Actualmente, la neurociencia posee una gran diversidad de métodos y técnicas para poder cuantificar la actividad cerebral (Senior et al., 2006). Sin embargo, los ERP siguen siendo la técnica de análisis utilizada con mayor frecuencia al momento de estudiar dinámicas cerebrales registradas en el cuero cabelludo. El éxito de esta técnica se debe, en parte, a su sencillez computacional y -aparentemente simple- interpretación funcional.

Luego de identificar datos que posean señales no-cerebrales de carácter no-lineal, los investigadores remueven artefactos predecibles/periódicos (por ej. movimientos oculares) con técnicas computacionales (por ej. machine learning) (Makeig & Onton, 2009). Tradicionalmente, filtros digitales de pasa-baja (lowpass) entre 25 y 40 Hz se aplican a los datos (Widmann et al., 2015), sin embargo, recientemente esta práctica se ha puesto en duda dada la gran cantidad de artefactos que pueden ser introducidos en la señal (Vanrullen, 2011; Widmann et al., 2015). Posteriormente, los datos se normalizan al sustraer actividad cerebral registrada antes de la aparición del estímulo a la actividad de interés, es decir, después de la aparición del estímulo. La normalización se realiza ensayo por ensayo (Grandchamp & Delorme, 2011). Así, los ERP se derivan a partir del promedio aritmético de un número suficiente de ensayos experimentales de actividad cerebral. Ecuación 1 fue implementada en la función computacional CalculaERP.m y declara este procedimiento, donde el ERP en un sensor es estimado a partir de la señal (x) registrada a través de un número (n) de ensayos experimentales (trials).

[Ecuación 1 - computación del ERP]

Los ERP describen desviaciones promedio respecto a la actividad cerebral observada antes de la estimulación sensorial (i.e. línea base). Usualmente se describen en microvolts (µV) y poseen alta precisión temporal en el rango de los milisegundos (ms) lo que los convierte en idóneos testigos de los dinámicos fenómenos perceptuales y cognitivos. La señal ERP se define como la diferencia en fluctuaciones de potencial eléctrico cuyas dinámicas temporales y de fase permanecen fijas en relación a un evento físico, cognitivo y/o fisiológico determinado. Debido a que la electricidad se propaga instantáneamente a través de la superficie del cuero cabelludo, el origen exacto de esas señales sólo se puede estimar teóricamente (Cohen, 2014; Nunez & Srinivasan, 2006). Así, la principal desventaja del EEG/ERP es su baja resolución espacial, impidiendo responder con certeza preguntas acerca de neuroanatomía funcional.

Los ERP son ampliamente interpretados como la suma de actividad cerebral causada por estimulación sensorial (Cruikshank et al., 2010; Kok, 1997; Luck, 2014; Muluh, 2011). En la Figura 1 se implementa la Ecuación 1 utilizando distintos valores de n y permite apreciar que el ERP no necesariamente refleja la complejidad de los diferentes ensayos que lo componen. Es decir, es un pobre descriptor de las dinámicas de potenciales postsinápticos excitatorios/inhibitorios de grandes ensambles neuronales (Makeig et al., 2004; Nunez & Srinivasan, 2006). A continuación, revisaremos distintos mecanismos propuestos que explican las fluctuaciones voltaicas de las que se deriva el ERP.

Figura 1. Ecuación 1 en distintos valores de n.

Esta figura muestra la gráfica de los cálculos realizados para distintos valores de n haciendo uso de la Ecuación 1.

ERP es la técnica más utilizada en electrofisiología cognitiva pero sus mecanismos fisiológicos se desconocen (Makeig et al., 2004; Makeig & Onton, 2009). Existen varios modelos generativos intentando explicar la emergencia de “componentes” ERP; fluctuaciones que presentan polaridad, amplitud, morfología, topología y latencias relativamente estables (Jervis et al., 1983).

2.2.4. Modelo de pulsaciones rítmicas (Rhythmic Pulsing Model)

Si bien la evidencia muestra que el modelo mixto sería una buena alternativa para explicar la emergencia del ERP (Min et al., 2007), aún existen datos que no pueden ser explicados. La literatura describe que la actividad EEG en curso (~10 Hz) tiene dinámicas de amplitud asimétricas (Mazaheri & Jensen, 2010) lo que implica que -algunas veces- el punto máximo de la oscilación se modula de forma diferente al punto mínimo de la misma señal, y viceversa (Figura 2c). Esta propiedad no-sinusoidal produce ondas lentas sin relación alguna con la integración funcional de estructuras cerebrales (Mazaheri & Jensen, 2010; Nikulin et al., 2010). Así, los ERP no darían cuenta de la formación de nuevas estructuras funcionales, si no que reflejan diferencias sistemáticas en la amplitud máxima que alcanza el EEG en curso en relación a su punto mínimo luego de la percepción de un estímulo (Mazaheri & Jensen, 2010). Debido a esto, una forma más adecuada de entender al EEG sería mediante su análisis ensayo a ensayo en el dominio del tiempo y la frecuencia.

Figura 2a, b, c. Mecanismos generativos del ERP.

Esta figura grafica los resultados de tres mecanismos o maneras de realizar el cálculo de ERP.

Independientemente de los mecanismos generativos a la base de las dinámicas observadas en el EEG/ERP, la literatura describe una gran variedad de componentes ERP. Estos han sido consistentemente vinculados a funciones sensoriales, motoras y cognitivas (Bötzel & Grüsser, 1989; Donchin, 1979; Kok, 1997; Kutas & Federmeier, 2011; Luck, 2014; Näätänen & Michie, 1979; Picton, 1992; Pritchard, 1986; van Beijsterveldt & Boomsma, 1994). Por lo general, los componentes son denominados utilizando la letra “P” o “N” en mayúscula para indicar su polaridad -Positiva o Negativa- acompañados con un número que indica su latencia[8]. Entonces, un componente negativo cuya amplitud máxima respecto a la línea base ocurre alrededor de los 170 ms post-estímulo, se le denominará “N170”. Si bien múltiples componentes ERP han sido descritos a lo largo de la historia (Hillyard & Kutas, 1983; Luck, 2014), a continuación, describimos brevemente algunos de los más comunes. Además, mostramos el estándar para reportar ERP en la literatura actual (Figura 3).

Figura 3. Estándar para visualizar y reportar ERP.

Representación estándar de la forma de visualizar y reportar ERP.

En la literatura académica, varios de los componentes ERP han sido evaluados en distintas poblaciones clínicas, rangos etarios y con propósitos diferentes (diagnósticos, evaluación clínica, monitoreo de evolución, entre otros). A continuación, se presentan algunas de las implicancias y usos clínicos de componentes ERP.

El componente P100 se ha estudiado con relación a la ansiedad social y el movimiento ocular (Ran & Chen, 2017; Schmitz et al., 2012), evidenciando que los participantes que presentaban un alto nivel de ansiedad social presentan amplitudes más altas en P100, relacionadas con la mirada evitativa/desviada que aquellos participantes con bajo nivel de ansiedad social. Además, evidenciaron menores latencias tardías, lo cual sería un indicador de sesgo de procesamiento específico para la mirada desviada. Asimismo, Keil et al. (2018) estudiaron el componente N170 en niños y adolescentes respecto a procesos de control cognitivo en tareas de reconocimiento facial, encontrando que en los niños y adolescentes que presentaban Trastorno de Ansiedad Social, el componente N170 tenía amplitud menor respecto al reconocimiento de caras neutrales.

Por otro lado, el componente Mismatch Negativity (MMN) ha sido estudiado en distintas poblaciones y ámbitos clínicos, siendo utilizado principalmente para monitorear la evolución de pacientes comatosos y predecir su despertar (Duncan et al., 2009). MMN también se ha estudiado en pacientes que presentan diagnóstico de Esquizofrenia (Duncan et al., 2009; Michie, 2001), evidenciando una disminución de la amplitud de MMN en comparación con pacientes con diagnóstico de bipolaridad y controles sanos (Salisbury et al., 2007). Este componente también ha sido utilizado como índice de deterioro cognitivo en patologías como Esclerosis Múltiple y pacientes que presentan afasia (Duncan et al., 2009; Ilvonen et al., 2003; Jung et al., 2006).

P300 ha sido estudiado en pacientes con demencia para la evaluación del funcionamiento cognitivo, encontrando que el peak de latencia de este componente en pacientes con demencia era más prolongado en comparación con controles sanos (Duncan et al., 2009; Goodin et al., 1978). El componente P300 también ha sido utilizado en investigaciones vinculadas que tiene como objetivo estudiar recursos atencionales, trastornos anímicos, dependencia al alcohol, demencias y sobrevivientes de lesiones cerebrales traumáticas y otro tipo de diagnósticos presentes en poblaciones jóvenes; a saber: Espectro Autista y Trastorno por Déficit Atencional e Hiperactividad (Duncan et al., 2009).

Respecto al uso en evaluación clínica del componente N400, cabe destacar que tanto los decrementos en su amplitud y las demoras de latencia se han estudiado respecto a la presencial y severidad de déficits que involucran la comprensión (Connolly & D’Arcy, 2000; Friederici et al., 1998; Marchand et al., 2002). Además, el componente N400 ha sido estudiado con relación a los efectos del contexto semántico en pacientes que presentan Alzheimer, así como también para el estudio de síntomas significativos de la esquizofrenia como lo es el discurso desorganizado (Duncan et al., 2009).

Asimismo, el componente Error-Related Negativity (ERN) se ha asociado a diferencias individuales en la impulsividad del estilo de respuesta y la angustia (Gehring et al., 2000; P. Luu et al., 2000; Pailing et al., 2002; Stemmer et al., 2004). ERN se ha estudiado en niños con Trastorno Obsesivo-Compulsivo y Trastorno de Ansiedad Generalizada, evidenciándose un aumento del componente ERN en comparación con controles (Gehring et al., 2000; Hajcak et al., 2008; Ladouceur et al., 2006; Olvet & Hajcak, 2008). Además, se mostró que la amplitud de ERN no presentó cambios significativos luego de la realización de tratamientos exitosos para Trastornos Obsesivos-Compulsivos (Hajcak et al., 2008), indicando que este componente no estaría determinado por cambios en la sintomatología ansiosa (Olvet & Hajcak, 2008). Otras poblaciones clínicas también han sido estudiadas respecto al componente ERN, como por ejemplo con pacientes que presentan Depresión (Elliott et al., 1998; Holmes & Pizzagalli, 2007; Olvet & Hajcak, 2008; Pizzagalli et al., 2006), Esquizofrenia (Henderson et al., 2006; Mathalon et al., 2002) y niños con diagnóstico del Espectro Autista (Henderson et al., 2006; McPartland et al., 2004; Townsend et al., 2001).

Finalmente, el BP -junto con toda la familia de potenciales corticales relacionados al movimiento (Shakeel et al., 2015)- han sido estudiados en contextos clínicos. La evidencia sugiere que modulaciones en la amplitud del BP se vincula a lesiones en el tracto piramidal vinculado a la corteza motora primaria (Kitamura et al., 1993) y el giro supramarginal en el lóbulo parietal y sus proyecciones al lóbulo frontal (Wheaton et al., 2005). Además, en el contexto de sobrevivientes de Accidentes Cerebrovasculares, la amplitud de BP se asocia a la recuperación post-accidente (Gerloff et al., 2006). Asimismo, utilizando un paradigma de ejecución de movimientos sincronizados, BP se manifiesta bilateralmente; indicando una activación de las cortezas motoras bilaterales (Mayer et al., 1995). Cuando los movimientos son ejecutados unilateralmente y BP se expande bilateralmente, puede ser tomado como un indicador de pérdida de inhibición transcallosa (Maegaki et al., 2002).