Psicothema, 2008. Vol. Vol. 20 (nº 4). 964-968

Xavier Rifà-Ros, Lluis Fuentemilla, Manel Viader-Junyent y Carles Grau

La Teoría de Sistemas Dinámicos no Lineales proporciona herramientas para el análisis del electroencefalograma (EEG) en las distintas etapas de sueño. Su utilización podría permitir la monitorización de los estados de sueño-vigilia y aportaría un nivel explicativo de las diferencias entre etapas. El objetivo del presente trabajo es hacer una primera aproximación a este tipo de análisis, fijándonos en los dos estadios más dispares. Se pretende estimar la dimensionalidad de la señal EEG de seis sujetos comparando el estado de vigilia con la fase de sueño más profundo. Una mayor dimensionalidad implica más complejidad, es decir, el sistema recibe más influencias externas. Si esta dimensionalidad es máxima podemos considerar que la serie temporal es ruidosa. Una menor dimensionalidad implica menor complejidad puesto que el sistema recibe menos entradas. Nuestra hipótesis era que encontraríamos una mayor dimensionalidad en la situación de vigilia que en la situación de sueño profundo. Los resultados muestran que en la condición de vigilia la serie temporal es ruidosa, mientras que en la etapa de sueño la dimensionalidad es menor, confirmando nuestra hipótesis. Este resultado es congruente con los que han alcanzado otros autores.

Differences in dimensionality of electroencephalogram during awake and deeper sleep stages. The nonlinear dynamical systems theory provides some tools for the analysis of electroencephalogram (EEG) at different sleep stages. Its use could allow the automatic monitoring of the states of the sleep and it would also contribute an explanatory level of the differences between stages. The goal of the present paper is to address this type of analysis, focusing on the most different stages. Estimations of dimensionality were compared when six subjects were awake and in a deep sleep stage. Greater dimensionality involves more complexity because the system receives more external influences. If this dimensionality is maximum, we can consider that the time series is a noisy one. A smaller dimensionality involves lower complexity because the system receives fewer inputs. We hypothesized that we would find greater dimensionality when subjects were awake than in a deep sleep stage. Results show a noisy time series during the awake stage, whereas in the sleep stage, dimensionality is smaller, confirming our hypothesis. This result is similar to the findings reached previously by other authors.