Análisis de la conectividad funcional en la actividad electroencefalográfica de ciertos procesos cognitivos-emocionales
Cargando...
Autores
Tipo de contenido
Editor
Document language:
Español
Fecha
Título de la revista
ISSN de la revista
Título del volumen
Documentos PDF
Resumen
El deterioro cognitivo leve (DCL) es una condición que representa una etapa intermedia entre el envejecimiento cognitivo normal y las primeras etapas de un deterioro cognitivo más grave, como el de la enfermedad de Alzheimer. Esta etapa es importante porque, aunque los cambios que la caracterizan sean sutiles, a menudo representan el inicio de procesos de reorganización cerebral que pueden preceder a una futura progresión clínica. Ser capaz de reconocer estos cambios en sus inicios representa un desafío científico y una oportunidad crucial para la prevención y el diseño de intervenciones para mantener la salud cognitiva en la vejez.
En este contexto, la EEG emerge como una modalidad de elección: no invasiva, con alta resolución temporal y capaz de capturar la actividad neuronal en tiempo real. Más allá de la observación de ritmos cerebrales, su estudio mediante la conectividad funcional permite investigar cómo interactúan diversas áreas del cerebro y cómo éstas mantienen la integridad de las redes neuronales. Estas aproximaciones, junto con técnicas avanzadas de procesamiento de señales y teoría de grafos, abren la puerta a nuevos conocimientos sobre los procesos cognitivo-emocionales y su vulnerabilidad en el DCL.
El objetivo principal de esta tesis fue crear una herramienta computacional capaz de analizar la conectividad funcional relacionada con procesos cognitivo-emocionales en adultos mayores a partir de datos EEG. Para ello se combinaron módulos de procesamiento digital de señales, segmentación dinámica y validación estadística, junto con la extracción de métricas espectrales y topológicas.
Los resultados muestran que la herramienta permite automatizar todo el flujo de análisis e identificar patrones diferenciales entre sujetos con DCL y controles sanos. Estos resultados muestran el potencial del análisis computacional de la conectividad cerebral como una herramienta accesible y sensible para la detección temprana de alteraciones cognitivas, con implicaciones para el progreso de la neurociencia aplicada y el desarrollo de futuras intervenciones clínicas y preventivas (Texto tomado de la fuente).
Abstract
Mild Cognitive Impairment (MCI) is an intermediate stage between normal cognitive aging and the early phases of more pronounced decline, such as that observed in Alzheimer’s disease. This transitional condition is particularly relevant because, although the changes it entails are subtle, they often signal the onset of brain reorganization processes that may precede further clinical progression. Identifying these changes at an early stage represents both a scientific challenge and a crucial opportunity for prevention and for the design of strategies aimed at preserving cognitive health in older adults.
Electroencephalography (EEG) emerges as a privileged modality in this context: non-invasive, with high temporal resolution, and capable of capturing neural activity in real time. Beyond the observation of brain rhythms, its study through functional connectivity provides insights into how different brain regions interact and sustain the integrity of neural networks. Combined with advanced signal processing techniques and graph theory, this approach opens new avenues for understanding cognitive–emotional processes and their vulnerability in MCI.
The main objective of this thesis was to develop a computational tool for the analysis of functional connectivity in EEG signals associated with cognitive–emotional processes in older adults. The proposed framework integrates modules for digital signal processing, dynamic segmentation, and statistical validation, together with the extraction of spectral and topological metrics.
The results demonstrate that the tool enables the automation of the entire analysis workflow and the identification of differential patterns between individuals with MCI and healthy controls. These findings highlight the potential of computational analysis of brain connectivity as an accessible and sensitive approach for the early detection of cognitive alterations, with relevant implications for applied neuroscience and the design of future clinical and preventive interventions.
Descripción
graficas, ilustraciones, tablas