Clasificación de estados cerebrales basada en la identificación automática de fenómenos críticos

Institución otorgante:

Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales

Fecha:

2021-05-14

Tipo de documento: 

info:eu-repo/semantics/doctoralThesis
 

Formato:

application/pdf

Idioma:

spa

Temas:

DINAMICA DE LA ACTIVIDAD CEREBRAL - RESONANCIA MAGNETICA FUNCIONAL - SISTEMAS COMPLEJOS - TRANSICIONES DE FASE - FENOMENOS CRITICOS - CONSCIENCIA - SUENO - APRENDIZAJE AUTOMATICO - BRAIN DYNAMICS - FUNCTIONAL MAGNETIC RESONANCE IMAGING - COMPLEX SYSTEMS - PHASE TRANSITIONS - CRITICAL PHENOMENA - CONSCIOUSNESS - SLEEP - MACHINE LEARNING

Descripción:

En esta tesis se estudió el cerebro y sus propiedades emergentes bajo el marco de los sistemas complejos. En este terreno, la emergencia de la consciencia tiene la particularidad de ser uno de los temas más misteriosos y controversiales en la historia del conocimiento humano. Las dificultades de encontrar explicaciones reduccionistas, propias de los sistemas complejos, en el caso de la consciencia como emergente tienen el agravante de no disponer de una descripción cuantificable, al menos al día de hoy, para las variaciones de los estados de consciencia. El sueño como acceso cotidiano y reversible a estas variaciones, combinado con técnicas de neuroimágenes, parece ser un buen camino para el estudio de este problema. La técnica de resonancia magnética funcional, puntualmente, permite estudiar la actividad cerebral a gran escala, cuya organización espacio-temporal no trivial refleja la complejidad del cerebro emergente a esa escala. Los estados cerebrales encontrados muestran una dinámica macroscópica susceptible de ser modelada por analogía a transiciones de fase de 2do orden en sistemas físicos, debido a su similitud con los fenómenos críticos. La emergencia entonces podría estudiarse a partir de la dinámica del cerebro operando cerca del punto crítico, al menos desde una perspectiva de la representación macroscópica de la actividad cerebral. En la primera parte de la tesis buscamos evidencias de la presencia de fenómenos críticos en una representación macroscópica de la actividad cerebral a partir de datos de resonancia magnética funcional adquiridos en sujetos sanos en reposo durante distintas etapas de sueño y vigilia. Esto lo hicimos estudiando el comportamiento tipo avalancha de las co-activaciones de la actividad cerebral a gran escala. Para ello definimos dominios de co-activación para cada tiempo como el conjunto de regiones contiguas que se activan simultáneamente, es decir, cuya actividad supera un umbral de binarización de la señal. Se ha demostrado que la distribución de tamaños de estos dominios sigue una ley de potencia para sujetos controles despiertos en acuerdo con la propiedad de invarianza de escala asociada al régimen crítico, determinando un comportamiento de tipo avalanchas de co-actividad. En base a esto, comparamos las leyes de potencias obtenidas y sus parámetros de escala entre las distintas etapas de sueño y vigilia como marcadores de criticalidad, siendo indicadores del régimen en el que opera el cerebro para dichos estados. De esta manera, encontramos diferencias significativas en el parámetro de escala entre la etapa de sueño N2 y la vigilia. Estos resultados fueron robustos frente a distintos sampleos espaciales (granulado grueso), modelos de ajuste alternativos de las distribuciones y diferentes umbrales de binarización de las señales, y desaparecieron al randomizar la fase de las series temporales rompiendo las correlaciones. Los comportamientos de tipo avalanchas de co-activación encontrados son compatibles con la presencia de fenómenos críticos característicos en una dinámica macroscópica de transiciones de fase. En la segunda parte de la tesis, exploramos la aplicación de modelos de aprendizaje profundo para reconocer transiciones de fase automáticamente. Entrenamos redes neuronales convolucionales a partir de estados simulados de distintos sistemas físicos tradicionalmente asociados a dinámicas de transiciones de fase como el modelo de Ising y el modelo de percolación. Los modelos entrenados aprendieron a clasificar fases en distintos estados y a reconocer las transiciones por eliminación. La salida del clasificador es la probabilidad de pertenecer a las distintas fases, por lo que de ella se puede deducir la cercanía de un estado a la transición, permitiendo identificar automáticamente fenómenos críticos. Estudiamos las características de aprendizaje de estos clasificadores con el objetivo de obtener una mejor comprensión de los mecanismos asociados a la efectividad de estos métodos para reconocer las transiciones y sus limitaciones en la generalización a otros sistemas. Planteamos entonces la posibilidad de un nuevo marco para definir métricas de complejidad, basado en la aplicación de técnicas de aprendizaje automático. Bajo este marco, en la tercera parte de la tesis, diseñamos un clasificador específicamente entrenado para reconocer transiciones de fase en la representación macroscópica de la actividad cerebral. Como cierre de este trabajo, aplicamos este clasificador a los estados cerebrales en distintas etapas de sueño, comparando entonces los patrones de fenómenos críticos encontrados por el clasificador con los resultados de marcadores de criticalidad referidos en la primera parte. Encontramos una marcada correspondencia entre ambos, planteando la potencialidad de la identificación automática de fenómenos críticos en la búsqueda de métricas que permitan cuantificar la consciencia.

Identificador:

https://hdl.handle.net/20.500.12110/tesis_n6837_Bocaccio