Resumen

El análisis de componentes independientes (ICA) de los datos de resonancia magnética funcional (fMRI) puede emplearse como método exploratorio. La falta en el modelo ICA de fuertes suposiciones a priori sobre la señal o sobre el ruido conduce a interpretaciones difíciles de los resultados. Además, la independencia estadística de los componentes sólo se aproxima. Las dependencias residuales entre los componentes pueden revelar una estructura informativa en los datos. Un problema importante está relacionado con la selección del orden del modelo, es decir, el número de componentes que se extraen. En concreto, la sobreestimación puede llevar a la división de los componentes. En este trabajo se investiga un método basado en el clustering jerárquico de ICA aplicado a conjuntos de datos de fMRI. El algoritmo de clustering utiliza una métrica basada en la información mutua entre los CIs. Para estimar la medida de similitud, se prueban en conjuntos de datos simulados una técnica basada en el histograma y otra basada en la estimación de la densidad del kernel. Los resultados de las simulaciones indican que el método podría utilizarse para agrupar componentes relacionados con la misma tarea y resultantes de un proceso de división que se produce en diferentes órdenes de modelos. Se han encontrado y discutido diferentes rendimientos de las medidas de similitud. Los resultados preliminares sobre datos reales muestran que el método puede agrupar componentes relacionados con la tarea y transitoriamente relacionados con la tarea.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva
• Subjects:Artificial intelligence Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience
• Palabras claves:medidas de similitud, imágenes de resonancia magnética, métodos, análisis de componentes independientes, agrupación de ica, diferente orden de modelo, componentes, estimación de densidad de núcleo, tarea, número de componentes
• Keywords:similarity measures, magnetic resonance imaging, methods, independent components analysis, clustering of ica, different model order, components, kernel density estimation, task, number of components