Examinando por Autor "El-Deredy, Wael (Director de tesis)"
Mostrando 1 - 2 de 2
Resultados por página
Opciones de ordenación
Ítem El cerebro como un sistema dinámico híbrido(Universidad de Valparaíso, 2023-06) Araya Gálvez, David; El-Deredy, Wael (Director de tesis)Las funciones cognitivas del cerebro emergen a partir de la interacción o conectividad de múltiples regiones que están continuamente cambiando en el tiempo, dando lugar a lo que conocemos como redes cerebrales dinámicas o no estacionarias. Para intentar entender este complejo fenómeno es de vital importancia disponer de modelos generativos que sean capaces de simular este proceso y permitir visualizar, manipular y controlar este fenómeno. Entre mayor sea la capacidad explicativa del modelo se requerirá una mayor cantidad de para´metros a estimar, lo que incrementará la incertidumbre del modelo. Una alternativa para minimizar esta incertidumbre es disponer de herramientas que permitan asignar los valores a estos parámetros en forma automática a partir de una señal observada del cerebro, como EEG o fMRI. Sin embargo, el problema de la no estacionaridad de las redes cerebrales hace compleja y difícil esta tarea. En esta tesis se desarrolla el modelo generativo de la actividad cerebral HSMM-MAR, el cual modela el fenómeno de la conectividad cerebral dinámica efectiva estimando sus parámetros a partir de la señal observada del cerebro (EEG/MEG o fMRI). Para abordar el problema de la no estacionaridad de las redes cerebrales se utiliza la teoría de sistemas híbridos, específicamente del modelo de Semi Markov Oculto (HSMM). HSMM aborda el problema de la no estacionaridad de las redes cerebrales como cambios o transiciones rápidas de estados cerebrales (variable discreta), donde un estado se define como un periodo de tiempo donde la conectividad es estacionaria y en la cual se genera la actividad cerebral (variable continua). Actualmente en el estado del arte, ya se ha utilizado esta idea mediante el uso de modelos de Markov ocultos (HMM). Sin embargo, la distribución geométrica de las duraciones de los estados implícitas en HMM la hace inapropiado para modelar con exactitud los estados cerebrales. Esta falencia incentiva la formulación de este desarrollo basado en HSMM, una generalización de HMM que modela la distribución de duración de manera explícita. HSMM presenta un mejor desempeño que HMM, en cuanto a recuperar la secuencia de estados cerebrales y los para´metros del modelo en el caso de datos simulados y presenta una mejor caracterización de la duración de los estados en el caso de los datos reales. Otro aspecto relevante es que HSMM-MAR utiliza la información del Conectoma Humano para estimar los parámetros del modelo de forma más eficiente y requiere una cantidad de datos muy inferior que aquellos casos en los que no se utiliza esta información. HSMM-MAR es un modelo bayesiano jerárquico, que estima sus parámetros sobre la base de la señal observada usando Bayes Variacional. Se verificó y validó el desempeño del modelo desarrollado en esta tesis mediante datos simulados y datos reales. HSMM-MAR permitiría capturar propiedades fundamentales del funcionamiento del cerebro, los cuales se verían alterados en los trastornos cerebrales y, por ende, se verán afectados también los parámetros del modelo. Por lo tanto, características generadas a partir de los para´metros pueden ser utilizadas para la detección del trastorno cerebral. Más aún esta característica pudiera convertirse en un marcador de la progresión del trastorno y permitir la detección de forma anticipada antes de la aparición de los síntomasÍtem Modelamiento de características de dinámica cerebral en EEG a través de modelos generativos híbridos tipo Markov Oculto(Universidad de Valparaíso, 2021) Astudillo Contreras, Aland; El-Deredy, Wael (Director de tesis)La caracterización de dinámicas cerebrales a través de análisis y modelamiento es crucial para las neurociencias cognitivas en condiciones saludables y enfermedades neurológicas. El cerebro muestra dinámicas que cambian entre estados cognitivos y en enfermedades neurológicas. En función de la naturaleza de los patrones de actividad cerebral, las técnicas basadas en modelos híbridos han sido propuestas para ofrecer un buen enfoque básico para modelar estas dinámicas. Este enfoque serviría como un complemento para los métodos actuales, algunos de los cuales no consideran las dinámicas temporales de una manera completa o no consideran propiedades no estacionarias de las señales. Los modelos generativos híbridos tipo Markov y semi- Markov oculto (HMM/HsMM) han sido usados satisfactoriamente como métodos eficientes para caracterizar estados de actividad espontánea cerebral (RS) en datos de electro y magneto encefalografía (EEG/MEG). En este trabajo usamos modelos HMM, y su generalización HsMM, para modelar actividad cerebral en tres escenarios de cambio de actividad cerebral. Específicamente, desarrollamos un marco de trabajo que analiza y modela la actividad RS-EEG. Revisamos la literatura del estudio de RS de manera general y su descripción en escenarios de alteración cerebral y enfermedades neurodegenerativas, el cual ofrece una oportunidad atractiva para desarrollar un marco de trabajo y caracterizar las alteraciones de dinámicas cerebrales. Adicionalmente, mostramos como el modelo mejora la descripción de estados cerebrales, y se evaluaron las diferencias para diferentes combinaciones de opciones de procesamiento y parámetros del modelo. Se eligió un marco de trabajo específico, y se definió una combinación de pasos de procesamiento y parámetros de configuración del modelo, con lo cual planteamos cómo explotar la información para evaluar los estados de actividad cerebral resultantes. Posteriormente, utilizamos el marco de trabajo definido en 3 escenarios. En el primer escenario pusimos a prueba la técnica sobre datos sintéticos, lo que permitió encontrar los rangos de valores de parámetros útiles para el modelo y definió los límites de él. En el segundo estudio utilizamos el modelamiento para estudiar la alteración de actividad cerebral en participantes sanos en dos condiciones de altitud geográfica. Este escenario permite estudiar la dinámica cerebral con alteraciones de manera controlada. Además, se pudo verificar cómo el componente de duración de estados es crítico para la caracterización de las dinámicas cerebrales. Finalmente, utilizamos HsMM para estudiar la alteración de actividad cerebral en pacientes con Enfermedad de Parkinson (PD), al exponer las limitaciones anteriores con un modelo explícito de duraciones de estado. Los resultados muestran de manera general la capacidad de la herramienta para lograr una descripción útil de la actividad cerebral RS-EEG. Además, revisamos cómo un modelo explícito de la duración temporal de los estados ofrece un mayor análisis para el escenario de RS-EEG en enfermedades neurodegenerativas, y cómo se relacionarían estos parámetros con las alteraciones cerebrales. Mostramos la replicabilidad y robustez bajo configuraciones específicas para utilizar el marco de trabajo en el escenario de alteraciones cerebrales por neurodegeneración. Concluimos con la recomendación del uso del marco de trabajo, y explicitar los pasos de procesamiento para caracterizar la actividad cerebral vía HsMM, el cual es un modelo robusto y confiable, y con una mejor descripción de dinámicas RS-EEG. Estos resultados podrían sugerir que existen redes cerebrales específicas que estarían alteradas y que sus dinámicas podrían ser reflejadas en la caracterización de estados cerebrales al usar RS-EEG y HsMM. El enfoque visto en este trabajo y el marco de trabajo desarrollado es extensible para ser utilizado en otros escenarios similares.