Rascovsky, SimónZuleta Escobar, Sara2023-08-282023-08-282011https://repository.eia.edu.co/handle/11190/612557 páginasRESUMEN: Este estudio presenta un método para la clasificación del componente Default Mode Network de las redes en estado de reposo por medio de las redes neuronales ART 1 (teoría de la resonancia adaptativa 1) y Mapas Autoorganizativos de Kohonen. Primero se expone en el marco de referencia los temas necesarios para el entendimiento del trabajo de grado, contando con un abordaje amplio a los tipos de redes neuronales utilizadas. Posteriormente se plantea el desarrollo del proyecto, incluyendo la población, los métodos de adquisición de las imágenes, preprocesamiento, análisis de componentes independientes y procesamiento; después de haber determinado los modelos que satisfagan el reconocimiento de patrones, se procede al entrenamiento y clasificación de los dos tipos de redes. A continuación se demuestra que los tipos de redes neuronales artificiales propuestas difieren en resultados, siendo la ART 1 reproducible para este tipo de abordajes con la certeza de la convergencia de la red para un buen entrenamiento y la red tipo Kohonen descartada por la incapacidad de diferenciar el Default Mode Network de las demás redes en estado de reposo. Finalmente se realiza una discusión en la que se hace una comparación con otros métodos encontrados en la revisión bibliográfica, se concluye acerca del proyecto y se presentan una serie de recomendaciones para futuras modificaciones.ABSTRACT: This study presents a method for the classification of the Default Mode Network component of resting state networks using neurals networks: ART 1 (based on adaptive resonance theory) and Kohonen's Self Organizing Maps. First discussed in the framework the necessary topics for the understanding of the thesis, with a comprehensive approach to the types of neural networks used. Subsequently, proposes the development of the project, including population, methods of image acquisition, preprocessing, independent component analysis and processing, after having determined the models that satisfy the recognition of patterns, we proceed to the training and classification two types of networks. Below it is shown that the types of artificial neural networks proposals differ in results: the ART 1 can be reproduced for such approaches with the certainty of convergence of the network for a good training and Kohonen network has not the capability of differentiate the Default Mode Network of the others resting state networks. Finally a discussion is conducted in which a comparison with other methods found in the literature review, we conclude about the project and presents a series of recommendations for future modifications.application/pdfspaDerechos Reservados - Universidad EIA, 2011Trabajo de grado - PregradoAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)info:eu-repo/semantics/openAccessAnálisis de componentes independientesRed en estado de reposoRed neuronalResonancia magnética neurofuncional.Functional magnetic resonance imagingIndependent component analysisNeuronal networkResting state networkhttp://purl.org/coar/access_right/c_abf2