fbpx

Z-Score Training Neurofeedback

Una explicación sencilla de qué es Z-Score Training

Introducción

En los últimos 15 años el campo del Neurofeedback ha experimentado un desarrollo exponencial. Hemos pasado, haciendo un recorrido «filogenético» de la disciplina, desde el entrenamiento de Alpha con refuerzos verbales de Joe Kamiya a protocolos de intervención altamente sofisticados y personalizados, pasando por protocolos estándar, protocolos basados en síntomas, protocolos basados en el arousal, protocolos estándar con individualización, protocolos basados en el análisis estadístico…Z-Score Training.

Como en todas las disciplinas, en la nuestra también existen distintas corrientes o aproximaciones. Parece consubstancial a la psicología generar corrientes que, lejos de crear sinergias entre ellas, compiten por mostrarse como imperantes, mejores, más efectivas o más científicas que las demás.

Al final, más que corrientes tenemos diferentes herramientas, algunas ya tuvieron su momento y ahora, si hay posibilidad, pueden ser reemplazadas por otras, otras se muestran prometedoras y otras están en el medio. No debemos pasar por alto que las unas de hoy serán las otras de mañana, que las que hoy son prometedoras mañana, si hay posibilidad, pasarán a ser reemplazadas por otras.

El Z-Score Training neurofeedback no es más que una nueva herramienta que nos permite personalizar y adaptar los tratamientos, sin dejar de lado otras técnicas puesto que al final siempre decidiremos lo que, desde nuestro conocimiento, se ajusta mejor a nuestro paciente. Por ser más reciente (aproximadamente apareció en 2004), el uso de Z-Scores en el entrenamiento se han producido, lógicamente, menos publicaciones (aunque el número no deja de crecer). Así como aparecen nuevas publicaciones también aparecen detractores con mayor o menor tino. Más adelante indicaré un par de críticas nucleares expuestas por el grupo de detractores.

La cientificidad del planteamiento y uso de Z-Score Training no está en cuestión, no más que otras aproximaciones. Utiliza conceptos que han sido probados en la investigación clínica, tanto dentro como fuera de nuestra disciplina, ha mostrado eficacia, ha mostrado seguridad y ha mostrado replicabilidad. Es nuestra labor seguir consiguiendo evidencias. Y en este punto, y por razones que muchos entenderán obvias en mi caso, me permitiré parafrasear al premio Nobel alemán Max Planck:

«Eine neue wissenschaftliche Wahrheit pflegt sich nicht in der Weise durchzusetzen, daß ihre Gegner überzeugt werden und sich als belehrt erklären, sondern vielmehr dadurch, daß ihre Gegner allmählich aussterben und daß die heranwachsende Generation von vornherein mit der Wahrheit vertraut geworden ist».

(Una nueva verdad científica no tiende a afianzarse porque sus oponentes se convenzan y se declaren instruidos, sino más bien por el hecho de que sus oponentes desaparecen gradualmente y la nueva generación crece familiarizada con la nueva verdad desde el principio).

Conceptos básicos para entender Z-Score Training

El concepto fundamental del que parte este tipo de neurofeedback es el de población de referencia. Para que cualquier medida tenga sentido hay que tener algo con qué compararla (no hablo de valores normativos, aún). Para decir si una persona es alta o baja necesitamos al menos a otra persona. Pongamos por caso que esta persona vive en una isla y que ha estado privada siempre de la presencia de otras personas. No sabría nada en cuanto a su altura, podría medirla en palmos, centímetros, o la medida que fuese. Podría cuantificarla pero no categorizarla. Para poder hacer esta categorización necesitaría ponerse en relación con sus iguales. Este grupo con el que comparar es la población de referencia.

Con la población de referencia como base, y naciendo de ella, tenemos el segundo concepto fundamental en Z-Score Training: puntuación Z.

Una puntuación Z (Z-Score) es una métrica basada en cualquier puntuación y su población de referencia, su población estadística asociada (Figura 1). Nos informa de cuánto se aleja una puntuación de la media de la población, cuántas desviaciones típicas se aleja.

Figura 1. Fórmula para el cálculo de una puntuación Z.

Utilizando la puntuación Z estamos comparando un valor más o menos arbitrario de una variable cualquiera con la norma, con lo que es más común. Además nos permite comparar variables que tienen escalas de medidas diferentes, por ejemplo la velocidad de procesamiento y la memoria de trabajo.

Por ejemplo, tenemos a una persona que mide 170, de entrada podemos pensar que no es mucho ni poco (en nuestro entorno). De hecho sabemos a simple vista que tiene una estatura normal (porque comparamos con lo que vemos día a día en nuestro entorno, es decir, con una «base de datos normativa» creada en nuestra cabeza por la mera observación). Pero si esta persona viene de Estocolmo, ¿es alta? ¿es baja?. Si comparamos con la población de referencia ya no tendremos duda alguna (Figura 2).

Figura 2. Ejemplo de conversión de la métrica de altura de una persona a valores Z. El resultado nos muestra que la persona se sitúa dentro de la media.

Desarrollo del Z-Score Training Neurofeedback

En los años 90 el QEEG comenzaba a generar interés entre los clínicos del Neurofeedback. Bob Thatcher, entre otros, había desarrollado una base de datos normativa y los clínicos que veían de utilidad utilizarla para guiar los protocolos de intervención. También por esa época ganaba interés la comparación de los QEEG con base de datos normativas por edades. Más tarde Bill Mrklas, del equipo de Collura, pensó que podría ser útil incorporar las puntuaciones Z como elemento en los protocolos de Neurofeedback, pero el problema era su computación en vivo.

En 2004 el equipo de Collura concibió la manera de comparar el EEG en vivo con una base de datos normativa y la conectó con una ley fundamental del feedback: si puede ser cuantificado, entonces puede ser incorporado en un paradigma de feedback como factor de contingencia. Como base de datos normativa en vivo se utilizó la «Real-Time DLL» creada por Thatcher.

El modelo conceptual de informar al cerebro sobre su cambio en un espectro lineal (arriba o abajo) (figura 3) era insuficiente para el feedback más dimensional generado por este método entonces emergente.

Figura 3. Termómetro con umbral de amplitud generando dos espacios: arriba y abajo.

En Neurofeedback de amplitud hay un único umbral por componente (punto de referencia) y dos puntos en el espacio que para que el cerebro utilice el feedback para ubicarse: por encima o por debajo del umbral (figura 3).

Cuando utilizamos Z-Score training tenemos 3 puntos de referencia (umbral superior de desviaciones, umbral inferior de desviaciones y la media) creando cuatro localizaciones en el espacio en el que las puntuaciones Z pueden ser registradas en cualquier momento mientras el cerebro se acopla con el feedback (Figura 4).

Figura 4. Se muestran los tres puntos de referencias creados por la media (rojo) el umbral superior de Z-Score (desviaciones típicas) (naranja) y el umbral inferior (azul), así como los cuatro espacios donde las puntuaciones pueden caer (A, B, C y D).

Z-Score Training se basa en los hallazgos del QEEG con base de datos normativas, pero así como las puntuaciones Z del QEEG están basadas en la Transformada Rápida de Fourier, que necesita una ventana temporal para hacer los cálculos (demasiado lento) Z-Score Training utiliza Join Time Frecuency Analysis, que no requiere ventana temporal.

Qué hacemos en Z-Score Training

¿Pero qué es exactamente lo que se hace en Z-Score Training?. Pues es una pregunta con fácil respuesta. Para hacer más sencilla esta explicación vamos a seguir el ejemplo de Z-Score Training de 4 canales (aunque se puede hacer con 20 canales e incluso con LORETA).

La sesión no difiere de una sesión de neurofeedback clásico de amplitud en cuanto al montaje. En el caso de 4 canales se colocan en las posiciones correspondiente del sistema 10/20. Cada electrodo está registrando el EEG de la posición en la que se encuentra y el software computa en vivo las puntuaciones Z para cada variable: power absoluto, power relativo, asimetría, coherencia, fase y ratios. Esto en el caso de 4 canales supone alrededor de 300 puntuaciones (dependiendo de la base de datos utilizada). Esos datos son mostrados por canal y variable (figura 5).

Figura 5. Pantalla que muestra las puntuaciones Z para cada variable de 4 canales. Puede observarse que con la combinación de power y conectividad obtenemos, en este caso, 248 variables.

Para la sesión se configuran los umbrales de Z-Score (figura 6). Qué significa esto, pues que el clínico elige el rango donde las puntuaciones del paciente deben caer para recibir el feedback.

Figura 6. Umbrales de Z-Score. En este caso entre -0.9 desviaciones típicas y 0.9 desviaciones típicas.

Estos umbrales están acotando el tramo de la campana de Gauss donde queremos que el paciente tenga las puntuaciones que se están computando. Recordemos que, por ejemplo en la figura 5, las variables computadas en tiempo real con 4 canales pueden estar alrededor de 300.

Pero cuántas puntuaciones tienen que entrar en ese tramo, ¿todas?. La respuesta es no. También durante la sesión configuramos otro umbral, en este caso el umbral del porcentaje de puntuaciones Z que deben quedar dentro del rango que hemos configurado. Por ejemplo, podemos pedir que el 60% de las puntuaciones computadas entren dentro del rango. De este modo, si el paciente consigue 61% de puntuaciones dentro del rango obtendrá el feedback, si por el contrario consigue menos del 60% no recibirá feedback. Para ver esto con más claridad podemos observar la figura 7.

Figura 7. Resumen de los umbrales utilizados en Z-Score training. En la parte superior derecha tenemos las puntuaciones Z que se están computando en vivo, abajo tenemos los umbrales entre los que tienen que estar las puntuaciones y arriba a la izquierda encontramos el porcentaje de puntuaciones (numero verde) computadas que queremos que estén entre los umbrales.

La puntuaciones del paciente se mueven aleatoriamente, pero cuando se alcanza el porcentaje solicitado el paciente consigue el feedback (figura 8), la filosofía es simple.

Figura 8. Cuándo se provee el feedback al paciente. Cuando el paciente alcanza el porcentaje solicitado dentro de los umbrales marcados consigue el feedback.

De este modo, y siguiendo el ejemplo de 4 canales, convertimos 248 variables en una sola: el porcentaje (figura 9).

Figura 9. El uso de un porcentaje de puntuaciones nos hace pasar de 248 variables a una sola.

En este punto, Z-Score training se comporta parecido al clásico neurofeedback de amplitud de un canal. El paciente conseguirá el feedback cuando su porcentaje conseguido esté por encima del umbral del porcentaje solicitado.

Pero además, esta variable (el porcentaje) es una variable flexible puesto que unas veces estará compuesta por unas métricas y otras veces por otras. Lo relevante es alcanzar el porcentaje sin ser, en principio, tan relevante qué variables componen ese porcentaje como conseguir el porcentaje en sí. Esto confiere al cerebro cierta libertad para que ponga en marcha los mecanismos que más adaptativos le resulten en cada momento en el camino hacia la autorregulación.

Con Z-Score Training más que entrenar al cerebro a ser normal se informa al cerebro de cómo opera en relación a parámetros típicos de actividad a lo largo de un espectro de variables, y se provee feedback para apoyar unos patrones de activación cortical más flexibles y eficientes donde quiera que sea en ese espectro.

En la figura 10 podemos ver la aplicación de Z-Score Training a una paciente con depresión cuyo hallazgo principal fue la hipercoherencia frontal del Alpha. Puede observarse cómo al tender a la normalización sus valores brutos de coherencia descienden, como cabría esperar, pero con seguridad puesto que la base de datos normativa no permitirá que bajen más de la cuenta. Esto no podría hacerse de otro modo.

Figura 10. Entrenamiento de la coherencia con Z-Score Training en una paciente con depresión. A la izquierda su mapa de power en valores Z, a la derecha tendencia durante una sesión en Z-Score (arriba. La línea roja representa 0 desviaciones) y tendencia de los datos brutos de coherencia durante la misma sesión (abajo).

Dentro del paradigma de Z-Score Training existen diferentes aproximaciones, pero esto no se abordará en esta entrada.

Dos críticas típicas al uso de Z-Score Training

Las bases de datos normativas están creadas en un medio determinado y podrían estar influenciadas por educación, sexo, nivel cultura, país de origen, etc…

Esta es una cuestión muy repetida por los detractores, pero ya desde el año 1977 sabemos que no se dan esas influencias (John et al., 1977). Thatcher (1999) mostró que las diferencias en al distribución del EEG debidas a la dominancia manual era mínima. La validación a lo largo de laboratorios de todo el mundo, incluyendo 8 paises con diferentes culturas, también muestra que no hay diferencias interculturales en la distribución del EEG (John et al., 1977). Asimismo, Ahn et al. (1977) mostró que no existían diferencias significativas en el EEG entre sujetos de EEUU y de Barbados, dos culturas diferentes. En 1980, John et al. mostraron que la evolución de la actividad eléctrica cerebral es independiente de la cultura, etnia, factores socioeconómicos o el género. Resultados similares a los encontrados por Álvarez et al. (1987). En 1986 Yingling et al. mostraron que la distribución del EEG no se ve afectada por la región de origen de las personas.

Más recientemente, en 2019, Hu et al. han demostrado que el país de origen no afecta a la distribución espectral del EEG.

La única variable que parece influir en la distribución del EEG es la edad, y ésta es una variable ampliamente contemplada en la creación de las diferentes bases de datos normativas.

Por estas razones, la crítica al uso de las puntuaciones Z relativa a las posibles diferencias interculturales parece más bien basada en la opinión de unos pocos que en las evidencias científicas.

No se puede tender a normalizar a todos los sujetos, nadie es completamente normal

Esta crítica desafía aún más a la razón que la anterior. Primero de todo, con Z-Score Training no se pretende la absoluta normalización del EEG del paciente. Algunos dan en llamar a esto «Principio Bulldozer», pero para nada es el objetivo último de Z-Score Training. Z-Score Training es una herramienta que ayuda al cerebro a identificar áreas donde una pobre integración y conectividad entre regiones están afectando a la eficiencia de la modulación de la actividad cortical. Al cerebro se le permite modular su actividad para conseguir estados más eficientes, aunque esto suponga que partiendo de un EEG alterado lleguemos a otro también alterado pero con patrón diverso.

Por otro lado, hay que tener en cuenta una cuestión estadística básica: las bases de datos normativas están creadas con sujetos sanos pero diferentes por lo que podríamos decir que están compuestas con miles de datos de sujetos que «no son completamente normales». Dicho esto no hace falta indicar que esas diferencias individuales o esa «falta de total normalidad» queda diluida o representada en la base de datos normativa. De hecho, si tomamos como referencia normal desde -1.96 desviaciones típicas (Z=-1.96) hasta 1.96 desviaciones típicas (Z=1.96) tenemos un amplio rango donde albergar «muchas diferencias individuales», este rango incluye al 95% de la población.

Por ello, la máxima «nadie es completamente normal» no puede ser utilizado como argumento contra el uso de Z-Scores puesto que las variaciones interpersonales quedan diluidas y representadas en la base de datos normativa.

Referencias

Alvarez, A., Valdes, P., & Pascual, R. (1987). EEG developmental equations confirmed for Cuban schoolchildren. Electroencephalography and Clinical Neurophysiology, 67(4), 330-332. https://doi.org/10.1016/0013-4694(87)90119-2

Collura, T. F. (2014a). Specifying and Developing References for Live Z-Score Neurofeedback. NeuroConnections, 26-39.

Collura, T. F. (2014b). Technical foundations of neurofeedback. Routledge, Taylor & Francis Group.

Hu, S., Ngulugulu, A., Bosch-Bayard, J., Bringas-Vega, M. L., & Valdes-Sosa, P. A. (2019). Multinational qEEG developmental surfaces [Preprint]. Neuroscience. https://doi.org/10.1101/2019.12.20.883991

John, E. R., Karmel, B. Z., Corning, W. C., Easton, P., Brown, D., Ahn, H., John, M., Harmony, T., Prichep, L., Toro, A., Gerson, I., Bartlett, R., Thatcher, R. W., Kaye, H., Valdés, P., & Schwartz, E. (1977). Numerical taxonomy identifies different profiles of brain  functions within groups of  behaviorally similar people. Science, 196, 1393-1410.

Thatcher, R. W. (1998). NORMATIVE EEG DATABASES AND EEG BIOFEEDBACK. Journal of Neurotherapy, 2(4), 8-39. https://doi.org/10.1300/J184v02n04_02

Thatcher, R. W. (1999). EEG Database-Guided Neurotherapy. En Introduction to Quantitative EEG and Neurofeedback (pp. 29-64). Elsevier. https://doi.org/10.1016/B978-012243790-8/50003-1

Thatcher, R. W., & Lubar, J. F. (Eds.). (2015). Z score neurofeedback: Clinical applications. Elsevier/AP, Academic Press is an imprint of Elsevier.

Yingling, C. D., Galin, D., Fein, G., Peltzman, D., & Davenport, L. (1986). Neurometrics does not detect ‘pure’ dyslexics. Electroencephalography and Clinical Neurophysiology, 63(5), 426-430. https://doi.org/10.1016/0013-4694(86)90124-0

Deja una respuesta

Tu dirección de correo electrónico no será publicada.

Si continúas usando este sitio, aceptas el uso de cookies. Más información

Los ajustes de cookies en esta web están configurados para «permitir las cookies» y ofrecerte la mejor experiencia de navegación posible. Si sigues usando esta web sin cambiar tus ajustes de cookies o haces clic en «Aceptar», estarás dando tu consentimiento a esto.

Cerrar