FORMATO DE GUÍA DE PRÁCTICA DE LABORATORIO / TALLERES /

CENTROS DE SIMULACIÓN – PARA DOCENTES

CARRERA: Ingeniería Electrónica ASIGNATURA: Electiva I

NRO. PRÁCTICA: 1 TÍTULO PRÁCTICA: Análisis EEG
OBJECTIVOS (To set the goal (s) to be achieved when developing the practice):
Objetico General
Analizar las ondas delta, alfa, teta y beta de un análisis EEG mediante la transformada Wavelet
Objetivos Especificos:
1. Crear un algoritmo para determinar las ondas delta, alfa, teta y beta.
2. Implementar un algoritmo mediante la transformada Wavelet.
3. Graficar cada una de las señales obtenidas.
1. Cargar el archivo .cvs
INSTRUCCIONES (Detallar las 2. Importar los datos en Matlab
instrucciones para esta práctica. 3. Crear el algoritmo
Agregue filas si necesita más
espacio): 4. Implementar la transformada Wavelet
5. Analizar los datos obtenidos.

ACTIVIDADES DESARROLLADAS
(Anotar todas las actividades que siguió para el desarrollo de la práctica. Agregue filas si necesita más espacio)
1. Cargar el archivo .cvs
Para cargar este archivo solo se arrastra el archivo a la ventana de comandos en Matlab, luego se abre una
ventana para importar los datos a analizar.

2. Importar los datos en Matlab

Figura 1 Importdata desde un archivo .cvs a Matlab

En la Figura 1 se observa cómo se importa los datos, cabe recalcar que se importa solo los datos de la columna
T7 y F7 para ser analizadas. Esta selección debe aplicarse para todos los archivos de estimulación
3. Crear el algoritmo
El algoritmo creado se basa en un análisis de muestreo, en el tiempo, transformada de Fourier, transformada
Wavelet, graficar los datos de cada onda y la obtención de cada onda. (Anexo 1)
4. Implementar la transformada Wavelet
Para la implementación de la transformada Wavelet es necesario analizar los coeficientes de cada onda. De igual
manera es opcional utilizar el tipo de syms, por lo que se utilizó el sym 6. (Anexo 1)
5. Analizar los datos obtenidos
El análisis de datos se lo puede hacer mediante correlacion, student test u otro. Por lo que se aplicó la correlación
entre las funciones analizadas. (Tabla 1)

LISTADO DE MATERIALES:
 Software MATLAB

MARCO TEÓRICO:
Electroencefalograma
El electroencefalograma (EEG) es un análisis que se utiliza para detectar anomalías relacionadas con la actividad eléctrica del
cerebro. Este procedimiento realiza un seguimiento de las ondas cerebrales y las registra. Se colocan pequeños discos metálicos
con cables delgados (electrodos) sobre el cuero cabelludo y después se envían señales a una computadora para registrar los
resultados. La actividad eléctrica normal del cerebro forma un patrón reconocible. Por medio de un EEG, los médicos pueden
buscar patrones anormales que indiquen convulsiones u otros problemas.
La causa más común para realizar un EEG es el diagnóstico y control de los trastornos convulsivos. Los EEG también ayudan a
identificar las causas de problemas como los trastornos del sueño y los cambios en el comportamiento. Los EEG se usan, en
algunos casos, para evaluar la actividad cerebral después de una lesión en la cabeza o antes de un transplante de corazón o
hígado.
Cuenta con la siguiente distribución de ondas

 Ritmos delta 0-4 Hz.

 Actividad theta: 4-7 Hz.
 Ritmos alfa: 8-13 Hz.
 Ritmos beta: 14-60 Hz.

Transformada wavelet
El análisis de Fourier de una señal (supongamos temporal) permite determinar sus frecuencias, pero a costa de perder la
información de tipo temporal sobre la señal (no dice cuando aparece cada frecuencia). Lo que se puede hacer es subdividir la
pieza en trozos, y analizar cada trozo. Esto nos da una información rudimentaria sobre el orden temporal en el que se dan las
frecuencias. Este tipo de análisis se conoce como la transformada de Gabor (aplicar una ventana a los datos). Sin embargo, este
tipo de análisis es imperfecto. Recordemos que la resolución temporal y la resolución en frecuencias de una señal están
acopladas [Existe un principio de incertidumbre similar al de Heisenberg: Dt .Dw = p]. Existen métodos de análisis que alcanzan
este máximo. Fourier es uno de ellos pero alcanza la máxima resolución espectral sacrificando la resolución temporal. Los
wavelets sí dan información simultánea de t y w.
El número de wavelets existentes es enorme. En general conviene usar aquel cuya forma se adecúe mejor al tipo de señal con
la que se trabaja. Hay wavelets continuos/discretos, con/sin soporte compacto, suaves/con discontinuidades,
ortogonales/biortogonales. Algunos wavelets tienen expresiones analíticas.
VENTAJAS DE LA TRANSFORMADA DE WAVELETS
La Transformada Discreta de Wavelets presenta además claras ventajas frente a su
contrapartida de Fourier:
 Más rápida desde el punto de vista computacional.
 En muchos casos proporciona un mejor ajuste a los datos con menos coeficientes, permitiendo una mejor compresión
de los datos que los métodos basados en Fourier)
 Las técnicas de filtrado de ruido basadas en wavelets dan mejores resultados.

DESVENTAJAS DE LA TRANSFORMADA DE WAVELETS

Es una técnica reciente. Aunque en los últimos años se ha hecho un gran esfuerzo por darle todo el rigor matemático que tiene
la transformada de Fourier y unificar métodos y notaciones, el ritmo de aparición de publicaciones sobre el tema hace que no
sea tarea fácil. No permite realizar algunos cálculos como los relacionados con la convolución o la modulación de una señal.
Correlación

La correlación indica la fuerza y la dirección de una relación lineal y proporcionalidad entre dos variables estadísticas. Se
considera que dos variables cuantitativas están correlacionadas cuando los valores de una de ellas varían sistemáticamente con
respecto a los valores homónimos de la otra: si tenemos dos variables (A y B) existe correlación entre ellas si al disminuir los
valores de A lo hacen también los de B y viceversa. La correlación entre dos variables no implica, por sí misma, ninguna relación
de causalidad. Es importante tener en cuenta que la existencia de una correlación estadística entre dos eventos no implica que
haya una conexión causal entre ellos. Dicha creencia falaz es resumida con la expresión latina Cum hoc ergo propter hoc, que
suele resumirse como “correlación no implica causalidad”. La supuesta causalidad en la correlación puede deberse a una
coincidencia o a la existencia de algún factor desconocido, por ejemplo.

RESULTADO(S) OBTENIDO(S):
Anexo 1
Codigo en Matlab para T8
% Calculo para T8. Est Jonathan
clc
clear all;
close all;

load('Hd.mat');
load('SMario.mat')

t8=T8/1000; %Señal T8
%t8=F8/1000; %Señal F8
%t8=P8/1000; %Señal P8

figure(1)
%muestreo
Fs=128;
plot(t8,'-b');
grid on;
axis([0 5000 -0.05 0.05])
title('Senal T8 Est. MarioK448 Base')
xlabel('Tiempo');
ylabel('Voltaje');

T8_f=filter(Hd,t8);
for i=1:length(T8_f)
if T8_f(i)>=0.02
T8_f(i)=0.02;
else
T8_f(i)=T8_f(i);
end
if T8_f(i)<=-0.02
T8_f(i)=-0.02;
else
T8_f(i)=T8_f(i);
end
end

figure(2)
plot(T8_f,'-b');
grid on;
axis([0 5000 -0.05 0.05])
title('Senal T8 Est. MarioK448 Tratada')
xlabel('Tiempo');
ylabel('Voltaje');
%senal en tiempo
T=1/Fs;
tiempo=size(t8)/Fs;
tt=0:1/Fs:tiempo;
waveletFuntion='sym6';
[CT8,LT8]=wavedec(t8,5,waveletFuntion); %coeficientes vector
D1t8=wrcoef('d',CT8,LT8,waveletFuntion,1); %ruido
D2t8=wrcoef('d',CT8,LT8,waveletFuntion,2); %beta
D3t8=wrcoef('d',CT8,LT8,waveletFuntion,3); %Alfa
D4t8=wrcoef('d',CT8,LT8,waveletFuntion,4); %teta
A4t8=wrcoef('a',CT8,LT8,waveletFuntion,4); %espectro

figure(3)
subplot(4,1,1),plot(A4t8,'-m');grid on, title('Delta T8')
axis([0 5000 -0.02 0.02])
xlabel('Tiempo');
ylabel('Voltaje');

subplot(4,1,2),plot(D4t8,'-k');grid on, title('teta T8')

axis([0 5000 -0.02 0.02])
xlabel('Tiempo');
ylabel('Voltaje');

subplot(4,1,3),plot(D1t8,'-r');grid on, title('alfa T8')

axis([0 5000 -0.02 0.02])
xlabel('Tiempo');
ylabel('Voltaje');

subplot(4,1,4),plot(D2t8,'-g');grid on, title('Beta T8')

axis([0 5000 -0.02 0.02])
xlabel('Tiempo');
ylabel('Voltaje');
%espectro
%banda1
N=length(D2t8);
T8ft2=fft(D2t8);
T8ft2=T8ft2(1:N/2+1);
T8dx2=(1/(Fs*N)).*abs(T8ft2).^2;
T8dx2(2:end-1)=2*T8dx2(2:end-1);
T8freq2=0:Fs/length(D2t8):Fs/2;
alfa={'Alfa';D1t8};
alfadatos=xlswrite('EEGALFA.xls',alfa,'Ondas','A2')
%d={'Beta','Alfa','Teta','Delta';BetaT8 AlfaT8 TetaT8 DeltaT8};
%s=xlswrite('EEGDATOS.xls',d,'Ondas','F19')

%banda2
N=length(D3t8);
T8ft3=fft(D3t8);
T8ft3=T8ft3(1:N/2+1);
T8dx3=(1/(Fs*N)).*abs(T8ft3).^2;
T8dx3(2:end-1)=2*T8dx3(2:end-1);
T8freq3=0:Fs/length(D3t8):Fs/2;

%banda3
N=length(D4t8);
T8ft4=fft(D4t8);
T8ft4=T8ft4(1:N/2+1);
T8dx4=(1/(Fs*N)).*abs(T8ft4).^2;
T8dx4(2:end-1)=2*T8dx4(2:end-1);
T8freq4=0:Fs/length(D4t8):Fs/2;
%banda4
N=length(D4t8);
T8ftA4=fft(A4t8);
T8ftA4=T8ftA4(1:N/2+1);
T8dxA4=(1/(Fs*N)).*abs(T8ftA4).^2;
T8dxA4(2:end-1)=2*T8dxA4(2:end-1);
T8freqA4=0:Fs/length(A4t8):Fs/2;

figure(4);
subplot(1,4,1),plot(T8freqA4,T8dxA4,'-m');grid on, title('Delta T8')
xlim([0 10]);
xlabel('Frecuencia');
ylabel('Amplitud');

subplot(1,4,2),plot(T8freq4,T8dx4,'-k');grid on, title('teta T8')

xlim([0 15]);
xlabel('Frecuencia');
ylabel('Amplitud');

subplot(1,4,3),plot(T8freq3,T8dx3,'-r');grid on, title('alfa T8')

xlim([0 25]);
xlabel('Frecuencia');
ylabel('Amplitud');

subplot(1,4,4),plot(T8freq2,T8dx2,'-g');grid on, title('Beta T8')

xlim([0 35]);
xlabel('Frecuencia');
ylabel('Amplitud');

DeltaT8=A4t8;
TetaT8=D4t8;
AlfaT8=D3t8;
BetaT8=D2t8;

BetaT8=max(max(BetaT8));
AlfaT8=max(max(AlfaT8));
TetaT8=max(max(TetaT8));
DeltaT8=max(max(DeltaT8));

fprintf(1,'Beta,Alfa,Teta,Delta')
data=[BetaT8,AlfaT8,TetaT8,DeltaT8]

%d={'Beta','Alfa','Teta','Delta';BetaT8 AlfaT8 TetaT8 DeltaT8};

%s=xlswrite('EEGDATOS.xls',d,'Ondas','F19')

%correlacion de alfa con las demas senales

%ALFA
coAB1=conv(D3t8,wrev(D2t8)); %Alfa,beta
coAB=abs(coAB1);
figure(5)
subplot(1,3,1)
plot(coAB,'-r')
title('C. Alfa - Beta')
coAD1=conv(D3t8,wrev(A4t8)); %alfa,delta
coAD=abs(coAD1);
subplot(1,3,2)
plot(coAD,'-r')
title('C. Alfa - Delta')
coAT1=conv(D3t8,wrev(D4t8));%alfa,teta
coAT=abs(coAT1);
subplot(1,3,3)
plot(coAT,'-r')
title('C. Alfa - Teta')

%BETA
coBA1=conv(D2t8,wrev(D3t8)); %beta-Alfa
coBA=abs(coBA1);
figure(6)
subplot(1,3,1)
plot(coBA,'-g')
title('C. Beta-Alfa')
coBD1=conv(D2t8,wrev(A4t8)); %BETA,delta
coBD=abs(coBD1);
subplot(1,3,2)
plot(coBD,'-g')
title('C. Beta - Delta')
coBT1=conv(D2t8,wrev(D4t8));%BETA,teta
coBT=abs(coBT1);
subplot(1,3,3)
plot(coBT,'-g')
title('C. Beta - Teta')

%DELTA
coDA1=conv(A4t8,wrev(D3t8)); %Delta-Alfa
coDA=abs(coDA1);
figure(7)
subplot(1,3,1)
plot(coDA,'-m')
title('C. Delta-Alfa')
coDB1=conv(A4t8,wrev(D2t8)); %Delta-Beta
coDB=abs(coDB1);
subplot(1,3,2)
plot(coDB,'-m')
title('C. Delta - Beta')
coDT1=conv(A4t8,wrev(D4t8));%Delta-teta
coDT=abs(coDT1);
subplot(1,3,3)
plot(coDT,'-m')
title('C. Delta - Teta')

%TETA
coTA1=conv(D4t8,wrev(D3t8)); %Teta-Alfa
coTA=abs(coTA1);
figure(8)
subplot(1,3,1)
plot(coTA,'-k')
title('C. Teta-Alfa')
coTB1=conv(D4t8,wrev(D2t8)); %Teta-Beta
coTB=abs(coTB1);
subplot(1,3,2)
plot(coTB,'-k')
title('C. Teta-Beta')
coTD1=conv(D4t8,wrev(A4t8));%Teta-Delta
coTD=abs(coTD1);
subplot(1,3,3)
plot(coTD,'-k')
title('C. Teta-Delta')
Los códigos anteriores se aplican para los 6 archivos, solo se importa los otros archivos. Con lo que se obtienen:
ARCHIVO T8(BETA,ALFA,TETA,DELTA)
SINESTMARIO 0.0186 0.0180 0.0184 0.0201
SINESTJONATHAN 0.0375 0.0228 0.0346 0.0315
E1- 0.0169 0.0193 0.0141 0.0127
ESTJONATHANK448
E2- 0.0216 0.0183 0.0126 0.0115
ESTJONATHANFRK
E1-ESTMARIOK448 0.0202 0.0160 0.0230 0.0339
E2-ESTMARIOFRK 0.0192 0.0469 0.0224 0.0317
Tabla 1 Resultados obtenidos

a) Análisis de las señales T8 para los dos estudiantes.

Se procede con el análisis de las señales del Estudiante Mario, mostrando las señales sin estímulo, 1 estimulo
K448 y 1 estimulo FRK.
 Sin estimulo

Figura 2 Ondas de SinEstMario.csv para T8

Figura 3 Ondas de las diferentes señales Tiempo – Voltaje

 Figura 4 Ondas de las diferentes señales Frecuencia – Amplitud

Figura 5 Correlación de ondas

 Estimulo 1
 Figura 6 Ondas para el estímulo 1 – EstMario

Figura 7 Ondas de las diferentes señales. Tiempo – Voltaje

 Figura 8 Ondas de las diferentes señales. Frecuencia – Amplitud

Figura 9 Correlacion de las diferentes señales

 Estimulo 2
 Figura 10 Ondas para el estímulo 2 – EstMario

Figura 11 Ondas de las diferentes señales. Tiempo – Voltaje

 Figura 12 Ondas de las diferentes señales. Frecuencia – Amplitud

Figura 13 Correlación de las diferentes señales

De igual manera se procede con el mismo análisis para el estudiante Jonathan.

 Sin estimulo
Figura 14 Señal T8 para el estudiante Jonathan. Sin estimulo

Figura 15 Señales sin estimulo. Tiempo – Voltaje

 Figura 16 Señales sin estimulo. Frecuencia – Amplitud

Figura 17 Correlación de las diferentes señales. Sin estimulo

 Estimulo 1
 Figura 18 Señal T8 para el estímulo 1. Est Jonathan

Figura 19 Diferentes señales para T8 con estimulo 1. Tiempo - Voltaje

 Figura 20 Señales para T8 con estimulo 1. Frecuencia – Amplitud

Figura 21 Correlación de las señales con estimulo 1

 Estimulo 2
 Figura 22 Señal T8 con el estímulo 2

Figura 23 Diferentes ondas para el estímulo 2. Tiempo - Voltaje

 Figura 24 Diferentes ondas para el estímulo 2. Frecuencia – Amplitud

Figura 25 Correlación de las ondas de la señal T8

b) Análisis de las señales F8 para los dos estudiantes.

ARCHIVO F8(BETA,ALFA,TETA,DELTA)
SINESTMARIO 0.0230 0.0209 0.0331 0.0572
SINESTJONATHAN 0.0473 0.0273 0.0199 0.0268
E1- 0.0245 0.0329 0.0398 0.0316
ESTJONATHANK448
E2- 0.0419 0.0241 0.0245 0.0253
ESTJONATHANFRK
E1-ESTMARIOK448 0.0190 0.0179 0.0252 0.0461
E2-ESTMARIOFRK 0.0150 0.0181 0.0152 0.0171
Tabla 2 Resultados de ondas para F8

Análisis para el estudiante Mario.

 Sin estimulo
 Figura 26 Señal F8 sin estimulo. Est Mario

Figura 27 Diferentes ondas para F8 sin estimulo. Tiempo-Voltaje

 Figura 28 Diferentes ondas para F8 sin estimulo. Frecuencia – Amplitud

Figura 29 Correlación de las señales sin estimulo.

 Estimulo 1
Figura 30 Señal F8 para el estímulo 1. Est Mario

Figura 31 Señal F8. Estimulo 1. Tiempo – Voltaje

 Figura 32 Señal F8. Estimulo 1. Frecuencia – Amplitud

Figura 33 Correlación de las diferentes señales

 Estimulo 2
 Figura 34 Señal F8 para el estímulo 2

Figura 35 Diferentes ondas para la señal F8. Tiempo – Voltaje

 Figura 36 Diferentes ondas para F8 estimulo 2. Frecuencia – Amplitud

Figura 37 Correlación de las diferentes ondas para el estímulo 2.

Se procede con el análisis del estudiante 2 Jonathan.

 Sin estimulo
 Figura 38 Señal F8 sin estimulo. Est Jonathan

Figura 39 Diferentes ondas sin estimulo. Tiempo – Voltaje

 Figura 40 Diferentes ondas para F8 sin estimulo. Frecuencia – Amplitud

Figura 41 Correlación de las diferentes ondas

 Estimulo 1
Figura 42 Señal F8 con el estímulo 1. Est. Jonathan

Figura 43 Ondas en tiempo – voltaje

 Figura 44 Ondas en Frecuencia – Amplitud

Figura 45 Correlación de la señal F8

 Estimulo 2
 Figura 46 Señal F8 para el estímulo 2

Figura 47 Ondas de la F8. Tiempo –Voltaje

 Figura 48 Ondas de F8. Frecuencia – Amplitud

Figura 49 Correlacion de las ondas

c) Análisis de las señales P8 para los dos estudiantes.

ARCHIVO P8(BETA,ALFA,TETA,DELTA)
SINESTMARIO 0.0169 0.0181 0.0161 0.0192
SINESTJONATHAN 0.1912 0.1050 0.0645 0.0654
E1- 0.1267 0.0648 0.0333 0.0348
ESTJONATHANK448
E2- 0.0217 0.0202 0.0170 0.0165
ESTJONATHANFRK
E1-ESTMARIOK448 0.0205 0.0234 0.0178 0.0304
E2-ESTMARIOFRK 0.0110 0.0163 0.0106 0.0160
Tabla 3 Resultados obtenidos de las ondas para P8

Análisis para el estudiante Mario sin estimulo, estimulo FRK y estimulo K448
 Sin estimulo
 Figura 50 Señal P8 sin estimulo

Figura 51 Ondas de la señal P8. Tiempo – Voltaje

 Figura 52 Ondas de la señal P8 en Frecuencia – Amplitud

Figura 53 Correlación de las ondas

 Estimulo 1
 Figura 54 Señal P8 con el estímulo 1

Figura 55 Ondas de la señal P8 en tiempo

 Figura 56 Ondas de la señal P8 en frecuencia

Figura 57 Correlación de las ondas de P8

 Estimulo 2
 Figura 58 Señal P8 para el estímulo 2

Figura 59 Ondas de la señal P8 en tiempo

 Figura 60 Ondas de la señal P8 en frecuencia

Figura 61 Correlación de ondas de la señal P8

Análisis para el estudiante Jonathan sin estimulo, estimulo FRK y estimulo K448
 Sin estimulo
 Figura 62 Señal P8 sin estimulo est. Jonathan

Figura 63 Ondas de la Señal P8 en función del tiempo

 Figura 64 Ondas de la señal P8 en frecuencia

Figura 65 Correlación de las ondas de la señal P8

 Estimulo 1
 Figura 66 Señal P8 para estimulo 2

Figura 67 Ondas de la señal en tiempo

 Figura 68 Ondas de la señal P8 en frecuencia

Figura 69 Correlación de las ondas

 Estimulo 2
 Figura 70 Señal P8 para el estímulo 2

Figura 71 Ondas de la señal P8 para el estímulo 2 en tiempo

 Figura 72 Ondas de la señal P8 en frecuencia

Figura 73 Correlación de las ondas

Las correlaciones aplicadas anteriormente, toman en cuenta las mismas señales. Si se desea la correlación entre
las ondas de cada estimulo, las ondas deben ser guardadas como tablas e cargarlas en otro archivo y aplicar
correlación o convolución.
 Codigo Matlab
load('AlfaS.mat')
load('AlfaE1.mat')
load('AlfaE2.mat')
load('BetaS.mat')
load('BetaE1.mat')
load('BetaE2.mat')
load('DeltaS.mat')
load('DeltaE1.mat')
load('DeltaE2.mat')
load('TetaS.mat')
load('TetaE1.mat')
load('TetaE2.mat')
%correlacion alfa
coAlfa1=conv(D3t8S,wrev(D3t81));
coAlfaSE1=abs(coAlfa1);
figure(1)
subplot(1,2,1)
plot(coAlfaSE1,'-r')
title('Alfa: Sin Estimulo y Estimulo 1')
coAlfa2=conv(D3t8S,wrev(D3t8));
coAlfaSE2=abs(coAlfa2);
subplot(1,2,2)
plot(coAlfaSE2,'-r')
title('Alfa: Sin Estimulo y Estimulo 2')

%correlacion beta
coBeta1=conv(D2t8S,wrev(D2t81));
coBetaSE1=abs(coBeta1);
figure(2)
subplot(1,2,1)
plot(coBetaSE1,'-g')
title('Beta: Sin Estimulo y Estimulo 1')
coBeta2=conv(D2t8S,wrev(D2t8));
coBetaSE2=abs(coBeta2);
subplot(1,2,2)
plot(coBetaSE2,'-g')
title('Beta: Sin Estimulo y Estimulo 2')

%correlacion delta
coDelta1=conv(A4t8S,wrev(A4t81));
coDeltaSE1=abs(coDelta1);
figure(3)
subplot(1,2,1)
plot(coDeltaSE1,'-m')
title('Delta: Sin Estimulo y Estimulo 1')
coDelta2=conv(A4t8S,wrev(A4t8));
coDeltaSE2=abs(coDelta2);
subplot(1,2,2)
plot(coDeltaSE2,'-m')
title('Delta: Sin Estimulo y Estimulo 2')

%correlacion teta
coTeta1=conv(D4t8S,wrev(D4t81));
coTetaSE1=abs(coTeta1);
figure(4)
subplot(1,2,1)
plot(coTetaSE1,'-k')
title('Teta: Sin Estimulo y Estimulo 1')
coTeta2=conv(D4t8S,wrev(D4t8));
coTetaSE2=abs(coTeta2);
subplot(1,2,2)
plot(coTetaSE2,'-k')
title('Teta: Sin Estimulo y Estimulo 2')
 Figura 74 Correlación de las diferentes ondas

CONCLUSIONES:
Se observo que la mayoría de señales biológicas que se pueden obtener se necesita hacer todo un proceso de
filtrado, disminución y de transformación en wavelet, esto para quitar el ruido y subdividir la señal en las ondas: Alfa,
Beta, Delta y Teta. Esto nos sirve para hacer diferentes aplicaciones ya que podemos observar como reacciona
nuestro cerebro a diferentes estímulos y como cambia entre dos personas las mismas.

Nombre de estudiante: Jonnathan Jara, Tatiana Jara

Firma del Estudiante: _______________________________