El objetivo del análisis es identificar patrones de comportamiento en la actividad cerebral asociados con manifestaciones del condicionamiento emocional/cultural al que México ha sido sometido históricamente.
La actividad cerebral es monitoreada mediante un dispositivo de EEG en sesiones donde se induce a cada sujeto a la meditación profunda enfocada en su práctica particular. Se espera que a partir de estas muestras se puedan identificar y caracterizar los patrones de actividad cerebral que están asociados a los estados emocionales específicos por los que atraviesa el sujeto en su meditación.
El muestreo es realizado siguiendo el procedimiento descrito en el documento “Guía de estímulos para experimento EEG”.
El método para el análisis está basado en los experimentos reportados en [1]. Aunque es necesario puntualizar las diferencias respecto a los objetivos y el método allí reportado junto con las condiciones que han sido tomadas en consideración en el análisis aquí descrito.
La conclusión de esta fase del análisis indica que existen y es posible caracterizar los patrones de actividad cerebral en las muestras tomadas, sin embargo son específicos para cada individuo y es difícil realizar una validación entre los distintos sujetos. Se propone la experimentación con métodos más sofisticados para obtener resultados más concluyentes al respecto.
1. Método de referencia
En [1] se aborda el problema de clasificar patrones de actividad cerebral asociados a emociones positivas, neutras y negativas, representando las muestras en un espacio de atributos basados en métricas de correlación estadística entre señales. Específicamente usan correlación, coherencia y un índice de sincronización de fase para cada banda de frecuencia entre cada uno los 171 pares de electrodos, y entre ellos seleccionan los atributos que ofrecen mejores resultados. Con ello muestran que la representación basada en patrones de conectividad ofrece una plataforma que se puede usar para clasificar (con un clasificador QDA) tres estados de valencia emocional: positivo, neutro y negativo.
Para el desarrollo de sus experimentos hacen las siguientes consideraciones:
- Muestreo
- 40 participantes, no drogas
- Exposición a 6 clips de video (2+, 2=, 2-)
- Escáner de 64 canales
- Medición de electrooculografía como señal de control
- Bioamplificador 0-100 Hz, Conversión Analógica/Digital a 500Hz, Resolución de 12 bits
- Indican con una tecla cuando experimentan un cambio emocional (eventos)
- Preprocesamiento de la señal
- 16.386 segundos por segmento (8192 puntos a 500 Hz)
- Filtrado con Pasabajas a 50Hz para eliminar la señal de AC (60Hz)
- Remover componente de movimiento ocular
- Remover artefactos, mismos parámetros independientemente de la emoción
- Filtro Pasabanda Butterworth de orden 2 para acotar cada banda de frecuencia
- Delta (0-4Hz), Theta (4-7 Hz), Alpha (8-12 Hz), Beta (13-30 Hz), Gamma (30-50Hz)
Después de caracterizar cada muestra (una muestra es el registro de EEG para un individuo y una emoción), la representan como un vector donde están contenidos, para cada de las cinco bandas de frecuencia: los índices de correlación para cada par de electrodos, los índices de coherencia para cada par de electrodos y los índices de sincronización de fase para cada par de electrodos. Esta representación resulta en un gran número de atributos para cada muestra por lo que seleccionan aquellos pares de electrodos que mejor caracterizan cada categoría. Estos son los patrones de conectividad que identifican y dan nombre al método. Luego prueban su representación en la tarea de entrenar un clasificador QDA con la mitad de los datos y usarlo para identificar la categoría de cada uno de los restantes, repitiendo el procedimiento con los conjuntos intercambiados (2Fold Cross Validation).
Su conclusión es que dado que la clasificación funciona, entonces tal representación basada en la conectividad entre canales es útil para caracterizar estados emocionales mediante dichos patrones de conectividad.
A diferencia del escenario reportado en [1], en este experimento se cuenta con un menor número de muestras. Aunque en éstas se puede identificar la entrada a la fase de meditación, no es posible determinar si ésta se refleja como un estado emocional positivo, neutro o negativo. Dado este desconocimiento tampoco es posible realizar la validación de la representación en una tarea como la clasificación ni entre distintos sujetos por lo que el método usando para analizar las muestras difiere del reportado. Otras diferencias se encuentran en el número de canales usados para registrar la EEG así como en la frecuencia de muestreo.
2. Método propuesto
A diferencia del método revisado, en nuestra tarea desconocemos si los patrones que representan el estado de meditación tienen características que se mantengan entre distintos sujetos por lo que no se puede recurrir a una tarea supervisada como la clasificación para validar los atributos propuestos.
Se propone entonces el uso de un método no supervisado para identificar las componentes en el estado de meditación de cada individuo, representándolo como un mapa de actividad conjunta para los distintos canales, que en otros términos es un patrón de conectividad. Esto restringe los resultados y no permite la comparación entre distintos sujetos pero proporciona evidencia del comportamiento de las señales y de cómo en ellas es posible caracterizar un estado emocional. Otros experimentos para distinguir entre un estado de meditación y cualquier otro deben ser realizados si se desea comprobar la hipótesis en ese sentido.
Los datos recolectados durante el primer muestreo tienen las siguientes características:
- Un registro por sujeto con las características descritas en la “guía de estímulos para…”. De donde se observa que las muestras pueden dividirse en 3 tipos de regiones: artefactos, estado de no-meditación y estado de meditación. Este último corresponde a los últimos aproximadamente 5 minutos de la muestra, donde el comportamiento es en la mayoría de casos más estacionario.
- Frecuencia de muestreo entre 50 y 51 Hz. Esto limita el ancho de banda que cada señal puede representar (por el teorema de Nyquist) a una frecuencia máxima de 25 Hz, por lo que la banda Gamma queda completamente descartada y la banda Beta se reporta incompleta
El método que se propone para identificar los patrones de actividad es como sigue:
- Identificar manualmente la región de cada muestra que representa el estado de meditación
- Filtrar la muestra para restringir el ancho de banda a frecuencias por debajo de 25 Hz
- Transformar la señal al dominio de la frecuencia para identificar los componentes de cada banda.
- Aplicar un algoritmo para identificar los componentes independientes principales que tienen un mayor aporte energético en cada banda de frecuencia.
- Aplicar una transformación a las señales para representarlas como una mezcla de las componentes independientes en lugar de los canales originales.
- Observar los patrones de actividad y determinar si los componentes hallados proporcionan información descriptiva.
- Una vez representados los estados de meditación y no-meditación, aplicar un algoritmo no supervisado para agrupamiento (clustering) y validar cada agrupamiento con una medida de calidad como el coeficiente silhouette o métricas de coherencia inter- e intra-clúster.
Durante el análisis reportado se realizaron los procedimientos descritos hasta el paso 6. Los resultados se muestran como una serie de gráficos e imágenes que es necesario interpretar para cada caso individual tomando en cuenta la naturaleza de la señal de EEG recuperada así como condiciones de recolección de los datos.
En el apartado siguiente se comentan los resultados obtenidos para un caso en específico, los datos para otros casos están incluidos en la carpeta de resultados correspondiente.
3. Resultados
La primera observación se realiza sobre las señales graficadas directamente. En ellas es posible observar tanto la calidad de la muestra como los distintos estados de actividad por los que atraviesa el sujeto durante el muestreo. Los resultados que aquí se comentan corresponden al sujeto “Marco”. Otros sujetos muestran características distintas. De aquí la importancia de verificar primero la señal obtenida.
Esta es la gráfica de la amplitud de la señal de cada canal en el tiempo. Se observa claramente como después de algunos artefactos a la mitad del rango de tiempo, todas las señales alcanzan un estado más o menos estacionario. De aquí proviene la decisión de analizar únicamente la región que corresponde al estado ‘meditación’, esto es la señal durante este estado estacionario más estable y que corresponde al punto de atención del experimento.
Cada señal es distinta y en el conjunto ocurre que casos como “Mauricio” o “Mireya” presentan una señal menos periódica y claramente más irregular, de donde se desprende la hipótesis de que no se trata de un solo estado de ‘meditación’ común a todos los sujetos, si no que más bien es necesario descubrir las características propias de cada uno de ellos.
Luego de la observación en el dominio del tiempo, se realiza un análisis en frecuencia, para lo que es necesario transformar las señales mediante la FFT, filtrar y aplicar el algoritmo para extracción de componentes que nos indicarán cómo es la actividad de acuerdo con la posición de los electrodos. Los resultados de cada sujetos están separados por carpetas e integrados como se describe a continuación.
La imagen channelLocations mostrada en primera posición indica la ubicación de los electrodos de cada canal de acuerdo con la distribución para un modelo esférico [2].
La imagen channelSpectraMaps mostrada en la segunda posición representa el espectro de frecuencia para los distintos canales (parte inferior) y la región de actividad en la frecuencia central para cada una de las bandas Delta (2Hz), Theta (6 Hz), Alpha (10 Hz), Beta (19 Hz) (parte superior) de acuerdo con el modelo y distribución de los electrodos/canales.
La imagen mostrada arriba y que lleva el nombre de componentMaps muestra las componentes calculadas, esto es, las áreas de activación que luego son usadas para representar cada una de las bandas de frecuencia. Estas componentes son identificadas por el algoritmo no supervisado referido en el paso 4 del método propuesto. Cada una está conformada como una combinación lineal e independiente de los distintos canales. Es posible eliminar componentes para los casos en que las señales de los canales son redundantes. Cada una de estas componentes tiene un espectro en frecuencia resultante que se muestra a continuación
|
|
|
|
|
|
|
|
Luego, cada una de estas componentes es integrada a una mezcla y usada para reconstruir las frecuencias centrales de cada banda. En cada imagen se muestran las distintas componentes señalando especialmente a aquella que hace la mayor aportación energética para una frecuencia determinada.
|
|
|
|
|
|
En este último grupo de imágenes se puede identificar la aportación de cada una de las componentes independientes a las distintas bandas de frecuencia. Esta es una caracterización análoga a la realizada mediante los patrones de actividad pero en lugar de poder distinguir entre estados emocionales entre distintas personas, pueden usarse para identificar el estado ‘meditación’ en el sujeto del que ha sido tomada la muestra.
Una observación a través de los resultados para distintos sujetos hace evidente que los patrones de actividad son distintos de sujeto a sujeto. La comparación se puede realizar a partir de los mapas de las componentes como se muestra a continuación:
|
Contesina |
Jprico |
|
Mafer |
Marco |
|
Mauricio |
Mireya |
Algunas propiedades como la similitud en el comportamiento de distintas señales en el caso de Jprico o Mafer se reflejan en que sus componentes independientes son muy parecidos entre sí (todos los de Jprico y todos los de Mafer respectivamente).
|
|
|
|
|
|
|
|
|
También a partir de esta comparativa podemos observar las distintitas zonas de activación para cada uno de los sujetos. La norma en general es que cada uno muestra un patrón de actividad distinto.
4 REFS
- [1] Classifying Different Emotional States by Means of EEGBased Functional Connectivity Patterns. You-Yun Lee, Shulan Hsieh. PLOS One Vol 9, Issue 4. April 2014.
- [2] Analyzing Neural Time Series Data. Mike X. Cohen. MIT PRess. 2014.