Statistical Likelihood Approach for Transition Estimation (SLATE): Algoritmo para la detección de puntos de transición estadística aplicado a la alineación de componentes ERP en señales de EEG

La alineacion temporal de señales de electroencefalograma (EEG) constituye un problema relevante en el analisis de potenciales relacionados con eventos (ERP) debido a la variabilidad en la latencia con la que aparecen en distintos ensayos. Esta variabilidad, conocida como jitter de latencia, puede deteriorar significativamente la calidad del promediado de señales y afectar el desempeño de métodos de clasificacion utilizados en aplicaciones de interfaces cerebro-computadora (BCI). En este trabajo se analiza la factibilidad de aplicar, previo al promediado, un método de alineacion basado en la identificacion de puntos de cambios estadistico locales en la señal de EEG denominado Statistical Likelihood Approach for Transition Estimation (SLATE), inspirado en técnicas de deteccion de bordes utilizadas originalmente en el procesamiento de imagenes de radar de apertura sintetica (SAR). A diferencia de otros métodos, no requiere la existencia de un template representativo ni la aplicacion de deformaciones temporales globales sobre las señales. El desempeño del método fue evaluado mediante experimentos realizados con señales sinteticas, señales pseudo-reales, y señales EEG reales obtenidas en el contexto del paradigma P300 Speller. Se analizaron dos variantes del algoritmo de alineacion propuesto, basadas en la deteccion de uno o dos puntos de transicion, asi como diferentes modelos probabilisticos para describir las caracteristicas estadisticas de los segmentos de señal. Los resultados obtenidos muestran que el método basado en la deteccion de dos puntos de transicion permite obtener alineaciones mas consistentes en señales sinteticas y en señales con una relacion señal-ruido favorable. En señales EEG reales, la presencia de ruido y artefactos limita la efectividad del método propuesto. Asimismo, se observa que la eleccion del modelo probabilistico utilizado influye en el desempeño del algoritmo. En conjunto, los resultados sugieren que el enfoque propuesto constituye una alternativa viable para la alineacion de señales EEG asociadas a ERP, aunque su desempeño depende del modelo probabilistico utilizado y de la presencia de artefactos en la señal.