Modelado de estados en la dinámica de las redes cerebrales en estado de reposo.

dc.contributor.advisorGuevara Álvez, Pamela Beatrizes
dc.contributor.advisorEL-Deredy, Waeles
dc.contributor.authorHernandez Larzabal, Hernanes
dc.date.accessioned2023-08-01T20:35:12Z
dc.date.accessioned2024-08-28T21:33:21Z
dc.date.available2023-08-01T20:35:12Z
dc.date.available2024-08-28T21:33:21Z
dc.date.issued2023
dc.descriptionTesis presentada para optar al grado académico de Doctor en Ciencias de la Ingeniería con Mención en la Ingeniería Eléctricaes
dc.description.abstractLa dinámica de las redes cerebrales en estado de reposo (RSNs) es objeto de intensa investigación como posible predictor del estado cognitivo y conductual actual y futuro. Para modelar la actividad cerebral regional como una combinación lineal de la actividad pasada en todas las demás regiones se utilizan Autoregresores Multivariados (MAR). Los coeficientes del MAR se toman como estimaciones de la conectividad efectiva de la red cerebral. Sin embargo, la suposición de estacionariedad junto con el gran número de coeficientes, hace que el MAR sea poco práctico para la estimación precisa o eficiente de las redes a partir de series de tiempo de neuroimagen estándar con duración limitada. El método propuesto en esta tesis, HsMM-MAR-AC, es un modelo novedoso, híbrido, discreto-continuo y disperso para la estimación eficiente de redes cerebrales efectivas dependientes del tiempo, a partir de series de tiempo de actividad cerebral no estacionarias. Los estados cerebrales discretos cuasi estacionarios y el rápido cambio entre ellos se modelan mediante un Modelo Semi-Markov Oculto cuyas emisiones continuas se extraen de un MAR disperso. Los coeficientes dispersos del MAR se restringen mediante información de Conectividad Anatómica Cerebral de dos formas: i.) la conectividad directa efectiva entre dos regiones cerebrales solo se considera si existe la conexión anatómica correspondiente y ii.) el retraso asociado con cada conexión directa se calcula en función de la longitud promedio de las fibras entre las dos regiones, de manera que solo se estima un retraso por conexión. Se evaluó el rendimiento de HsMM-MAR-AC en base a la recuperación de las redes en estado de reposo (RSN) en señales simuladas de actividad cerebral. Se exploraron diferentes duraciones y diferentes umbrales de restricciones anatómicas. Los resultados demostraron que HsMM-MAR-AC recupera las RSNs de manera más precisa que el método de la ventana deslizante, con tan solo 4 minutos de datos. Además, los resultados muestran que con restricciones anatómicas menos estrictas, se necesitan series de tiempo más largas para estimar las redes, lo cual se vuelve computacionalmente inviable sin restricciones anatómicas. Adicionalmente, se aplicó el modelo HsMM-MAR-AC a datos reales de dos grupos de sujetos con edades diferentes. Un grupo con edades entre los 22 y 25 años y otro grupo con edades entre los 31 y 35 años. Los resultados demostraron que la red de modo por defecto (DMN) tiene una duración significativamente mayor en el caso de los sujetos de 31 a 35 años. Además, las conexiones entre las regiones de la DMN son más fuerte en el grupo de 31 a 35 años. HsMM-MAR-AC ofrece un modelo eficiente para estimar la conectividad efectiva dependiente del tiempo a partir de datos de neuroimagen, que aprovecha las ventajas de los modelos de Markov ocultos y MAR sin problemas de identificabilidad, una demanda excesiva en la recopilación de datos, ni esfuerzos computacionales innecesarios.es
dc.description.campusConcepciónes
dc.description.departamentoDepartamento de Ingeniería Eléctricaes
dc.description.facultadFacultad de Ingenieríaes
dc.description.sponsorshipANID, Beca Doctorado Nacional/2017-21170326es
dc.description.sponsorshipANID, FONDECYT 1201822es
dc.description.sponsorshipANID, FONDECYT 1221665es
dc.description.sponsorshipANID, ANILLO ACT210053es
dc.description.sponsorshipANID, BASAL Centers, FB210008es
dc.description.sponsorshipANID, BASAL Centers, FB210017es
dc.description.sponsorshipANID, BASAL Centers, FB0008es
dc.description.sponsorshipValgrAIes
dc.description.sponsorshipGeneralitat Valenciana, Spainen
dc.identifier.doihttps://doi.org/10.29393/TDUdeC-33HH1ME33
dc.identifier.urihttps://repositorio.udec.cl/handle/11594/11121
dc.language.isoeses
dc.publisherUniversidad de Concepciónes
dc.rightsCreative Commoms CC BY NC ND 4.0 internacional (Atribución-NoComercial-SinDerivadas 4.0 Internacional)en
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/en
dc.titleModelado de estados en la dinámica de las redes cerebrales en estado de reposo.es
dc.typeTesises

Files

Original bundle
Now showing 1 - 1 of 1
Loading...
Thumbnail Image
Name:
Hernández Larzabal_Hernán Tesis.pdf
Size:
29.19 MB
Format:
Adobe Portable Document Format
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.71 KB
Format:
Plain Text
Description:

Collections