Hallazgos electrofisiológicos de un análisis multifactorial: caracterización de pacientes con depresión

HALLAZGOS ELECTROFISIOLOGICOS DE UN ANALISIS
CARACTERIZACION DE PACIENTES CON DEPRESION
A MULTIFACTOR ANALYSIS FINDS: ANCHARACTERIZATION OF PATIENTS WITH DEPRESSION
MULTIFACTORIAL: ELECTROPHYSIOLOGICAL

M. C. Gerardo Luna-Guevara, Dr. David Herrera Sánchez
Departamento de psiquiatría y Salud Mental, Facultad de Medicina, Universidad Nacional Autónoma
de México.
gerlg@unam. mx
Embarazo, depresión tratamiento farmacológico
Pregnancy Depression pharmacological treatment

RESUMEN:
El objetivo de esta investigación es estudiar los factores neurofisiológicos que subyacen en un
estudio de electroencefalograma así como identificar las características de los pacientes con
depresión a partir de un nuevo enfoque de menor dimensión. Se realizó un qEEG ambulatorio a
pacientes con diagnóstico de depresión de acuerdo al DSM-IV. El registro fue realizado por un
neurofisiólogo con experiencia en qEEG, en un equipo digital Grass mediante las técnicas y
montajes convencionales. Para el análisis se tomaron en cuenta las potencias absolutas de cada
electrodo de registro, eliminando los de línea media (Cz, Pz, Oz). Se utilizó un método estadístico de
multivariante de simplificación para los conjuntos de datos cuantitativos, realizando un análisis
multifactorial sobre una base de 204 pacientes, sujetos con diagnóstico de depresión; leve,
moderada y mayor bajo tratamiento farmacológico. Inicialmente se obtuvieron 25 componentes del
análisis. Un segundo análisis de los resultados arroja que con una discriminación dura se puede
simplificar el modelo en tan solo 4 componentes ya que el resto de los componentes su influencia
es muy mínima, lo que da pie a establecer un modelo con similitud de características
electrofisiológicas para los diferentes tipos de depresión analizados así como el hallazgo de otras
variables que no son comunes para la depresión. Se encontró la existencia de componentes con
actividad frontal y parietal en el rango de alfa así como actividad occipital en ambos hemisferios. Se
concluye que el EEG en conjunto a la estadística multivariante constituyen una herramienta que
permite nuevos hallazgos electrofisiológicos.


INTRODUCCIÓN
Características del EEG para depresión
Más de 150 millones de personas en el mundo sufren de depresión en algún momento de su
vida. En el año 2001 la prevalencia de depresión en el mundo fue de 5. 8% para hombres y de 9. 5%
en mujeres. La OMS estima que la carga de los trastornos mentales aumentará de manera
significativa en los próximos 20 años. La depresión para el año 2020 será la segunda causa de años
vida saludable perdidos a escala mundial y la primera en países desarrollados. En México los
trastornos neuropsiquiátricos ocupan el quinto lugar como carga de enfermedad, al considerar
indicadores de muerte prematura y días vividos con incapacidad. [1], [2]. Cuatro de los
padecimientos más discapacitantes: esquizofrenia, depresión, obsesión-compulsión y alcoholismo
(ídem).
La depresión es la primera causa de atención psiquiátrica en México. Datos de la Encuesta
Nacional de epidemiología Psiquiátrica (ENEP) aplicada en 2003 señalan:
Una de cada 5 personas presenta al menos un trastorno mental en su vida
13. 9 % refirió haber padecido alguno de los trastornos mentales durante el año previo a
la encuesta, 5. 8% en los últimos 30 días

Los hombres presentan prevalencia más alta para cualquier trastorno que las mujeres
(30. 4% vs 27. 1%).

Los trastornos afectivos y de ansiedad son más frecuentes para mujeres, mientras que
los trastornos por uso de sustancias son más frecuentes para los hombres.

En México de acuerdo con los datos de la Encuesta Nacional de Evaluación de Desempeño
2002-2003 (ENED) en un periodo anual previo a la entrevista el 5. 8% de las mujeres y 2. 5 % de los
hombres de 18 años y más sufrieron alguna sintomatología relacionada con depresión; la
prevalencia de depresión se incrementa con la edad en ambos sexos. Por grupo de edad en las
mujeres menores de 40 años fue de 4% y alcanzó una cifra de 9. 5% entre las mujeres mayores de
60 años. En los hombres la prevalencia por grupos de edad fue de 1. 6 y 5. 0% respectivamente [3].
La incapacidad laboral media para todos los trastornos depresivos y de ansiedad es de 7 días
al mes superior a la de cualquier otra enfermedad crónica como el caso de las enfermedades
reumáticas [4]. En México la ENEP encontró que los días de actividad perdidos por depresión fueron
25. 5 mayor que los días de actividad perdidos por enfermedades crónicas.

La señal de EEG
El electroencefalograma se puede definir como la señal que corresponde a la actividad
eléctrica del cerebro en diferentes lugares de la cabeza. Más específicamente, es la suma de las
corrientes actuales extracelulares en un gran grupo de neuronas. Pueden adquirirse usando ya sea
electrodos intracraneales o electrodos sobre el cuero cabelludo en la superficie de la cabeza [3]. El
EEG se ha encontrado puede ser una herramienta valiosa para el diagnóstico de numerosos
trastornos cerebrales. Hoy en día, la grabación de EEG es una rutina de procedimiento clínico y es
ampliamente considerado como el fisiológico "estándar de oro" para supervisar y cuantificar los
niveles de la somnolencia y la vigilia, sino también para la detección de espigas epilépticas y las
convulsiones y generalmente para el diagnóstico de la epilepsia [5]. La actividad eléctrica del
cerebro generalmente se divide en tres categorías: 1) bioeléctricos eventos producidos por la
neurona única, 2) actividad espontánea y 3) evocó potenciales. El EEG espontáneo su actividad se
mide en el cuero cabelludo o en el cerebro. Clínicamente frecuencias significativas entre 0, 1 Hz y
100 Hz. En sentido más restringido, la gama de frecuencias se clasifica en varios componentes de
frecuencia o ritmo de delta ( : 0, 5-4 Hz), ritmo theta ( : 4-8 Hz), alfa ritmo ( : 8-13 Hz), ritmo
de beta ( : 13-30 Hz) y el ritmo de gamma ( : 30-60 Hz) [3] [5].
El análisis del EEG tiene como uno de sus objetivos finales, presentar esta información
espectral en un mapa cartográfico, mapeo cerebral, donde se localizan las potencias de las fuentes
lo que permite un diagnóstico más preciso. Las técnicas para obtener imágenes o mapas del
cerebro han alcanzado gran precisión, y gracias a ellas es más fácil detectar problemas como
epilepsia, cáncer o desórdenes neuronales,  sin olvidar que permiten conocer mejor el
funcionamiento de tan importante órgano [6].

Pregunta de investigación
El porqué del análisis factorial para evaluar el las características electrofisiológicas del eeg, es
Identificar las dimensiones subyacentes o contenidas en la medición de otras variables observadas
de manera directa. Las dimensiones mencionadas, son factores que no pueden ser medidos por
medio de una entidad mesurable simple.
El fundamento de la herramienta aplicada es: 1). Las dimensiones subyacentes o factores
pueden usarse para explicar fenómenos complejos. 2). Las correlaciones que se observan entre las
variables son el resultado del hecho que tales variables comparten los mismos factores.
El trabajo muestra un esfuerzo conjunto entre la estadística y la neurofisiología para mostrar
nuevos hallazgos. Existen numerosos resultados estadísticos fiables que establecen la importancia
de la estadística en una investigación de este tipo, lo reconocen: Finch, Lipovsky y Casat, 1989;
1985; Sandín, 1997; entre otros [7], [8].
Desde la neurofisiología también encontramos apoyo a esta observación clínica: los estados
de ansiedad correlacionan significativamente con hiperactividad monoaminérgica (noradrenalina,
serotonina, etc. ) una producción desmesurada de estos neurotransmisores; y la depresión con
hipoactividad, comprensiblemente consecuente de un agotamiento del sistema [9]. Gracias a la
neurofisiología comprendemos a su vez porqué algunos psicofármacos diseñados para el tratamiento
de la depresión (inhibidores de la recaptación de la serotonina y/o noradrenalina) pueden generar a
corto plazo mejoría en el trastorno de Angustia/Desorden de pánico.
El objetivo de esta investigación es encontrar los factores que subyacen en un
estudio de electroencefalograma así como identificar las características de los pacientes
con depresión a partir de una menor dimensión.
Hay que resaltar que los pacientes están bajo tratamiento farmacológico que los que se
pretende no es hacer seguimiento del medicamento, sino ver las semejanzas que esperamos que
existan en los pacientes con depresión.

MATERIAL Y METODOS
Sujetos y proceso de selección
Se plantea una investigación del tipo observacional descriptiva. Con un estudio transversal de
diseño no experimental, donde se reportara los resultados obtenidos a partir del análisis propuesto,
donde la muestra poblacional es aleatoria.
La muestra fue conformada por un grupo de sujetos adultos femeninos. El grupo se obtuvo
de la población que acude a una sede hospitalaria, con los siguientes parámetros para el criterio de
inclusión/exclusión: edad de 18 a 25 años, estar bajo tratamiento farmacológico o psicoterapéutico
y aceptar participar otorgando el consentimiento informado por escrito.
Procedimiento
Se le colocaran los electrodos de acuerdo al sistema internacional 10-20, utilizando 27
electrodos usando un aparato digital (Grass Twin). El paciente se presentara a la toma del estudio
en condiciones ambulatorias, con el pelo limpio y seco sin gel, espray o mus para el pelo,
desayunado a excepción de tomar bebidas estimulantes (café, té, refresco de cola, chocolate, ) sin
fumar previamente. Se registrara en promedio 30 minutos, pasando por varios tipos de montaje y
duración; Monopolar basal, Bipolar transversal basal, Bipolar longitudinal, hiperventilación (HV) y
Fotoestimulación luminosa intermitente (FELI).


Análisis
Se plantea un análisis factorial exploratorio, este se caracteriza porque no se conocen a
priori el número de factores y es en la aplicación empírica donde se determina este número. Este
tipo de análisis es una técnica estadística multivariante cuyo principal propósito es sintetizar las
interrelaciones observadas entre un conjunto de variables en una forma concisa y segura como una
ayuda a la construcción de nuevos conceptos y teorías. Para ello utiliza un conjunto de variables
aleatorias inobservables, que llamaremos factores comunes, de forma que todas las covarianzas o
correlaciones son explicadas por dichos factores y cualquier porción de la varianza inexplicada por
los factores comunes se asigna a términos de error residuales que llamaremos factores únicos o
específicos. En la figura 1 se muestra el procedimiento a seguir.

Fig. . 1 Diagrama de la metodología para el análisis.

RESULTADOS
Población compuesta de 207 sujetos diagnosticados con depresión de una población total de
322 estudios anormales realizados en cinco años. El grupo formado solo por mujeres cuyas edades
estaban distribuidas de forma aproximadamente normal, con una media de 21. 5 años y una
desviación estándar de 4. 94 en un intervalo de 18 a 25 años. Se empleó el programa estadístico

Statistical Package for the Social Sciences (SPSS) versión 20.
Comunalidades
La comunalidad de una variable es la proporción de su varianza que puede ser explicada por
el modelo factorial obtenido. En nuestro modelo los valores de las comunalidades están en el rango
de 0. 49 a 0. 99 con una media de 0. 72. Correspondiendo el valor mínimo a las ondas agudas
centrales y el máximo para ondas agudas frontotemporales. Hay que comentar que el valor
inmediato superior al mínimo es de 0. 60, con lo que se podría considerar de inicio eliminar la
variable correspondiente al valor mínimo que está por debajo de 0. 5. La tabla es muy grande ya que
incluye 69 variables y se incluye en un apéndice. tabla 1. Comunalidades, ver apéndice.
Porcentaje de varianza explicada
Por defecto se extraen para los factores aquellos autovalores mayores al a unidad, para el
caso tenemos 25 factores los cuales explican el 72. 65% de la varianza de los datos. Hay que
observar que del componente 1 al 8 representan del 8. 73 al 3. 009 del porcentaje de la varianza y
del componente 9 al 25 son menores a 3 hasta llegar a la unidad del porcentaje de la varianza. Se
presenta un extracto de la tabla de varianzas con los componentes mayores a la unidad.

Component
1

Total

% of Variance

Extraction Sums of Squared Loadings
Total
% of Variance Cumulative %
6. 029
8. 738
8. 738

Rotation Sums of Squared Loadings

6. 029

Cumulative %
8. 738
8. 738

Total
% of Variance Cumulative %
4. 467
6. 474
6. 474

2

4. 765

6. 905

15. 643

4. 765

6. 905

15. 643

3. 594

5. 209

11. 684

3

3. 498

5. 069

20. 713

3. 498

5. 069

20. 713

2. 365

3. 427

15. 111

4

2. 532

3. 669

24. 381

2. 532

3. 669

24. 381

2. 288

3. 316

18. 427

5

2. 320

3. 362

27. 744

2. 320

3. 362

27. 744

2. 171

3. 146

21. 573

6

2. 222

3. 220

30. 964

2. 222

3. 220

30. 964

2. 119

3. 071

24. 643

7

2. 149

3. 114

34. 078

2. 149

3. 114

34. 078

2. 116

3. 067

27. 710

8

2. 076

3. 009

37. 086

2. 076

3. 009

37. 086

2. 057

2. 982

30. 692

9

2. 041

2. 959

40. 045

2. 041

2. 959

40. 045

2. 026

2. 937

33. 628

10

1. 894

2. 745

42. 790

1. 894

2. 745

42. 790

1. 961

2. 842

36. 470

11

1. 808

2. 620

45. 410

1. 808

2. 620

45. 410

1. 961

2. 842

39. 312

12

1. 765

2. 557

47. 968

1. 765

2. 557

47. 968

1. 809

2. 622

41. 934

13

1. 594

2. 310

50. 277

1. 594

2. 310

50. 277

1. 802

2. 612

44. 546

14

1. 542

2. 234

52. 512

1. 542

2. 234

52. 512

1. 798

2. 606

47. 152

15

1. 523

2. 208

54. 720

1. 523

2. 208

54. 720

1. 737

2. 518

49. 670

16

1. 447

2. 097

56. 817

1. 447

2. 097

56. 817

1. 721

2. 494

52. 164

17

1. 402

2. 032

58. 849

1. 402

2. 032

58. 849

1. 690

2. 450

54. 614

18

1. 362

1. 974

60. 823

1. 362

1. 974

60. 823

1. 677

2. 431

57. 044

19

1. 297

1. 880

62. 702

1. 297

1. 880

62. 702

1. 677

2. 430

59. 475

20

1. 268

1. 837

64. 539

1. 268

1. 837

64. 539

1. 660

2. 406

61. 881

21

1. 192

1. 727

66. 267

1. 192

1. 727

66. 267

1. 639

2. 375

64. 256

22

1. 160

1. 682

67. 948

1. 160

1. 682

67. 948

1. 574

2. 281

66. 537

23

1. 120

1. 624

69. 572

1. 120

1. 624

69. 572

1. 445

2. 094

68. 631

24

1. 092

1. 582

71. 154

1. 092

1. 582

71. 154

1. 444

2. 092

70. 723

25

1. 036

1. 502

72. 656

1. 036

1. 502

72. 656

1. 334

1. 933

72. 656

tabla 2. Porcentajes de varianza explicada.


Matriz de componentes
En el análisis de los componentes principales, tal vez la parte más delicada es la
interpretación de estas nuevas variables transformadas, las cuales ya no tienen el mismo significado
de las originales. Cada componente es el resultado de una combinación lineal de las variables en
donde cada una tiene una ponderación diferente, en proporción a las magnitudes de cada elemento
que conforma el autovector respectivo. Por consiguiente, el significado de cada componente
dependerá de la magnitud de tales ponderaciones y de su signo a lo cual es necesario encontrarle
sentido desde un punto de vista técnico (QUEVEDO, 1991). Observando las saturaciones para cada
componente, tabla 3, el análisis es a partir de las correlaciones entre las variables originales o
saturaciones y cada uno de los factores. De ello concluimos inicialmente lo siguiente:
El primer componente explica el 8. 73% de la variabilidad total y está constituido por ondas
agudas parietales (0. 60), ondas agudas occipitales (0. 77), ondas agudas posteriores (0. 72), ondas
lentas temporales (0. 60), actividad alfa simétrica (0. 64), ondas lentas temporales (0. 62), ondas
lentas frontales(0. 56), desorganización moderada (0. 56) y desorganización discreta (0. 52).
El segundo componente explica un 6. 90% de la variabilidad total, está compuesto por
respuesta a la FEI(0. 69), ondas agudas bitemporales occipitales(0. 54), ondas lentas bitemporales
occipitales (0. 50), trenes de ondas bioccipitales (0. 52), actividad hipersincronica (0. 57) y respuesta
HV(0. 50).
El tercer componente interpreta el 5. 06% de la variabilidad total, está integrado por actividad
hipersincronica discreta (0. 43), actividad hipersincronica (abs (-0. 42)), ondas lentas bioccipitales
(abs (-0. 43)) y trenes de ondas bioccipitales (abs (-0. 49)).
El cuarto componente representa un 3. 66% de la variabilidad total, está formado por ondas
lentas parietooccipitales (0. 50), ondas lentas anteriores (0. 50), asimetría (0. 49) y ondas agudas
temporales (0. 43).
El quinto componente representa el 3. 36% de la variabilidad total, está integrado por ondas
lentas parieto temporales (0. 54) y ondas agudas parieto-temporales (0. 49). tabla 3.

Matriz de componentes, ver apéndice.
Gráfico de sedimentación
El grafico nos indica un mayor peso de los 4 primeros componentes y que a partir del
componente 5 la contribución de estos componentes es muy pequeña, por lo que para el modelo
bien podría considerarse eliminar a partir del quinto componente y simplificar el modelo, que fue lo
que se hizo para este caso.


Fig. 1. Grafico de sedimentación
Solución rotada
Cuando la estructura dela análisis factorial es clara y cada variable se encuentra
inequívocamente asignada a un solo factor le solución sería final, sin embargo cuando las variables
saturan en más de un factor, existe un factor de contaminación o un factor general que domina la
solución. Para ello se realizó una rotación factorial varimax por ser un método de rotación ortogonal
y ayudar a mejorar la interpretación.


Primer componente:

Segundo componente:

Tercer componente:

Cuarto componente:

Ondas Lentas Temporales (0. 766)

Respuesta a la F. E. (0. 831)

Desorganización Discreta (0. 680)

Trenes de Ondas Bifrontales (0. 772)

Ondas Agudas Occipitales (0. 7529

Trenes de Ondas Bioccipitales (0. 789)

Trenes de Ondas Difusas (0. 592)

Actividad Hipersincronica Rápida (0. 743)

Ondas Lentas Frontales (0. 725)

Trenes de Ondas Occipitales (0. 698)

Actividad Alfa Asimétrica (0. 562)

Ondas Agudas Parietales (0. 681)

Ondas Lentas Bioccipitales (0. 678)

Trenes de Ondas Frontales (0. 633)

Actividad Hipersincronica (0. 647)

Ondas Agudas Posteriores (0. 507
Desorganización Moderada (0. 507

Quinto componente:
Sexto componente:
Ondas
agudas
parietoOccipitales
(-0. 786) Ondas Agudas Parieto-Temporal (0. 891)
Ondas Agudas Parieto-Occipitales
(0. 680)
Ondas Lentas Parieto-Temporal (0. 867)

Séptimo componente:

Octavo componente:

Actividad Hipersincronica
Moderada (0. 887)
Ondas Agudas Fronto Temporales (0. 993)
Actividad Hipersincronica Discreta
(0. 739)
Ondas Lentas Fronto Temporal (0. 993)
Ondas Agudas Difusas (0. 637)

Noveno componente:
Decimo componente:
Decimoprimer componente
Componente 12:
Ondas Lentas Parieto-Occipitales
(0. 796)
Ondas Agudas Bitemporales (0. 815) Desorganización Difusa (0. 890) Trenes de Ondas Bifronto Temporales (0. 772)
Trenes de Ondas Bitemporales
Ondas Agudas Temporales (0. 725) (0. 723)
Ondas Lentas Parietales (0. 803) Ondas Agudas Anteriores (0. 613)
Asimetría (0. 589)

Componente 13:
Componente 14:
Componente 15:
Componente 16:
Ondas Lentas Temporo Occipital (0. 784)
Trenes de Ondas Centrales (0. 674) Ondas Lentas Bifronto-Temporal (0. 734) Ondas Lentas Hemisféricas (0. 776)
Ondas Agudas Temporo Occipitales (0. 763) Ondas Agudas Centrales (0. 543)
Ondas Lentas Bitemporo Parietal (0. 715)

Componente 17:
Puntas Difusas (0. 793)
complejo punta Onda (0. 546)

Componente 18:
Componente 19:
Componente 20:
Puntas Centrales (0. 793)
Ondas Lentas Bitemporo Occipital (0. 654)
Trenes de Ondas Temporales (0. 663)
Trenes de Ondas Hemisféricas (0. 619) Ondas Agudas Bitemporo Occipitales (0. 545) Trenes de Ondas Lentas (0. 628)
Ondas Lentas Bitemporales (0. 608)

Componente 21:
Componente 22: Componente 23:
Componente 24:
Trenes de Ondas Fronto-Temporales punta Occipital
Actividad Hipersincronica Difusa Ondas Lentas Centrales
(0. 808)
(0. 806)
(0. 799)
(0. 730)
Ondas Lentas Posteriores
(0. 570)

Componente 25:
Trenes de Ondas Temporo-Occipitales
(0. 816)


DISCUSION
Existen variaciones y algunas contradicciones con los hallazgos aquí reportados y la literatura
científica. En favor del estudio realizado esta el argumento de la existencia de ciertas variantes en
los patrones de hipoactivación prefrontal izquierda [10], [11]. Esto puede explicarse debido a la
gran heterogeneidad del paciente depresivo y/o la deficiencia de los sistemas diagnósticos
tradicionales.

Primer componente:

Segundo componente:

Tercer componente:

Cuarto componente:

Ondas

Respuesta a la F. E. (0. 831)

Desorganización

Trenes de Ondas Bifrontales

Lentas

Temporales

(0. 766)

(0. 772)

Trenes de Ondas Difusas

Actividad
Rápida (0. 743)

Trenes

(0. 7529

Bioccipitales (0. 789)

(0. 592)

Trenes de Ondas Occipitales

Actividad Alfa Asimétrica

(0. 698)

(0. 562)

Lentas

Frontales

(0. 725)
Ondas

Agudas

Parietales

(0. 678)

Trenes de Ondas Frontales

Actividad

(0. 633)

(0. 647)
Agudas

Posteriores

Desorganización

Moderada

Hipersincronica

Ondas Lentas Bioccipitales

(0. 681)

Ondas

Ondas

(0. 680)

Ondas Agudas Occipitales

Ondas

de

Discreta

Hipersincronica

(0. 507

(0. 507

Los estudios en la literatura científica reportan diversas características electrofisiológicas de
pacientes depresivos con o sin medicamento utilizando el electroencefalograma la existencia de un
patrón anormal de actividad asimétrica en las regiones frontales debido, específicamente, a una
hiperactividad en la región frontal derecha y/o una hipoactividad de la región frontal izquierda. Así
como de no existir una consistencia en la asimetría de la banda alfa 8-13 Hz, en depresión mayor.
Del resumen de datos obtenidos, sombreados en color gris, se determina un rasgo similar en su
característica electrofisiológica, con asimetrías funcionales frontales. Los resultados que no
concuerdan con lo hasta hoy reportado son principalmente la actividad en la zona occipital, lo que
nos plantea la pregunta si es una actividad que no se había considerado para la caracterización de la
depresión.
Trabajos a futuro, cuantificar la magnitud de las diferencias para los diversas tipos de
depresión, una comparación y definir una serie de modelos para los subtipos de depresión, así
como implementar en un sistema automático por computadora de modelos estadísticos.


BIBLIOGRAFIA
[1 ] Belló, Mariana, "Prevalencia y diagnóstico de depresión en población adulta en México",
en Salud Pública en México
, vol. 47, suplemento de 2005, México.
[2] Medina Mora, Ma. Elena, Borges, Guilherme, et al . , "Prevalencia de trastornos mentales y
uso de servicios: resultados de la Encuesta Nacional de epidemiología Psiquiátrica en
México", en Revista de Salud Mental , vol. 26, núm 4, México, agosto de 2003.
[3] diagnóstico y tratamiento del trastorno Depresivo, México; Secretaria de Salud , 2009.
Catálogo Maestro de Guías de Práctica Clínica: IMSS-161-09.
[4] Ricardo Omaña Palanco 2008, Estudio sobre la depression según la encuesta nacional de
salud. Universidad complutense de Madrid, tesis de grado de doctor 1995-2003)
[5] Niedermayer Niedermayer, E. "Historical Aspects".

Electroencephalography. Basic

Principles, Clinical Applications and Related Fields. Niedermeyer E, Lopes da Silva F. (Ed).
Fourth Edition. Lippincott Williams & Wilkins; p. 1-14. 1999.
[6] Gertrudis Hernandez-Gonzalez, Maria L. Bringas-Vega, Lidice Galán-Garcia, Jorge BoschBayard, Yenisleidy Lorenzo-Ceballos, Lester Melie-Garcia, Lourdes Valdes-Urrutia, Marcia
Cobas-Ruiz, Prof. Pedro A. Valdes-Sosa, Vice Director, Multimodal Quantitative Neuroimaging
Databases and Methods: The Cuban Human Brain Mapping Project (CHBMP), Clin EEG
Neurosci July 2011 42: 149-159
[7] Finch, A. J. , Jr. , Lipovsky, J. A. , & Casat, C. (1989). Anxiety and depression in children and
adolescents:Negative affectivity or separate constructs? In P. C. Kendall & D. Watson (Eds. ).
Anxiety and Depression: Distinctive and Overlapping Features. San Diego: Academic Press
[8] Bonifacio Sandín, Rosa M. Valiente, Paloma Chorot y Miguel A. Santed.

Propiedades psicométricas del índice de sensibilidad a la ansiedad. Psicothema ISSN: 0214-9915. 2005.
Vol. 17, nº 3, pp. 478-483
[9] Gray, J. A. (1982) The Neuropsychology of Anxiety: An Enquiry into the Functions of the
Septo-Hippocampal System. Oxford Univ. Press: Oxford, U. K.
[10] B. Wahlund, W. Klonowski, P. Stepien, R. Stepien, T. von Rosen, D. von Rosen, EEG
Data, Fractal Dimension and Multivariate Statistics, JOURNAL OF COMPUTER SCIENCE AND
ENGINEERING, VOLUME 3, ISSUE 1, SEPTEMBER (2010).
[11] Hiie Hinrikus, Anna Suhhova, Maie Bachmann, Kaire Aadamsoo, Ülle Võhma, Jaanus

Lass, Viiu Tuulik, Electroencephalographic spectral asymmetry index for detection of
depression, Med Biol Eng Comput. 2009 Dec; 47(12):1291-9. doi: 10. 1007/s11517-0090554-9. Epub 2009 Nov 13.

APÉNDICE
tabla de comunalidades


tabla de varianza explicada
Matriz rotada




IMPORTANTE: Algunos textos de esta ficha pueden haber sido generados partir de PDf original, puede sufrir variaciones de maquetación/interlineado, y omitir imágenes/tablas.