Clasificación de estados de conciencia cerebrales usando modelos ocultos de Markov

Abstract

Uno de los grandes problemas en neurociencia es lograr comprender más acerca de la conciencia. Se buscan métodos para lograr entender mejor este concepto a través de mecanismos asociados al cerebro. Hoy en día, gracias a los grandes datos y gran poder computacional, se logra obtener modelos de cerebro que, a través de ecuaciones diferenciales estocásticas, logran simular señales cerebrales asociadas a ciertos estados de conciencia mediante un ajuste de los parámetros de estas ecuaciones. En el presente documento se abordará el problema de clasificación de estados cerebrales mediante el procesamiento de señales de BOLD simulados por un modelo cerebral para el caso de dos estados específicos clasificados como: "placebo'' y "LSD''. Para esto se utilizan métodos asociados al procesamiento de señales de la ingeniería como matrices de correlación, extracción de características con métodos de descomposición de matrices y clasificación mediante el proceso de aprendizaje no supervisado llamado modelos ocultos de Markov. Se logra una clasificación de estados por sobre el 95% de acierto y además se muestran métodos para mejorar los resultados obtenidos. Finalmente, se usa k-means para obtener información de las matrices observando patrones en los centroides de cada cluster y poder caracterizar la dinámica de estos estados.