MODELADO DE CONECTIVIDAD CEREBRAL EN REPOSO CON MODELOS AUTOREGRESIVOS MULTIVARIADOS Y ESTIMACIÓN EFICIENTE DE SU ORDEN

GUERRA PINTO, VICTOR DANIEL

2018

Descargar documento

En el area de modelado de funciones cognitivas, uno de los problemas de interés esel modelado de conectividad cerebral en estado de reposo, donde se busca poder identificarpatrones de actividad cerebral, cuando el sujeto experimental no se encuentra haciendoninguna tarea cognitiva en particular, esta indentificación normalmente es realizadapor un experto que pueda identificar los patrones de actividad viendo por ejemplo, unelectroencefalograma (EEG), esta tarea es hecha con una muy baja resolución temporal,con un etiquetado de señales por segmentos de 30 segundos (a este proceso de etiqutadopor segmentos se le dice segmentación). Una forma de facilitar el estudio de modeloscerebrales es hacer esta identificación automáticamente. Actualmente se han propuestovarios algoritmos y modelos en la literatura de series de tiempo y machine learning pararesolver problemas de segmentación de señales, entre estos, los modelos escondidos deMarkov Autoregresivos Multivariados (HMM-MAR en inglés), han mostrado en la literaturaque reuelven de manera eficaz la segmentación. Aquí se muestran métodos para hacer la estimaciónde estos modelos de Markov y resolver el problema de segmentación, probandoloscon distintos modelos verificando su desempeño en un entorno sintético para posteriormenteproponer un experimento con mediciones fisioógicas reales.

MODELO AUTOREGRESIVO||MODELO ESCONDIDO DE MARKOV||SEGMENTACION|| SENAL||SERIE DE TIEMPO;