Resumen. En años recientes, las redes neuronales convolucionales profundas se han consolidado como un posible modelo del procesamiento de información en el cerebro humano, especialmente en el dominio de la percepción visual. La mayoría de la evidencia proviene de estudios de neuroimágenes con resonancia magnética funcional (fMRI) donde se implementan modelos para predecir la respuesta neuronal en base a la representación interna de sucesivas capas de la red, y se observa que la predicción óptima por cada capa está en correspondencia con la jerarquía de regiones en la corteza visual primaria y secundaria. En este trabajo proponemos desarrollar un modelo similar pero en base a datos de electroencefalografía de alta densidad, en el cual se espera observar una correspondencia entre el tiempo de predicción óptima de la respuesta evocada, y la capa de la red, con capas más avanzadas prediciendo componentes más tardíos de la respuesta neuroeléctrica y viceversa.
Palabras clave. neurociencia, redes neuronales, aprendizaje automático, electroencefalografía
Conocimientos deseables. Programación en Python, conocimientos básicos de aprendizaje automático.
¿Qué podría aprender quien realice esta tesis? – Análisis de señales de EEG, implementación y validación de modelos de redes convolucionales, técnicas generales de aprendizaje automático (e.g. cómo medir performance de manera no sesgada, validación cruzada, regularización, etc).
Dirección de la tesis
Tagliazucchi, Enzo
Laboratorio de Neurociencia Computacional – Instituto de Física Aplicada e Interdisciplinaria (INFINA)
Contacto: tagliazucchi.enzo@googlemail.com
Descargar PDF
Redes neuronales profundas como modelos del sistema visual humano