Modelamiento de características de dinámica cerebral en EEG a través de modelos generativos híbridos tipo Markov Oculto

La caracterización de dinámicas cerebrales a través de análisis y modelamiento es crucial para las neurociencias cognitivas en condiciones saludables y enfermedades neurológicas. El cerebro muestra dinámicas que cambian entre estados cognitivos y en enfermedades neurológicas. En función de la naturaleza de los patrones de actividad cerebral, las técnicas basadas en modelos híbridos han sido propuestas para ofrecer un buen enfoque básico para modelar estas dinámicas. Este enfoque serviría como un complemento para los métodos actuales, algunos de los cuales no consideran las dinámicas temporales de una manera completa o no consideran propiedades no estacionarias de las señales. Los modelos generativos híbridos tipo Markov y semi- Markov oculto (HMM/HsMM) han sido usados satisfactoriamente como métodos eficientes para caracterizar estados de actividad espontánea cerebral (RS) en datos de electro y magneto encefalografía (EEG/MEG). En este trabajo usamos modelos HMM, y su generalización HsMM, para modelar actividad cerebral en tres escenarios de cambio de actividad cerebral. Específicamente, desarrollamos un marco de trabajo que analiza y modela la actividad RS-EEG. Revisamos la literatura del estudio de RS de manera general y su descripción en escenarios de alteración cerebral y enfermedades neurodegenerativas, el cual ofrece una oportunidad atractiva para desarrollar un marco de trabajo y caracterizar las alteraciones de dinámicas cerebrales. Adicionalmente, mostramos como el modelo mejora la descripción de estados cerebrales, y se evaluaron las diferencias para diferentes combinaciones de opciones de procesamiento y parámetros del modelo. Se eligió un marco de trabajo específico, y se definió una combinación de pasos de procesamiento y parámetros de configuración del modelo, con lo cual planteamos cómo explotar la información para evaluar los estados de actividad cerebral resultantes. Posteriormente, utilizamos el marco de trabajo definido en 3 escenarios. En el primer escenario pusimos a prueba la técnica sobre datos sintéticos, lo que permitió encontrar los rangos de valores de parámetros útiles para el modelo y definió los límites de él. En el segundo estudio utilizamos el modelamiento para estudiar la alteración de actividad cerebral en participantes sanos en dos condiciones de altitud geográfica. Este escenario permite estudiar la dinámica cerebral con alteraciones de manera controlada. Además, se pudo verificar cómo el componente de duración de estados es crítico para la caracterización de las dinámicas cerebrales. Finalmente, utilizamos HsMM para estudiar la alteración de actividad cerebral en pacientes con Enfermedad de Parkinson (PD), al exponer las limitaciones anteriores con un modelo explícito de duraciones de estado. Los resultados muestran de manera general la capacidad de la herramienta para lograr una descripción útil de la actividad cerebral RS-EEG. Además, revisamos cómo un modelo explícito de la duración temporal de los estados ofrece un mayor análisis para el escenario de RS-EEG en enfermedades neurodegenerativas, y cómo se relacionarían estos parámetros con las alteraciones cerebrales. Mostramos la replicabilidad y robustez bajo configuraciones específicas para utilizar el marco de trabajo en el escenario de alteraciones cerebrales por neurodegeneración. Concluimos con la recomendación del uso del marco de trabajo, y explicitar los pasos de procesamiento para caracterizar la actividad cerebral vía HsMM, el cual es un modelo robusto y confiable, y con una mejor descripción de dinámicas RS-EEG. Estos resultados podrían sugerir que existen redes cerebrales específicas que estarían alteradas y que sus dinámicas podrían ser reflejadas en la caracterización de estados cerebrales al usar RS-EEG y HsMM. El enfoque visto en este trabajo y el marco de trabajo desarrollado es extensible para ser utilizado en otros escenarios similares.