Aprendizaje No Supervisado de Representaciones Genera Perfiles Neurofisiológicos Diferenciables

Área de la Ciencia:

• Neurociencia
• Aprendizaje Automático
• Ingeniería Biomédica

Sus antecedentes:

• La actividad cerebral humana exhibe características estables y específicas de cada individuo a lo largo del tiempo, denominadas perfiles neurofisiológicos.
• Los métodos actuales de perfilado a menudo requieren datos etiquetados y aprendizaje supervisado, lo que plantea dudas sobre su dependencia de señales biológicas genuinas en lugar de artefactos.

Objetivo del estudio:

• Desarrollar un marco de autoencoderagnóstico del participante para derivar perfiles neurofisiológicos diferenciables a partir de datos de magnetoencefalografía (MEG) en estado de reposo.
• Evaluar el rendimiento del aprendizaje no supervisado en la identificación de diferencias individuales biológicas genuinas en la actividad cerebral.

Principales métodos:

• Se implementó un marco de autoencoderagnóstico del participante para procesar segmentos breves de datos de MEG en estado de reposo.
• Se utilizó un objetivo de aprendizaje no supervisado para derivar perfiles del espacio latente.
• Se comparó el marco desarrollado con métodos de referencia, tanto libres de modelos como basados en modelos, para la diferenciación de participantes y la predicción de la edad.

Principales resultados:

• Los perfiles neurofisiológicos discriminativos se obtuvieron de forma natural mediante el aprendizaje no supervisado, superando a los métodos de referencia en la diferenciación de participantes.
• Se logró una diferenciación fiable con grabaciones cortas (14 s), se generalizó entre sesiones y fue robusta sin información anatómica.
• Los perfiles aprendidos predijeron la edad con mayor precisión que los métodos de referencia, y el marco permitió análisis de sensibilidad en los espacios espectral y de conectividad.

Conclusiones:

• El modeladoagnóstico del participante proporciona un marco principista e interpretable para el perfilado neurofisiológico.
• Este enfoque se generaliza entre sesiones de grabación y captura eficazmente diferencias individuales biológicamente relevantes.
• El método ofrece una alternativa robusta al aprendizaje supervisado para identificar firmas únicas de actividad cerebral.