Modelos de predição linear para análise de sinais eletroencefalográficos (EEG) e de matrizes multieletrodo (MEA) / Linear-prediction models for electroencephalographic (EEG) and multielectrode-array (MEA) signal analysis

AUTOR(ES)
DATA DE PUBLICAÇÃO

2006

RESUMO

Esta dissertação objetiva propor modelos de sinais neurofisiológicos, oriundos de matrizes multieletrodo (MEA), utilizadas para a aquisição da atividade neural espontânea a partir de células em cultura; bem como medidas neurológicas obtidas de eletroencefalografia (EEG). Os modelos são desenvolvidos no contexto aplicativo de MEAs utilizadas como neuroimplantes, com especial enfoque na detecção e prevenção de crises epilépticas a partir de sinais EEG ou de medidas mais invasivas, obtidas em nível celular. Sob este enfoque, as técnicas de processamento de sinais devem satisfazer um compromisso complicado, exigindo baixa complexidade computacional e operação em tempo real. Tais restrições levam à escolha da filtragem linear adaptativa, baseada em modelo auto-regressivo, e à teoria de estatísticas de ordem elevada (EOE) para, respectivamente, processar sinais não-estacionários e considerar a não-linearidade dos sistemas envolvidos. O filtro de predição linear funcionou adequadamente para ambos os sinais, sendo que para o caso da MEA, ele foi mais estável e preciso. Observou-se um menor tempo de convergência para sinais EEG relativamente aos sinais MEA, os quais, em sua maioria, podem ser considerados não-gaussianos e correlacionados, ocorrendo uma atividade periódica em eletrodos vizinhos. A atividade neural espontânea de pequenos grupos de neurônios pode ser considerada um ruído branco.

ASSUNTO(S)

estatística de ordem elevada neuroimplante engenharia biomédica high-order statistics neuroprostheses predição linear matriz multieletrodo codificação neural processamento de sinais multielectrode arrays eletroencefalografia engenharia eletrica linear prediction electroencephalography neural coding

ACESSO AO ARTIGO

Documentos Relacionados