Descomposicion espacio-temporal del EEG con el uso de un modelo GARCH

Número: 
Autores/Authors: 
Yanays Rodriguez Puentes, Eduardo Martinez Montes
Palabras Claves / Key words: 
EEG, GARCH, descomposicion espacio temporal, spatio-temporal decomposition
Resumen: 
Actualmente, ninguna tecnica para el estudio del cerebro ofrece informacion de alta resoluci6n espacial y temporal slmultaneamente. Por esto, la fusion del EEG (Electroencephalography) de alta resolucion temporal y la fMRI (functional Magnetic Resonance Imaging) con magnifica resoluci6n espacial, es un resultado cientifico relevante. Dada la disparidad en las escalas temporales de ambas tecnicas, resulta conveniente resumir la enorme cantidad de datos del EEG y relacionar s610 la informacion relevante con los de fMRI. En nuestro trabajo se propone un novedoso metodo de descomposici6n espacio-temporal del EEG, usando un modelo GARCH (Generalized Autoregressive Conditional Heterocedasticity) para el factor temporal. Este considera la volatilidad de las series de tiempo, correspondiente con la modulacion observada en el EEG. EI modelo se valido con datos simulados y reales. EI algoritmo parece captar la modulacion del EEG que se fusionaria con datos de fMRI, sin embargo el costo computacional debe reducirse para facilitar su uso clinico y cientifico.
Abstract: 
Nowadays, there is no technique, for the study of the human brain, providing simultaneously the required high spatial and temporal resolution. Therefore, the fusion of the EEG (Electroencephalography) with high temporal resolution and fMRI (functional Magnetic Resonance Imaging) with high spatial resolution constitutes a .r€levant scientific achievement. The mismatch in the temporal scales of both techniques suggests summarizing the huge amount of EEG data, relating the relevant information with the fMRI. Here, we proposed a novel method for the EEG spatio-temporal decomposition, using a GARCH (Generalized Autoregressive Conditional Heterocedasticity) model for the temporal factor. This model considers the time series volatility, which corresponds to the observed EEG modulation. The method was assessed with synthetic and real data. The algorithm seems to capture the EEG modulation to be related with the fMRI data. However, reducing the computational cost is needed for major scientific and clinical applications.
pdf: