Modelado de redes complejas del acoplamiento de bandas de EEG en la dislexia. Un análisis exploratorio del procesamiento auditivo y el diagnóstico
Gallego-Molina, N.J., Ortiz, A., Martinez-Murcia, F.J., Formoso, M.A., Gimenez A. (2022). Complex network modelling of EEG band coupling in dyslexia: An exploratory analysis of auditory processing and diagnosis. Knowledge-Based Systems, 240.
El análisis de redes complejas tiene una relevancia creciente en el estudio de los trastornos neurológicos, ya que mejora el conocimiento sobre la organización estructural y funcional del cerebro. La estructura y la eficiencia de la red revelan diferentes estados cerebrales junto con distintas formas de procesar la información.
Este trabajo se estructura en torno al análisis exploratorio de los procesos cerebrales implicados en el procesamiento auditivo de bajo nivel. Se realizó un análisis de redes complejas a partir del acoplamiento cerebral obtenido de datos de electroencefalografía (EEG), mientras se presentaban diferentes estímulos auditivos a los sujetos. Este acoplamiento se infiere a partir del acoplamiento de fase-amplitud (PAC) de diferentes electrodos de EEG para explorar las diferencias entre sujetos de control y disléxicos.
Los datos de acoplamiento permiten la construcción de un grafo y, a continuación, se utiliza la teoría de grafos para estudiar las características de las redes complejas a lo largo del tiempo para ambos grupos. Esto da como resultado un conjunto de métricas que incluyen el coeficiente de agrupación (clustering), la longitud del camino y la propiedad de mundo pequeño (small-worldness). A partir de esto, se señalan diferentes características vinculadas a la evolución temporal de las redes y del acoplamiento en personas con dislexia. Nuestro estudio reveló patrones relacionados con la dislexia, como la pérdida de la topología de mundo pequeño. Finalmente, estas características basadas en grafos se utilizan para clasificar entre sujetos de control y disléxicos mediante una máquina de vectores de soporte (SVM).