1

Universidade Estadual de Campinas

Instituto de Física Gleb Wataghin

ATIVIDADE ELETROFISIOLÓGICA DE NEURÔNIOS:

SIMULAÇÃO E EEG

Edynara Cruz de Moraes

Gabriel Arthur da Silva Duarte
Prof. Dr. Rickson C. Mesquita

Campinas, junho de 2019

 2

Sumário

1 Introdução.................................................................................................................. 3

2 Fundamentação Teórica ............................................................................................ 3

2.1 Fenomenologia do potencial de ação ................................................................. 3

2.2 Modelo proposto para a membrana ................................................................... 5

2.3 Eletroencefalografia – EEG ............................................................................... 7

3 Metodologia .............................................................................................................. 8

3.1 Simulação........................................................................................................... 8

3.1.1 Procedimento para codificação ........................................................................... 9

3.2 EEG .................................................................................................................... 9

4 Resultados e Discussão ........................................................................................... 10

4.1 Simulação......................................................................................................... 10

4.1.1 Variando o fluxo de corrente ........................................................................... 10

4.1.2 Variando a capacitância ................................................................................... 12

4.2 EEG .................................................................................................................. 12

5 Conclusão ............................................................................................................... 13

Referências ..................................................................................................................... 14

Apêndice A - Código MATLAB .................................................................................... 15

 3

1 Introdução

Estudos sobre o mecanismo de transmissão de informação através das células neurais

sempre foi um motivo de grande curiosidade. Alan Hodgkin e Andrew Huxley realizaram os
primeiros estudos sobre a compreensão da origem dos potenciais de ação e como eles são
propagados no axônio gigante da lula, o que lhes proporcionou o “Nobel Prize in Physiology
or Medicine”, em 1963 [1].
Atualmente, sabe-se que quando um neurônio recebe um estímulo, uma corrente
elétrica, ou seja, um impulso nervoso, atravessa o axônio até os botões sinápticos onde a partir
daí serão transmitidos sucessivamente para outros neurônios. Usando um modelo simples de
circuito CR é possível simular a geração e a propagação de um impulso nervoso através dos
neurônios, isto porque as componentes da célula possuem características que se assemelham
aos componentes de um circuito CR [2].
Na prática, através das análises de atividades cerebrais é possível diagnosticar doenças
que estão relacionadas com alterações dos impulsos elétricos cerebrais. A eletroencefalografia
(EEG), é uma técnica capaz de detectar a atividade elétrica dos neurônios no encéfalo, sendo
bastante usada para diagnóstico da epilepsia [3].
Com base nisso, o principal objetivo deste trabalho é realizar a simulação do potencial
de ação a nível neural e com medidas feitas com EEG avaliar alterações nos potenciais pós-
sinápticos através das análises das frequências do sinal coletado.

2 Fundamentação Teórica

2.1 Fenomenologia do potencial de ação

Um impulso nervoso pode ser definido como um sinal elétrico que se propaga entre os
neurônios, onde a propagação só é possível devido às alterações que ocorrem na membrana.
Este fenômeno também é chamado de potencial de ação. Para que ocorra o potencial de ação é
necessário que o estímulo seja suficiente para atingir um certo limiar de despolarização, de
forma a modificar permeabilidade iônica da membrana e como consequência alterando sua
diferença de potencial [4,5]. A figura 1 representa esquematicamente a formação de um
potencial de ação.
 4

Figura 1: Potencial de ação.

Quando a membrana está no seu estado de repouso, ou seja, sem a presença de

estímulos ela permanece em uma diferença de potencial constante (potencial de repouso, ver
figura 1), que pode ser obtido pela equação Nernst [2]. O potencial interno da membrana neste
estado é caracterizado por ser ligeiramente mais negativo quando comparado com a parte
externa. No entanto, na presença de estímulos despolarizantes, a probabilidade dos canais de
sódio (Na) aumentam, e como consequência da difusão desses íons para o interior da
membrana o potencial é alterado, tornando-se cada vez mais menos negativo, até um
determinado valor máximo (pico de ultrapassagem) onde esses canais passam por um
processo de inativação [4,5].
No processo de despolarização, os canais de potássio também são ativados, mas
possuem uma cinética de ativação lenta. Logo, o processo de repolarização é caracterizado
pela inativação dos canais de sódio e pela ativação dos canais de potássio, tornando o
potencial mais negativo na tentativa de chegar ao potencial de repouso. A inativação dos
canais de potássio também ocorre de forma lenta, deixando o potencial hiperpolarizado. Desta
forma, a bomba de sódio potássio tem um papel fundamental de estabelecer o potencial de
equilíbrio, durante este (período refratário) nenhum estímulo pode desencadear outro
potencial de ação [4,5].
 5

2.2 Modelo proposto para a membrana

Hodgkin e Cole conseguiram mensurar o potencial de célula neuronal gigante

pertencente a uma lula. A partir desse feito, foi possível desenvolver experimentos que
avaliassem a dinâmica dessa célula para valores específicos de tensão. Após diversas
medições e com o advento do conhecimento da estrutura da célula neuronal modelou-se a
atividade elétrica desse neurônio como um circuito RC [6].
A passagem de íons pela membrana do neurônio se dá através de canais - que na
analogia com o circuito elétrico - podem ser entendidos como uma resistência (𝑅𝑖 ). É
1
importante, também, introduzir a ideia de condutância (𝐺𝑖 = 𝑅 ), que é o inverso da
𝑖

resistência, quando formos trabalhar com essa modelagem, como mostra a figura 2 [6].

Figura 2: Analogia do neurônio com o circuito RC. Observa-se que cada íon tem a seu próprio
canal para atravessar a membrana.

Dessa analogia pode-se escrever:

𝐶𝑚 𝑑𝑉𝑚
+ 𝐼í𝑜𝑛 = 𝐼𝑒𝑥𝑡
𝑑𝑡

Que é a formulação do modelo de Hodgkin-Huxley. Agora falta descrevermos em

mais detalhes a corrente iônica que passa pelos canais na membrana.
 6

A corrente iônica percebida na célula neural tem, essencialmente, três origens: o movimento
dos íons de Sódio (𝑁𝐴+ ), de Potássio (𝐾 + ) e uma corrente de vazamento dos demais íons.
Seguindo da Lei de Ohm, escreve-se:
(𝑉𝑚 − 𝐸𝑘 )
𝐼𝑘 =
𝑅𝑘

Ou

𝐼𝑘 = 𝐺𝑘 (𝑉𝑚 − 𝐸𝑘 )

No qual a condutância pode ser entendida como a abertura (ou fechamento) de canais
microscópios na membrana que facilitam (ou dificultam) a passagem de determinado íon. O
estado permissivo é considerado quando os íons podem fluir pelos canais, denominados de
gate, nesse sentido, o gate é considerado aberto e íons específicos fluirão pela membrana.
Denotando por 𝑝𝑖 a probabilidade de um gate permitir o íon i passar, ou seja, estar aberto
(estado permissivo) tem-se que o número então de gates fechados será dado por (1 − 𝑝𝑖 ),
nessa continuidade, escreve-se:

𝑑𝑝𝑖
= 𝛼𝑖 (𝑉)( 1 − 𝑝𝑖 ) − 𝛽𝑖 (𝑉)𝑝𝑖
𝑑𝑡

Onde α e β são os parâmetros da equação diferencial que são dependentes do potencial

da membrana.
Hodgkin e Huxley nomearam os gates de m, n e h, sendo que cada canal iônico teria
um certo número desses canais, reunindo todas essas informações, resume-se:

𝐼í𝑜𝑛 = 𝑔𝑁𝑎 𝑚3 (𝑉𝑚 − 𝐸𝑁𝑎 ) + 𝑔𝐾 (𝑉𝑚 − 𝐸𝐾 ) + 𝑔𝑙 (𝑉𝑚 − 𝐸𝑙 )

𝑑𝑛
= 𝛼𝑛 (𝑉)( 1 − 𝑛) − 𝛽𝑛 (𝑉)𝑛
𝑑𝑡
𝑑𝑚
= 𝛼𝑚 (𝑉)( 1 − 𝑚) − 𝛽𝑚 (𝑉)𝑚
𝑑𝑡
𝑑ℎ
= 𝛼ℎ (𝑉)( 1 − ℎ) − 𝛽ℎ (𝑉)ℎ
𝑑𝑡
 7

Experimentalmente, definiu-se a característica desses parâmetros junto com as

constantes e as condições iniciais, completando a descrição eletrônica em um neurônio de lula
gigante.

2.3 Eletroencefalografia – EEG

A EEG é uma modalidade de exame não invasiva, que vem sendo amplamente
utilizada no campo da neurologia e da neurofisiologia por ser capaz de fornecer informações
sobre atividade elétrica normal/anormal produzida pelo cérebro, podendo ser aplicada em
pacientes de qualquer idade e sem limitações [6]
A atividade elétrica do cérebro registrada no EEG tem origem nos neurônios, quando
estes são ativados por estímulos e consequentemente produzindo um potencial de ação que
será propagado para outros neurônios através dos canais sinápticos [6]. No entanto, a
amplitude do potencial elétrico de neurônios individuais é extremamente pequena para serem
detectados, desta forma, o sinal obtido pelo EEG é resultado da somatória de potenciais pós-
sinápticos de milhões de neurônios com orientação espacial similar [3,6]
Durante o exame eletrodos são posicionados de forma padronizada na superfície da
cabeça e em contato com o couro cabeludo. Cada eletrodo possui uma nomenclatura de
acordo com o local onde estão posicionados, sendo Fp = frontal polar, F = frontal, T =
temporal, C = central, P = parietal e O = occipital, como ilustrado na figura 3 [3]. Também é
necessário eletrodo extra para servir como aterramento, onde normalmente é colocado
próximo a nuca.

Figura 2: Posições e nomeações de acordo com Sistema internacional 10-20. Pinto, A. G.

(2016) (adaptado).
 8

3 Metodologia

3.1 Simulação

A simulação foi realizada usando o MATLAB, onde a membrana foi modelada usando
o modelo proposto por Hodgkin-Huxley. O modelo de Hodgkin-Huxley tem quatro equações
diferenciais acopladas, para codificar e poder modelar o problema, vamos sintetizar as
informações existentes:

𝑑𝑉𝑚 1
= [𝑔 𝑚3 (𝐸𝑁𝑎 − 𝑉𝑚 ) + 𝑔𝐾 (𝐸𝐾 − 𝑉𝑚 ) + 𝑔𝑙 ( 𝐸𝑙 − 𝑉𝑚 ) + 𝐽]
𝑑𝑡 𝐶𝑚 𝑁𝑎
𝑑𝑛
= 𝛼𝑛 (𝑉)( 1 − 𝑛) − 𝛽𝑛 (𝑉)𝑛
𝑑𝑡
𝑑𝑚
= 𝛼𝑚 (𝑉)( 1 − 𝑚) − 𝛽𝑚 (𝑉)𝑚
𝑑𝑡
𝑑ℎ
= 𝛼ℎ (𝑉)( 1 − ℎ) − 𝛽ℎ (𝑉)ℎ
𝑑𝑡
Onde:

0,1 − 0,01𝑉
𝛼𝑛 =
exp(1 − 0,1𝑉) − 1
𝑉
𝛽𝑛 = 0,125 exp(− )
80
2,5 − 0,1𝑉
𝛼𝑚 =
exp(2,5 − 0,1𝑉) − 1
𝑉
𝛽𝑚 = 4 exp(− )
18
𝑉
𝛼ℎ = 0,07 exp(− )
20
1
𝛽ℎ =
exp(3 − 0,1𝑉) + 1
E:
𝐸𝑁𝑎 = 115;
𝐸𝐾 = −12;
𝐸𝑙 = 10,3;
𝑔𝑁𝑎 = 120;
𝑔𝐾 = 36;
𝑔𝑙 = 0,3;
 9

3.1.1 Procedimento para codificação

Para conseguirmos resolver e simular esse problema foi necessário discretizar as

equações diferenciais associadas ao potencial e aos gates m, n e h:

1
𝑑𝑉𝑚 = 𝑑𝑡 𝑥 { [𝑔 𝑚3 (𝐸𝑁𝑎 − 𝑉𝑚 ) + 𝑔𝐾 (𝐸𝐾 − 𝑉𝑚 ) + 𝑔𝑙 ( 𝐸𝑙 − 𝑉𝑚 ) + 𝐽]}
𝐶𝑚 𝑁𝑎
1
𝑉𝑚 (𝑡 + 𝑑𝑡) = 𝑉𝑚 (𝑡) + 𝑑𝑡 𝑥 { [𝑔 𝑚3 (𝐸𝑁𝑎 − 𝑉𝑚 ) + 𝑔𝐾 (𝐸𝐾 − 𝑉𝑚 ) + 𝑔𝑙 ( 𝐸𝑙 − 𝑉𝑚 ) + 𝐽]}
𝐶𝑚 𝑁𝑎
𝑛(𝑡 + 𝑑𝑡) = 𝑛(𝑡) + 𝛼𝑛 (𝑉)( 1 − 𝑛) − 𝛽𝑛 (𝑉)𝑛
𝑚(𝑡 + 𝑑𝑡) = 𝑚(𝑡) + 𝛼𝑚 (𝑉)( 1 − 𝑚) − 𝛽𝑚 (𝑉)𝑚
ℎ(𝑡 + 𝑑𝑡) = ℎ(𝑡) + 𝛼ℎ (𝑉)( 1 − ℎ) − 𝛽ℎ (𝑉)ℎ

Dessa maneira cada valor da função para o ponto seguinte [x(t+dt)], depende,
basicamente, de seu ponto anterior [x(t)] e das condições iniciais. Se o argumento (t + dt) se
mover discretamente é possível resolver o sistema de equações diferenciais acopladas
iterativamente. Nessa perspectiva, programou-se uma rotina no software MATLAB que
calcula cada uma dessas equações num dado intervalo de tempo e, no final, plota os gráficos
de 𝑉𝑚 x t e n, m e h x t (detalhes do código estão no apêndice A). Fundamentalmente, criou-
se uma função que pede os valores de corrente externa (J), Capacitância (C), intervalor de
tempo (t) e os valores iniciais das funções V(t), n(t), m(t) e h(t). Nessa função, geraram-se
vetores que alocaram cada uma das equações diferenciais, tal como o tempo e, através do
comando for, gerou-se um loop no qual o programa sempre volta às equações, mas as calcula
no ponto seguinte. No final, ordenou-se, pelo comando plot, que fossem gerados os gráficos
de interesse.

3.2 EEG

A parte experimental deste trabalho foi realizada no Departamento de Cosmologia e

Caios Cósmicos. O EEG foi realizado com um voluntário adulto do sexo masculino, no qual
este ficou sentado de forma confortável e instruído a permanecer com os olhos fechados e
relaxado para obter padrões cerebrais básicos durante 6 minutos. Foram utilizados eletrodos
HD-72 da empresa Cognionics, com 64 canais (referência nos Mastoites) em três medidas de 6
minutos para comparação. Essencialmente, utilizou-se também o MATLAB para a análise e,
 10

dentro dele, duas opções práticas, o comando pwelch e o plugin EEGLAB. Visto que após o
recolhimento dos dados é interessante analisá-los realizando uma transformada de Fourrier,
pois no domínio da frequência há uma correspondência clínica. O comando pwelch já faz a
transformada, avalia o módulo quadrático (porque os resultados da transformada são números
imaginários) e pode plotar a informação. O EEGLAB organiza os dados e oferece muitas
opções de análise (basicamente uma extensão do comando pwelch), porém otimizado para
análise de EEG, nesse sentido, após estabelecer a correspondência dos dados, pode-se obter
com relativa facilidade informações sobre os dados relacionados.

4 Resultados e Discussão

4.1 Simulação

Tendo codificado o modelo de Hodgkin-Huxley e de posso do software

MATLAB, iniciou-se as simulações observando o comportamento do potencial da
membrana para diferentes valores das constantes e das condições iniciais, os principais
e mais notórios resultados, que possibilitam uma extrapolação e uma correspondência
das informações com o presente na literatura são, essencialmente, quando se varia o
fluxo de corrente e/ou a capacitância.

4.1.1 Variando o fluxo de corrente

As figuras 3 (a-c) ilustram a simulação do potencial de ação para diferentes fluxos de

corrente através da membrana.

a) b) c)

Figura 3: Curvas de V versus t para diferentes estímulos.

 11

Com a análise da figura 1a podemos observar que o potencial de ação é disparado

apenas quando um determinado estímulo atinge o potencial limiar excitatório. Nas figuras 1b e
1c é possível verificar que com o aumento do fluxo de corrente temos que o período refratário
se torna menor e consequentemente temos uma maior frequência de disparos, também é
possível percebe que a amplitude do pulso se mantém.
O comportamento do potencial na membrana também pode ser entendido mais
facilmente quando analisamos as variáveis m, n, e h que representam a ativação dos canais
sódio e potássio, e a inativação dos canais sódio respectivamente. As figuras 4 (a-c)
apresentam o comportamento destas variáveis e como elas dependem da voltagem no modelo
de Hodgkin-Huxley para os respectivos fluxo de corrente das figuras (a-c).

a) b) c)

Figura 4: Comportamento das variáveis m, n, e h

Figura 4: Comportamento das variáveis m, n, e h.

Analisando a figura 2a, observamos que quando um estímulo é suficiente para gerar
um potencial de ação as variáveis m e n aumentam com o tempo exponencialmente, onde a
cinética de ativação para os canais de sódio são mais rápidas quando comparado com a
ativação do potássio. Neste momento, a variável de inativação do sódio decai para zero
rapidamente. Após alguns milissegundos, verificasse que a variável m diminui e a variável h
aumenta indicando o momento de repolarização da membrana, fazendo com que o potencial
retorne ao valor de repouso. O mesmo ocorre para as figuras 2 (b-c).
 12

4.1.2 Variando a capacitância

As figuras 5 (a-c) mostram o comportamento do potencial da membrana para diferentes

valores da capacitância

a) b) c)

Figura 5: Comportamento do potencial da membrana para diferentes valores da capacitância.

Observa-se que além de diminuir a frequência, o aumento na capacitância reduz o

valor de pico do potencial da membrana. Resultado que era esperado uma vez que se entende
que quando maior a capacitância, maior o número de íons dentro da célula e, por sua vez,
menor será a despolarização provocada. Uma vez que se entende que a capacitância está
associada aos íons dentro da célula e um número maior da capacitância significa um tempo
maior de carga/descarga do capacitor, pode-se inferir também que o tempo característico para
este circuito está aumentando, acarretando uma diminuição na frequência dos estímulos
gerados.

4.2 EEG

A análise das atividades elétricas foi realizada no domínio da frequência, sendo

reportado na literatura como uma melhor forma de observar alterações em meio a ruídos
quando comparado no domínio do tempo além de ter implicações clínicas. Observa-se na
figura 6 que os resultados obtidos “conversam” com o encontrado na literatura, basicamente,
os resultados sugerem que na primeira vez (figura 6a) o voluntário estava num estado de
atenção maior do que nas outras duas vezes (figuras 6b e 6c), o que corrobora com a realidade,
uma vez que a primeira medição foi realizada em meio a várias conversas paralelas, indicando
que o voluntário estava prestando atenção nessas conversas. A região na qual o gráfico
reproduz sugere que o voluntário estava em estado de relaxamento podendo estar com os
olhos abertos ou fechados.
 13

a) b) c)

Figura 6: Dados de EEG no domínio da frequência para um voluntário do sexo masculino em

repouso e com os olhos fechados.

5 Conclusão

Este projeto teve como objetivo estudar de forma detalhada os mecanismos desde a
geração e a propagação de um potencial de ação quando os neurônios são excitados por
estímulos. Para isso, foram realizadas duas atividades: simulação e EEG. Com auxílio do
MATLAB e o modelo proposto por Hodgkin-Huxley foi possível modelar a nível neural como
ocorre a conversão de um estimulo em impulso. Com o EEG foi possível medir e estudar
alterações nos potenciais pós-sinápticos, através das análises das frequências do sinal
coletado. Nesse sentido, pode-se observar os dois “extremos” da atividade cerebral: a sua
geração e como surge a ideia de codificar a atividade elétrica através da frequência do sinal
gerado e a atividade clínica que auxilia na identificação e tratamento de distúrbios associados
a anomalias na atividade cerebral através de medições do potencial no tempo, porém
analisadas no domínio da frequência.
 14

Referências
[1] Schwiening C J. (2012). A brief historical perspective: Hodgkin and Huxley. The Journal
of physiology, 590(11), 2571-2575.
[2] Nelson, P.C. (2006). Física biológica: energia, informação, vida. Guanabara Koogan.
[3] Pinto, A. G. (2016). Uso de técnicas ópticas de difusão para caracterização do
acoplamento neurovascular-metabólico em humanos.
[4] Krueger-Beck, E., Scheeren, E. M., Nogueira-Neto, G. N., Button, V. L. D. S. N., Neves,
E. B., & Nohama, P. (2017). Potencial de ação: do estímulo à adaptação neural. Fisioterapia
em Movimento, 24(3).
[5] Siciliano, R. (2012). The Hodgkin–Huxley model–its extensions, analysis and
numerics. McGill Univ., Dept. Math. and Statist., Montreal, Canada.
[6] Teplan, M. (2002). Fundamentals of EEG measurement. Measurement science
review, 2(2), 1-11.
 15

Apêndice A - Código MATLAB

%Função para simular o Modelo HH

function [V,m,h,n,t] = hhModel(J,C, t, v, mi, hi, ni,Plot)

%Entra com os valores, respectivamente de J, t, v, mi, hi, ni e pergunta se

%quer plotar o gráfico (1 sim, qualquer outro valor, não).

dt = 0.001; % tamanho do passo

loop = ceil(t/dt); % número de interações

%Escrevendo as constantes do problema

gNa = 120; ENa=115; gK = 36; EK=-12; gL=0.3; EL=10.6;

%Determinando o tamanho dos vetores que alocarão espaço para cada uma das
%funções/variáveis

t = (1:loop)*dt;
V = zeros(loop,1);
m = zeros(loop,1);
h = zeros(loop,1);
n = zeros(loop,1);

%Valores iniciais das funções

V(1)=v;
m(1)=mi;
h(1)=hi;
n(1)=ni;

%Loop para calcular iterativamente cada valor do sistema de equações

 16

%diferenciais a partir de um conjunto inicial de valores;

for i=1:loop-1
V(i+1) = V(i) + dt*(1/C)*(gNa*m(i)^3*h(i)*(ENa-V(i)) + gK*n(i)^4*(EK-V(i)) +
gL*(EL-V(i)) + J);
m(i+1) = m(i) + dt*(alphaM(V(i))*(1-m(i)) - betaM(V(i))*m(i));
h(i+1) = h(i) + dt*(alphaH(V(i))*(1-h(i)) - betaH(V(i))*h(i));
n(i+1) = n(i) + dt*(alphaN(V(i))*(1-n(i)) - betaN(V(i))*n(i));
end

if Plot == 1
figure
plot(t,V);
xlabel('Tempo (ms)');
ylabel('Potencial da Membrana (V)');
formatSpec = 'Gráfico de V x t com: C = %d %s e J = %d %s';
A1 = C;
A2 = 'microF';
A3 = J;
A4 = 'microA/cm²';
str = sprintf (formatSpec, A1, A2, A3, A4);

title(str);

figure
plot(t, m,'k', t, h,'r', t,n,'b');
xlabel('Tempo (ms)');
ylabel('Potencial (V)');
legend('m(t)','h(t)','n(t)');
title('Gráficos de m,h e n x t');

end
 17

end

%Funções auxiliares para o cálculo dos parâmetros(coeficientes) variáveis alphas e

%betas

function aM = alphaM(V)
aM = (2.5-0.1*(V)) ./ (exp(2.5-0.1*(V)) -1);
end

function bM = betaM(V)
bM = 4*exp(-(V)/18);
end

function aH = alphaH(V)
aH = 0.07*exp(-(V)/20);
end

function bH = betaH(V)
bH = 1./(exp(3.0-0.1*(V))+1);
end

function aN = alphaN(V)
aN = (0.1-0.01*(V)) ./ (exp(1-0.1*(V)) -1);
end

function bN = betaN(V)
bN = 0.125*exp(-(V)/80);
end