Introduciendo SigProU, una interfaz
gr�fica de usuario para el an�lisis y procesamiento de se�ales EEG
Alina Santill�n Guzm�n
Azael Campeche Ram�rez
Universidad Popular Aut�noma del Estado de Puebla
Puebla - M�xico
RESUMEN
Las se�ales electroencefalogr�ficas (EEG) suelen ser procesadas digitalmente usando diversos softwares como Python y MATLAB. En este art�culo se presenta una interfaz gr�fica de usuario para llevar a cabo el filtrado pudiendo elegir filtros pasa-bajas, pasa-altas, pasa-banda y rechaza-banda en diferentes aproximaciones (Butterworth, Chebyshev I, Chebyshev II o inverso, El�ptico). Asimismo, es posible realizar el an�lisis en tiempo (calculando la varianza, curtosis, correlaci�n) y frecuencia (obteniendo la densidad espectral de potencia y la coherencia), as� como el despliegue de mapas topogr�ficos de se�ales EEG. La interfaz gr�fica, llamada SigProU, ha sido desarrollada en MATLAB y se ha realizado la versi�n ejecutable para que pueda ser usada en cualquier computadora, a�n sin tener el software instalado. SigProU es una interfaz amigable e intuitiva y fue comparada con EEGLAB, una interfaz com�nmente usada para el procesamiento de se�ales EEG. Es conveniente mencionar que no se pretende competir con dicha interfaz, sino m�s bien mostrar una herramienta m�s para el procesamiento de las se�ales EEG.
Palabras clave: interfaz gr�fica de usuario; EEG; procesamiento.
Introducing SigProU, a graphical user interface to analyze
�and process EEG signals
ABSTRACT
Electroencephalographic (EEG) signals are used to be digitally processed using software such as Python and MATLAB. In this paper a graphical user interface is presented, which is used to filter the signals by means of a low-pass, high-pass, band-pass and stop-band filters, in different approximations (Butterworth, Chebyshev I, Chebyshev II or inverse Chebyshev, Elliptic). Moreover, it is possible to analyze the signals in time (computing the variance, kurtosis, correlation) and frequency (computing the power spectral density and coherence), and also the topographic maps of the EEG signals are displayed. The graphical user interface, called SigProU, has been developed in MATLAB and a .exe version has been created in order to use the interface in any computer, even if MATLAB is not installed. SigProU is an intuitive and friendly interface and has been compared to EEGLAB, which is commonly used to process EEG signals. It is important to mention that it is not intended to compete against EEGLAB, but to show that SigProU can be one more tool to process the EEG signals.
Keywords: graphical user interface; EEG; processing
Art�culo recibido:� 02 noviembre. 2021
Aceptado para publicaci�n: 28 noviembre 2021
Correspondencia: [email protected]
Conflictos de Inter�s: Ninguna que declarar
1. INTRODUCCI�N
Las se�ales electroencefalogr�ficas (EEG) son usadas para diagnosticar o analizar la evoluci�n de diferentes des�rdenes o enfermedades neurol�gicas, como el Parkinson o la epilepsia. Asimismo, tambi�n son usadas para determinar los diferentes estados que los sujetos de prueba tienen mientras hacen alguna actividad o son estimulados. Las se�ales EEG, tambi�n llamadas ritmos cerebrales, tienen un rango de frecuencia de 0.1 a 100 Hz, siendo el ritmo delta el m�s lento (0.1-4 Hz) y gamma el m�s r�pido (30-100 Hz) (Sanei y Chambers, 2007). Dichas se�ales son usualmente contaminadas con artefactos (distorsiones) fisiol�gicos (movimientos oculares, musculares, ritmo cardiaco) o t�cnicos (l�nea de alimentaci�n) (Sanei y Chambers, 2007; Ille, 2001), los cuales deber�n eliminarse en la medida de lo posible, ya que suelen ocultar la informaci�n cerebral a ser analizada posteriormente. Para ello, diferentes tipos de filtros suelen usarse. Por ejemplo, existe el filtro pasa-bajas, pasa-banda o rechaza-banda para eliminar artefactos musculares, dejar pasar solo un rango de frecuencias o para eliminar el artefacto de la l�nea de alimentaci�n, respectivamente (Malvino, 2000). Existen otras t�cnicas m�s complejas para poder eliminar artefactos, tales como el an�lisis de componentes independientes (ICA, por sus siglas en ingl�s) (Hyv�rinen y Oja, 2000; Hyv�rinen, 1999; Vig�rio, S�rel�, Jousm�ki, H�m�l�inen y Oja, 2000) o descomposici�n emp�rica de modos (EMD) (Huang et al. 1998). Adem�s de llevar a cabo un filtrado en las se�ales, tambi�n es necesario analizarlas en tiempo y en frecuencia. Para ello, se pueden obtener medidas estad�sticas como la varianza, la curtosis, e incluso calcular la correlaci�n que existe entre dos diferentes se�ales (canales o electrodos). De esta manera se puede llevar a cabo la caracterizaci�n de se�ales en el dominio del tiempo. Mientras tanto, para el an�lisis en frecuencia, es posible obtener la densidad espectral de potencia, con la cual se pueden visualizar las frecuencias caracter�sticas de las se�ales y determinar cu�les corresponden a se�ales deseadas y cu�les se tendr�an que eliminar. Adem�s, se puede obtener la potencia por bandas, dependiendo cu�l se pretenda analizar. El c�lculo de la potencia de banda es usado para obtener los mapas topogr�ficos y con ello visualizar cu�les zonas cerebrales est�n m�s activadas.
Existen diferentes herramientas gr�ficas que ayudan al procesamiento y visualizaci�n de las se�ales EEG. Una de ellas es TMSEEG, la cual es una interfaz gr�fica de usuario para el procesamiento de se�ales electrofisiol�gicas durante estimulaci�n magn�tica transcraneal (TMS). Dicha interfaz pretende promover la gran utilidad de este tipo de herramientas para la investigaci�n del cerebro (Atluri et al., 2016). Otra interfaz gr�fica de usuario, implementada en MATLAB, fue creada para detectar los parpadeos. En esta interfaz, se seleccionan los canales, se filtran y se promedian las se�ales para lograr la detecci�n (Selvi, Ferıkoğlu, G�zel y Karag�z, 2017). Tambi�n se pueden encontrar interfaces espec�ficas para filtrado, como por ejemplo fasticag (FastICA online, 2018) la cual sirve para hacer una descomposici�n de las se�ales EEG y eliminar diferentes tipos de artefactos. Otra interfaz de uso espec�fico es HERMES (Niso et al., 2013), la cual mide la conectividad de las se�ales a trav�s del c�lculo de correlaci�n, coherencia, sincronizaci�n en fase, causalidad de Granger, entre otros.
Una de las herramientas m�s comunes y utilizadas para el procesamiento de se�ales EEG es EEGLAB (Delorme y Makeig, 2004), con la cual se pueden filtrar las se�ales con filtros de tipo FIR (Finite Impulse Response), con ICA, seleccionar canales o componentes a analizar y obtener sus caracter�sticas espectrales a trav�s de mapas topogr�ficos.
En el presente trabajo se introduce una nueva herramienta llamada SigProU, con la cual se pueden filtrar se�ales EEG, analizar en tiempo (c�lculo de varianza, curtosis, correlaci�n) y frecuencia (Coherencia, densidad espectral de potencia, espectrograma), as� como el despliegue de mapas topogr�ficos en las diferentes bandas (theta:4-7 Hz, alpha: 8-12 Hz, Beta: 12-30 Hz). Cabe mencionar que esta nueva interfaz gr�fica de usuario est� en espa�ol y es de uso acad�mico y no pretende competir con EEGLAB, sino m�s bien mostrar que puede ser una herramienta m�s para poder llevar a cabo el an�lisis y procesamiento de se�ales EEG de una forma intuitiva y amigable.
En la secci�n 2 se presentan de forma te�rica lo que se ha implementado en esta interfaz. La secci�n 3 muestra los resultados tras hacer la implementaci�n en MATLAB y se presentan ejemplos de su uso y una comparaci�n de funcionamiento con respecto a EEGLAB. La secci�n 4 presenta las conclusiones y el trabajo a futuro a desarrollar.
2. INTERFAZ GR�FICA DE USUARIO SigProU
A continuaci�n, se presenta la descripci�n te�rica de los diferentes tipos de filtros digitales implementados en la interfaz gr�fica de usuario, as� como los c�lculos estad�sticos y en frecuencia y los mapas topogr�ficos. Cabe mencionar que, en cualquiera de las secciones de la interfaz, es posible guardar las se�ales originales, filtradas, as� como los c�lculos realizados.
2.1. Filtrado
Un filtro digital es un conjunto de operaciones que se le aplican a una se�al de entrada para generar una se�al de salida, atenuando ciertas frecuencias y dejando pasar las que resulten de inter�s. En la secci�n llamada �Filtrado� dentro de SigProU se encuentra una serie de filtros (pasa-bajas, pasa-altas, pasa-banda y rechaza-banda) en diferentes aproximaciones (Butterworth, Chebyshev I, Chebyshev II o inverso y El�ptico), con los cuales las se�ales EEG seleccionadas (puede ser solo una o pueden ser varias) son filtradas y de esta manera eliminar diferentes tipos de artefactos o solamente dejar pasar el rango de frecuencias deseado para su posterior an�lisis.
Los filtros pasa-bajas, como su nombre lo indica, dejar�n pasar las bajas frecuencias, desde cero hasta una frecuencia de corte determinada, conocida como banda-pasante, y atenuar�n el resto (banda-eliminada). Los filtros pasa-altas dejar�n pasar las altas frecuencias desde una frecuencia de corte en adelante. Los filtros pasa-bandas tendr�n dos frecuencias de corte, la inferior y superior, teniendo as� un ancho de banda, la cual ser� lo que dejar�n pasar, atenuando las dem�s frecuencias que no est�n incluidas dentro de esta banda. Mientras que los filtros rechaza-banda dejar�n pasar solamente un rango de frecuencias que est�n de 0 a la frecuencia de corte inferior y de la frecuencia de corte superior en adelante; rechazando las frecuencias que est�n entre la inferior y superior.
Idealmente, la regi�n de transici�n entre la banda pasante y la banda eliminada es vertical. Sin embargo, en la pr�ctica esto no sucede y por lo tanto es necesario hacer aproximaciones para llevar a cabo el filtrado lo m�s cercano a la forma ideal.
2.1.1. Aproximaci�n Butterworth
Los filtros Butterworth se caracterizan por tener una amplitud m�ximamente plana en la banda pasante y una ca�da monot�nica en la banda eliminada. La pendiente decae a raz�n de 20 n dB/d�cada o 6 n dB/octava, siendo n el orden del filtro (Malvino, 2000).
2.1.2. Aproximaci�n Chebyshev I
El filtro Chebyshev I, o simplemente Chebyshev, presenta rizos en la banda pasante, lo cual conlleva a amplitudes que fluct�an en las se�ales filtradas en las frecuencias de la banda-pasante. Sin embargo, la ventaja de este filtro es que su pendiente de ca�da es m�s r�pida que los filtros Butterworth por 6(n-1) dB (Malvino, 2000). La amplitud de los rizos est� dada en dB y depende del usuario seleccionar su valor.
2.1.3. Aproximaci�n Chebyshev II
Tambi�n llamado Chebyshev inverso, presenta rizos en la banda-eliminada, y una amplitud plana en la banda-pasante (Malvino, 2000). El valor del rizo en la banda-eliminada est� dado en dB y es definido por el usuario. La ventaja de este filtro es que no habr� atenuaciones en la banda pasante, pero la desventaja es que habr� amplitudes oscilantes en la se�al filtrada en las frecuencias de la banda-eliminada.
2.1.4. Aproximaci�n El�ptica
Este tipo de aproximaci�n presenta rizos tanto en la banda pasante como en la banda eliminada, por lo que habr� atenuaciones en la se�al de salida en las frecuencias de la banda pasante y habr� amplitudes oscilantes en la se�al filtrada en las frecuencias de la banda-eliminada (Malvino, 2000). La ventaja de esta aproximaci�n es que se logra un dise�o eficiente con un orden menor, comparado con las dem�s aproximaciones.
En todos los tipos de filtro implementados en SigProU y sus correspondientes aproximaciones, es posible que, dependiendo de los requerimientos del usuario respecto al filtrado, se elijan tanto el tipo de filtro, la aproximaci�n que considere conveniente, as� como los par�metros de entrada para el filtro elegido (valor de rizos, frecuencia(s) de corte, orden y la se�al o se�ales a ser filtradas).
2.2. An�lisis en Tiempo
En la secci�n �An�lisis� es posible hacer �ste en el tiempo y en la frecuencia. En el an�lisis en el dominio del tiempo se calcula la varianza, la cual es una medida de dispersi�n que en se�ales EEG es usada para determinar si existe alguna distorsi�n o alg�n evento (por ejemplo, epil�ptico), ya que el valor de la varianza en estos casos suele ser alta, en comparaci�n con se�ales no distorsionadas o consideradas como normales. Asimismo, se calcula la curtosis, la cual tambi�n es una medida estad�stica que mide la distribuci�n de la se�al. Si la distribuci�n es Gaussiana, la curtosis es cero. Si la distribuci�n es super-Gaussiana, la curtosis es positiva y si la distribuci�n es sub-Gaussiana, la curtosis es negativa (Heumann, Schomaker y Shalabh, 2016). La curtosis tambi�n es empleada para determinar diferentes tipos de distorsiones o la presencia de alg�n evento en las se�ales EEG.
Otro c�lculo que se realiza en el dominio del tiempo es el de la correlaci�n, la cual es la relaci�n de similitud que existe entre dos canales o se�ales. Si su valor es muy cercano a +1 entonces existe una muy alta similitud entre las dos se�ales analizadas (Van Drongelen, 2007).
Para el caso de la varianza y la curtosis, el usuario puede seleccionar el n�mero de segundos por segmento que quiera o necesite para calcular ambas medidas. Adem�s, se obtiene el promedio de la varianza y curtosis por todos los segmentos calculados.
Para el caso de la correlaci�n, el usuario selecciona los canales que quiere analizar, selecciona tambi�n el n�mero de segundos por segmento para obtener la correlaci�n, el n�mero de �lags� y el tipo de normalizaci�n a ser calculada. Se muestra el promedio de la correlaci�n calculada por todos los segmentos.
2.3. An�lisis en Frecuencia
Adem�s de poder analizar las se�ales EEG en el dominio del tiempo, se pueden analizar en el dominio de la frecuencia.
En la interfaz SigProU es posible obtener el Espectro de Potencia o la Densidad Espectral de Potencia de la se�al o se�ales elegida(s) por el usuario. El espectro de potencia es usado para obtener las frecuencias que caracterizan a la se�al analizada. Para ello, es necesario obtener la Transformada de Fourier de la se�al en el tiempo y multiplicarla por su conjugado para obtener la potencia. De esta manera, es posible visualizar el espectro y determinar qu� frecuencias tienen mayor o menor potencia, y por ende proporcionan informaci�n sobre se�ales o posibles distorsiones en las mismas.
Asimismo, es posible calcular la Coherencia, que es la medida de qu� tan similares son dos se�ales en determinadas frecuencias. Mientras m�s cercano a 1 es el valor de la coherencia, mayor similitud habr� de las se�ales en dicha frecuencia (Van Drongelen, 2007).
�El Espectrograma tambi�n es obtenido y graficado en la interfaz. El espectrograma es la representaci�n de la potencia (dependiendo el color) en tiempo y frecuencia de la se�al a ser analizada. Se calcula usando la transformada de Fourier por ventanas. La longitud de cada ventana es elegida por el usuario.
2.4. Mapas Topogr�ficos
En la secci�n de �Mapas� es posible observar la representaci�n de la cabeza iluminada en diferentes colores indicando qu� tanta actividad est� sucediendo en las distintas �reas cerebrales. El color rojo indica mucha actividad, mientras que color azul indica que la actividad es casi nula.
Se usa uno de los modelos v�lidos para la representaci�n de la superficie de la cabeza, el modelo plano (Mecarelli, 2019). El modelo permite la localizaci�n de los electrodos con coordenadas X Y. Con las coordenadas y la informaci�n del EEG, se aplica una interpolaci�n de spline (Christoph, Koening, Brandeis, Gianotti y Wackermann, 2009). Esto permite tener informaci�n para poder representar la menor y mayor actividad cerebral.
Los mapas topogr�ficos son obtenidos usando la potencia existente en cierto intervalo y se grafica por cada ritmo cerebral. As�, es posible observar el mapa de la onda delta, theta, alpha, beta y gamma. El usuario puede elegir una o m�s bandas a observar.
3. RESULTADOS Y DISCUSI�N
En la Fig. 1 se muestra el Men� Principal de la interfaz SigProU. Ah� se muestran las tres secciones descritas anteriormente. Cuando el usuario da click en cada una de ellas, se muestra una peque�a descripci�n de lo que se podr� hacer en cada caso.
Figura 1. Men� Principal de la interfaz gr�fica SigProU
Cuando el usuario elige cualquiera de las opciones, tiene que elegir la serie de datos que utilizar�, as� como el sistema con el que fueron adquiridas las se�ales para poder elegir los canales. En la interfaz est�n los sistemas del EMOTIV Epoc+, BESA, configuraciones de 25, 32, 64, 75 canales y personalizado. En este �ltimo, el usuario puede usar un archivo de formato espec�fico, para trabajar con una configuraci�n de canales que no se encuentre dentro de la interfaz. En el formato, se requiere colocar las coordenadas esf�ricas de los electrodos que se usaron. El usuario seleccionar� aqu�l que corresponda a las se�ales a analizar y asimismo el o los canales que procesar� o analizar� posteriormente. En la Fig. 2 se muestra un ejemplo de c�mo se ve esta etapa, donde se observa el sistema EMOTIV del Epoc+.
Figura 2. Ejemplo del sistema de posicionamiento del EMOTIV Epoc+ y los canales a seleccionar para ser analizados y procesados en la interfaz gr�fica.
Una vez elegidos los canales y las se�ales a ser analizadas, y previo al filtrado, se pueden graficar las se�ales originales en el tiempo, tal como se observa en la Fig. 3, donde el eje x corresponde al tiempo en segundos y el eje y es cada canal con su correspondiente etiqueta. Con los s�mbolos �<<� y �>>� se pueden ir pasando 20 s hacia atr�s o hacia adelante, respectivamente. Con los s�mbolos �<� y �>� se ve un segundo menos o un segundo m�s, respectivamente en cada ventana. Tambi�n se pueden escribir los par�metros de los datos crudos, como la frecuencia de muestreo, la longitud de la ventana que se quiere visualizar, el tiempo de inicio donde comenzar� la muestra, un acercamiento y un alejamiento para mejorar la visualizaci�n de la muestra. Como ejemplo se despliegan 20 s de se�ales EEG de un sujeto sano, con una frecuencia de muestreo de 128 Hz.
En la Fig. 4 se est�n graficando las mismas se�ales EEG usando EEGLAB a manera de comparaci�n con las mostradas en SigProU. Como se puede observar, en ambas interfaces las se�ales lucen muy similares, lo cual indica que la interfaz propuesta es comparable con la ya existente.
Figura 3. Visualizaci�n de las se�ales originales previo al filtrado, usando SigProU.
Figura 4. Visualizaci�n de las se�ales originales usando EEGLAB
En la Fig. 5 se muestra un ejemplo de la interfaz de filtrado con un filtro pasa-bajas Butterworth de cuarto orden y cuya frecuencia de corte es 15 Hz. En la parte izquierda se presentan todos los tipos y aproximaciones de filtros que pueden usarse. En la parte superior derecha se grafican las se�ales originales y filtradas y en la parte inferior derecha la densidad espectral de potencia de la se�al original y filtrada del canal que seleccione el usuario. En el ejemplo puede observarse que el filtro est� funcionando correctamente, al eliminar las frecuencias mayores a� 15 Hz y dejando pasar las bajas frecuencias.
Figura 5. Ejemplo de se�ales filtradas usando un filtro pasa-bajas Butterworth de cuarto orden y frecuencia de corte de 15 Hz, usando la interfaz SigProU.
En la Fig. 6 se muestra la interfaz de an�lisis en el dominio del tiempo. Como se puede observar en la parte superior izquierda est� el panel donde se ingresan los par�metros de las se�ales, tales como frecuencia de muestreo, longitud e inicio de la se�al a analizar, canales a elegir. En el siguiente panel (centro izquierdo) se puede escribir el n�mero de segundos por segmento para calcular la varianza y la curtosis, as� como el canal al que se quiere hacer los c�lculos. Asimismo, se despliegan los resultados del promedio de la varianza y curtosis. En el siguiente panel se eligen los canales a correlacionar seleccionando el tipo de normalizaci�n para el c�lculo de la correlaci�n, el n�mero de lags y los segundos por segmento. En la parte derecha se muestran las se�ales originales (parte superior), los resultados de la varianza y curtosis por cada segmento elegido (parte central) y posteriormente los canales a correlacionar y su correspondiente valor de correlaci�n.
Figura 6. Ejemplo de la interfaz de an�lisis en el dominio del tiempo.
A manera de ejemplo de la interfaz de an�lisis en la frecuencia, se presenta el resultado de la coherencia entre dos canales seleccionados, tal como se observa en la Fig. 7. En dicha interfaz, adem�s de ingresar la frecuencia de muestreo, longitud e inicio de la se�al a analizar, tambi�n se escriben las frecuencias m�nima y m�xima a observar en el espectro de potencia. Asimismo, es posible escribir la longitud de la ventana para calcular el espectrograma y la coherencia. Se puede hacer un acercamiento a cada figura, elegir los canales para graficar su correspondiente espectro, entre otros.
Figura 7. Interfaz de an�lisis en el dominio de la frecuencia. Ejemplo para la Coherencia.
En la Fig. 8 se muestra la interfaz de Mapas, en el ejemplo se muestran los diferentes mapas topogr�ficos de todas las bandas de los ritmos cerebrales. En la parte derecha se muestra el mapa topogr�fico correspondiente al punto indicado por la l�nea (aproximadamente 8.5 segundos despu�s de iniciado el an�lisis). En la Fig. 9 se muestra el mapa topogr�fico obtenido con EEGLAB en el mismo punto que con SigProU. Como se puede observar, en ambas im�genes se tiene una mayor actividad en la parte occipital izquierda. Esto quiere decir que los resultados de SigProU son comparables con los de EEGLAB.
Figura 8. Interfaz Mapas mostrando un ejemplo con las se�ales EEG. Se pueden observar los mapas topogr�ficos en las diferentes bandas de frecuencias.
Figura 9. Mapa topogr�fico tomado 8.492 segundos despu�s de iniciado el an�lisis, usando EEGLAB. Se observa mayor actividad en la parte occipital izquierda.
4. CONCLUSI�N
En el presente trabajo se describi� la interfaz gr�fica SigProU, la cual puede ser utilizada como herramienta alternativa acad�mica para el procesamiento de se�ales EEG. Es una interfaz gr�fica amigable e intuitiva implementada en MATLAB. A trav�s de ejemplos se mostr� el correcto funcionamiento de cada secci�n de la interfaz: Filtros, An�lisis (en tiempo y frecuencia) y Mapas topogr�ficos. Asimismo, se hizo una comparaci�n con EEGLAB y se demostr� que el funcionamiento de SigProU es comparable con �ste, especialmente en los Mapas Topogr�ficos, tomando en cuenta que en la interfaz propuesta se pueden observar m�s mapas seg�n las bandas de los ritmos cerebrales, lo cual representa m�s informaci�n que se puede obtener de la interfaz.
Los par�metros de entrada pueden ser elegidos y escritos por el usuario y en caso de que �ste cometa un error, mensajes de advertencia aparecen para que rectifique.
Se cre� una versi�n ejecutable para que pueda ser usada en cualquier computadora sin necesidad de instalar el software y con ello cualquier usuario puede emplear esta interfaz.
El idioma de SigProU es el espa�ol facilitando de esta manera su uso para estudiantes e investigadores de habla hispana, sin embargo, como trabajo futuro se pretende hacer la misma interfaz en ingl�s para que pueda ser usada por m�s personas. Adem�s, se integrar�n m�s secciones, especialmente para la detecci�n semi-autom�tica de artefactos y su eliminaci�n.
5.� LISTA DE REFERENCIAS
Atluri, S., Frehlich, M., Mei, Y., Garc�a L., Rogasch, NC., Wong, W., Daskalakis ZJ. y Farzan, F. (2016). TMSEEG: A MATLAB-Based Graphical ���� User ��� Interface for Processing Electrophysiological Signals during Transcranial �� Magnetic Stimulation. Front Neural Circuits, 7, 10-78. https://doi.org/10.3389/fncir.2016.00078
Christoph, M., Koening, T., Brandeis, D., Gianotti, L. y Wackermann, J. (2009), Electrical Neuroimaging, Cambridge.
Delorme, A. y Makeig, S. (2004). EEGLAB: an open source toolbox for analysis of single-trial EEG dynamics including independent component analysis. J Neurosci Methods, 134(1), 9-21. https://doi.org/10.1016/j.jneumeth.2003.10.009
FastICA. FastICA MATLAB package [Internet].� 2018, Nov. Available from: https://research.ics.aalto.fi/ica/fastica/code/dlcode.shtml
Heumann, C., Schomaker, M. y Shalabh. (2016). Measures of Central Tendency and Dispersion. Introduction to Statistics and Data Analysis (pp. 50-52). Suiza,Springer Nature.
Huang, NE et al. (1998).� The empirical mode decomposition and Hilbert spectrum for nonlinear and non-stationary time series analysis. Proceedings of the Royal Society of London. Series A: Mathematical, Physical and Engineering Sciences, 454, 903-995. https://doi.org/10.1098/rspa.1998.0193
Hyv�rinen, A. y Oja, E. (2000). Independent component analysis: Algorithms and applications. Neural Networks 13(4-5), 411-430. doi: https://doi.org/10.1016/S0893-6080(00)00026-5.
Hyv�rinen, A. (1999). Fast and Robust Fixed-Point Algorithms for Independent Component Analysis. IEEE on Transactions on Neural Networks, 10(3), 626-634. https://doi.org/10.1109/72.761722
Ille, N. (2001). Artifact correction in continuous recordings of the electro-and magneto-encephalogram by spatial filtering (PhD thesis). Universit�t Mannheim.
Malvino, A. P. (2000). Principios de Electr�nica. Espa�a: Mc Graw Hill.
Mecarelli, O. (2019) . Clinical Electroencephalography, Springer.
Niso, G. et al. (2013) HERMES: towards an integrated toolbox to characterize functional and effective brain connectivity. Neuroinformatics, 11(4), 405-434, https://doi.org/10.1007/s12021-013-9186-1
Sanei, S., y Chambers, J. (2007). EEG Signal Processing. England: John Wiley & Sons Ltd. https://doi.org/10.1002/9780470511923.
Selvı A. O., Ferıkoğlu, A., G�zel, D. y Karag�z, E. (2017). Design and implementation of EEG signal based brain computer interface for eye blink ���������� detection. 2017 International Conference on Computer Science and Engineering (UBMK), 544-548. https://doi.org/10.1109/UBMK.2017.8093458
Van Drongelen, W. (2007). LTI Systems, Convolution, Correlation, and Coherence. Signal Processing for Neuroscientists (pp. 136-142). Elsevier
Vig�rio, R., S�rel�, J., Jousm�ki, V., H�m�l�inen, M. y Oja, E. (2000). Independent component approach to the analysis of EEG and MEG recordings. IEEE ����������� Transactions on Biomedical Engineering, 47(5), 589-593. https://doi.org/10.1109/10.841330