En este proyecto se identificó de manera confiable la actividad bioeléctrica global de las neuronas circundantes a un microelectrodo de registro para estimular o lesionar las áreas cerebrales adecuadas que influyen en la enfermedad de Parkinson. Primero se desarrolló una metodología para separar los potenciales de acción o impulsos neuronales, utilizando técnicas de detección, caracterización y agrupamiento para lograr separar los potenciales en el número de grupos existentes. Para el agrupamiento se utilizó el algoritmo K-means. Se aplicaron diferentes métodos de extracción de características, obteniendo los mejores resultados para la separación de la actividad neuronal con el análisis de componentes principales (PCA) y la transformada wavelet. En la detección automática de zonas cerebrales usando modelos ocultos de Markov, se utilizaron las medidas de distancia de similaridad y de Kullback-Leibler para evaluar qué tan separados se encontraban los modelos ocultos de Markov discretos en su espacio probabilístico particular. Cuando se usaron los modelos ocultos de Markov continuos, se utilizó la regla del máximo a posteriori (MAP) para hacer la clasificación. La estimación de los modelos ocultos de Markov tanto discretos como continuos se realizó a través del criterio de máxima verosimilitud.
CONCLUSIONES:
En cuanto al agrupamiento de impusos neuronales, se puede concluir que las características de las wavelets son más discriminantes que las entregadas por el análisis de la componente principal debido a que este último sólo se basa en las direcciones de máxima varianza, donde no necesariamente ofrecen mejor separación.
Los trenes de espigas entregados por el algoritmo de organización de espigas pueden ser utilizados para hacer una identificación más acertada de la región neuronal que produjo estos potenciales de acción.
La caracterización con wavelets permite obtener mejores resultados que la caracterización con modelos AR, debido a su orientación hacía la no estacionariedad de las señales.
Los modelos ocultos de Markov discretos ofrecen mejores porcentajes de clasificación al quedar mejor entrenados que los modelos continuos.
En la identificación de fuentes de espigas usando análisis de proximidad a través de los modelos ocultos de Markov, se obtuvo una alta efectividad en la clasificación. Sin embargo, existen algunas desventajas que deben ser resueltas (especialmente cuando el número de muestras es grande): gran capacidad de almacenamiento, alto costo computacional y sensibilidad a las muestras con ruido.
