You are on page 1of 69

E.T.S.I.

de Telecomunicación Universidad de Valladolid

PROCESADO DE SEÑALES
BIOMÉDICAS
CURSO DE DOCTORADO 2008/2009

Roberto Hornero Sánchez
E.T.S. Ingenieros de Telecomunicación
Universidad de Valladolid
Camino del Cementerio s/n, 47011 - Valladolid
Teléfono: 983185570 Fax: 983423667
e-mail: robhor@tel.uva.es
http://www.gib.tel.uva.es

Sesiones del Curso

• Sesión 01: Martes, 17/02, 18:00-20:00 (Teoría)
• Sesión 02: Martes, 24/02, 18:00-20:00 (Teoría)
• Sesión 03: Martes, 03/03, 18:00-20:00 (Teoría)
• Sesión 04: Martes, 10/03, 18:00-20:00 (Laboratorio)
• Sesión 05: Martes, 17/03, 18:00-20:00 (Laboratorio)
• Sesión 06: Martes, 24/03, 18:00-20:00 (Laboratorio)
• Sesión 07: Martes, 31/03, 18:00-20:00 (Laboratorio)
• Sesión 08: Martes, 14/04, 18:00-20:00 (Laboratorio)
• Sesión 09: Martes, 21/04, 18:00-20:00 (Laboratorio)
Universidad de Valladolid 2

1

Contenidos

1. Introducción al procesado de señales
biomédicas
2. Técnicas de compresión de señales
biomédicas
3. Análisis espectral
 Aplicaciones
4. Transformadas wavelets
 Aplicaciones
5. Métodos no lineales
 Aplicaciones
Universidad de Valladolid 3

1. Introducción

• Señales biomédicas: señales para extraer
información de los sistemas biológicos
– Necesario procesarlas para obtener información
relevante
• Muchas técnicas de procesado de señales
biomédicas
– Aplicar el mejor método
 Conocer el objetivo del procesado
 Características de la señal biomédica

 Condiciones

Universidad de Valladolid 4

2

1. Introducción

• Fines diagnósticos:
– Verificar si el fenómeno biológico es correcto o está
alterado (patologías)
• Análisis visual
• Procesado de señales biomédicas
– Ahorrar tiempo
– Aumentar objetividad
– Facilitar futuras investigaciones

Universidad de Valladolid 5

1. Introducción

• Clasificación de señales biomédicas
– Según origen de señales y medio que se utiliza para la
adquisición
– Según su descripción matemática
– Según sus características: amplitud, frecuencia

Universidad de Valladolid 6

3

1. Introducción • Según origen de señales y medio SEÑALES BIOMÉDICAS Eléctricas Imágenes Impedancias Bioquímicas Acústicas Mecánicas Biomagnética Universidad de Valladolid 7 1. Introducción • Según descripción matemática SEÑALES BIOMÉDICAS Deterministas Aleatorias Periódicas Cuasiperiodicas Transitorias Estacionariedad Ergodicidad Universidad de Valladolid 8 4 .

50 0. 1.5 . Introducción • Según sus características EOG EEG ECG EMG FRECUENCIA 0.5 (mv) Universidad de Valladolid 9 1.01 – 250 10 .1 .005 . muestreo.0. cuantificación y digitalización – Preprocesado: eliminar influencias de otros fenómenos e interferencias – Almacenamiento y/o transmisión – Procesamiento propiamente dicho:  Segmentación de la señal  Transformaciones o filtrados  Determinación de la señal a estudio Universidad de Valladolid 10 5 .05 .3.3 0. Introducción • Etapas de procesado de señales biomédicas (I) – Detección.5 0.5-150 0.10000 (Hz) VOLTAJE 0.5 – 4 0.

Técnicas de Compresión • ECG y EEG utilizado ampliamente en la práctica clínica • Por ejemplo con grabador Holter (ECG) – Necesitas más de 200Mbits/día de memoria para almacenar 2 canales muestreados a 200 Hz (resolución de 10 bit/muestra) • Problema de almacenamiento • Objetivo de comprimir señales biomédicas – Minimizar espacio de almacenamiento sin pérdida de información clínica significativa Universidad de Valladolid 12 6 . Introducción • Etapas de procesado de señales biomédicas (II) – Ayuda al diagnóstico  Extracción de características más representativas  Reducción de características  Clasificación de las características  Comportamiento del órgano correcto  Patrón de comportamiento patológico Universidad de Valladolid 11 2. 1.

Técnicas de Compresión • Mayoría de los métodos de compresión aplicados a señal ECG • Aplicar a otras señales (EEG. Técnicas de Compresión • Medir grado de comprensión: – Parámetro CR: Relación entre el número total de bits para representar la señal antes y después de comprimir • Medir la calidad de la comprensión: – Parámetro PRD (Percent Root mean square Difference) Universidad de Valladolid 13 2. 2. EMG) con modificaciones • Difícil comparar métodos para señales biomédicas con diferentes características: – Frecuencia de muestreo – Ancho de banda – Número de bits/muestra – Nivel de ruido Universidad de Valladolid 14 7 .

2. Técnicas de Compresión Señal ECG original Señal ECG reconstruida (compresión wavelets) Universidad de Valladolid 15 2. Técnicas de Compresión • Se clasifican en dos grupos: – Sin pérdidas CR= 2:1  Posibilitan la reconstrucción perfecta – Con pérdidas CR=10:1  Más utilizados • Métodos de compresión se dividen también: – Métodos en el dominio del tiempo – Métodos en el dominio de la frecuencia Universidad de Valladolid 16 8 .

y 8 bits/muestra) Universidad de Valladolid 18 9 .8.5% (Señal ECG a 500 Hz. 2. Técnicas de Compresión • Métodos en el dominio del tiempo – Comprensión de datos por DPCM (Differential Pulse-Code Modulation) – Método AZTEC (Amplitude Zone Time Epoch Coding) para ECG – Turning Point ECG Compression Method – Comprensión por extracción de parámetros Universidad de Valladolid 17 2. PRD=3. Técnicas de Compresión • Comprensión de datos por DPCM (Differential Pulse-Code Modulation) – Si muestreamos más rápido  la diferencia entre las muestras será más pequeña – Esta señal diferencia tiene un rango dinámico menor que la señal original – CR=7.

cruce por ceros.. Técnicas de Compresión • Método AZTEC (Amplitude Zone Time Epoch Coding) para ECG – ECG: zonas planas y zonas con pendiente  Zona plana: amplitud y número de muestras  Zona pendiente: duración y amplitud de la primera y última muestra – Utiliza interpolación lineal para la reconstrucción – Alto rango de comprensión CR = 10:1 – Problema: calidad de la señal reconstruido no muy buena  rechazada por cardiólogos Universidad de Valladolid 19 2.. Técnicas de Compresión • Turning Point ECG Compression Method – Reduce la frecuencia de muestreo por un factor de 2 – CR = 2:1 PRD = 4. 2. pendientes. .3%  Señal ECG muestreada a 200 Hz y 12 bit/muestra • Comprensión por extracción de parámetros – Se analiza señal y extraen parámetros  Posición de amplitud máxima y mínima. – Reconstrucción se realiza interpolando esos parámetros – Comparado con AZTEC: mismo CR consigue la mitad de PRD Universidad de Valladolid 20 10 .

2. Técnicas de Compresión • Métodos en el dominio de la frecuencia – Codificación de la transformada – Codificación en subandas y transformada wavelets – Métodos Híbridos para ECG multicanal Universidad de Valladolid 21 2. Técnicas de Compresión • Codificación de la transformada – Se divide la señal en segmentos y a cada uno se les aplica una transformada  DFT (Transformada de Fourier Discreta)  KLT (Transformada de Karhunen-Loeve)  DCT (Transformada del Coseno Discreta) – Se seleccionan los coeficientes más importantes del dominio transformado Universidad de Valladolid 22 11 .

2. Técnicas de Compresión • Codificación en subandas y transformada wavelets Universidad de Valladolid 24 12 . Técnicas de Compresión – Utilizando DCT y KLT se consiguen CR=3 para una única señal ECG – Para sistema ECG multicanal se puede utilizar la 2D- KLT (CR=12) – Se han publicado estudios utilizando la DCT que han obtenido CR=24.3 Universidad de Valladolid 23 2.

Técnicas de Compresión • Métodos Híbridos para ECG multicanal – Sistema estándar tiene 12 canales ECG – Aprovechar la correlación entre canales y aplicar transformadas (KLT y DCT) – DCT: CR=17 PRD=19% – KLT: CR=7. Análisis espectral • Análisis en el dominio de la frecuencia – Transformada de Fourier  Sea g(t) una señal no periódica determinista Universidad de Valladolid 26 13 . 2.98 PRD=6% Universidad de Valladolid 25 3.

G(f) es una función compleja |G(f)|: amplitud del espectro continuo  ( f ): fase del espectro continuo  Procesado digital: DFT. Análisis espectral  En general. FFT Universidad de Valladolid 27 3. 3. Análisis espectral • FFT del ritmo cardiaco Universidad de Valladolid 28 14 .

3. Análisis espectral • Densidad espectral: señales aleatorias – Se calcula la función de autocorrelación – Transformada de Fourier de la función de autocorrelación – Cálculo de potencias relativas: Universidad de Valladolid 30 15 . Análisis espectral • Densidad espectral: señales de energía Relación con la función de autocorrelación Universidad de Valladolid 29 3.

Análisis espectral • Estimación de diversos parámetros espectrales: – Frecuencia mediana: – Frecuencia al 95% de la potencia Universidad de Valladolid 31 3. Análisis espectral – Entropía espectral:  Aplicación de la entropía de Shannon a la densidad espectral de potencia de la señal biomédica  SpecEn elevada  espectro de la señal uniforme y con distribución en frecuencia bastante amplia  Obtenemos densidad de probabilidad px(f) normalizando la densidad espectral de potencia en el rango de frecuencias Universidad de Valladolid 32 16 . 3.

3. Análisis espectral • Transformada corta de Fourier (STFT) – Resolución fija en tiempo y frecuencia Universidad de Valladolid 33 3. Análisis espectral Universidad de Valladolid 34 17 .

Frecuencia Media • Enfermedad de Alzheimer – Demencia degenerativa primaria con desarrollo gradual – Principal causa de demencia en los países occidentales – Origen: placas y nódulos en el cerebro  Placas:  Constituidas por agrupamiento de terminaciones nerviosas anormales y engrosadas  Se localizan principalmente en la corteza cerebral  Nódulos neurofibrilares:  Se localizan en el interior de las neuronas  Agrupación densa de neurofilamentos enrollados entre sí en forma de espiral  La mayor densidad de placas y nódulos se han observado en las áreas corticales responsables de la memoria y el aprendizaje Universidad de Valladolid 35 Aplicación . Aplicación . 4D Neuroimaging  148 canales Universidad de Valladolid 36 18 .Frecuencia Media • Magnetoencefalogramas (MEG) – Registro del campo magnético generado por la actividad neuronal – Ventajas:  Excelente resolución espacial  Precisión de localización superficial y en profundidad – Campos magnéticos generado oscila entre 50 a 500 fT (femto-Teslas)  Se necesitan utilizar materiales superconductores a temperaturas próximas al cero absoluto  SQUIDS (Superconductive Quantum Interference Devices) – Nuestro estudio: MAGNES 2500 WH.

Frecuencia Media • MAGNES 2500 WH. 4D Neuroimaging Universidad de Valladolid 37 Aplicación .Frecuencia Media • Canales MEG: 148 Universidad de Valladolid 38 19 . Aplicación .

1 ± 1. 4D Neuroimaging) – Registro base: 5 minutos de MEG – Frecuencia de muestreo = 676.Frecuencia Media • Señales MEG – Magnetómetro de 148 canales (MAGNES 2500 WH.Frecuencia Media • Sujetos de estudio – 22 enfermos de Alzheimer  Edad media: 73.17 Hz – Submuestreo: factor 4 – Filtro paso-banda: 0.0 / 30 – 21 sujetos de control  Edad media: 70.0 / 30 • Canales analizados: 148 Universidad de Valladolid 40 20 .2  MMSE: 18.2 ± 4.5-40 Hz – Segmentación de los registros: 3392 muestras (20 segundos) Universidad de Valladolid 39 Aplicación .3 ± 7.1  MMSE: 29. Aplicación .6 ± 8.

Aplicación .Frecuencia Media • Análisis estadístico de cada canal Universidad de Valladolid 42 21 .Frecuencia Media • Valores medios de cada canal Universidad de Valladolid 41 Aplicación .

Aplicación .Frecuencia Media • Curva ROC: Sensibilidad: 77.27 % Especificidad: 80.Frecuencia Media • Diagrama de Cajas: Universidad de Valladolid 43 Aplicación .86 Universidad de Valladolid 44 22 .07 % Área ROC: 0.95% Precisión: 79.

07 % Universidad de Valladolid 45 4.48 Hz  Sensibilidad: 77.06 ± 2.46 ± 2.95%  Precisión: 79. Aplicación . Transformada wavelet • Transformada corta de Fourier (STFT) – Resolución fija en tiempo y frecuencia • Transformada wavelet (TW) – Buena resolución frecuencial a bajas frecuencias – Buena resolución temporal a altas frecuencias Universidad de Valladolid 46 23 .05)  Sujetos de control: 12.00 Hz  Enfermos de Alzheimer: 9.27 %  Especificidad: 80.Frecuencia Media • Análisis espectral – Densidad espectral de potencia:  MEG: lentificación de la actividad cerebral  Aumento de la potencia en las bandas bajas (delta y theta) – Frecuencia media:  MEG: menor en los pacientes diagnosticados con la enfermedad de Alzheimer ( p < 0.

4. Transformada wavelet • Transformada wavelet continua – Definición: – Wavelet básica: h(t)  Morlet – Parámetro de escala: a  Representación tiempo-escala  Escalograma Universidad de Valladolid 48 24 . STFT STFT TW Universidad de Valladolid 47 4. Transformada wavelet • Transformada wavelet vs.

Transformada wavelet • Transformada wavelet discreta – Algoritmo de análisis – Algoritmo de síntesis Universidad de Valladolid 50 25 . 4. Transformada wavelet • Escalograma: EEG Universidad de Valladolid 49 4.

Transformada wavelet • Wavelet Packets (WP) – Resolución en tiempo y frecuencia  Características de la señal  Criterio Universidad de Valladolid 52 26 . Transformada wavelet • Wavelet Packets (WP) – Búsqueda de la mejor base tiempo-frecuencia – Algoritmo Universidad de Valladolid 51 4. 4.

central (C). parietal (P) y occipital (O) Universidad de Valladolid 53 Aplicación CWT • EEG: Sistema Internacional 10-20 Universidad de Valladolid 54 27 . temporal (T). frontal (F). Aplicación CWT • Electroencefalogramas (EEG) – Registro de la actividad eléctrica del cerebro – Suma temporal y espacial de los potenciales postsinápticos generados por las neuronas en la corteza cerebral – Amplitud del campo eléctrico generado oscila entre los 5 y los 200 μV – Sistema estándar de registro: Sistema Internacional 10-20  Aconsejado por la Federación Internacional de Sociedades de Electroencefalografía y Neurofisiología Clínica  Serie de marcas en el cráneo como puntos de referencia para colocar los electrodos  Las letras identifican cada región de la cabeza: frontopolar (Fp).

Aplicación CWT Universidad de Valladolid 55 Aplicación CWT • Señales EEG – Sistema Internacional 10-20 – Registro base: 5 minutos – Frecuencia de muestreo: 256 Hz – Filtro paso-bajo HW a 100 Hz – Filtro de ranura: cancelación de 50 Hz – Filtro paso-banda SW: 0.4-70 Hz – Segmentación de la señal en tramos de 1280 puntos (5 segundos) • Epilepsia – Descarga rítmica de neuronas – Crisis generalizadas de pequeño mal o crisis de ausencias Universidad de Valladolid 56 28 .

Escalas pequeñas Universidad de Valladolid 58 29 . Aplicación CWT • Escalogramas • Sujeto de control Enfermo epiléptico Universidad de Valladolid 57 Aplicación CWT • Escalogramas Crisis de ausencia. Escalas grandes Crisis de ausencia.

Aplicación DWT • Electromiogramas (EMG) – Registro de la actividad eléctrica de los músculos – Señales no estacionarias • Control de prótesis mioeléctricas Universidad de Valladolid 59 Aplicación DWT • Análisis de EMG – Transformada wavelet discreta (DWT)  Función coste de información (ICF) • Objetivo – Extracción de características de EMG mediante histogramas y la transformada wavelet para distinguir varios estados de movimientos del brazo Universidad de Valladolid 60 30 .

– Músculos: bíceps y tríceps – Tres estados de movimiento  Flexión  Extensión  No movimiento – Dos grados de esfuerzos Universidad de Valladolid 62 31 .5 seg. – Duración: 0. Función coste de información • Entropía de la distribución energética • Porcentaje de la energía en la escala j • Función coste de información (ICF) • Análisis de la varianza: ANOVA (p < 0.01) Universidad de Valladolid 61 Aplicación DWT • Electromiogramas – Electrodos superficiales – Frecuencia de muestreo: 1024 Hz.

Aplicación DWT • Distribución energética Universidad de Valladolid 63 Aplicación DWT • ICF Universidad de Valladolid 64 32 .

) y 5 (0-31. Aplicación DWT • Distinción del tipo de movimiento: F = Flexión E = Extensión NM = No Movimiento – Diferencias significativas Universidad de Valladolid 65 Aplicación DWT • Distinción del nivel de contracción: – Bandas: 3 (63.97 Hz.62 .) – Diferencias significativas Universidad de Valladolid 66 33 .8 Hz.128.

Aplicación DWT • Transformada wavelet discreta (DWT) – Mayor eficacia en la extracción de características de los EMG – Tres estados de movimientos – Dos grados de esfuerzo • Bajo coste computacional – Procesado en tiempo real Universidad de Valladolid 67 Aplicación DWT • Sistema de registro de EMG • Extracción y clasificación – DWT + Redes Neuronales • Simulador informático – Brazo mioeléctrico virtual – Importancia de la fase de entrenamiento • Construcción de la prótesis a medida Universidad de Valladolid 68 34 .

– Canales parietales: P3 y P4 – Tramos: 4 seg.70 Hz. Universidad de Valladolid 70 35 . – Filtro de cancelación de 50 Hz. – Digitalizada: 12 bits – Filtrado paso-banda: 0.4 . Aplicación WP • Epilepsia – Descarga rítmica de neuronas – Crisis generalizadas: pequeño mal y gran mal • Análisis del registro base EEG – Especialistas no distinguen mediante inspección visual – 5 enfermos epilépticos y 5 sujetos de control • Ataque epiléptico: crisis de ausencia Universidad de Valladolid 69 Aplicación WP • Electroencefalogramas – Sistema Internacional 10-20 – Frecuencia de muestreo: 256 Hz.

Aplicación WP • Parámetros óptimos de los wavelet packets – Filtros de Daubechies de 20 coeficientes – Criterio de entropía – Nivel máximo de descomposición: 4 • Sujeto de control: registro base EEG Universidad de Valladolid 71 Aplicación WP • Enfermo epiléptico: registro base EEG Universidad de Valladolid 72 36 .

3 Universidad de Valladolid 74 37 . Aplicación WP • Crisis de ausencia Universidad de Valladolid 73 Aplicación WP • Wavelet Packets (WP) – ICF – p=0.0016  Diferencias significativas – Crisis de ausencia: ICF=0.

EEG. Aplicación WP • Registro base EEG – ICF(controles) > ICF (enfermos epilépticos) – Diferencias significativas: p < 0.01 • Crisis de ausencia – ICF sensiblemente inferior – Detección automática • Aplicación a grupos más amplios Universidad de Valladolid 75 5. – Se ha verificado que múltiples sistemas fisiológicos:  Se comportan de un modo irregular e impredecible cuando son jóvenes y sanos  Las enfermedades y el envejecimiento suelen estar asociados a comportamientos de regularidad creciente Universidad de Valladolid 76 38 . secuencias de ADN. etc. secreción de hormonas. Métodos no lineales • Introducción al análisis no lineal – Nuevas ideas acerca de cómo caracterizar y estudiar la evolución temporal de multitud de sistemas – Nuevas posibilidades para comprender el comportamiento de los sistemas fisiológicos a partir de las señales biomédicas generadas – Patrones no lineales presentes en muchas señales fisiológicas: variabilidad del ritmo cardiaco.

Métodos no lineales • Análisis no-lineal del EEG – Entropía aproximada. etc. – Medida de la tendencia central. – Diversos estudios han mostrado su utilidad a la hora de caracterizar la dinámica de la corteza cerebral. Estudios del sueño.  Mayor exponente de Lyapunov (L1). esquizofrenia. – Complejidad de Lempel-Ziv. epilepsia. – Entropía muestral. – Métodos clásicos empleados:  Dimensión de correlación (D2). maduración cerebral. 5. Métodos no lineales • Análisis no lineal del EEG – No linealidad en el cerebro presente a nivel celular (comportamiento de neuronas)  Natural analizar EEG con métodos no lineales. – Análisis de fluctuaciones sin tendencias.  Inconvenientes para el análisis de señales biomédicas Universidad de Valladolid 77 5. esquizofrenia. Medida de la complejidad empleada muy habitualmente. demencia vascular. enfermedad de Creutzfeld-Jakob. – Entropía en múltiples escalas. Universidad de Valladolid 78 39 . Caracterización de la sensibilidad de un sistema a las condiciones iniciales. – Auto información mutua. etc. Estudios del sueño.

Métodos no lineales • Dimensión de correlación – El método de Grassberger y Procaccia permite calcular la dimensión de correlación determinando el número de pares de puntos separados una distancia menor que r en el espacio de fases. cuanto más complejo sea su comportamiento. Universidad de Valladolid 79 5. – Es una medida de la complejidad del sistema. 5. Universidad de Valladolid 80 40 . mayor será su dimensión. Métodos no lineales • Dimensión de correlación – Es posible reconstruir el atractor de un sistema dinámico sin un conocimiento a priori de la naturaleza de las variables o de la forma funcional de las ecuaciones diferenciales que puedan describir el sistema (Señales biomédicas)  Técnica de los retardos temporales  Retardo temporal: T  Dimensión de incrustación: m – La dimensión de correlación es el límite inferior del número de variables necesarias para describir un sistema dinámico.

pero sin el sesgo presente en ApEn. 5. donde N es el número de puntos de cada segmento de magnetoencefalograma Universidad de Valladolid 81 5. Métodos no lineales • Entropía aproximada (ApEn) – Nueva familia de parámetros estadísticos para cuantificar la regularidad en series temporales – Definida por S. – Necesario fijar dos parámetros: longitud m.M. r. – SampEn(m. con valores mayores asociados a una mayor irregularidad en la secuencia analizada. que suele normalizarse empleando la desviación típica de la serie de datos original. r y N. – SampEn cuantifica la regularidad de una serie temporal. Métodos no lineales • Entropía muestral (SampEn) – Otra familia de medidas para estimar la regularidad de una señal. que determina el tamaño de los vectores que son comparados. Universidad de Valladolid 82 41 . N) – N es el número de puntos de la serie temporal analizada – es el negativo del logaritmo neperiano de la probabilidad condicional de que dos secuencias similares para m puntos (distancia entre ellas menor que r) sigan siéndolo al incrementar el número de puntos a m + 1. Pincus (1991) – Analizar series temporales cortas y ruidosas (señales biomédicas) – Asigna un número no negativo a una secuencia: similitud logarítmica de que patrones próximos (separados por un distancia menor que r) para m observaciones contíguas sigan estándolo con m+1 – EEG: valores mayores indican mayor irregularidad – Las comparaciones entre grupos deben hacerse con valores fijos de m. y ventana de tolerancia r. – Mismos valores de m y r que en ApEn.

para calcular la MSE hay que obtener versiones de grano grueso (coarse-grained) de la misma. 5. la primera se considera más compleja. Métodos no lineales • Entropía en múltiples escalas (MSE) – Medida de la complejidad de una serie temporal. {y()}. – Dada una secuencia temporal. – Selección de los mismos valores de m y r que en ApEn y SampEn. Métodos no lineales • Entropía en múltiples escalas (MSE) – Al estimar la MSE de una época de EEG obtenemos una secuencia numérica de 12 muestras  Representaciones gráficas. Universidad de Valladolid 84 42 . tenemos que fijar el factor de escala máximo max que se considerará en el análisis  max = 12 para no tener series temporales excesivamente cortas en las escalas más altas. – Se calcula la entropía muestral de cada versión de grano grueso. Universidad de Valladolid 83 5. – Interpretación de las curvas: Si los valores de entropía de una de serie son mayores que los de otra en la mayoría de escalas temporales. Un decrecimiento monótono de los valores de entropía indica que la señal original sólo contiene información en las escalas más pequeñas. cada una de las cuales se corresponde con un factor de escala . – Además de los parámetros m y r.

– La MI entre dos medidas tomadas de una misma serie x(t) separadas por un intervalo temporal  se denomina auto información mutua (AMI). es decir. pues está correlacionada con la entropía. proporciona una predicción media de las muestras futuras de una serie temporal a partir de las muestras previas. Métodos no lineales • Información mutua – Método general para detectar dependencias estadísticas lineales y no lineales en series temporales. – Para reducir la información contenida en estas series a un valor que caracterice al EEG analizado  determinar la pendiente de descenso con  creciente de la AMI. 5. Métodos no lineales • Información mutua – El cálculo de la AMI en función de  proporciona secuencias con información relevante acerca de la dinámica cerebral. La AMI estima hasta qué punto es posible predecir x(t+). Universidad de Valladolid 85 5. a partir del conocimiento de x(t). en promedio. Universidad de Valladolid 86 43 .

– División de la señal en B ventanas de tamaño k variable. – Puede cuantificarse el grado de variabilidad midiendo la tendencia central (CTM): Número de puntos en un entorno de radio r alrededor del origen entre el número total de puntos. de las que se elimina la tendencia lineal  Varianza de la fluctuación de y(t) con respecto a la tendencia lineal local: – La raíz cuadrada del promedio de las de todas las ventanas es la fluctuación de las tendencias locales en B ventanas: – El estudio de la dependencia de F(k) con respecto al tamaño de la ventana k es la esencia del DFA. Métodos no lineales • Diagramas de diferencias de segundo orden – Representamos – Indican el nivel de variabilidad del sistema. 5. – Son muy útiles para modelar sistemas biológicos y para analizar señales biomédicas. Métodos no lineales • Análisis de fluctuaciones sin tendencias (DFA) – Proporciona información acerca de las relaciones de escala y correlaciones presentes en series temporales. Universidad de Valladolid 87 5. Habitualmente F(k) aumentará con el tamaño de las ventanas k. Universidad de Valladolid 88 44 .

5. existen correlaciones para los valores de k en los que la ecuación es válida. Universidad de Valladolid 89 5. Métodos no lineales • Complejidad de Lempel-Ziv – Estimación de la complejidad de una serie temporal – Basada en la transformación de la señal en un secuencia formada por un número finito de símbolos – Se basa en la transformación de la señal original en una secuencia P formada por un número finito de símbolos. – Valores de k comprendidos entre 3 y 128 puntos. Métodos no lineales • Análisis de fluctuaciones sin tendencias (DFA) – Una relación de proporcionalidad entre F(k) y k indica la naturaleza de las fluctuaciones presentes en la serie temporal. – Representación de F(k) frente a k en una escala logarítmica. – Se recorre la nueva secuencia de izquierda a derecha. incrementando un contador cada vez que se encuentra una nueva secuencia – Se normaliza el valor final del contador Universidad de Valladolid 90 45 . Si   0.

Epilepsia • Epilepsia – Descarga rítmica de neuronas – Crisis generalizadas: pequeño mal y gran mal • Análisis del registro base EEG – Especialistas no distinguen mediante inspección visual – 5 enfermos epilépticos y 5 sujetos de control • Ataque epiléptico: crisis de ausencia Universidad de Valladolid 92 46 . Métodos no lineales • Complejidad de Lempel-Ziv Universidad de Valladolid 91 Aplicaciones: EEG . 5.

Epilepsia • Dimensión de correlación Universidad de Valladolid 94 47 . Aplicaciones: EEG .Epilepsia • Atractores Sujeto de control Enfermo epiléptico Crisis de ausencia Universidad de Valladolid 93 Aplicaciones: EEG .

89 Universidad de Valladolid 95 Aplicaciones: Ritmos-Esquizofrenia • Esquizofrenia – Mente partida o escindida – Exceso de neurotransmisores – Tipos: Paranoide Residual Hebefrénica Simple Catatónica No especificada • Series temporales: ritmos Universidad de Valladolid 96 48 .Epilepsia • Dimensión de correlación – ANOVA: p=0.00077  Diferencias significativas – Crisis de ausencia: D2= 2. Aplicaciones: EEG .

00019  Diferencias significativas Universidad de Valladolid 98 49 . Aplicaciones: Ritmos-Esquizofrenia • Diagramas de diferencias de 2º orden: CTM – Método en la elección del radio (10r40) Universidad de Valladolid 97 Aplicaciones: Ritmos-Esquizofrenia – ANOVA: p=0.

T4.3  MMSE: 13.5 ± 8. T5 y T6 Universidad de Valladolid 99 Aplicaciones: EEG . F7. C4.  Edad media: 72.1 ± 5.8 ± 6.25SD Universidad de Valladolid 100 50 . F4. P3.Alzheimer • Parámetros de la entropía aproximada: – Valores propuestos por Pincus:  m = 1. m = 2  r =0 . Aplicaciones: EEG . Fp2.9 / 30 – Once sujetos de control  Edad media: 72. P4. O1.25SD  N > 60 puntos • Análisis de EEG: – 16 canales – N = 1280 puntos – Comprobación con todas las variantes de m y r  Resultados: m = 1 y r = 0.Alzheimer • Sujetos de estudio: – Once paciente diagnosticados con la enfermedad de Alzheimer. C3. F8.1  No diferencias significativas entre ambos grupos respecto la edad • Canales analizados: Fp1. T3. F3.0. O2.1SD .

1331 0.9701 T5 0.0322 C3 0.2051 0.1371 0. Aplicaciones: EEG .9125 ± 0.5745 ± 0.1953 0.1243 T3 0.5641 ± 0.3198 P3* 0.1115 F4 0.9296 ± 0.2006 0.0631 Fp2 0.9357 ± 0.1817 0.6933 ± 0.0014 P4* 0.2081 0.1821 0.4426 Fp1 0.9714 ± 0.1181 0.6355 F8 0.6867 ± 0.6914 ± 0.1363 0.1961 0.6288 ± 0.1939 0.0031 O1* 0.7663 T4 0.2072 0.9236 ± 0.7349 ± 0.1634 0.7182 ± 0.7378 ± 0.1384 0.0086 Universidad de Valladolid 101 Aplicaciones: EEG .2485 0.6423 ± 0.0027 O2* 0.8644 ± 0.8242 F7 0.2194 0.1563 0.2018 0.1954 0.1753 0.8599 ± 0.1801 0.1670 0.6936 ± 0.7867 ± 0.7309 ± 0.2150 0.Alzheimer • Valores medios de ApEn en todos los canales Controles Enfermos de Alzheimer Universidad de Valladolid 102 51 .6989 ± 0.8363 ± 0.7291 ± 0.6088 ± 0.8976 ± 0.2472 0.7100 ± 0.9342 ± 0.3186 0.7703 ± 0.2179 0.0193 T6 0.6994 ± 0.1649 0.1775 0.Alzheimer Sujetos de control Enfermos de Alzheimer Análisis estadístico Electrodo (Media ± SD) (Media ± SD) p-valor F3 0.2869 0.8490 ± 0.1820 C4 0.2028 0.9580 ± 0.7732 ± 0.1320 0.

64 % Sensibilidad: 72. O1 y O2 – Resultados confirmados por otros estudios científicos – Necesidad de aumentar la población de estudio Universidad de Valladolid 104 52 .Alzheimer • Conclusiones – Mayor irregularidad en los sujetos de control (valores de ApEn mayores) – Canales con diferencias significativas (p<0. Aplicaciones: EEG .Alzheimer • Diagramas de Cajas Canal P3 Canal P4 Sensibilidad: 63.27 % Área ROC: 0.83 Área ROC: 0.73 % Especificidad: 81.82 % Precisión: 72. P4.01): P3.82% Especificidad: 81.86 Universidad de Valladolid 103 Aplicaciones: EEG .73 % Precisión: 77.

– ¿Estado precoz de la Enfermedad de Alzheimer? Universidad de Valladolid 105 Aplicaciones: MEG . 4D Neuroimaging) – Registro base: 5 minutos de MEG – Frecuencia de muestreo = 676.Alzheimer • Análisis de magnetoencefalogramas (MEG) – Actividad magnética del cerebro • Enfermedad de Alzheimer – Enfermedad neurodegenerativa .17 Hz – Submuestreo: factor 4 – Filtro paso-banda: 0..Alzheimer • Señales MEG – Magnetómetro de 148 canales (MAGNES 2500 WH. • Deterioro cognitivo leve – Leves alteraciones de la memoria y mínimas pérdidas de la capacidad de realizar actividades. Aplicaciones: MEG ..5-40 Hz – Segmentación de los registros: 3392 muestras (20 segundos) Universidad de Valladolid 106 53 .

22 ± 3.09 ± 0. Aplicaciones: MEG .19  MMSE: 18.5 – 40 Hz) Transformación en Cálculo de la Cálculo del umbral secuencia discreta complejidad de la (mediana) (0 -1) señal Cálculo de la Complejidad de Lempel-Ziv Análisis estadístico (t de Student) Universidad de Valladolid 108 54 .11 ± 2.16 / 30 – 19 enfermos de Deterioro Cognitivo Leve  Edad media: 74.71 ± 5.Alzheimer • Sujetos de estudio – 22 enfermos de Alzheimer  Edad media: 73.29 ± 7.99 / 30 Universidad de Valladolid 107 Aplicaciones: MEG .10  MMSE: 25.01 / 30 – 21 sujetos de control  Edad media: 70.55 ± 8.07  MMSE: 29.Alzheimer Segmentación de los registros (3392 muestras) Filtrado (0.

Aplicaciones: MEG .Alzheimer • Valores medios de la Complejidad LZ Alzheimer DCL Universidad de Valladolid 110 55 .Alzheimer • Valores medios de la Complejidad LZ Alzheimer Control Universidad de Valladolid 109 Aplicaciones: MEG .

Alzheimer • Valores medios de la Complejidad LZ Alzheimer DCL Control Universidad de Valladolid 112 56 .Alzheimer • Valores medios de la Complejidad LZ DCL Control Universidad de Valladolid 111 Aplicaciones: MEG . Aplicaciones: MEG .

Alzheimer • Comparación entre Alzheimers y DCLs Universidad de Valladolid 114 57 . Aplicaciones: MEG .Alzheimer • Comparación entre Alzheimers y controles Universidad de Valladolid 113 Aplicaciones: MEG .

Aplicaciones: MEG - Alzheimer

• Comparación entre DCLs y controles

Universidad de Valladolid 115

Aplicaciones: MEG - Alzheimer

• PCA (Análisis de Componentes Principales)
• Criterio de Kaiser: retenemos las componentes principales con autovalores
mayores que 1. Sólo la PC1 tiene un autovalor próximo a la unidad
• Scree test de Cattell: retenemos las componentes principales previas a un
cambio de la pendiente
• La varianza explicada de la PC1 es superior al 80%
• RETENEMOS SÓLO LA PRIMERA COMPONENTE
PRINCIPAL

Universidad de Valladolid 116

58

Aplicaciones: MEG - Alzheimer

• Diagrama de Cajas: PCA (primera componente)

Universidad de Valladolid 117

Aplicaciones: MEG - Alzheimer

• Curva ROC entre Alzheimers y controles

• Umbral optimo  0.050023
• Sensibilidad  0.81818
• Especificidad  0.85714
• Precisión  0.83721
• Área ROC  0.90693

Universidad de Valladolid 118

59

Aplicaciones: MEG - Alzheimer

• Curva ROC entre DCLs y controles

• Umbral optimo  0.50596
• Sensibilidad  0.63158
• Especificidad  0.71429
• Precisión  0.675
• Área ROC  0.65664

Universidad de Valladolid 119

Aplicaciones: MEG - Alzheimer

• Curva ROC entre Alzheimers y DCLs

• Umbral optimo  -0.19447
• Sensibilidad  0.72727
• Especificidad  0.73684
• Precisión  0.73171
• Área ROC  0.78708

Universidad de Valladolid 120

60

Apnea • Síndrome de la Apnea Obstructiva del Sueño (SAOS) – Oclusión intermitente y repetitiva de la vía aérea superior durante el sueño – Prevalencia: entre el 1 y el 5% de la población adulta de los países occidentales – Numerosas consecuencias sobre la calidad de vida del paciente – Método diagnóstico estándar: polisomnografía (PSG) – Necesidad de técnicas más sencillas  Pulsioximetría nocturna Universidad de Valladolid 122 61 . Universidad de Valladolid 121 Aplicaciones: Oximetría . – Las diferencias son poco significativas entre enfermos de Deterioro Cognitivo Leve y sujetos de control.Alzheimer • Conclusiones – La Complejidad de Lempel-Ziv es mayor para los sujetos sanos que para los enfermos:  LZControl > LZDCL > LZAlzheimer – Las diferencias son muy significativas si comparamos el grupo de enfermos de Alzheimer con cualquiera de los otros dos grupos. Aplicaciones: MEG .

6 e/h (media ± SD)  76 sujetos (40.Apnea • Sujetos de estudio – Estudio del sueño  Registro polisomnográfico completo (polígrafo Ultrasom Network)  Oximetría simultánea (oxímetro Criticare 504) – 187 sujetos con síntomas característicos de padecimiento de SAOS  111 sujetos (59.4%) SAOS positivo.4 e/h (media ± SD) – Población bajo estudio dividida aleatoriamente en 2 grupos:  Grupo de entrenamiento (44 SAOS positivo y 30 SAOS negativo)  Grupo de test (67 SAOS positivo y 46 SAOS negativo) Universidad de Valladolid 124 62 .6%) SAOS negativo.0 ± 2. con IAH medio de 2.Apnea • Hipótesis y objetivos del estudio – Los períodos de apnea dan lugar a episodios de hipoxemia  Detección a través de las señales de saturación de oxígeno en sangre (SaO2) – Cuantificar el comportamiento no lineal  Medida de la Tendencia Central (CTM) – Evaluar la precisión diagnóstica del CTM como método de ayuda en el diagnóstico del SAOS Universidad de Valladolid 123 Aplicaciones: Oximetría . Aplicaciones: Oximetría . con un IAH medio de 40.1 ± 19.

48 – Sensibilidad: 79.0% – Precisión: 83.6% – Especificidad: 90. Aplicaciones: Oximetría .Apnea • Diagramas de diferencia de segundo orden SAOS POSITIVO SAOS NEGATIVO Universidad de Valladolid 125 Aplicaciones: Oximetría .Apnea • Grupo de Entrenamiento • Umbral de decisión óptimo para un CTM de 0.8% Universidad de Valladolid 126 63 .

1% – Especificidad: 87.3% Universidad de Valladolid 128 64 .0% – Precisión: 82.Apnea • Grupo de Entrenamiento • SAOS positivos – Valores por debajo del umbral – Mayor variabilidad • SAOS negativos – Valores por encima del umbral – Menor variabilidad Universidad de Valladolid 127 Aplicaciones: Oximetría . Aplicaciones: Oximetría .Apnea • Grupo de Test • Umbral de decisión óptimo proporcionado por el grupo de Entrenamiento – Sensibilidad: 79.

10. pp. 27. 4. Carlos Gómez. Miguel López.3%) • Líneas futuras – Ampliación del estudio – Extracción de nuevas características Universidad de Valladolid 129 Publicaciones 2006 . Jesús Poza. Roberto Hornero. 1019-1028. "Analysis of electroencephalograms in Alzheimer's disease patients with multiscale entropy.1%)  Precisión diagnóstica superior al 80% (82. Marzo.2008 • EEG – Daniel Abásolo. 55. "Approximate entropy and auto mutual information analysis of the electroencephalogram in Alzheimer's disease patients. Pedro Espino. Roberto Hornero. vol." Physiological Measurement. Javier Escudero. Elsevier. Daniel Abásolo. Javier Escudero. 3. Universidad de Valladolid 130 2171-2179. 46. IEEE Publishing. 2006. 2008. 9. Roberto Hornero. pp." Physiological Measurement. Elsevier. Pedro Espino. "A study on the possible usefulness of detrended fluctuation analysis of the electroencephalogram background activity in Alzheimer’s disease. 27. "Entropy analysis of the EEG background activity in Alzheimer’s disease patients. 116. 315–322. vol. Springer. – Daniel Abásolo. – Javier Escudero. María García. Roberto Hornero. "Analysis of regularity in the EEG background activity of Alzheimer's disease patients with Approximate Entropy. 241-253. 1091-1106. Agosto. – Daniel Abásolo. 2006. Pedro Espino. vol. Noviembre. Pedro Espino. vol." Medical Engineering and Physics. Carlos Gómez. Clara I. Sánchez." Clinical Neurophysiology. vol. Ramón de la Rosa." IEEE Transactions on Biomedical Engineering. Octubre. Miguel López. Daniel Álvarez. 2008. 2006. 28. "Analysis of EEG background activity in Alzheimer’s disease patients with Lempel-Ziv complexity and Central Tendency Measure.Apnea • Conclusiones – Mayor variabilidad en los registros de SaO2 correspondientes a enfermos de SAOS – Configuración del método mediante el grupo de Entrenamiento – Resultados correspondientes al grupo de Test  Diferencias significativas (p-valor < 0. IOP. IOP. Roberto Hornero. vol.01) entre poblaciones  Alta especificidad (87%)  Sensibilidad aceptable(79. 2005. Septiembre. Jesús Poza. pp. Roberto Hornero. 65 . 1826–1834. 11. Pedro Espino." Medical & Biological Engineering & Computing. Mayo. – Daniel Abásolo. pp. pp. Aplicaciones: Oximetría . pp. – Daniel Abásolo.

vol." Alzheimer Disease and Associated Disorders. 141-152." Medical Engineering & Physics. Alberto Fernández. Junio. Roberto Hornero. Pedro Gil- Gregorio. pp. pp. 3. "Artifact removal in magnetoencephalogram background activity with independent component analysis." IEEE Transactions on Biomedical Engineering. Roberto Hornero. 29. – Carlos Gómez. 2008. "Quantitative Magnetoencephalography of Spontaneous Brain Activity in Alzheimer Disease: An Exhaustive Frequency Analysis. 87. 1658-1665. pp. Febrero. Daniel Abásolo. vol. Daniel Abásolo. Roberto Hornero. 2006. Sánchez. – Alberto Fernández. 2. "MEG spectral profile in Alzheimer's disease and mild cognitive impairment. 3. vol. Fernado Maestu. Roberto Hornero." Computers Methods and Programs in Biomedicine. Javier Escudero. – Jesús Poza. "Extraction of spectral based measures from MEG background oscillations in Alzheimer’s disease. Jesús Poza. Daniel Abásolo." Computer Methods and Programs in Biomedicine. 55. Alberto Fernández." Annals of Biomedical Engineering. Roberto Hornero. Javier Escudero. 1. vol. – Jesús Poza. Julio. 2007. – Roberto Hornero. Agustín Mayo. Alberto Fernández. 2007 Publicaciones 2006 . vol. Publicaciones 2006 . Miguel López.2008 • MEG (I) – Alberto Fernández. Royal Society 66 . Alberto Fernández. 54. Jesús Poza. Mayo. Elsevier. vol.2008 • MEG (II) – Javier Escudero. Agustín Mayo. vol. Carlos Gómez. 90. Elsevier. Miguel López. Alberto Fernández. Alberto Fernández." Medical Engineering and Physics. 131 Universidad de Valladolid 239-247. Daniel Abásolo. Tomás Ortiz. pp. 137-147. pp. Roberto Hornero. 2006. Roberto Hornero. 2006. 20. – Roberto Hornero. Enero." Clinical Neurophysiology." Universidad de Valladolid 132 Philosophical Transactions of the Royal Society A Journal. 1073-1083. 2007. pp. 6. María García. pp." IEEE Transactions on Biomedical Engineering. pp. Clara I. Agustín Mayo. 117. Daniel Abásolo. 306-314. – Jesús Poza. 851-859. Tomás Ortiz. vol. Javier Escudero. "Complexity analysis of the magnetoencephalogram background activity in Alzheimer's disease patients. 2008. Roberto Hornero. 28. "Non- linear analysis of EEG and MEG in patients with Alzheimer’s disease. pp. Springer Netherlands. "Spectral and Non-linear Analyses of MEG Background Activity in Patients with Alzheimer’s Disease. Elsevier. 2008. Daniel Abásolo. "Analysis of the magnetoencephalogram background activity in Alzheimer’s disease patients with auto mutual information. "Evaluation of spectral ratio measures from spontaneous MEG recordings in patients with Alzheimer's disease. Carlos Gómez. 1965-1973. – Carlos Gómez. 153-159. "Regional analysis of spontaneous MEG rhythms in patients with Alzheimer’s disease using spectral entropies. Alberto Fernández. Javier Escudero. Jesús Poza. 36. vol.

Daniel Abásolo. Springer Netherlands. Universidad de Valladolid 134 67 . 27. 107-113. Daniel Abásolo. Javier Escudero. vol. 10.2008 • Apnea Obstructiva del Sueño (I) – Roberto Hornero. Daniel Álvarez." Artificial Intelligence in Medicine. Carlos Zamarrón. 2008. Natalia García-Campos. Carlos Zamarrón. pp. Junio. Enero. Tomás Ortiz. 37. Diciembre. vol. 1. Universidad de Valladolid 133 Publicaciones 2006 . Daniel Alvarez. pp. pp. – Félix del Campo. "Assessment of classification improvement in patients with Alzheimer's disease based on magnetoencephalogram blind source separation. Félix del Campo. Roberto Hornero. Mayo. 1. 83-89. 2006." Biological Psychiatry. 2006. pp. Alberto Fernández. Pilar Zuluaga. Marta Navas." Annals of Biomedical Engineering. 2008. pp. 399-412. vol. vol. Daniel Álvarez. – Carlos Gómez. Jesús Poza. "Nonlinear characteristics of blood oxygen saturation from nocturnal oximetry for obstructive sleep apnoea detection. Junio. – Carlos Zamarrón Roberto Hornero. 75-85. 54. Daniel Abásolo. "Complexity analysis of spontaneous brain activity in attention-deficit hyperactivity disorder: diagnostic implications. 111-118. – Javier Escudero. Roberto Hornero. 43. Abril. "Heart rate regularity analysis obtained from pulse oximetric recordings in the diagnosis of obstructive sleep apnoea. Alberto Fernández. – Daniel Álvarez. Aceptado. Roberto Hornero. vol. "Use of the Higuchi’s fractal dimension for the analysis of MEG recordings from Alzheimer’s disease patients. Roberto Hornero. – Alberto Fernández. Daniel Abásolo. "Utility of approximate entropy from overnight pulse oximetry data in the diagnosis of the obstructive sleep apnea syndrome. Aceptado. Daniel Abásolo." Sleep and breathing. 2008. Ángela Mediavilla. Elsevier. 2007. Junio.2008 • MEG (III) – Carlos Gómez. Elsevier." Artificial Intelligence in Medicine. Carlos Zamarrón. Publicaciones 2006 . Joseph Biederman. Springer-Verlag. Javier Escudero. Javier Quintero. Alberto Fernández. IOP. Félix del Campo. "Oxygen saturation regularity analysis in the diagnosis of obstructive sleep apnea. Daniel Abásolo. Elsevier. Roberto Hornero. Roberto Hornero. Octubre." Medical Engineering and Physics." IEEE Transactions on Biomedical Engineering. 2006. 2008." Physiological Measurement. Aceptado. "Analysis of the MEG background activity in Alzheimer's disease using non-linear methods and ANFIS. 4. Félix del Campo. Carlos Gómez. Daniel Abásolo. Elsevier.

Noviembre. Aceptado. 45. Carlos Zamarrón. 34. vol. 13-24. Félix Del Campo. 46. Daniel Abásolo. Universidad de Valladolid 135 Publicaciones 2006 . Universidad de Valladolid 136 68 . Félix del Campo. – J. Roberto Hornero. 2008. Natalia Jimeno. Miguel López. – Roberto Hornero. 11. "Interpretation of the auto mutual information rate of decrease in the context of biomedical signal analysis. 2007. Miguel López. Diciembre. 2006. 2008. Charles R. Félix Del Campo. "Utility of multilayer perceptron neural network classifiers in the diagnosis of the obstructive sleep apnoea syndrome from nocturnal oximetry. Mateo Aboy. Daniel Álvarez. Roberto Hornero. "Analysis of intracranial pressure during acute intracranial hypertension using Lempel-Ziv complexity: further evidence. Application to electroencephalogram recordings. 41. pp. vol. Febrero. Daniel Abásolo. regularity and complexity of time series generated by schizophrenic patients and control subjects. 2008. Clara I." IEEE Transactions on Biomedical Engineering. 210-218. Daniel Abásolo. 92. Mateo Aboy. vol. Víctor Marcos. Daniel Abásolo. Daniel Álvarez. "Complexity analysis of arterial pressure during periods of abrupt hemodynamic changes. vol. Roberto Hornero. Abril.ICP – Mateo Aboy. Roberto Hornero. Daniel S. pp. – J.2008 • Interpretación de métodos no lineales . James McNames. "Variability. 79-89. Brahm Goldstein. Octubre. "Improving diagnostic ability of blood oxygen saturation from overnight pulse oximetry in obstructive sleep apnea detection by means of Central Tendency Measure. IOP. 2006. 2008 – Javier Escudero. pp. pp. pp. vol. 797-801. 2282-2288." Medical & Biological Engineering & Computing.2008 • Apnea Obstructiva del Sueño (II) – Daniel Álvarez. 6. "Interpretation of the Lempel-Ziv complexity measure in the context of biomedical signal analysis. Hagg. Sánchez. Jesús Poza. Elsevier. Daniel Álvarez. Publicaciones 2006 . – Roberto Hornero. 617-620. Febrero." IEEE Transactions on Biomedical Engineering. "Complex analysis of intracranial hypertension using approximate entropy. Springer." Medical & Biological Engineering & Computing. Mateo Aboy. pp. "Radial basis function classifiers to help in the diagnosis of the obstructive sleep apnoea syndrome from nocturnal oximetry. 2. – Roberto Hornero. Carlos Zamarrón. vol. pp. Daniel Abásolo." Computer Methods and Programs in Biomedicine. pp. vol. Springer. 4. María García. 2007." Artificial Intelligence in Medicine. 52." Physiological Measurement." Critical Care Medicine." IEEE Transactions on Biomedical Engineering. Carlos Zamarrón. 2006. 1. Wayne Wakeland. Víctor Marcos. 53. vol. Carlos Gómez. 87-95. Junio. Phillips. – Roberto Hornero. 53. 323-332. Roberto Hornero.

T.E.T. 47011 .uva.tel.S.S. Ingenieros de Telecomunicación Universidad de Valladolid Camino del Cementerio s/n.I.es 69 .Valladolid Teléfono: 983185570 Fax: 983423667 e-mail: robhor@tel.es http://www. de Telecomunicación Universidad de Valladolid PROCESADO DE SEÑALES BIOMÉDICAS CURSO DE DOCTORADO 2008/2009 Roberto Hornero Sánchez E.uva.gib.