Ponente
Descripción
En el área de las neurociencias son utilizadas las técnicas de neuroimagenes como medio para fundamentar y demostrar teorías sobre el funcionamiento del cerebro. Las técnicas propuestas por los investigadores hasta finales del siglo XX no han podido garantizar, simultáneamente, una alta resolución espacial y temporal con procedimientos no invasivos. Los métodos de Imágenes de Fuentes Electrofisiológicas (IFE) surgieron con el objetivo de obtener una mejor estimación de las fuentes generadoras del voltaje recogido sobre el cuero cabelludo, a partir de la resolución del conocido Problema Inverso (PI) del Electroencefalograma (EEG). Los métodos de solución propuestos en la última década se clasifican en dos grupos: los modelos Dipolares y los Distribuidos. Sin embargo, estos acercamientos solo proporcionan buenas soluciones en casos particulares y sus algoritmos pueden introducir errores numéricos durante su desempeño. La hipótesis del trabajo sugiere una nueva aplicación de los Algoritmos Evolutivo Multiobjetivo (AEMOs) en la resolución de problemas reales. La representación del Problema Inverso (PI) del EEG como un Problema Multiobjetivo permite la exploración de los Algoritmos Evolutivo para su solución. Metaheuristicas caracterizadas por su simplicidad conceptual, gran flexibilidad y estabilidad en optimización. El objetivo principal es la exploración de los AEMOs como una alternativa de solución al PI. Esta tarea se desglosa en dos objetivos específicos. Primero, proponer los parámetros y mecanismos de generación poblacional entre iteraciones. Segundo, evaluar el desempeño de los algoritmos evolutivos para seleccionar los cuatro mejores y compararlos con tres algoritmos clásicos en PI del EEG (LASSO, Ridge L y ENET L) sobre datos simulados (con ruido y sin ruido) y datos reales obtenidos de Potenciales Evocados Visuales con EEG. Para validar la eficiencia de los AEMO sobre datos simulados se crearon 8 datos sintéticos sobre un modelo de superficie. Se utilizó un modelo de la superficie cortical consistente en una rejilla de 12 000 triángulos con 6004 vértices que corresponden a los generadores de Densidad de Corriente Primaria (DCP) en la sustancia gris del Atlas Cerebral del Instituto Neurológico de Montreal (http://www.bic.mni.mcgill.ca/) De las 8 DCP, 4 con fuentes gaussianas y 4 con fuentes puntuales (donde solo un vértice está activado). El valor de activación máxima para las fuentes puntuales fue de 5 $nA/cm^2$ y para las gaussianas 3 $nA/cm^2$. Se ubicaron sobre 4 regiones o estructuras del cerebro: Cingulado Anterior Derecho, Temporal Inferior Derecho, Occipital Superior Derecho y Precentral Derecho. En las fuentes gaussianas se utilizó una varianza superficial de 2 mm. El LeadField (K) se calculó para un modelo de cabeza basado en 3 esferas concéntricas, homogéneas e isotrópicas y asumiendo un montaje de 128 electrodos según el sistema 10-20. Los registros artificiales de EEG generados para un instante de tiempo (V) son el resultado de multiplicar el modelo matricial (K) con cada una de las DCP simuladas. Para evaluar sobre datos con ruido, se agregaron a las pruebas 8 simulaciones siguiendo el mismo procedimiento, pero adicionando ruido parametrizado para una relación señal-ruido (SNR) de 3db.Los datos reales fueron obtenidos de un experimento sobre PEV aplicado sobre sujetos sanos. Entre un total de 384 instantes de tiempo fueron seleccionados dos postestimulo: el 165 (a los 281.25 ms después del estímulo) y el 179 (a los 390.635 ms después del estímulo). PlatEMO fue la plataforma utilizada para evaluar los AEMOs; herramienta desarrollada en Matlab que se mantiene actualizada con implementaciones de AEMOs propuestos en los últimos 5 anos. Los criterios de validación fueron el Error de Localización, la Visibilidad y la Suavidad de las fuentes estimadas con respecto a las reales. Estas conforman las métricas m\'as utilizadas en la literatura para validar la calidad de los resultados obtenidos por los diversos métodos propuestos en la resolución del Problema Inverso del EEG. Las pruebas con los AEMOs fueron realizadas sobre una función vectorial compuesta por dos funciones objetivos: el ajuste mínimo al cuadrado ($\|KJ-V\|_2^2$) combinado con una función de raleza o suavidad ($\|J\|_0$, $\|J\|_1$ o $\|J\|_2$ respectivamente). Los AEMOs seleccionados fueron AGEII, BiGE, BCEIBEA y GrEA para el análisis comparativo con LASSO, Ridge L y ENETL. Estos obtuvieron las mejores estimaciones durante la selección. Los resultados estimados por los métodos clásicos sobre datos sin ruido para la fuente en la estructura Cingulado Anterior Derecho se ajustaron a los conocidos en la literatura. Estos muestran dificultades para estimar fuentes profundas. Los AEMOs alcanzaron estimaciones cercanas al dato simulado, sin embargo, GrEA se acercó m\'as a la fuente de activación. La región Occipital Superior Derecho se considera entre las estructuras más fáciles de estimar por la cercanía al modelo aproximado de la cabeza. Todos lograron localizar con buena precisión la fuente simulada sin ruido, sin embargo, RidgeL y ENETL estiman suavidad tanto en gaussianas como puntuales. En el Temporal Inferior Derecho, los algoritmos de regresión lograron obtener una mejor localización que los AEMOs en datos sin ruido. Sin embargo, fallan en la reconstrucción de la DCP simulada en presencia de ruido en los datos a diferencia de los AEMOs. Esta incoherencia en las estimaciones propuestas por los algoritmos de regresión también se evidencia en la región Precentral Izquierda. Sin embargo, los AEMOs estiman una localización aceptable en ambos casos: sin ruido y con perturbaciones en los datos.Durante la interpretación de los resultados, se concluyó que los AEMOs pueden ser utilizados para la estimación de fuentes generadoras (o la Densidad de Corriente Primaria). El GrEA y BCEIBEA mostraron los mejores resultados en la reconstrucción de fuentes puntuales con ruido (SNR=3) y sin ruido. En fuentes profundas solo el GrEA fue capaz de obtener buenas estimaciones en la estructura Cingulado Anterior Derecho. Con la norma L0, los AEMOs (en particular BiGE) llego a los mejores resultados en Error de localización y Suavidad.
