Traducido del inglés al español - www.onlinedoctranslator.

com

rhhumanoBlluviaMETROapareciendo 30:1077–1086 (2009)r

Mapeo de las relaciones señal-ruido de Cortical

Fuentes en Magnetoencefalografía
y electroencefalografía

Daniel M. Goldenholz,1,2*Seppo P. Ahlfors,1,3Matti S. Hämäläinen,1,3

Dalia Sharon,1Mamiko Ishitobi,1Lucía M. Vaina,1,2,4y Steven M. Stufflebeam1,3

1Centro Athinoula A. Martinos de Imágenes Biomédicas, Hospital General de Massachusetts,

Charlestown (Massachusetts)
2Departamento de Ingeniería Biomédica, Universidad de Boston, Boston, Massachusetts
3División de Ciencias y Tecnología de la Salud de Harvard-MIT, Instituto de Tecnología de Massachusetts,
Cambridge, Massachusetts
4Departamento de Neurología, Facultad de Medicina de Harvard, Boston, Massachusetts

Abstracto:Aunque la magnetoencefalografía (MEG) y la electroencefalografía (EEG) han estado disponibles durante

décadas, sus méritos relativos todavía son objeto de debate. Examinamos las diferencias regionales en las relaciones
señal-ruido (SNR) de fuentes corticales en MEG y EEG. Se utilizaron datos de cuatro sujetos para simular fuentes focales
y extendidas ubicadas en la superficie cortical reconstruidas a partir de imágenes de resonancia magnética de alta
resolución. Se encontró que los mapas SNR para MEG y EEG eran complementarios. La SNR de las fuentes profundas
fue mayor en EEG que en MEG, mientras que normalmente ocurría lo contrario con las fuentes superficiales. En
general, los mapas SNR fueron más uniformes para EEG que para MEG. Cuando se utiliza un modelo de ruido basado
en fuentes aleatorias distribuidas uniformemente en la corteza, se encontró que la SNR en MEG estaba subestimada,
en comparación con los mapas obtenidos con ruido estimado a partir de datos reales registrados de MEG y EEG. Con
fuentes extendidas, el área total de la corteza en la que la SNR fue mayor en EEG que en MEG fue mayor que con
fuentes focales. Clínicamente, los mapas SNR en un paciente explicaron la sensibilidad diferencial de MEG y EEG para
detectar actividad epiléptica. Nuestros resultados enfatizan los beneficios de registrar MEG y EEG simultáneamente.
Mapa cerebral Hum 30:1077–1086, 2009. V2008W.iley-les,ICarolina del Norte.
C

Palabras clave:MEG; EEG; epilepsia; modelo avanzado; SNR; simulación; dipolo; corteza; cerebro

Patrocinador de la subvención del contrato: Centro Nacional de Recursos de Investigación;
Número de concesión del contrato: P41RR14074; Patrocinador de la subvención del contrato:
NIH; Números de concesión de contrato: NS37462 y NS44623; Patrocinador de la subvención
del contrato: Instituto de Descubrimiento de Neurociencias y Enfermedades Mentales
(MIND).
* Correspondencia a: Daniel Goldenholz, MGH-Martinos Center,
Building 149, 13th St., Charlestown, MA 02129.
Correo electrónico: daniel@nmr.mgh.harvard.edu
Recibido para publicación el 13 de febrero de 2007; Revisado el 17 de septiembre de
2007; Aceptado el 22 de febrero de 2008
DOI: 10.1002/hbm.20571
Publicado en línea el 8 de mayo de 2008 en Wiley InterScience
(www.interscience.wiley.com).
INTRODUCCIÓN
Aunque hay un número creciente de métodos clínicos disponibles
para observar la actividad cerebral de forma no invasiva, sólo dos
proporcionan una resolución temporal en una escala de
milisegundos con una resolución espacial de centímetros o mejor: la
electroencefalografía (EEG) y la magnetoencefalografía (MEG). A
pesar de ser generadas por fuentes neuronales similares, las
señales MEG y EEG difieren, lo que sugiere que registrar ambas
simultáneamente es beneficioso [Babiloni et al., 2004; Barkley y
Baumgartner, 2003; Iwasaki et al., 2005; Knake et al., 2006; Leijten et
al., 2003; Menor, 2004; Lin et al., 2003; Lopes da Silva et al., 1991;
Pataraia et al., 2005; Wood y otros, 1985; Yoshinaga y otros, 2002;
Zijlmans et al., 2002]. Sin embargo, en parte

VC2008W.iley-les,ICarolina del Norte.

 rGRAMOoldenholz
Debido al mayor costo de un sistema MEG, los neurofisiólogos y
médicos dudan en adoptar la tecnología, citando estudios que
concluyen que las diferencias en la precisión de la localización
de la fuente entre MEG y EEG son menores [Baumgartner 2004;
Cohen y otros, 1990; Liu y otros, 2002]. Por el contrario, aquellos
con experiencia en MEG a menudo no registran EEG
simultáneamente, confiando en la evidencia de capacidades de
localización más precisas de MEG [Hämäläinen et al., 1993;
Leahy et al., 1998], reduciendo así sustancialmente el tiempo de
preparación previa al registro requerido para cada sujeto.
Una aplicación potencial importante de la localización de
fuentes de MEG y EEG es la evaluación prequirúrgica de
pacientes epilépticos. La epilepsia afecta hasta al 1% de la
población en América del Norte [Wiebe et al., 2001].
Aproximadamente el 20% de los pacientes no logran un control
adecuado de las convulsiones con medicación; muchos de ellos
son candidatos a cirugía que puede reducir o eliminar las
convulsiones [Pataraia et al., 2002; Wiebe et al., 2001]. Los
resultados quirúrgicos mejoran al identificar y localizar picos
epilépticos en MEG y/o EEG [Ebersole y Pedley, 2002; Stefan et
al., 2003]. Un pico epiléptico debe exhibir una relación señal-
ruido (SNR) suficientemente alta para distinguirse del ruido de
fondo [Cobb, 1983; Iwasaki et al., 2005], y localizarse con
precisión [Fuchs et al., 1998; Tarkiainen et al., 2003]. La SNR de
la activación cerebral observada en EEG y MEG depende no sólo
de las características del sensor (tipo, ubicación, ruido), sino
también de la ubicación y orientación de la fuente.
Varios estudios han examinado las sensibilidades y los
valores SNR esperados de MEG y/o EEG [de Jong et al., 2005;
Fuchs y otros, 1998; Hillebrand y Barnes, 2002; Tarkiainen et
al., 2003]. El presente estudio amplía y amplía el trabajo
anterior al incorporar la forma realista de la superficie
cortical para imponer una restricción anatómica en las
ubicaciones y orientaciones de las fuentes. Examinamos la
diferencia en SNR entre MEG y EEG para cada ubicación
cortical utilizando grabaciones de ruido reales y un modelo
de ruido simple para comprender mejor la generalización de
los resultados. También comparamos la SNR de fuentes
dipolares individuales con la de fuentes de parches
corticales extendidos y relacionamos nuestros hallazgos con
la detección diferencial de picos epilépticos en MEG y EEG.
MÉTODOS
Adquisición de datos
En este estudio se incluyeron cuatro sujetos diestros (dos mujeres), de
entre 23 y 42 años. Cada uno firmó un formulario de consentimiento y
una declaración de privacidad de acuerdo con nuestra Junta Institucional
de Investigación de Sujetos Humanos y los estándares HIPAA. Se
obtuvieron imágenes de resonancia magnética (MRI) anatómicas de alta
resolución con un escáner Trio 3T [Siemens Medical Systems, Erlangen,
Alemania] utilizando secuencias de pulsos MPRAGE (tamaño de vóxel 1,3
31.031,3 milímetros3; espesor de corte 1,3 mm; TE 3,31 ms; TR 2530 ms;
brecha 50%; Campo de visión 10 cm310 cm) e imágenes FLASH (ángulo
de giro 58;espesor de corte 1,3 mm; Campo de visión 10 cm310
centímetros).
r1078r
et al.r
Los datos MEG y EEG se adquirieron simultáneamente con un
VectorviewMTsistema [Elekta-Neuromag, Helsinki, Finlandia] de 204
gradiómetros planos, 102 magnetómetros y 70 electrodos EEG (ver
Fig. 1). Se registraron dos minutos de actividad espontánea,
muestreados a 600 Hz con filtros de hardware configurados entre
0,1 y 200 Hz (sujetos 1 y 2) o entre 0,03 y 200 Hz (sujetos 3 y 4). Los
datos del EEG se transformaron a la referencia promedio del
electrodo. Se aplicó la proyección de señal-espacio (SSP) a los datos
del magnetómetro [Tesche et al., 1995] para reducir el ruido
ambiental de fondo. El subespacio de ruido para SSP se seleccionó
como el espacio tridimensional abarcado por los vectores propios
correspondientes a los tres valores propios más grandes de la
matriz de correlación de una grabación de 5 minutos de datos
recopilados sin un sujeto presente; estos corresponden
aproximadamente a los componentes de campo homogéneos, que
normalmente se originan en fuentes ambientales (por ejemplo,
vehículos en movimiento) alejadas de los sensores. Las ubicaciones
de los puntos fiduciales de la cabeza, los electrodos de EEG y las
bobinas indicadoras de la posición de la cabeza (HPI) se digitalizaron
utilizando un digitalizador 3D FastTrack [Polhemus, EE. UU.]. La
ubicación del conjunto de sensores MEG con respecto al cabezal se
determinó al comienzo de cada medición a partir de los campos
magnéticos generados por las bobinas HPI.
El modelo avanzado
Para el modelado directo, utilizamos un método de elementos
límite de tres capas de colocación lineal con valores de
conductividad: 0,3, 0,06 y 0,3 S/m para el cerebro, el cráneo y el
cuero cabelludo, respectivamente [Hämäläinen y Sarvas, 1989;
Hämäläinen et al., 1993]. A partir de la resonancia magnética se
determinó la superficie de la piel, así como las superficies interna y
externa del cráneo (ver Fig. 1). Cada superficie fue teselada con 5120
triángulos, lo que proporciona una precisión numérica adecuada
[Crouzeix et al., 1999; de Jongh, 2005; Fuchs y otros, 2001;
Tarkiainen, 2003].
La superficie cortical se reconstruyó a partir de los datos de la
resonancia magnética con aproximadamente 130.000 vértices por
hemisferio y un espaciado aproximado entre vértices de 1 mm
utilizando el software Freesurfer [Dale et al., 1999; Fischl y otros,
1999a; Fischl et al., 2001; Segonne et al., 2004]. Calculamos las
señales MEG y EEG predichas por el modelo directo para fuentes
dipolares orientadas perpendicularmente al límite de la materia
gris-blanca en cada uno de los vértices de la superficie.
Se supuso que las fuentes neuronales eran fuentes puntuales
(dipolos de corriente) o parches sincrónicamente activos. Para
fuentes dipolares, la amplitud de la fuente fue de 10 nAm; para los
parches, la intensidad de la fuente se eligió para que correspondiera
a una densidad de fuente superficial uniforme de 50 pAm/mm2
[Hillebrand y Barnes, 2002; Lu y Williamson, 1991]. Para crear
comió fuentes extendidas, la superficie cortical se dividió en
dos conjuntos completos de centroides utilizando el algoritmo
geodésico de Dijkstra ponderado por distancia [Dijkstra, 1959]. Los
parches fuente tenían radios geodésicos de 10 mm o 16 mm,
correspondientes a áreas de 3 cm.2o 8 cm2, respectivamente.
 rSNR MAps paraMEGyEEGr

Figura 1.
Configuración de sensores y superficies.A: Las ubicaciones del conjunto de sensores MEG con respecto al cabezal
(Sujeto 2).B: La ubicación de los electrodos de EEG en el cuero cabelludo.C: Representación superficial de la corteza
cerebral con el cuero cabelludo semitransparente. La segunda fila muestra las teselaciones del cuero cabelludo (D), la
superficie exterior del cráneo (mi), y la superficie interna del cráneo (F) empleado en el modelo directo de elementos
de frontera. Estas superficies fueron reconstruidas a partir de la resonancia magnética estructural. [La figura en color
se puede ver en la edición en línea, que está disponible en www.interscience.wiley.com.]

Relación señal-ruido para fuentes individuales 1999b]. El porcentaje de área cortical donde la SNR fue
mayor en MEG que en EEG se determinó calculando la
Definimos la SNR para cada ubicación de fuente (dipolo o parche
fracción de fuentes para las cualesD >0. Tenga en cuenta
extendido) en unidades de decibeles como:
que, bajo el supuesto de ruido gaussiano aditivo, promediar
ps % las pruebas evocadas equivale a agregar una constante a
a2Xb2
k;
SNR¼10registro10norte d1Þ todos los valores de SNR en MEG y EEG y, por lo tanto, no
s2
k k influirá en la diferencia.Dmapas.

dóndebkes la señal en el sensorkproporcionado por el modelo

directo para una fuente con amplitud unitaria,aes la fuente
amplitud,nortees el número de sensores, ys2 kes el ruido
variación en el sensork.
Para la comparación de MEG y EEG, la SNR diferencial se
definió como
D¼SNRMEG- SNREEG
Tenga en cuenta queDes independiente de la amplitud de la
fuentea.Si la MEG SNR excede la del EEG, entoncesD >0; en el caso
contrarioD <0. Para un mapa SNR MEG/EEG combinado, max{SNR
MEG, SNREEG} fue seleccionado en cada ubicación cortical. Se
calcularon mapas SNR de gran promedio entre los sujetos utilizando
un procedimiento de transformación esférica que se basa en la
alineación de las características de los surcos y giros [Fischl et al.,
Estimación de ruido
La variación del ruidos2 kutilizado en los cálculos de SNR fue
obtenido de dos maneras. En el primer enfoque, el ruido varía.
alianza ŝ2k;grabadopara cada sensor se estimó a partir de MEG
y registros EEG de actividad espontánea, filtrados a 0,5-100 Hz. En el
d2Þ segundo enfoque, para reducir la influencia de las idiosincrasias de
los sensores MEG y EEG presentes durante una sesión específica,
también utilizamos un modelo de ruido alternativo basado en una
actividad cerebral de fondo uniforme. El modelo asumió una
distribución espacial uniforme de fuentes de ruido independientes e
idénticas [de Munck et al., 1992], orientadas perpendicularmente al
manto cortical. Se supuso que las amplitudes de las fuentes tenían
una distribución gaussiana.
atribución con media y varianza ceros2 s. Dado que los instrumentos
El ruido de la estación suele ser sustancialmente menor que el de las señales.

r1079 r

debido a la actividad cerebral espontánea [Ebersole y Pedley,
2002; Hämäläinen et al., 1993], en nuestro modelo no se incluyó
un término de ruido de instrumentación. Bajo estos supuestos,
la variación del ruido para el sensorkes
sk2¼s2 sdAutomóvil club
británico
Þkk; t
dóndeAes la matriz de solución directa calculada para las
fuentes de ruido con amplitudes unitarias,tindica
transposición de matriz. Para el cálculo deA,Diezmamos la
densa triangulación de la corteza a un espacio entre fuentes
aproximado de 7 mm.
La variación de fuente desconocidas2 spara
se estimó a partir de la actividad registrada ŝ2
valores de ŝ2k;grabado=ðAutomóvil club británicotÞkkfueron determinados por separado
para los gradiómetros MEG, los magnetómetros MEG y los
canales EEG. Se utilizaron medianas para evitar tener en cuenta
canales atípicos o "malos". La media de los tres valores
medianos, ponderada por el número de canales en cada uno
rGRAMOoldenholz et al.r
Figura 2.
Mapas de SNR basados en el modelo de
ruido (promedio del grupo, hemisferio
izquierdo, trazado en el cerebro del Sujeto
2). La escala de colores es idéntica en cada
mapa SNR. Las estimaciones de la SNR
trazadas en la superficie cortical: SNRMEG
(primera fila), SNREEG
(segunda fila), máximo de SNRMEGy
SNREEG(tercera fila). Cuarta fila:
mapas de curvatura cortical inflados
y mapas de corteza plegada. Las
áreas convexas (circunvoluciones) y
cóncavas (paredes de los surcos) se
indican en gris claro y oscuro,
respectivamente.
tipo de sensor, se tomó como una estimación des2 s; éstas eran
encontrado similar para los cuatro sujetos (raíz cuadrada des2 s
valores: 1,6, 1,6, 1,6 y 1,9 nAm). A partir de entonces, las variaciones del sensor
alianzas ŝ2kpara MEG y EEG se calcularon con la ecuación. 3
utilizando esa estimación general de la varianza de la fuentes2 s.
d3Þ
RESULTADOS
Relación señal-ruido de fuentes dipolo
Los mapas SNR de MEG y EEG, promediados en los cuatro sujetos,
el modelo de ruido se muestran en la Figura 2. Para MEG, el mapa SNR mostró una SNR
k. la mediana alta en la mayoría de las regiones corticales superficiales, con una
SNR más baja en áreas más profundas, como los surcos en la
superficie lateral (en particular, la fisura de Silvio), la corteza
interhemisférica y partes de la corteza ventral. La SNR fue más baja
cerca del centro de la cabeza. Además, había franjas delgadas en las
crestas de las circunvoluciones con baja SNR. Estos corre-
r1080r
 rSNR MAps paraMEGyEEGr
responder a áreas donde las orientaciones de la fuente son
aproximadamente normales a la superficie cercana del cráneo. Para
EEG, el mapa SNR es mucho más uniforme que el de MEG. La SNR
del EEG fue baja en las áreas frontales inferiores, probablemente
debido a un muestreo inadecuado de la distribución del potencial
del cuero cabelludo con el conjunto de electrodos actual. Las
diferencias entre las dos modalidades sugieren que los registros
combinados pueden mejorar la SNR general de las fuentes
corticales (Fig. 2, tercera fila).
Un mapa SNR de diferencia (Dmapa, cf. 2) se muestra en la Figura
3. Las áreas profundas, como gran parte de la superficie medial de
cada hemisferio y la corteza de Silvio, y las crestas de las
circunvoluciones tuvieron una SNR más alta en el EEG. Los polos
frontal y occipital tuvieron una SNR más alta en MEG, así como la
mayoría de las regiones de la superficie lateral. Sobre la base del
modelo de ruido, el área promedio (entre sujetos y hemisferios,
excluyendo las superficies ventriculares) para la cual la SNR fue
mayor en MEG que en EEG fue aproximadamente el 40% del área
total de la corteza.
En la Figura 2 y las dos filas superiores de la Figura 3, se
utilizó el modelo de ruido. La fila inferior de la Figura 3 muestra
D mapas recalculados utilizando variaciones para cada sensor
estimadas a partir de datos registrados. El área promedio de la
corteza para la cual la SNR es mayor en MEG que en EEG fue del
55%, que es algo mayor que la calculada utilizando el modelo de
ruido. Los mapas de SNR debido al ruido registrado en MEG y
EEG (no mostrados) sugieren que el área adicional se debe a
valores de MEG SNR más altos que los predichos por el modelo
de ruido.
Fuentes extendidas
Es probable que las señales MEG/EEG surjan de zonas extensas
de corteza activa [Ebersole y Pedley, 2002]. La Figura 4 muestra
mapas de comparación generados en base a dipolos y fuentes
extendidas. El valor asignado a una ubicación de origen representa
el número de sujetos para los cualesD >0 en ese momento. Para
muchas fuentes dipolares superficiales, la SNR de MEG fue
consistentemente mayor en todos los sujetos. Este patrón cambió
con la extensión de la fuente: a medida que aumentó la extensión, el
área total de la corteza que tiene una SNR más alta en MEG se hizo
más pequeña. No obstante, varias regiones tuvieron una SNR
consistentemente mayor en MEG en todos los sujetos, incluido el
polo occipital, el lóbulo occipital inferior, el polo temporal, el lóbulo
temporal posterior y el polo frontal.
Ejemplo clínico
Para ilustrar las implicaciones prácticas de los mapas SNR,
presentamos datos de un paciente epiléptico. Se registraron MEG y
EEG simultáneamente de una mujer de 38 años con un hamartoma
hipotalámico, que padecía convulsiones parciales complejas
intratables desde los 2 años. Observamos descargas epilépticas
frecuentes independientemente de las regiones frontal-temporales
izquierda y derecha. Seleccionamos dos picos interictales que
parecían diferentes en MEG y EEG (ver Fig. 5). El primer pico (A) fue
más fácil de identificar en los trazos del EEG,
r1081r
mientras que el segundo pico (B) fue más fácil de identificar en los
rastros de MEG. Se localizaron dipolos de corriente equivalentes
basándose en el EEG para el pico A y en el MEG para el pico B.
Luego, estas ubicaciones de origen se examinaron utilizando un
mapa SNR de diferencia entre MEG y EEG para la anatomía cortical
de ese paciente para hacerpost-hocpredicciones sobre la SNR. En las
ubicaciones de los dipolos obtenidas, laDLos valores basados en el
ruido registrado predijeron las diferencias observadas entre MEG y
EEG para ambos picos. Por el contrario, el modelo de ruido basadoD
Los mapas (no mostrados) solo predijeron la diferencia de SNR para
el pico A. Esto sugiere que el modelo de ruido sobreestimó el nivel
de ruido MEG para esa sesión de grabación en particular y para esa
ubicación cortical.
DISCUSIÓN
Empleamos modelos de geometría cortical realistas para
comparar la SNR de las fuentes corticales en EEG y MEG. Se
encontró que los mapas SNR eran complementarios, lo que sugiere
que se puede lograr la SNR general más alta mediante registros
combinados de MEG y EEG. A continuación, primero analizamos el
efecto de varias suposiciones de modelado, incluidos los valores de
conductividad del tejido, la SNR promedio versus máxima, la
cantidad de sensores y las estimaciones de ruido de los sensores.
Luego consideramos la relación entre MEG y EEG y las propiedades
de las fuentes en términos de mapas SNR.
Supuestos de modelado
Nuestro modelo directo utilizó valores comúnmente citados para la
conductividad de los tejidos [Hämäläinen et al., 1993]. Un estudio
reciente [de Jongh et al., 2005] utilizó tomografía de impedancia eléctrica
[Goncalves et al., 2000] para identificar las conductividades efectivas de
las tres capas de tejido. En MEG, la inexactitud en los valores de
conductividad es una preocupación menor [Hämäläinen y Sarvas, 1989],
mientras que en EEG, las imprecisiones en la conductividad del cráneo
pueden contribuir significativamente a errores de cálculo directo [Cohen
y Cuffin, 1983; de Jongh et al., 2005; Okada y otros, 1999b; Tarkiainen et
al., 2003]. Dado que nuestras estimaciones de ruido se calcularon a partir
de los datos medidos o se compararon con las variaciones del sensor
experimental, el efecto de las incertidumbres de la conductividad en las
estimaciones de ruido fue menor. Al volver a calcular la variación de la
fuente de ruido sin EEG, en promedio la diferencia enssfue inferior al 5%
en comparación con el cálculo que incluía el EEG. Esto sugiere que la
incertidumbre en los valores de conductividad tuvo poco efecto sobre la
variación estimada de la fuente de ruido. Sin embargo, si la
conductividad real del cráneo es mayor o menor que la utilizada en
nuestro modelo directo, nuestras estimaciones de EEG SNR son
demasiado grandes o demasiado pequeñas, respectivamente.
Calculamos la SNR promedio entre canales [Fuchs et al., 1998], en
lugar del valor máximo de SNR [de Jongh et al., 2005]. Los valores
SNR promedio y máximo serán más similares para patrones de
señal generalizados que para patrones de señal focales. Por lo
tanto, es probable que nuestro uso de la SNR promedio sesgue los
mapas de diferencia de SNR hacia valores relativos más grandes
para EEG en comparación con MEG. Es importante tomar
 rGRAMOoldenholz et al.r

laboratorio. Hay pruebas que sugieren que estos proporcionan un

muestreo espacial suficiente [Ahonen et al., 1993; Grieve y otros,
2004; Lantz et al., 2003]; por lo tanto, se espera que la cantidad
exacta y la posición de los canales tengan poco efecto en los mapas
SNR.
Para examinar las características generales de los mapas SNR, utilizamos un
modelo de ruido que solo tenía en cuenta las contribuciones de fuentes de
ruido cortical distribuidas uniformemente, excluyendo la instrumentación y el
ruido ambiental. En la práctica, sin embargo, es preferible utilizar estimaciones
de ruido específicas de la sesión.

Figura 3.
Diferencia (D) Mapas SNR (promedio del grupo, hemisferio izquierdo,
trazados en el cerebro del Sujeto 2). Fila superior: diferencia (D) mapas
basados en el modelo de ruido. Fila del medio:Dmapas basados en el
modelo de ruido con umbral enD50. Rojo:D>0 (MEG mayor SNR), verde:D
<0 (EEG mayor SNR). Los surcos, las crestas estrechas de las
circunvoluciones, la ínsula y la superficie medial de la corteza indican una
SNR más alta en el EEG, mientras que otras ubicaciones muestran una
SNR más alta en el MEG. Fila inferior:Dmapas basados en el ruido
registrado con un umbral deD50.

Esto se tiene en cuenta al comparar la SNR entre diferentes tipos de

sensores. Por ejemplo, los registros diferenciales, como el EEG
bipolar o el MEG gradiométrico, tienen un patrón de señal más focal
espacialmente en comparación con el EEG de referencia promedio o
el MEG magnetométrico, respectivamente. Elegimos la SNR
promedio porque esta medida parece más relevante para la
aplicación de técnicas de localización de fuentes que generalmente
se benefician de varios sensores que exhiben una SNR alta.
Estudios anteriores coincidieron con el número y la ubicación de los
electrodos EEG y los sensores MEG [Fuchs et al., 1998; Liu y otros, 2002].
Por el contrario, comparamos un sistema MEG de 306 canales con un
sistema EEG de 70 canales, los cuales se utilizan actualmente en estudios
clínicos de pacientes epilépticos en nuestro país.
Figura 4.
Efecto de la extensión de la fuente en los mapas SNR (modelo de ruido,
promedio del grupo, hemisferio izquierdo, trazado en el cerebro del
sujeto 2). Fila superior: dipolos. Fila central: fuentes de parches
extendidas, radio510 milímetros. Fila inferior: fuentes de parches
extendidas, radio516 milímetros. El código de color indica en cada
ubicación el número de sujetos que tienen SNRMEG> SNREEG(es decirD>0).
Por ejemplo, las áreas coloreadas en amarillo exhibíanD>0 en las cuatro
materias en ese lugar. Los colores intermedios indican ubicaciones con
mayor variabilidad entre sujetos.

r1082r
 rSNR MAps paraMEGyEEGr
Figura 5.
Registro MEG y EEG de un paciente epiléptico. Izquierda, arriba: las
señales de EEG (montaje bipolar clínico estándar) y distribuciones de
potencial en los instantes de tiempo A y B. Izquierda, abajo: señales de
MEG en gradiómetros planos frontotemporales izquierdo y derecho y las
distribuciones de campo correspondientes en los momentos A y B. El
pico en El tiempo A se puede detectar más fácilmente a partir de los
datos de EEG, mientras que el pico en el momento B es más prominente
en las señales MEG. Derecha: Las ubicaciones de las fuentes de picos en
los momentos A y B estimadas con un modelo dipolar de corriente
equivalente se superponen en los mapas de diferencia SNR (verde: SNR
EEG> SNRMEG, rojo: SNRMEG> SNREEG). Se muestran mapas de la corteza pial,
así como mapas SNR ampliados en la región de la fuente dipolo. Los
mapas SNR identifican correctamente la modalidad que mejor
representa los picos en los momentos A y B respectivamente.
acoplado a partir de datos registrados. La diferencia entre los
resultados obtenidos con el modelo de ruido y el ruido registrado
puede deberse en parte al hecho de que el respaldo intrínseco
r1083r
la actividad cerebral fundamental procedente de fuentes focales
se detecta en un mayor número de sensores en EEG que en
MEG; por lo tanto, las fuentes regionales (como el ritmo alfa)
tienen una distribución espacial más similar a la de una fuente
de ruido ampliamente distribuida en EEG que en MEG. El
parpadeo, el movimiento muscular y los artefactos cardíacos no
se incluyeron porque son de naturaleza transitoria y no
aleatoria y pueden excluirse del análisis de datos o atenuarse
mediante técnicas de rechazo de ruido.
MEG y EEG
Los mapas SNR indicaron propiedades complementarias para
MEG y EEG en toda la superficie cortical, lo que sugiere que los
registros combinados pueden ser beneficiosos. La SNR de fuentes
más profundas, incluidas aquellas en la corteza medial y la ínsula,
fue mayor en EEG, mientras que la SNR de fuentes más superficiales
fue a menudo mayor en MEG. Además, las ubicaciones con
orientaciones de origen normales a la superficie interna del cráneo
(es decir, dipolos radiales), como las crestas de las circunvoluciones,
son difíciles de detectar con MEG [Barkley y Baumgartner, 2003;
Cohen, 1972; Cuffin y Cohen, 1979; Hämäläinen et al., 1993; Melcher
y Cohen, 1988; Pataraia et al., 2002]. Sin embargo, la atenuación de
MEG SNR debido a la orientación es relevante sólo en el -5% de la
superficie cortical [Hillebrand y Barnes, 2002]; la mayoría de las
diferencias pueden explicarse por consideraciones de profundidad.
Nuestros resultados son consistentes con estudios previos
donde se han observado diferencias regionales en MEG y EEG.
Varios estudios han informado que la MEG no es adecuada para
la epilepsia del lóbulo temporal mesial [Baumgartner et al.,
2000; de Jongh et al., 2005; Leitjen et al., 2003; Lin et al., 2003;
Shigeto et al., 2002]. Por el contrario, se ha observado que la
MEG puede mejorar el rendimiento diagnóstico de las fuentes
en la cara lateral del lóbulo temporal [Baumgartner et al., 2000;
de Jongh et al., 2005; Leitjen et al., 2003] y en regiones frontales
[de Jongh et al., 2005; Ossenblok y otros, 1999]. Es importante
señalar, sin embargo, que la MEG SNR puede verse afectada
críticamente por la posición del conjunto de sensores con
respecto al cabezal; en particular, se han demostrado grandes
diferencias en las señales procedentes de fuentes frontales
[Marinkovic et al., 2004].
Los mapas SNR también ayudan a comprender mejor por qué
a veces ciertos picos epilépticos se detectan sólo en una
modalidad pero no en la otra [Baumgartner et al., 2000; Iwasaki
et al., 2005; Knake et al., 2006; Leitjen et al., 2003; Lin et al.,
2003; Yoshinaga y otros, 2002; Zijlmans et al., 2002]. En
particular, como las fuentes que generan una señal MEG son,
teóricamente, sólo un subconjunto (no radial, superficial) de las
fuentes que generan una señal EEG, puede resultar contrario a
la intuición que se detecten picos en MEG pero no en EEG. Sin
embargo, no sólo la amplitud de la actividad, sino también la
magnitud del ruido afecta la detectabilidad de los picos en MEG
y EEG. De hecho, las señales que se han detectado en una
modalidad también pueden identificarse en la otra modalidad,
pero con una SNR baja [Yoshinaga et al., 2002, Zijlmans et al.,
2002]. Los datos de nuestros pacientes también lo demuestran.
 rGRAMOoldenholz
Los mapas SNR indicaron que a medida que la extensión de la
fuente creció desde un dipolo hasta fuentes extendidas de radio 10
mm (área 53 centímetros2) y 16 mm (8 cm2), el número de
ubicaciones con SNRMEG> SNREEGdisminuido. Es probable que esto
refleje una cancelación selectiva de señales de los componentes
tangenciales de la fuente [Eulitz et al., 1997]. En nuestras
simulaciones solo variamos la extensión de la fuente de la señal,
pero mantuvimos el modelo de ruido sin cambios. Por lo tanto, la
misma tendencia hacia valores SNR relativos mayores para EEG en
comparación con MEG también se encontraría con el ruido
registrado real (que es independiente del modelo fuente). Sin
embargo, si se incluyeran parches de fuente extendidos en el
modelo de ruido, se esperaría que esto compensara los cambios en
los mapas de diferencia de SNR, aumentando así la SNR relativa de
MEG en comparación con EEG.
En general, si se supone que la densidad de la fuente es
aproximadamente constante [Lu y Willamson, 1991], se espera que
un parche más grande dé como resultado señales más grandes,
aumentando así la SNR. Nuestros mapas SNR para fuentes
extendidas son consistentes con informes anteriores sobre el
tamaño de la corteza activada subyacente a las señales detectables
de EEG y MEG. Según algunas estimaciones, entre 6 y 10 cm2de la
corteza debe estar activa para que el EEG detecte señales en el
cuero cabelludo [Ebersole y Pedley, 2002; Núñez, 1990]. Un estudio
combinado de MEG y electrodo intracraneal [Baumgartner et al.,
2000] indicó que una sonda de 4 cm2parche de corteza era invisible
para MEG en el lóbulo temporal mesial, mientras que un parche de
8 cm2uno era visible. En nuestro estudio, 3 cm2(radio de 10 mm)
tenían una SNR 10 dB menor que las de 8 cm.2(radio 16 mm) fuentes
en el lóbulo temporal mesial. Sin embargo, la variabilidad entre las
ubicaciones corticales fue grande; por ejemplo, la diferencia entre 3
cm2y el de 8cm2Las fuentes en la SNR del EEG oscilaron entre menos
de 1 dB y más de 10 dB. Por lo tanto, es importante considerar no
sólo la extensión sino también la ubicación anatómica al evaluar la
detectabilidad de la activación cortical.
Implicaciones clínicas
Los resultados de este estudio tienen consecuencias prácticas en la
evaluación clínica de pacientes con epilepsia antes de la cirugía. Porque
la localización optimizada da como resultado mejores resultados
quirúrgicos [Ebersole y Pedley, 2002; Stefan et al., 2003], la localización
del foco de las crisis debe realizarse con la modalidad que tenga la SNR
más alta para la posición dada. Además, se puede emplear para probar
que la posición de la cabeza fue apropiada durante una grabación MEG.
Los valores de SNR dependen críticamente de la posición de la cabeza
[Marinkovic et al., 2004], por lo tanto, cualquier fuente focal identificada
en regiones corticales inesperadas (como un foco occipital identificado
cuando se busca un foco frontal) debe verificarse para determinar una
SNR lo suficientemente alta como para considerarla. confiable. De
manera similar, los mapas SNR se pueden utilizar como un marcador
más general de confiabilidad; por lo tanto, las posiciones de fuentes con
SNR muy baja no pueden considerarse localizadas con tanta precisión
como las fuentes con SNR alta. Cuando el ruido es alto, las señales
espurias podrían
r1084r
et al.r
dar como resultado una mayor deslocalización para regiones con baja SNR,
como en estructuras corticales profundas.
Es posible que se pueda lograr un método para un modelo
inverso combinado de MEG y EEG examinando la SNR en cada
sensor. Podría pesar canales a partir de datos MEG/EEG recopilados
simultáneamente en función de la SNR por canal. Un modelo inverso
combinado de este tipo puede mejorar la precisión porque las
estimaciones se basarán en canales afectados más directamente por
las fuentes modeladas. Los pacientes a los que se les realiza MEG
para evaluación prequirúrgica habitualmente obtienen un EEG
simultáneo; por lo tanto, los datos para una solución inversa
combinada de este tipo serían fáciles de implementar y podrían
mejorar las localizaciones.
Además, creemos que el conocimiento de los valores de SNR para
varias regiones corticales puede ser beneficioso en el desarrollo de
una técnica de estimación de fuente más rigurosa estadísticamente
para la evaluación del foco epiléptico. Un algoritmo de este tipo
utilizaría el índice de fiabilidad de los mapas SNR, así como las
medidas de error más tradicionales. El resultado sería una prueba
con una base más clínica, una que podría aclarar la importancia
relativa de la localización de una fuente de EEG/MEG en el contexto
de otras modalidades de imágenes (MRI, tomografía por emisión de
positrones, tomografía computarizada por emisión de fotón único,
MRI funcional, etc.) asignar una probabilidad de precisión a las
estimaciones fuente.
CONCLUSIONES
Los mapas SNR fueron complementarios para EEG y MEG,
mostrando diferencias regionales entre fuentes dentro de la
superficie cortical. Se descubrió que el modelo de ruido basado
únicamente en la actividad cerebral de fondo uniforme
subestima la SNR en MEG. Con fuentes extendidas, el área total
de la corteza en la que la SNR era mayor en EEG que en MEG era
mayor que con fuentes focales. Los mapas SNR ayudan a
comprender mejor por qué la actividad epiléptica en algunos
casos se detecta en una sola modalidad (EEG o MEG). Los
resultados sugieren que combinar registros de EEG y MEG es
beneficioso. Además, el uso de mapas SNR puede tener utilidad
clínica al evaluar prequirúrgicamente a pacientes con epilepsia,
tanto para optimizar la localización como para poner la
localización MEG/EEG en contexto con otras modalidades de
imágenes estructurales y funcionales.
EXPRESIONES DE GRATITUD
Agradecemos a Deirdre Foxe y Daniel Wakeman por su
asistencia técnica.
REFERENCIAS
Ahonen AI, Hämäläinen MS, Ilmoniemi RJ, Kajola MJ, Knuutila
JE, Simola JT, Vilkman VA (1993): Teoría de muestreo para conjuntos
de detectores neuromagnéticos. IEEE Trans Biomed Eng 40:859–869.
Babiloni F, Babiloni C, Carducci F, Romani GL, Rossini PM, Ange-
lone LM, Cincotti F (2004): Integración multimodal de datos EEG y
MEG: un estudio de simulación con relación señal-ruido variable y
número de sensores. Mapa cerebral de Hum 22:52–62.
 rSNR MAps paraMEGyEEGr
Barkley GL, Baumgartner C (2003): MEG y EEG en la epilepsia. j
Clin Neurofisiol 20:163–178.
Baumgartner C (2004): Controversias en neurofisiología clínica.
MEG es superior al EEG en la localización de la actividad
epileptiforme interictal: Con. Clin Neurofisiol 115:1010–1020.
Baumgartner C, Pataraia E, Lindinger G, Deecke L (2000): Neuro-
Grabaciones magnéticas en la epilepsia del lóbulo temporal. J Clin
Neurofisiol 17:177–189.
Cobb WA, editor (1983): Recomendaciones de la IFCN para la práctica
De Neurofisiología Clínica. Ámsterdam: Elsevier. Cohen D (1972):
Magnetoencefalografía: detección de la
la actividad eléctrica del cerebro con un magnetómetro
superconductor. Ciencia 175:664–666.
Cohen D, Cuffin BN (1983): Demostración de diferencias útiles
entre magnetoencefalograma y electroencefalograma.
Electroencefalograma Clin Neurophysiol 56:38–51.
Cohen D, Cuffin BN, Yunokuchi K, Maniewski R, Purcell C, Cos-
grove GR, Ives J, Kennedy JG, Schomer DL (1990): prueba de
localización MEG versus EEG utilizando fuentes implantadas en el
cerebro humano. Ann Neurol 28:811–817.
Crouzeix A, Yvert B, Bertrand O, Pernier J (1999): una evaluación
de la precisión de la reconstrucción de dipolos con modelos de cabeza
esféricos y realistas en MEG. Clin Neurofisiol 110:2176–2188.
Cuffin BN, Cohen D (1979): Comparación del magnetoencefalo-
gramo y electroencefalograma. Electroencefalogr Clin
Neurophysiol 47:132–146.
Dale AM, Fischl B, Sereno MI (1999): análisis basado en la superficie cortical
hermana. I. Segmentación y reconstrucción de superficies Neuroimagen
9:179–194.
de Jongh A, de Munck JC, Goncalves SI, Ossenblok P (2005): Dif-
Las diferencias en los rendimientos de picos epilépticos de MEG/EEG se explican
por diferencias regionales en las relaciones señal-ruido. J Clin Neurofisiol 22:153–
158.
de Munck JC, Vijn PC, Lopes da Silva FH (1992): un dipolo aleatorio
Modelo de actividad cerebral espontánea. IEEE Trans Biomed Eng
39:791–804.
Dijkstra EW (1959): Una nota sobre dos problemas relacionados con
gráficos. Matemática numérica 1.269–271.
Ebersole JS, Pedley TA, editores (2002): Práctica actual de la clínica
Electroencalografía. Filadelfia: Lippincott Williams & Wilkins.
pág.974.
Eulitz C, Eulitz H, Elbert T (1997): Resultados diferenciales de
Magneto y electroencefalografía para el análisis de la cognición
humana. Neurosci Lett 227:185–188.
Fischl B, Sereno MI, Dale AM (1999a) Análisis basado en la superficie cortical
hermana. II: Inflación, aplanamiento y un sistema de coordenadas basado en
superficies. Neuroimagen 9:195–207.
Fischl B, Sereno MI, Tootell RB, Dale AM (1999b) Alta resolución
promedio intersujeto y un sistema de coordenadas para la superficie
cortical. Mapa cerebral Hum 8:272–284.
Fischl B, Liu A, Dale AM (2001): Cirugía múltiple automatizada:
Construcción de modelos geométricamente precisos y topológicamente
correctos de la corteza cerebral humana. IEEE Trans Med Imaging 20:70–
80.
Fuchs M, Wagner M, Wischmann HA, Kohler T, Theissen A,
Drenckhahn R, Buchner H (1998): Mejora de las reconstrucciones de
fuentes combinando datos bioeléctricos y biomagnéticos.
Electroencéfalogr Clin Neurophysiol 107:93–111.
Fuchs M, Wagner M, Kastner J (2001): método del elemento límite
Modelos de conductores de volumen para la reconstrucción de fuentes de EEG.
Clin Neurofisiol 112:1400–1407.
Gonçalves S, de Munck JC, Heethaar RM, Lopes da Silva FH, van
Dijk BW (2000): La aplicación de la impedancia eléctrica tomog-
r1085r
Rafía para reducir errores sistemáticos en el estudio de simulación de problemas
inversos de EEG. Physiol Medidas 21:379–393.
Grieve PG, Emerson RG, Isler JR, Stark RI (2004): Cuantitativo
Análisis del error de muestreo espacial en el electroencefalograma de
bebés y adultos. Neuroimagen 21:1260–1274.
Hämäläinen MS, Sarvas J (1989): Geometría de conductividad realista
Modelo de cabeza humana para interpretación de datos
neuromagnéticos. IEEE Trans Biomed Eng 36:165–171.
Hämäläinen MS, Hari R, Ilmoniemi RJ, Knuutila J, Lounasmaa O
(1993): Magnetoencefalografía: teoría, instrumentación y aplicaciones
a estudios no invasivos del cerebro humano en funcionamiento. Rev.
Física moderna 65:1–93.
Hillebrand A, Barnes GR (2002): Una evaluación cuantitativa de la
sensibilidad del MEG de toda la cabeza a la actividad en la corteza humana
adulta. Neuroimagen 16:638–650.
Iwasaki M, Pestana E, Burgess RC, Luders HO, Shamoto H, Naka-
sato N (2005): Detección de actividad epileptiforme por intérpretes
humanos: comparación ciega entre electroencefalografía y
magnetoencefalografía. Epilepsia 46:59–68.
Knake S, Halgren E, Shiraishi H, Hara K, Hamer HM, Grant PE,
Carr VA, Foxe D, Camposano S, Busa E, Witzel T, Hämäläinen MS,
Ahlfors SP, Bromfield EB, Black PM, Bourgeois BF, Cole AJ,
Cosgrove GR, Dworetzky BA, Madsen JR, Larsson PG, Schomer
DL, Thiele EA , Dale AM, Rosen BR, Stufflebeam SM (2006): El
valor de MEG y EEG multicanal en la evaluación prequirúrgica de
70 pacientes con epilepsia. Epilepsia Res 69:80–86.
Lantz G, Grave de Peralta R, Spinelli L, Seeck M, Michel CM (2003):
Localización de fuentes epilépticas con EEG de alta densidad:
¿Cuántos electrodos se necesitan? Clin Neurofisiol 114:63–69.
Leahy RM, Mosher JC, Spencer ME, Huang MX, Lewine JD (1998):
Un estudio de la precisión de la localización de dipolos para MEG y EEG
utilizando un fantasma de cráneo humano. Electroencefalograma Clin
Neurophysiol 107:159–173.
Leijten FS, Huiskamp GJ, Hilgersom I, Van Huffelen AC (2003):
Imágenes de fuente de alta resolución en la epilepsia del lóbulo
mesiotemporal: una comparación entre MEG y EEG simultáneo. J
Clin Neurofisiol 20:227–238.
RP menor (2004): MEG: Bastante bien. Clin Neurofisiol 115:995–
997.
Lin YY, Shih YH, Hsieh JC, Yu HY, Yiu CH, Wong TT, Yeh TC,
Kwan SY, Ho LT, Yen DJ, Wu ZA, Chang MS (2003): Rendimiento
magnetoencefalográfico de picos interictales en la epilepsia del lóbulo
temporal. Comparación con registros de EEG del cuero cabelludo.
Neuroimagen 19:1115–1126.
Liu AK, Dale AM, Belliveau JW (2002): simulación de Montecarlo
Estudios de precisión de localización de EEG y MEG. Mapa cerebral de
Hum 16:47–62.
Lopes da Silva FH, Wieringa HJ, Peters MJ (1991): Localización de fuentes
ción de EEG versus MEG: comparación empírica utilizando respuestas
evocadas visualmente y consideraciones teóricas. Brain Topogr
4:133–142.
Lu ZL, Williamson SJ (1991): Extensión espacial de la sensibilidad sensorial coherente.
evoca actividad cortical. Exp Brain Res 84:411–416. Marinkovic K, Cox
B, Reid K, Halgren E (2004): Posición de la cabeza en
El casco MEG afecta la sensibilidad a las fuentes anteriores.
Neurol Clin Neurofisiol 30:30.
Melcher JR, Cohen D (1988): Dependencia del MEG del dipolo
orientación en la cabeza del conejo. Electroencefalograma Clin
Neurophysiol 70:460–472.
Nunez PL (1990): Localización de la actividad cerebral con electroencefalo-
lografía. En: Sato S, editor. Avances en neurología, vol. 54.
Magnetoencefalografía. Nueva York: Raven Press. págs. 39–65.
 rGRAMOoldenholz
Okada Y, Lahteenmaki A, Xu C (1999b) Comparación de MEG y
EEG basado en respuestas somáticas evocadas provocadas por la
estimulación del hocico en cerdos juveniles. Clin Neurofisiol
110:214–229.
Ossenblok P, Fuchs M, Velis DN, Veltman E, Pijn JP, da Silva FH
(1999): Análisis de fuentes de epilepsia lesional del lóbulo frontal. IEEE
Eng Med Biol Mag 18:67–77.
Pataraia E, Baumgartner C, Lindinger G, Deecke L (2002): Magne-
toencefalografía en la evaluación prequirúrgica de la epilepsia.
Neurocirugía Rev 25:141–159; discusión 160–161.
Pataraia E, Lindinger G, Deecke L, Mayer D, Baumgartner C
(2005): Análisis combinado MEG/EEG del complejo de puntas interictales en
la epilepsia del lóbulo temporal mesial. Neuroimagen 24:607–614.
Segonne F, Dale AM, Busa E, Glessner M, Salat D, Hahn HK,
Fischl B (2004): Un enfoque híbrido para el problema de extracción del cráneo en
resonancia magnética. Neuroimagen 22:1060–1075.
Shigeto H, Morioka T, Hisada K, Nishio S, Ishibashi H, Kira D,
Tobimatsu S, Kato M (2002): Viabilidad y limitaciones de la
detección magnetoencefalográfica de descargas epilépticas:
registro simultáneo de campos magnéticos y
electrocorticografía. Neurol Res 24:531–536.
Stefan H, Hummel C, Scheler G, Genow A, Druschky K, Tilz C,
Kaltenhauser M, Hopfengartner R, Buchfelder M, Romstock J
r1086r
et al.r
(2003): Imágenes de fuente cerebral magnética de la actividad epiléptica
focal: una sinopsis de 455 casos. Cerebro 126:2396–2405.
Tarkiainen A, Liljeström M, Seppä M, Salmelin R (2003): El 3D
Topografía de la precisión de la localización de la fuente MEG: efectos
del modelo del conductor y el ruido. Clin Neurofisiol 114:1977–1992.
Tesche CD, Uusitalo MA, Ilmoniemi RJ, Huotilainen M, Kajola M,
Salonen O (1995): Las proyecciones en el espacio de señales de datos MEG
caracterizan fuentes neuronales tanto distribuidas como bien localizadas.
Electroencefalogr Clin Neurophysiol 95:189–200.
Wiebe S, Blume WT, Girvin JP, Eliasziw M (2001): estudio aleatorizado,
ensayo controlado de cirugía para la epilepsia del lóbulo temporal. N Engl J
Med 345:311–318.
Wood CC, Cohen D, Cuffin BN, Yarita M, Allison T (1985): Eléctrico
Fuentes en la corteza somatosensorial humana: identificación mediante
grabaciones magnéticas y potenciales combinadas. Ciencia 227:1051–1053.
Yoshinaga H, Nakahori T, Ohtsuka Y, Oka E, Kitamura Y, Kir-
iyama H, Kinugasa K, Miyamoto K, Hoshida T (2002): Beneficio de
la grabación simultánea de EEG y MEG en localización dipolar.
Epilepsia 43:924–928.
Zijlmans M, Huiskamp GM, Leijten FS, Van Der Meij WM, Wie-
neke G, Van Huffelen AC (2002): Identificación de picos de
modalidad específica en magnetoencefalografía/
electroencefalografía simultánea: un enfoque metodológico. J
Clin Neurofisiol 19:183–191.