Power spectral analysis of occipital area during eyes-closed and eyes-open

Adolfo González-González; Diego Gallardo; Yolanda Gómez; Marc Zeise

doi:10.24265/liberabit.2025.v31n2.1085

Autores/as

Adolfo González-González Departamento de Psicología, Facultad de Humanidades y Educación, Universidad de Atacama, Chile https://orcid.org/0000-0001-8566-628X
Diego Gallardo Departamento de Estadística, Facultad de Ciencias, Universidad del Bío-Bío, Concepción, Chile https://orcid.org/0000-0001-8184-7403
Yolanda Gómez Departamento de Estadística, Facultad de Ciencias, Universidad del Bío-Bío, Concepción, Chile https://orcid.org/0000-0002-8092-9666
Marc Zeise Escuela de Psicología, Facultad de Humanidades, Universidad de Santiago de Chile, Santiago, Chile https://orcid.org/0000-0001-7683-4878

DOI:

https://doi.org/10.24265/liberabit.2025.v31n2.1085

Palabras clave:

analisis espectral de potencia, EEG, regresión logística, índice de asimetría, FFT

Resumen

Antecedentes: el análisis espectral de potencia de la corteza occipital es fundamental para caracterizar la actividad cerebral en estados de atención y relajación. Objetivos: este estudio tiene como propósito desarrollar un modelo predictivo capaz de distinguir entre los estados de ojos cerrados (EC) y ojos abiertos (EO) utilizando solo dos electrodos (O1 y O2), a partir del análisis de la densidad espectral de potencia (PSD) y un índice de asimetría interhemisférica. Método: se procesaron registros de EEG de 33 estudiantes de séptimo y octavo grado mediante la Transformada Rápida de Fourier (FFT), y se analizaron utilizando un modelo de regresión logística con función de enlace tipo Cauchit. Resultados: el modelo alcanzó un AUC de 84.2%, con niveles satisfactorios de precisión y sensibilidad. Si bien el índice de asimetría por sí solo no resultó altamente predictivo, su incorporación junto con las bandas de frecuencia mejoró significativamente el rendimiento. Conclusiones: esta configuración mínima de EEG demuestra un desempeño confiable para diferenciar estados oculares en entornos no clínicos. El enfoque sugiere aplicaciones potenciales en contextos educativos y de campo, destacando el valor de soluciones EEG de bajo costo para el monitoreo cognitivo.

Descargas

Los datos de descarga aún no están disponibles.

Biografía del autor/a

Adolfo González-González, Departamento de Psicología, Facultad de Humanidades y Educación, Universidad de Atacama, Chile

Adolfo González-González es Psicólogo por la Universidad de Santiago de Chile, con Magíster en Psicología Educacional en la misma institución y Magíster en Estadística por la Universidad de Atacama. Su labor académica y de investigación se centra en neurociencias, psicología educacional y metodología cuantitativa, con experiencia en análisis de datos y modelamiento estadístico aplicado a la psicología. Ha participado en múltiples investigaciones y congresos nacionales e internacionales, contribuyendo al estudio de biomarcadores en salud mental y factores psicosociales en educación.
Diego Gallardo, Departamento de Estadística, Facultad de Ciencias, Universidad del Bío-Bío, Concepción, Chile

Diego Gallardo es académico en el departamento de estadística de la Universidad del Bío-Bío, Chile. Obtuvo su grado de doctor en estadística en la Universidad de Sao Paulo en 2014 y su licenciatura en estadística y computación en 2009 en la Universidad de Santiago de Chile. Fue editor ejecutivo de la Chilean Journal Of Statistics y es mantenedor de los siguientes paquetes en R: skewMLRM, tpn, extrafrail, MCPModBC, PScr y RBE3.
Yolanda Gómez, Departamento de Estadística, Facultad de Ciencias, Universidad del Bío-Bío, Concepción, Chile

Yolanda Gómez es una científica, investigadora y académica chilena. Es reconocida por sus trabajos sobre modelos de sobrevivencia con fracción de cura, teoría de distribuciones y modelos de regresión. Ha sido distinguida por el Ministerio de Ciencias, Tecnología, Conocimiento e Innovación como una de las mujeres referentes en Ciencia, Tecnología, Conocimiento e Innovación (CTCI) de Chile. Fue directora y presidenta de la Sociedad Chilena de Estadística.
Marc Zeise, Escuela de Psicología, Facultad de Humanidades, Universidad de Santiago de Chile, Santiago, Chile

Marc Zeise, neurobiólogo alemán con destacada trayectoria académica e investigativa. Ha sido profesor titular en la Universidad de Chile, en la facultad de humanidades, escuela de psicología, donde tambien se desempeño como coordinador de áreas básicas hasta 2023. Titulado como biólogo en la Universidad de Múnich y obtuvo su doctorado en ciencias en la Universidad de Bochum, Alemania. Posteriormente, logró un segundo doctorado de habilitación en la Universidad de Múnich, lo que le otorgo la Venia Legendi, calificándolo para ejercer como profesor titular en actividad científica.

Referencias

Akaike, H. (1974). A new look at the statistical model identification. IEEE Transactions on Automatic Control, 19(6), 716-723. https://doi.org/10.1109/tac.1974.1100705

Alagia, R. A. (2018). Procesamiento de artefactos en EEG para aplicaciones de comunicación y control [Trabajo de fin de grado, Universitat Politècnica de València]. Repositorio UPV. http://hdl.handle.net/10251/104163

Babini, M., Kulish, V., & Namazi, H. (2020). Physiological state and learning ability of students in normal and virtual reality conditions: Complexity-based analysis. Journal of Medical Internet Research, 22(6), e17945. https://doi.org/10.2196/17945

Barlow, J. S. (1985). A general-purpose automatic multichannel electronic switch for EEG artifact elimination. Electroencephalography and Clinical Neurophysiology, 60(2), 174-176. https://doi.org/10.1016/0013-4694(85)90025-2

Barrett, K. E., Barman, S. M., Brooks, H., &, Yuan J. (2020). Ganong fisiología médica (26.a ed.). McGraw-Hill Interamericana.

Berger, H. (1929). Über das Elektrenkephalogramm des Menschen. Archiv für Psychiatrie und Nervenkrankheiten, 87, 527-570. https://doi.org/10.1007/BF01797193

Bonet, J. (2017). Visualización de valencia (Pleasure-Dominance-Arousal) en el dispositivo MUSE [Tesis de maestría, Universitat de Lleida]. http://hdl.handle.net/10459.1/60050

Cerda, J., & Cifuentes, L. (2012). Uso de curvas ROC en investigación clínica: Aspectos teórico-prácticos. Revista Chilena de Infectología, 29(2), 138-141. https://doi.org/10.4067/S0716-10182012000200003

Cooley, J., Lewis, P., & Welch, P. (1969). The finite Fourier transform. IEEE Transactions on Audio and Electroacoustics, 17(2), 77-85. https://doi.org/10.1109/TAU.1969.1162036

Davis, J. J. J., & Kozma, R. (2018). Visualization of human cognitive state monitored by high-density EEG arrays. Procedia Computer Science, 144, 219-231. https://doi.org/10.1016/j.procs.2018.10.522

EMOTIV. (2024). EPOC X - 14 channel wireless EEG headset. http://www.emotiv.com/epoc/

Fingelkurts, A. A., & Fingelkurts, A. A. (2010). Morphology and dynamic repertoire of EEG short-term spectral patterns in rest: Explorative study. Neuroscience Research, 66(3), 299-312. https://doi.org/10.1016/j.neures.2009.11.014

Helwig, N. (2018) eegkit: Toolkit for Electroencephalography Data. R package version 1.0-4. Available online: https://CRAN.R-project.org/package=eegkit.

Hernández F., & Mazo, M. (2020). Modelos de Regresión con R. Available on https://fhernanb.github.io/libro regresion (accessed on 01 march 2022).

Hinrikus, H., Suhhova, A., Bachmann, M., Aadamsoo, K., Võhma, Ü., Lass, J., & Tuulik, V. (2009). Electroencephalographic spectral asymmetry index for detection of depression. Medical & Biological Engineering & Computing, 47(12), 1291-1299. https://doi.org/10.1007/s11517-009-0554-9

Inouye, T., Shinosaki, K., Sakamoto, H., Toi, S., Ukai, S., Iyama, A., Katsuda, Y., & Hirano, M. (1991). Quantification of EEG irregularity by use of the entropy of the power spectrum. Electroencephalography and Clinical Neurophysiology, 79(3), 204-210. https://doi.org/10.1016/0013-4694(91)90138-t

Jahr, M. (2020). Evaluación de un biomarcador como indicador de Trastorno de Déficit de Atención/Hiperactividad (TDAH): Un estudio correlacional [Tesis de maestría, Universidad de Santiago de Chile].

Jiménez-Guarneros, M., & Alejo-Eleuterio, R. (2022). A class-incremental learning method based on preserving the learned feature space for EEG-based emotion recognition. Mathematics, 10(4), 598. https://doi.org/10.3390/math10040598

Kang, M., Kwon, H., Park, J. H., Kang, S., & Lee, Y. (2020). Deep-asymmetry: Asymmetry matrix image for deep learning method in pre-screening depression. Sensors, 20(22), 6526. https://doi.org/10.3390/s20226526

Kirschfeld, K. (2005). The physical basis of alpha waves in the electroencephalogram and the origin of the “Berger effect”. Biological Cybernetics, 92(3), 177-185.

https://doi.org/10.1007/s00422-005-0547-1

Klem, G. H., Lüders, H. O., Jasper, H. H., & Elger, C. (1999). The ten-twenty electrode system of the International Federation. Electroencephalography and Clinical Neurophysiology Supplement, 52, 3-6.

Koenker, R., & Yoon, J. (2009). Parametric links for binary choice models: A Fisherian-Bayesian colloquy. Journal of Econometrics, 152(2), 120-130. https://doi.org/10.1016/j.jeconom.2009.01.009

Lekova, A., & Chavdarov, I. (2021). A fuzzy shell for developing an interpretable BCI based on the spatiotemporal dynamics of the evoked oscillations. Computational Intelligence and Neuroscience, 2021(1). https://doi.org/10.1155/2021/6685672

López-González, E.; Ruiz-Soler, M. (2011) Análisis de datos con el Modelo Lineal Generalizado. Una Aplicación con R. Revista española de pedagogía, 248, 59–80.

Luck, S. J. (2014). An introduction to the event-related potential technique (2nd ed.). MIT Press. https://mitpress.mit.edu/9780262525855/an-introduction-to-the-event-related-potential-technique/

Ma, P., & Gao, Q. (2020). EEG signal and feature interaction modeling-based eye behavior prediction research. Computational and Mathematical Methods in Medicine, 2020(1). https://doi.org/10.1155/2020/2801015

Martínez, M. A., & Morales, J. (2001). Modelos lineales generalizados. Universidad Miguel Hernández de Elche. https://tauniversity.org/sites/default/files/modelos_lineales_generalizados_book_pdf.pdf

Metzen, D., Genç, E., Getzmann., Larra, F., Wascher, E., & Ocklenburg, S. (2022). Frontal and parietal EEG alpha asymmetry: A large-scale investigation of short-term reliability on distinct EEG systems. Brain Structure Function, 227, 725-740. https://doi.org/10.1007/s00429-021-02399-1

Moodley, A. (2016). Understanding vision and the brain. Community Eye Health, 29(96), 61-63.

Phillips, V. Z., Canoy, R. J., Paik, S. H., Lee, S. H., & Kim, B. M. (2023). Functional near-infrared spectroscopy as a personalized digital healthcare tool for brain monitoring. Journal of Clinical Neurology, 19(2), 115-124. https://doi.org/10.3988/jcn.2022.0406

Pierce, D. & Schafer, D. (1986). Residuals in Generalized Linear Models. Journal of the American Statistical Association, 81, 977–986.

Proakis, J., & Manolakis, D. (2013). Digital signal processing (4th ed.). Pearson International.

Rhoades, R., & Bell, D. (2018). Fisiología médica. Fundamentos de medicina clínica (5.a ed.). Wolters Kluwer.

Singh, P., Joshi, S. D., Patney, R. K., & Saha, K. (2015). Fourier-based feature extraction for classification of EEG signals using EEG rhythms. Circuits, Systems, and Signal Processing, 35(10), 3700-3715. https://doi.org/10.1007/s00034-015-0225-z

Schwarz, G. (1978). Estimating the Dimension of a Model. The Annals of Statistics 6, no. 2. 461–64. http://www.jstor.org/stable/2958889.

Trejo-Alcantara, G., & Castañeda-Villa, N. (2017). Effect of EEG pre-processing on independent component analysis: Reduction of cochlear implant artifact in auditory evoked potentials. Revista Mexicana de Ingeniería Biomédica, 38(1), 382-389. https://doi.org/10.17488/rmib.38.1.34

Vidal, C., & Gatica, V. (2013). Design and implementation of a digital electrocardiographic system. Revista Facultad de Ingeniería Universidad de Antioquia, 55, 99-107. https://doi.org/10.17533/udea.redin.14718

Xu, B., Li, W., Liu, D., Zhang, K., Miao, M., Xu, G., & Song, A. (2022). Continuous hybrid BCI control for robotic arm using noninvasive electroencephalogram, computer vision, and eye tracking. Mathematics, 10(4), 618. https://doi.org/10.3390/math10040618

Zhang, Y., Zhang, Z., Du, F., Song, J., Huang, S., Mao, J., Xiang, W., Wang, F., Liang, Y., Chen, W., Lin, Y. & Han, C. (2024). Shared oscillatory mechanisms of alpha-band activity in prefrontal regions in eyes open and closed state using a portable EEG acquisition device. Scientific Reports, 14(1), 26719. https://doi.org/10.1038/s41598-024-78173-0