El cerebro como un sistema dinámico híbrido

Fecha

2023-06

Formato del documento

Tesis

ORCID Autor

Título de la revista

ISSN de la revista

Título del volumen

Editor

Universidad de Valparaíso

ISBN

ISSN

item.page.issne

item.page.doiurl

Departamento o Escuela

Determinador

Recolector

Especie

Nota general

Resumen

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 síntomas

Descripción

Lugar de Publicación

Auspiciador

Palabras clave

CEREBRO, NEUROCIENCIA COGNITIVA, TRASTORNOS COGNITIVOS

Licencia

URL Licencia

Colecciones