Ingeniería Electrónica Industrial

PROCESAMIENTO DE SEÑALES BIOMÉDICAS

PRÁCTICA 2
- Eliminación de artefactos y cálculo de potenciales evocados con ”Fieldtrip.en
EEG. -

Francisco José Llave Iglesias

flli97@correo.ugr.es
 Francisco Llave Iglesias

1 Definición de trials

El primer paso es cargar en nuestro script todos los elementos a tener en cuenta durante
la práctica, así como la definición de trials. Éstos nos delimitan aquéllas zonas que queremos
estudiar, es decir, define una serie de etiquetas en aquéllos puntos donde se llevó a cabo un
estímulo, pudiendo definir justo inmediatamente después aquéllo que queremos estudiar.

La función a usar para ello es: cfg = ftdefinetrial(cfg)

2 Preprocesado y Re-referenciación

Este paso es sencillamente para referenciar la señal desde ambos mastoides, tanto el izquierdo
como el derecho:
cfg.reref = 'yes';
cfg.implicitref = 'REF';
cfg.refchannel = 'RM' 'REF';
data = ftpreprocessing(cfg);

La visualización de elementos la podemos llevar a cabo mediante:

cfg = [];
ftdatabrowser(cfg, data);

Figura 1: Conjunto de señales provenientes de todos los canales.

Donde veríamos todos los canales a la vez, seleccionando 4 trials por ventana.
Si hacemos zoom en el trial relacionado con la posición ocular, podemos detectar parpadeos
(cambios bruscos en la señal):

Procesamiento de Señales Biomédicas 2

Grado de Ingeniería Electrónica Industrial. Universidad de Granada
Práctica 2

Figura 2: Posibles parpadeos del paciente.

3 Señal bipolar EOG

Lo primero es seleccionar el electrodo posicionado en la zona vertical del ojo: cfg = [];
cfg.channel = '53' 'LEOG';
cfg.reref = 'yes';
cfg.implicitref = [];
cfg.refchannel = '53';
eogv = ftpreprocessing(cfg, data);

Seguidamente deberemos nombrar una etiqueta con el nuevo canal determinado.

cfg = [];
cfg.channel = 'LEOG';
eogv = ftselectdata(cfg, eogv);
eogv.label = 'eogv';

Llevamos a cabo el mismo proceso con los electrodos colocados en posición horizontal por
encima de los ojos:
cfg.channel = '57' '25';
cfg.reref = 'yes';
cfg.implicitref = [];
cfg.refchannel = '57';
eogh = ftpreprocessing(cfg, data);

Una vez determinados los canales encargados de recoger el ruido por parpadeo, los añadimos
a los datos a tratar, para poder ver de forma visual cuál es el ruido producido por éstos:
cfg = [];
data = ftappenddata(cfg, data, eogv, eogh);

Procesamiento de Señales Biomédicas 3

Grado de Ingeniería Electrónica Industrial. Universidad de Granada
 Francisco Llave Iglesias

4 Rechazo de artefactos de forma visual

Podemos usar la herramienta ”ftrejectvisual” para eliminar aquéllas señales ruidosas sin
información de forma directa, a través de una ventana emergente:

visual1 = ftrejectvisual(cfg, data);

Figura 3: Ventana interactiva de trials.

En la imagen anterior podemos observar todos los datos obtenidos para una secuencia de
trial. Si nos vamos a la 61, y seleccionamos aquéllos sensores que no tienen una respuesta normal:

Figura 4: Eliminación de señales ruidosas.

Podemos ver cómo se re-escalan todas las demás señales, y se eliminan las indeseadas.

Procesamiento de Señales Biomédicas 4

Grado de Ingeniería Electrónica Industrial. Universidad de Granada
Práctica 2

5 Modo Resumen
El modo resumen es una ventana emergente con la siguiente apariencia:

Figura 5: Ventana del Modo Resumen.

En ella podemos observar distintas subventanas que contienen información sobre el canal
(subventana derecha superior) ó trial (subventana izquierda inferior). La representación por
puntos puede hacerse bajo distintos parámetros, en nuestro caso hemos determinado que
represente la varianza, para así poder eliminar aquéllos puntos que se salen de los valores
promedio.

En principio coincidirán en mayor o menor medida con aquéllos que deseleccionamos con la
función rejectvisual, como son el 150, el 136, ... (ver ??)
Vemos, señalados en los recuadros azules, que son aproximadamente los mismos que
eliminamos en la anterior sección.

Visualizamos entonces la señal limpia, indicando con líneas rojas dónde se produce el
estímulo: (ver ??)
cfg.viewmode = 'vertical';
ftdatabrowser(cfg, dataclean);

6 Diferenciación entre juicios negativos-positivos

En esta sección discutiremos si en el experimento llevado a cabo mediante la muestra de
sustantivos al paciente prevalece la presencia de afectividad, o de no afectividad.
cfg.trials = find(dataclean.trialinfo==1);
task1 = fttimelockanalysis(cfg, dataclean);

Procesamiento de Señales Biomédicas 5

Grado de Ingeniería Electrónica Industrial. Universidad de Granada
 Francisco Llave Iglesias

Figura 6: Ventana del modo resumen, mostrando los rejected trials.

Figura 7: Señal limpia del ruido provocado por el movimiento de los ojos.

Siendo equivalente para la tarea 2. Si ploteamos ambas respuestas cognitivas: (ver ??)
fttopoplotER(cfg,task1);
fttopoplotER(cfg,task2);

Observaremos que el lóbulo frontal, el relacionado con la cognición y la captación de

información, es a simple vista el más prominente en ambas.
Si aplicamos las técnicas de diferenciación: (ver ??)

Procesamiento de Señales Biomédicas 6

Grado de Ingeniería Electrónica Industrial. Universidad de Granada
Práctica 2

Figura 8: Comparación de la actividad cerebral entre la tarea 1 y la tarea 2.

Figura 9: Diferencia entre la tarea 1 y la tarea 2, en forma de señal y de forma topológica.

difference = task1;
difference.avg = task1.avg - task2.avg;

En la parte izquierda se muestra la diferencia en formato de señal, mostrándose en la parte

derecha la diferencia en forma de gráfica. (ver ??)
Observaremos que, para este experimento, la región cerebral con mayor actividad presenta una
clara definición de que se trata de una observación afectiva.

Procesamiento de Señales Biomédicas 7

Grado de Ingeniería Electrónica Industrial. Universidad de Granada