Академический Документы
Профессиональный Документы
Культура Документы
Sumário
1 Introdução.................................................................................................................. 3
3 Metodologia .............................................................................................................. 8
3.1 Simulação........................................................................................................... 8
4.1 Simulação......................................................................................................... 10
5 Conclusão ............................................................................................................... 13
Referências ..................................................................................................................... 14
1 Introdução
2 Fundamentação Teórica
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
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.
𝐶𝑚 𝑑𝑉𝑚
+ 𝐼í𝑜𝑛 = 𝐼𝑒𝑥𝑡
𝑑𝑡
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
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.
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
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
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
a) b) c)
a) b) c)
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
a) b) c)
4.2 EEG
a) b) c)
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
%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);
V(1)=v;
m(1)=mi;
h(1)=hi;
n(1)=ni;
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
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