Análisis de datos

Ricardo-Bruña Linea de investigación coordinada por Ricardo Bruña.

En el laboratorio investigamos/aplicamos sobre los siguientes métodos

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)

HERMES logo

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 principales

2014

  • 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 PDF file.

2013

  • Niso G, Bruña R, Pereda E, Gutiérrez R, Bajo R, Maestú F, del-Pozo F. HERMES: towards an integrated toolbox to characterize functional and effective brain connectivity. Neuroinformatics. 2013 Oct; 11(4):405-34. PubMed ID: 23812847. PDF file PDF file.

2012

  • Zanin M, Sousa P, Papo D, Bajo R, García-Prieto J, del Pozo F, Menasalvas E, Boccaletti S. Optimizing functional network representation of multivariate time series. Sci Rep. 2012; 2:630. PubMed ID: 22953051.
  • Bruña R, Poza J, Gómez C, García M, Fernández A, Hornero R. Analysis of spontaneous MEG activity in mild cognitive impairment and Alzheimer's disease using spectral entropies and statistical complexity measures. J Neural Eng. 2012 Jun; 9(3):036007. PubMed ID: 22571870. PDF file PDF file.
  • Bajo R, Castellanos NP, Cuesta P, Aurtenetxe S, Garcia-Prieto J, Gil-Gregorio P, del-Pozo F, Maestu F. Differential patterns of connectivity in progressive mild cognitive impairment. Brain Connect. 2012; 2(1):21-4. PubMed ID: 22458376. PDF file PDF file.
  • Nevado A, Hadjipapas A, Kinsey K, Moratti S, Barnes GR, Holliday IE, Green GG. Estimation of functional connectivity from electromagnetic signals and the amount of empirical data required. Neurosci. Lett.. 2012 Mar; 513(1):57-61. PubMed ID: 22329975.

2011

  • Castellanos NP, Bajo R, Cuesta P, Villacorta-Atienza JA, Paúl N, Garcia-Prieto J, Del-Pozo F, Maestú F. Alteration and reorganization of functional networks: a new perspective in brain injury study. Front Hum Neurosci. 2011; 5:90. PubMed ID: 21960965. PDF file PDF file.

2010

  • Bhattacharya J, Pereda E. An index of signal mode complexity based on orthogonal transformation. J Comput Neurosci. 2010 Aug; 29(1-2):13-22. PubMed ID: 19418211.

2009

  • Hadjipapas A, Casagrande E, Nevado A, Barnes GR, Green G, Holliday IE. Can we observe collective neuronal activity from macroscopic aggregate signals? Neuroimage. 2009 Feb; 44(4):1290-303. PubMed ID: 19041404.

2005

  • Pereda E, Quiroga RQ, Bhattacharya J. Nonlinear multivariate analysis of neurophysiological signals. Prog. Neurobiol.. 2005; 77(1-2):1-37. PubMed ID: 16289760.

2004

  • Guo K, Nevado A, Robertson RG, Pulgarin M, Thiele A, Young MP. Effects on orientation perception of manipulating the spatio-temporal prior probability of stimuli. Vision Res.. 2004; 44(20):2349-58. PubMed ID: 15246751.
  • Nevado A, Young MP, Panzeri S. Functional imaging and neural information coding. Neuroimage. 2004 Mar; 21(3):1083-95. PubMed ID: 15006676.

2003

  • Bhattacharya J, Pereda E, Petsche H. Effective detection of coupling in short and noisy bivariate data. IEEE Trans Syst Man Cybern B Cybern. 2003; 33(1):85-95. PubMed ID: 18238159.