Aplicación de SVM para la decodificación neural de los estímulos visuales recibidos por primates

Heredia Pastor, Pablo de (2017). Aplicación de SVM para la decodificación neural de los estímulos visuales recibidos por primates. Proyecto Fin de Carrera / Trabajo Fin de Grado, E.T.S.I. Industriales (UPM).

Descripción

Título: Aplicación de SVM para la decodificación neural de los estímulos visuales recibidos por primates
Autor/es:
  • Heredia Pastor, Pablo de
Director/es:
  • González Guillén, Carlos Eduardo
  • Juan Ruiz, Jesús
Tipo de Documento: Proyecto Fin de Carrera/Grado
Grado: Grado en Ingeniería en Tecnologías Industriales
Fecha: Julio 2017
Materias:
Escuela: E.T.S.I. Industriales (UPM)
Departamento: Matemáticas del Área Industrial
Licencias Creative Commons: Reconocimiento - Sin obra derivada - No comercial

Texto completo

[img]
Vista Previa
PDF (Document Portable Format) - Se necesita un visor de ficheros PDF, como GSview, Xpdf o Adobe Acrobat Reader
Descargar (2MB) | Vista Previa

Resumen

El sentido de la visión es una de las principales capacidades sensoriales de los humanos y de muchos otros animales. Se denomina visión a la capacidad de detectar las ondas electromagnéticas dentro de la luz visible por el ojo e interpretar el entorno gracias a ello. El estudio científico de la percepción visual comienza en el siglo XIX y continúa actualmente, surgiendo nuevos estudios cada día. Una parte de ellos estudian cómo se codifica esta interpretación del entorno en la corteza visual del cerebro. El principal objetivo de este trabajo es determinar si la ubicación del estímulo presentado en el campo visual es una de las características codificadas en las respuestas de las poblaciones neuronales a los estímulos. Se tratará de estimar con la mayor precisión posible la procedencia espacial de un estímulo visual a partir de la medición de un número limitado de respuestas neuronales y a partir de la mejor precisión alcanzada se llegará a una serie de conclusiones. Los estímulos visuales vienen dados por el encendido de 100 luces cuadradas situadas en una cuadrícula de forma simétrica. Al encender una luz, se miden las respuestas neuronales en la corteza visual V4 de un primate. Estas respuestas toman la forma de potenciales de acción, comúnmente llamados impulsos eléctricos, y se registran en 96 microelectrodos implantados en el cerebro del animal. Para establecer las diferencias entre las respuestas neuronales al encender una luz u otra, se asigna a cada luz una clase o etiqueta, lo que permite utilizar clasificadores. Se presenta cada luz entre 15 y 19 veces (número de ensayos) en un orden aleatorio, durante 25 ms, y se registra la actividad eléctrica de las neuronas durante 150 ms, comenzando a medir 60 ms tras la presentación del estímulo. Estos datos se almacenan en una matriz de dimensiones 1769 x 97. Cada fila es un punto de datos de 96 dimensiones (correspondientes a los 96 diferentes microelectrodos de grabación) y la última columna (columna 97) es su etiqueta. Los datos contenidos en las primeras 96 columnas son las tasas de conteo de picos de los microelectrodos, es decir, el número de picos eléctricos detectados por los microelectrodos dividido por la duración del período de medición. Los clasificadores se crean mediante máquinas de soporte vectorial (SVM), utilizando conjuntos de datos de entrenamiento y conjuntos de datos de prueba. La precisión de estos clasificadores depende directamente del número de clases entre las que tengan que repartir los datos. Dado que existen 100 luces diferentes, el primer conjunto de datos sobre el que se realiza la clasificación contiene datos de 100 clases diferentes. Sin embargo, agrupando las luces en función de su ubicación, podemos disminuir el número de clases, comparando diversas zonas de la cuadrícula entre sí para estudiar en profundidad el funcionamiento de la vista del primate. Esta reasignación de las clases de los datos del conjunto se realiza programando en lenguaje C, y los clasificadores son creados utilizando la Machine Learning Toolbox que proporciona MATLAB. A la hora de estimar la precisión de los diversos clasificadores, se utilizan dos métodos diferentes: la validación cruzada de 10 iteraciones y el método de retención. Ambos métodos crean el clasificador utilizando parte de los datos para entrenarlo y posteriormente lo testean con otra parte de los datos. Sin embargo, la fiabilidad de ambos métodos no es la misma. Haciendo una serie de cálculos, se comparan ambas fiabilidades, llegando a la conclusión de que el método de retención no es lo suficientemente fiable a la hora de estimar la precisión de un clasificador, siendo más recomendable la validación cruzada de 10 iteraciones. De todos los clasificadores creados, el de mayor precisión es el que compara únicamente las respuestas neuronales tras el encendido de las luces del cuadrante superior izquierdo con las respuestas neuronales tras el encendido de las luces del cuadrante inferior derecho. Este clasificador, del tipo SVM cuadrático, se analiza utilizando dos herramientas: la matriz de confusión y la curva ROC. Los resultados del trabajo concluyen con un último experimento. En él, se crean dos conjuntos de datos para poder definir si las respuestas eléctricas de las neuronas varían dependiendo de las proveniencia de los estímulos visuales. La comprobación de esta hipótesis se realiza eliminando las luces situadas en el centro de la cuadrícula y comparando dos conjuntos de datos que las tienen en cuenta y dos que no las tienen. Tras hallar las precisiones pertinentes, se confirma la hipótesis planteada, corroborando que el origen del estímulo visual influye en las respuestas neuronales.

Más información

ID de Registro: 47863
Identificador DC: http://oa.upm.es/47863/
Identificador OAI: oai:oa.upm.es:47863
Depositado por: Biblioteca ETSI Industriales
Depositado el: 26 Sep 2017 06:59
Ultima Modificación: 26 Sep 2017 06:59
  • Open Access
  • Open Access
  • Sherpa-Romeo
    Compruebe si la revista anglosajona en la que ha publicado un artículo permite también su publicación en abierto.
  • Dulcinea
    Compruebe si la revista española en la que ha publicado un artículo permite también su publicación en abierto.
  • Recolecta
  • e-ciencia
  • Observatorio I+D+i UPM
  • OpenCourseWare UPM