Procesamiento de señales MER para detección de blancos quirúrgicos: un aporte preliminar.
DOI:
https://doi.org/10.47924/neurotarget202114Palabras clave:
MER, procesamiento de señales, Enfermedad de ParkinsonResumen
En este trabajo preliminar se busca definir mediante descriptores matemáticos las señales de microregistro cerebral, con el objetivo de encontrar parámetros específicos que permitan diferenciar al núcleo subtalámico del resto de las áreas cerebrales. El método propuesto, a partir de señales obtenidas por microregistro, serviría como soporte a la decisión médica durante cirugías funcionales de pacientes con Enfermedad de Parkinson.
En esta ocasión se analizaron diez descriptores matemáticos: longitud de la señal, RMS, Varianza, media del valor absoluto (MAV), frecuencia media, frecuencia mediana, entropía, ancho de banda, cruces por cero y Amplitud de Willison, en señales provenientes de núcleo subtalámico, tálamo, sustancia negra y zona incierta de dos pacientes. Los resultados muestran una discriminación satisfactoria entre el núcleo subtalámico y otras partes de los ganglios basales, utilizando al menos un descriptor de la señal.
Métricas
Citas
McNames J. Microelectrode Signal Analysis Techniques for Improved Localization, Microelectrode Recording in Movement Disorder Surgery. Thieme. 2004.
Bakstein E. Deep Brain Recordings in Parkinson´s Disease: Processing, Analysis and Fusion with Anatomical Models. Doctoral Thesis. Faculty of Electrical Engineering. Czech Technical University in Prague. 2016.
Burchiel KJ, Zvi I. Microelectrode recording in movement disorder surgery. Signal Processing and Pattern Recognition in Microelectrode Recordings. Thieme. 2004.
Goodman RR. Surgery for Parkinson’s Disease. Springer. 2019.
Favre J, Taha JM, Baumann T, Burchiel KJ. Computer analysis of the tonic, phasic, and kinesthetic activity of pallidal discharges in Parkinson patients. Surg Neurol. 1999; 51:665-673.
Sterio D, Beric A, Dogali M, Fazzini E, Alfaro G, Devinsky O. Neurophysiological properties of pallidal neurons in Parkinson’s Disease. Ann Neurol. 1994; 35:586-591.
Hurtado JM, Gray CM, Tamas LB, Sigvardt KA. Dynamics of tremor-related oscillations in the human globus pallidus: A single case study. Proc Natl Acad Sci US. 1999; 96:1674-1679.
Slavin KV, Holsapple J. Microelectrode Techniques: Equipment, Components, and Systems. In: Zvi I, Burchiel KJ. Microelectrode recording in movement disorder surgery. Thieme; 2004. 14 – 27. 9- Vargas Cardona HD, Álvarez MA, Orozco Gutiérrez Á. Representación óptima de señales MER aplicada a la identificación de estructuras cerebrales durante la estimulación cerebral profunda. Revista Tecnura. 2015; 19(45): 15-27.
Nazmi M, Rahman SI, Yamamoto S, Ahmad M, Malarvili S, Zamzuri H. Assesment on Stationarity of EMG Signals with Different Windows Size During Isotonic Contractions. MDPI. 2017; 7(10).
Togneri R, Nordholm S. Spectral Entropy as speech features for speech recognition. ResearchGate; 2005.
Schiaffino L. STN area detection using K-NN classifiers for MER recordings in Parkinson patients during neurostimulator implant surgery. SABI; 2015. Journal of Physics: Conference Series 705 (2016) 012050. doi:10.1088/1742-6596/705/1/012050
Wan KR. A review on microelectrode recording selection of features for machine learning in deep brain stimulation surgery for Parkinson’s disease. Clinical Neurophysiology. Elsevier; 2018. 14- Ganesh RN. Applications, Challenges, and Advancements in Electromyography Signal Processing, University of Technology Sydney, Australia. SCOPUS; 2014. doi: 10.4018/978-1-4666-6090-8
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2021 Sofía Jasón, Ricardo Berjano, Natalia López
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Este artículo se distribuye bajo la licencia Creative Commons Attribution 4.0 License. A menos que se indique lo contrario, el material publicado asociado se distribuye bajo la misma licencia.
