Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
1 Aplicación del método de Hilbert-Huang a señales biológicas en el campo de la neurología: descripción y aspectos metodológicos. Mario Estévez Báez1, Calixto Machado Curbelo2, Eduardo Arrufat-Pié3, Aisel Santos Santos4 La Habana, Cuba Octubre de 2017 Dirección para la correspondencia: Instituto de Neurología y Neurocirugía, Departmento de Neurofisiología Clínica, 29 y D, Vedado, La Habana 10400, Cuba. Tel./fax: +837-834 5578 e-mail address: marioestevez@infomed.sld.cu (M. Estévez Báez) 1 Doctor en Medicina, Especialista de Fisiología de Primer y Segundo Grados, Profesor e Investigador Titular, Doctor en Ciencias Médicas, Académico Titular de la IAA, Instituto de Neurología y Neurocirugía. 2 Doctor en Medicina, Especialista de Fisiología Normal y Patológica de Primer Grado, Especialista de Neurología de Segundo Grado, Profesor e Investigador Titular, Doctor en Ciencias, Investigador de Mérito, Académico Titular de la ACC, Instituto de Neurología y Neurocirugía. 3 Doctor en Medicina, Residente de Fisiología de Tercer Año, Instituto Superior de Ciencias Médicas de La Habana, “Victoria de Girón”. 4 Doctor en Medicina, Especialista de Primer Grado en MGI y Neurología, Master en Ciencias, Profesor Auxiliar, Instituto de Neurología y Neurocirugía. Resumen: El análisis espectral constituye un método extensamente utilizado para el procesamiento digital de diferentes señales de interés como el EEG, el ECG y la variabilidad de la frecuencia cardiaca. Los procedimientos más utilizados están asociados a los métodos de Fourier, que estrictamente hablando, requieren que los procesos estudiados sean gaussianos, lineales y estacionarios, lo que realmente no se cumple para estas señales. El método de Hilbert-Huang (HH) constituye un novedoso abordaje que brinda una solución metodológica a las anteriores limitaciones y que en los últimos años ha comenzado a ser introducido en el campo de las neurociencias. En el trabajo se describen los métodos alternativos que más han sido empleados para afrontar la falta de linealidad y estacionariedad de las señales, señalando sus posibilidades y limitaciones, y luego se describe en detalles el método de HH, abordándose los aspectos teóricos y de carácter metodológico que se han de tomar en cuenta para el uso adecuado del mismo para la evaluación del contenido espectral de señales biológicas de tan alto significado clínico- fisiológico para las neurociencias. Palabras clave: Empirical mode decomposition Hilbert-Huang transform Spectral analysis EEG Nonlinear methods mailto:marioestevez@infomed.sld.cu 2 Introducción El procesamiento digital de señales biológicas generadas por diferentes estructuras del sistema nervioso del hombre y los animales, ha hecho posible en gran medida el desarrollo alcanzado por las neurociencias. Múltiples escollos han tenido que ser debidamente evitados y las posibles limitaciones en el alcance de los resultados alcanzados, podrían en cierta medida estar vinculados a los métodos de análisis utilizados y especialmente a sus posibilidades y limitaciones. Probablemente, uno de los problemas que ha incidido con mayor relevancia, esté dado por la naturaleza de los procesos biológicos que son responsables de la información que portan muchas de estas señales biológicas. Múltiples evidencias existen que demuestran que la mayoría de los procesos biológicos generados por el sistema nervioso poseen gran complejidad. Por solo mencionar algunas de ellas: se ha reportado que el electroencefalograma (EEG) muestra en su estructura la existencia de componentes que reflejan procesos no lineales (Pritchard et al. , 2000, Li et al. , 2009, Pradhan et al. , 2012, Wang et al. , 2015), ha sido cuestionada la estructura gaussiana de la misma (McEwen et al. , 1975, Persson, 1977, Bender et al. , 1992, Kipinski et al. , 2011, Wang et al. , 2015), así como que esta señal contiene elementos no estacionarios (McEwen et al. , 1975, Persson, 1977, Pritchard et al. , 2000, Guarín et al. , 2011, Kipinski et al. , 2011). De igual manera, son variadas las evidencias de no linealidad (Acharya et al. , 2004, Faes et al. , 2009, Chen et al. , 2010, Silva et al. , 2017) y no estacionariedad (Weber et al. , 1992, Faes et al. , 2009, Magagnin et al. , 2011) en la variabilidad de la frecuencia cardiaca (VFC), una señal que se deriva del electrocardiograma (ECG) y que está asociada con la actividad de la regulación cronotrópica por parte del sistema nervioso autónomo al sistema cardiovascular y específicamente al corazón. El estudio de las señales biológicas a las que antes nos hemos referido, ha logrado sus resultados más significativos en los estudios realizados en el dominio de la frecuencia, donde sin dudas, el método del análisis de Fourier ha resultado la piedra angular. No obstante, como han enfatizado Norden Huang y sus colaboradores (Huang et al. , 1998) este método “…posee cruciales restricciones: el sistema en estudio tiene que ser lineal y los datos que se someten al análisis tienen también que ser estrictamente periódicos o estacionarios; de no ser así, los espectros resultantes tendrían poco sentido físico”. Para evitar estas restricciones, se han tenido que crear diferentes convenciones, tales como la definición de la duración de tiempo de la señal que puede ser considerada al menos como casi estacionaria, la estricta observancia de determinadas condiciones estandarizadas para las sesiones de registro, la comprobación de la estacionariedad de las señales registradas mediante pruebas específicas antes de poder aplicar el método de Fourier (Weber et al. , 1992, Guarín et al. , 2011, Kipinski et al. , 2011), e incluso la utilización de métodos alternativos como el uso de espectros de estadígrafos de orden superior (en lengua inglesa “higher order statistics/spectra”) (Chua et al. , 2010, Shahid et al. , 2011, Pradhan et al. , 2012). 1.2 Breve descripción de algunos métodos alternativos. 1.2.1 El espectrograma Varios métodos han sido estudiados y aplicados para enfrentar la presencia de no estacionariedad de estas señales. Uno de los primeros intentos fue el método del espectrograma, o transformada de Fourier de corta duración (short-time Fourier transform), o también llamado método de Gabor. Del total de muestras de una señal que va a ser analizada, se selecciona una ventana con una duración obviamente inferior a la duración total del registro y se calcula para la misma su espectro usando el algoritmo que se desee ― generalmente se utiliza el periodograma clásico modificado por una ventana como la de Hamming. Posteriormente, se desplaza el inicio de la ventana por un corto espacio de tiempo de las muestras originales del registro y se calcula nuevamente su espectro. Sucesivamente se van obteniendo así espectros que están separados unos de otros por un mismo periodo de tiempo: el desplazamiento que se ha seleccionado emplear. Con ellos se crea un diagrama tridimensional donde se pueden observar las fluctuaciones espectrales (frecuencia y amplitud o potencia espectrales) contra el tiempo. Figura 1. Espectrograma de las fluctuaciones espectrales de la variabilidad de la frecuencia cardiaca evaluada en una paciente durante los treinta minutos ulteriores a haber sido declarada oficialmente en estado de muerte encefálica. La figura ilustra el empleo del método del espectrograma, o método de Gabor, para poner en evidencia los cambios de las frecuencias espectrales en función del tiempo. Este método fue el primero de los llamados métodos espectrales de tiempo-frecuencia. Este resultado fue objeto de publicación en Machado, C., Estevez, M., Perez-Nellar, J., & Schiavi, A. (2015). Residual vasomotor activity assessed by heartrate variability in a brain-dead case. BMJ Case Rep, 2015. 3 Figura 3. Ilustración del empleo del espectrograma para mostrar el efecto sobre el sistema nervioso autónomo del Zolpidem en siete pacientes en estado vegetativo persistente. Las flechas en cada diagrama indican el momento de administración del fármaco. En todos los casos puede apreciarse el efecto vagolítico del medicamento. Estos resultados fueron objeto de publicación en el trabajo Machado, C., Estévez, M., Rodríguez, R., Pérez Nellar, J., Chinchilla, M., Defina, P., et al. (2014). Zolpidem Arousing Effect in Persistent Vegetative State Patients: Autonomic, EEG and Behavioral Assessment. Current Pharmaceutical Design, 20(26), 4185-4202. En las Figuras 1, 2 y 3 se muestran algunos de estos diagramas que han sido parte de trabajos publicados por nuestro colectivo de autores (Estévez et al. , 2012, Machado et al. , 2014, Machado et al. , 2015). Los resultados que son capaces de ser puestos en evidencia mediante el uso del espectrograma dependen en gran medida de los valores seleccionados por el usuario para el proceso, quien debe decidir la duración de la ventana y con ello dejar fijadas la resolución espectral y las posibles bandas de frecuencia a estudiar, el tiempo o número de muestras a usar para desplazar la ventana, lo que determinará la posible presencia o no de eventos en el tiempo, el algoritmo para el cálculo del espectro (paramétrico, no paramétrico, u otros más modernos), y otros más. En fin, un usuario con poco conocimiento técnico del método puede dejar de advertir cambios que sí existieron durante el registro, o mostrar resultados que no tienen sentido para la clínica o la fisiología. 1.2.2 Uso de distribuciones tiempo-frecuencia. Con posterioridad al anterior método se comenzaron a utilizar otros procedimientos de tiempo-frecuencia que están basados en otras distribuciones tales como la de Wigner-Ville, la de Kirkwood- Rihaczek, la de Levin, la exponencial o de Choi-Williams, la Sinc o de Born-Jordan y otras. Muchas de ellas son llamadas distribuciones de Cohen. En la práctica, y en opinión nuestra, en el campo de señales en neurociencias no han aportado nada nuevo con respecto al espectrograma, por lo cual no profundizaremos en su descripción. Para los interesados hay una monografía al respecto que incluye amplia información (Boashash, 2003). 1.2.3 Pequeñas ondulaciones (“wavelets”). Otro método de mayores potencialidades dentro del grupo de los llamados de tiempo-frecuencia es el de las pequeñas ondulaciones u ondículas (“wavelets” en lengua inglesa). En nuestra lengua es de uso generalizado llamar al procedimiento con su denominación original de wavelets y así lo haremos en este documento. El gran inconveniente del método de Fourier para el análisis de frecuencias está dado por el hecho de que al producirse la transformación de los datos originales (que tienen como dimensiones al tiempo y los valores de amplitud o intensidad de la señal) al dominio de la frecuencia, se pierde la dimensión tiempo, quedando entonces solo la dimensión amplitud-intensidad, que aparece como valores de potencia y las frecuencias espectrales discretas a que las mismas corresponden. Usando las wavelets es posible lograr una descomposición de la señal original sin perder la información de la dimensión tiempo. Una wavelet no es más que una onda de duración limitada y cuyo valor promedio de voltaje es cero. La transformada continua de las wavelets puede definirse como la suma para todo el tiempo que dura la señal de sus valores multiplicados por las versiones escaladas y 4 desplazadas de la wavelet seleccionada. Este proceso crea coeficientes que son función de escala y de posición. Hay que tener en cuenta que los resultados obtenidos van a depender entre otras muchas cosas de la wavelet escogida y es necesario decir que existen numerosísimas familias de wavelets que llevan el nombre de sus creadores (Daubechies, Coiflet, Meyer, etc.) o de la forma de las propias wavelets (por ejemplo, sombrero mejicano). Aunque a primera vista el método de las wavelets puede mostrarse sencillo e intuitivo, en el trasfondo subyace un complejo proceso matemático, que exige del investigador una preparación avanzada. Para algunas de las wavelets, como las de Morlet, su fundamento está directamente asociado al método de Fourier, por lo cual la interpretación física adecuada solo resulta posible si el fenómeno en estudio es estrictamente de naturaleza lineal. El software Matlab posee una serie de herramientas muy útiles que permiten con cierta rapidez al investigador introducirse en el uso de estos procedimientos, que debemos decir sin embargo, que no han sido muy usados por investigadores de las neurociencias en nuestro país. Nuestro grupo de trabajo solo las ha empleado ocasionalmente, aunque debemos reconocer que con excelentes resultados. De todos los métodos alternativos a los que nos referimos en este trabajo, es el que reúne las mejores condiciones para enfrentar la no estacionariedad y no linealidad de los procesos en las señales que más estudiamos (EEG, ECG, VFC), pero también es el más complejo de aplicar y de interpretar. 1.2.3 Otros métodos. Han sido utilizados otros métodos tales como la estimación de tendencias por medio de mínimos cuadrados, el empleo de ventanas de promedios deslizantes y el uso de la diferenciación para tratar de obtener datos estacionarios. Estos métodos, no obstante, aunque útiles, resultan muy especializados y no han sido extensamente utilizados (Huang et al. , 1998). 1.3 Método propuesto por Norden Huang y colaboradores. En 1998 fue publicada la descripción de un nuevo método concebido para poder ser utilizado en el análisis digital de señales en cuya generación biológica estuviesen implicados procesos no lineales y no estacionarios (Huang et al. , 1998). La publicación se realizó en una prestigiosa revista “Proceedings of the Royal Society A” de la Sociedad Real de Ciencias Matemáticas, Físicas y de Ingeniería de Gran Bretaña y los autores y coautores pertenecían a instituciones de alto prestigio, tales como el Centro de Vuelos Espaciales Goddard de la NASA, la Universidad John Hopkins, el Laboratorio de Procesos de la Hidrosfera de la NASA, el Laboratorio para Estudios Navales de los EEUU y el Centro de Guerra Naval de los EEUU, entre otros. Este trabajo describió un método, ya evidentemente desarrollado y aplicado en campos muy alejados al de la Biología, pero por su alcance generó “un antes y un después” (criterio personal nuestro) en el universo del procesamiento digital de señales. Nuestro grupo de trabajo comenzó a familiarizarse con esta nueva manera de concebir el procesamiento de las señales con las que hemos trabajado en el transcurso de nuestra vida como investigadores de las neurociencias, a partir del año 2014 y presentó sus experiencias iniciales en el año 2015, en un evento internacional auspiciado por nuestro Instituto de Neurología y Neurocirugía: el VII Simposio Internacional sobre muerte cerebral y trastornos de conciencia, en su conferencia inaugural, la cual fue titulada “Incorporando nuevos métodos del procesamiento digital de señales a los métodos electrofisiológicos tradicionales en pacientes con trastornos de conciencia y muerte encefálica” (Estévez et al. , 2015). A partir de aquel momento se continuó profundizando en el desarrollo de diferentes materiales de software para el procesamiento de distintas señales específicas y acumulando resultados que ya han servido para la preparación y envío para publicación de diferentes trabajos a revistas internacionales (Estévez-Báez et al. , 2017, Machado et al. , 2017), así como para fundamentar el desarrollo de nuevos protocolos de investigación donde se puedan introducir los mismos para beneficiode nuestros pacientes y del desarrollo del conocimiento científico en el campo específico que aborda nuestra institución. 2. Descomposición empírica modal 2.1 Generalidades. La descomposición empírica modal es la piedra angular del método propuesto por Huang y sus colaboradores (Huang et al. , 1998). Para la aplicación del mismo se hace necesario que la señal que se analiza cumpla con tres supuestos: 1. Que posea al menos dos extremos, uno máximo y otro mínimo. 2. Que la escala de tiempo característica esté definida por el lapso de tiempo entre extremos. 3. Que si los datos careciesen de extremos y contuviesen solamente puntos de inflexión, pudiesen ser sometidos al proceso de diferenciación una o más veces para poner en evidencia los extremos. Estos supuestos son perfectamente cumplidos por las señales biológicas que hemos explorado en nuestros estudios y que son el electroencefalograma, el electrocardiograma, el tacograma de las secuencias consecutivas de intervalos cardiacos R-R, el electronistagmograma y la fotopletismografía. La descomposición de la señal en componentes que reciben el nombre de funciones intrínsecas modales (en lengua inglesa intrinsic mode functions) se efectúa a través de un procedimiento que los creadores del método bautizaron como tamizado (sifting en lengua inglesa). Si denominamos como X(t) a nuestra señal, los pasos a seguir para la operación de tamizado implican los siguientes pasos: Identificar los extremos en la señal X(t), tanto los superiores o máximos e inferiores o mínimos. Obtener mediante interpolación de los extremos máximos y mínimos identificados (usando el método de las “cubic splines”) la envoltura superior e inferior de la señal, que podemos expresar como E(Mx) y E(Mn). Calcular la media de los valores de la envoltura superior e inferior 2/MnEMxEtM (2.1) Extraer mediante sustracción el posible candidato a componente modal, D(t) tMtXtD (2.2) 5 Si no se cumplen las condiciones para considerar al valor extraído como un componente modal, continuar iterando, aplicando los pasos anteriores, pero considerando en cada caso como señal, al valor de la señal original menos los valores sucesivamente extraídos. Cuando se ha logrado extraer un componente modal que reúna las condiciones exigidas se efectúa la substracción del valor de ese componente de la señal original y se inicia de nuevo el proceso de tamizado para encontrar un próximo componente modal y así sucesivamente. Al llegarse al final del proceso, se habrán extraído diferentes componentes modales que podríamos denominar como C1, C2,…, Cn y quedará un residuo, que podemos denominar como Rs. En la Figura 4 hemos ilustrado el proceso de tamizado para mejor comprensión. Hay aspectos que no han quedado debidamente definidos en el algoritmo del proceso de tamizado (sifting) que hemos anteriormente detallado y pasaremos a precisarlos en el próximo acápite. 2.2 Componentes intrínsecos modales (IMFs). Un componente modal, o utilizando la terminología original de sus creadores, una función intrínseca modal, que llamaremos siguiendo las siglas inglesas como IMF, tiene que reunir dos condiciones para poder ser así considerado: 1. Para todo el conjunto de datos que componen al componente modal la suma de los extremos (superiores e inferiores) tiene que ser igual al número de cruces por cero observados en la curva, o diferir cuando más en 1. 2. En todos los puntos el valor medio de las envolventes calculadas a partir de los máximos y los mínimos tiene que ser cero. La primera condición resulta similar a los requerimientos tradicionales que debe poseer un proceso gaussiano estacionario de banda estrecha. La segunda condición fue una nueva idea de Huang et al. (Huang et al. , 1998) “… el mismo modifica el requerimiento clásico global a uno local; es necesario que la frecuencia instantánea no tenga fluctuaciones indeseadas inducidas por formas de onda asimétricas”. Como también expresaron literalmente estos autores, el nuevo método, a diferencia de casi todos los anteriores utilizados para analizar fenómenos no lineales y no estacionarios, resulta “intuitivo, directo, a posteriori y adaptable (adaptive en lengua inglesa) con la base de la descomposición basada en y derivada de los datos”. Figura 4. Ilustración del proceso de tamizado (sifting) que emplea el método de la descomposición empírica modal. En A se muestra la señal original correspondiente a 2048 muestras del tacograma de un sujeto sano, correspondientes a 5 minutos de registro del electrocardiograma. Al tacograma original se le ha eliminado la media, como parte del pre-procesamiento de esas señales, por lo cual se pueden observar valores positivos y negativos. En B se muestra la curva que contiene los valores de la envolvente o perfil (envelope en lengua inglesa) de la curva, calculada mediante el método de interpolación de los valores máximos de la señal (línea de color rojo), así como la envoltura o perfil calculado para los mínimos de la señal (línea de color azul). En C se muestra con color verde el resultado de promediar punto a punto los valores correspondientes a las envolventes de los valores máximos y de los mínimos en la envoltura o perfil de la señal. En D se muestra el resultado de la operación de restar los valores de la curva obtenida en C, de la señal original mostrada en A. El proceso de tamizado persigue dos grandes objetivos: la eliminación de ondas superpuestas (riding waves) y lograr que los perfiles de las ondas sean mucho más simétricos. Si utilizamos la nomenclatura que utilizaron Huang et al en su trabajo, la media de las envolventes (envelopes) superior e inferior se puede denominar m1 y la diferencia entre los datos originales y m1 sería el primer componente del tamizado que podría denominarse como h1, o sea, 111 hmtX (2.3) 6 Al proseguir el tamizado se utiliza a h1 como los datos, obteniéndose que 11111 hmh (2.4) El proceso se repite k veces hasta que h1k cumpla los requisitos de una función intrínseca modal, o sea, kkk hmh 1111 (2.5) Podemos entonces designar a este componente modal como c1 khc 11 (2.6) Se puede separar entonces a c1 del resto de los datos 11 rctX (2.7) Como este residuo r1 contiene aún información de otros componentes modales se le considera como los nuevos datos a procesar y se somete al tamizado. Al repetirse este proceso un número dado de veces el resultado será nnn rcrrcr 1221 ,..., (2.8) El proceso de tamizado se detiene cuando concurren dos posibles situaciones: el componente cn o el residuo rn son muy pequeños o que el residuo rn se convierte en una función monotónica de la cual no se puede ya extraer un nuevo componente modal. Tomando en cuenta las expresiones 2.7 y 2.8 se arriba a una importante expresión n i ni rctX 1 (2.9) La misma nos informa de la cualidad que tiene el proceso de reconstruir la señal original a partir de la sumatoria de los componentes modales extraídos con el residuo final. Otro aspecto que no habíamos dejado aclarado tampoco hasta ahora es el criterio del momento en el cual podemos detener el proceso de tamizado y considerar que se ha detectado un componente modal. Este criterio debe garantizar que los componentes modales conserven suficiente sentido físico tanto en las modulaciones observadas de amplitud y frecuencia. El criterio más usado y que fue originalmente descrito por Huang et al fue limitando el valor de la desviación estándar calculada entre dos tamizados sucesivos mediante la siguiente expresión, a valores entre 0.2 a 0.3. T t k kk th thth DS 0 2 )1(1 2 1)1(1 )( )()(( 2.10 Figura 5. Ilustracióndel proceso de extracción de componentes modales, utilizando algoritmos propios, de una secuencia de intervalos R-R del electrocardiograma en un sujeto sano. Solo se muestran los primeros 5 componentes modales, llamados IMFs en la lámina, y no se incluyó tampoco por supuesto el residuo final del proceso. En un periodo inicial desarrollamos diferentes versiones algorítmicas en Matlab para efectuar el proceso de tamizado exigido para la descomposición empírica modal. Probamos diversos abordajes con mayor o menor éxito, pero logrando sobre todo con ello profundizar en las sutilezas de los problemas de implementación. Usamos incluso otros métodos para el proceso de interpolación con el fin de calcular las envolventes de las señales analizadas y entre ellos el uso del método cúbico de Hermite, hasta que pudimos comprender la conveniencia y diríamos mejor exigencia del empleo de cubic splines para el proceso de interpolación como habían ya señalado Huang et al. En las Figuras 5, 6 y 7 se muestran algunas ilustraciones acerca del proceso de extracción de componentes modales utilizados en una etapa inicial por nosotros utilizando algoritmos propios. En la Figura 6 se puede advertir la relación de la amplitud de los componentes extraídos respecto a los valores de amplitud de la señal original. En la Figura 7 se muestran en superposición todos los 5 componentes modales extraídos de la señal original lo que complementa mejor lo que se deseaba mostrar en la figura anterior. 2.3 Algoritmos de cálculo de la descomposición empírica modal. 7 Para el año 2004 ya se había demostrado que el proceso de descomposición modal se comportaba como un banco diádico de filtros (Flandrin et al. , 2004) y según nuestro criterio, un algoritmo en especial, desarrollado por D. Rilling y Holger Nahrstaedt en lenguaje Matlab, se convirtió en la base de casi todos los que luego se han utilizado con el fin de mejorar algunas características indeseables de los componentes modales extraídos. Estos autores desarrollaron una colección de software (toolbox) completa en Matlab, a la que denominaron “Empirical Mode Decomposition Toolbox, Version 1.3”, conteniendo múltiples herramientas de software y la hicieron disponible para su uso libre en un sitio web http://perso.ens- lyon.fr/patrick.flandrin/emd.html. Nosotros hemos utilizado para nuestro trabajo actual muchos de los conceptos desarrollados por ese grupo de trabajo francés. Los problemas que se fueron detectando con la aplicación de diferentes algoritmos de la DEM podrían resumirse a dos: 1. Presencia de oscilaciones de diferentes amplitudes en un mismo componente modal. 2. Presencia de oscilaciones muy similares en diferentes componentes modales, a lo que en lengua inglesa se le dio en llamar mode mixing. Aunque no lo incluimos en la categoría de problemas metodológicos de la DEM, también deberíamos incluir a la eficiencia en tiempo de los diferentes algoritmos. Hay que tener en cuenta que los procesos de iteración para la extracción de un componente modal (IMF), pueden llegar a 3000 o 5000 y aunque las máquinas modernas son muy rápidas, la extracción de 10 o 12 componentes modales puede llevar en ocasiones varios minutos de ejecución. Por tanto, pronto comenzaron a surgir diferentes implementaciones para calcular la DEM y que han sido publicadas (Donghoh Kim et al. , 2009, Wu et al. , 2009, Torres et al. , 2011, Pustelnik et al. , 2012, Colominas et al. , 2014, Wang et al. , 2014, Colominas et al. , 2015, Colominas et al. , 2016). Algunas han sido ubicadas en la Internet para uso por quienes lo deseen. A continuación citaremos algunos de estos sitios: http://www-ljk.imag.fr/members/Thomas.Oberlin/EMDOS.tar.gz http://perso.ens-lyon.fr/nelly.pustelnik/Software/Prox-EMD_v1.0 http://perso.ens-lyon.fr/patrick.flandrin/emd.html http://www.mit.edu/~gai/CODE/HRV/emd.m Uno de los procedimientos introducidos en el proceso de la DEM fue la adición de ruido blanco a la señal original en el proceso de tamizado con el marcado propósito de reducir el fenómeno de mode mixing, apareciendo algoritmos que han sido denominados en lengua inglesa “ensemble empirical mode decomposition” o EEMD por sus siglas. No obstante, tales algoritmos también han traído como consecuencia que la señal reconstruida por la sumatoria de los componentes modales y el residuo final, como describe la expresión 2.9, contenga además ruido residual. Figura 6. Superposición sobre la señal original (color azul) de los componentes modales extraídos (color rojo) empleando algoritmos de cálculo desarrollados por nuestro grupo. http://perso.ens-lyon.fr/patrick.flandrin/emd.html http://perso.ens-lyon.fr/patrick.flandrin/emd.html http://www-ljk.imag.fr/members/Thomas.Oberlin/EMDOS.tar.gz http://perso.ens-lyon.fr/nelly.pustelnik/Software/Prox-EMD_v1.0 http://perso.ens-lyon.fr/patrick.flandrin/emd.html http://www.mit.edu/~gai/CODE/HRV/emd.m 8 Figura 7. Superposición de los primeros 5 componentes modales extraídos de la señal original que se muestra en el diagrama superior de la figura empleando algoritmos de cálculo desarrollados por nuestro grupo. Como precisó M. Colominas (Colominas et al. , 2014) las diferentes realizaciones de la señal más ruido pueden producir un número diferente de componentes modales. Una solución orientada a solucionar este conflicto fue desarrollada por un algoritmo desarrollado por el grupo de la Universidad Nacional de Entre Ríos, de Argentina, a la que pertenece Colominas y que apareció publicada en el sumario de una conferencia científica en el año 2011 (Torres et al. , 2011). Llamaron a este algoritmo como “complete ensemble empirical mode decomposition with adaptive noise” y le dieron las siglas de CEEMDAN. Tres años más tarde se mejoró sensiblemente este procedimiento por el mismo grupo, ya que aún quedaba cierto grado de ruido residual que fue eliminado, haciendo desaparecer además algunos componentes modales espurios que se extraían en las etapas iniciales del tamizado. A este algoritmo optimizado sus autores le denominaron como “improved complete ensemble empirical mode decomposition with adaptive noise” con las siglas iCEEMDAN (Colominas et al. , 2014). Nuestro grupo de trabajo ha mantenido cordiales relaciones con este avanzado colectivo de investigadores dirigido por el profesor Gastón Shlotthauer, y muy en particular con el amigo Marcelo Colominas. Gran parte de los resultados que hemos ido acumulando han sido utilizando precisamente el iCEEMDAN como procedimiento para la extracción de componentes modales. Hay que decir, que el Dr. M. Colominas ha desarrollado un nuevo procedimiento para la extracción de componentes modales, que ha puesto a nuestra disposición, al que ha denominado “unconstrained optimization approach empirical mode decomposition” con las siglas UOA-EMD (Colominas et al. , 2015, Colominas et al. , 2016). En este trabajo no vamos a incluir los resultados preliminares que hemos ido obteniendo con ese software para la descomposición de señales, pero podemos afirmar que son muy prometedores y que el algoritmo resulta sensiblemente más rápido que cualquiera de las otros procedimientos de extracción de componentes modales excluyendo tal vez al método de D. Rilling y Holger Nahrstaedt ya antes mencionado y citado. Con esta información podemos ya pasar al segundo paso del método que propusieron originalmente Huang et al. (Huang et al. , 1998) y que está asociado con el uso de la transformada de Hilbert a los componentes modales ya extraídos mediante el proceso de la DEM. 3 Utilización de la transformada de Hilbert 3.1 Sobre la transformada de Hilbert. La transformada de Hilbert lleva el nombre de quien la creó, David Hilbert (1862-1943) y la misma fue introducida inicialmente para dar solución a un caso especialdel problema planteado por Riemann y el propio Hilbert para funciones holomórficas asociadas con funciones analíticas. La misma puede ser considerada como la convolución de una función de tiempo X(t) con la función t th 1 . Como la función h(t) no resulta posible de integrar, las integrales que definen a la convolución no convergen. Se define por ello a la transformada de Hilbert utilizando el valor principal de Cauchy que convencionalmente denominaremos v.p. y entonces la transformada podría expresarse así: d t X pvdthtXpvtXH .. 1 ..))(( 3.1 Para el desarrollo del método (Huang et al. , 1998) resultaba importante la obtención de frecuencias instantáneas, un concepto controversial, pero que puede ser factible a partir del cálculo de las mismas a partir de una función analítica, las cuales pueden crearse precisamente utilizando la transformada de Hilbert. Para una serie de tiempo arbitraria X(t) se puede obtener su transformada de Hilbert, que podríamos llamar Y(t) y tendría la expresión 9 d t X pvtY )( .. 1 3.2 X(t) y Y(t) conforman un par conjugado completo de una señal analítica Z(t) que podemos expresar de la siguiente manera ;tiYtXtZ 3.3 A partir de la señal analítica podemos obtener importantes valores instantáneos de la amplitud o potencia espectral, la frecuencia instantánea, así como la fase instantánea como se define en las expresiones siguientes: ;;arctan; 22 td td t tX tY ttYtXtP 3.4 donde P(t) serán las potencias instantáneas, θ(t) las frecuencias instantáneas y ω(t) las fases instantáneas. Como los componentes modales extraídos por la DEM poseen la propiedad de ser monotónicos o monocomponentes, se justifica el uso de la transformada de Hilbert para obtener valores instantáneos como los anteriormente mencionados. Podemos advertir entonces, la importancia que posee desde el punto de vista teórico la descomposición empírica modal. Es un paso básico para poder aplicar con rigurosidad la transformada de Hilbert a los componentes extraídos y así poder obtener los valores instantáneos necesarios para analizar las señales mediante herramientas tales como el espectro de Hilbert y el espectro marginal de Hilbert que veremos más adelante. El análisis espectral de Hilbert (AEH), adicionado al método de la descomposición empírica modal ha permitido la obtención de variaciones temporales de tres importantes elementos del dominio de la frecuencia en una señal: su amplitud o potencia, su frecuencia y su fase. Como recientemente han planteado Huang et al. (Huang et al. , 2016) el AEH introdujo dos ideas novedosas. En primer lugar, la expansión aditiva del proceso está fundamentalmente basada en una función modal intrínseca adaptable (recordemos que el término “adaptable” se debe entender en el sentido de que los valores surgen basados en y derivados de los datos como tal) obtenida a través de la DEM y se puede representar de la siguiente manera N j N j N j di jjjj t j etattatctX 1 1 1 Recos 3.5 donde la frecuencia se define como la derivada en el tiempo de la función de fase calculada “adaptablemente” θj(t). El resultado ya no resulta ser un valor medio del espacio de tiempo determinado por integración, sino que ahora posee valores instantáneos en diferentes momentos de tiempo. Recordemos como referencia la expresión del análisis de Fourier utilizando esta misma convención N j tfi j jetatX 1 2 Re 3.6 En segundo lugar, esta expansión adaptable ha permitido también la representación tanto de la frecuencia como de la amplitud aj(t) como funciones del tiempo. De tal manera, el método de análisis espectral desarrollado puede revelar variaciones en dependencia del tiempo, lo que lo convierte en un método estándar para procesos no estacionarios. Figura 8. Espectro de amplitud espectral de Hilbert correspondiente a cinco componentes modales extraídos del tacograma de intervalos R-R del electrocardiograma de un sujeto control. Se puede advertir que resultan más visibles los valores para los componentes 2, 3, 4 y 5 que corresponden a frecuencias espectrales más lentas, en tanto que las que corresponden al componente 1 que son las más rápidas y además consecuentemente menos intensas, resultan difíciles de detectar, siendo solo visibles algunos puntos entre los segundos 200 y 250 en las frecuencias entre 0.4 y 0.45 Hz. 10 Figura 9. Espectro de potencias espectrales de Hilbert del tacograma de intervalos R-R en un paciente comatoso donde pueden advertirse los elementos que se señalaron en la Figura 8, pero en este caso resultan de interés los valores observados del primer componente modal extraído que pueden ser identificados para frecuencias muy rápidas (por encima de 0.4 Hz) y que se corresponden con la llamada banda espectral de muy alta frecuencia de la variabilidad de la frecuencia cardiaca, en estudio por nuestro grupo y que forma parte de un trabajo en preparación para publicación. Los colores seleccionados son diferentes al de la Figura 8 y se han usado para buscar mejor contraste. Figura 10. Otra manera de representar el espectro de amplitudes de Hilbert, usando un fondo blanco en este caso para facilitar la identificación de componentes con baja intensidad de sus valores. Se trata igualmente de otro caso de paciente comatoso y el estudio se corresponde también al análisis del tacograma de intervalors R-R del electrocardiograma, aunque utilizando una duración de tiempo mayor de 420 segundos en este caso. Aunque estas generalizaciones son válidas, Huang et al. han enfatizado (Huang et al. , 2016) que las variaciones de la frecuencia están determinadas por portadores (carriers) de ondas rápidamente cambiantes ω(t). Con este abordaje las variaciones temporales de la amplitud a(t) y la frecuencia ω(t) podrían cubrir los procesos no estacionarios, pero las variaciones de la amplitud (o la energía proporcional al cuadrado de la amplitud) podrían aún quedar en términos de función del tiempo. Esto hace que el AEH asociado a la DEM sea extremadamente efectivo y poderoso para señales intramodales de frecuencia modulada. Sin embargo, no se ha tomado en cuenta el posible papel de las modulaciones de frecuencia y amplitud inter-componentes modales (AM y FM). Por todo ello, en esta mencionada publicación (Huang et al. , 2016) los autores han propuesto una modificación al método que han denominado como análisis espectral de Holo-Hilbert. El trabajo es muy reciente, no tiene importantes implicaciones para las señales con las cuales trabajamos y por tanto solo lo mencionamos sin profundizar en el mismo. Aún, en la revisión de la literatura en la base de datos Pubmed NLM no ha habido repercusiones con referencia a este perfeccionamiento del método. 11 Hay que decir que con mucha frecuencia se le denomina en la literatura al método que hemos venido analizando como método de Hilbert-Huang e incluso transformada de Hilbert-Huang. 3.2 Espectro de Hilbert. Una vez que tenemos los valores de amplitud o potencia espectral instantáneos calculados para cada uno de los componentes modales de interés podemos crear una matriz de datos y representarla en un gráfico tridimensional donde se puedan apreciar las fluctuaciones de la intensidad de la amplitud o potencia espectrales para cada frecuencia espectral instantánea en función de tiempo. Generalmente, el espectro de amplitudes o de potencias de Hilbert se representa de modo que la intensidad de los valores sea puesta en evidencia por una escala de colores, sobre un fondo de colorfijo como mostramos en las Figuras 8 y 9, aunque para que resulte más adecuada su inspección se prefiera en ocasiones que el fondo sea de color blanco como se muestra en la Figura 10. 3.3 Espectro marginal de Hilbert. La definición formal del llamado espectro marginal de Hilbert se puede encontrar en la siguiente expresión T dttHh 0 ),()( 3.7 El mismo representa a la amplitud o potencia acumulada durante todo el periodo de tiempo de la señal analizada. En ese sentido, aparentemente resulta un retroceso con respecto a las potencialidades del espectro de Hilbert, pero trataremos de explicar sus características y su superioridad al espectro de Fourier. Cuando se calcula el contenido espectral de una señal utilizando el método de Fourier la resolución espectral del proceso que se aplica queda “sellada” cuando se fija la duración de la secuencia que será objeto de análisis. La resolución espectral del proceso se puede calcular como el valor recíproco de la duración de la señal. Si la duración es digamos, de 250 segundos, la resolución más baja que puede detectarse será de 1/250 s = 0.004 Hz. Cuando se obtiene el espectro usando Fourier el primer valor se conoce como frecuencia cero, tiene un valor real y se considera que contiene el componente DC de la señal analizada, muy asociado a la media aritmética de los valores de la señal original. A partir de esta frecuencia cero, se obtiene el valor de la primera frecuencia espectral discreta, que en este caso será la de 0.004 Hz. La próxima frecuencia discreta será 0.004+0.004 = 0.008 Hz, la posterior será 0.008+0.004 = 0.012 Hz y así sucesivamente hasta alcanzar el máximo valor posible de acuerdo con los parámetros que se estén utilizando. Para cada valor de estas frecuencias discretas, que podemos advertir que son valores múltiplos enteros de la resolución espectral, se obtienen los valores de potencia que les correspondan. Debemos notar, sin embargo, que si el fenómeno que nos interesa detectar posee una frecuencia de 0.006 Hz, entonces el proceso que estamos empleando no lo detectará de modo efectivo. Solamente se podrá advertir el efecto que el mismo pueda ejercer en las frecuencias cercanas de 0.004 y 0.008 Hz. (u otras más por la extensión del efecto, que ha sido relacionado con los llamados fenómenos de “aliasing” y de fuga o “leakage”), pero con distorsión en sus características de magnitud de la potencia espectral. Si analizamos esa misma señal con el método de la DEM y la ulterior aplicación de la transformada de Hilbert, es decir, la aplicación del método de Hilbert-Huang, como resultado tendríamos un número dado de componentes modales y para cada uno de ellos los valores de amplitud-potencia, valores de frecuencia y de fase instantáneos para cada unidad de tiempo. Si por ejemplo, la señal de 250 segundos ha sido muestreada a 200 Hz, resulta que tendremos para cada componente modal 50,000 de tales valores instantáneos. Las frecuencias instantáneas obtenidas no están sujetas a ninguna exigencia metodológica. Aparecen las que contiene el componente modal, pero tengamos en cuenta que a lo largo del tiempo que dura la señal de este componente modal específico, la frecuencia mostrará oscilaciones, e igualmente ocurrirá con los otros componentes instantáneos obtenidos mediante el proceso. Se obtiene así una distribución tiempo- frecuencia-amplitud que nos permite detectar cambios con facilidad del proceso descrito por la señal en estudio. Este comportamiento queda claramente evidenciado en las Figuras 8, 9 y 10. Ahora bien, si deseáramos conocer cuáles fueron las frecuencias observadas durante todo el periodo de tiempo analizado de la señal y su intensidad respecto a todo ese periodo, sin importarnos el momento en el tiempo en que las mismas aparecieron, podríamos desarrollar un proceso que consistiría en obtener una especie de histograma, donde en la escala de las abscisas tendríamos los valores de las frecuencias, desde cero hasta un valor dado fijado por razones en las que no vamos a profundizar, pero digamos que hasta aquel valor de interés por parte del investigador, y en las ordenadas los correspondientes valores de amplitud o potencia espectral. Ahora bien, esta es la misma forma de representación gráfica del espectro de señales usando el tradicional método de Fourier. Bueno, pues es a esta representación, pero utilizando para construirla los valores calculados de frecuencias y potencias instantáneas obtenidas con el método de Hilbert-Huang, a lo que se le denomina espectro marginal de Hilbert. Siguiendo con nuestra hipotética señal muestreada a 200 Hz por 250 segundos, si así lo deseáramos podríamos tener el espectro marginal de Hilbert correspondiente a un componente modal específico. Para ello, necesitaríamos ordenar nuestros valores de frecuencia y potencia instantáneos de menor frecuencia hasta la mayor frecuencia, pero conservando los valores de potencia correspondientes a cada valor de frecuencia originalmente detectados. Nos podrá ocurrir, obviamente, que la misma frecuencia aparezca muchas veces, lo cual nos permitiría calcular la sumatoria (integración) de las potencias de todas ellas. También nos va a ocurrir que las frecuencias que surgieron del proceso no tienen que tener entre sí similares intervalos, es decir, una será 0.012345, la próxima podrá ser 0.012533 y la siguiente 0.013145. Si tratamos de graficar nuestro espectro marginal utilizando todos los valores de frecuencias ascendentemente ordenadas en el eje de las abscisas, con los valores de potencias correspondientes obtendríamos un auténtico “churro”, y además, su valor sería nulo si deseásemos comparar este espectro marginal con el espectro de Fourier al que antes nos habíamos referido, y que como vimos estaba obligado a emplear como frecuencias discretas a valores estrictamente múltiplos de la resolución espectral, que en este caso era 0.004 Hz. Si tomamos la decisión de que nuestro espectro marginal posea frecuencias igualmente espaciadas y si deseamos incluso que estén espaciadas seleccionando un valor prefijado que nos permita efectuar comparaciones con espectros tradicionalmente obtenidos por los métodos basados en Fourier, solamente tendríamos que elaborar un procedimiento que nos permitiese calcular por ejemplo, mediante sumatoria, los valores de potencia de las frecuencias mayores a 0.004 y menores o igual que 0.008 y ese valor adjudicarlo a la frecuencia 0.008 Hz. Hacer lo mismo para las subsecuentes, y al final poseer para cada valor de frecuencia discreta de intervalo uniforme, sus 12 correspondientes valores de potencia espectral y luego representar esos valores en un gráfico que sería el espectro marginal de Hilbert. Si en vez de tomar los valores de un solo componente modal, tomamos todos aquellos que fueron extraídos y que muestran frecuencias discretas en el rango de interés de la señal que estamos estudiando, la disponibilidad de valores por supuesto se hace mucho mayor (en este caso hipotético 50,000 x número de componentes modales) y se abarcará obviamente todo el rango de frecuencia que se desea analizar. Si con esta representación se pierde por completo la dimensión tiempo, podría suponerse que los resultados no superarían a los que se obtienen utilizando el procedimiento tradicional de los métodos basados en Fourier, pero debemos tener en cuenta, que ahora sí habrán sido tomadas en cuenta y sin distorsiones, todas las posibles frecuencias discretas que puso en evidencia la transformada de Hilbert, y no solo aquellas que obligatoriamente está obligado a emplear el método tradicional. Figura 11. Representación gráfica de la densidad espectral de potencia de una secuencia de 420 segundos del tacograma de intervalos R-R del ECG en un sujetos sano, utilizando el método delperiodograma de Welch, basado en el método de Fourier (A), y del espectro marginal de Hilbert sin suavizado (B) y con suavizado (C). Las siglas utilizadas para identificar las bandas de frecuencia son: VLFB: banda de muy baja frecuencia; LFB: banda de baja frecuencia; MFB: banda de media frecuencia; HFB: banda de alta frecuencia; VHFB: banda de muy alta frecuencia. Los cálculos incluyeron el rango de frecuencias entre 0.02 y 0.6 Hz. En la Figura 11 mostramos en un collage las diferencias que pueden observarse del espectro de Fourier, así como del espectro marginal de Hilbert, calculado con la misma resolución espectral que el método de Fourier, sin suavizado (smoothing) ninguno y aplicando una ventana de suavizado del espectro, que hemos incluido en un software que hemos desarrollado en el Grupo de Trabajo, cuyo código desarrollado en Matlab se encuentra disponible en la URL que a continuación se señala: https://wwwresearchgatenet/publication/320161261_Matlab_Code_of _the_Hilbert_Marginal_Spectrum_HMS. No caben dudas de que el espectro marginal de Hilbert, aunque se parece mucho al obtenido mediante el uso del periodograma clásico, resulta mucho más eficiente y real con respecto al contenido espectral de la señal estudiada. . Referencias Acharya UR, Kannathal N, Sing OW, Ping LY, Chua T. Heart rate analysis in normal subjects of various age groups. Biomed Eng Online. 2004;3:24. Bender R, Schultz B, Schultz A, Pichlmayr I. Testing the Gaussianity of the human EEG during anesthesia. Methods of information in medicine. 1992;31:56-9. Boashash B. Time Frequency Analysis: A comprehensive reference. First ed. Amsterdam-Boston-Heidelberg-London-New York-Oxford- Paris-SanDiego-San Francisco-Singapore-Sydney-Tokyo: Elsevier Ltd; 2003. Chen Z, Brown E, Barbieri R. Characterizing Nonlinear Heartbeat Dynamics within a Point Process Framework. IEEE transactions on bio- medical engineering. 2010;10.1109/TBME.2010.2041002. Chua KC, Chandran V, Acharya UR, Lim CM. Application of higher order statistics/spectra in biomedical signals--a review. Med Eng Phys. 2010;32:679-89. Colominas MA, Humeau-Heurtier A, Schlotthauer G. Orientation- Independent Empirical Mode Decomposition for Images Based on Unconstrained Optimization. IEEE transactions on image processing : a publication of the IEEE Signal Processing Society. 2016;25:2288-97. Colominas MA, Schlotthauer G, Torres ME. Improved complete ensemble EMD: A suitable tool for biomedical signal processing. Biomedical Signal Processing and Control. 2014;14:19-29. Colominas MA, Schlotthauer G, Torres ME. An unconstrained optimization approach to empirical mode decomposition. Digital Signal Processing. 2015;DOI: 10.1016/j.dsp.2015.02.013. Donghoh Kim, Hee-Seok O. EMD: A Package for Empirical Mode Decomposition and Hilbert Spectrum. The R Journal 2009;1:40-6. Estévez-Báez M, Machado C, Montes-Brown J, Jas-García J, Leisman G, Schiavi A, et al. Very high frequency oscillations of heart rate variability in healthy humans and in patients with cardiovascular https://wwwresearchgatenet/publication/320161261_Matlab_Code_of_the_Hilbert_Marginal_Spectrum_HMS https://wwwresearchgatenet/publication/320161261_Matlab_Code_of_the_Hilbert_Marginal_Spectrum_HMS 13 autonomic neuropathy. BMC Biomedical Engineering (submitted to publication). 2017. Estévez M, Machado C. Incorporating novel methods of digital signal processing to traditional electrophysiological methods in patients with disorders of consciousness and brain death. VII International Symposium on Brain Death and Disorders of Conciousness Havana, Cuba DOI: 1013140/RG2113638484. Havana, Cuba2015. Estévez M, Montes Brown J, Hernández-Cruz A, Machado C. Heart Rate Variability Spectral Analysis and Orthostatic Tests: A Time- Frequency Approach. Functional Neurology Rehabilitation and Ergonomics. 2012;2:51-2. Faes L, Zhao H, Chon KH, Nollo G. Time-varying surrogate data to assess nonlinearity in nonstationary time series: application to heart rate variability. IEEE transactions on bio-medical engineering. 2009;56:685- 95. Flandrin P, Rilling G, Gonçalvés P. Empirical Mode Decomposition as a Filter Bank. IEEE Signal Processing Letters 2004;11:112-4. Guarín D, Delgado E, Orozco A. Testing for nonlinearity in non- stationary physiological time series. 2011. p. 2671-4. Huang NE, Hu K, Yang ACC, Chang HC, Jia D, Liang WK, et al. On Holo-Hilbert spectral analysis: a full informational spectral representation for nonlinear and non-stationary data. Phil Trans R Soc A. 2016;374: 20150206. Huang NE, Shen Z, Long SR, Wu MC, Shih HH, Zheng Q, et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis. Proc R Soc Lond. 1998;454:903-95. Kipinski L, Konig R, Sieluzycki C, Kordecki W. Application of modern tests for stationarity to single-trial MEG data: transferring powerful statistical tools from econometrics to neuroscience. Biological cybernetics. 2011;105:183-95. Li C, Ding GH, Wu GQ, Poon CS. Fractal, entropic and chaotic approaches to complex physiological time series analysis: a critical appraisal. Conference proceedings : Annual International Conference of the IEEE Engineering in Medicine and Biology Society IEEE Engineering in Medicine and Biology Society Conference. 2009;2009:3429-32. Machado C, Defina P, Estévez M, Leisman G. A reason for care in the clinical evaluation of function on the spectrum of consciousness. BMJ Case Reports (submitted to publication). 2017. Machado C, Estévez M, Pérez-Nellar J, Schiavi A. Residual vasomotor activity assessed by heart rate variability in a brain-dead case. BMJ Case Reports 04/2015; 2015(apr01 1), DOI:101136/bcr-2014-205677. 2015. Machado C, Estevez M, Rodriguez R, Perez-Nellar J, Chinchilla M, DeFina P, et al. Zolpidem arousing effect in persistent vegetative state patients: autonomic, EEG and behavioral assessment. Current pharmaceutical design. 2014;20:4185-202. Magagnin V, Bassani T, Bari V, Turiel M, Maestri R, Pinna GD, et al. Non-stationarities significantly distort short-term spectral, symbolic and entropy heart rate variability indices. Physiological Measurement. 2011;32:1775-86. McEwen JA, Anderson GB. Modeling the stationarity and Gaussianity of spontaneous electroencephalographic activity. IEEE transactions on bio-medical engineering. 1975;22:361-9. Persson J. Comments on "Modeling the stationarity and Gaussianity of spontaneous electroencephalographic activity". IEEE transactions on bio-medical engineering. 1977;24:302. Pradhan C, Jena SK, Nadar SR, Pradhan N. Higher-order spectrum in understanding nonlinearity in EEG rhythms. Computational and mathematical methods in medicine. 2012;2012:206857. Pritchard WS, Stam CJ. Nonlinearity in human resting, eyes-closed EEG: an in-depth case study. Acta neurobiologiae experimentalis. 2000;60:109-21. Pustelnik N, Borgnat P, Flandrin P. A multicomponent proximal algorithm for empirical mode decomposition. In: EUPSICO, editor. 20th European Signal Processing Conference Proceedings pp 1880– 1884: EUPSICO; 2012. p. 1880–4. Shahid S, Prasad G. Bispectrum-based feature extraction technique for devising a practical brain-computer interface. Journal of neural engineering. 2011;8:025014. Silva LEV, Lataro RM, Castania JA, Aguiar Silva CA, Salgado HC, Fazan R, Jr., et al. Nonlinearities of heart rate variability in animal models of impaired cardiac control: contribution of different time scales. Journal of applied physiology. 2017:jap 00059 2017. Torres ME, Colominas MA, Schlotthauer G, Flandrin P. A complete ensemble empirical mode decomposition with adaptive noise. 36th IEEE Int Conf on Acoust, Speech and Signal Process. Prague, Czech Republic: ICASSP; 2011. p. 4144–7. Wang R, Wang J, Li S, Yu H, Deng B, Wei X. Multiple featureextraction and classification of electroencephalograph signal for Alzheimers' with spectrum and bispectrum. Chaos. 2015;25:013110. Wang YH, Yeh CH, Young HWV, Hu K, Lo MT. On the computational complexity of the empirical mode decomposition algorithm. Physica A: Statistical Mechanics and its Applications. 2014;400:159-67. Weber EJ, Molenaar PC, van der Molen MW. A nonstationarity test for the spectral analysis of physiological time series with an application to respiratory sinus arrhythmia. Psychophysiology. 1992;29:55-65. Wu Z, Huang NE. Ensemble empirical mode decomposition: a noise- assisted data analysis method. Adv Adapt Data Anal. 2009;1:1-41.
Compartir