Gestión y Análisis Evolutivo a partir de Medidas Cognitivas y Comportamentales.

  • Francisco Guil Universidad de Almería (España)
  • Emilio López Universidad de Almería (España)
  • Luis J. Belmonte Universidad de Almería (España)

Resumen

En este artículo se presentan las bases de una herramienta para la gestión y evaluación de pacientes con alteraciones en el sistema nervioso central. Esta herramienta tiene en cuenta datos comportamentales, combinados con medidas neurofisiológicas obtenidas a partir de un hardware específico, diseñado para la captura de potenciales evocados. Los potenciales evocados se utilizan para medir la actividad eléctrica cerebral que se genera como respuesta a estímulos visuales, auditivos o somatosensoriales. El estímulo, que es enviado al cerebro a través de estos sentidos, evoca señales eléctricas que pueden ser interpretadas. Estas medidas neurofisiológicas se pueden utilizar en numerosos casos, aunque es necesario implementar una herramienta software basada en métodos formales y capaz de proporcionar al terapeuta mecanismos de almacenamiento y de gestión de las señales, tomando además en consideración medidas subjetivas, fusionándolas de una forma eficiente como forma de obtener una base de conocimiento para la toma de decisiones. En particular, en este artículo enfatizamos el uso de un cierto tipo de componente cognitivo (el P300) como medida neurofisiológica útil para evaluar, de forma objetiva (analizando su evolución a lo largo del tiempo), la efectividad de un tratamiento clínico diseñado para mejorar la impulsividad y la falta de concentración de sujetos TDAH (Trastorno por Déficit de Atención e Hiperactividad).

Citas

Abolfazli, S., Sanaei, Z., Gani, A., Xia, F., & Yang, L.T. (2014). Rich Mobile Applications: Genesis, taxonomy, and open issues. Journal of Network and Computer Applications, 40, 345–362.

Angelov, P., & Yager, R. (2013). Density-based averaging a new operator for data fusion. Information Sciences, 222, 163-174.

Barkley, R.A. (2006). Attention-Deficit hyperactivity disorder: A handbook for diagnosis and treatment (3rd ed.), New York, NY: Guildford.

Boudarene, M., & Timsit-Berthier, M. (1997). Stress, anxiety and event-related pontentials. Encephale 23, 237–250.

Chiapa, K.H. (1989). Evoked potentials in clinical medicine. New York: Raven Press.

Guil, F., Bailón, A., Álvarez, J.A., & Marín, R. (2013). Mining generalized temporal patterns based on fuzzy counting. Expert Systems with Applications, 40(4), 1296–1304.

Hansenne, M., Pitchot, W., Pinto, E., Reggers, J., Papart, P., & Ansseau, M. (2000). P300 eventrelated brain potential and personality in depression. European Psychiatry, 15(6), 370– 377.

Howe, A.S., Fatemi, A.B., & Luca, V.D. (2014). The clinical utility of the auditory P300 latency subcomponent event-related potential in preclinical diagnosis of patients with mild cognitive impairment and Alzheimer’s disease. Brain and Cognition, 86, 64–74.

Iscan, Z., & Dokur, Z. (2014). A novel steady-state visually evoked potential-based brain- computer interface design: character plotter. Journal of Biomedical Signal Processing and Control, 10, 145–152.

Jin, J., Allison, B.Z., Wang, X., & Neuper, C. (2012). A combined brain-computer interface based on P300 potentials and motion-onset visual evoked potential. Journal of Neuroscience Methods, 205(2), 265–276.

Jonkman, L.M., Kemner, C., Verbaten, M.N., Koelega, H.S., Camfferman, G., & Gaag, R.J. (1997). Effects of methylphenidate on event-related potentials and performance of attentiondeficit hyperactivity disorder children in auditory and visual selective attention tasks. Biological Psychiatry, 41, 690–702.

Kutas, M., & Dale, A. (1997). Electrical and magnetic readings of mental functions, Cognitive Neuroscience, M.D. Rugg (ed.), Hove East Sussex, UD: Psychology press.

Lin, C.Y., Yang, A.L., & Su, C.T. (2013). Objective measurement of weekly physical activity and sensory modulation problems in children with attention deficit hyperactivity disorder. Research in Developmental Disabilities, 34(10), 3477–3486.

Marcano-Cedeño, A., Chausa, P., García, A., Cáceres, C., Tormos, J.M., & Gómez, E.J. (2013). Data mining applied to the cognitive rehabilitation of patients with acquired brain injury. Expert Systems with Applications, 40(4), 1054–1060.

Mayaud, L., Congedo, M., Laghenhove, A.V., Orlikowski, D., Figere, M., Azabou, E., & Cheliout-Hereaut, F. (2013). A comparison of recording modalities of P300 event-related potentials (ERP) for brain-computer interface (BCI) paradigm. Journal of Clinical Neurophysiology, 43, 217–227.

Polikar, R., Topalis, A., Parikh, D., Green, D., Frymiare, J., Kounios, J., & Clark, C.M. (2008). An ensemble based data fusion approach for early diagnosis of Alzheimer’s disease. Information Fusion, 9, 83–95.

Quevedo-Blasco, R., Quevedo-Blasco, V.J., & Téllez-Trani, M. (2016). Cuestionario de evaluación motivacional del proceso de aprendizaje (EMPA). European Journal of Investigation in Health, Psychology and Education, 6(2), 83-105.

Sangal, R.B., & Sangal, J.M. (2006). Attention-deficit/hyperactivity disorder: Use of cognitive evoked potential (P300) to predict treatment response. Clinical Neurophysiology, 117, 1996–2006.

Shalk, G., McFarland, D.J., Hinterberger, T., Birbaumer, N., & Wolpaw, J.R. (2004). BCI2000: a general-purpose brain-computer interface (BCI) system. IEEE Transactions on Biomedical Engineering, 51(6), 1034–1043.

Sirvent-Blasco, J.L., Láñez, E., Úbeda, A., & Azorín, J.M. (2012). Visual evoked potential-based brain-machine interface applications to assist disabled people. Expert Systems with Applications, 39(9), 7908–7918.

Sternberg, R.J. (2015). Successful intelligence: A model for testing intelligence beyond IQ tests. European Journal of Education and Psychology, 8(2), 76-84.

Sumich, A., Castro, A., & Kumari, V. (2014). N100, N200, but not P300, amplitudes predict paraonia/suspiciousness in the general population. Personality and Individual Differences, 61-62, 74–79.

Tang, Y.Y., & Posner, N.I. (2009). Attention training and attention state training. Trends in Cognitive Sciences, 13(5), 222-227.

Yager, R.R., & Alajlan, N. (2014). A generalized framework for mean aggregation: toward the modeling of cognitive aspects. Information Fusion, 17, 65–73.
Sección
Artículos