Sistema para estudiar los cambios relativos en patrones de sincronía cerebral durante la ejecución de

tareas cognitivas.

A. Alba1, J.L. Marroquín1, T. Harmony2

1.- CIMAT2.- INB-UNAM

Contenido

• Introducción• Objetivo• Estimación de cambios relativos en patrones de

sincronía• Medidas de sincronía basadas en diferencias de

fase• Visualización• Ejemplos• Trabajo a futuro

Introducción

• Durante tareas cognitivas, múltiples regiones cerebrales se integran e interactúan entre sí. (Friston et al., 1997)

• Para detectar y entender tales interacciones, estudiamos la conectividad y la sincronía.

Sincronía

• Sincronía es una medida de la similaridad entre dos o mas señales.

• Se han propuesto varias medidas de sincronía; entre ellas:

– Correlación y coherencia (Bressler, 1995; Gross, 2000)– Sincronía de fase (Lachaux, 1999)– Información Mutua (Quian Quiroga, 2002)

Objetivo

• Desarrollar un método que permita estudiar los cambios en los patrones de sincronía durante la ejecución de tareas cognitivas, con una alta resolución temporal y utilizando distintas medidas de sincronía.

Estimación de cambios relativos en patrones de sincronía

• Utilizamos un procedimiento similar al propuesto por Marroquín et al. para el estudio de cambios relativos en amplitud. (Marroquin, 2003)

• Dadas señales provenientes de un estudio de EEG:

• El primer paso consiste en pasarlas por un banco de filtros (en nuestro caso de Gabor):

Caso 1: Medidas que requieren una sola repetición

Caso 2: Medidas que requieren múltiples repeticiones

Indices de significancia

Medidas de sincronía basadas en diferencia de fases

• Una posible forma de cuantificar la sincronía es utilizando la definición de sincronía de fase (phase-locking):

• Dos señales están en sincronía de fase durante un periodo de tiempo T si:

• Generalmente se estudia el caso cuando

Medidas de dispersión (Lachaux et al., 1999)

• Dispersión sobre tiempo

• Dispersión sobre repeticiones

Medidas propuestas

• Valor absoluto de la diferencia de fases:

• Probabilidad cumulativa del valor absoluto de la diferencia de fases:

Visualización• Se utilizó una representación multi-toposcópica (similar a

la utilizada por Jiménez et al., 1994) para visualizar los patrones de sincronía para una frecuencia y tiempo fijos.

f=10t=1300

f=17t=1075

Visualización• También se grafican mapas Tiempo-Frecuencia (TF) y

Tiempo-Frecuencia-Topografía (TFT) de actividad síncrona contando el número de parejas de electrodos con sincronía significativamente mayor que en el preestímulo.

Ejemplos

• Para los ejemplos se utilizaron los datos de un experimento de categorización de figuras y palabras, adquiridos por la Dr. Thalía Fernández. (Harmony et al., 2001)

Referencias• Friston, K., Stephan, K.M., Frackowiak, R.S.J., 1997. Transient Phase-Locking and

Dynamic Correlations: Are They the Same Thing?, Human Brain Mapping. 5, 48-57.• Bressler, S.L., 1995. Large-scale cortical networks and cognition. Brain Research

Reviews. 20, 288-304.• Gross, J., Kujala, J., Hämäläinen, M., Timmermann, L., Schnitzler, A., Salmelin, R.,

2001. Dynamic imaging of coherent sources: Studying neural interactions in the human brain. PNAS, vol. 98, no. 2, 694-699.

• Lachaux, J.P., Rodriguez, E., Martinerie, J., Varela, F.J., 1999. Measuring Phase Synchrony in Brain Signals. Human Brain Mapping. 8, 194-208.

• Rodriguez, E., George, N., Lachaux, J.P., Martinerie, J., Renault, B., Varela, F.J., 1999. Perception’s shadow: long-distance synchronization of human brain activity. Nature. 397, 430-433.

• Quian Quiroga, R., Kraskov, A., Kreuz, T., Grassberger, P., 2002. Performance of different synchronization measures in real data: A case study on electroencephalographic signals. Physical Review E. 65.

• David, O., Cosmelli, D., Friston, K.J., 2004. Evaluation of different measures of functional connectivit using a neural mass model. NeuroImage. 21, 659-673.

• Marroquin, J.L., Harmony, T., Rodriguez, V., Valdez, P., 2004. Exploratory EEG data analysis for psychophysiological experiments. NeuroImage. 21, 991-999.

• Jimenez, J.C., Biscay, R., Montoto, O., 1995. Modeling the electroencephalogram by means of spatial spline smoothing and temporal autoregression. Biological Cybernetics. 72, 249-259.

• Harmony, T., Fernandez, T., Fernandez-Bouzas, A., Silva-Pereyra, J., Bosch, J., Diaz-Comas, L., Galan, L., 2001. EEG changes during word and figure categorization. Clin. Neurophys. 112, 1486-1498.