MVICAD²: Análisis de Componentes Independientes Multivista con Retrasos y Dilataciones | JoVE Visualize

Área de la Ciencia:

Neurociencia; Aprendizaje Automático; Procesamiento de Señales

Sus antecedentes:

El análisis de datos de neurociencia multisujeto, como la magnetoencefalografía (MEG), es un desafío debido a la variabilidad individual.
Los métodos existentes, como el Análisis de Componentes Independientes Multivista (MVICA), asumen fuentes cerebrales idénticas entre sujetos, lo cual es a menudo demasiado restrictivo.
El Análisis de Componentes Independientes Multivista con Retrasos (MVICAD) tiene en cuenta las diferencias temporales pero no los efectos de dilatación temporal.

Objetivo del estudio:

Desarrollar una técnica avanzada de aprendizaje automático, Análisis de Componentes Independientes Multivista con Retrasos y Dilataciones (MVICAD²), para analizar datos complejos de neurociencia.
Abordar las limitaciones de los métodos actuales de análisis de componentes independientes multivista incorporando tanto retrasos como dilataciones temporales.
Mejorar la estimación de la dinámica de la actividad cerebral en estudios de grupo, particularmente en magnetoencefalografía.

Principales métodos:

Se propuso el modelo de Análisis de Componentes Independientes Multivista con Retrasos y Dilataciones (MVICAD²) que permite retrasos y dilataciones temporales específicos del sujeto en las fuentes cerebrales.
Se desarrolló una aproximación de forma cerrada de la verosimilitud del modelo.
Se emplearon técnicas de regularización y optimización para mejorar el rendimiento del modelo.

Principales resultados:

Las simulaciones demostraron que MVICAD² supera significativamente a los métodos existentes de análisis de componentes independientes multivista.
Se validó la eficacia de MVICAD² en el conjunto de datos Cam-CAN, un conjunto de datos de neurociencia del mundo real.
Se mostró la relación entre los retrasos y dilataciones estimados y el proceso de envejecimiento.

Conclusiones:

MVICAD² ofrece un enfoque más robusto y preciso para analizar datos de neurociencia multisujeto en comparación con métodos anteriores.
El modelo captura eficazmente la variabilidad individual en la dinámica cerebral, incluidos los retrasos y las dilataciones temporales.
Esta técnica tiene implicaciones significativas para la comprensión de los cambios relacionados con la edad en la actividad cerebral a partir de datos de MEG.