Análisis de datos

La investigación y aplicación de métodos de análisis de datos en nuestro laboratorio se centra en los siguientes temas:

CONECTIVIDAD FUNCIONAL

La especialización e integración funcional constituyen dos principios básicos de la organización cerebral. Mientras que diferentes áreas están especializadas en subfunciones particulares, la realización de todas las funciones básicas tanto sensoriales como cognitivas requiere de la integración entre áreas. Las medidas de conectividad funcional permiten caracterizar estas interacciones. Suele haber un compromiso entre cómo de general es una medida y cuantos datos se necesitan para estimarla con precisión. En el laboratorio hemos desarrollado una herramienta de acceso libre, Hermes, para el cálculo de estas medidas.

HERMES (HERramienta de MEdidas de Sincronización)

El análisis de las medidas de las interdependencias entre los perfiles temporales de actividad neuronal constituye un campo importante en neurociencia. El Laboratorio de Neurociencia Cognitiva y Computacional ha desarrollado Hermes (http://hermes.ctb.upm.es/), una herramienta basada en el entorno Matlab®, diseñada para estudiar la conectividad funcional en señales multivariadas de EEG/MEG. Se incluyen un gran número de medidas como son la synchronization likelihood, sincronización de fase, información mutua, causalidad de Granger, coherencia y correlación. Asimismo, dispone de visualización de datos y análisis estadístico con corrección por comparaciones múltiples.

RECONSTRUCCIÓN DE FUENTES

La Magnetoencefalografía ofrece la mejor combinación de resolución en espacio y tiempo para estudiar la función cerebral en humanos de manera no invasiva. Un paso esencial en el análisis es el de reconstruir las fuentes de actividad cerebral a partir de los datos registrados en los sensores. No hay una única solución, lo que implica imponer restricciones adicionales, relacionadas con diferentes algoritmos: beamforming, norma mínima, métodos Bayesianos.

ANÁLISIS MULTIVARIADO

Se pueden aplicar algoritmos de reconstrucción de la disciplina de aprendizaje automático para explotar la naturaleza multivariada de las señales de MEG y EEG. Considerar los diferentes sensores de manera combinada puede suponer ventajas tanto para entender el código neuronal como para la realización de diagnóstico a partir de neuroimagen. Uno de los objetivos del laboratorio es la realización de diagnóstico temprano en la Enfermedad de Alzheimer.

MÉTODOS DE PREPROCESAMIENTO

Las señales de EEG y MEG contienen artefactos debidos al ruido ambiente y a procesos fisiológicos diferentes a la actividad cerebral. La investigación y aplicación de métodos de preprocesamiento es esencial para lograr mejorar la relación entre señal y ruido.

INFERENCIA BAYESIANA

Los métodos Bayesianos están propiciando un importante avance tanto en la comprensión de la función cerebral como en la aplicación de métodos. De acuerdo a la inferencia Bayesiana el cerebro combina de forma eficiente la información sensorial y la información a priori, cada una pesada de acuerdo a su fiabilidad, para inferir las causas de los estímulos.

Publicaciones seleccionadas

Bruña R, Fuggetta G, Pereda E. One Definition to Join Them All: The N-Spherical Solution for the EEG Lead Field. Sensors (Basel). 2023 Sep; 23(19):. PubMed ID: 37836967.

Bruña R, Vaghari D, Greve A, Cooper E, Mada MO, Henson RN. Modified MRI Anonymization (De-Facing) for Improved MEG Coregistration. Bioengineering (Basel). 2022 Oct; 9(10):. PubMed ID: 36290559.  PDF file.

Bruña R, Maestú F, Pereda E. Phase locking value revisited: teaching new tricks to an old dog. J Neural Eng. 2018 10; 15(5):056011. PubMed ID: 29952757.

Dimitriadis SI, López ME, Bruña R, Cuesta P, Marcos A, Maestú F, Pereda E. How to Build a Functional Connectomic Biomarker for Mild Cognitive Impairment From Source Reconstructed MEG Resting-State Activity: The Combination of ROI Representation and Connectivity Estimator Matters. Front Neurosci. 2018; 12:306. PubMed ID: 29910704.  PDF file.

Gonzalez-Moreno A, Aurtenetxe S, Lopez-Garcia ME, del Pozo F, Maestu F, Nevado A. Signal-to-noise ratio of the MEG signal after preprocessing. J Neurosci Methods. 2014 Jan; 222:56-61. PubMed ID: 24200506.  PDF file.