The study of brain electrical activity (BEA) from different cognitive conditions has attracted a lot of interest in the last decade due to the high number of possible applications that could be generated from it. In this work, a discriminative framework for BEA via electroencephalography (EEG) is proposed based on multi-output Gaussian Processes (MOGPs) with a specialized spectral kernel. First, a signal segmentation stage is executed, and the channels from the EEG are used as the model outputs. Then, a novel covariance function within the MOGP known as the multispectral mixture kernel (MOSM) allows us to find and quantify the relationships between different channels. Several MOGPs are trained from different conditions grouped in bi-class problems, and the discrimination is performed based on the likelihood score of the test signals against all the models. Finally, the mean likelihood is computed to predict the correspondence of new inputs with each class’s existing models. Results show that this framework allows us to model the EEG signals adequately using generative models and allows analyzing the relationships between channels of the EEG for a particular condition. At the same time, the set of trained MOGPs is well suited to discriminate new input data.
La Estimulación Cerebral Profunda (DBS) es un tratamiento efectivo para la enfermedad de Parkinson. Gran variedad de modelos matemáticos y computacionales para describir la propagación eléctrica debido a la DBS han sido propuestos, desafortunadamente, no existe claridad sobre las razones que justifican el uso de un modelo específico. En el presente trabajo se presenta una formulación matemática detallada de la propagación eléctrica debido a DBS que soporta un modelo basado en la ecuación de Laplace. Se realizan simulaciones para diferentes modelos geométricos del cerebro para determinar si la geometría, el tamaño y la ubicación de la tierra del modelo afectan la predicción de la estimulación eléctrica mediante el uso del Método de Elementos Finitos (FEM). Los análisis teórico y experimental muestran en primera instancia que la ecuación de Laplace es adecuada para describir la propagación eléctrica en el cerebro, y en segunda instancia que la estructura geométrica, tamaño y ubicación de la tierra afectan la magnitud del potencial eléctrico, particularmente para modos de estimulación monopolar. Los resultados muestran que para modelos básicos y más realistas pueden existir diferencias en la propagación de hasta un 2900%.