Representación óptima de señales MER aplicada a la identificación de estructuras cerebrales durante la estimulación cerebral profunda

Optimal Representation of MER Signals Applied to the Identification of Brain Structures During Deep Brain Stimulation

  • Hernán Darío Vargas Cardona Universidad Tecnológica de Pereira
  • Mauricio Álvarez López Universidad Tecnológica de Pereira
  • Álvaro Orozco Gutiérrez Universidad Tecnológica de Pereira
Palabras clave: deep brain stimulation, digital signal processing, machine learning, MER signals, Parkinson’s disease (en_US)
Palabras clave: aprendizaje de máquina, enfermedad de Parkinson, estimulación cerebral profunda, procesamiento digital de señales, señales MER (es_ES)

Resumen (es_ES)

La identificación de señales cerebrales provenientes de microelectrodos de registro (MER) es un procedimiento clave en la estimulación cerebral profunda (DBS en inglés) aplicada en pacientes con enfermedad de Parkinson (EP). El propósito de esta investigación es identificar con alta precisión una estructura cerebral llamada núcleo subtalámico (STN), ya que es la estructura objetivo donde se logran los mejores resultados terapéuticos de la DBS. Para ello, se presenta un enfoque de representación óptima de señales MER mediante el método de Frames (MOF por sus siglas en inglés), con el cual se obtienen coeficientes que minimizan la norma Euclidiana de orden 2. A partir de los coeficientes óptimos se realiza una extracción de características de las señales combinando diccionarios wavelet packet y coseno. Para tener un marco de comparación con el estado del arte, también se caracterizan las señales utilizando la transformada wavelet discreta (DWT) con diferentes funciones madre. La metodología propuesta se valida en una base de datos real, y se emplean máquinas de aprendizaje supervisadas simples, como el clasificador K-Nearest Neighbors (K-NN), el clasificador lineal bayesiano (LDC) y el cuadrático (QDC). Los resultados de clasificación que se obtienen con el método propuesto mejoran significativamente el rendimiento alcanzado con la DWT, de manera que se logra una identificación positiva del STN superior al 97,6%. Los índices de identificación logrados por el  MOF son muy precisos, ya que potencialmente se puede obtener una tasa de falsos positivos menores al 2% durante la DBS.

Resumen (en_US)

Identification of brain signals from microelectrode recordings (MER) is a key procedure during deep brain stimulation (DBS) applied in Parkinson’s disease patients. The main purpose of this research work is to identify with high accuracy a brain structure called subthalamic nucleus (STN), since it is the target structure where the DBS achieves the best therapeutic results. To do this, we present an approach for optimal representation of MER signals through method of frames. We obtain coefficients that minimize the Euclidean norm of order two. From optimal coefficients, we extract some features from signals combining the wavelet packet and cosine dictionaries. For a comparison frame with the state of the art, we also process the signals using the discrete wavelet transform (DWT) with several mother functions. We validate the proposed methodology in a real data base. We employ simple supervised machine learning algorithms, such as the K-Nearest Neighbors classifier (K-NN), a linear Bayesian classifier (LDC) and a quadratic Bayesian classifier (QDC). Classification results obtained with the proposed method improve significantly the performance of the DWT. We achieve a positive identification of the STN superior to 97,6%. Identification outcomes achieved by the MOF are highly accurate, as we can potentially get a false positive rate of less than 2% during the DBS.

Descargas

La descarga de datos todavía no está disponible.

Biografía del autor/a

Hernán Darío Vargas Cardona, Universidad Tecnológica de Pereira

Ingeniero electrónico, magíster en Ingeniería Eléctrica, Universidad Tecnológica de Pereira, Pereira.

Mauricio Álvarez López, Universidad Tecnológica de Pereira

Ingeniero electrónico, doctor en Ciencias de la Computación, Universidad Tecnológica de Pereira, Pereira.

Álvaro Orozco Gutiérrez, Universidad Tecnológica de Pereira

Ingeniero electricista, doctor en Bioingeniería, Universidad Tecnológica de Pereira, Pereira.

Referencias

Bishop, C. (2006). Pattern Recognition and Machine Learning. New York: Springer.

Braunwald, E., Fauci, A., Kasper, D., Hauser, S., Longo, D., & Jameson, L. (2001). Principios de medicina interna. México D.F: McGraww-Hill interamericana.

Breit, S., Schulz, J. B., & Benabid, A. L. (2004). Deep Brain Stimulation. Cell Tissue Res, 318, 275-288.

Bustamante, J. (2007). Neuroanatomía funcional (4 ed.). Bogotá: Celsus.

Castellanos, G., Pinzon, R., Orozco, A., & Carmona, H. (2010). Feature selection using an ensemble of optimal wavelet packet and learning machine: Application to MER signals. CSNDSP, (pp. 25-30). Newcastle (UK).

Chan, H., Wu, T., Lee, S., Lin, M. A., He, S. M., Chao, P. K., & Tsai, S. T. (2010). Unsupervised wavelet spike sorting with dynamic codebook searching and replenishment. Neurocomputing, 73(7), 1513-1527.

Chen, S. S., Donoho, D. L., & Saunders, M. A. (2001). Atomic Decomposition by Basis Pursuit. SIAM, 43(1), 129-159.

Daubechies, I. (1998). Time-frequency localization operators. A geometric phase space approach. IEEE Trans. Inform Theory, 34, 605-612.

Gemmar, P., Gronz, O., Henrichsand, T., & Hertel, F. (2008). Advanced methods for target navigation using microelectrode recordings in stereotactic neurosurgery for deep brain stimulation. CBMS, (pp. 99-104). Jyvaskyla (Finland).

Giraldo, E., Castellanos, G., & Orozco, A. (2008). Feature extraction for MER signals using adaptive filter banks. Electronics, Robotics and Automotive Mechanics Conference, (pp. 582-585). Cuernavaca (México).

Guillén, P., Martínez, P., Sánchez, R., Argáez, M., & Velásquez, L. (2011). Characterization of subcortical structures during deep brain stimulation utilizing support vector machines. EMBC, (pp. 7949-7952). Boston (USA).

Guridi, J., Rodríguez, M., & Manrique, M. (2004). Tratamiento quirúrgico de la enfermedad de Parkinson. Neurocirugía, 15, 5-16.

Hernández, G. A., & Pedroza, A. (2002). Compendio de neurocirugía. Bogotá : Fundación pro-neurocirugía.

Huggins, P. S., & Zucker, S. W. (2007). Greedy Basis Pursuit. IEEE Transactions on Signal Processing, 55(7), 3760-3772.

Jensen, A., & La Cour-Harbo, A. (2001). Ripples in Mathematics-The Discrete Wavelet. Berlín: Springer.

Mallat, S. A. (1999). Wavelet tour of signal processing. Waltham: Academic Press-Elsevier.

Moore, S. K., Mahurin, M., & Christie, B. (2006). Psychiatry's shocking new tools. IEEE spectrum, 43, 19-25.

Novak, P., Daniluk, S., Elias, S., & Nazzaro, J. (2007). Detection of the subthalamic nucleus in microelectrographic recordings in Parkinson's disease using the high frequency (500 hz) neuronal background. Neurosurgery, 106, 175-179.

Nowinski, W. L., Belov, D., Pollak, P., & Benabid, A. L. (2005). Statistical analysis of 168 bilateral subthalamic nucleus implantations by means of the probabilistic functional atlas. Neurosurgery, 57, 319-330.

Orozco , A. A., Guarnizo, C., Alvarez, M. A., Castellanos, G., & Guijarro, E. (2005). Spike source identification using artificial intelligence techniques. 3rd IEE International Seminar on Medical Applications of Signal Processing, (pp. 105 - 109). London.

Orozco, A. A., Álvarez, M., & Guijarro, E. (2006). Identification of spike sources using proximity analysis through hidden Markov models. EMBC, (pp. 5555-5558). New York (USA).

Ortoft-Endelt, L., & La Cour-Harbo, A. (2005). Comparison of Methods for Sparse Representation of Musical Signals. ICASSP, (pp. 13-16). Philadelphia (USA).

Padilla, J. B., Vargas Cardona, H. D., Arango, A., Carmona, H., Álvarez, M., Guijarro, E., & Orozco, A. (2012). NEUROZONE: On-line recognition of brain structures in stereotactic surgery - Application to Parkinson's disease surgery. EMBC (pp. 2219-2222). Chicago (USA): IEEE.

Pinzon, R., Garcés, M., Orozco, A., & Nazzaro, J. (2009). Automatic identification of various nuclei in the basal ganglia for Parkinson's disease neurosurgery. EMBC, (pp. 99-104). Minneapolis (USA).

Pinzon, R., Orozco, R., Carmona, H., & Castellanos, G. (2010). Towards high accuracy classification of MER signals for target localization in Parkinson's disease. EMBC, (pp. 4040-4043). Buenos Aires (Argentina).

Pizarro, J., Guerrero, J., & Galindo, L. (2002). Multiple comparison procedures applied to model selection. Neurocomputing, 48, 755-173.

Polikar, R., Greer, M. H., Udpa, L., & Keinert, F. (1997). Multiresolution Wavelet Analysis of ERPs for the detection of Alzheimer's disease. EMBC, (pp. 1301-1304). Chicago.

Pouzat, C., Delescluse, M., Viot, P., & Diebolt, J. (2004). Improved spike-sorting by modeling firing statistics and burst-dependent spike amplitude attenuation: a markov chain Montecarlo approach. J Neurophysiol, 91, 2910-2928.

Ropper, A. H. (2002). Principios de Neurología de Adams y Victor (7 ed.). New York: McGraw-Hill Interamericana.

Snider, R., & Bonds, A. (1998). Classification of non-stationary neural signals. Journal of Neuroscience Methods, 84, 155-166.

Tahgva, A. (2011). Hidden semi-Markov models in the computerized decoding of microelectrode recording data for deep brain stimulator placement. World neurosurgery , 75, 758-764.

Vargas, H. D., Orozco, A. A., & Álvarez, A. A. (2012). Multi-patient learning increases accuracy for Subthalamic nucleus identification in deep brain stimulation. EMBC, (pp. 4341-4344). San Diego (USA).

Cómo citar
Vargas Cardona, H. D., Álvarez López, M., & Orozco Gutiérrez, Álvaro. (2015). Representación óptima de señales MER aplicada a la identificación de estructuras cerebrales durante la estimulación cerebral profunda. Tecnura, 19(45), 15-28. https://doi.org/10.14483/udistrital.jour.tecnura.2015.3.a01
Publicado: 2015-07-01
Sección
Investigación