Alumno investigador: Pablo Carretero Calvo
Departamento o Instituto Universitario: Departamento de Teoría de la Señal y Comunicaciones e Ingeniería Telemática (TSCIT).
Tareas realizadas:
En el proyecto se han estudiado y aplicado algoritmos de optimización, medidas cronectómicas y modelos de clasificación con el objetivo de caracterizar la actividad cerebral en estado de reposo y sus alteraciones a lo largo de la progresión de la demencia debida a enfermedad de Alzheimer (EA).
En primer lugar, se realizó una optimización del software utilizado para calcular las métricas cronectómicas, dado el elevado coste computacional de dichas métricas. Para ello, se utilizaron ficheros en C/C++ junto con la ejecución en unidad de procesamiento gráfico (GPU) del procesado de señal requerido. Tras realizar la optimización, se calcularon las medidas cronectómicas sobre señales de electroencefalografía (EEG) procedentes de dos bases de datos diferentes. Concretamente, una de las bases de datos fue proporcionada por el Hospital Río Hortega de Valladolid, y estaba compuestaa por 160 sujetos (43 controles, 67 pacientes con deterioro cognitivoleve (DCL) y 50 pacientas con EA). La segunda base de datos fue adquirida gracias a al proyecto europeo POCTEP, compuesta por 126 sujetos (38 controles,
38 pacientes con DCL y 50 pacientes con EA). Las métricas cronectómicas que se calcularon permitieron cuantificar diversas propiedades dinámicas de la red neuronal, como la definición de las configuraciones recurrentes de red (i.e., «meta-estados»), el tiempo que permanecen los meta-estados y la estructura subyacente en la secuencia de meta-estados. Finalmente, los resultados de las medidas se aplicaron a diversos modelos de selección de características y clasificación, comprobando su rendimiento de forma individual. Los modelos de clasificación implementados fueron: regresión logística, regresión logística con penalización L2, máquinas de vector soporte (SVM), redes neuronales perceptrón multicapa (MLP), árboles de decisión y «random forest». Mediante la utilización de ficheros en C y ejecución en GPU para el algoritmo de estimación de las redes dinámicas, se redujo el tiempo de ejecución en un 38,52%. Los resultados de las medidas cronectómicas permitieron observar alteraciones en la definición de los meta-estados cerebrales, en la transición de meta-estados y aumento de la aleatoriedad en su dinámica conforme progresa la enfermedad. Los resultados de clasificación entre controles, pacientes con DCL y con EA alcanzaron valores de kappa de 0.81 para cada base de datos por separado y 0.63 para la combinación de las bases de datos. En la clasificación entre controles y el conjunto de pacientes con DCL y con EA, se alcanzaron valores kappa de 1 para la base de datos del Hospital Universitario Río Hortega, de 0.7 para la base de datos del proyecto POCTEP y de 0.68 para la combinación de ambas.
Objetivos alcanzados:
Se ha realizado la búsqueda y revisión de artículos científicos y documentación con el fin de adquirir conocimientos sobre la EA y las medidas cronectómicas implementadas. Se ha llevado a cabo la búsqueda y análisis de artículos sobre optimización de algoritmos de procesado de señal. Se ha utilizado la herramienta MATLAB para la ejecución del procesado de señales, implementación de medidas cronectómicas y evaluación de los resultados obtenidos. Se ha utilizado la herramienta Python para la implementación de modelos de clasificación a partir de los resultados de las medidas cronectómicas. Se han empleado pruebas estadísticas en los resultados obtenidos con el propósito de analizar la presencia de discrepancias a nivel poblacional entre los resultados de las medidas cronectómicas. Se han aplicado algoritmos de selección de características y aplicado diversos modelos de clasificación.
Sectores de aplicación:
El trabajo realizado contempla la aplicación de nuevas métricas en el ámbito de las redes dinámicas cerebrales. Los sectores de aplicación son: (i) ingeniería de telecomunicación, gracias a la implementación de nuevos algoritmos para caracterizar redes dinámicas; y, (ii) optimización
de algoritmos de procesado de datos.
Metodología utilizada:
Sobre las señales de EEG se aplicó un preprocesado y filtrado. A continuación, se aplicó la métrica de conectividad instantánea «instantáneous amplitude correlation» (IAC), se calcularon diagramas de recurrencia y se aplicó el algoritmo de detección de comunidades Louvain-GJA para identificar los meta-estados cerebrales. Sobre los meta-estados se extrajeron medidas cronectómicas cuyos resultados se utilizaron para la caracterización de la EA. Los resultados de las medidas se aplicaron en modelos de selección de características y de clasificación para discriminar entre controles, pacientes con DCL y pacientes con EA.
Opinión sobre la experiencia investigadora desarrollada:
Buena experiencia en la incorporación a un proyecto de investigación de ingeniería. Pude adquirir soltura y conocimientos en tareas que no podría haber experimentado en otro lugar.
