tesis carrera de maestr ia en f isicaricabib.cab.cnea.gov.ar/520/1/1velarde.pdf · osvaldo mat as...
TRANSCRIPT
TESIS CARRERA DE MAESTRIA EN FISICA
ESTUDIO DE LA DINAMICA DE NUCLEOSNEURONALES CON APLICACIONES AL
TRATAMIENTO DE TRASTORNOS MOTORES
Osvaldo Matıas Velarde.Maestrando
Damian Dellavale, PhD.Director
German Mato, PhD.Co-director
Miembros del JuradoInes Samengo, PhD.
Marcelo Kuperman, PhD.
Yimy Amarillo, PhD, MD.
Diciembre de 2015
Laboratorio de Bajas Temperaturas – Centro Atomico Bariloche
Instituto BalseiroUniversidad Nacional de Cuyo
Comision Nacional de Energıa AtomicaArgentina
A mi familia.
A mis amigos.
A mis directores.
A todos los que estuvieron
en las buenas y en las malas.
Indice de contenidos
Indice de contenidos v
Indice de figuras vii
Indice de tablas xiii
Resumen xv
1. Introduccion 1
1.1. Sistema motor y sus patologıas. . . . . . . . . . . . . . . . . . . . . . . 3
1.2. El papel de los ganglios basales en la movilidad. . . . . . . . . . . . . . 4
1.3. Transmision de informacion en el sistema motor: Neuronas y sinapsis . 5
1.4. Modelo de tasa de disparo. . . . . . . . . . . . . . . . . . . . . . . . . . 6
2. Modelo de la red. 9
2.1. Arquitectura de la red. . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2. Conectividad de la red. . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.3. Corriente sinaptica. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3. Modelo Reducido. 13
3.1. Resultados Analıticos. . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.2. Solucion Numerica y Diagrama de Fase. . . . . . . . . . . . . . . . . . 17
3.3. Propiedades de las oscilaciones. . . . . . . . . . . . . . . . . . . . . . . 22
3.4. Resultados con ruido. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.5. Efecto de entradas externas. . . . . . . . . . . . . . . . . . . . . . . . . 24
4. Modelo Unidimensional. 31
4.1. Topologıa de la red. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.2. Condiciones de la distribucion. . . . . . . . . . . . . . . . . . . . . . . . 33
4.3. Regla de escala para la simulacion. . . . . . . . . . . . . . . . . . . . . 34
4.4. Acoplamiento. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.5. Resultados. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
v
vi Indice de contenidos
5. Open-Loop DBS. 41
5.1. Local Field Potential. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
5.2. Modelo de electrodos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
5.3. LFP vs Actividad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
5.4. Resultados de Open-Loop DBS. . . . . . . . . . . . . . . . . . . . . . . 47
5.5. Estudio analıtico del esquema DBS Open-Loop. . . . . . . . . . . . . . 48
6. Espacio de Rasgos. 53
6.1. Estructura del Espacio de Rasgos. . . . . . . . . . . . . . . . . . . . . . 54
6.2. Producto de Mahalanobis y Matriz de Covarianza. . . . . . . . . . . . . 54
6.3. Analisis de componentes principales. . . . . . . . . . . . . . . . . . . . 55
6.4. Rasgos del Local Field Potential. . . . . . . . . . . . . . . . . . . . . . . 57
6.4.1. Modulacion espacial. . . . . . . . . . . . . . . . . . . . . . . . . 57
6.4.2. Densidad espectral de potencia. . . . . . . . . . . . . . . . . . . 59
6.4.3. Descomposicion Wavelet. . . . . . . . . . . . . . . . . . . . . . . 61
6.4.4. Acoplamiento Fase-Amplitud. . . . . . . . . . . . . . . . . . . . 63
6.5. Resultados. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
7. Closed-loop DBS . 69
7.1. Aprendizaje por refuerzo. . . . . . . . . . . . . . . . . . . . . . . . . . . 69
7.2. Resultados. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
7.3. Implementacion en hardware. . . . . . . . . . . . . . . . . . . . . . . . 77
Conclusiones. 79
Agradecimientos 89
Indice de figuras
1.1. Ganglios basales: Localizacion y lımites de todos los principales elemen-
tos del sistema de ganglios basales. . . . . . . . . . . . . . . . . . . . . 4
1.2. Diferentes representaciones de una neurona. Izquierda: Diagrama basico.
Centro: Circuito equivalente de una porcion de membrana. Derecha:
Representacion en el modelo. . . . . . . . . . . . . . . . . . . . . . . . . 6
2.1. Circuitos de los ganglios basales. Esquema de los principales circuitos
descriptos en los ultimos anos. . . . . . . . . . . . . . . . . . . . . . . . 10
2.2. Arquitectura del modelo. Se indican con flechas las conexiones excita-
torias, mientras que las inhibitorias con cırculos. Se senalan los lazos
directo (LD) e hiperdirecto (LH). . . . . . . . . . . . . . . . . . . . . . 10
2.3. Esquema del proceso de sinapsis en el modelo. La neurona (i, α) reci-
be una corriente Iαi que determina su actividad Aαi . La ecuacion de la
dinamica (2.2) filtra Aαi y calcula la salida sinaptica mαβij . Esta salida
contribuye en la corriente entrante a la neurona (j, β) con una ganancia
Gαβ y retardo temporal δαβ. La neurona (j, β) puede recibir, ademas,
estimulaciones Hβi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.1. Arquitectura del modelo reducido. Equivale a dos circuitos acoplados
por las interacciones de STN con GPi. . . . . . . . . . . . . . . . . . . 13
3.2. Evolucion temporal de la tasa de disparo de los diferentes ganglios en el
modelo reducido. Los parametros usados son los indicados en la Tabla 3.1. 18
3.3. Metodo grafico para la resolucion de la ecuacion (3.24) cuando ∆ = 26
ms y τ = 5 ms. La curva roja representa la funcion lineal; mientras que
la azul y verde son las ramas de la tangente para n=0,1, respectivamente. 19
3.4. Diagrama de fase en el que se capturan los distintos regımenes de la
dinamica en el modelo reducido. Se fijaron los valores ∆± = ∆ = 26 ms,
µ = 1 y T = 5 ms. La recta r1 es la obtenida numericamente de (3.24),
mientras que a partir de la ecuacion (3.20) se obtiene r2 con Γ = 0,4 y
r3 con Γ = 0. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
vii
viii Indice de figuras
3.5. Cambio de comportamiento de la solucion ATh(t) debido a una bifurca-
cion Hopf en G− ' 0,9 y G+ = 0. . . . . . . . . . . . . . . . . . . . . . 21
3.6. Cambio de comportamiento de la solucion ATh(t) debido a una bifurca-
cion Hopf en G+ ' 1,5 y G− = 2,0. . . . . . . . . . . . . . . . . . . . . 21
3.7. Amplitud de las oscilaciones en funcion de G+ para diferentes valores de
G− (de arriba hacia abajo: 2.0 - 1.5 - 1 - 0.95). Es evidente una variacion
lineal de la amplitud con la ganancia positiva. . . . . . . . . . . . . . . 22
3.8. Variacion de los parametros de las funciones lineales Amp = Amp(G+)
respecto a cambios de G−. La ordenada resulta seguir un comportamien-
to lineal, a diferencia de la pendiente. . . . . . . . . . . . . . . . . . . . 23
3.9. Ajuste lineal 1/f vs. ∆. . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.10. Influencia del ruido blanco gaussiano en la dinamica de la red. La pertur-
bacion aleatoria modifica la solucion sin ruido cuando el sistema esta en
el regimen de ruptura de simetrıa (G+ = 2,4, G− = 1,97). En este caso
particular, se observa la variacion temporal de la tasa de disparo del
talamo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.11. Influencia del ruido blanco en la dinamica de la red. El sistema se en-
cuentra en el regimen estacionario simetrico (G+ = 1,4, G− = 1,97), por
lo cual el ruido no modifica el valor medio A(t) en cada canal. En este
caso particular, se observa la variacion temporal de la tasa de disparo
del talamo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.12. Corrientes externas sobre dos ganglios. Arriba: La entrada en la corteza
HC no es selectiva y es de la forma (3.27). Abajo: El cuerpo estriado re-
cibe una senal cuadrada HSt de igual amplitud pero de signos diferentes
para cada canal. Ambas se activan al mismo tiempo. . . . . . . . . . . 26
3.13. Respuesta de la red a la excitacion de la Figura 3.12 en el regimen de
multiestabilidad (G+ = 3, G− = 1,97). . . . . . . . . . . . . . . . . . . . 27
3.14. Respuesta de la red a la excitacion de la Figura 3.12 en el regimen
asimetrico (G+ = 2,4, G− = 1,97) (izquierda) y en el regimen simetrico
(G+ = 1,4, G− = 1,97) (derecha). . . . . . . . . . . . . . . . . . . . . . 28
3.15. Respuesta de la red a la excitacion de la Figura 3.12 en el regimen
oscilatorio (G+ = 0,2, G− = 1,97). . . . . . . . . . . . . . . . . . . . . . 29
3.16. Respuesta de la red a la excitacion de la Figura 3.12 en el regimen
oscilatorio (GC,St = 0,05) cuando se aumenta la amplitud de HC . . . . 29
4.1. Arquitectura del modelo en una dimension con condiciones de bordes
periodicas. Las conexiones respetan la estructura topologıca del sistema. 32
Indice de figuras ix
4.2. La distribucion de probabilidad de que exista una conexion entre dos
neuronas depende de la distancia angular entre ellas entre ellas y esta de-
finida por la distruibucion de conectividad (curva roja). . . . . . . . . . 33
4.3. Curva g(σ) obtenida por integracion numerica. La densidad de conexio-
nes por neurona para un valor de σ debe ser menor a g(σ). . . . . . . . 34
4.4. Esquema de conexion entre grupos de neuronas indicando los primeros
vecinos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.5. Representacion para los dos casos de acoplamiento. . . . . . . . . . . . 36
4.6. Diagrama de fase en el que se capturan los distintos regımenes de la
dinamica en el modelo reducido para el nivel de dopamina 100 %. Se
utilizaron los valores indicados en la tabla 4.1. . . . . . . . . . . . . . . 38
4.7. Respuesta de la red a un estımulo asimetrico en el St cuando GSt,GPi =
12 y GC,STN = 1. A la izquierda,el nivel de dopamina es 100 %, mientras
que a la derecha 50 %. Se observa que la separacion en la actividad del
GPi durante el estımulo asimetrico disminuye en el segundo caso. . . . 38
4.8. Respuesta de la red a un estımulo asimetrico en el St cuando GSt,GPi =
12 y GC,STN = 1. Para un nivel de dopamina de 20 %, el sistema se en-
cuentra en el regimen oscilatorio. En particular, se muestra la actividad
del GPi. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
5.1. Comparacion de la ditribucion de Cauchy y la funcion de peso propuesta
por la ecuacion (5.4). . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
5.2. Electrodo como sensor en C y como estimulador en el STN. Un volumen
finito de la corteza contribuye al LFP medido; mientras que un volumen
del STN se ve afectado por la estimulacion DBS. . . . . . . . . . . . . . 44
5.3. Comparacion del primer y segundo coeficiente de Fourier espacial del
LFP y de la Actividad obtenidos de las simulaciones. . . . . . . . . . . 48
5.4. Corriente sinaptica de dos neuronas espacialmente opuestas en la corte-
za. Arriba: El caso fisiologico del sistema muestra asimetrıa debida a la
estimulacion en el St. Abajo: El caso patologico presenta oscilaciones de
∼ 10 Hz. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
5.5. Corriente sinaptica de dos neuronas espacialmente opuestas en la cor-
teza. Arriba: La estimulacion DBS en el STN con pulsos de frecuencia
50 Hz no disminuye las oscilaciones. Abajo: La estimulacion DBS en el
STN con pulsos de frecuencia 130 Hz disminuye significativamente las
oscilaciones. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
5.6. Red constituida por dos neuronas. Se denota mi y Hi son la salida
sinaptica y la corriente externa de la neurona i, respectivamente. . . . . 50
x Indice de figuras
6.1. Transformacion del Espacio de Parametros al Espacio de Rasgos median-
te el analisis de la senal Φ obtenida del modelo de la red. Para un nivel
de dopamina y de ganancias del lazo directo e hiperdirecto (D,G+, G−)
se obtiene una senal de LFP Φ generada por el modelo. El analisis de la
funcion Φ permite definir rasgos de la misma: Transformada de Fourier
en espacio (Mod), en tiempo (PSD), descomposicion Wavelet (Wav),
Acomplamiento Fase-Amplitud (PAC). . . . . . . . . . . . . . . . . . . 53
6.2. Esquema de la tecnica de componentes principales para la reduccion de
dimensionalidad. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
6.3. Distribucion espacial de la actividad de las neuronas corticales antes y
durante la estimulacion asimetrica del St. . . . . . . . . . . . . . . . . . 59
6.4. Densidad espectral de potencia del LFP para el (a) estado fisiologico y
(b) patologico. Se indican las bandas de frecuencias a considerar en el
analisis. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
6.5. Descomposicion Wavelet del LFP en los casos (a) fisiologico y (b) pa-
tologico. Los coeficientes se ordenaron desde arriba hacia abajo: Apro-
ximacion del nivel 7, Detalles del nivel 7, 6, 5 y 4. . . . . . . . . . . . . 63
6.6. Comodulograma del LFP en los casos (a) fisiologico y (b) patologico.
El mapa de colores indica el valor del indice de modulacion en funcion
de las frecuencias de la senal de fase y senal de amplitud. El ındice se
calculo a traves del algoritmo presentado en el texto (pasos 1 a 5). . . . 65
6.7. (a) Primeras tres componentes principales de los rasgos obtenidos de la
exploracion del espacio de parametros. (b) Cuarta y quinta componente
de los rasgos calculados. Se indican con color el estado: Oscilatorio (rojo),
Baja Modulacion (verde) o Fisiologico (ruptura de simetrıa) (azul). . . 66
6.8. (a) Autovalores asociados a cada componente principal, ordenados de
mayor a menor. (b) Varianza relativa en funcion al numero de compo-
nentes principales. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
7.1. Red neuronal artificial utilizada para el esquema closed-loop DBS. Las
entradas son las componentes principales de los vectores rasgos y las
salidas son variables binarias. . . . . . . . . . . . . . . . . . . . . . . . 70
7.2. Transformacion de la salida de la red ANN a los parametros de estimu-
lacion DBS. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
7.3. Se denomina respuesta del sistema a la senal LFP obtenida del modelo
tras aplicarle estimulacion DBS. . . . . . . . . . . . . . . . . . . . . . . 71
7.4. La accion del compensador consiste analizar si la respuesta del sistema
pertenece a la region fisiologica (rasgos de referencia). Devuelve 1 si
pertenece y -1 si no. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
Indice de figuras xi
7.5. Esquema de aprendizaje: ANN convierte rasgos del LFP en parametros
de estimulacion. La senal del compensador le da la capacidad al sistema
de ser adaptativo pues indica si la estimulacion fue adecuada o no. . . . 73
7.6. Esquema closed-loop DBS utilizando una ANN entrenada que convierte
rasgos del LFP en parametros de estimulacion adecuados para el estado
de la red. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
7.7. Resultado del esquema closed-loop en el espacio de las tres primeras
componentes principales. (a) Una estimulacion con baja amplitud no
reduce las oscilaciones y el sistema se mantiene en el estado patologico.
(b) En cambio, una valor de amplitud alto reduce las oscilaciones y el
sistema cambia de estado. (c) Una red en el estado fisiologico no cambia
de regimen por la estimulacion DBS. . . . . . . . . . . . . . . . . . . . 74
Indice de tablas
3.1. Parametros del sistema utilizado para la resolucion numerica de la dinami-
ca. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.2. Umbrales de los ganglios basales utilizados para el modelo. . . . . . . . 18
4.1. Parametros del sistema utilizado para la resolucion numerica de la dinami-
ca correspondiente al modelo 1D. . . . . . . . . . . . . . . . . . . . . . 37
5.1. Volumenes reales de los ganglios de la red. . . . . . . . . . . . . . . . . 48
xiii
Resumen
Este trabajo esta orientado a la exploracion de nuevas estrategias de modulacion
de la actividad neuronal en el marco de la optimizacion de la eficiencia de dispositivos
implantables destinados al tratamiento de enfermedades neurologicas (e.g., DBS:Deep
Brain Stimulation).
Con la intencion de entender la dinamica neuronal de la red de ganglios basales,
se propusieron diferentes modelos para la representacion del sistema. El analisis de los
mismos permitio caracterizar los distintos estados de la dinamica de la red, los cuales
fueron asociados a estados fisiologicos y patologicos observados en el mal del Parkinson.
Se encontro que el esquema open-loop DBS, implementado mediante el modelo,
reproduce exitosamente una importante observacion experimental en relacion a la fre-
cuencia de estimulacion, la cual ha sido ampliamente reportada en pacientes con Par-
kinson sujetos a implantes DBS. Se propuso una representacion simplificada de este
esquema que permite mejorar la comprension del efecto del parametro frecuencia de
estimulacion DBS.
El esquema closed-loop DBS propuesto en este trabajo se basa en el entrenamiento
de una red neuronal artificial capaz de adaptar los parametros de la estimulacion uti-
lizando informacion sobre el estado de la red de ganglios basales. Para realizar dicho
objetivo, fue necesario explorar y elegir distintos algoritmos capaces de extraer ras-
gos relevantes a partir de las senales producidas por el modelo, tales como el analisis
de Fourier en espacio y en tiempo, la descomposicion en Wavelets y el acoplamiento
fase-amplitud.
Finalmente, se implemento el entrenamiento de la red neuronal artificial mediante
un esquema de aprendizaje por refuerzo. Se observo que la red artificial es capaz de
aplicar una estimulacion adecuada al sistema para llevarlo al estado fisiologico. Ademas,
se analizo la influencia de cada rasgo en el aprendizaje de la red y su nivel de relevancia.
Palabras clave: DINAMICA NEURONAL, SISTEMA MOTOR, GANGLIOS BA-
SALES, MODELO DE CAMPO MEDIO, MODELO UNIDIMENSIONAL, EXTRAC-
CION DE RASGOS, CLOSED-LOOP DBS
xv
Capıtulo 1
Introduccion
“Nada es mas peligroso que un gran pensamiento en un ce-
rebro pequeno.”
— Hippolyte Taine (Historiador).
La aplicacion de impulsos electricos en forma cronica sobre grupos neuronales es-
pecıficos mediante la utilizacion de dispositivos implantables, es actualmente una tera-
pia bien establecida para el tratamiento de estadıos avanzados de trastornos motores
(acinesia, distonia, enfermedad de Parkinson y epilepsia. entre otras patologıas) [1] .
Sin embargo, estas tecnicas de neuromodulacion implementadas en pacientes, se
basan en enfoques heurısticos y en general no incluyen realimentacion alguna de infor-
macion que permita la optimizacion de los parametros de la senal modulante aplicada.
Las tecnicas de neuromodulacion utilizadas en la actualidad (e.g., DBS: Deep Brain
Stimulation) son consideradas procedimientos relativamente seguros y reversibles para
el tratamiento de trastornos motores. No obstante, los mecanismos subyacentes que
tienen lugar en los diferentes grupos neuronales durante la aplicacion de las mismas no
han sido totalmente comprendidos.
DBS, aprobada para su utilizacion en humanos, es implementada mediante un es-
quema de lazo abierto (open-loop DBS ) haciendo necesario el ajuste periodico de los
parametros de la estımulacion electrica neuromodulante. Este ajuste periodico en el
dispositivo implantado tipo open-loop resulta necesario para lograr un balance entre la
mejora clınica vs. efectos secundarios y para introducir compensaciones asociadas a las
fluctuaciones inherentes de los sistemas neurofisiologicos. Esto implica que la tecnica
estandard open-loop DBS constituye una implementacion sub-optima de la terapia de
neuromodulacion.
Por otra parte, en la literatura cientıfica existen numerosos trabajos teoricos en los
que se proponen diferentes esquemas vinculados al paradigma DBS con realimentacion.
Sin embargo, la mayorıa estos estudios carecen de validacion experimental in vivo y
se basan en modelos que dejan de lado aspectos importantes vinculados a la dinamica
1
2 Introduccion
de los grupos neuronales como son la plasticidad y los mecanismos compensatorios
intrınsecos (e.g., estabilizacion pasiva por difusion no-sinaptica de la dopamina) [2].
En base a lo anterior, es posible identificar varios aspectos esenciales de la tecnica
DBS que requieren ser mejorados en forma significativa:
1. Extender la frontera de conocimiento sobre los mecanismos subyacentes que tie-
nen lugar en los diferentes grupos neuronales durante la aplicacion de la tecnica
DBS, como ası tambien de sus efectos secundarios a largo plazo.
2. Mejorar el entendimiento de la relacion de los estados patologicos (acinesia, tem-
blor parkinsoniano, etc.) con los procesos de sincronizacion y oscilaciones obser-
vados en las senales electricas (e.g., Potenciales de Campo Local) provenientes
de los ganglios basales.
3. Explorar la dinamica de la plasticidad neuronal y los mecanismos de compen-
sacion intrınsecos que tienen lugar en los ganglios basales con el objetivo de
desarrollar estrategias de neuromodulacion capaces de explotar sinergeticamente
estos mecanismos.
4. Utilizar los resultados anteriores para proponer esquemas DBS en lazo cerrado
(closed-loop DBS ) que resulten en una mejor performance respecto a los esquemas
actualmente utilizados.
En esta tesis se abordaron algunos de los items recien mencionados mediante tecni-
cas computacionales capaces de modelar aspectos relevantes de la dinamica de los
grupos neuronales de los ganglios basales (BG).
Especıficamente, se implemento un modelo tratable analıticamente para los lazos
directo (LD) e hiperdirecto (LH) que forman parte de la red que involucra a los ganglios
basales. Mediante herramientas analıticas se analizo el rol de LD y LH en la seleccion
de programas motores incluyendo el modelado del nivel del neurotransmisor dopamina
(Capıtulos 2 y 3).
Por otra parte, se desarrollo e implemento un modelo unidimensional (1D) de la
red (Capıtulo 4). La naturaleza 1D del modelo permite estudiar fenomenos relevantes
relacionados con las escalas espaciales implicadas en la tecnica de DBS:
1. Tamano del electrodo frente a la densidad neuronal y el tamano del ganglio.
2. La incertidumbre en la posicion del electrodo.
3. Volumen de tejido activado: Electrodo como estimulador.
4. Volumen de tejido neuronal que contribuye al potencial de campo local: Electrodo
como sensor.
1.1 Sistema motor y sus patologıas. 3
5. Extension espacial de los rasgos patologicos (e.g., oscilaciones exageradas en la
banda beta).
En ambos modelos (reducido y 1D) se podrıa incorporar nuevas conexiones entre
ganglios. Tambien, podrıan ser ampliados para incluir la plasticidad y mecanismos
compensatorios intrınsecos (e.g., estabilizacion pasiva por difusion no-sinaptica de la
dopamina) [3].
La estrategia de modelado planteada en esta tesis esta orientada a la utilizacion del
modelo 1D en combinacion con algoritmos para la extraccion de rasgos (problema de
clasificacion) e interpretacion de esos resultados con el modelo analıtico. Esta estrategia
resulta necesaria y relevante para complementar estudios experimentales emergentes
asociados a la tecnica DBS que se estan llevando a cabo a nivel regional [4]. Esto
consiste en el desarrollo de neuroprotesis capaces de proporcionar una estimulacion a
demanda y adaptativa (closed-loop DBS ).
1.1. Sistema motor y sus patologıas.
El sistema nervioso central (SNC) es uno de los sistemas mas complejos del cuer-
po humano y tiene importancia decisiva en el control de las funciones corporales. Su
principal funcion es la comunicacion entre las distintas regiones del organismo, la cual
depende de las propiedades fısicas, quımicas y morfologicas de las celulas.
Las neuronas y vıas de conexion del SNC que participan en la ejecucion de los
movimientos conforman el sistema motor (SM). Su funcion es la de coordinar, planificar
y ejecutar los movimientos. El procesamiento del SM se realiza tanto en serie como en
paralelo.
En el procesamiento en serie, existen tres niveles jerarquicos. El nivel de mayor
jerarquıa lo constituyen las areas de la corteza motora primaria y premotoras. Su rol es
seleccionar los programas motores necesarios para alcanzar un objetivo y controlar el
curso y la culminacion de la accion. El siguiente nivel es el tronco cerebral que controla
la postura, los movimientos dirigidos a objetivos y los movimientos de ojos y cabeza.
Finalmente, la medula espinal es el nivel inferior y contiene todos los circuitos que
median reflejos y automatismos rıtmicos.
La planificacion y la ejecucion de los movimientos no solo es llevada a cabo por
estos niveles jerarquicos, sino que ademas intervienen el cerebelo y los ganglios de la
base. El cerebelo modula la fuerza y la disposicion espacial, ademas esta implicado en
el aprendizaje de habitos motores. Por otro lado, los ganglios son los encargados de
realizar movimientos voluntarios.
Las celulas en los ganglios se comunican con otras mediante el envıo de senales usan-
do mensajeros quımicos llamados neurotransmisores. Uno de los neurotransmisores que
4 Introduccion
utiliza los ganglios basales es la dopamina. Cuando las neuronas no producen suficiente
cantidad del neurotransmisor dopamina, se origina el trastorno motor denominado Mal
de Parkinson (PD).
Entre los sıntomas de PD se encuentran temblores en las extremidades, problemas de
equilibrio, rigidez y lentitud de los movimientos. A medida que los sıntomas empeoran,
las personas con la enfermedad pueden tener dificultades para hacer labores simples.
La enfermedad de Parkinson suele comenzar alrededor de los 60 anos, pero puede
aparecer antes. Es mucho mas comun entre los hombres que entre las mujeres. Ac-
tualmente, no existe una cura para la enfermedad de Parkinson, pero existen diversas
medicinas que a veces ayudan a mejorar enormemente los sıntomas. En casos severos,
la cirugıa y DBS son los tratamientos recomendados.
1.2. El papel de los ganglios basales en la movilidad.
Los ganglios son estructuras funcionales localizadas profundamente en la base del
encefalo (Figura 1.1) cuya funcion es influir en la corteza motora a traves del talamo
para que organice esos mensajes [6]. Cabe aclarar que ellos no reciben directamente
informacion sensorial y no emiten mensajes motores que provoquen movimientos, solo
procesan la informacion.
Figura 1.1: Ganglios basales: Localizacion y lımites de todos los principales elementos delsistema de ganglios basales.
Los ganglios junto al cerebelo participan en la programacion de los movimientos.
Ademas, regulan la actividad de muchas estructuras nerviosas cerebrales para que los
movimientos se desarrollen de forma coordinada. Se admite que su funcion consiste
en contribuir mediante salidas nerviosas a la coordinacion, regulacion y adecuacion
motora que proviene desde la corteza.
Es posible que los ganglios participen en procesos mediante los cuales un proyecto
motor, que se genera en las areas motivacionales, se transforma en programa motor
1.3 Transmision de informacion en el sistema motor: Neuronas y sinapsis 5
directamente ejecutable por la corteza. Esta nocion de programa motor es fundamental
en el planteamiento de diversos modelo de la red neuronal.
1.3. Transmision de informacion en el sistema mo-
tor: Neuronas y sinapsis
La base anatomica de las funciones del SNC, y en particular SM, es el tejido nervio-
so, cuya unidad basica de procesamiento son las neuronas. Ellas conforman un grupo
heterogeneo de celulas, conectadas unas con otras dando lugar a una organizacion
compleja. Las prolongaciones de estas unidades se denominan axones y son elementos
conductores que permiten la transmision de informacion.
Una capacidad de las neuronas que se destaca respecto a las otras celulas del cuerpo
es su habilidad de propagar senales rapidamente a largas distancias. La informacion es
enviada usando pulsos electricos caracterısticos, que son denominados potenciales de
accion o disparos neuronales (en ingles spikes). Una secuencia de potenciales de accion
pueden tener diferentes patrones temporales. A este grupo de disparos, con un orden
temporal determinado, se lo conoce como tren de spikes.
Existen dos tipos de enlaces (o sinapsis 1) entre neuronas, quımicos o electricos. Para
indicar la direccion del flujo de informacion, se aclara cual neurona es la presinaptica y
postsinaptica. En el caso quımico, la sinapsis esta ubicada entre un terminal del axon
de la neurona presinaptica y una dendrita de la neurona postsinaptica, formando una
conexion unidireccional.
En una porcion del axon, llamada Hillock, se inicia la generacion de un spike. Una
neurona produce un potencial de accion si el potencial de membrana de la celula supera
un cierto umbral. Luego, se puede plantear un equivalente electrico de la neurona. Mas
precisamente, pensarla como integrador de las senales electricas entrantes. El resultado
de este proceso define la probabilidad de responder con un potencial de accion. Mas
adelante, se presenta una descripcion matematica de este fenomeno usando modelos de
tasa de disparo.
Cuando una neurona genera un spike, este viaja a lo largo de la celula y altera el
potencial de membrana2. La amplitud de los potenciales de accion son del orden de 100
mV, y duran de 1 a 2 ms y suele ser seguido por un periodo refractario, durante el cual
la neurona no emitira otro potencial de accion, independientemente de la intensidad
de las senales de entrada.
Desde un punto de vista biofısico, los potenciales de accion son el resultado de
corrientes que pasan a traves de canales ionicos de la membrana celular.
1El termino sinapsis es utilizado para designar la zona de contacto entre neuronas, y tambien parael intercambio electrico o quımico entre ellas.
2Esto se debe a la apertura y cierre de ciertos canales ionicos de la membrana celular.
6 Introduccion
El potencial de membrana postsinaptico se ve alterado por la llegada de corrientes
presinapticas. La magnitud de esta corriente transmitida depende del grado de cone-
xion entre las dos neuronas. En general, se denota I a la corriente sinaptica total que
una neurona postsinaptica recibe, en terminos de las tasa de disparo de las neuronas
presinapticas (Figura 1.2).
Debido a la capacidad y resistencia electrica asociados a la pared celular, el potencial
de membrana se puede aproximar como una version filtrada (filtro pasa bajos) de la
corriente recibida.
Figura 1.2: Diferentes representaciones de una neurona. Izquierda: Diagrama basico. Centro:Circuito equivalente de una porcion de membrana. Derecha: Representacion en el modelo.
Para modelar la dependencia temporal de las corrientes de entrada y su efecto en la
frecuencia, se necesita una ecuacion de evolucion para la tasa de disparo. Se asume que
la evolucion no sigue los cambios de la corriente total sinaptica en forma instantanea.
Por este motivo, en los modelos de estas corrientes, se incluye un tiempo de retardo
entre el disparo de la neurona presinaptica y la recepcion de la senal por la neurona
postsinaptica.
1.4. Modelo de tasa de disparo.
La secuencia de potenciales de accion generados por una neurona puede ser caracte-
rizada por su respuesta funcional p(t), que consiste de funciones delta de Dirac ubicadas
en los tiempos en los que ocurren los disparos. En un modelo de tasa de disparo, la
descripcion exacta dada por la secuencia de spikes es reemplazada por la descripcion
aproximada de la funcion de tasa de disparo A(t).
La funcion A(t) esta definida como la densidad de probabilidad de tener un potencial
de accion y es obtenida promediando p(t) sobre muchas realizaciones. La validez del
modelo de tasa de disparo depende de cuan bien la tasa de disparo promedio de la red,
aproxima el efecto de la secuencia de disparos sobre el comportamiento de la dinamica
de la red. Este reemplazo esta tıpicamente justificado por el hecho de que cada neurona
de la red tiene un alto numero de sinapsis. Por lo tanto, esta representacion es correcta
si las cantidades relevantes de la dinamica de la red, son insensibles a las fluctuaciones
que tiene p(t) entre diferentes realizaciones.
1.4 Modelo de tasa de disparo. 7
En un modelo de red, el uso de tasa de disparo en lugar de los trenes de potenciales
presinapticos, no deberıa modificar significativamente la dinamica. Esto se cumple si
la corriente total de entrada es la suma sobre muchas sinapsis que son activadas por
potenciales de accion presinapticos no correlacionados.
Capıtulo 2
Modelo de la red.
“La mente que se abre a una nueva idea jamas regresa a su
tamano original...”
— Albert Einstein (Fısico).
2.1. Arquitectura de la red.
Inicialmente, la organizacion funcional de los ganglios era concebida como un unico
bucle, en el que la actividad cortical se envıa a los ganglios para ser modulada. En con-
secuencia, estos nucleos eran presentados como una unica estacion dentro del circuito
motor.
Actualmente, este modelo funcional se ha modificado en varios aspectos. Ahora se
sabe que los ganglios basales tienen varios bucles, donde las proyecciones corticales y
subcorticales interactuan con lazos internos de retroalimentacion que forman una red
compleja (Ver Figura 2.1), idealmente disenado para la seleccion y la inhibicion de los
eventos que ocurren simultaneamente (programas motores). Estos eventos se ejecutan
solo si la actividad media de la poblacion cortical cruza un umbral definido en el circuito
correspondiente.
En este trabajo, se analizan los efectos de los lazos directo e hiperdirecto en la
fisiologıa y fisiopatologıa de la red de ganglios basales. El modelo de la red contiene cinco
poblaciones de neuronas. Estas son la corteza motora (C), el nucleo ventral anterior y
ventral lateral del talamo (Th), el nucleo subtalamico (STN), el cuerpo estriado (St) y
el globo palido interno (GPi). Las tres primeras son conjuntos de neuronas excitatorias,
mientras que las otras dos son inhibitorias.
La arquitectura del modelo se resume en la Figura 2.2. A partir de esta figura uno
puede pensar a la estructura completa como dos bucles de retroalimentacion:
1. Un lazo de retroalimentacion positiva global: C → St → GPi → Th → C. En
9
10 Modelo de la red.
Figura 2.1: Circuitos de los ganglios basales. Esquema de los principales circuitos descriptosen los ultimos anos.
este bucle, la corteza actua sobre el talamo de forma excitatoria. En general, se
lo denomina lazo directo (LD).
2. Un bucle de retroalimentacion negativa global: C → STN → GPi → Th → C.
Este bucle se lo conoce como lazo hiperdirecto (LH). A traves de el, la corteza
actua sobre el talamo inhibiendolo.
Figura 2.2: Arquitectura del modelo. Se indican con flechas las conexiones excitatorias, mien-tras que las inhibitorias con cırculos. Se senalan los lazos directo (LD) e hiperdirecto (LH).
Se denota con Nα al numero de neuronas en la poblacionon α (α = Th, C, STN,
St, GPi) . Cada neurona responde a un dinamica descripta por un modelo de tasa de
disparo. Es decir, esta caracteriza por la actividad instantanea Aαi .
2.2 Conectividad de la red. 11
Una neurona i en el ganglio α puede estar conectada con diversas neuronas j del
ganglio β. A cada una de estas conexiones las denotamos (i, α)→ (j, β).
Si Iαi es la entrada total a la neurona y Sαi su funcion de transferencia, enton-
ces la actividad resulta Aαi = Sαi (Iαi ). Una primera aproximacion es considerar una
transferencia del tipo
Sαi (x) = γα[x− Tiα]+ =
{0 si x ≤ Tiα
γα(x− Tiα) si x ≥ Tiα(2.1)
donde se entiende a Tiα como una propiedad de la neurona i-esima (llamada umbral)
y γα un factor de escala de la senal x. Sin embargo, se ha tomado la hipotesis de que
en una poblacion todas las celulas tienen el mismo umbral Tα y un factor de escala
unitario.
La salida sinaptica en (i, α) → (j, β) esta caracterizada por una variable analıtica
mαβij cuya evolucion temporal se rige por la ecuacion diferencial
ταβdmαβ
ij
dt= −mαβ
ij + Aαi , (2.2)
donde ταβ es una constante de tiempo de sinapsis entre neuronas de la poblacion α y
β. En este sentido, se dice que la variable mαβij es el resultado de un filtro pasa bajo
aplicado sobre Aαi .
2.2. Conectividad de la red.
Las conexiones entre las neuronas pertenecientes a dos ganglios conectados entre
sı se implementaron en forma aleatoria y respetando la geometrıa de la red. De esta
manera las conexiones entre neuronas se definieron mediante una matriz de conecti-
vidad (Zαβij ) ∈ RNα×Nβ . Los elementos de esta matriz pueden valer 0 o 1. Valdra 1
si existe el canal entre (i, α) → (j, β) y 0 si no. A pesar de ser un proceso aleatorio,
la construccion de una red debe respetar la geometrıa de los ganglios. Esta condicion
representa la idea de que una neurona interactua mas con los vecinos mas cercanos
espacialmente.
Por otro lado, una caracterıstica de la interaccion entre dos neuronas es la intensidad
de la conexion, que se denota Gijαβ. Se toma como hipotesis que esta intensidad solo
dependera de los ganglios α y β involucrados, por lo que se obviara los ındices i, j.
12 Modelo de la red.
2.3. Corriente sinaptica.
La entrada sinaptica total Iβj recibida por la neurona j en la poblacion β en el
circuito estan dadas por la expresion:
Iβj =∑α
Nα∑i=1
GαβZαβij m
αβij (t−∆αβ) +Hβ
j (t) + ηβj (t) (2.3)
donde primero se suma sobre los ganglios que estan conectados con β. La variable ∆αβ
denota el retardo de la sinapsis desde la poblacion α a β. Ademas, la entrada total tiene
una componente externa denotada por H proveniente de areas del cerebro no incluidas
en el modelo, por ejemplo zonas sensomotoras de la corteza. Por ultimo, se agrega un
termino de ruido η blanco1 gaussiano, con media nula y desviacion estandar σα
En la Figura 2.3, se esquematiza el proceso de sinapsis entre dos neuronas en termi-
nos de las variables definidas en el modelo de la red.
Figura 2.3: Esquema del proceso de sinapsis en el modelo. La neurona (i, α) recibe una corrienteIαi que determina su actividad Aαi . La ecuacion de la dinamica (2.2) filtra Aαi y calcula la salida
sinaptica mαβij . Esta salida contribuye en la corriente entrante a la neurona (j, β) con una ganancia
Gαβ y retardo temporal δαβ . La neurona (j, β) puede recibir, ademas, estimulaciones Hβi .
1Con espectro independiente de la frecuencia.
Capıtulo 3
Modelo Reducido.
“Si el cerebro humano fuese tan simple que pudiesemos en-
terderlo, entonces serıamos tan simples que no podriamos en-
tenderlo.”
— Anonimo.
En este capıtulo se presenta una version simplificada del modelo de la red, cu-
yo analisis admite ser abordado mediante herramientas analıticas. Especıficamente, se
considera un modelo de campo medio propuesto por [7] y se reproducen algunos resul-
tados esenciales de su dinamica. Se toma a cada ganglio como un grupo de dos neuronas
(i = 1, 2). Las conexiones entre ellos se muestra en la Figura 3.1. Este prototipo de red
Figura 3.1: Arquitectura del modelo reducido. Equivale a dos circuitos acoplados por lasinteracciones de STN con GPi.
equivale a dos circuitos cuyo acoplamiento aparece solo en las conexiones STN−GPi.
Esta hipotesis esta apoyada por la evidencia anatomica y electrofisiologica, las cuales
muestran que la conectividad entre STN y GPi es mas divergente que la conectividad
a lo largo de la vıa directa. Con el fin de respetar la topologıa de la red, el nexo entre
13
14 Modelo Reducido.
canales (1, STN)→ (2,GPi) debe resultar menos intenso que el nexo correspondiente al
mismo canal (1, STN)→ (1,GPi). En base a esto, se define un factor de acoplamiento
Γ como el cociente entre las intensidades de estas conexiones (Γ < 1). Con este modelo
de dos canales paralelos, se representa una red capaz de controlar dos programas mo-
tores (uno para cada canal i). Ademas, cada programa de motor se ejecuta solo si la
actividad media de la poblacion cortical cruza un umbral definido.
3.1. Resultados Analıticos.
Inicialmente, se considera una red sin ruido y se propone una entrada externa no
selectiva Hαi = Hα. Mas aun, el unico ganglio donde la entrada externa no es nula es
la corteza. En base a lo anterior, a partir de la ecuacion (2.3) se obtiene,
ICi = GTh,CmTh,Cii (t−∆Th,C) +HC , (3.1)
ISTNi = GC,STNmC,STNii (t−∆C,STN), (3.2)
ISti = GC,StmC,Stii (t−∆C,St), (3.3)
IGPii = GSTN,GPimSTN,GPiii (t−∆STN,GPi)+ (3.4)
ΓGSTN,GPimSTN,GPii′i (t−∆STN,GPi)−GSt,GPim
St,GPiii (t−∆St,GPi), (3.5)
IThi = −GGPi,ThmTh,Cii (t−∆Th,C). (3.6)
De la ecuacion de la dinamica (2.2), el estado estacionario se alcanza en mαβij = Aαi
y como Aαi = Iαi −Tα (asumiendo todas las neuronas activas, i.e., Iαi > Tα) se construye
el siguiente sistema lineal M. ~AEst = ~H donde
M =
(Mdir Mind
Mind Mdir
)(3.7)
Mdir =
−1 0 0 0 GTh,C
GC,STN −1 0 0 0
GC,St 0 −1 0 0
0 GSTN,GPi −GSt,GPi −1 0
0 0 0 −GGPi,Th −1
(3.8)
Mind =
0 0 0 0 0
0 0 0 0 0
0 0 0 0 0
0 ΓGSTN,GPi 0 0 0
0 0 0 0 0
(3.9)
3.1 Resultados Analıticos. 15
~AEstT
= (AC1 , ASTN1 , ..., AC2 , ...)Est (3.10)
~HT = (TC −HC , TSTN , ...) (3.11)
La matriz M esta formada por dos bloques. Uno que caracteriza la interaccion en
un mismo canal (Mdir) y otra relacionada con la accion de un canal a otro (Mind).
Se definen las siguientes combinaciones de parametros
G− = GTh,CGC,STNGSTN,GPiGGPi,Th,
G+ = GTh,CGC,StGSt,GPiGGPi,Th,
I0 = GTh,C [GGPi,Th(TGPi + (1 + Γ)GSTN,GPiTSTN −GSt,GPiTSt)− TTh]
(3.12)
y se calculan los puntos fijos del sistema dinamico:
ACi =HC + I0 − TC
1−G+ + (1 + Γ)G−(3.13)
ASti =GC,St(H
C + I0 − TC)
1−G+ + (1 + Γ)G−− TSt (3.14)
ASTNi =GC,STN(HC + I0 − TC)
1−G+ + (1 + Γ)G−− TSTN (3.15)
AGPii = − I0 − TC +HC(G+ − (1 + Γ)G−)
GTh,CGGPi,Th(1−G+ + (1 + Γ)G−)− TC + TThGTh,C
GTh,CGGPi,Th
(3.16)
AThi =I0 − TC +HC(G+ − (1 + Γ)G−)
GTh,C(1−G+ + (1 + Γ)G−)− TCGTh,C
(3.17)
con i = 1, 2.
Para corrientes HC pequenas, la corteza puede no activarse llevando al sistema a
un estado de reposo absoluto (Aαi = 0). En este estado, ambos canales estan abiertos.
De la ecuacion (3.13), se obtiene una cota inferior de HC que es TC − I0.
De forma analoga, se pueden obtener cotas superiores. En el caso de corrientes
HC lo suficientemente grandes, pueden desactivarse el GPi o el Th. Si el lazo positivo
tiene mayor ganancia el GPi es fuertemente inhibido; en cambio si el lazo negativo
es dominante, el GPi sera excitado y este inhibira al Th. Con este razonamiento, se
obtiene
(1 + Γ)G− < G+ ⇒ HCmax1 = TC −
I0
G+ − (1 + Γ)G−+GTh,CTTh(1−
1
G+ − (1 + Γ)G−)
G+ < (1 + Γ)G− ⇒ HCmax2 = TC −
I0
G+ − (1 + Γ)G−
Con valores de HC dentro del rango definido por las cotas, las ecuaciones de los
puntos fijos son validas. Para analizar la estabilidad de los puntos fijos, se proponen
16 Modelo Reducido.
perturbaciones del tipo δmα,βij = δα,βij eλt. Se asumira que ταβ = τ para (α, β) 6=(Ctx,
STN). La presencia de receptores NMDA en las neuronas de STN es la razon de asumir
τC,STN mas grande que τ . El cociente τC,STN/τ se denota µ.
Esta propuesta lleva a una ecuacion de autovalores cuyo polinomio caracterıstico es
P (λ) = (1 + z)4{[(1 + zµ)((1 + z)4 −G+e−λ∆+) + (1 + z)G−e
−λ∆− ]2−
Γ2G2−(1 + z)2e−2λ∆−}
(3.18)
donde
z = λτ,
∆− = ∆Th,C + ∆C,STN + ∆STN,GPi + ∆G,Th,
∆+ = ∆Th,C + ∆C,St + ∆St,GPi + ∆G,Th
(3.19)
Se busca la region en el espacio de parametros donde los puntos fijos pasan de ser
estables a inestables. Si se considera λ ∈ R (se descartan oscilaciones), esta condicion
se traduce en el cambio de signo de λ, generando una Bifurcacion Saddle Node (SN).
Para que esto ocurra, los parametros deben verificar
P (λ = 0) = 0⇒ 1−G+ + (1− Γ)G− = 0 (3.20)
La ecuacion de esta recta en el espacio (G−, G+) define la frontera donde ocurre la
bifurcacion.
Si se consideran ganancias G+ y G− elevadas y que la actividad se incrementa en
la poblacion cortical de uno de los dos circuitos, entonces la fuerte retroalimentacion
positiva en este circuito amplifica este aumento. En contraste, las poblaciones corticales
en los dos circuitos tienden a inhibir el uno al otro a traves de la polaridad negativa del
camino cruzado C-STN-GPi-Th-C, que va de la poblacion cortical en un circuito a la
otra en el otro circuito. Como resultado, el aumento de la actividad de una poblacion
cortical reduce la entrada total recibida por la otra, y por lo tanto la actividad de
esta ultima se reduce. Si este efecto es suficientemente fuerte, se produce ruptura de
simetrıa entre los dos circuitos.
En sıntesis, la ecuacion (3.20) representa un cambio en el comportamiento de las
soluciones (de simetricas a asimetricas) cuando se incrementa la actividad de la pobla-
cion cortical de un circuito, lo cual puede ocurrir por la accion de un estımulo cortical
de intensidad diferente en cada canal.
En un estado asimetrico, en el cual un canal esta desactivado, el acoplamiento de
3.2 Solucion Numerica y Diagrama de Fase. 17
los circuitos desaparece y esto implica Γ nulo. Entonces
ACi =HC + I0 − TC1−G+ +G−
(3.21)
Aparece una nueva frontera para el estado asimetrico con un nuevo tipo de comporta-
miento denominado multiestable. La ecuacion de la recta es
1−G+ +G− = 0 . (3.22)
En secciones posteriores, se estudiaran algunos detalles de este regimen.
Por otro lado, se puede analizar los requisitos para la aparicion de oscilaciones. Un
estado oscilatorio implica que una perturbacion con autovalor del tipo λ = iν ∈ C.
Esto se conoce como Bifurcacion de Hopf. Para el caso simplificado de ∆+ = ∆− = ∆
y µ = 1,
P (λ = iν) = 0⇒ (1 + iντ)4 = −Ce−iν∆ (3.23)
donde C = G−(1±Γ)−G+. Pasando (3.23) a coordenadas polares, la solucion resulta
1 + (ντ)2 =√C
ντ = − tan(ν∆ + π + 2πn
4), n = 0, 1, 2, 3.
(3.24)
De donde resulta que C = cos−4(ν∆+π4
) y G+ = G−(1± Γ)− C(ν,∆).
Un aumento en la actividad de las poblaciones corticales en los dos circuitos con-
duce, a traves del lazo hiperdirecto, a una disminucion en la entrada que se realimenta
de nuevo desde la red a ambas poblaciones corticales. Esta disminucion se opone el
aumento inicial de las actividades corticales. Si el efecto de la realimentacion negativa
en combinacion con los retardos de los lazos es suficientemente fuerte, se producen
oscilaciones. La realimentacion positiva presente en el lazo directo puede compensar
esta tendencia.
3.2. Solucion Numerica y Diagrama de Fase.
Usando el algoritmo de integracion numerica de Euler [8], se realizaron simulaciones
del modelo. En general, se utilizaron como parametros del sistema los valores presen-
tados en las Tablas 3.1 y 3.2. Ademas, se empleo un factor de acoplamiento Γ = 0,4.
La simulaciones realizadas utilizaron un paso temporal fijo dt = 0,5 ms, de un orden
de magnitud menor a la escala temporal mas pequena del sistema. En la Figura 3.2,
se presenta la tasa de disparo para cada ganglio en funcion del tiempo. Una primera
verificacion de la simulacion es la comparacion con el resultado analıtico. Los puntos
18 Modelo Reducido.
Conexion Ganancia G Retraso ∆ (ms) ταβ (ms)Th-C 0.97 5 5C-STN 2.0 5 20C-St 0.7 6 5STN-GPi 3.4 5 5St-GPi 12 10 5GPi-Th 0.3 5 5
Tabla 3.1: Parametros del sistema utilizado para la resolucion numerica de la dinamica.
Ganglio α Th C STN St GPiUmbral Tα -0.25 0.1 -0.1 0 0.1
Tabla 3.2: Umbrales de los ganglios basales utilizados para el modelo.
fijos del sistema resuelto numericamente coinciden con los calculados por las ecuaciones
(3.13) a (3.17). La solucion de la Figura 3.2 es un ejemplo del regimen de ruptura de
simetrıa (G+ = 2,44 , G− = 1,97), sin embargo no se aprecia la asimetrıa por la falta
de una corriente externa selectiva (HSt).
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0 250 500 750 1000 1250 1500
Tasa d
e d
isp
aro
(sp
/ms)
Tiempo(ms)
Th->CC->STN
C->StSTN->GPi
St->GPiGPi->Th
Figura 3.2: Evolucion temporal de la tasa de disparo de los diferentes ganglios en el modeloreducido. Los parametros usados son los indicados en la Tabla 3.1.
El objetivo siguiente es tratar de identificar regiones en el espacio de parametros
asociadas a un regimen dinamico especıfico de la red. El calculo analıtico de la seccion
anterior (3.20) permitio determinar la recta donde se produce la asimetrıa entre los
canales 1 y 2. Esto es consecuencia de la bifurcacion SN. Tambien, se pudo deducir
bajo que condiciones el sistema entra en la region de multiestabilidad (3.22).
La ecuacion (3.24) define infinitos valores de ν. Ademas, al ser una relacion trans-
3.2 Solucion Numerica y Diagrama de Fase. 19
cendental no existe un metodo analıtico que permita obtener ν en forma explıcita.
Claramente, esta situacion es un obstaculo en la construccion de un diagrama de fase,
pues desconocer ν implica desconocer la frontera de transicion (Hopf).
A pesar de estas dificultades, es posible fijar τ y ∆ para poder resolver la ecuacion
(3.24) numericamente. La Figura 3.3 muestra la funcion lineal ντ y las dos primeras
ramas de la funcion trigonometrica − tan(ν∆+π+2πn4
). Los parametros fueron τ = 5 ms
y ∆ = 26 ms.
0
0.5
1
1.5
2
0 0.1 0.2 0.3 0.4
v(rad/s)
1=0.07 rad/s
v2=0.23 rad/s
n=0
n=1
τν
Figura 3.3: Metodo grafico para la resolucion de la ecuacion (3.24) cuando ∆ = 26 ms y τ = 5ms. La curva roja representa la funcion lineal; mientras que la azul y verde son las ramas de latangente para n=0,1, respectivamente.
La primera interseccion ν1 = 0,07 rad/s (frecuencia angular) esta asociada a las
oscilaciones de baja frecuencia ∼ 10 Hz, mientras que ν2 a frecuencias elevadas ∼ 40
Hz.
Calculados estos autovalores es posible determinar la recta G+ = G−(1 + Γ) −C(ν,∆)1. De esta forma, se pudo terminar la representacion del espacio de parame-
tros como lo expone la Figura 3.4. De esta manera, cada region del plano (G+, G−)
esta asociada a distintos tipos de dinamicas, las cuales fueron descriptas en la seccion
anterior.
Aunque se sabe poco sobre el cambio en la fuerza sinaptica corteza-estriado con el
nivel de dopamina, varios trabajos indica que parece razonable suponer que la dopamina
potencializa esta conexion sinaptica. En particular, el modelo considera la siguiente
1Para cada ν, existen dos de estas rectas. Sin embargo, la transicion de Hopf sucede en la primerainterseccion.
20 Modelo Reducido.
0
0.5
1
1.5
2
2.5
0 0.5 1 1.5 2 2.5 3
G -
G +
Oscilaciones
Estado e
stacio
nario si
metri
co
Rup
tura
de
sim
etria
Multiestabilidad
r1
r2
r3
Figura 3.4: Diagrama de fase en el que se capturan los distintos regımenes de la dinamica enel modelo reducido. Se fijaron los valores ∆± = ∆ = 26 ms, µ = 1 y T = 5 ms. La recta r1 es laobtenida numericamente de (3.24), mientras que a partir de la ecuacion (3.20) se obtiene r2 conΓ = 0,4 y r3 con Γ = 0.
variacion de la ganancia
GSt−C =0,75
1 + exp(−0,09(D − 60))(3.25)
Esto muestra que para un valor G− fijo y adecuado es posible cambiar los estados
del sistema variando el nivel de dopamina. La red esta en el estado de ruptura de
simetrıa con nivel de dopamina alto y pasan por estados simetricos al ∼ 50 % hasta
llegar a oscilaciones en ∼ 20 %.
El diagrama de la Figura 3.4 indica que si el parametro G+ es nulo, las oscilaciones
aparecen cuando G− es levemente mayor que 0,9. En la Figura 3.5, se presentan los
cambios de comportamiento con la variacion de G− alrededor a este valor crıtico.
Un analisis similar se puede realizar fijando G− = 2 y reduciendo G+. La bifurcacion
de Hopf tiene como parametro crıtico a un valor de G+ aproximado a 1,5. Esto se ilustra
en la Figura 3.6.
Es importante senalar que la dinamica linealizada indica que en los parametros
crıticos deben aparecer oscilaciones de amplitud creciente. Sin embargo, los terminos no
lineales de la ecuacion diferencial se encargan de estabilizar dicha amplitud, formandose
ası un ciclo limite.
3.2 Solucion Numerica y Diagrama de Fase. 21
0.05
0.1
0.15
0.2
0 250 500 750 1000 1250 1500
Ta
sa
de
dis
pa
ro (
sp
/ms)
Tiempo(ms)
0.80.9
G-=0.7
Figura 3.5: Cambio de comportamiento de la solucion ATh(t) debido a una bifurcacion Hopfen G− ' 0,9 y G+ = 0.
0.05
0.1
0.15
0.2
0 250 500 750 1000 1250 1500
Tasa d
e d
isp
aro
(sp
/ms)
Tiempo(ms)
G+=1.401.551.60
Figura 3.6: Cambio de comportamiento de la solucion ATh(t) debido a una bifurcacion Hopfen G+ ' 1,5 y G− = 2,0.
22 Modelo Reducido.
3.3. Propiedades de las oscilaciones.
0.01
0.02
0.03
0.04
0.05
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6
Amplitud
G+
Figura 3.7: Amplitud de las oscilaciones en funcion de G+ para diferentes valores de G− (dearriba hacia abajo: 2.0 - 1.5 - 1 - 0.95). Es evidente una variacion lineal de la amplitud con laganancia positiva.
En esta seccion, se estudia como varıan los ciclos limites (frecuencia y amplitud) en
funcion de los parametros G+ y G−. En las mismas condiciones de ∆ = 26 ms y τ = 5
ms, se grafico la amplitud del ciclo limite de ATh para diversos valores de ganancias.
Esto se expone en la Figura 3.7.
Para valores fijos de G−, la amplitud varia linealmente con la ganancia positiva.
Esto nos indica que
Amplitud(G+, G−) = φ(G−) +G+ ψ(G−). (3.26)
Una manera de deducir la forma funcional de φ y ψ es graficar los parametros de
los ajustes lineales como funcion de G−. Esto se muestra en la Figura 3.8. De la misma,
se nota que la ordenada φ es lineal; mientras que ψ parece seguir un comportamiento
creciente hasta la saturacion.
Finalmente, se fijan valores de (G+, G−) tales que se presenta una solucion oscilato-
ria y se varıa ∆. De esta forma, se examina la variacion de las frecuencias de oscilacion
f como se presenta en la Figura 3.9. De ella se deriva que la frecuencia es inversamente
proporcional a ∆.
3.3 Propiedades de las oscilaciones. 23
-0.04
-0.02
0
0.02
0.04
0.8 1 1.2 1.4 1.6 1.8 2
Parámetros
G-
PendienteOrdenada
Figura 3.8: Variacion de los parametros de las funciones lineales Amp = Amp(G+) respecto acambios deG−. La ordenada resulta seguir un comportamiento lineal, a diferencia de la pendiente.
65
75
85
95
105
115
125
135
5 10 15 20
1/f
(m
s)
Δ(ms)
Figura 3.9: Ajuste lineal 1/f vs. ∆.
24 Modelo Reducido.
3.4. Resultados con ruido.
Tal como se explico en el capıtulo anterior, en el modelo se considera ruido blanco
gaussiano de media nula y desviacion fija σα. Se utilizo el metodo Box-Muller para la
generacion de valores aleatorios η ∼ No(0, σα) [8].
Para todos los ganglios se fijaron los valores de σα, como sigue: σTh = 0,005, σC =
0,003, σSTN = 0,002, σSt = 0,0005 y σGPi = 0,005. Utilizando los parametros de
la Tabla 3.1, se obtiene la solucion numerica que se presenta en la Figura 3.10. En
ausencia de ruido, se habıa observado que el estado de ruptura de simetrıa es equivalente
al simetrico (Figura 3.2). Pero, dada una perturbacion aleatoria, el comportamiento
asimetrico entre los canales se hace evidente tal como se muestra en la Figura 3.10. En
la solucion de la Figura 3.11 , se redujo el valor de GC,St a 0,4 y dado que el estado
estacionario es simetrico, el ruido no afecta la dinamica del valor medio.
0.05
0.1
0.15
0.2
0.25
0.3
0 250 500 750 1000 1250 1500
Tasa d
e d
isp
aro
(sp
/ms)
Tiempo(ms)
Sin ruidoCanal 1Canal 2
Figura 3.10: Influencia del ruido blanco gaussiano en la dinamica de la red. La perturbacionaleatoria modifica la solucion sin ruido cuando el sistema esta en el regimen de ruptura de simetrıa(G+ = 2,4, G− = 1,97). En este caso particular, se observa la variacion temporal de la tasa dedisparo del talamo.
3.5. Efecto de entradas externas.
En las secciones anteriores, se ha analizado como la red responde a una corriente
externa constante y no selectiva en la corteza (HC) que representa la contribucion de
corrientes provenientes de otras regiones del cerebro a la corteza motora. Por otra parte,
se exploro regiones del espacio de parametros donde el sistema presenta un regimen
oscilatorio, simetrico y de ruptura de simetrıa.
3.5 Efecto de entradas externas. 25
0.05
0.1
0.15
0.2
0.25
0.3
0 250 500 750 1000 1250 1500
Ta
sa
de
dis
pa
ro (
sp
/ms)
Tiempo(ms)
Sin ruidoCon ruido
Figura 3.11: Influencia del ruido blanco en la dinamica de la red. El sistema se encuentra enel regimen estacionario simetrico (G+ = 1,4, G− = 1,97), por lo cual el ruido no modifica el valormedio A(t) en cada canal. En este caso particular, se observa la variacion temporal de la tasa dedisparo del talamo.
Durante la planificacion motora, la informacion relacionada con un programa motor
se envıa desde el area cortical sensoriomotora al cuerpo estriado. Esta informacion
sensorial esta representada en el modelo mediante la adicion de una entrada externa
transitoria y debilmente selectiva para el cuerpo estriado (HSt).
En esta seccion se describe como responde la red neuronal a corrientes dependien-
tes del tiempo en los diferentes estados. En la Figura 3.12, se presentan las entradas
externas para la corteza (HC) y el cuerpo estriado (HSt). Por un lado, la corriente que
circula en el cuerpo estriado es selectiva y actua en un intervalo de 100 ms con una
amplitud de ±0, 004 (canal 1 y 2, respectivamente). Mientras que para la corteza, se
aplica una corriente no selectiva de la forma
HC(t) = 0,1 cos2(πt− tmD
) (3.27)
Ambas entradas se activan al mismo tiempo (t = 500 ms).
La respuesta de la red en el regimen de multiestabilidad se muestra en la Figura
3.13. La entrada externa induce una respuesta asimetrica de la red debido a que el
estado de equilibrio simetrico es inestable. Una poblacion cortical se activa, mientras
que el otro canal se inhibe, en forma similar a lo que ocurre en el regimen de ruptura
de simetrıa. Sin embargo, en contraste con lo que sucede en este ultimo regimen, la
fuerte retroalimentacion positiva sostiene la actividad cortical en la poblacion activa
y la red permanece en un estado asimetrico incluso despues de la eliminacion de la
entrada externa asimetrica (HSt). Por lo tanto, la red muestra multiestabilidad entre
26 Modelo Reducido.
0.02
0.04
0.06
0.08
0.1
0 200 400 600 800 1000 1200 1400
HC
Tiempo(ms)
-0.004
-0.002
0
0.002
0.004
0 200 400 600 800 1000 1200 1400
HSt
Tiempo(ms)
Corteza
Cuerpo
Estriado
Figura 3.12: Corrientes externas sobre dos ganglios. Arriba: La entrada en la corteza HC noes selectiva y es de la forma (3.27). Abajo: El cuerpo estriado recibe una senal cuadrada HSt deigual amplitud pero de signos diferentes para cada canal. Ambas se activan al mismo tiempo.
3.5 Efecto de entradas externas. 27
el estado de reposo y los dos estados asimetricos.
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
0 250 500 750 1000 1250 1500
Tasa d
e d
isp
aro
(sp
/ms)
Tiempo(ms)
GPi
Th
C
Figura 3.13: Respuesta de la red a la excitacion de la Figura 3.12 en el regimen de multiesta-bilidad (G+ = 3, G− = 1,97).
La respuesta de la red en el regimen con ruptura de simetrıa se muestra en la
Figura 3.14 (izq). Antes de aplicar la excitacion asimetrica (HSt), las neuronas del
cuerpo estriado de ambos circuitos reciben la misma excitacion de la corteza. Esto se
debe a que los dos canales corticales estan en un estado simetrico. En el momento en que
se activa la entrada transitoria con el cuerpo estriado, se induce una ligera diferencia
entre las actividades de los dos circuitos. Dado que en el circuito 1 la excitacion es
mayor, este es mas activo.
Como era de esperarse esta entrada produce una ruptura de la simetrıa en la red.
La inestabilidad impulsa a la red hacia un estado asimetrico. Esto implica que la
corriente externa, amplifica la diferencia entre las actividades de los dos circuitos.
Consecuentemente, el circuito 1 de la corteza es mas activo que el 2. Cuando la corriente
se anula, la diferencia desaparece.
Estas observaciones permiten asegurar que una entrada debilmente selectiva en el
cuerpo estriado es suficiente para generar una respuesta fuertemente asimetrica de la
corteza incluso si las dos poblaciones corticales se activan de la misma manera. Cuando
se disminuye la ganancia de la conexion sinaptica entre la corteza y cuerpo estriado, el
sistema pierde esta capacidad y cambia de regimen.
La Figura 3.14 (der) muestra el comportamiento de la red en el regimen simetrico,
en el cual la entrada no selectiva a la corteza lleva a la activacion de ambas neuronas
corticales. Este aumento de actividad tambien se presenta en el GPi como consecuencia
de que la contribucion del STN (excitatoria) es mayor que la contribucion del St (inhi-
bitoria y asimetrica). Se puede observar una pequena asimetrıa entre las actividades en
28 Modelo Reducido.
los dos circuitos (producto de entrada selectiva del cuerpo estriado). Dicha asimetrıa
desaparece tras cancelar el valor de la corriente.
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0 250 500 750 1000 1250 1500
Ta
sa
de
dis
pa
ro (
sp
/ms)
Tiempo(ms)
GPi
Th
C
0.1
0.2
0.3
0.4
0.5
0 250 500 750 1000 1250 1500
Ta
sa
de
dis
pa
ro (
sp
/ms)
Tiempo(ms)
GPi
Th
C
Figura 3.14: Respuesta de la red a la excitacion de la Figura 3.12 en el regimen asimetrico(G+ = 2,4, G− = 1,97) (izquierda) y en el regimen simetrico (G+ = 1,4, G− = 1,97) (derecha).
Cuando la ganancia de la sinapsis corteza - estriado es demasiado pequena, el lazo
directo no puede compensar las oscilaciones. Es decir, inmediatamente la corteza se
activa, la red tiende a desarrollar una actividad oscilatoria. Al igual que en el regimen
no oscilatorio simetrico, la entrada al cuerpo estriado ocasiona una asimetrıa en la
respuesta transitoria de los dos circuitos, que desaparece rapidamente una vez que la
entrada al cuerpo estriado ha terminado. La respuesta temporal se muestra en la Figura
3.15.
Sin embargo, si HC es suficientemente fuerte, las oscilaciones se suprimen porque
la actividad de la GPi se vuelve tan fuerte que inhibe completamente el talamo. La
retroalimentacion se suprime entonces en el bucle hiperdirecto y el sistema no presenta
oscilaciones. Esto se muestra en la Figura 3.16.
Este modelo simple permite comprender, en terminos de la competencia entre los
lazos directo e hiperdirecto, la relacion de los estados clınicos con la dinamica de la red.
Frente a una estimulacion asimetrica en el St, la red puede presentar senales oscilatorias
o senales que presentan asimetrıa en mayor o menor medida. Y como ya se menciono,
para G− fijo, la respuesta depende del nivel de dopamina.
Las soluciones asimetricas estan asociadas a la posibilidad de elegir un plan motor.
Cuando el nivel de dopamina baja, la separacion entre las actividades de los canales
disminuye y la eleccion de un plan motor se dificulta (bradikinesia). Cuando el nivel
de dopamina es muy bajo, aparecen actividades oscilatorias correspondientes al estado
parkisoniano. Este ultimo resultado es coherente a las observaciones experimentales
relacionadas a procesos de sincronizacion en senales neuronales de pacientes parkinso-
nianos.
3.5 Efecto de entradas externas. 29
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0 250 500 750 1000 1250 1500
Tasa d
e d
isp
aro
(sp
/ms)
Tiempo(ms)
GPi
Th
C
Figura 3.15: Respuesta de la red a la excitacion de la Figura 3.12 en el regimen oscilatorio(G+ = 0,2, G− = 1,97).
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
0 250 500 750 1000 1250 1500
Tasa d
e d
isp
aro
(sp
/ms)
Tiempo(ms)
GPi
Th
C
Figura 3.16: Respuesta de la red a la excitacion de la Figura 3.12 en el regimen oscilatorio(GC,St = 0,05) cuando se aumenta la amplitud de HC .
Capıtulo 4
Modelo Unidimensional.
“Solamente quien tiene cerebro puede cambiar de idea. ”
— E. Wescott.
4.1. Topologıa de la red.
Con el objetivo de dotar a la red con una nocion de distancia espacial se caracterizo a
cada neurona de un ganglio con una nueva variable posicion. La posicion en el ganglio
define el programa motor que esta siendo implementado por el sistema. Estos programas
motores se diferencian en como se distribuye la actividad de las neuronas a lo largo de
la variable posicion. Ası, para un dado plan motor, se tiene una region (intervalo de
la variable posicion) con neuronas que presentan mayor actividad que en el resto del
ganglio.
La propuesta consiste en considerar a cada ganglio como una circunferencia. Fijado
un origen, el angulo θ ∈ (0, 2π) sirve de indicador de la posicion de una neurona.
Lo que quiere decir que la poblacion α de Nα elementos equidistribuidos en el rango
(0, 2π) forma un conjunto cuya topologıa es unidimensional con condiciones de contorno
periodicas.
A partir de esta geometrıa, se desea construir el sistema de forma que la probabilidad
de conexion entre dos neuronas (i ∈ α) y (j ∈ β) sea una funcion de la distancia entre
ellas ∆θi,j. La probabilidad de conexion entre dos neuronas debe aumentar al disminuir
la distancia angular entre ellas, pero tambien existe la posibilidad de conectarse con
otras que esten alejada. Esta situacion se ilustra en la Figura 4.1.
Primero, se define una funcion h(∆θij) que indica la probabilidad de que exista la
conexion i, j
h(∆θij) ∝ expcos(∆θij)−1
σ2 (4.1)
definida sobre el intervalo [−π, π].
31
32 Modelo Unidimensional.
Figura 4.1: Arquitectura del modelo en una dimension con condiciones de bordes periodicas.Las conexiones respetan la estructura topologıca del sistema.
Notar que h es simetrica respecto al origen (coherente a la nocion de distancia) y
tiende a la distribucion normal para distancias pequenas. En la Figura 4.2, se comparan
dichas distribuciones.
En este contexto, la matriz de conectividad (Zαβij ) ∈ RNα×Nβ (ver Capıtulo 2) se
entiende como una matriz aleatoria cuyos elementos son variables binarias, indepen-
dientes e identicamente distribuidas. Especıficamente1,
Zij =
{1 h(∆θij)
0 1− h(∆θij).(4.2)
Por otra parte, la cantidad de neuronas del nucleo α conectadas a una neurona j
del ganglio β tambien es una variable aleatoria kj. En la literatura [7], el valor medio
de kj es un dato conocido y se denota Kα,β (pues solo depende de las poblaciones
interactuantes). Luego,
kj =∑i∈α
Zij ⇒ Kα,β =< kj >=∑i∈α
h(∆θij). (4.3)
Utilizando la relacion (4.3) se puede determinar la constante de normalizacion en
1En adelante, se omite los ındices α,β.
4.2 Condiciones de la distribucion. 33
0
0.2
0.4
0.6
0.8
1
1.2
1.4
- - /2 0 /2
(rad)
Dist. Normal
Dist. de conectividad
Figura 4.2: La distribucion de probabilidad de que exista una conexion entre dos neuronasdepende de la distancia angular entre ellas entre ellas y esta definida por la distruibucion deconectividad (curva roja).
(4.1),
h(∆θij) = Kα,β expcos(∆θij)−1
σ2∑m∈α exp
cos(∆θmj)−1
σ2
. (4.4)
4.2. Condiciones de la distribucion.
La funcion h tiene tres parametros libres σ, Kα,β y Nα. Una combinacion de ellos
puede generar valores mayores a 1 produciendo una inconsistencia pues h representa
una probabilidad. Esto sugiere la necesidad de un vınculo entre los tres valores para
asegurar que h(∆θij) ≤ 1.
Para empezar, note que el maximo de h se encuentra en ∆θij = 0
expcos(∆θij)−1
σ2 ≤ 1, ∀∆θij. (4.5)
y ademas, que el siguiente lımite existe
lımNα→∞
1
Nα
∑i∈α
expcos(∆θij)−1
σ2 =1
2π
∫ π
−πexp
cos(θ)−1
σ2 dθ = g(σ). (4.6)
Luego, aplicando (4.5) y (4.6) se deduce que
h(∆θij) ≤ 1⇔ Kα,β
Nα
≤ g(σ). (4.7)
34 Modelo Unidimensional.
En este sentido, g(σ) es una cota para la densidad de conexiones por neurona. La
Figura 4.3 muestra dicha funcion.
0
0.25
0.5
0.75
1
0 /2
g()
(rad)
Figura 4.3: Curva g(σ) obtenida por integracion numerica. La densidad de conexiones porneurona para un valor de σ debe ser menor a g(σ).
4.3. Regla de escala para la simulacion.
Simular un modelo de la red que incorpore un numero de neuronas similar al del sis-
tema real es computacionalmente costoso. La alternativa es escalar la red a un tamano
adecuado para que el consumo de memoria y el tiempo de calculo resulten razonables.
Dada la necesidad de que una red de menor tamano muestre propiedades cercanas
a las de la red original, Golomb y Hansel [9] propusieron la siguiente regla2
1
Kα,βsim
=1
Nsim
+1
Kα,β. (4.8)
La aplicacion de este ajuste en el modelo unidimensional implica cumplir la ecuacion
(4.7) con Kα,βsim y Nsim
Kα,βsim
Nsim
≤ g(σ).⇒ Kα,β(1
g(σ)− 1) ≤ Nsim. (4.9)
2La regla utiliza la hipotesis que el numero de neuronas es el mismo para todos ganglios (Nsim).
4.4 Acoplamiento. 35
4.4. Acoplamiento.
Esta seccion presenta una breve discusion sobre dos formas de implementar las
conexiones entre neuronas (i, α)→(j, β) definiendo la fuerza de la sinapsis y si estan o
no conectadas.
En el capıtulo 2, se definio la corriente total que recibe una neurona (j ∈ β) como
Iβj =∑i∈α
GijαβZ
αβij m
αβij (t−∆αβ). (4.10)
En el desarrollo del trabajo, se considero Gijαβ = Gαβ, ∀i, j y Zαβ
ij como matriz
aleatoria. Sin embargo, es posible realizar un planteo equivalente. Este consiste en
tomar Zαβij = 1, ∀i, j (todas conectadas con todas) y con intensidades aleatorias Gij
αβ.
El mapeo estre estos dos planteos equivalentes se logra via valores medios3,
< Gij >= Gh(∆θij). (4.11)
De esta manera se permite el pasaje de un analisis de ganancias G a un analisis
de conexiones con probabilidad h. En particular, se desea estudiar el correlato del
parametro de acoplamiento Γ del modelo reducido al modelo 1D.
La definicion extendida del acoplamiento Γ para el modelo unidimensional es
Γ =
∑i/∈V < Gij >∑i∈V < Gij >
(4.12)
donde V es la region de primeros vecinos.
Es importante remarcar que V es un parametro que se toma en forma arbitraria,
independiente de σ y de los ganglios involucrados (ver Figura 4.4). Esta definicion
recupera la situacion del modelo reducido cuando V solo consiste en la neurona de
igual angulo.
Figura 4.4: Esquema de conexion entre grupos de neuronas indicando los primeros vecinos.
En el lımite continuo, se obtiene Γ en funcion de σ y V mediante la ecuacion
3Se evita los indices α, β.
36 Modelo Unidimensional.
1
1 + Γ=
∫V
expcos(θ)−1
σ2 dθ∫ π−πexp
cos(θ)−1σ
2
dθ= ρ(σ, V ) (4.13)
donde se utilizo la relacion (4.11).
Suponga dos conexiones entre ganglios α→ β y α′ → β′ que tienen como parame-
tros σ1, Γ1 y σ2, Γ2, respectivamente. En ambas conexiones, V es fijo e igual.
Cuando Γ2 << Γ1 (ver Figura 4.5) se obtiene
1 + Γ2
1 + Γ1
=ρ(σ1, V )
ρ(σ2, V )≈ 1
1 + Γ1
. (4.14)
Esto indica que fijando los parametros de la conexion mas acoplada, la dispersion
σ2 esta univocamente determinada.
Figura 4.5: Representacion para los dos casos de acoplamiento.
En particular, el caso del modelo reducido tiene estas caracterısticas. La conexion
STN → GPi tiene acoplamiento (Γ1 = Γ) mientras que las demas no (Γ2 = 0).
4.5. Resultados.
En el modelo 1D propuesto se incluyo el efecto del nivel de dopamina sobre el
cuerpo estriado estableciendo una dependencia entre el valor del umbral TSt y el nivel
porcentual de dopamina D relativo al estado fisiologico normal (100 %). Ademas, al
igual que en el modelo reducido, el nivel de dopamina modifica la ganancia de la
conexion C-St. Este modelado fenomenologico permite reproducir el incremento de
actividad de las neuronas del cuerpo estriado al disminuir el nivel de dopamina en
forma consistente con observaciones in vivo [7]. Especıficamente, las dependencias de
TSt y GC,St con D fueron
4.5 Resultados. 37
TSt = −0,02 + 0,03
(1− 1,1
1 + 0,1 exp (−0,03(D − 100))
),
GC,St =0,75
1 + exp(−0,09(D − 60)).
La complejidad del modelo descrito anteriormente dificulta en gran medida su estu-
dio mediante herramientas analıticas. Por esta razon, resulta necesario implementar el
analisis mediante simulaciones numericas. En la tabla 4.1, se presenta los parametros
de la red utilizados.
Conexion α, β Gα,β Kα,β σ (rad)Th-C 1.25 229 0.70C-STN - 24 0.70C-St - 864 0.70STN-GPi 12.5 186 1.57St-GPi - 12 0.70GPi-Th 0.2 119 0.70
Tabla 4.1: Parametros del sistema utilizado para la resolucion numerica de la dinamica corres-pondiente al modelo 1D.
Mediante la variacion de parametros D, GC,STN y GSt,GPi, se logro construir una
representacion del espacio de fase del sistema. Cada region del espacio esta asociada a
un tipo de dinamica y por lo tanto, a un estado clınico. En la Figura 4.6, se muestra el
plano (GSt,GPi,GC,STN) para el nivel de dopamina D = 100 % y se observa que la red
capta dinamicas similares a las del modelo reducido.
Para analizar el efecto de la dopamina D en la seleccion de plan motor, se fijaron los
valores (GSt,GPi = 12,GC,STN = 1). En las Figuras 4.7 y 4.8,se presentan las respuestas
de la red a un estımulo asimetrico en St del tipo ε cos(θ). Las curvas corresponden a
dos neuronas espacialmente opuestas del GPi (θ = 0, π).
Las simulaciones realizadas con el modelo 1D (infinitos programas motores) para
distintos niveles de dopamina resultan consistentes con los resultados reportados en [7]
en el cual se describe un modelo similar (0D) capaz de seleccionar entre 2 programas
motores. De esta forma, se corrobora que la naturaleza 1D del modelo propuesto traduce
la posibilidad de seleccion de un continuo de programas motores.
Por otra parte, el modelo con estructura espacial permite simular mediciones y
procesos de estimulacion con electrodos. Los resultados de las simulaciones fueron ana-
lizados para identificar que rasgos son los mejores indicardores del estado dinamico
de la red. A su vez se estudiaron cuales metodos de estimulacion son los mas eficaces
para llevar a la red al estado dinamico deseado utilizando la perturbacion mınima. Los
resultados de estos analisis se presentan en el Capıtulo 6.
38 Modelo Unidimensional.
1
2
3
4
0 10 20 30 40 50 60
Ga
na
ncia
C-S
TN
Ganancia St-GPi
Oscilaciones
Ruptura de simetria
Multiestabilidad
Figura 4.6: Diagrama de fase en el que se capturan los distintos regımenes de la dinamica en elmodelo reducido para el nivel de dopamina 100 %. Se utilizaron los valores indicados en la tabla4.1.
0.25
0.3
0.35
0.4
0.45
0.5
0.55
0.6
0.65
0.7
0.75
1000 1100 1200 1300 1400 1500
Ta
sa
de
dis
pa
ro (
sp
/ms)
Tiempo (ms)
0.3
0.4
0.5
0.6
0.7
1000 1100 1200 1300 1400 1500
Ta
sa
de
dis
pa
ro (
sp
/ms)
Tiempo (ms)
Figura 4.7: Respuesta de la red a un estımulo asimetrico en el St cuando GSt,GPi = 12 yGC,STN = 1. A la izquierda,el nivel de dopamina es 100 %, mientras que a la derecha 50 %. Seobserva que la separacion en la actividad del GPi durante el estımulo asimetrico disminuye en elsegundo caso.
4.5 Resultados. 39
0.5
0.6
0.7
0.8
0.9
1
1.1
1000 1100 1200 1300 1400 1500
Tasa d
e d
isp
aro
(sp
/ms)
Tiempo (ms)
Figura 4.8: Respuesta de la red a un estımulo asimetrico en el St cuando GSt,GPi = 12y GC,STN = 1. Para un nivel de dopamina de 20 %, el sistema se encuentra en el regimenoscilatorio. En particular, se muestra la actividad del GPi.
Capıtulo 5
Open-Loop DBS.
“Supuestamente el cerebro humano es algo parecido a una
libreta que se adquiere en la papelerıa: muy poco mecanismo
y muchas hojas en blanco.”
— Alan Turing (Cientıfico de la computacion).
5.1. Local Field Potential.
En este capıtulo, nos centramos en el modelado de potenciales locales de campo
(LFP: Local Field Potential), que reflejan predominantemente las entradas sinapticas
a las neuronas [10] [11]. La medicion de LFPs se encuentra entre las tecnicas tradicio-
nalmente para el estudio de la actividad neural. Dado que el LFP resulta de la accion
combinada de corrientes y potenciales electricos producidos por las poblaciones de neu-
ronas en un entorno finito alrededor del electrodo, la correlacion entre dicho LFP y la
actividad neuronal no ha sido totalmente comprendida.
El interes por una mejor comprension de las senales LFP ha crecido en la ultima
decada principalmente por el desarrollo de nuevos multielectrodos que permiten la
grabacion simultanea de senales LFP en decenas, cientos e incluso miles de posiciones.
El LFP refleja inherentemente actividad a nivel de poblacion, y por lo tanto se ha
utilizado para investigar los mecanismos de red que participan en el procesamiento
sensorial, la planificacion motora y procesos cognitivos superiores.
Rall [12], Nicholson y Freeman [13] han descripto al LFP como resultado de las
contribuciones de las corrientes transmembrana en las neuronas proximas al electrodo
extracelular. En un modelo de N neuronas, esto consiste en un promedio pesado de
sus corrientes sinapticas, donde el peso f dependera de la posicion de cada neurona.
Esta forma de modelar el LFP es producto los siguientes supuestos
1. Aproximacion cuasiestatica de las ecuaciones de Maxwell: Los campos electricos y
41
42 Open-Loop DBS.
magneticos se desacoplan efectivamente. Esta aproximacion se cumple bien para
las frecuencias inherentes a la actividad neuronal [14].
2. La conductividad electrica es ohmica, independiente de la frecuencia, isotropica
[15] y homogenea [16].
Linden [17] ha reportado que la contribucion al LFP de una neurona ubicada lo
suficientemente lejos al electrodo decae como 1r2 con la distancia radial r al electro-
do1. Este comportamiento del LFP coincide con la aproximacion multipolar pues el
momento monopolar se anula.
En las cercanıas a una neurona, el decaimiento es menos pronunciado y la ley
depende de la geometrıa celular. Sin embargo, este efecto no se tendra en cuenta en la
modelizacion de los electrodos implementada en este trabajo.
5.2. Modelo de electrodos.
Esta seccion esta destinada a establecer como actuan los electrodos en el sistema
unidimensional en base al analisis anterior.
Se denomina Volumen de Tejido Activado (VTA) al conjunto de neuronas afectadas
por una estimulacion electrica de un electrodo. En contraste, cuando el electrodo fun-
ciona como sensor, existe un volumen de tejido alrededor del electrodo que contribuye
a la medicion del LFP (VTM).
En este trabajo, se considera que la contribucion del electrodo al tejido en una
estimulacion es semejante a la contribucion del tejido al electrodo en la medicion. Con
esta hipotesis, se desea unificar VTA y VTM en un volumen efectivo volef que se
interpreta como una propiedad geometrica del electrodo (ya sea estimulador o sensor).
El siguiente paso es formalizar esta idea.
Se define volumen efectivo de la funcion f de umbral p a
volef = vol{x ∈ [−π, π]|f(x) > pfmax}, p ∈ [0, 1] (5.1)
donde fmax es el maximo de la funcion.
Particularmente, si f es decreciente con |x|, se cumple que fmax es igual a f(0) y f
es simetrica. Luego, se puede calcular volef a traves de
f(volef
2) = p f(0). (5.2)
Una funcion que cumple estas propiedades es la distribucion de Cauchy F γx0=0 defi-
1Independientemente del tipo de celula y de la distribucion sinaptica
5.2 Modelo de electrodos. 43
nida por
F γx0
(x) ∝ γ
γ2 + (x− x0)2. (5.3)
La misma esta caracterizada por un parametro de dispersion (γ) y un centro x0 (sin
perdida de generalidad, se tomo x0 = 0).
Ademas de cumplir (5.2), la funcion F γx0=0 decae como 1/x2 para x lo suficiente-
mente grande. Esta caracterıstica es compatible con el comportamiento del LFP y la
aproximacion dipolar de los electrodos discutida en la seccion anterior.
La primera propuesta es utilizar esta distribucion como funcion peso en los electro-
dos (tanto en la estimulacion como en la medicion de LFP); sin embargo, se la debe
adaptar a la geometrıa particular del modelo 1D propuesto en este trabajo.
Para que el orden de F no afecte a la magnitud de las corrientes medidas o aplicadas,
se normaliza con la condicion F γx0
(0) = 1. Ademas, dada la geometrıa del sistema se
utiliza el desarrollo del coseno (segundo orden) para lograr que la distribucion sea
periodica (tal como hicimos con la probabilidad de conexion h). Por tanto,
f(∆θ) =1
1− 2( cos(∆θ)−1γ2 )
, (5.4)
donde es evidente que el parametro de dispersion γ esta determinado por el volumen
activado volef y el umbral p a traves de (5.2).
Finalmente,
f(∆θ) =1
1− (1− 1p)( cos(∆θ)−1
cos(θact/2)−1), (5.5)
donde θef es volumen efectivo en unidades angulares. En la Figura 5.1, se compara la
distribucion Cauchy con la funcion peso utilizada.
Concretamente, la medicion de un LFP en la coordenada θ del ganglio α esta dado
por
Φ(θ, t) =∑i∈α
f(θi − θ)Ii(t) (5.6)
donde f es la funcion de peso (5.5), Ii la corriente sinaptica que recibe la neurona de
posicion θi.
El electrodo de estimulacion en la posicion θ del ganglio β brinda una corriente
externa a la neurona i de la forma
IβDBS(θi, t) = f(θi − θ)Hext(t) (5.7)
donde Hext define la intensidad de la estimulacion. Ambas acciones de los electrodos
se representa en la Figura 5.2.
44 Open-Loop DBS.
1e-005
0.0001
0.001
0.01
0.1
1
0.01 0.1 1Distancia angular (rad)
VTA/2
Porcentaje
Distrib. Cauchy
Funcion peso
Figura 5.1: Comparacion de la ditribucion de Cauchy y la funcion de peso propuesta por laecuacion (5.4).
Figura 5.2: Electrodo como sensor en C y como estimulador en el STN. Un volumen finito dela corteza contribuye al LFP medido; mientras que un volumen del STN se ve afectado por laestimulacion DBS.
5.3 LFP vs Actividad 45
5.3. LFP vs Actividad
Como se discutio en la seccion anterior, LFP es un promedio pesado de las corrientes
sinapticas Ii en un volumen entorno a la posicion del electrodo. Por otro lado, la
actividad Ai de una neurona representa la probabilidad de que la neurona dispare un
potencial de accion y se calcula Ai = [Ii − Ti]+.
Existen metodos experimentales para la medicion de LFP y la actividad, sin em-
bargo la medicion de ambas simultaneamente presenta dificultades. Por esta situacion,
existe interes en encontrar alguna correlacion entre ambas medidas. En esta parte del
trabajo, se analiza dicha correlacion para la geometrıa del modelo 1D.
El LFP es una funcion Φ definida por la coordenada de medicion θ y el tiempo t
Φ(θ, t) =
∫ π
−πf(s− θ)I(s, t)ds (5.8)
donde I la corriente sinaptica de la neurona ubicada en s a tiempo t y f(s − θ) es el
peso asignado a dicha corriente. Notar que es la version continua de la ecuacion (5.6)
En la seccion anterior, se discute propiedades de la funcion peso f . Entre ellas, se
encuentran
1. f es par,
2. f es 2π-periodica.
Por otro lado, la actividad A(θ, t) es la probabilidad de que la neurona en θ dispare
un spike por unidad de tiempo en el momento t. En nuestro modelo, la actividad y la
corriente de entrada de una neurona estan vinculadas por A(θ, t) = [I(θ, t)− T ]+.
A(θ, t) es una funcion 2π-periodica y desarrollable en Serie de Fourier
A(θ, t) =∞∑n=0
an(t) cos(nθ) + bn(t) sin(nθ). (5.9)
En el regimen lineal (I > T ), se puede expresar del LFP de la siguiente manera
Φ(θ, t) =
∫ π
−πf(s− θ)I(s, t)ds
=
∫ π
−πf(s− θ)[A(s, t) + T ]ds
=
∫ π
−πf(s− θ)[
∞∑n=0
(an + Tδn,0) cos(ns) + bn sin(ns)]ds
=∞∑n=0
(an + Tδn,0)ψ1,n(θ) + bnψ2,n(θ)
46 Open-Loop DBS.
donde
ψ1,n(θ) =
∫ π
−πf(s− θ) cos(ns)ds, ψ2,n(θ) =
∫ π
−πf(s− θ) sin(ns)ds. (5.10)
Calculemos la siguiente integral
q1n,m =
∫ π
−πψ1,n(θ) cos(mθ)dθ =
∫ π
−π
∫ π
−πf(s− θ) cos(ns) cos(mθ)dsdθ (5.11)
Utilizando
1. w = s− θ, z = s+ θ, a = m+n2
y b = n−m2
2. cos(ns) cos(mθ) = 12[cos(az − bw) + cos(bz − aw)]
se obtiene
q1n,m =
1
4
∫ 2π
−2π
∫ 2π−|w|
−2π+|w|f(w)[cos(az − bw) + cos(bz − aw)]dzdw. (5.12)
Aplicando reglas de integracion basica, identidades trigonometricas y argumentos
de paridad, se reduce a
q1n,m =
∫ 2π
0
f(w)sin(2πb− bw)
bcos(aw)dw (5.13)
Si b 6= 0, qn,m = 0 pues el integrando es 2π-periodico e impar. En el caso b = 0
(m = n), se utiliza el limite sin(x)x→ 1
q1n,m =
∫ 2π
0
f(w)(2π − w) cos(mw)dw
= π
∫ π
−πf(w) cos(mw)dw
= πψ1,m(0).
Finalmente, q1n,m = πψ1,m(0)δn,m. De forma identica, se puede demostrar que
1. q2n,m =
∫ π−π ψ2,n(θ) sin(mθ)dθ = πψ1,m(0)δn,m
2. q12n,m =
∫ π−π ψ1,n(θ) sin(mθ)dθ = 0
3. q21n,m =
∫ π−π ψ2,n(θ) cos(mθ)dθ = 0
5.4 Resultados de Open-Loop DBS. 47
Notar que si se desarrolla en Serie de Fourier al LFP,
Φ(θ, t) =∞∑m=0
Am cos(mθ) +Bm sin(mθ),
Am =1
π
∞∑n=0
(an + Tδn,0)q1n,m + bnq
21n,m
= (am + Tδm,0)ψ1,m(0),
Bm = bmψ1,m(0).
Es decir, los coeficientes de Fourier espaciales del LFP son proporcionales a los de la
actividad (exceptuando a m = 0, por el corrimiento debido a T ). Esto es simplemente
una consecuencia de la propiedad de convolucion de funciones periodicas.
En el caso particular de la funcion peso Lorentziana,
f(s− θ) =1
1− E[cos(s− θ)− 1], (5.14)
se obtiene las primeras constantes como
ψ1,0(0) =2π√
1 + 2E
ψ1,1(0) =−2π√1 + 2E
√1 + 2E − 1− E
E
ψ1,2(0) =2π√
1− 2E(
√1 + 2E − 1− E
E)
2
Este analisis se puede verificar con las simulaciones. La Figura 5.3 muestra como
varıan los primeros coeficientes de Fourier espaciales del LFP Φ respecto a los de la
actividad A. Se verifico que las pendientes de las rectas son las constantes ψ1,i(0)
(i = 0, 1).
5.4. Resultados de Open-Loop DBS.
Los valores tıpicos de volef para electrodos estimuladores es del orden de 100 mm3
[18], mientras que para electrodos sensores 40 mm3 [19]. Para las simulaciones, se deben
escalear dichos valores respecto al tamano de los ganglios involucrados mediante la regla
volefvolα
=θαef2π. (5.15)
En la tabla 5.1, se indican los volumenes de cada grupo neuronal utilizados en la
ecuacion (5.15). Ademas, para la determinacion de la funcion peso se uso el umbral
48 Open-Loop DBS.
0
0.05
0.1
0.15
0 0.04 0.08 0.12 0.16 0.2
Coeficie
nte
del LF
P
Coeficiente de la Actividad
Simulaciones
Ajuste lineal
(a) Primer coeficiente de Fourier.
0
0.004
0.008
0.012
0.016
0 0.01 0.02 0.03 0.04
Co
eficie
nte
de
l L
FP
Coeficiente de la Actividad
Simulaciones
Ajuste lineal
(b) Segundo coeficiente de Fourier.
Figura 5.3: Comparacion del primer y segundo coeficiente de Fourier espacial del LFP y de laActividad obtenidos de las simulaciones.
p = 0,01.
Ganglio α volα (mm3)C 36900STN 195St 8735GPi 668Th 10981
Tabla 5.1: Volumenes reales de los ganglios de la red.
La Figura 5.4 muestra la corriente sinaptica en dos neuronas de la corteza motora
para dos casos. Primero, una solucion de ruptura de simetrıa correspondiente a D =
100 %. El otro caso es una solucion oscilatoria (∼ 10 Hz) correspondiente a D = 30 %.
La Figura 5.5 presenta los efecto de aplicar una estimulacion DBS a la red en el
estado patologico (D = 30 %). Cuando se estimula al STN con pulsos a una frecuen-
cia de 50 Hz y amplitud equivalente a una tasa de disparo de 5 kHz, no se observa
disminucion en la amplitud de las oscilaciones. Sin embargo, cuando se aumenta la
frecuencia de estimulacion a 130 Hz, la amplitud de las oscilaciones patologicas son
significativamente atenuadas.
5.5. Estudio analıtico del esquema DBS Open-Loop.
Los resultados presentados en la seccion anterior muestran que el modelo propuesto
es capaz de reproducir una observacion clınica importante en cuanto a la tecnica DBS :
Una senal de estimulacion externa con una frecuencia fundamental de 130 Hz es capaz
de reducir las oscilaciones que presenta la red en el estado parkinsoniano.
5.5 Estudio analıtico del esquema DBS Open-Loop. 49
Figura 5.4: Corriente sinaptica de dos neuronas espacialmente opuestas en la corteza. Arriba:El caso fisiologico del sistema muestra asimetrıa debida a la estimulacion en el St. Abajo: El casopatologico presenta oscilaciones de ∼ 10 Hz.
Figura 5.5: Corriente sinaptica de dos neuronas espacialmente opuestas en la corteza. Arriba:La estimulacion DBS en el STN con pulsos de frecuencia 50 Hz no disminuye las oscilaciones.Abajo: La estimulacion DBS en el STN con pulsos de frecuencia 130 Hz disminuye significativa-mente las oscilaciones.
50 Open-Loop DBS.
Con el objetivo de lograr un mejor entendimiento de los mecanismos de accion de
este fenomeno de neuromodulacion, en esta seccion se propone un modelo simplificado
del esquema de estimulacion, capaz de ser abordado con herramientas analıticas.
Sean dos neuronas conectadas como se representa en la Figura 5.6. Se denota mi y
Hi son la salida sinaptica y la corriente externa de la neurona i, respectivamente.
Figura 5.6: Red constituida por dos neuronas. Se denota mi y Hi son la salida sinaptica y lacorriente externa de la neurona i, respectivamente.
La dinamica de la red sigue la relacion
τimi = −mi + [Gjmj(t−∆j) +Hi(t)− Ti]+ (5.16)
donde τi, Gj y ∆j son la constante de tiempo, la ganancia y retardo de la sinapsis
j → i; mientras que Ti representa un valor umbral para la corriente sinaptica de la
neurona i.
Al igual que el modelo reducido, se puede realizar un analisis de los puntos fijos del
sistema. Estos resultan ser
m0i =
(Hi − Ti) +Gj(Hj − Tj)1−G
, (5.17)
con el polinomio caracterıstico
p(s) = (1 + τs)2 −Ge−s∆, (5.18)
donde G = G1G2 y ∆ = ∆1 + ∆2.
La transicion SN ocurre cuando p(0) = 0, mientras que la aparicion de oscilaciones
cuando p(iw) = 0. Es decir, las curvas de transicion son
Bifurcacion SN : G = 1
Bifurcacion Hopf :
|G| = 1 + (wτ)2
2wτ1−(wτ)2 = − tan(w∆)
5.5 Estudio analıtico del esquema DBS Open-Loop. 51
Luego, la condicion para la existencia de la bifurcacion de Hopf es G < 0. Mas aun,
definimos positivo a G1 y negativo G2. Esta configuracion coincide a la conexion de C
con STN.
Recordemos que la validez de (5.17) es m0i ≥ 0 o equivalentemente
(Hi − Ti) +Gj(Hj − Tj) ≥ 0. (5.19)
Por otro lado, se estudia el comportamiento de la ecuacion utilizando transformada
de Laplace unilateral
mi(s) =
∫ ∞0
e−stmi(t) dt. (5.20)
En el espacio de frecuencia, la ecuacion resulta
τismi(s) = −mi +Gjmj(s)e−s∆j + Hi(s)−
Tis. (5.21)
donde se ha utilizado la hipotesis de mi(t) = 0 para t ≤ 0.
Resolviendo el sistema lineal de dos variables xi, se obtiene que
mi =Gje
−s∆jvj + (1 + τjs)vip(s)
,
vi = Hi(s)−Tis,
En el contexto de la teorıa de control, mi es la funcion de transferencia del sistema
y sus polos indican el tipo de dinamica del mismo. Cuando un polo se anula con una
raız de mi, el sistema cambia de regimen.
Los polos de la funcion mi son las raıces del polinomio caracterıstico p(s). En
particular, existe una par de numeros complejos conjugados que son polos de mi.
Cuando se evalua los numeradores en s = iw y exige que ambos se anulen, se obtiene
un sistema lineal homogeneo cuya matriz tiene determinante nulo (pues coincide con
p(s)). Esto implica que existe un vector (v1(iw), v2(iw)) no trivial que anula ambos
numeradores. El objetivo es determinar dicho vector.
Primero, se proponen las siguientes corrientes externas
H1(t) = H, H2(t) =N∑n=0
hn(t),
hn(t) =
A si t0 + nλ ≤ t < t0 + nλ+ δ
0 si c.o.c
52 Open-Loop DBS.
Es decir, la neurona 1 recibe un estimulo constante H, mientras que la otra un estımulo
que representa un tren de N pulsos cuadrados de ancho δ y periodo λ (δ < λ). El
estımulo H2 comienza en t0.
Las transformadas de los estımulos son
H1(s) =H
s, H2(s) =
A
s
1− e−sNλ
1− e−sλ(1− e−sδ)e−st0 (5.22)
Evaluando en s = iw
iw.H1(iw) = H, (5.23)
iw.H2(iw) = 2Asin(Nwλ
2)
sin(wλ2
)sin(
wδ
2)e−i
φ2 = αe−i
φ2 (5.24)
donde φ = w[2t0 + (N − 1)λ+ δ]− π.
Por otra parte, se supone que el sistema se encuentra en estado oscilatorio p(iw) = 0.
Ademas, se considera la hipotesis de Ti = 0, (i = 1, 2) sin perdida de generalidad.
Se analiza bajo que condiciones, el numerador se anula con s = iw.
0 = G2e−iw∆2v2 + (1 + iwτ2)v1 ⇒
⇒ (1 + iwτ2)H = −G2αe−i(w∆2+φ
2)
Igualando modulos
H =|G2α|√
1 + (wτ2)2(5.25)
y fase
tan(w∆2 +φ
2) = −wτ2 (5.26)
se obtienen las condiciones para que iw sea raız de mi.
Si se cumplen ambas ecuaciones, iw es raız y polo de la funcion de transferencia, y
por lo tanto, el sistema no presenta dinamica oscilatoria de frecuencia w.
Es decir, para la red en el regimen oscilatorio existe un configuracion de parametros
de H2 que permite al sistema abandonar dicho estado.
La ecuacion de la fase siempre tiene solucion y determina una combinacion del
periodo y ancho del estimulo H2(t) en funcion de los tiempos caracterısticos. Por otro
lado, la ecuacion del modulo indica la intensidad necesaria para reducir la amplitud de
las oscilaciones.
Capıtulo 6
Espacio de Rasgos.
“El ojo absorbe... El cerebro produce formas.”
— Paul Cezanne (Pintor).
Los observable del modelo 1D propuesto (ya sean corrientes sinapticas, actividades
o LFPs) son senales con dependencia espacial y temporal, es decir, se pueden describir
mediante una funcion Φ(θ, t).
Se entiende como vector de rasgo a un conjunto de valores que guardan la informa-
cion relevante acerca de Φ y permiten determinar similitudes entre diferentes senales
[20]. Este capıtulo esta destinado a establecer dichas primitivas y entender la estructura
del espacio donde habitan los vectores de rasgos.
La Figura 6.1 esquematiza la transformacion de un vector (D,G+, G−) del espacio
de parametros a una senal Φ generada por el modelo y luego reducida a un vector de
rasgos. Cada estado clınico tiene asociado una region del espacio de parametros y por
lo tanto, una region del espacio de rasgos.
Figura 6.1: Transformacion del Espacio de Parametros al Espacio de Rasgos mediante elanalisis de la senal Φ obtenida del modelo de la red. Para un nivel de dopamina y de gananciasdel lazo directo e hiperdirecto (D,G+, G−) se obtiene una senal de LFP Φ generada por el modelo.El analisis de la funcion Φ permite definir rasgos de la misma: Transformada de Fourier en espacio(Mod), en tiempo (PSD), descomposicion Wavelet (Wav), Acomplamiento Fase-Amplitud (PAC).
53
54 Espacio de Rasgos.
6.1. Estructura del Espacio de Rasgos.
Sea un conjunto de R -espacios vectoriales {Vi}Ni=1, definimos V como el producto
cartesiano de sus elementos. Mas precisamente,
V = V1 × V2 × ...× VN . (6.1)
Notar que si Mi = dim(Vi), entonces M = dim(V) =∑N
i=1Mi.
Por otro lado, se supone que para cada Vi el producto interno esta definido por la
matriz definida positiva Ai (en la base canonica).
Sea la matriz
A =
p1A1 0 0 0
0 p2A2 0 0
0 0 ... 0
0 0 0 pNAN
, (6.2)
donde pi > 0.
A es una matriz definida positiva de dimension M, pues cada Ai lo es y los pi son
positivos. Por simplicidad, se toma la normalizacion∑N
i=1 pi = 1. Con esta definicion,
es posible dotar a V del producto interno inducido por A.
Mas aun, la metrica de V resulta
d2V(~x, ~y) =
N∑i=1
pid2Vi(~xi, ~yi) (6.3)
donde ~x = ~x1 × ...× ~xN e ~y = ~y1 × ...× ~yN .
El espacio de rasgos definido en nuestro problema es de este estilo. Cada vector
es una concatenacion de vectores frecuencias, modulaciones, energıas, etc. El objetivo
de la siguiente seccion es determinar los pesos pi que afectan la distancia entre dos
vectores.
6.2. Producto de Mahalanobis y Matriz de Cova-
rianza.
Sea un conjunto de mediciones {~xn}qn=1, donde cada dato ~xi es un vector columna
de M componentes. Las componentes de dicho vector pueden no tener las mismas
unidades y representar variables de naturalezas distintas.
Se denota ~µ =< ~xn > al valor medio del conjunto de mediciones y se define la
matriz
X = [ ~xn − ~µ] ∈ RM×q (6.4)
6.3 Analisis de componentes principales. 55
que representa los valores obtenidos del proceso de medicion con media nula.
La matriz de covarianza S es la generalizacion natural a dimensiones superiores del
concepto de varianza de una variable aleatoria escalar. Matematicamente, se define
S =1
qXXT ∈ RM×M . (6.5)
La matriz S es definida positiva de dimension M, por lo tanto tiene dos propiedades
importantes,
1. Es diagonalizable con autovalores {λi} positivos asociados a autovectores {~vi} .
2. Define un producto interno.
Respecto a la primera propiedad, al ser S diagonalizable, existe un cambio de base
C desde la base canonica E a la de autovectores B.
[~x]B = C[~x]E. (6.6)
donde C es la matriz formada por los autovectores de S normalizados en filas.
El orden de la base E es el tıpico, mientras que el orden de la base B esta determi-
nado por el orden de los autovalores λ1 > λ2 > ... > λM . Cada autovalor es la varianza
de los datos en la direccion del autovector asociado.
Por otro lado, dada la segunda propiedad se define el producto interno
~x.~y = [~x]TES−1[~y]E (6.7)
denominado comunmente producto de Mahalanobis [21].
Este producto es inducido por la dispersion de los datos. Ademas puede ser expre-
sado en la base B usando (6.6)
~x.~y = [~x]TBD[~y]B (6.8)
donde D es una matriz diagonal cuyos elementos son 1λi
.
El peso 1λi
normaliza la varianza en la direccion del autovector asociado. Es decir,
esta distancia analiza al espacio como un espacio isotropo aunque no lo sea.
6.3. Analisis de componentes principales.
El analisis de componentes principales (PCA) es una tecnica utilizada para reducir
la dimensionalidad de un conjunto de datos [22]. Intuitivamente la tecnica sirve para
hallar correlaciones de un conjunto de datos y ordenarlas por importancia.
56 Espacio de Rasgos.
Tecnicamente, PCA busca la proyeccion segun la cual los datos queden mejor repre-
sentados en terminos de mınimos cuadrados [22]. PCA construye una transformacion
lineal que escoge un nuevo sistema de coordenadas para el conjunto original de datos en
el cual la mayor varianza del conjunto de datos es capturada en la primera coordenada,
la segunda varianza mas grande en la segunda coordenada, y ası sucesivamente.
A partir de las propiedades de la matriz de covarianza S presentadas en la seccion
anterior, la reduccion de dimensionalidad desde M a L componentes se puede escribir
mediante la transformacion lineal
~x ∈ RM 7→ C~x ∈ RL,
C =
~v1
~v2
...
~vL
.
El problema que ahora surge es encontrar la metrica en RL. El objetivo es que la
distancia de dos vectores en RM sea lo mas parecida a la distancia de sus transformados
en RL. Aunque tecnicamente no es igual a la ecuacion (6.8) (pues L < M), se demuestra
que la metrica ideal es la inducida por la matriz diagonal con elementos 1λi
(i = 1, ..., L).
En resumen, el espacio de rasgos V del problema esta dotado de una metrica in-
ducida por la estadıstica de los datos. En general, es un espacio anisotropico pues las
variaciones de cada componentes influyen de distinto modo. Con la tecnica PCA se
reduce la dimension del espacio (M → L) y se trabaja en las direcciones (vi) de ma-
yor variabilidad (λi). Una vez hecho esto, la distancia obtenida mediante el producto
interno de la ecuacion (6.3) analiza al espacio como isotropico si se utilizan los pesos1λi
(Ver Figura 6.2).
Figura 6.2: Esquema de la tecnica de componentes principales para la reduccion de dimensio-nalidad.
6.4 Rasgos del Local Field Potential. 57
6.4. Rasgos del Local Field Potential.
Al principio del capıtulo se senalo que cada para un nivel de dopamina y de ganan-
cias (D,G+, G−) se obtiene una senal Φ(θ, t) cuyo comportamiento define el estado
del sistema (fisiologico o patologico). En un esquema DBS a lazo cerrado, el patron
de estimulacion depende de la senal LFP medida y por ende, del estado del sistema.
El objetivo de esta seccion identificar los estados del sistema en funcion de la senal
medida.
A una senal Φ se la puede interpretar como una matriz de gran tamano (un valor por
cada tiempo y por cada coordenada). Y por tanto, comparar dos senales (componente a
componente) resulta ineficiente y costoso computacionalmente. Una alternativa consiste
comparar los vectores de rasgos de las mismas pues son vectores de menor dimension
y guardan la mayor informacion de cada una.
A cada serie de datos se les suprime el regimen transitorio de la simulacion y luego
se los normaliza con media nula y varianza unitaria. En las mediciones experimentales,
este proceso es esencial para que las senales no dependan del paciente y el sistema de
medicion. De esta forma, se obtiene caracterısticas comparables entre senales.
Con la intencion de reducir las componentes menos significativas en el analisis,
se aplica la tecnica PCA sobre los vectores de rasgos extraıdos. Como resultado, las
caracterısticas principales deberan contener informacion suficiente para la identificacion
de los estados del sistema y a partir de ellas se calcularan los patrones de estimulacion
adecuados para el paciente.
A continuacion se presentan los rasgos definidos para el esquema closed-loop DBS.
Los mismos son el resultado del analisis de senales de la corteza motora.
6.4.1. Modulacion espacial.
El estudio del regimen de ruptura de simetrıa en el modelo reducido consistıa en
analizar la respuesta del sistema a una entrada externa asimetrica HSt.
En el modelo reducido, los ganglios tienen dos neuronas. Cada una recibe un co-
rriente externa tipo pulso cuadrado, la unica diferencia entre ellas es el signo de la
amplitud HSt.
En el modelo unidimensional, la generalizacion es proponer una dependencia entre
amplitud con la posicion angular de la neurona afectada. En concreto, el cambio desde
el modelo reducido al 1D es
HStn = (−1)nε 7→ HSt
n = ε cos(θn) θn =2π
Nn. (6.9)
Si el sistema fuera lineal en la variable espacial, se espera que durante el estimulo
58 Espacio de Rasgos.
asimetrico, la actividad A de cada neurona sea funcion de θ a traves de
A(θ) = a+ b cos(θ). (6.10)
Sin embargo, debido al caracter estocastico del numero de conexiones por neurona
aparecen otras componentes de Fourier espaciales. En consecuencia resulta,
A(θ, t) =∞∑n=0
an(t) exp(−ı nθ). (6.11)
donde los coeficientes an que determinan la distribucion espacial de la actividad
depende del instante de medicion.
En este analisis interesa, en particular, la distribucion antes y durante la estımula-
cion HSt. Sin embargo, las fluctuaciones a corto plazo de A pueden causar problemas
en la comparacion de la actividad en simulaciones distintas. Es decir, las mediciones de
la actividad en el mismo instante t para dos simulaciones distintas no son comparables.
Es por eso que se necesita una variable que represente la tendencia de la actividad
antes y durante la estimulacion HSt.
Se define el promedio temporal de la actividad al instante t como
A(θ, t) =
∫ t
0
A(θ, s) exp(−(t− s)τ
)ds (6.12)
donde τ es el tiempo caracterıstico del peso exponencial.
La variable A es el promedio de los valores anteriores de A con factores de pondera-
cion que decrecen exponencialmente. Esta nueva variable suaviza las fluctuaciones de
plazos cortos y refleja la tendencia de A en el instante t. De esta forma, la medicion de
A antes y durante la estimulacion HSt debera reflejar el efecto de HSt.
Tras calcular A, se determinaron los coeficientes de Fourier espaciales. La variable
angular es discreta θk = 2π kN
(N numero de neuronas en un ganglio), por lo cual el
calculo de los coeficientes an(t) se realiza mediante la expresion
Re(an(t)) =1
N
N−1∑k=0
A(θk, t) cos(nθk), Im(an(t)) =1
N
N−1∑k=0
A(θk, t) sin(nθk). (6.13)
Finalmente, en base a la idea de seleccion de plan motor se definen los siguientes
rasgos
A(θ, t) 7→ [|a1(t0)||a0(t0)|
|a2(t0)||a0(t0)|
|a1(t1)||a0(t1)|
|a2(t1)||a0(t1)|
] (6.14)
donde t0,t1 corresponden a instantes de tiempo antes y durante el estımulo asimetri-
co en el St, respectivamente.
Lo que se espera de este analisis es que las componentes a0 y a2 no varıen significa-
6.4 Rasgos del Local Field Potential. 59
tivamente en el tiempo. Por el contrario, la variacion de a1 debe ser un indicador sobre
la seleccion de un plan motor.
Cabe notar que estas caracterısticas de la actividad no se puede medir en la practica.
Sin embargo, en el modelo estos rasgos proporcionan informacion sobre la capacidad
del sistema de elegir un plan motor. Ademas, en el capıtulo 5 se discutio un primer
paso en el estudio de correlaciones entre el LFP y la actividad.
En la Figura 6.3, se muestra la distribucion espacial de la actividad en neuronas de
la corteza antes y durante la estimulacion asimetrica en el cuerpo estriado HSt. En el
caso fisiologico, la actividad se modula; mientras que en el caso patologico la actividad
no se ve afectada por la corriente asimetrica. Estos casos representan a los estados
dinamicos de ruptura de simetrıa y multiestabilidad, respectivamente.
(a) Estado Fisiologico
(b) Estado Patologico
Figura 6.3: Distribucion espacial de la actividad de las neuronas corticales antes y durante laestimulacion asimetrica del St.
6.4.2. Densidad espectral de potencia.
Varios metodos de estimacion de la densidad espectral de potencia (PSD: Power
Spectral Density) se utilizan para transformar datos del dominio de tiempo en datos
de dominio de tiempo-frecuencia y permitir la cuantificacion de oscilaciones presentes
en la actividad electrica neuronal.
Un estimador de la densidad espectral de potencia es el denominado periodogra-
ma[23]. El metodo usual para calcular el periodograma de una secuencia temporal
60 Espacio de Rasgos.
[Φ(tn)]Nn=1 con paso de tiempo ∆t y una ventana de peso [w(tn)]Nn=1 es
˜PSD(f) = ∆t|∑N
n=1 Φ(tn)w(tn) exp(−2πf∆tı)|2∑Nn=1 |w(tn)|2
. (6.15)
En este trabajo, se utilizo una version modificada del calculo del ˜PSD llamada
Metodo de Welch[24]. Este consiste en dividir la secuencia temporal en segmentos de
igual longitud y superpuestos. Luego, se calcula el estimador ˜PSD con la ecuacion
(6.15) para cada segmento y se los promedian. Esta nueva funcion promedio define el
estimador de PSD. Para este calculo se dividio la senal del LFP en cuatro segmentos,
superpuestos a la mitad, y una ventana temporal w(t) tipo Hann [25].
Las bandas de frecuencias de interes presentes en las senales LFP se pueden clasificar
como sigue: δ (< 4 Hz), θ (4− 8 Hz), α (8− 13 Hz), β (13− 30 Hz), y γ (> 30 Hz).
Los procesos sıncronos tienen la potencia concentrada en una banda de frecuencia
limitada; mientras que los procesos asıncronos producen energıa espectral en una banda
ancha. En este tipo de procesos, se observa que la potencia disminuye exponencialmente
con la frecuencia [26].
Estos cambios en la potencia relativa Pi, (i = δ, θ, α, β, γ) dentro de las bandas de
frecuencia se han correlacionado con el movimiento y el habla en mediciones de LFP
[27][28]. Por lo tanto, estos rasgos son prometedores para su uso en la codificacion de
la informacion. En consecuencia, se definen las siguientes componentes del vector de
rasgos,
Φ(t) 7→ [Pδ Pθ Pα Pβ Pγ Pδ], (6.16)
donde Pi se calculo como el valor medio de PSD en la banda i.
En la Figura 6.4, se grafica la densidad espectral de potencia (PSD) del LFP para
el caso fisiologico y patologico. En el caso patologico, la PSD presenta maximos locales
en frecuencias multiplos de 10 Hz. Esto es el reflejo del comportamiento oscilatorio de
la red y la aparicion de armonicos.
Por otro lado, dado que cada lazo de la red esta compuesto por cuatro conexiones
(Figura 2.2) y cada una actua como un filtro pasa bajo de primer orden (2.2), el sistema
se comporta como un filtro pasa bajos de cuarto orden. En el caso fisiologico, la PSD
decae exponencialmente (para frecuencia de la banda gamma) con una pendiente de
-80 dB/dec. Este valor de pendiente es coherente al hecho de que el sistema es un filtro
pasa bajos de cuarto orden.
6.4 Rasgos del Local Field Potential. 61
100
101
102
103
150
100
50
0
PowerSpectralDensity[dB]
Fr equency [H z]; Fr eq. st ep = 0.12206Hz
δ θ α β γ
(a) Estado Fisiologico
100
101
102
103
150
100
50
0
PowerSpectralDensity[dB]
Fr equency [H z]; Fr eq. st ep = 0.12206Hz
δ θ α β γ
(b) Estado Patologico
Figura 6.4: Densidad espectral de potencia del LFP para el (a) estado fisiologico y (b) pa-tologico. Se indican las bandas de frecuencias a considerar en el analisis.
6.4.3. Descomposicion Wavelet.
Una funcion Wavelet es una funcion cuya energıa se encuentra concentrada en el
tiempo y sirve como herramienta para el analisis de fenomenos transitorios, no estacio-
narios y variantes en el tiempo. Una de las caracterısticas que ha permitido la aplicacion
de la teorıa Wavelet en diferentes campos de estudios es la capacidad de realizar un
analisis en tiempo y frecuencia a la vez [29].
El analisis Wavelet (WT) de senales discretas utiliza una familia de funciones orto-
normal (ortogonales y energıa unitaria). Con ellas, genera bloques de informacion en
escala y tiempo de una senal. La familia de funciones utilizada esta conformada por
una funcion fija llamada Wavelet madre Ψ(t) y los resultados de aplicarle operaciones
62 Espacio de Rasgos.
de traslacion y dilatacion [29]
Ψi,k(t) = 2−i/2Ψ(2−it− k), i, k ∈ Z. (6.17)
WT es superior a los distintos tipos de analisis de Fourier ya que proporciona una
localizacion tiempo-frecuencia adaptativa. La transformada Wavelet se puede dividir
en niveles de transformacion segun el valor del parametro de dilatacion (2−i). A medida
que este incrementa, aumenta la resolucion en frecuencia. Por otra parte, para niveles
de transformacion bajos, se obtiene una mejor resolucion temporal [29].
No existe un criterio definido para evaluar la calidad de una familia de Wavelet pues
en general depende en gran medida de la aplicacion y las caracterısticas requeridas.
Para un i ∈ Z, {Ψi,k}k∈Z es una base ortonormal de un espacio vectorial Wi. Se
denota Vi al complemento ortogonal de Wi. Existe un teorema que afirma que el espacio
Vi es la suma directa de Wi+1 y Vi+1 [29].
En el caso particular, de V0 se puede construir la siguiente relacion
V0 = W1 ⊕W2 ⊕W3 ⊕ ...⊕WN ⊕ VN . (6.18)
Es decir, a una funcion f(t) en V0 la puedo descomponer como suma N + 1 com-
ponentes ortogonales entre sı {di(t)}Ni=1 y aN(t). Cada di se llama detalle del nivel de
descomposicion i y aN es la aproximacion de f al nivel de descomposicion N.
Dado que Vi posee mayor resolucion en frecuencia que Vi+1, el efecto de proyectar
un vector de Vi en Vi+1 es equivalente a la aplicacion de un filtro pasa bajo sobre el
vector. Mientras tanto, la proyeccion sobre Wi+1 resulta de aplicar un filtro pasa alto.
En la Figura 6.5, se muestra la descomposicion Wavelet hasta el nivel 7 de la senal
de LFP para los casos fisiologico y patologico (analizados anteriormente con PSD).
El trabajo [30] indica que la descomposicion con la familia Symlet 17 es un buen
clasificador de las tareas motoras. En base a esto, se eligio esta Wavelet madre Ψ(t)
para el analisis.
En el caso patologico, la aproximacion del nivel 7 esta constituida por una com-
ponente de muy baja frecuencia (debida a la estimulacion en St) y una componente
oscilatoria. Los coeficientes detalles muestran oscilaciones en todo el intervalo temporal
y sus amplitudes disminuyen para frecuencias altas. En tanto, la senal LFP del caso
fisiologico solo presenta componentes de bajas frecuencias y no se observan oscilaciones.
Con el fin de analizar la contribucion de las primeras componentes de la descompo-
sicion, se definen cinco nuevos rasgos como las energıas de los niveles de aproximacion
7 y detalles 7,6,5,4. Precisamente,
Φ(t) 7→ [V7 W7 W6 W5 W4]. (6.19)
6.4 Rasgos del Local Field Potential. 63
0 2 4 6 8 10 12 14 16 182
1
0
1
2
Tiempo (seg)
Coefic
iente
s W
ave
let
0 2 4 6 8 10 12 14 16 182
1
0
1
2
Tiempo (seg)
Coefic
iente
s W
ave
let
0 2 4 6 8 10 12 14 16 182
1
0
1
2
Tiempo (seg)
Coefic
iente
s W
ave
let
0 2 4 6 8 10 12 14 16 182
1
0
1
2
Tiempo (seg)
Coefic
iente
s W
ave
let
0 2 4 6 8 10 12 14 16 182
1
0
1
2
Tiempo (seg)
Coefic
iente
s W
ave
let
(a) Estado Fisiologico
0 2 4 6 8 10 12 14 16 182
1
0
1
2
Tiempo (seg)
Coefic
iente
s W
ave
let
0 2 4 6 8 10 12 14 16 182
1
0
1
2
Tiempo (seg)
Coefic
iente
s W
ave
let
0 2 4 6 8 10 12 14 16 182
1
0
1
2
Tiempo (seg)
Coefic
iente
s W
ave
let
0 2 4 6 8 10 12 14 16 182
1
0
1
2
Tiempo (seg)
Coefic
iente
s W
ave
let
0 2 4 6 8 10 12 14 16 182
1
0
1
2
Tiempo (seg)
Coefic
iente
s W
ave
let
(b) Estado Patologico
Figura 6.5: Descomposicion Wavelet del LFP en los casos (a) fisiologico y (b) patologico. Loscoeficientes se ordenaron desde arriba hacia abajo: Aproximacion del nivel 7, Detalles del nivel7, 6, 5 y 4.
La frecuencia de muestreo en las simulaciones es de fm =2000 Hz. Luego de N
pasos de descomposicion, la aproximacion y el detalle de la senal contiene frecuencias
del rango [0, fm2N
] y [ fm2N, fm
2N−1 ], respectivamente. Por esta razon, las bandas de frecuencias
analizadas fueron (0-15 Hz), (15-31 Hz), (31-62 Hz), (62-125 Hz) y (125-250 Hz).
Una ventaja de este metodo es que no pierde la informacion de tiempo-frecuencia,
a diferencia de la transformada de Fourier. Ademas, la resolucion del analisis depende
del nivel de descomposicion logrando una mejor resolucion para las bajas frecuencias.
6.4.4. Acoplamiento Fase-Amplitud.
En los trabajos de de Hemptinne [31] [32] se analizan senales corticales (ECoG:
Electroencephalography) obtenidas en pacientes con Parkinson sometidos a cirugıa para
64 Espacio de Rasgos.
el implante de electrodos de estimulacion DBS. En estos trabajos se reporta que en la
corteza primaria de pacientes con Parkinson, la actividad de las poblaciones neuronales
se encuentra exesivamente sincronizada con la fase de las oscilaciones observadas en
las senales LFP de dicha red neuronal. Esta sincronizacion excesiva se manifiesta, en
las senales ECoG de la corteza, como un acoplamiento exagerado entre la fase de las
oscilaciones en la banda β (13-30 Hz) y la amplitud de las oscilaciones en la banda γ
y supra-γ (50-200 Hz).
Recientemente de Hemptinne [32] ha reportado evidencia experimental de que la
tecnica DBS aplicada en el STN reduce el acoplamiento fase-amplitud (PAC: Phase-
Amplitude cross frequency Coupling) en un un intervalo temporal similar a aquel en el
que se observa una reduccion en los sıntomas motores de los pacientes con Parkinson,
aunque una relacion de causalidad aun no ha sido demostrada en forma rigurosa. Estos
resultados soportan la hipotesis de que el fenomeno de PAC resulta un biomarcador
relevante del estado parkinsoniano, el cual puede ser explotado como senal de reali-
mentacion de una neuroprotesis capaz de suministrar un estımulo de neuromodulacion
adaptativo.
Existen diferentes medidas del fenomeno PAC [33] [34] [35]. A continuacion se pre-
senta uno de los metodos de calculo, siguiendo [34].
Sea la senal de LFP Φ(t),
1. Se filtra Φ en los dos rangos de frecuencia de interes: Frecuencia para la senal de
fase fp y Frecuencia para la senal de amplitud fA. Se denotan Φfp(t) y ΦfA(t) a
las senales resultantes de este proceso de filtrado.
2. Se calcula la fase φfp(t) y la amplitud AfA(t) usando la transformada de Hilbert
sobre Φfp(t) y ΦfA(t), respectivamente.
3. Una vez construida la serie [φfp(t),AfA(t)], se discretiza el rango de fase y se
calcula el promedio de A en cada intervalo. En notacion, 〈AfA〉φfp (j) es el valor
medio de la amplitud en el rango j-esimo de la fase.
4. Se define la distribucion de amplitud P (j) que es proporcional a 〈AfA〉φfp (j).
5. Finalmente, se calcula la distancia de Kullback-Leibler (KL) entre la distribucion
P y la distribucion uniforme. Dicho valor, se llama Indice de Modulacion y es
una medida del acoplamiento.
El mapa de colores de la Figura 6.6 (denominado Comodulograma) muestra el valor
del ındice de modulacion M como funcion de las frecuencias de las senales de amplitud
y fase del LFP. Se aplico el algoritmo anterior a las senales del LFP para los casos
fisiologico y patologico (analizados anteriormente con PSD y Wavelet).
6.4 Rasgos del Local Field Potential. 65
Frecuencia de Fase [Hz]
Fre
cuencia
de A
mplit
ud [H
z]
5 10 15 20 2540
60
80
100
120
0.1
0.2
0.3
0.4
0.5
0.6
(a) Estado Fisiologico
Frecuencia de Fase [Hz]
Fre
cuencia
de A
mplit
ud [H
z]
5 10 15 20 2540
60
80
100
120
0.01
0.02
0.03
0.04
0.05
0.06
0.07
(b) Estado Patologico
Figura 6.6: Comodulograma del LFP en los casos (a) fisiologico y (b) patologico. El mapa decolores indica el valor del indice de modulacion en funcion de las frecuencias de la senal de fasey senal de amplitud. El ındice se calculo a traves del algoritmo presentado en el texto (pasos 1a 5).
En ambos casos, el mınimo valor de M se encuentra en el rango fp ∈ [15, 25].
Para el estado patologico, el maximo es 6 veces mayor que el mınimo y se encuentra
en intervalo fA ∈ [80, 120] Hz y fp ∼ 10 Hz. Mientras que para el estado fisiologico,
el maximo M es 3 veces mayor que el mınimo y se encuentra en la region de baja
frecuencia de fp ∼ 5 Hz.
En base a la discusion que presenta de Hemmptine en [32], se define como nuevos
rasgos a los promedios del ındice de modulacion Mi en cuatro regiones. Para ello, se
dividieron por la mitad los rangos de frecuencia de fase (5-25 Hz) y de amplitud (40-120
Hz). Luego, se obtiene
Φ(t) 7→ [M1 M2 M3 M4]. (6.20)
En fin, el vector de rasgos para una senal de actividad y LFP es la concatenacion
de (6.14),(6.16),(6.19) y (6.20). El vector de rasgos tiene dimension 18: las primeras
cuatros miden la modulacion espacial de la actividad, las cinco siguientes indican la con-
tribucion de cada banda de frecuencia en la densidad espectral de potencia del LFP, las
cinco siguientes son las energıas de los niveles de Wavelet del LFP y las ultimas cuatro
66 Espacio de Rasgos.
miden el acoplamiento fase-amplitud de la senal LFP. Para que los vectores de rasgos
sean comparables entre sı se normaliza cada subvector (modulacion,PSD,WT,PAC).
Esto ademas garantiza que los modulos de los vectores de rasgos estan acotados.
6.5. Resultados.
En este capıtulo, se estudio el concepto de vector de rasgos. Se lo definio como el
resultado de analizar las senales que genera el modelo para un conjunto de valores de
dopamina y ganancias. Se establecieron como caracterısticas relevantes a la modulacion
espacial, PSD, la descomposicion Wavelet y PAC a partir de las cuales se constituyo un
vector de 20 componentes.
La exploracion del espacio de parametros (D,G+, G−) consistio en simular la
dinamica de la red en 125 puntos (5 valores por cada componente). Se calcularon
los vectores de rasgos para cada uno de ellos en 20 posiciones distintas del electrodo
sensor ubicado en la corteza motora.
Luego, se procedio a la reduccion de dimensionalidad de este espacio mediante
PCA. En la Figura 6.7 se muestran las proyecciones de los rasgos en las primeras cinco
componentes principales.
−0.5 00.5
1 −0.50
0.51
1.5−1.5
−1
−0.5
0
0.5
1
2da Componente3era Componente
1era
Com
pone
nte
Baja modulación.
Oscilaciones.
Fisiológico.
(a) Proyeccion de los rasgos principales en las pri-meras componentes.
−0.5 −0.4 −0.3 −0.2 −0.1 0 0.1 0.2 0.3
−0.4
−0.2
0
0.2
0.4
0.6
4ta Componente
5ta
Com
pone
nte
Baja modulación.
Oscilaciones.
Fisiológico
(b) Proyeccion de los rasgos principales en lacuarta y quinta componente.
Figura 6.7: (a) Primeras tres componentes principales de los rasgos obtenidos de la exploraciondel espacio de parametros. (b) Cuarta y quinta componente de los rasgos calculados. Se indicancon color el estado: Oscilatorio (rojo), Baja Modulacion (verde) o Fisiologico (ruptura de simetrıa)(azul).
La tecnica PCA reduce la dimensionalidad del espacio de rasgos bajo el costo de
perder informacion sobre los datos originales. La varianza relativa de L componentes
principales respecto a las M originales es
varL =
∑Li=1 λi∑Mi=1 λi
(6.21)
e indica el nivel relativo de informacion conservada en L componentes.
6.5 Resultados. 67
La Figura 6.8 muestra los autovalores y varianza relativa de las componentes prin-
cipales. Para el desarrollo del trabajo, se consideraron cinco componentes principales
y sus autovalores asociados. Cabe recordar que estos valores son los que determinan la
funcion de distancia en el espacio PCA.
1e-8
1e-7
1e-6
1e-5
1e-4
1e-3
1e-2
1e-1
1
1 3 5 7 9 11 13 15 17
Auto
valo
r
N° de componentes
(a) Autovalores
0.84
0.86
0.88
0.9
0.92
0.94
0.96
0.98
1
1 3 5 7 9 11 13 15 17
Va
ria
nza
re
lativa
N° de componentes
(b) Varianza relativa
Figura 6.8: (a) Autovalores asociados a cada componente principal, ordenados de mayor amenor. (b) Varianza relativa en funcion al numero de componentes principales.
Capıtulo 7
Closed-loop DBS .
“Mientras el cerebro sea un misterio, el universo continuara sien-
do un misterio.”
— Santiago Ramon Y Cajal (Medico).
7.1. Aprendizaje por refuerzo.
Consideremos una red neuronal artificial (ANN) bicapa con N salidas y L entradas.
Cada salida Si es una variable binaria ±1 cuya regla dinamica es
Prob(Si = ±1) = g(hi) =1
1 + exp (∓2βhi)(7.1)
con ~h = W~v, donde ~v ∈ RL es el vector de entrada (o el de una capa oculta en el caso
de multicapa), Wij el peso de la conexion j → i y β un parametro de la funcion de
activacion.
En la Figura 7.1 se presenta la arquitectura de la ANN que forma parte del esquema
closed-loop DBS propuesto en este trabajo. Es un sistema tricapa que recibe vectores
del espacio de componentes principales ~x y devuelve un vector binario estocastico ~S.
La capa oculta funciona como un amplificador de la capa de entrada. Es decir, el
vector de la segunda capa se construye como,
~v = W0~x. (7.2)
El objetivo de la ANN propuesta es proporcionar, a partir del vector de entrada,
los parametros de la estimulacion (DBS ) para producir la neuromodulacion deseada.
Especifıcamente, la ANN debe determinar los patrones para un tren de pulsos: periodo,
ancho de pulso, amplitud. Con este proposito en mente, uno debe lograr que la salida
sea un vector real y no binario. Un primer paso simple (pero suficiente) es proponiendo
69
70 Closed-loop DBS .
Figura 7.1: Red neuronal artificial utilizada para el esquema closed-loop DBS. Las entradasson las componentes principales de los vectores rasgos y las salidas son variables binarias.
una transformacion desde el sistema binario a un conjunto de los reales
Sistema binario para codificar valores continuos.
Un numero natural A puede ser pensado como un vector del sistema binario usando
la relacion
A =∞∑i=1
ai2i−1 ↔ A = [a1, a2, ...]. (7.3)
Por otro lado, sea un conjunto Ax = {xi}n−1i=0 donde xi ∈ R y n = 2N . Entonces, es
posible realizar la siguiente biyeccion
[a1, a2..., aN ]↔ A =N∑i=1
ai2i−1 < n↔ xA ∈ Ax. (7.4)
Se denota χ a la transformacion que lleva el vector binario [ai] al elemento xA.
En la Figura 7.2 esquematiza la transformacion de un vector de rasgos principales
a un vector binario. Este ultimo se convierte en un vector de componentes reales me-
diante la funcion χ1. De esta forma, cada vector de rasgos tiene asociado un patron de
estimulacion.
1Cabe resaltar que χ esta definida sobre vectores de componentes {1, 0}. Esto no es problema pues{1,−1} es equivalente mediante la funcion y = 2x− 1.
7.1 Aprendizaje por refuerzo. 71
Figura 7.2: Transformacion de la salida de la red ANN a los parametros de estimulacion DBS.
Regla de aprendizaje.
En el aprendizaje supervisado, cada entrada tiene asociada una salida como objeti-
vo. En este esquema, solo se nos da una senal de refuerzo denotada r. Se toma r = 1 en
el sentido de la recompensa y r = −1 en el sentido de castigo [36]. Ahora, uno puede
construir los patrones objetivos mediante la relacion
ζui =
{Sui , ru = 1
−Sui , ru = −1(7.5)
donde u indica un valor de entrada dado.
Esto produce que sea mas probable que la red haga lo que acaba de hacer si fue
recompensada; y mas probabilidades de hacer lo contrario, si no.
El esquema de entrenamiento de la ANN se puede describir como sigue, la senal
de recompensa proviene de analizar la respuesta del modelo 1D de ganglios basales
(Capıtulo 4) frente a la estimulacion. Para un punto del espacio del espacio de parame-
tros (D,G+, G−), se calcula los rasgos caracterısticos de la senal LFP de la corteza,
provista por el modelo 1D. Luego, la ANN determina los parametros de estimulacion
DBS. Finalmente, se aplica una estimulacion (DBS ), con los parametros determinados
por la ANN, sobre el STN del modelo 1D y se extrae nuevamente la senal LFP de la
corteza. Dicha senal LFP es procesada y se obtiene un vector en el espacio de rasgos de
dimension reducida (componentes principales). A este vector lo denominamos respuesta
del sistema (Ver Figura 7.3).
Figura 7.3: Se denomina respuesta del sistema a la senal LFP obtenida del modelo tras aplicarleestimulacion DBS.
Decidir el valor de la recompensa r es equivalente comparar la respuesta del sistema
con alguna referencia (Ver Figura 7.4). Mas precisamente, la accion del comparador
72 Closed-loop DBS .
para un vector de rasgos z es
r =
{1, z ∈ Rasgos de Referencia.
−1, c.o.c(7.6)
Figura 7.4: La accion del compensador consiste analizar si la respuesta del sistema pertenecea la region fisiologica (rasgos de referencia). Devuelve 1 si pertenece y -1 si no.
Finalmente, para construir la regla de aprendizaje, se compara el promedio de cada
componente de la salida con el patron definido en (7.5),
δui = ζui − 〈Sui 〉, (7.7)
donde
〈Sui 〉 = tanh(βhui ). (7.8)
Entonces, utilizando la regla delta usual de aprendizaje
∆Wij = ηδui vuj , (7.9)
resulta
∆Wij =
{η+[Sui − 〈Sui 〉]vuj , ru = 1
−η−[Sui + 〈Sui 〉]vuj , ru = −1(7.10)
Esta regla de aprendizaje asegura que el valor medio de la recompensa ru tiende a crecer
[36]. Por tanto, la ANN debera establecer los parametros de estimulacion correctos en
cualquier estado del sistema.
La Figura 7.5 es una representacion del esquema propuesto para el entrenamiento
de la ANN. Para un dado estado del modelo 1D caracterizado por los parametros
(D,G+, G−), la senal LFP extraıda del nucleo correspondiente a la corteza determina
un vector de rasgos. A partir de dicho vector, la ANN determina la combinacion optima
de los parametros de la estimulacion DBS aplicada al STN. Luego, un nueva medicion
de la senal LFP en la corteza permite analizar como responde el sistema y si el nuevo
estado es fisiologico (i.e., ruptura de simetrıa). Esta comparacion se realiza a traves de
distancia en el espacio de rasgos definido y se traduce en la senal del compensador.
7.2 Resultados. 73
Figura 7.5: Esquema de aprendizaje: ANN convierte rasgos del LFP en parametros de esti-mulacion. La senal del compensador le da la capacidad al sistema de ser adaptativo pues indicasi la estimulacion fue adecuada o no.
Es importante senalar que la informacion aprendida por la ANN se codifica en los
pesos Wij. Una vez terminado el proceso de aprendizaje, los pesos Wij son constantes
y la ANN es parte del lazo de retroalimentacion en el esquema closed-loop (Ver Figura
7.6).
Figura 7.6: Esquema closed-loop DBS utilizando una ANN entrenada que convierte rasgos delLFP en parametros de estimulacion adecuados para el estado de la red.
7.2. Resultados.
Para la implementacion del esquema closed-loop fue necesario una exploracion del
espacio de parametros. Como se menciono en el Capıtulo 6, la exploracion consistio en
simular la dinamica de la red para 125 valores de (D,G+, G−) y la medicion de la senal
del LFP en 20 posiciones distintas de la corteza motora (θ = 81◦, 82◦, ..., 99◦, 100◦). A
partir de las senales obtenidas, se calcularon los vectores de rasgos correspondientes a
cada una y se realizo la reduccion de dimensionalidad del conjunto de datos.
74 Closed-loop DBS .
Se construyo una ANN con 5 neuronas de entradas (asociadas a las componentes
principales del vector de rasgos), 6 neuronas ocultas y 3 salidas binarias. Se inicializo las
matrices W0 y W aleatorias con valores de orden 1. La matriz W0 era una matriz
fija, mientras que W serıa modificada por la regla de aprendizaje. Para la funcion de
activacion g (7.1) se utilizo el valor β = 100, de forma tal que g se asemeje a la funcion
signo.
Dado que el vector de salida tiene 3 componentes binarias son posibles 8 valores
continuos xA a traves de la funcion χ (7.4). Se definio la corriente de estimulacion como
un tren de pulsos cuadrados con un periodo de 7 ms, un ancho de pulso de 0.5 ms y
amplitud xA determinada por la salida de ANN. El conjunto de valores posibles de
amplitud fueron {0, 2, 5, 7, 9, 10, 12, 14} sp/ms. El electrodo estimulador se encuentra
fijo en la posicion angular 0◦ del STN.
Despues de estimular a la red de ganglios basales, se calcula la distancia entre la
respuesta del sistema y las regiones de estado fisiologico y patologico. La ANN recibe
una recompensa 1 si la respuesta se encuentra en el estado fisiologico y castigo -1 en el
estado patologico. Este valor del compensador define como modificar Wij (7.10) usando
las tasas de aprendizaje η+ = 1 y η− = 0,1.
Primeramente, se considero como estados patologicos unicamente a los estados cu-
yas senales eran oscilatorias. No se tuvo en cuenta la informacion respecto a la modu-
lacion espacial de la actividad bajo la motivacion de que esta no es una caracterıstica
se pueda determinar en la practica. Los resultados del proceso de aprendizaje bajo esta
consideracion se muestran en la Figura 7.7.
−0.50
0.5
1 −0.50
0.51
1.5
−1.5
−1
−0.5
0
0.5
1
2da Componente3era Componente
1era
Com
pone
nte
Oscilaciones
(c)
(b)
(a)
F isiológico
Figura 7.7: Resultado del esquema closed-loop en el espacio de las tres primeras componentesprincipales. (a) Una estimulacion con baja amplitud no reduce las oscilaciones y el sistema semantiene en el estado patologico. (b) En cambio, una valor de amplitud alto reduce las oscilacionesy el sistema cambia de estado. (c) Una red en el estado fisiologico no cambia de regimen por laestimulacion DBS.
En la Figura 7.7 se presenta el efecto del esquema closed-loop sobre tres puntos
7.2 Resultados. 75
del espacio de las componentes principales. Cuando el sistema en un estado patologico
recibe una estimulacion con amplitud 5 sp/ms no reduce significativamente las osci-
laciones, por lo tanto en el espacio de rasgos, la respuesta del sistema no abandona
la region patologica (Flecha (a)). Sin embargo, si la red en un estado patologico es
estimulada por pulsos de amplitud 9 sp/ms, el vector de rasgos se traslada a la region
fisiologica (Flecha (b)). El tercer punto representa un estado fisiologico de la red y se
mantiene en la misma region tras aplicarle una estimulacion de 5 sp/ms (Flecha (c)).
Es notable observar que la traslacion de los puntos en el espacio de rasgos debida
a la estimulacion DBS no alejo indefinidamente a los puntos del espacio original. Esto
se debe a que la definicion del vector de rasgos normalizado por partes (Modulacion,
PSD, Wavelet, PAC) y las propiedades de la tecnica PCA aseguran que el espacio de
rasgos principales es acotado independientemente de la estimulacion. El unico incon-
veniente posible es que el espacio con estimulacion sea totalmente disjunto al original,
sin embargo se verifico que esto no sucede.
Los datos utilizados para el entrenamiento de la ANN fueron 10 puntos del espacio
de parametros (5 patologicos y 5 fisiologicos). Cada punto se uso dos veces para el
proceso de aprendizaje, por lo cual se simularon 20 pasos de aprendizaje. Todavıa no
se estudiaron las caracterısticas relacionadas al nivel de aprendizaje de la red, como
lo es el error de generalizacion. Sin embargo, una observacion fue que en los ultimos
pasos de entrenamiento, la estimulacion era de amplitud 14 sp/ms. De esta forma, la
senal del compensador era 1, y se asegura que la respuesta de la red era fisiologica.
Si bien la modulacion espacial no es rasgo medible, es un biomarcador en el modelo
1D relacionado con la bradikinesia/acinesia. Estos ultimos son sıntomas que aparecen
antes de la aparicion de temblores (en principio, asociados a las oscilaciones de la
actividad de la red en la banda beta). En base a esto se propuso otro proceso de
aprendizaje, el cual tiene en cuenta el rasgo de modulacion. Para ello se definio como
estados patologicos a los estados con senales oscilatorias o con baja modulacion espacial
(menor al 20 %).
El resultado del proceso de aprendizaje que considera el rasgo de modulacion no fue
exitoso. La ANN no pudo proporcionar la estimulacion adecuada al sistema para llevarlo
al estado fisiologico. Al parecer, la estimulacion DBS si bien elimina las oscilaciones,
no favorece a la eleccion del plan motor. El siguiente paso fue intentar comprender el
efecto de la estimulacion sobre el rasgo de modulacion espacial.
En el capıtulo anterior se comento que si el sistema fuera lineal en la variable
espacial, un estımulo en el cuerpo estriado HSt(θ, t) = ε(t) cos(θ) (ε ≥ 0) deberıa
manifestarse en la actividad de la corteza A(θ, t) = a(t) + b(t) cos(θ) donde a, b ≥ 0
(pues la conexion St-C es excitatoria).
Ahora, se supone que se estimula al STN con ISTNDBS (θ, t) = Hext(t)f(θ − θ0) (θ0:
76 Closed-loop DBS .
posicion del electrodo, f : funcion peso del electrodo). Luego, por superposicion
A(θ, t) = a(t) + b(t) cos(θ)− c(t)f(θ − θ0). (7.11)
donde c > 0 pues la conexion STN-C es inhibitoria.
Utilizando los primeros terminos de Fourier de f (5.10), resulta
A(θ, t) = [a(t)− c(t)ψ1,0(θ0)] + [b(t)− c(t)ψ1,1(θ0)] cos(θ). (7.12)
En consecuencia, la modulacion se modica segun la relacion
m0 =b
a7−→ mDBS =
b− cψ1,1(θ0)
a− cψ1,0(θ0). (7.13)
Cabe recordar que el objetivo es convertir un valor de modulacion m0 menor al 20 %
a un valor mDBS mayor al 20 % aplicando estimulacion DBS. A partir de la ecuacion
(7.13), se deduce que la condicion necesaria para que ocurra es
ψ1,1(θ0)
ψ1,0(θ0)< 0, 2. (7.14)
La relacion (7.14) muestra que el rasgo de modulacion espacial depende de la posi-
cion del electrodo durante la estimulacion, una variable no estudiada hasta el momento.
Para los parametros utilizados en las simulaciones, la ecuacion (7.14) no se cumple, lo
cual serıa una posible causa de no poder aumentar la modulacion en el esquema pro-
puesto. No obstante, cabe resaltar nuevamente que este rasgo es representativo de la
eleccion de un plan motor y clasifica correctamente los estados de la red.
Finalmente, se analizo el nivel de relevancia de los otros rasgos utilizados en el
aprendizaje de la red. La clasificacion de los estados de la red en fisiologicos y patologi-
cos deberıa reflejarse en los valores del vector de rasgos, siendo algunas componentes
mas relevantes que otras.
El analisis de Fourier temporal muestra claramente una competencia entre las con-
tribuciones de la banda δ y α. En el estado fisiologico, la densidad espectral se concentra
en la banda δ; mientras que para el estado patologico, se concentra en la banda α. Las
otras bandas de frecuencias no proporcionan informacion sobre el estado de la red pues
el orden de la contribucion relativa no varıa y es del orden de 10−3.
Los resultados de la descomposcion de Wavelet senala que los valores de las energıas
relativas de la aproximacion 7 y detalle 7 de la senal LFP son buenos indicadores del
estado de la red. Por otro lado, las demas bandas no se ven modificadas por el estado
del sistema y sus energıas relativas son 2 ordenes de magnitud menor que las primeras.
Por ultimo, el acoplamiento fase-amplitud cuantificado en el ındice de modulacion
7.3 Implementacion en hardware. 77
muestra que la informacion sobre el estado fisiologico y patologico esta en las frecuencias
de la senal de fase menores a 15 Hz. En el estado patologico, el ındice de modulacion
es maximo para frecuencias de la senal de amplitud mayores a 80 Hz, siendo este valor
6 veces mas grande que el mınimo. Mientras que para el estado fisiologico, el maximo
ındice es independiente de la frecuencia de la senal de amplitud, pero con un valor solo
3 veces mas grande que el mınimo. Para frecuencias de senal de fase mayores a 15 Hz,
el ındice de modulacion no es afectado por el estado.
En resumen, el esquema propuesto clasifica correctamente los estados de la red en
base a los vectores de rasgos, en particular en las componentes mencionadas anterior-
mente. Si se considera como estado patologico solo los estados con senales oscilatorias,
la ANN logra proporcionar una estimulacion optima a la red de ganglios basales en fun-
cion a los rasgos de la senal del LFP. Sin embargo, si se considera la modulacion espacial
se debe tener en cuenta una nueva variable en el sistema, la posicion del estimulador
(7.14).
7.3. Implementacion en hardware.
En el desarrollo del trabajo, la determinacion de las componentes principales en
el espacio de rasgos y el proceso de entrenamiento de la ANN se realiza mediante un
procesamiento offline. Terminado el proceso de aprendizaje, la ANN es parte del lazo
de retroalimentacion en el sistema closed-loop DBS, el cual es un proceso online.
Un dispositivo implantable capaz de implementar el esquema closed-loop DBS pro-
puesto, requiere de la implementacion en hardware de los siguientes modulos de pro-
cesamiento:
1. Algoritmos para la extraccion de rasgos.
2. Algoritmo para la proyeccion de los rasgos sobre las componentes principales, lo
cual implica el almacenamiento en memoria de las componentes principales.
3. Arquitectura correspondiente a la ANN.
4. Algoritmo para la sıntesis de la senal neuromodulante en base a los parametros
de estimulacion provistos por la ANN.
Los dispositivos implantables imponen requerimientos exigentes en cuanto a ca-
pacidad de procesamiento en tiempo real, pequeno consumo de potencia y recursos
logicos (silicon area) reducidos. En consecuencia, los modulos recien citados deberan
someterse necesariamente a un proceso de optimizacion, el cual involucra la reduc-
cion de la complejidad computacional de los algoritmos y su implementacion mediante
arquitecturas concurrentes [37]. Esto ultimo resulta indispensable para lograr que los
78 Closed-loop DBS .
modulos asociados al esquema de lazo cerrado funcionen en tiempo real (con un tiem-
po de procesamiento mucho menor a las constantes de tiempo involucradas en la red
neuronal).
En los trabajos [38], [39], [40] se ha demostrado la factibilidad de la implemen-
tacion optimizada de algoritmos para la extraccion de rasgos presentes en el dominio
espectral. Por otra parte, en la referencia [37] se muestra la factibilidad de la implemen-
tacion de un algoritmo para la deteccion de acoplamiento fase-amplitud entre bandas
de frecuencia (PAC) utilizando dispositivos de logica programable (tecnologıa FPGA:
Field Programmable Gate Array). Estos resultados muestran que el estado actual de la
tecnologıa permite la implementacion de los algoritmos necesarios para la extraccion
de rasgos, tanto a nivel de prototipos (FPGA) como en neuroprotesis (ASIC: Applica-
tion Specific Integrated Circuit). Ademas, es importante notar que la ANN feedforward
utilizada en este trabajo se adecua naturalmente a su implementacion en hardware
mediante una arquitectura concurrente [39].
La discusion anterior soporta la hipotesis sobre la factibilidad de la implementacion
en hardware (tecnologıas FPGA y ASIC) del esquema closed-loop DBS propuesto en
esta tesis. En particular, la tecnologıa FPGA constituye una plataforma de bajo costo,
elevadas prestaciones de procesamiento y muy flexible para el desarrollo y verificacion
de modulos de propiedad intelectual (firmware) asociados al desarrollo de prototipos
closed-loop DBS [41]. Ademas, los procedimientos de prueba y verificacion requeridos
por los dispositivos implantables, en general implementados con tecnologıa ASIC de
costo elevado, pueden ser llevados a cabo en dispositivos FPGA de bajo costo.
Conclusiones.
La necesidad de desarrollar nuevos paradigmas de neuromodulacion adaptativa pa-
ra el tratamiento de trastornos motores ha sido enfatizada recientemente en diversos
trabajos [32] [42] [43] [44] [45]. La principal motivacion radica en la necesidad de supe-
rar las limitaciones inherentes a los dispositivos implantables utilizados actualmente en
pacientes, los cuales se limitan a aplicar un patron de estimulacion fijo y permanente
en forma independiente del estado de la red neuronal (open-loop DBS ). Algunas de
las ventajas de un sistema DBS adaptativo que revisten mayor relevancia en el area
clınica se pueden resumir como:
1. Mejora de la eficacia, en cuanto a la maximizacion de la relacion entre la mejora
sintomatica respecto de los efectos secundarios [44].
2. Mejora de la eficiencia, en cuanto a la minimizacion de la energıa entregada al
tejido neuronal [43] [44] [32].
3. Capacidad de compensar la disminucion paulatina en el tiempo de la eficacia que
se observa al utilizar un patron de estimulacion fijo y permanente [32].
4. Capacidad de compensar fluctuaciones sintomaticas y/o neurofisiologicas en esca-
las de tiempos cortas, tales como la ocurrencia de episodios sintomaticos aislados
[45].
5. Reducir la necesidad del ajuste periodico de los parametros de estimulacion [32].
Este trabajo estuvo orientado al desarrollo de un esquema de neuromodulacion adapta-
tiva (closed-loop DBS ) con el fin de optimizar la eficiencia de dispositivos implantables
destinados al tratamiento del Mal de Parkinson. En la mayor parte de los trabajos
anteriores sobre el tema, los esquemas de neuromodulacion adaptativa se implementan
buscando controlar un rasgo predefinido de antemano [42] [46]. Aquı se propone un
esquema en el que los rasgos a controlar son detectados de manera automatica por
un proceso de aprendizaje. Este paradigma utiliza informacion obtenida de modelos
dinamicos del sistema motor.
Se propusieron dos modelos para la representacion de la red de ganglios basales. Se
inicio con una arquitectura sencilla de campo medio (modelo reducido) cuyo analisis
79
80 Conclusiones.
permitio caracterizar los diferentes estados de la dinamica de la red, los cuales fue-
ron asociados a estados fisiologicos y patologicos observados en el mal del Parkinson.
Ademas de reproducir los resultados reportados por [7], se identificaron nuevos regıme-
nes oscilatorios del sistema no reportados en el trabajo original, consiguiendo ası una
mejor y mas completa comprension del sistema dinamico estudiado.
Luego, se doto a la red con una geometrıa unidimensional (modelo 1D) y se estudia-
ron sus propiedades. Se implemento un criterio probabilıstico para la formacion de las
nexos entre neuronas que respeta la geometrıa de la red y se implemento la generacion
de potenciales de accion (spikes). Se logro que el modelo 1D reprodujera los estados
dinamicos observados en el modelo reducido mediante un ajuste de parametros.
Se modelo la accion de un electrodo (como sensor y como estimulador) en la dinami-
ca del sistema. Se encontro que el esquema open-loop DBS, implementado mediante el
modelo 1D, reproduce exitosamente una importante observacion experimental en rela-
cion a la frecuencia de estimulacion. A traves del estudio analıtico de una representacion
simplificada del esquema open-loop DBS se mejoro la comprension de la aplicacion de
esta tecnica sobre el sistema. Un aspecto importante de este resultado, radica en que
permite plantear hipotesis acerca del mecanismo de accion del esquema open-loop DBS,
susceptibles de ser verificadas experimentalmente.
La implementacion de un prototipo de neuromodulacion adaptativo (closed-loop
DBS ) requiere de la identificacion del estado de la red para decidir sobre los parametros
optimos de estimulacion [42]. En general, la identificacion del estado de la red neuronal
se realiza mediante la extraccion de rasgos presentes en las senales de electricas (e.g.,
Potenciales de campo local) generadas por la actividad propia de dicha red [42]. La
eleccion de estos rasgos resulta una tarea crıtica que define el desempeno del esquema
closed-loop DBS en cuanto a su capacidad de realizar una clasificacion robusta del
estado de la red. El paradigma propuesto en esta tesis se basa en la utilizacion de
multiples rasgos pertenecientes a diversos dominios: temporal, espectral y espacial.
El analisis de la respuesta de la red a un estimulacion espacialmente modulada en el
cuerpo estriado permitio definir el rasgo de modulacion espacial. El mismo representa
la capacidad de la red para elegir un plan motor. En el estado fisiologico, la eleccion del
plan motor es correcta; mientras que en el estado patologico, se dificulta (bradikinesia).
La transformada de Fourier y la descomposicion Wavelet permitieron analizar carac-
terısticas de las senales en el espacio de frecuencia. Ambos rasgos estuvieron destinados
a detectar oscilaciones en la banda beta y representan un biomarcador habitual del Mal
de Parkison [27][28].
Y por ultimo, en base a la discusion presentada en [31] [32] sobre el acoplamiento
fase-amplitud, se cuantifico este fenomeno. Se comparo el ındice de modulacion [34]
para diferentes regiones del espacio de las frecuencias de la senal de amplitud y senal
de fase.
81
Los resultados obtenidos de los algoritmos anteriores se explicitan en un vector de
rasgos. Para reconocer cuales son las caracterısticas mas relevantes, se utilizo la tecnica
de componentes principales. Con ella, se redujo la dimensionalidad del espacio desde
18 a 5 con una varianza relativa del 98 %. En el espacio de componentes principales,
se definio una distancia determinada por las varianzas de los datos en las direcciones
principales.
El esquema closed-loop DBS propuesto se basa en el entrenamiento de una red
neuronal artificial capaz de transformar la informacion sobre el estado de la red a los
parametros de la estimulacion. Esta informacion esta codificada en las componentes
principales del vector de rasgos. De esta manera, este esquema resulta mas robusto que
otras estrategias desarrolladas ya que no depende de la correcta seleccion a priori de
un unico rasgo relevante para identificar el estado de la red.
Se implemento el entrenamiento de la red neuronal artificial mediante un esquema
de aprendizaje por refuerzo. Se observo que la red artificial es capaz de aplicar una
estimulacion adecuada al sistema para llevarlo al estado fisiologico. El aprendizaje
fue exitoso para el caso en que la red no tuvo en cuenta a la modulacion espacial.
Contrariamente, al agregar este rasgo, la red no pudo responder adecuadamente. Una
posible explicacion de esto es la aparicion de componentes de Fourier espaciales debido
a la estimulacion.
Los resultados obtenidos en las simulaciones realizadas en este trabajo, no estan
destinados a su transferencia directa para uso experimental debido a las limitaciones
inherentes al modelo utilizado para los ganglios de la base. Sin embargo, el trabajo
realizado permitio demostrar la factibilidad y analizar el desempeno del paradigma de
neuromodulacion adaptativa basado en la utilizacion de un conjunto de rasgos perte-
necientes a diversos dominios, la reduccion de la dimensionalidad del espacio de rasgos
mediante la determinacion de sus componentes principales y la codificacion de esta
informacion en una ANN destinada a la seleccion de los parametros optimos de la
estimulacion.
Finalmente, cabe destacar que esta configuracion del esquema closed-loop DBS es
independiente de la estructura del modelo de ganglios basales y del sistema de adqui-
sicion de rasgos. Por lo cual, el cambio de geometrıa (de 1D a 2D/3D), agregar nuevos
grupos neuronales y conexiones, y la eleccion de nuevos algoritmos de procesamiento,
no modifican el proceso de aprendizaje de la red artificial. Ası tambien, se puede ge-
neralizar los patrones de estimulacion a formas funcionales mas complejas. Ademas,
es importante notar que la ANN feedforward utilizada en este trabajo se adecua na-
turalmente a su implementacion en hardware mediante una arquitectura concurrente
[37].
Bibliografıa
[1] R. Carron, A. Chaillet, A. Filipchuk, W. Pasillas-Lepine, and C. Hammond. Clo-
sing the Loop of Deep Brain Stimulation., Frontiers in Systems Neuroscience, 7
(2013). 1
[2] Heinz Steiner; Kuei Y. Tseng. Handbook of Basal Ganglia Structure and Function.,
Academic Press. p. 663. (2010). 2
[3] J. Lanciego, N. Luquin, J. Obeso. Functional neuroanatomy of the basal ganglia.,
CSH Perspectives in Medicine (2012). 3
[4] Centro de Neurociencias Clınica y Experimental depende del Instituto de Biologıa
Celular y Neurociencias “Prof. E. De Robertis” (IBCN) - Facultad de Medicina
de la Universidad de Buenos Aires (UBA) – Consejo Nacional de Investigaciones
Cientıficas y Tecnicas (CONICET) y del Hospital “Ramos Mejıa” de la Ciudad
de Buenos Aires. 3
[5] A. L. Hodgkin and A. F. Huxley. A quantitative description of membrane current
and its application to conduction and excitation in nerve,J Physiol. 117(4): 500–544
(1952).
[6] Fundamentos de la fisiologıa, E. Cuenca, Edt. Thomson, 2006. 4
[7] A. Leblois, T. Boraud, W. Meissner, H. Bergman, and D. Hansel, Competition
between feedback loops underlies normal and pathological dynamics in the basal
ganglia., J. Neurosci. 63, 733-745 (2006). 13, 32, 36, 37, 80
[8] Numerical Recipes. The Art of Scientific Computing, 3rd Edition, 2007. 17, 24
[9] D. Golomb, D. Hansel, The number of synaptic inputs and the synchronyof large,
sparse neuronal networks., Neural Computation 12:1095–1139.,(2000). 34
[10] Mitzdorf U, Current source-density method and application in cat cerebral cortex:
Investigation of evoked potentials and EEG phenomena., Physiol Rev 65:37–100
(1985). 41
83
84 Bibliografıa
[11] Berens P, Logothetis NK, Tolias AS, Local field potentials, BOLD and spiking
activity: Relationships and physiological mechanisms., Nature Precedings 2010:1-
27, (2010). 41
[12] Rall W, Electrophysiology of a dendritic neuron model., Biophys J 2:145–167
(1962). 41
[13] Nicholson C, Freeman J, Theory of current source-density analysis and determi-
nation of conductivity tensor for anuran cerebellum., J Neurophysiol 38:356–368
(1975). 41
[14] Hamalainen M, Hari R, Ilmoniemi R, Knuutila J, Lounasmaa O. Magnetoencep-
halography theory, instrumentation, and applications to noninvasive studies of the
working human brain., Rev Mod Phys 65:413–497 (1993). 42
[15] Logothetis NK, Kayser C, Oeltermann A, In vivo measurement of cortical impedan-
ce spectrum in monkeys: Implications for signal propagation., Neuron 55:809–823
(2007). 42
[16] Goto T, Hatanaka R, Ogawa T, Sumiyoshi A, Riera J, Kawashima R, An evalua-
tion of the conductivity profile in the somatosensory barrel cortex of Wistar rats.,
J Neurophysiol 104:3388–3412(2010). 42
[17] Linden H, Tetzlaff T, Potjans T, Pettersen KH, Gruen S, Diesmann M, Einevoll
GT, Modeling the spatial reach of the LFP. Neuron 72:859–872 (2011a). 42
[18] Schmidt C, Grant P, Lowery M, U. van Rienen, Influence of Uncertainties in
the Material Properties of Brain Tissue on the Probabilistic Volume of Tissue
Activated., IEEE Biomedical Engineering Transactions, 60 (5) (2013). 47
[19] Logothetis NK,The Underpinnings of the BOLD FMRI Signal., J Neurosci
23(10):3963-3971 (2003). 47
[20] Andreas Wichert, Intelligent Big Multimedia Databases., World Scientific (2015).
53
[21] Mahalanobis P C, On the generalised distance in statistics., Proceedings of the
National Institute of Sciences of India Vol 2: 49–55. (1936). 55
[22] Pearson K, On Lines and Planes of Closest Fit to Systems of Points in Space.
Philosophical Magazine 2 (11): 559–572 (1901). 55, 56
[23] Stoica P, Moses R, Introduction to Spectral Analysis., Prentice-Hall (1997). 59
Bibliografıa 85
[24] Welch P, The Use of Fast Fourier Transform for the Estimation of Power Spectra:
A Method Based on Time Averaging Over Short, Modified Periodograms., IEEE
Transactions on Audio Electroacoustics, AU-15, 70–73 (1967). 60
[25] Oppenheim A, Schafer R, Discrete-Time Signal Processing., Prentice-Hall (1989).
60
[26] Miller K, Sorensen LB, Ojemann JG, et al. Power-law scaling in the brain surface
electric potential., PLoS Comput Biol 5:e1000609 (2009). 60
[27] Hebb A, Darvas F, Miller K, Transient and state modulation of beta power in
human subthalamic nucleus during speech production and finger movement., Neu-
roscience 202:218–33 (2012). 60, 80
[28] Miller K, Zanos S, Fetz E, et al., Decoupling the cortical power spectrum reveals
real-time representation of individual finger movements in humans., J Neurosci
29:3132–7 (2009). 60, 80
[29] Mallat S, A theory for multiresolution signal decomposition: the wavelet represen-
tation., IEEE Pattern Anal. and Machine Intell., vol. 11, no. 7, pp 674–693 (1989).
61, 62
[30] Sherwood J, Derakshani R, On Classifiability of Wavelet Features for EEG-Based
Brain-computer Interfaces., Proceedings of the 2009 International Joint Conferen-
ce on Neural Networks (2009). 62
[31] de Hemptinne C, et al., Exaggerated phase-amplitude coupling in the primary mo-
tor cortex in Parkinson disease. Proc. Natl. Acad. Sci. USA 110, 4780–4785 (2013).
63, 80
[32] de Hemptinne C, et al., Therapeutic deep brain stimulation reduces cortical phase-
amplitude coupling in Parkinson’s disease. Nat. Neurosci., 18(5):779-86 (2015). 63,
64, 65, 79, 80
[33] Canolty R L, et al., High Gamma Power Is Phase-Locked to Theta Oscillations in
Human Neocortex., Science 313 1626 (2006). 64
[34] Tort A, et al., Dynamic cross-frequency couplings of local field potential oscillations
in rat striatum and hippocampus during performance of a T-maze task., Proc. Natl.
Acad. Sci. USA 105(51) (2008). 64, 80
[35] Tort A, et al., Measuring Phase-Amplitude Coupling Between Neuronal Oscilla-
tions of Different Frequencies, J. Neurophysiol. 104:1195-1210 (2010). 64
86 Bibliografıa
[36] Hertz J, Krogh Anders, Palmer R, Introduction to the theory of neural compu-
tation., Vol 1 of Santa Fe Institute, Studies in the sciences of complexity. Addison-
Wesley (2009). 71, 72
[37] Damian Dellavale, C. Leibold, G. Paya-Vaya, H. Blume, M. Alam, K. Schwa-
be, and J. K. Krauss, Optimization of a Phase-to-Amplitude Coupling Algorithm
for Real-Time processing of Brain Electrical Signals., Proc. of the Information &
Communication Technology Conference, pp. 68-73, ISBN/EAN: 978-90- 73461-84-
0, Eindhoven, The Netherlands (2013). 77, 78, 81
[38] A Avestruz, W Santa, D Carlson, R Jensen, S Stanslaski, A Helfenstine, T Denison,
A 5 µW/Channel Spectral Analysis IC for Chronic Bidirectional Brain–Machine
Interfaces., IEEE Journal of Solid-State Circuits, vol. 43, No 12 (2008). 78
[39] Rouse, Adam et al. A Chronic Generalized Bi-Directional Brain-Machine Interfa-
ce., Journal of neural engineering 8.3 (2011). 78
[40] S Stanslaski, PAfshar, P Cong, J Giftakis, P Stypulkowski, D Carlson, D Linde,
D Ullestad, A Avestruz, T Denison, Design and validation of a fully implantable,
chronic, closed-loop neuromodulation device with concurrent sensing and stimula-
tion., IEEE Trans Neural Syst Rehabil Eng. 20(4): 410–421, (2012). 78
[41] Damian Dellavale, German Mato, Osvaldo Velarde, Desarrollo de un
paradigma de estimulacion cerebral profunda adaptativo para el tra-
tamiento de trastornos motores, Catalogo INNOVAR 2015 p. 119
(http://www.innovar.mincyt.gob.ar/catalogos/2015.pdf). 78
[42] Little S, Pogosyan A, Neal S, et al. Adaptive Deep Brain Stimulation In Advanced
Parkinson Disease., Annals of Neurology. 74(3):449-457 (2013). 79, 80
[43] Carron R, Chaillet A, Filipchuk A, Pasillas-Lepine W, Hammond C. Closing the
loop of deep brain stimulation., Frontiers in Systems Neuroscience. 7:112, (2013).
79
[44] Hebb AO, Zhang JJ, Mahoor MH, et al. Creating the feedback loop: Closed Loop
Neurostimulation., Neurosurgery clinics of North America. 25(1):187-204 (2014).
79
[45] Krook-Magnuson E, Gelinas JN, Soltesz I, Buzsaki G. Neuroelectronics and
Biooptics: Closed-Loop Technologies in Neurological Disorders., JAMA Neurol.
72(7):823-829 (2015). 79
Bibliografıa 87
[46] Gerrit E Gmel et al, A new biomarker for subthalamic deep brain stimulation for
patients with advanced Parkinson’s disease—a pilot study., J. Neural Eng. Vol 12
No 6 (2015).
79
Agradecimientos
Este trabajo es el resultado de cinco anos como estudiante de la carrera de la
Licenciatura Fısica y un ano como estudiante en la Maestrıa en Fısica. Costo mucho
pero lo disfrute. Es el producto de buenas elecciones de vida pues elegı vivir lejos de
mi familia y amigos para estudiar y no me arrepiento porque aquı esta el fruto. Estas
elecciones que hice siempre fueron apoyadas por muchas personas a las que quiero
agradecer a continuacion.
Principalmente, gracias a mi Mama Anita por el amor que me brinda hace 23 anos.
Me enseno a dar el 100 % a todo lo que me gusta, me enseno el valor del respeto hacia
el projimo y hacia Dios, y me enseno a nunca desesperar, a ser paciente. Creo que las
virtudes que observo en mi, ella me las enseno.
Debo agradecer tambien a mi Papa!, un gran hombre y un gran padre. Se que
siempre esta en las buenas y en las malas, en mis enojos y en mis alegrıas. Nunca me
exigio respeto sino que se lo gano con sus acciones de padre.
Gracias a mis dos hermanos, Ruben y Carla, mis companeros de vida. Gracias por
malcriarme, por maltratarme, por cada risa, por cada pelea. Mi hermana me regalo a
un hermoso y gordo sobrino llamado Joaquın, a quien le doy todo el carino que un tıo
puede dar.
Le doy gracias a mi abuela Amalia, quien es un ejemplo de persona trabajadora e
incansable y siempre se preocupo por el bienestar mıo y de mis hermanos.
Por otra parte, debo agradecer a mis amigos de la vida con quien compartı mi
ninez, mi adolescencia y compartire los anos que vendran. A mis amigos del barrio:
Jose Manuel, Jairo, Matıas, Juan, Enzo, Elias, Lucas C, Lucas P y Carlitos Miranda.
A mis amigas: Rocio, Agustina y Luli. A mis companeros del Instituto Balseiro. Con
cada uno de ellos disfrute varias noches de baile, salidas, charlas, comida y horas de
estudio.
Por ultimo, pero no menos importante, quiero agradecer a las personas con quienes
comparto varias horas al dıa bailando. Gracias a Raul y Naty quienes son mis profesores
de baile, mis companeros de cenas y amigos desde hace algun tiempo. Debo reconocer
en ellos la fuerza para seguir creciendo.
Seguramente me olvide de muchos! Disculpen. Simplemente, gracias a los que siem-
pre me acompanaron fısica o espiritualmente cuando lo necesitaba y cuando no.
89