See

discussions, stats, and author profiles for this publication at: http://www.researchgate.net/publication/267971643

Anlisis de Electroencefalogramas con la

Transformada Wavelet Discreta. Aplicacin a la
Enfermedad de Alzheimer
ARTICLE

DOWNLOADS

VIEWS

14

10

5 AUTHORS, INCLUDING:
Jess Poza

Daniel Absolo

Universidad de Valladolid

University of Surrey

55 PUBLICATIONS 545 CITATIONS

83 PUBLICATIONS 1,298 CITATIONS

SEE PROFILE

SEE PROFILE

Carlos Gmez

Miguel Lopez-Coronado

Universidad de Valladolid

Universidad de Valladolid

51 PUBLICATIONS 517 CITATIONS

126 PUBLICATIONS 590 CITATIONS

SEE PROFILE

SEE PROFILE

Available from: Carlos Gmez

Retrieved on: 24 June 2015

Anlisis de Electroencefalogramas con la

Transformada Wavelet Discreta. Aplicacin a
la Enfermedad de Alzheimer
Jess Poza 1, Daniel Absolo 1, Carlos Gmez1, Clara I. Snchez1, Miguel Lpez1
Departamento de Teora de la Seal y Comunicaciones e Ingeniera Telemtica, Universidad de Valladolid,
Valladolid, Espaa. E-mail: jespoz@tel.uva.es

Abstract- Alzheimers disease is the most common of all

cortical dementias. It affects large portions of the elderly
population. Although a definite diagnosis is only possible by
necropsy, differential diagnosis with other types of dementia
should be attempted. Several studies have been performed
using wavelets or other signal processing methods to
analyze electroencephalographic (EEG) signals in an
attempt to find a biomarker for Alzheimers disease, with
varying degrees of success. In this paper, we explored the
ability of wavelet decomposition, through the definition of
several power ratios, to discriminate between the EEG
background activity of patients with Alzheimers disease
and age-matched control subjects.
I.

INTRODUCCIN

La enfermedad de Alzheimer (EA) es una demencia

degenerativa primaria, de tipo cortical y desarrollo gradual,
que provoca un deterioro cognoscitivo continuo [1]. Se
considera la principal causa de demencia en los pases
occidentales, representando el 50-60% de todas las
diagnosticadas [1].
El diagnstico clnico diario se realiza por exclusin de
otras demencias, haciendo uso de una serie de criterios
estandarizados [1]; y aunque el diagnstico definitivo slo se
puede establecer mediante un estudio histolgico de las
muestras cerebrales, existen ciertos indicadores.
Gran parte de las nuevas tcnicas y pruebas que se estn
estudiando para diagnosticar la EA, se basan en cambios
funcionales ocurridos en su proceso, a excepcin de los
marcadores genticos. De esta manera, podemos considerar
varios grupos: l) tcnicas de diagnstico por neuroimagen; 2)
determinacin de marcadores bioqumicos perifricos; 3)
electroencefalografa de nueva generacin [1].
Dado que una de las principales lneas de desarrollo de
los tratamientos actuales est encaminada a prevenir la
neurodegeneracin, sera conveniente que el diagnstico se
efectuara rpidamente y que fuera capaz de detectar la EA en
su fase inicial. En este sentido, el anlisis de los registros de
actividad elctrica cerebral, los electroencefalogramas (EEG),
puede resultar adecuado, pues es una prueba ampliamente
extendida. Es de notar que se han observado desviaciones
respecto al comportamiento normal del EEG, en pacientes con
grados moderados o avanzados de demencia. Estos
presentan una actividad posterior, seguida de la aparicin
de actividad y de distribucin difusa, forma irregular y

voltaje medio o bajo. Al ir avanzando la enfermedad, la

actividad de fondo se sustituye por actividad , mezclada
con actividad de alto voltaje, predominando en las regiones
fronto-temporales [1]. No obstante, esto no es suficiente para
establecer un diagnstico definitivo.
Durante ms de 15 aos se han realizado numerosos
estudios dirigidos a extraer un patrn para la enfermedad de
Alzheimer. Se han propuesto mtodos basados en el anlisis
de Fourier que analizaban su potencia en determinadas
bandas [2][4] o definan ratios espectrales [5][7]. Otros
realizaban una descomposicin wavelet [8], o utilizaban
mtodos derivados de la teora del caos [9][11]. Sus
resultados son dispares y bsicamente indican que el EEG de
los enfermos de Alzheimer sufre una lentificacin, con una
disminucin de su complejidad y su regularidad. De manera
similar los estudios que usan potenciales evocados,
confirman estos resultados [12], [13].
Este estudio busca la definicin de las caractersticas del
EEG patolgico para la EA, para poder disear un mtodo de
ayuda al diagnstico eficaz y til de la enfermedad. Para ello,
se propone realizar un anlisis de los registros EEG con la
transformada wavelet, y a partir de la potencia de cada escala
definir una serie de ratios que permitan distinguir entre
enfermos de Alzheimer y sujetos de control.
II. MATERIALES Y MTODOS
A. Sujetos y condiciones de registro
Los registros EEG disponibles pertenecen a 8 sujetos de
control (6 hombres y 2 mujeres; edad media desviacin
tpica: 74.88 5.87 aos) y 8 enfermos de Alzheimer (3
hombres y 5 mujeres; edad media desviacin tpica: 75.13
4.19 aos). Los enfermos haban sido diagnosticados a partir
de exmenes clnicos, un escner cerebral y el test MMSE
(Mini-Mental State Examination) [14]. Su puntuacin media
en el MMSE fue de: 11.13 5.2 (valores entre 7 y 20). Todos
los sujetos de control y los cuidadores dieron su
consentimiento para participar en el estudio.
En cuanto a las caractersticas de la seales EEG
empleadas, se registr la actividad base procedente de 19
electrodos (C3, C4, Cz, F3, F4, F7, F8, Fp1, Fp2, Fz, O1, O2, P3,
P4, Pz, T3, T4, T5 y T6), con la referencia en la barbilla, segn
el sistema internacional 10-20. Los registros se efectuaron en
el Hospital Universitario de Valladolid, en una sala aislada,
estando todos los sujetos sentados, despiertos, quietos y

relajados, mediante un electroencefalgrafo digital Profile

Study Room 2.3.411 EEG equipment (Oxford Instruments).
Se inst a que se mantuvieran los ojos cerrados, para
minimizar la presencia de artefactos oculares.
Se registraron ms de 5 minutos de EEG de cada sujeto,
que inicialmente se sometieron a un filtrado hardware pasobajo a 100 Hz. A continuacin se muestrearon a 256 Hz,
digitalizndose con una precisin de 12 bits. Un mdico
especialista se encarg de descartar visualmente las partes
de la seal con artefactos presentes al inicio del registro, as
como las correspondientes a movimientos involuntarios de
los sujetos. Tras ello se organizaron los datos en segmentos
continuos de 5 segundos, que fueron filtrados paso-banda
entre 0.5 y 40 Hz. Adems se emple un filtro de ranura a 50
Hz para eliminar el ruido debido a la red elctrica; y se rest la
componente continua. El anlisis visual de los EEG de
pacientes y controles realizado por un mdico especialista no
mostr diferencias aparentes entre los registros.
B. Descomposicin wavelet
El procesado de seales biomdicas tiene problemas
inherentes, ya que son no estacionarias. Por tanto, el uso de
los mtodos clsicos derivados del anlisis de Fourier no es
muy efectivo. Es ms conveniente usar una transformada que
tenga buena resolucin temporal a altas frecuencias, y a la
vez, buena resolucin en frecuencia con registros largos.
Esto lo consigue la transformada wavelet (TW), cuya
resolucin vara en el plano tiempo-frecuencia, siendo capaz
de adaptarse a las caractersticas de cada seal [15].
Una variedad de la TW, la transformada wavelet discreta
(DWT), analiza la seal en diferentes bandas de frecuencia
con distintas resoluciones. La DWT utiliza dos conjuntos de
funciones: las de escalado y las wavelet, cada una asociada
con un filtro paso-bajo y paso-alto, respectivamente. As, la
descomposicin de la seal en las diferentes bandas de
frecuencia se realiza con sucesivos filtrados paso-alto y
paso-bajo, del registro en el dominio temporal.
La seal original en el tiempo, x(t), se muestrea a fs
muestras/segundo, creando la seal temporal discreta x[n],
de N muestras, cuya mxima frecuencia puede ser fs/2. Esta se
pasa por un filtro paso-alto de media banda, g[n], y por otro
paso-bajo, h[n]. Segn la regla de Nyquist, la mitad de las
muestras se pueden eliminar despus del filtrado, pues la
frecuencia ms alta es ahora fs/4. As obtendramos un nivel
de descomposicin, y si denotamos como yalto[k] e ybajo[k] a
las salidas de los filtros paso-alto y paso-bajo despus del
sub-muestreo, respectivamente, podemos expresarlas como :

y alto [k ] = x[n ] g [2k n].

(1)

y bajo [k ] = x [n ] h[2k n].

(2)

Este procedimiento, llamado codificacin en subbandas,

se repite tantas veces como niveles de descomposicin haya.
En cada nivel el filtrado realizado da lugar a una seal con la
mitad de resolucin temporal y el doble de resolucin en
frecuencia. As, cada nivel de descomposicin analiza la
seal en diferentes rangos de frecuencia y con resolucin
variable. Al final, lo que se consigue es una serie de K

coeficientes en cada escala j: yj[k], donde: K = N/2j, y: j=1,,

J, siendo J el nmero de niveles de descomposicin [12], [13].
Para poder cuantificar la informacin de los coeficientes
wavelet, se suele calcular la potencia en cada escala de
descomposicin, y normalizarla respecto a la potencia total.
De esta manera, para calcular la potencia en la escala j y la
total se aplicaran respectivamente [15]:
K

P [ j ] = y 2j [k ] , j = 1, K , J

(3)

k =1

Ptotal =

P[ j ]
J

(4)

j =1

Y la potencia relativa para la escala j se obtendra [15]:

Pr [ j ] =

P[ j ]
Ptotal

, j = 1, K , J

(5)

Para mayor claridad, vamos a denotar como Dx y Ax a los

coeficientes de detalle y de aproximacin, de nivel x,
respectivamente. Dado que la frecuencia de muestreo es de
256 Hz y el filtrado paso-banda recorta la seal entre 0.5 y 40
Hz, la descomposicin se realiz hasta nivel 8. As, cada
coeficiente se corresponde con una banda de frecuencia: D1
entre 128 y 64 Hz; D2 entre 64 y 32 Hz; D3 entre 32 y 16 Hz;
D4 entre 16 y 8 Hz; D5 entre 8 y 4 Hz; D6 entre 4 y 2 Hz; D7
entre 2 y 1 Hz; D8 entre 1 y 0.5 Hz; y A8 entre 0.5 y 0 Hz. Los
coeficientes D1 y A8 estn fuera de la banda de paso, por
tanto no se consideran en el anlisis.
C. Parmetros definidos
Como se dispone de varios segmentos por canal y sujeto,
se promedi la descomposicin de los fragmentos de cada
individuo, en cada canal. La potencia relativa para cada
escala, obtenida del anlisis promediado, se volvi a
promediar para cada grupo y para todos los canales. De esta
forma, se obtuvo la Fig. 1 que recoge los valores medios de
potencia wavelet relativa para todos los canales. Se
distinguen dos zonas: para los coeficientes D2, D3 y D4, los
controles tienen valores ms elevados que los enfermos; y
para D5, D6, D7 y D8, son los enfermos los que presentan
valores mayores. Una manera de aprovechar la diferencia en
la distribucin de los valores de potencia relativa, es
combinarlos dando lugar a una serie de ratios:

R1 =

D5 + D 6 + D 7 + D8
D2 + D3 + D4

(6)

R2 =

D6 + D7
D2 + D3

(7)

R3 =

D7 + D8
D2 + D3

(8)

R4 =

D6 + D 7 + D 8
D3 + D4

(9)

R5 =

D6 + D7 + D8
D2 + D3 + D4

(10)

La idea es similar a combinar la potencia del espectro de

Fourier en las bandas de frecuencia clsicas [5], [7] o en
divisiones particulares [6]; sin embargo, la descomposicin
wavelet va a recoger mejor las caractersticas del EEG [15].

para cada escala y cada canal. As mismo , se vi cul era el

umbral ptimo que proporcionaba la mayor precisin con las
curvas ROC, para cada escala y cada canal. La Tabla 1 recoge
los resultados correspondientes al rea bajo la curva ROC
para los coeficientes D2 hasta D8. El canal P4 con D4, obtiene
las diferencias ms significativas, as como la mayor rea bajo
la ROC, 0.907. Este valor se corresponde con un umbral de
decisin ptimo de 0.1157, ofreciendo una sensibilidad
porcentaje de pacientes bien clasificados del 87.50%, una
especificidad porcentaje de controles correctamente
clasificados del 87.50% y una precisin porcentaje total
de enfermos y controles bien clasificados del 87.50%.
Con los valores de potencia wavelet relativa se formaron
los ratios indicados y se analizaron las diferencias entre las
poblaciones en cada canal. A continuacin se trazaron sus
curvas ROC, calculando los parmetros correspondientes. En
la Tabla 1 se recopilan los resultados con estos ratios. De
nuevo es el canal P4 el que ofrece los mayores valores de
rea bajo la ROC, as como de significacin. Es con el ratio R3
en este canal, con el que se obtiene la mayor rea bajo la
ROC, 0.969, para un umbral ptimo de 0.4121. A estos valores
les corresponden una sensibilidad del 87.50%, una
especificidad del 100% y una precisin total de 93.75%. En la
Fig. 2 se muestra la curva ROC asociada a estos parmetros,
siendo el punto marcado con el smbolo el ms cercano al
punto ideal (100% de sensibilidad y 100% de especificidad).

Fig. 1. Potencia wavelet relativa, promediada en todo s los canales y

para cada grupo: sujetos de control y enfermos de Alzheimer.

D. Anlisis estadstico
Las diferencias entre las poblaciones se estudiaron
mediante el test no parmetrico de Kruskal-Wallis , dado la
pequea muestra de que se dispona. Para comprobar que se
cumpla la hiptesis de igualdad en las distribuciones a
comparar, se recurri al test de Kolmogorov-Smirnov.
Para determinar el umbral ptimo que proporcionase la
mayor precisin al distinguir entre enfermo s y controles, se
calcularon las curvas ROC (Receiver Operating
Characteristic). Se incluy en su trazado una lnea continua
que es la interpolacin de orden 4 de los valores de la curva
real, representados con el smbolo , para mayor claridad.

IV. DISCUSIN Y CONCLUSIONES

III. RESULTADOS
En las pruebas realizadas, inicialmente se calcul la
potencia wavelet de cada segmento, con un filtro Daubechies
de orden 4, ya que ha dado buenos resultados en estudios
similares [8], [12 ], [13]. La descomposicin se realiz hasta
nivel 8, ya que para escalas mayores lo que se tiene es ruido,
debido al filtrado paso-banda y a la frecuencia de muestreo.
A continuacin se promedi la descomposicin realizada
para todos los segmentos de cada individuo en cada canal.
Una vez realizado el anlisis wavelet, se calcul la
potencia relativa, y se efectu un anlisis de significacin

En este estudio se ha analizado la actividad base cerebral

de una serie de enfermos de Alzheimer y de sujetos de
control, para intentar mostrar que existen ciertas diferencias
en el EEG de los mismos. Visualmente los mdicos
especialistas no apreciaban diferencias significativas, por lo
que se analiz los registros mediante la DWT. Con los
coeficientes obtenidos se calcul su potencia relativa, para
definir una serie de ratios que enfatizaran las diferencias en
su distribucin. Haciendo uso del ratio R3 en el canal P4, con
un umbral de 0.4121, se obtuvo una sensibilidad del 87.50%,
una especificidad del 100% y una precisin del 93.75%, que
se corresponden con un rea bajo la curva ROC de 0.969.
La Fig. 1 muestra como la potencia relativa de los
enfermos es mayor en los coeficientes de las escalas grandes.

TABLA I
REA BAJO LA CURVA ROC
Canal

D2

D3

D4

D5

D6

D7

D8

R1

R2

C3
C4
F3
F4
F7
F8
Fp1
Fp2
O1
O2
P3
P4
T3
T4
T5
T6

0.891**
0.766
0.516
0.500
0.625
0.531
0.578
0.578
0.766
0.719
0.766
0.891**
0.672
0.547
0.703
0.641

0.766
0.625
0.500
0.531
0.547
0.547
0.656
0.609
0.734
0.750
0.656
0.891**
0.656
0.547
0.688
0.672

0.766
0.688
0.547
0.516
0.531
0.547
0.563
0.531
0.781
0.734
0.641
0.907**
0.719
0.547
0.641
0.734

0.656
0.516
0.688
0.594
0.641
0.531
0.547
0.578
0.531
0.547
0.547
0.719
0.594
0.562
0.547
0.609

0.641
0.500
0.750
0.625
0.688
0.609
0.625
0.547
0.625
0.609
0.703
0.516
0.594
0.563
0.672
0.609

0.719
0.547
0.688
0.594
0.641
0.594
0.563
0.547
0.609
0.719
0.656
0.578
0.500
0.641
0.703
0.609

0.844*
0.703
0.625
0.625
0.594
0.578
0.656
0.516
0.594
0.813*
0.516
0.531
0.547
0.516
0.594
0.750

0.734
0.703
0.844
0.500
0.625
0.516
0.594
0.609
0.859*
0.875*
0.828*
0.922**
0.578
0.734
0.813*
0.891**

0.641
0.688
0.781
0.594
0.688
0.531
0.609
0.594
0.859*
0.859*
0.859*
0.859*
0.609
0.734
0.797*
0.859*

R3

0.594
0.563
0.813*
0.594
0.609
0.500
0.594
0.578
0.891**
0.938**
0.781
0.969**
0.578
0.656
0.781
0.953**
Se aaden uno o dos asteriscos a las configuraciones con diferencias significativas, p < 0.05 o p < 0.01, respectivamente.
En negrita se marcan lo s valores de rea bajo la curva mayores que 0.90.

R4

R5

0.672
0.672
0.859*
0.547
0.641
0.531
0.578
0.563
0.891**
0.922**
0.813*
0.938**
0.594
0.703
0.797*
0.922**

0.672
0.641
0.859*
0.547
0.625
0.547
0.547
0.578
0.891**
0.922**
0.813*
0.938**
0.563
0.672
0.781
0.938**

REFERENCIAS

Fig. 2. Curva ROC interpolada para los valores de la potencia wavelet

relativa con el ratio R3, en el canal P4.

Estas se corresponden con bandas de frecuencias bajas, por

lo que el anlisis realizado recoge en cierta manera la
lentificacin del espectro, indicada ampliamente en la
literatura [2][7]. Aunque este desplazamiento de la potencia
hacia frecuencias ms bajas no es especfico de la EA , sino
que tambin aparece en otros estados fisiolgicos y otras
patologas, puede ser til como herramienta de diagnstico
diferencial respecto a otras demencias [16]. Una de las causas
ms probables del origen de la lentificacin del EEG en la EA
es un dficit colinrgico. Por s solo no es suficiente para
producir los sntomas cognitivos y electrofisiolgicos de la
EA [16]. As, se intuye que un proceso degenerativo ms
amplio implicara una disfuncin de los sistemas colinrgico y
monoaminrgico, provocando un comportamiento demente y
una prdida global de activacin del EEG [17].
En lneas generales los valores que se alcanzan con los
ratios son mejores que los logrados con las escalas
individuales. El rea bajo la ROC alcanza valores mayores de
0.90 en los canales parieto-temporo-occipitales, lo que se
corresponde con los resultados de otros trabajos [2][8].
El principal inconveniente del estudio, es que la muestra
analizada es bastante limitada, por lo que hay que tomar los
resultados con cierta cautela. Adems los valores del MMSE
de los enfermos (11.13 5.2) indican que la EA est bastante
avanzada, as que habra que extrapolar con mucho cuidado
las conclusiones a fases tempranas.
El trabajo presentado es, hasta lo que hemos podido
comprobar, el primer anlisis que hace uso de una serie de
ratios definidos a partir de la potencia wavelet del EEG de
enfermos de Alzheimer y de sujetos de control. Los
resultados obtenidos permiten aventurar que la lentificacin
del espectro producida en la EA, se refleja adecuadamente en
la descomposicin wavelet. De esta manera creemos que un
anlisis ms exhaustivo de los EEG con estos mtodos,
aumentando los registros de cada tipo y aadiendo ms
grupos de estudio , puede resultar de gran ayuda para
diagnosticar la enfermedad de Alzheimer.
AGRADECIMIENTOS
Nuestro agradecimiento al doctor Pedro Espino Hurtado
del Hospital Universitario de Valladolid por las seales
suministradas. Este trabajo ha sido financiado parcialmente
por el proyecto de investigacin VA 15/04 de la Consejera de
Sanidad de la Junta de Castilla y Len.

[1] B. Kukowsky, Diagnstico diferencial de sntomas neurolgicos.

Ed. Masson, 2001.
[2] E. Pucci, N. Belardinelli, G. Cacchi, M. Signorino, and F.
Angeleri, EEG power spectrum differences in early and late onset
forms of Alzheimers disease, Clin. Neurophysiol., vol. 110, pp.
621631, Apr. 1999
[3] V. Jelic, S.-E. Johansson, O. Almkvist, M. Shigeta, P. Julin, A.
Nordberg, B. Winblad, and L.-O. Wahlund, Quantitative
electroencephalography
in
mild
cognitive
impairment:
longitudinal changes and possible prediction of Alzheimers
disease, Neurobiol. Aging, vol.21, pp. 533540, July-Aug. 2000.
[4] D. V. Moretti, C. Babiloni, G. Binerri, E. Caseta, G. Dal Forno, F.
Ferreric, R. Ferri, B. Lanuza, C. Miniussi, F. Nobili, G. Rodriguez,
S. Salinari, and P. M. Rossini, Individual analysis of EEG
frequency and band power in mild Alzheimers disease, Clin.
Neurophysiol., vol. 115, pp. 299308, Feb. 2004.
[5] H. Soininen, J. Partanen, V. Laulumaa, E.-L. Helkala, M. Laakso,
and P. J. Riekkinen, Longitudinal EEG spectral analysis in early
stage of Alzheimers disease, Electroencephalogr. Clin.
Neurophysiol., vol. 72, pp. 290297, Apr. 1989.
[6] E. Pucci, G. Cacchi, R. Angeloni, N. Belardinelli, G. Nolfe, M.
Signorino, and F. Angeleri, EEG spectral analysis in Alzheimers
disease and different degenerative dementias, Arch. Gerontol.
Geriatr., vol. 26, pp. 283297, May 1998.
[7] K. Bennys, G. Rondouin, C. Vergnes, and J. Touchon, Diagnostic
value of quantitative EEG in Alzheimers disease, Neurophysiol.
Clin., vol. 31, pp. 153160, June 2001.
[8] A. A. Petrosian, D. V. Prokhorov, W. Lajara-Nanson, and R. B.
Schiffer, Recurrent neural network-based approach for early
recognition of Alzheimers disease in EEG, Clin. Neurophysiol.,
vol. 112, pp. 13781387, Aug. 2001.
[9] B. Jelles, J. H. van Birgelen, J. P. J. Slaets, R. E. M. Hekster, E. J.
Jonkman, and C. J. Stam, Decrease of non-linear structure in the
EEG of Alzheimer patients compared to healthy controls, Clin.
Neurophysiol., vol. 110, pp.11591167, July 1999.
[10] J. Jeong, J. C. Gore, and B. S. Peterson, Mutual information
analysis of the EEG in patients with Alzheimers disease, Clin.
Neurophysiol., vol. 112, pp. 827835, May 2001.
[11] Y. A. L. Pijnenburg, Y. vd Made, A. M. van Cappellen van
Walsum, D. L. Knol, Ph. Scheltens, and C. J. Stam, EEG
synchronization likelihood in mild cognitive impairment and
Alzheimers disease during a working memory task, Clin.
Neurophysiol., vol. 115, pp. 13321339, March 2004.
[12] R. Polikar, F. Keinert, and M. H. Greer, Wavelet analysis of
ERPs for early diagnosis of Alzheimers disease, in Wavelets in
Signal and Image Analysis, From Theory to Practice (ed. A.
Petrosian and F.G. Meyer), Boston, MA: Kluwer Academic
Publishers, 2001, pp. 453478.
[13] G. Jacques, J. L. Frymiare, J. Kounios, C. Clark, and R. Polikar,
Multiresolution analy sis for early diagnosis of Alzheimers
disease, in Proc of 24th Int. Conf. of the IEEE/EMBS, 2004, pp.
251254.
[14] M. F. Folstein, S. E. Folstein, and P. R. McHugh, Mini-mental
state. A practical method for grading the cognitive state of
patients for the clinician, J. Psychiatr. Res., vol. 12, pp. 189
198, Nov. 1975.
[15] A. Figliola and E. Serrano, Analysis of Phisiological Time Series
Using Wavelet Transforms, IEEE Eng. Med. Biol. Mag., 16(3),
pp. 7479, May-Jun. 1997.
[16] J. Jeong, EEG dynamics in patients wi th Alzheimers disease,
Clin. Neurophysiol., vol. 115, pp. 14901505, July 2004.
[17] H. C. Dringenberg, Alzheimers disease: more than a cholinergic
disorderevidence that cholinergic-monoaminergic interactions
contribute to EEG slowing and dementia, Behav. Brain Res., vol.
115, pp. 235249, Nov. 2000.