Page 61 - Ingeniantes 421 interactivo

Revista Ingeniantes 2017 Año 4 No.2 Vol.1
Figura 7. Clasificación de intensidad de conectividad en hom- [4].
bres. Los mayores valores corresponden al lóbulo Frontal.
Tabla 5. Rango de colores para hombres.
Min Max color
4.334 9.664
2.464 4.334
1.824 2.464
1.197 1.824
Hay evidencia notable de dimorfismo sexual. En la gráfi-
ca para el grupo de los hombres, la norma se encuentra
entre el intervalo: (1.197,4.334). En hombres, los valo-
res más grandes se encuentran en las zonas Frontal,
y Temporal. Las zonas con menor norma en Hombres
son: la Occipital, Central y Parietal. En mujeres, la norma
se encuentra entre el siguiente intervalo: (1.057,2), con
menor diferencia entre los valores máximo y mínimo, en
comparación con hombres. Los mayores valores de la
norma se encuentra, en mujeres, en las zonas Frontal,
Temporal, Parietal y Occipital. Estas conclusiones son
consistentes con las observaciones en [15], y [16].
El modelo presentado detecta diferencias de acuer-
do al sexo. Esto permite postular razonablemente, que
también puede detectar diferencias entre personas
con CFC normal y anormal, lo cual deberá ser corrobo-
rado por investigaciones futuras. Por último, como una
línea de investigación futura, se encuentra la validación
de esta técnica mediante mapeos cerebrales [16].
57
BIBLIOGRAFÍA
[1]. Dennis, E. L., & Thompson, P. M. (2014).
Functional brain connectivity using fMRI in aging
and Alzheimer’s disease. Neuropsychology review,
24(1), 49-62.
[2]. He, Y., & Evans, A. (2010). Graph theoretical
modeling of brain connectivity. Current opinion in
neurology, 23(4), 341-350.
[3]. Boersma, M., Smit, D. J., Boomsma, D. I.,
De Geus, E. J., Delemarre-van de Waal, H. A., &
Stam, C. J. (2013). Growing trees in child brains:
graph theoretical analysis of electroencephalo-
graphy-derived minimum spanning tree in 5-and
7-year-old children reflects brain maturation. Brain
connectivity, 3(1), 50-60.
Wu, X., Li, R., Fleisher, A. S., Reiman, E. M.,
Guan, X., Zhang, Y. & Yao, L. (2011). Altered default
mode network connectivity in Alzheimer’s disea-
se—a resting functional MRI and Bayesian network
study. Human brain mapping, 32(11), 1868-1881.
[5]. Srinivasan, R. (1999). Methods to improve
the spatial resolution of EEG. International Journal
of Bioelectromagnetism, 1(1), 102-111.
[6]. Huettel, S. A., Song, A. W., & McCarthy, G.
(2004). Functional magnetic resonance imaging
(Vol. 1). Sunderland: Sinauer Associates.
[7]. Wheless, J. W., Willmore, L. J., Breier, J. I.,
Kataki, M., Smith, J. R., King, D. W. & Baumgartner,
J. (1999). A comparison of magnetoencephalogra-
phy, MRI, and V‐EEG in patients evaluated for epi-
lepsy surgery. Epilepsia, 40(7), 931-941.
[8]. Gotman, J., Kobayashi, E., Bagshaw, A. P.,
Bénar, C. G., & Dubeau, F. (2006).
[9]. Combining EEG and fMRI: a multimodal tool
for epilepsy research. Journal of Magnetic Reso-
nance Imaging, 23(6), 906-920.
[10]. A team of investigators from Children’s Hos-
pital Boston (CHB) and the Massachusetts Institute
of Technology (MIT) created and contributed this
database to PhysioNet. The clinical investigators
from CHB include Jack Connolly, REEGT; Herman
Edwards, REEGT; Blaise Bourgeois, MD; and S.
Ted Treves, MD. The investigators from MIT inclu-
de Ali Shoeb, PhD and Professor John Guttag.
[11]. Iyer, S. P., Shafran, I., Grayson, D., Gates,
K., Nigg, J. T., & Fair, D. A. (2013). Inferring func-
tional connectivity in MRI using Bayesian network
structure learning with a modified PC algorithm.
Neuroimage, 75, 165-175.