Академический Документы
Профессиональный Документы
Культура Документы
Ingo R. Keck1
1 Departamento de Biof sica Universidad de Regensburg Alemania
CIIT 10/2007
Ingo Keck
1/1
Contenidos
EEG y fMRI Anlisis de Componentes Independientes (ICA) a ICA aplicado a datos de EEG ICA aplicado a datos de fMRI Clustering con ICA incompleto ICA incompleto paralelo Conclusiones y Perspectivas
Ingo Keck
2/1
Contenidos
EEG y fMRI Anlisis de Componentes Independientes (ICA) a ICA aplicado a datos de EEG ICA aplicado a datos de fMRI Clustering con ICA incompleto ICA incompleto paralelo Conclusiones y Perspectivas
Ingo Keck
2/1
Contenidos
EEG y fMRI Anlisis de Componentes Independientes (ICA) a ICA aplicado a datos de EEG ICA aplicado a datos de fMRI Clustering con ICA incompleto ICA incompleto paralelo Conclusiones y Perspectivas
Ingo Keck
2/1
Contenidos
EEG y fMRI Anlisis de Componentes Independientes (ICA) a ICA aplicado a datos de EEG ICA aplicado a datos de fMRI Clustering con ICA incompleto ICA incompleto paralelo Conclusiones y Perspectivas
Ingo Keck
2/1
Contenidos
EEG y fMRI Anlisis de Componentes Independientes (ICA) a ICA aplicado a datos de EEG ICA aplicado a datos de fMRI Clustering con ICA incompleto ICA incompleto paralelo Conclusiones y Perspectivas
Ingo Keck
2/1
Contenidos
EEG y fMRI Anlisis de Componentes Independientes (ICA) a ICA aplicado a datos de EEG ICA aplicado a datos de fMRI Clustering con ICA incompleto ICA incompleto paralelo Conclusiones y Perspectivas
Ingo Keck
2/1
Contenidos
EEG y fMRI Anlisis de Componentes Independientes (ICA) a ICA aplicado a datos de EEG ICA aplicado a datos de fMRI Clustering con ICA incompleto ICA incompleto paralelo Conclusiones y Perspectivas
Ingo Keck
2/1
Generalidades
invasivo no no no s
Ingo Keck
3/1
Electroencefalograf a
Primera publicacin por Berger (1929) o Neuronas como antenas Muy barato; decin: ms, mm; o
Ingo Keck
4/1
Primera publicacin por Ogawa (1990) y Kwong (1992) o Basado en resonancia magntica (MRI) e Mide: caracter sticas magnticas e Marcador del ujo de la sangre: desoxihemoglobina (BOLD)
Ingo Keck
5/1
Objetivo: Investigacin de la actividad cerebral o actividad aumentada en una regin del cerebro o ujo de la sangre aumentado en dicha regin o
arterioles
capillary bed
venules
arterioles
capillary bed
venules
no activacin o
activacin o
Ingo Keck
6/1
signal
4s
8s time
12s
Problemas: diferentes personas tienen diferentes funciones de respuesta depende de la posicin dentro del cerebro o depende de la historia dentro del experimento
Ingo Keck
7/1
Forma de toma
cada medida resulta en una imagen planar tiempo entre imagenes: 10100ms
Ingo Keck
8/1
Anlisis clsico de fMRI: a a General linear model (GLM) evolucin temporal de un voxel: x = (x(t1 ), ..., x(tn ))T o GLM: x = Fb + e b: coecientes de regresin, F: funciones del ltro, e: errores o de la distribucin gaussiana (GLM) o desventaja: Hay que conocer la evolucin temporal de la o actividad para el anlisis a
Ingo Keck
9/1
Anlisis clsico de fMRI: a a General linear model (GLM) evolucin temporal de un voxel: x = (x(t1 ), ..., x(tn ))T o GLM: x = Fb + e b: coecientes de regresin, F: funciones del ltro, e: errores o de la distribucin gaussiana (GLM) o desventaja: Hay que conocer la evolucin temporal de la o actividad para el anlisis a
Ingo Keck
9/1
fuentes
mezcla
BSS
Se conoce: Mezcla de seales x(t) n Se busca: Las fuentes originales s(t) No hay una unica solucin se necesita ms informacin o a o
Ingo Keck
10/1
ICA usa las siguientes hiptesis para BSS: o las fuentes s(t) son estad sticamente independientes entre s : p(si (t), sj (t)) = p(si (t))p(sj (t)) el tipo de la mezcla se conoce, por ejemplo lineal: x(t) = As(t) mximo una fuente puede ser Gaussiana a Buena aplicacin: Bsqueda de seales en el cerebro. o u n
Ingo Keck
11/1
ICA temporal: x(t ) = As(t ) Las mezclas x(t ) son las seales de los sensores n Las fuentes s(t ) son las seales del cerebro n ventaja: sin modelo, no hay que conocer la funcin de o actividad para el anlisis a
Ingo Keck
12/1
ICA temporal: x(t ) = As(t ) Las mezclas x(t ) son las seales de los sensores n Las fuentes s(t ) son las seales del cerebro n ventaja: sin modelo, no hay que conocer la funcin de o actividad para el anlisis a
Ingo Keck
12/1
Ejemplos de componentes
Seal n
Ingo Keck
13/1
Ejemplos de componentes
Artefacto: parpadear
Ingo Keck
14/1
Ejemplos de componentes
Artefacto: latidos
Ingo Keck
15/1
ICA espacial: x(r ) = As(r ) La segregacin funcional del cerebro corresponde a la o independencia estad stico espacial Las mezclas x(r ) son las imgenes fMRI a Las fuentes s(r ) son los mapas de activacin o La evaluacin temporal de la activacin est en las columnas o o a de la matriz de mezcla A ventaja: sin modelo, no hay que conocer la funcin de o actividad para el anlisis a
Ingo Keck
16/1
ICA espacial: x(r ) = As(r ) La segregacin funcional del cerebro corresponde a la o independencia estad stico espacial Las mezclas x(r ) son las imgenes fMRI a Las fuentes s(r ) son los mapas de activacin o La evaluacin temporal de la activacin est en las columnas o o a de la matriz de mezcla A ventaja: sin modelo, no hay que conocer la funcin de o actividad para el anlisis a
Ingo Keck
16/1
Ejemplos de componentes
artefactos
Ingo Keck
17/1
Ejemplos de componentes
ruido
Ingo Keck
18/1
Ejemplos de componentes
tarea
Ingo Keck
19/1
Ejemplos de componentes
no-tarea
Ingo Keck
20/1
Ingo Keck
21/1
Ingo Keck
21/1
Varias componentes con actividad en la corteza auditiva (todos) Varias componentes con actividad en las reas a motoras sup. (todos) Componentes relacionadas a una red de deteccin de o palabras (3 personas) Componentes relacionadas a una red de decisin (3 o personas)
Ingo Keck
22/1
Varias componentes con actividad en la corteza auditiva (todos) Varias componentes con actividad en las reas a motoras sup. (todos) Componentes relacionadas a una red de deteccin de o palabras (3 personas) Componentes relacionadas a una red de decisin (3 o personas)
Ingo Keck
22/1
Varias componentes con actividad en la corteza auditiva (todos) Varias componentes con actividad en las reas a motoras sup. (todos) Componentes relacionadas a una red de deteccin de o palabras (3 personas) Componentes relacionadas a una red de decisin (3 o personas)
Ingo Keck
22/1
Varias componentes con actividad en la corteza auditiva (todos) Varias componentes con actividad en las reas a motoras sup. (todos) Componentes relacionadas a una red de deteccin de o palabras (3 personas) Componentes relacionadas a una red de decisin (3 o personas)
Ingo Keck
22/1
1.5
0.5
activity [a.u.]
0.5
1.5
2 30 35 40 45 50 55 60 65 70 75
scan no.
corr = 0.36
Ingo Keck
23/1
Aplicacin fMRI o
Conclusin: o ICA funciona bien con datos de fMRI ICA es una clase de anlisis sin-modelo para fMRI a ICA presenta mejores resultados que GLM ICA puede ser una herramienta poderosa en la investigacin o del cerebro Problemas: Estabilidad de ICA? La necesidad de post-procesamiento manual (entre 50 y 400 componentes por sesin) o Alta demanda computacional
Ingo Keck
24/1
Aplicacin fMRI o
Conclusin: o ICA funciona bien con datos de fMRI ICA es una clase de anlisis sin-modelo para fMRI a ICA presenta mejores resultados que GLM ICA puede ser una herramienta poderosa en la investigacin o del cerebro Problemas: Estabilidad de ICA? La necesidad de post-procesamiento manual (entre 50 y 400 componentes por sesin) o Alta demanda computacional
Ingo Keck
24/1
Aplicacin fMRI o
Conclusin: o ICA funciona bien con datos de fMRI ICA es una clase de anlisis sin-modelo para fMRI a ICA presenta mejores resultados que GLM ICA puede ser una herramienta poderosa en la investigacin o del cerebro Problemas: Estabilidad de ICA? La necesidad de post-procesamiento manual (entre 50 y 400 componentes por sesin) o Alta demanda computacional
Ingo Keck
25/1
Muchos de los algoritmos ICA son estocsticos: a Resultados dependientes de las condiciones iniciales Hay que probar la estabilidad de las componentes Prueba de estabilidad: inicializacin aleatoria del algoritmo o Re-muestreo de los datos: Jackknife, Bootstrapping, . . . comparacin de ejecuciones mltiples del algoritmo ICA con o u diferentes opciones
Ingo Keck
26/1
Muchos de los algoritmos ICA son estocsticos: a Resultados dependientes de las condiciones iniciales Hay que probar la estabilidad de las componentes Prueba de estabilidad: inicializacin aleatoria del algoritmo o Re-muestreo de los datos: Jackknife, Bootstrapping, . . . comparacin de ejecuciones mltiples del algoritmo ICA con o u diferentes opciones
Ingo Keck
26/1
Ingo Keck
27/1
Ingo Keck
27/1
Eliminacin de ruido o
Indicador simple: Varianza Var(y ) = E (y my )2 = 2
Ingo Keck
28/1
Eliminacin de ruido o
Indicador simple: Varianza Var(y ) = E (y my )2 = 2
Ingo Keck
28/1
Eliminacin de ruido o
Indicador simple: Varianza Var(y ) = E (y my )2 = 2
Ingo Keck
28/1
Eliminacin de ruido o
Indicador simple: Varianza Var(y ) = E (y my )2 = 2
Ingo Keck
28/1
Eliminacin de ruido o
Indicador simple: Varianza Var(y ) = E (y my )2 = 2
Ingo Keck
28/1
Eliminacin de ruido o
Indicador simple: Varianza Var(y ) = E (y my )2 = 2
Ingo Keck
28/1
Eliminacin de ruido o
Indicador simple: Varianza Var(y ) = E (y my )2 = 2
Ingo Keck
28/1
Eliminacin de ruido o
Indicador simple: Varianza Var(y ) = E (y my )2 = 2
Ingo Keck
28/1
Eliminacin de ruido o
Indicador simple: Varianza Var(y ) = E (y my )2 = 2
Ingo Keck
28/1
Eliminacin de ruido o
Indicador simple: Varianza Var(y ) = E (y my )2 = 2
Ingo Keck
28/1
Eliminacin de ruido o
Indicador simple: Varianza Var(y ) = E (y my )2 = 2
Ingo Keck
28/1
Ruido y correlacin o
Comparacin de similares y diferentes componentes utilizando la o correlacin o C (yi , yj ) = E ((yi myi )(yj myj )T )/(|yi ||yj |)
similar components
1 0.9 0.8 0.7 1 0.9 0.8 0.7
different components
correlation
correlation
0 1 2 3 4 5 6 7 8 9 10
10
variance threshold
variance threshold
Ingo Keck
29/1
Aplicacin fMRI o
Conclusin: o ICA funciona bien con datos de fMRI ICA es una clase de anlisis sin-modelo para fMRI a ICA presenta mejores resultados que GLM ICA puede ser una herramienta poderosa en la investigacin o del cerebro Problemas: Estabilidad de ICA La necesidad de post-procesamiento manual (entre 50 y 400 componentes por sesin) o Alta demanda computacional
Ingo Keck
30/1
Objetivos de fMRI
Cules son los objetivos de la investigacin del cerebro mediante a o fMRI? Encontrar un punto de actividad en el cerebro Encontrar una red de puntos de actividad en el cerebro
actividades en redes tienen evaluaciones temporales similares ICA en fMRI: las columnas de la matriz de mezcla son las evaluaciones temporales de los mapas de activacin espacial o
Ingo Keck
31/1
Objetivos de fMRI
Cules son los objetivos de la investigacin del cerebro mediante a o fMRI? Encontrar un punto de actividad en el cerebro Encontrar una red de puntos de actividad en el cerebro
actividades en redes tienen evaluaciones temporales similares ICA en fMRI: las columnas de la matriz de mezcla son las evaluaciones temporales de los mapas de activacin espacial o
Ingo Keck
31/1
Objetivos de fMRI
Cules son los objetivos de la investigacin del cerebro mediante a o fMRI? Encontrar un punto de actividad en el cerebro Encontrar una red de puntos de actividad en el cerebro
actividades en redes tienen evaluaciones temporales similares ICA en fMRI: las columnas de la matriz de mezcla son las evaluaciones temporales de los mapas de activacin espacial o
Ingo Keck
31/1
Objetivos de fMRI
Cules son los objetivos de la investigacin del cerebro mediante a o fMRI? Encontrar un punto de actividad en el cerebro Encontrar una red de puntos de actividad en el cerebro
actividades en redes tienen evaluaciones temporales similares ICA en fMRI: las columnas de la matriz de mezcla son las evaluaciones temporales de los mapas de activacin espacial o
Ingo Keck
31/1
Tipos de ICA
x(t) = As(t)
fuentes sl (t), l = 1, . . . , m mezclas xj (t), j = 1, . . . , n dif (FastGeo, sparse CA, ...) cil normal (muchos algoritmos) utiliza PCA para m = n
m > n: m = n: m < n:
idea comn: siempre trata de obtener todas las fuentes originales u s(t)
Ingo Keck
32/1
Tipos de ICA
x(t) = As(t)
fuentes sl (t), l = 1, . . . , m mezclas xj (t), j = 1, . . . , n dif (FastGeo, sparse CA, ...) cil normal (muchos algoritmos) utiliza PCA para m = n
m > n: m = n: m < n:
idea comn: siempre trata de obtener todas las fuentes originales u s(t)
Ingo Keck
32/1
Tipos de ICA
x(t) = As(t)
fuentes sl (t), l = 1, . . . , m mezclas xj (t), j = 1, . . . , n dif (FastGeo, sparse CA, ...) cil normal (muchos algoritmos) utiliza PCA para m = n
m > n: m = n: m < n:
idea comn: siempre trata de obtener todas las fuentes originales u s(t)
Ingo Keck
32/1
ICA incompleto
Ingo Keck
33/1
ICA incompleto
Ingo Keck
33/1
ICA incompleto
Ingo Keck
33/1
ICA incompleto
Qu sucede si intencionalmente son extra e das menos fuentes m? reduccin de dimensiones usando o Anlisis de Componentes Princia pales (PCA) las fuentes cercanas en el espacio de mezcla son agrupadas formando nuevos prototipos
Ingo Keck
33/1
ICA incompleto
1.5
reduccin de dimensiones usando o pocas mezclas las fuentes cercanas en el espacio de mezcla son agrupadas formando nuevos prototipos
2 1 0 1 2 3
0.5
0.5
1.5 3
Ingo Keck
33/1
Juego de datos
40
y (pixel)
50
60
70
80
90
100 10 20 30 40 50 60 70 80 90 100
x (pixel)
Ingo Keck
34/1
Juego de datos
40
y (pixel)
50
60
70
80
90
100 10 20 30 40 50 60 70 80 90 100
x (pixel)
Ingo Keck
34/1
Juego de datos
40
y (pixel)
50
60
70
80
90
100 10 20 30 40 50 60 70 80 90 100
x (pixel)
Ingo Keck
34/1
Juego de datos
40
y (pixel)
50
60
70
80
90
100 10 20 30 40 50 60 70 80 90 100
x (pixel)
Ingo Keck
34/1
Juego de datos
40
y (pixel)
50
60
70
80
90
100 10 20 30 40 50 60 70 80 90 100
x (pixel)
Ingo Keck
34/1
Juego de datos
40
y (pixel)
50
60
70
80
90
100 10 20 30 40 50 60 70 80 90 100
x (pixel)
Ingo Keck
34/1
Juego de datos
40
y (pixel)
50
60
70
80
90
100 10 20 30 40 50 60 70 80 90 100
x (pixel)
Ingo Keck
34/1
Juego de datos
40
y (pixel)
50
60
70
80
90
100 10 20 30 40 50 60 70 80 90 100
x (pixel)
Ingo Keck
34/1
Juego de datos
40
y (pixel)
50
60
70
80
90
100 10 20 30 40 50 60 70 80 90 100
x (pixel)
Ingo Keck
34/1
Juego de datos
40
y (pixel)
50
60
70
80
90
100 10 20 30 40 50 60 70 80 90 100
x (pixel)
Ingo Keck
34/1
k-means: no puede agrupar las inICA con PCA: agrupa fuentes correctas que forman los correctamente de 3 a 30 grupos A y C. componentes.
Ingo Keck
35/1
wrong circles
5 4 3 2 1 0 0 10 20 30 40 50 60 70
components
Error! No. de fuentes > No. de mezclas (sobre-completo) es necesario realizar un denoising con PCA
Ingo Keck
36/1
por ejemplo comenzar con los ltros para los bordes verticales
10 50 8 100 150 200 250 300 350 400 450 100 200 300 400 500 600 6 4 2 0 2 4 6 8 450 100 200 300 400 500 600 100 6 150 200 250 300 350 400 4 2 0 2 4 6 8 50 8 10
Ingo Keck
37/1
50 100
2 150 200 250 2 300 350 400 6 450 100 200 300 400 500 600
Ingo Keck
38/1
ICA incompleto: agrupamientos basados en semejanzas de las columnas de la matriz de mezcla en fMRI: las columnas de la matriz de mezcla son los cursos de tiempo de los mapas espaciales de la activacin o las actividades en las redes tienen cursos similares de tiempo inICA podr permitir encontrar redes en el cerebro muy a fcilmente. a
Ingo Keck
39/1
ICA incompleto: agrupamientos basados en semejanzas de las columnas de la matriz de mezcla en fMRI: las columnas de la matriz de mezcla son los cursos de tiempo de los mapas espaciales de la activacin o las actividades en las redes tienen cursos similares de tiempo inICA podr permitir encontrar redes en el cerebro muy a fcilmente. a
Ingo Keck
39/1
400 IC
ICA
200 IC
100 IC
Idea: ICA incompleto de bajas dimensiones para encontrar redes interesantes de la actividad cerebral ICA (completo) de altas dimensiones para encontrar todas las componentes que crean estas redes
Ingo Keck
40/1
Ingo Keck
41/1
Ingo Keck
42/1
Ingo Keck
42/1
Ingo Keck
42/1
Ingo Keck
42/1
Ingo Keck
43/1
Ingo Keck
44/1
Aplicacin fMRI o
Conclusion: ICA trabaja bien en datos fMRI ICA es una clase de anlisis sin modelo para fMRI a ICA puede superar GLM ICA puede ser una herramienta poderosa en la investigacin o del cerebro Problemas: Estabilidad ICA La necesidad de post-procesamiento manual (entre 100 y 400 componentes por sesin) o Alta demanda computacional
Ingo Keck
45/1
inICA Paralelo
Hacindolo paralelamente: e el ujo del trabajo de inICA contiene muchos mdulos o independientes la prueba de conabilidad de diversos funcionamientos de inICA es independiente la prueba de conabilidad en s mismo es generalmente independiente La paralelizacin es directa y eciente. o
Ingo Keck
46/1
inICA Paralelo
1-dim ICA
2-dim ICA
...
n-dim ICA
parallel
Ingo Keck
47/1
inICA Paralelo
Hacindolo paralelamente: e el ujo del trabajo de inICA contiene muchos mdulos o independientes la prueba de conabilidad de diversos funcionamientos de inICA es independiente la prueba de conabilidad en s misma es generalmente independiente La paralelizacin es directa y eciente. o
Ingo Keck
48/1
inICA Paralelo
1-dim ICA
2-dim ICA
...
n-dim ICA
parallel
S-Test
S-Test
S-Test
ICA
ICA
ICA
ICA
...
ICA
ICA
parallel
ICA
ICA
ICA
ICA
ICA
ICA
Ingo Keck
49/1
inICA Paralelo
Hacindolo paralelamente: e el ujo del trabajo de inICA contiene muchos mdulos o independientes la prueba de conabilidad de diversos funcionamientos de inICA es independiente la prueba de conabilidad en s mismo es generalmente independiente La paralelizacin es directa y eciente. o
Ingo Keck
50/1
1-dim ICA
2-dim ICA
...
n-dim ICA
parallel
S-Test
S-Test
S-Test
ICA
ICA
ICA
ICA
...
ICA
ICA
parallel
ICA
ICA
ICA
ICA
ICA
ICA
Ingo Keck
51/1
inICA Paralelo
Hacindolo paralelamente: e el ujo del trabajo de inICA contiene muchos mdulos o independientes la prueba de conabilidad de diversos funcionamientos de inICA es independiente la prueba de conabilidad en s mismo es generalmente independiente La paralelizacin es directa y eciente. o
Ingo Keck
52/1
inICA Paralelo
Hacindolo paralelamente: e el ujo del trabajo de inICA contiene muchos mdulos o independientes la prueba de conabilidad de diversos funcionamientos de inICA es independiente la prueba de conabilidad en s mismo es generalmente independiente La paralelizacin es directa y eciente. o
Ingo Keck
52/1
Implementacin o
Actualmente existen muchos estndares en la programacin a o paralela, ej. MPI (Message Passing Interface), PVM (Parallel Virtual Maching): optimizado para (muchos) mensajes cortos inadecuado para el transporte de grandes datos necesita instalaciones especiales de software fMRI: pocos mensajes; pero grandes sistemas de datos Idea: utilizar el sistema de archivos de redes para el transporte de datos fMRI utilizar el sistema de archivos de redes para los mensajes
Ingo Keck
53/1
Implementacin o
Actualmente existen muchos estndares en la programacin a o paralela, ej. MPI (Message Passing Interface), PVM (Parallel Virtual Maching): optimizado para (muchos) mensajes cortos inadecuado para el transporte de grandes datos necesita instalaciones especiales de software fMRI: pocos mensajes; pero grandes sistemas de datos Idea: utilizar el sistema de archivos de redes para el transporte de datos fMRI utilizar el sistema de archivos de redes para los mensajes
Ingo Keck
53/1
Implementacin o
Actualmente existen muchos estndares en la programacin a o paralela, ej. MPI (Message Passing Interface), PVM (Parallel Virtual Maching): optimizado para (muchos) mensajes cortos inadecuado para el transporte de grandes datos necesita instalaciones especiales de software fMRI: pocos mensajes; pero grandes sistemas de datos Idea: utilizar el sistema de archivos de redes para el transporte de datos fMRI utilizar el sistema de archivos de redes para los mensajes
Ingo Keck
53/1
Implementacin o
server process
intelligent client
Ingo Keck
54/1
Implementacin o
Proceso del servidor: creacin de trabajos (Matlab/Octave scripts) o anlisis de resultados a interfaz de usuario Proceso del cliente: espera para los trabajos ejecuta trabajos
Ingo Keck
55/1
Resultados: Visualizacin o
Importante para el investigador: inuencia de la componente en el sistema de datos clasicacin basada en la inuencia o relacin con otras componentes o demostrar las conexiones conabilidad de la componente demostrar la conabilidad Grco de salida como archivo SVG a
Ingo Keck
56/1
Resultados: Visualizacin o
Importante para el investigador: inuencia de la componente en el sistema de datos clasicacin basada en la inuencia o relacin con otras componentes o demostrar las conexiones conabilidad de la componente demostrar la conabilidad Grco de salida como archivo SVG a
Ingo Keck
56/1
Resultados: Visualizacin o
Importante para el investigador: inuencia de la componente en el sistema de datos clasicacin basada en la inuencia o relacin con otras componentes o demostrar las conexiones conabilidad de la componente demostrar la conabilidad Grco de salida como archivo SVG a
Ingo Keck
56/1
Resultados: Visualizacin o
Importante para el investigador: inuencia de la componente en el sistema de datos clasicacin basada en la inuencia o relacin con otras componentes o demostrar las conexiones conabilidad de la componente demostrar la conabilidad Grco de salida como archivo SVG a
Ingo Keck
56/1
Ejemplo
Ejemplo de WCST el color da la fuerza de la conexin y la conabilidad o permite investigar los cambios en las componentes
Ingo Keck
57/1
Ejemplo
Ingo Keck
58/1
Conclusiones y Perspectivas
ICA funciona bien con datos fMRI ICA es una clase de anlisis sin modelo para fMRI a ICA incompleto puede ser utilizado como mtodo de e agrupamiento la paralelizacin es directa o permite el anlisis exploratorio de los datos a ICA puede ser una herramienta poderosa para futuras investigaciones del cerebro
Ingo Keck
59/1
Conclusiones y Perspectivas
ICA funciona bien con datos fMRI ICA es una clase de anlisis sin modelo para fMRI a ICA incompleto puede ser utilizado como mtodo de e agrupamiento la paralelizacin es directa o permite el anlisis exploratorio de los datos a ICA puede ser una herramienta poderosa para futuras investigaciones del cerebro
Ingo Keck
59/1
Conclusiones y Perspectivas
ICA funciona bien con datos fMRI ICA es una clase de anlisis sin modelo para fMRI a ICA incompleto puede ser utilizado como mtodo de e agrupamiento la paralelizacin es directa o permite el anlisis exploratorio de los datos a ICA puede ser una herramienta poderosa para futuras investigaciones del cerebro
Ingo Keck
59/1
Conclusiones y Perspectivas
ICA funciona bien con datos fMRI ICA es una clase de anlisis sin modelo para fMRI a ICA incompleto puede ser utilizado como mtodo de e agrupamiento la paralelizacin es directa o permite el anlisis exploratorio de los datos a ICA puede ser una herramienta poderosa para futuras investigaciones del cerebro
Ingo Keck
59/1
Conclusiones y Perspectivas
ICA funciona bien con datos fMRI ICA es una clase de anlisis sin modelo para fMRI a ICA incompleto puede ser utilizado como mtodo de e agrupamiento la paralelizacin es directa o permite el anlisis exploratorio de los datos a ICA puede ser una herramienta poderosa para futuras investigaciones del cerebro
Ingo Keck
59/1
Conclusiones y Perspectivas
ICA funciona bien con datos fMRI ICA es una clase de anlisis sin modelo para fMRI a ICA incompleto puede ser utilizado como mtodo de e agrupamiento la paralelizacin es directa o permite el anlisis exploratorio de los datos a ICA puede ser una herramienta poderosa para futuras investigaciones del cerebro
Ingo Keck
59/1
Gracias
Ingo Keck
60/1