RT info:eu-repo/semantics/masterThesis
T1 Análisis de la estructura temporal de la dinámica asociada a la red neuronal funcional para ayudar a la caracterización de la enfermedad de Alzheimer
A1 Carretero Calvo, Pablo
A2 Universidad de Valladolid. Escuela Técnica Superior de Ingenieros de Telecomunicación
K1 Enfermedad de Alzheimer
K1 Electroencefalografía
K1 Conectividad funcional dinámica
AB La enfermedad de Alzheimer (EA) es una de las principales causas de demencia. Los pacientescon EA sufren alteraciones cognitivas, funcionales y conductuales. El principal factor deriesgo es la edad, lo cual hace que esta enfermedad tenga un impacto cada vez más notable debidoal aumento en la esperanza de vida. Sin embargo, su diagnóstico sigue siendo un desafío. Apesar de los avances en técnicas diagnósticas respaldadas por evidencia biológica, su disponibilidadgeneralizada está limitada por su alto coste. En el contexto del rápido desarrollo tecnológicoreciente, el análisis de señales de electroencefalografía (EEG), impulsado por diversos algoritmosde computación, está ganando importancia al proponer enfoques innovadores para caracterizar laenfermedad y ayudar en su diagnóstico. En esta línea, este estudio se enfoca en la aplicación demétodos cronectómicos, que cuantifican las propiedades dinámicas de la conectividad funcionalcerebral.El análisis se llevó a cabo utilizando dos bases de datos. La primera de ellas incluyó a 160participantes, entre los cuales 67 eran pacientes con EA, 50 tenían deterioro cognitivo leve (DCL)y 43 eran individuos sanos desde el punto de vista cognitivo. La segunda base de datos constóde 126 sujetos, de los cuales 50 eran pacientes con EA, 38 padecían DCL y 38 eran individuosde control. El proceso comenzó con la reconstrucción de la actividad neuronal a nivel de fuenteutilizando el algoritmo sLORETA (Standardized Low-Resolution Brain Electromagnetic Tomography).Luego, se identificaron meta-estados cerebrales mediante la aplicación del algoritmo IAC(Instantaneous Amplitude Correlation) en las bandas de frecuencia delta, zeta, alfa y beta-1 paraobtener tensores de conectividad funcional instantánea en diversos momentos temporales. Apartir de estas matrices de conectividad, se generaron diagramas de recurrencia que mostraban lapresencia de meta-estados recurrentes en el tiempo. Utilizando el algoritmo de detección de comunidadesLouvain-GJA, se obtuvieron tres meta-estados, que posteriormente se ordenaron segúnsu similitud topológica. Los datos se normalizaron utilizando señales subrogadas para descartarque los resultados surgieran de oscilaciones de origen no neuronal. El proceso de subrogación seoptimizó utilizando archivos en C/C++ y procesamiento de datos en la unidad de procesamientográfico (GPU). Mediante este enfoque, se generaron tensores de correlación instantánea (ICT)y la secuencia de activación temporal (TAS) que cuantifican la semejanza de las topologías observadascon los meta-estados a lo largo del tiempo. Para resumir las propiedades dinámicas dela red neuronal funcional, se calcularon diversas medidas cronectómicas: singularidad del metaestadodominante, área bajo el ICT, diferencia de permanencia, la probabilidad de ocurrencia delmeta-estado nulo, percentil 5º, grado de antagonismo, dwell time, leap size y complejidad de TAS.El análisis detallado de los tensores de correlación instantánea reveló diversos cambios asociadoscon las alteraciones cerebrales que sufren los pacientes con DCL y EA, principalmente enlas bandas zeta y alfa. Estas perturbaciones implican cambios en la comunicación entre regionescerebrales, aparición de oscilaciones más aleatorias y deterioro de la estabilidad y estructura temporal.Además, se detectaron cambios en la persistencia temporal de los meta-estados, que estabanvinculados a la pérdida de estructura y al aumento de la aleatoriedad. Los resultados de las medidas implementadas se utilizaron para clasificar los tres grupos presentes en la base de datos y paradiferenciar entre individuos de control y pacientes (combinando pacientes con DCL y EA). Seemplearon algoritmos de selección de características como el filtro rápido basado en la correlación(FCBF), seleción secuencial de características (SFS) y eliminación recursiva de características(RFE). Para elegir el modelo de clasificación, se utilizó una validación cruzada con 10 particionesde la base de datos. Los modelos de clasificación que mejor rendimiento obtuvieron fueron losárboles de decisión y las redes neuronales. Los resultados de clasificación entre los tres alcanzaronvalores de kappa de 0.81 para cada base de datos por separado y 0.63 para la combinación delas bases de datos. En el caso de la clasificación entre controles y la agrupación de pacientes conDCL y EA, se obtuvo valores kappa de 1 para la primera base de datos, de 0.7 para la segunday 0.68 para la combinación de ambas. En su conjunto, los resultados sugieren que las medidascronectómicas podrían ser herramientas valiosas para ayudar en el diagnóstico y la caracterizaciónde la EA.
YR 2023
FD 2023
LK https://uvadoc.uva.es/handle/10324/63129
UL https://uvadoc.uva.es/handle/10324/63129
LA spa
NO Departamento de Teoría de la Señal y Comunicaciones e Ingeniería Telemática
DS UVaDOC
RD 30-jun-2024