device (TTD). IEEE Trans Rehabil Eng 2000; 8: 190-3.

  31. Fazli S, Popescu F, Danóczy M, Blankertz B, Müller KR, Grozea C. Subject-independent mental state classification in single trials. Neural Net 2009; 22(9): 1305-12.




2020     |     www.medigraphic.com