Docsity
Docsity

Prepara tus exámenes
Prepara tus exámenes

Prepara tus exámenes y mejora tus resultados gracias a la gran cantidad de recursos disponibles en Docsity


Consigue puntos base para descargar
Consigue puntos base para descargar

Gana puntos ayudando a otros estudiantes o consíguelos activando un Plan Premium


Orientación Universidad
Orientación Universidad

PROCESAMIENTO DE EEG Y IMAGENES, Monografías, Ensayos de Procesamiento de Señales Digitales

FILTRADO DE EEG PRA CONONCER UNA ANOMALIA Y PROCESAMINETO DE IMAGENES HIBRIDAS

Tipo: Monografías, Ensayos

2019/2020

Subido el 10/10/2020

nicolas-quinones-1
nicolas-quinones-1 🇨🇴

1 documento

1 / 5

Toggle sidebar

Esta página no es visible en la vista previa

¡No te pierdas las partes importantes!

bg1
Programa de Ingeniería Biomédica
Procesado de Señales e Imágenes Médicas PSIM 2020-2
1
Resumen El EEG nos brinda una visualización de cómo se
comporta el cerebro bajo ciertas acciones y tareas, así como las
diferentes ondas que produce el mismo cuando realiza dichos
procesos. En el presente laboratorio se trabajó el cambio de
tamaño de una imagen mantenido sus dimensiones, es decir una
película de las imágenes rotando mientras permanece la imagen
original, a la mitad y agrandada. Adicionalmente, se realizo un
procesamiento a partir de la frecuencia.
Palabras Clave Imágenes, movimiento, procesamiento,
segmentación, umbral, EEG, cerebro, ondas
I. INTRODUCCIÓN
El procesamiento de imágenes puede conllevar a diferentes
aplicaciones, las cuales se implementan para obtener
información o datos específicos, algunas de estas tratan
específicamente sobre el procesamiento espacial y de
frecuencia.
En cuanto al tratamiento especial tenemos técnicas que
permiten el cambio de tamaño, rotación, recorte,
estiramiento, cizallamiento y proyecciones, en este
laboratorio se realizó aun gif o animación a partir de una sola
imagen, en la cual iba cambiando su tamaño y su orientación,
dando la ilusión de que va rotando.
Como se dijo anteriormente, también se pueden realizar
ajustes a una imagen en función de la frecuencia, así como
normalmente se aplican filtro a una señal fisiológica, también
es posible hacerlo con las imágenes, utilizando transformada
de Fourier en dos dimensiones, en este caso se utilizó un filtro
pasa altas y pasa bajas, con el fin de crear una imagen hibrida,
en base a dos imágenes encontradas en internet.
Adicionalmente, la practica buscaba afianzar los
conocimientos relacionados con la señal fisiológica de EEG,
por lo tanto, se propuso realizar un análisis que permita
diferenciar señales de EEG antes de la tarea mental aritmética
y durante la actividad mental aritmética, estas señales fueron
obtenidas de la base de datos EEG During Mental Arithmetic
Task,
II. MATERIALES Y MÉTODOS
A. EEG durante actividad mental.
Las señales obtenidas de la base de datos EEG During Mental
Arithmetic Task, estaban diferenciadas por una señal de 180
segundos en la cual la persona se encontraba relajada y sin hacer
tareas mentales aritméticas y otra de 60 segundos en la cual el
paciente realizaba dicha tarea mental. El primer paso necesario
es darle un valor numérico a cada paciente, de esta forma al
correr el programa, dicho número será asignado a las dos
señales del paciente, adicional a ello con el mismo número se
tenían las ganancias debido a que, en cada paciente y en cada
tarea variaban. Posterior a ello se realizó un preprocesamiento
en la cual se buscan extraer las ondas Beta y Gamma debido a
que estas ondas cerebrales se encuentran relacionadas con el
estado de vigilia y las tareas mentales. Para esto se realizó un
filtro pasa-banda de 16 a 31 Hz para extraer las ondas Beta,
mientras que para las Gamma se usó un filtro pasa-alta a 35 Hz;
para eliminar el ruido eléctrico y demás componentes no
deseados se usó un filtro pasa-bajas a 45 Hz. Finalmente, en la
etapa de clasificación se basó en, primero hallar el valor RMS
de ambas señales (Cuando se están realizando tareas mentales
y cuando no) cuando se les había aplicado el filtro pasa-bajas
de 45 Hz, de esta forma se tenía una referencia RMS (100%) y
después se halló el valor RMS de las ondas beta y gamma. Para
dar un resultado sobre el si el paciente está realizando
actividades mentales aritméticas se hicieron varias pruebas (30)
en las cuales dicho valor correspondía a un 20-25% de valor
RMS de referencia (No se pudo hallar literatura específica sobre
esto debido a que es muy variable[2].
Fig 1. EEG original con un filtro pasa-baja a 45 Hz y ondas Beta con filtro
pasa-banda de 16 a 31 Hz
Laboratorio 3
Daniela Alexi Caicedo Campaña, 2147591, Arturo Andrés Cordero Galvis, 2147047, Juan Nicolas
Quiñones Romero, 2146537
pf3
pf4
pf5

Vista previa parcial del texto

¡Descarga PROCESAMIENTO DE EEG Y IMAGENES y más Monografías, Ensayos en PDF de Procesamiento de Señales Digitales solo en Docsity!

Procesado de Señales e Imágenes Médicas PSIM 2020 - 2 Resumen — El EEG nos brinda una visualización de cómo se comporta el cerebro bajo ciertas acciones y tareas, así como las diferentes ondas que produce el mismo cuando realiza dichos procesos. En el presente laboratorio se trabajó el cambio de tamaño de una imagen mantenido sus dimensiones, es decir una película de las imágenes rotando mientras permanece la imagen original, a la mitad y agrandada. Adicionalmente, se realizo un procesamiento a partir de la frecuencia. Palabras Clave — Imágenes, movimiento, procesamiento, segmentación, umbral, EEG, cerebro, ondas I. INTRODUCCIÓN El procesamiento de imágenes puede conllevar a diferentes aplicaciones, las cuales se implementan para obtener información o datos específicos, algunas de estas tratan específicamente sobre el procesamiento espacial y de frecuencia. En cuanto al tratamiento especial tenemos técnicas que permiten el cambio de tamaño, rotación, recorte, estiramiento, cizallamiento y proyecciones, en este laboratorio se realizó aun gif o animación a partir de una sola imagen, en la cual iba cambiando su tamaño y su orientación, dando la ilusión de que va rotando. Como se dijo anteriormente, también se pueden realizar ajustes a una imagen en función de la frecuencia, así como normalmente se aplican filtro a una señal fisiológica, también es posible hacerlo con las imágenes, utilizando transformada de Fourier en dos dimensiones, en este caso se utilizó un filtro pasa altas y pasa bajas, con el fin de crear una imagen hibrida, en base a dos imágenes encontradas en internet. Adicionalmente, la practica buscaba afianzar los conocimientos relacionados con la señal fisiológica de EEG, por lo tanto, se propuso realizar un análisis que permita diferenciar señales de EEG antes de la tarea mental aritmética y durante la actividad mental aritmética, estas señales fueron obtenidas de la base de datos EEG During Mental Arithmetic Task, II. MATERIALES Y MÉTODOS A. EEG durante actividad mental. Las señales obtenidas de la base de datos EEG During Mental Arithmetic Task, estaban diferenciadas por una señal de 180 segundos en la cual la persona se encontraba relajada y sin hacer tareas mentales aritméticas y otra de 60 segundos en la cual el paciente realizaba dicha tarea mental. El primer paso necesario es darle un valor numérico a cada paciente, de esta forma al correr el programa, dicho número será asignado a las dos señales del paciente, adicional a ello con el mismo número se tenían las ganancias debido a que, en cada paciente y en cada tarea variaban. Posterior a ello se realizó un preprocesamiento en la cual se buscan extraer las ondas Beta y Gamma debido a que estas ondas cerebrales se encuentran relacionadas con el estado de vigilia y las tareas mentales. Para esto se realizó un filtro pasa-banda de 16 a 31 Hz para extraer las ondas Beta, mientras que para las Gamma se usó un filtro pasa-alta a 35 Hz; para eliminar el ruido eléctrico y demás componentes no deseados se usó un filtro pasa-bajas a 45 Hz. Finalmente, en la etapa de clasificación se basó en, primero hallar el valor RMS de ambas señales (Cuando se están realizando tareas mentales y cuando no) cuando se les había aplicado el filtro pasa-bajas de 45 Hz, de esta forma se tenía una referencia RMS (100%) y después se halló el valor RMS de las ondas beta y gamma. Para dar un resultado sobre el si el paciente está realizando actividades mentales aritméticas se hicieron varias pruebas (30) en las cuales dicho valor correspondía a un 2 0 - 25% de valor RMS de referencia (No se pudo hallar literatura específica sobre esto debido a que es muy variable[2]. Fig 1. EEG original con un filtro pasa-baja a 45 Hz y ondas Beta con filtro pasa-banda de 16 a 31 Hz

Laboratorio 3

Daniela Alexi Caicedo Campaña, 2147591 , Arturo Andrés Cordero Galvis, 2147047, Juan Nicolas

Quiñones Romero, 2146537

Procesado de Señales e Imágenes Médicas PSIM 2020 - 2 B. Animación. En el caso de la animación, el primer paso fue pasar la imagen original a escala de grises ya que a pesar de que la imagen parecía estar en grises, tenía formato RGB. Una vez obtenida la imagen en formato de grises “double”, se utilizó la función “imresize” para poder tener la imagen a la mitad y al doble; en el caso de la imagen a la mitad, esta se puso en el centro de una matriz llena de ceros con el mismo formato y dimensiones que la imagen original, y para el caso de agrandar la imagen, tuvimos que recortarla puesto que las dimensiones excedían las de la imagen original (426x640). Fig 2. Imágenes utilizadas para la animación Cuando obtuvimos la Figura 2 proseguimos a realizar un ciclo que nos gire las imágenes cada 30°, este cambiaba de imagen original en imagen a la mitad en imagen al doble, a medida que se cambiaba de imagen se guardaba en un vector todas las imágenes ya mencionadas hasta completar los 20 frames mencionados en la guía del presente laboratorio. Una vez este vector estuviese completo se utilizó la función de Matlab “implay” para ver las imágenes en forma de película. C. Imagen hibrida. Para obtener una imagen hibrida es necesario seguir un numero de pasos. Lo primero que se necesita es buscar dos imágenes que tenga propiedades parecidas, gama de colores similares, tamaño, entre otros. Después de esto se hará un procesamiento especial a cada imagen, para así conformar la imagen hibrida. En este caso, las dos imágenes elegidas fueron: La figura 3 corresponde a la actriz Marilyn Monroe, en esta imagen, se aplicó un filtro gaussiano, por lo que la imagen tendrá un suavizado. Se uso la función “imgaussfilt(Imagen,sigma), donde sigma es la desviación estándar de la distribución gaussiana. Fig 3. Marilyn Monroe, primera imagen escogida Fig 4. Marilyn Monroe, procesada con filtro gaussiano. Se prosigue con el tratamiento para la figura 5 , la cual corresponde a Albert Einstein, en esta imagen se hace todo lo contrario, se busca enmarcar los bordes, por lo que se debe aplicar un filtro pasa altas, para esto con la ayuda del comando “fspecial(type), el cual permite crear un filtro 2 - D ya predefinido type, en este caso se utilizó type = ‘sobel’, es un flitro de enfatización de bordes horizontales. Fig 5. Albert Einstein, segunda imagen escogida.

Procesado de Señales e Imágenes Médicas PSIM 2020 - 2 Fig 9. Ajustes de la imagen respecto a la posición y el tamaño. C. Imagen hibrida. Como se dijo anteriormente, se implementó una interfaz, para así poder interactuar con la imagen y permitir ajustar la distancia en que se encuentra la imagen. Cuando aparentemente la imagen se encuentra cerca, se puede observar la imagen de Albert Einstein. Fig 10. Imagen hibrida cuando se encuentra a una distancia cerca. Mientras que, si se observa desde una distancia mayor, se pueden apreciar los rasgos de Marilyn Monroe. Fig 1 1. Imagen hibrida cuando se encuentra a una distancia lejos. IV. DISCUSIÓN Para poder manipular de manera más optima las señales de EEG se realizó una concatenación de ambas señales, dando como resultado una señal de 240 segundos, de los cuales 180 sin actividad mental y 60 segundos con actividad mental, esto lo realizamos para que de alguna forma pudiera tener un poco más de sentido la clasificación, debido a que se analizaban las señales por separado y el resultado iba a ser básicamente perfecto. Uno de los obstáculos a la hora de clasificar las señales fue que no existe literatura en la cual basarse debido a que en cada persona la amplitud de estas señales va a variar. Finalmente, cuando logramos acabar el algoritmo, obtuvimos un 75% de acerbidad, se realizaron 20 pruebas por paciente. Cuando utilizamos la función “resize” en la animación, se utilizaron dos métodos de interpolación, uno fue el del vecino más cercano para obtener la imagen a la mitad, este consiste en asignar el valor del pixel en el que se encuentra al de salida, es

Procesado de Señales e Imágenes Médicas PSIM 2020 - 2 decir no tiene en cuenta ningún otro pixel; el otro es el método bilineal sí, usado en la obtención de la imagen al doble de su tamaño original el cual calcula los valores de los pixeles de salida mediante un promedio ponderado de los píxeles vecinos 2x2 más cercanos. Una vez teniendo lo antes mencionado, solo fue dejar las imágenes en las mismas dimensiones y rotarlas[1]. De acuerdo con los resultados obtenidos en la imagen hibrida se puede observar cómo se crea la ilusión de que se observan dos imágenes completamente diferentes, todo en función de la distancia del observador. Una de las claves para que esto suceda es seleccionar las dos imágenes a trabajar, donde sus propiedades son similares, en este caso al estar en escalas grises, la posición de los rostros y tamaño va a permitir que la fusión se de lo mejor posible. Adicionalmente, el procesamiento que se realiza a cada una de las imágenes debe ser lo más preciso posible. V. CONCLUSIONES Y SUGERENCIAS. Los conocimientos acerca de filtro y las características del EEG son fundamentales conocerlas para poder realizar un preprocesamiento y una clasificación optima. El procesamiento de imágenes es necesario en muchos campos, desde el área de la medicina hasta el del entretenimiento, por lo que es importante afianzar los conocimientos y técnicas que permiten el desarrollo y ajuste de las imágenes según lo requerido. REFERENCIAS [1] NUMCOLS], [. CAMBIAR EL TAMAÑO DE LA IMAGEN - MATLAB IMRESIZE- MATHWORKS AMÉRICA LATINA. RETRIEVED 3 OCTOBER 2020, FROM HTTPS://LA.MATHWORKS.COM/HELP/IMAGES/REF/IMRESIZE.HTML# D 122 E 138350 [2] [IGOR ZYMA 1, SERGII TUKAEV IVAN SELEZNOV, KEN KIYONO , ANTON POPOV , MARIIA CHERNYKH AND OLEKSII SHPENKOV ] [ELECTROENCEPHALOGRAMS DURING MENTAL ARITHEMETIC TASK PERFOMANCE]