Upload
others
View
3
Download
0
Embed Size (px)
Citation preview
Efecto del Nivel de Abstraccion en la
Transferencia de Conocimiento en Tareas
Cognitivas y Motoras desde Entornos
Virtuales
Por
Ing. Viviana del Rocıo Hernandez Castanon
Tesis sometida como requisito parcial para obtener el grado de
MC. en Ciencias de la Computacion
en
Instituto Nacional de Astrofısica, Optica y Electronica (INAOE)
Diciembre, 2016
Tonantzintla, Puebla
Asesores:
Dr. Felipe Orihuela Espina (INAOE),
Dr. Alberto Leopoldo Moran y Solares (UABC)
Coordinacion de Ciencias Computacionales
INAOE
c©INAOE 2016
Todos los derechos reservados
El autor proporciona a INAOE los permisos por reproduccion y
distribucion de este documento.
Agradecimientos
Quedo especialmente agradecida con mis asesores, el Dr. Felipe Orihuela Espina
y el Dr. Alberto Leopoldo Moran y Solares por el apoyo, comentarios y sugerencias,
que me dieron durante el desarrollo de esta investigacion.
Quisiera agradecer especialmente, a la Dra. Veronica Reyes Meza, por el gran
apoyo que me brindo en el reclutamiento de participantes para la recoleccion de las
senales de Electroencefalografıa en la Universidad Popular Autonoma del Estado de
Puebla (UPAEP). Tambien por sus conocimientos aportados al diseno de las tareas
de entrenamiento, ası como en el diseno del experimento realizado.
Agradezco tambien a la Dra. Nadia Berthouze de la University College London
(UCL), por el recibimiento durante la estancia que realice en Londres y por el apoyo
experto en el area de Interaccion Humano Computadora.
Agradezco a mi familia, las personas que tanto quiero y que han sido un apoyo
muy fuerte durante mi desarrollo profesional, gracias por su carino, apoyo y compren-
sion incondicional en todo momento.
Le doy las gracias a todas personas de las que me he rodeado academica y perso-
nalmente, el apoyo que me han dado y sus palabras de aliento me llevan a finalizar
con muchas satisfacciones esta investigacion.
Finalmente, le doy las gracias a CONACyT que a traves del apoyo (Beca 391837)
pude realizar mis estudios de maestrıa.
III
Resumen
Antecedentes. En el desarrollo de entornos virtuales para entrenamiento de tareas
se desconoce que elementos y/o caracterısticas de un entorno virtual influyen para
que estas herramientas cumplan su objetivo de transferir habilidades al mundo real.
Tampoco se entiende como dicho entrenamiento bajo el entorno virtual es codificado
por el cerebro para que mas tarde, este conocimiento adquirido se manifieste en una
ejecucion real de la tarea entrenada.
Hipotesis. En la hipotesis formulada se indica que el nivel de abstraccion con
que se presenta una tarea en el entorno virtual modula la capacidad de integracion
del entrenamiento a nivel cognitivo; permitiendo ya sea un desempeno mas alto en
el mundo real, pero con una menor capacidad de generalizacion, o bien, una mayor
generalizacion a costa de un menor desempeno especıfico.
Objetivos. A fin de confirmar (o refutar) la hipotesis anterior, esta tesis pretende
dar solucion a dos problemas computacionales. El primero, en interaccion humano
computadora, al establecer la relacion entre el grado de abstraccion de la tarea y el
rendimiento observable en un conjunto de 2 tareas (cognitiva y motora) dilucidando
si dicho nivel de abstraccion es, en parte, responsable del proceso de transferencia del
conocimiento adquirido en el entorno virtual al mundo real. El segundo, relacionado
con la comprension de como se integra el nuevo conocimiento a nivel cortical, requiere
desde el punto de vista computacional, dar solucion a un problema de segmentacion de
imagenes, a fin de reconocer automaticamente elementos que representan potenciales
patrones en tiempo-frecuencia-espacio (procesos cognitivos).
Metodologıa. El primero de los problemas, se ataca de forma experimental. Se
proponen dos tareas, una de naturaleza cognitiva y otra de naturaleza motora, que
fueron llevadas a entornos virtuales en diferentes niveles de abstraccion. Se obtuvieron
medidas cuantitativas y cualitativas del rendimiento en la tarea previo y posterior al
entrenamiento en dos grupos de usuarios. Uno de los grupos recibio entrenamiento en
V
los entornos virtuales, mientras que el segundo grupo se ejercito directamente en el
mundo real. El rendimiento de ambos grupos fue comparado para establecer el grado
de transferencia y su dependencia del grado de abstraccion de la tarea. Para el segundo
problema, se adquirieron datos de electroencefalografıa concomitantes al experimento
anterior y datos de carga cognitiva experimentada, y se propone en esta tesis un nuevo
algoritmo para la segmentacion automatica de procesos cognitivos que es resuelto
aquı mediante una estrategia de agrupamiento con restricciones. La validacion de
este algoritmo se llevo a cabo en 2 etapas correspondientes a la transformada en el
dominio del tensor tiempo-frecuencia-espacio contra un metodo del estado del arte
en la literatura, y al reconocimiento de procesos sinteticos contra un agrupamiento
clasico sin restricciones -k-means-.
Resultados. Se encontro que el nivel de abstraccion representa un factor que afecta
de diferente manera a los contenidos mentales durante el aprendizaje. Mientras que
con el nivel de abstraccion alto, la transferencia de conocimiento es moderadamente
buena, la movilizacion del conocimiento adquirido resulta mas eficiente si se compara
con el nivel de abstraccion bajo que permite mejor transferencia de conocimiento. La
llamada movilizacion (capacidad de generalizar) decae debido a que las representa-
ciones mentales obtenidas en la tarea entrenada no permiten generalizar elementos
de otras circunstancias. El algoritmo de segmentacion de procesos cognitivos exhibio
un buen resultado desde el punto de vista nomologico contrastado con el algoritmo
del estado del arte, ası como una menor tasa de error que el agrupamiento sencillo.
La demanda de recursos cerebrales fue alta al inicio del entrenamiento de la tarea y
se redujo cuando hay un mayor dominio de la tarea lo que esta acorde a las teorıas
de aprendizaje.
Conclusiones. Los resultados obtenidos sugieren que el nivel de abstraccion bajo
que presenta una tarea juega un papel determinante en la asimilacion del entrenamien-
to a nivel cortical y su manifestacion a nivel conductual. Esta tesis tiene implicaciones
en el area de interaccion humano-computadora guiando el desarrollo de entornos vir-
tuales para entrenamiento, ası como en el analisis de patrones donde el reconocimiento
automatizado de patrones en el dominio del tiempo-frecuencia-espacio sigue siendo
un problema abierto.
Abstract
Background. In the development of virtual environments for the training of tasks it
is unknown what elements and/or the characteristics of a virtual environment influen-
ce for these tools to carry out their goal of transferring skills to real world. Neither it
is understood how such training through the virtual environment is integrated by the
brain so that at a later time this acquired knowledge is realised in a real execution of
the trained task.
Hypothesis. We hypothesized that the level of abstraction with which a task is
presented in the virtual environment modulates the cognitive integration of the trai-
ning; either allowing high performance in the real world execution, but with limited
generalization capacity, or affording greater generalization compromising specific per-
formance.
Aims. In order to support (or refute) such hypothesis, this thesis aims to solve
two computational problems. The first aim, in human–computer interaction, regarding
the establishment of the relationship between the level abstraction of the task and
the observable performance in a set of two tasks (cognitive and motor) elucidating
whether the level of abstraction is, in part, responsible for the process of transfer of
the knowledge acquired in the virtual environment to real world. The second aim,
related to the understanding of how such knowledge is integrated at cortical level,
at computational level demands solving an image segmentation problem, in order to
automatically recognize elements that represent potential patterns in time-frequency-
space proxy of cognitive processes.
Methodology. The first problem is addressed experimentally. Two tasks are propo-
sed, one cognitive and one motor, which were implemented in virtual environments
under different levels of abstraction. Quantitative and qualitative measures of perfor-
mance were recorded during the pre and post training of the task from two groups of
participants. One group received training in virtual environments, while the second
VII
group trained directly in the real world. The performance of both groups was com-
pared to evaluate the degree of transfer and the dependence on the level abstraction
of the task. In the second problem, electroencephalography data was collected rela-
ted to the previous experiment and perceived cognitive load was also interrogated. A
new algorithm for the automatic segmentation of cognitive processes is proposed in
this thesis, which proceeds capitalizing on constraint clustering. Validity of algorithm
was established in two stages corresponding to the transform in the frequency-time-
space tensor against a state-of-the-art method from literature, and the recognition of
synthetic processes against a classical unconstrained clustering - k-means -.
Results. The level of abstraction was found to be a factor conditioning the mental
representations formed during the training. While, high level of abstraction in the task
is associated with a moderate transfer of knowledge, the mobilization of the acquired
knowledge becomes more efficient when compared to the low level of abstraction
that facilitates better transfer of knowledge. The mobilization (capacity to generalize)
decline because the mental representations obtained in the trained task do not permit
generalizing elements from other circumstances. The algorithm for the segmentation
of cognitive processes exhibited both, good nomological outcomes against the state-
of-the-art alternative and lower error than plain clustering. The demand of brain
resources is high at the beginning of the training process, and was alleviated when
higher skills were exhibited which agrees with the theories of learning.
Conclusions. The results obtained suggest that presenting the task for training in
a low level of abstraction maybe determinant in the assimilation of the skill acqui-
sition at cortical level and its manifestation at the behavioral level. This thesis has
implications in human-computer interaction area guiding the development of virtual
environments for training, as well as in the field of pattern analysis where the auto-
mated recognition of patterns in the domain time-frequency-space remains an open
problem.
Indice general
Agradecimientos III
Resumen V
1. Introduccion 1
1.1. Motivacion y Justificacion . . . . . . . . . . . . . . . . . . . . . . . . . . 51.2. Descripcion del problema . . . . . . . . . . . . . . . . . . . . . . . . . . . 61.3. Preguntas de investigacion . . . . . . . . . . . . . . . . . . . . . . . . . . 71.4. Hipotesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81.5. Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.5.1. Objetivo general . . . . . . . . . . . . . . . . . . . . . . . . . . . 91.5.2. Objetivos especıficos . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.6. Alcances y limitaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101.7. Contribuciones e Impacto . . . . . . . . . . . . . . . . . . . . . . . . . . . 111.8. Descripcion del documento . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2. Marco Teorico 13
2.1. Neuroimagen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132.1.1. Electroencefalograma . . . . . . . . . . . . . . . . . . . . . . . . . 132.1.2. Ritmos Cerebrales . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2. Procesamiento de Senales . . . . . . . . . . . . . . . . . . . . . . . . . . . 172.2.1. Analisis de Componentes Independentes . . . . . . . . . . . . . . . 182.2.2. Procesamiento Tiempo-Frecuencia . . . . . . . . . . . . . . . . . . 22
2.3. Reconocimiento de Patrones . . . . . . . . . . . . . . . . . . . . . . . . . 242.3.1. Agrupamiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 242.3.2. Agrupamiento con Restricciones . . . . . . . . . . . . . . . . . . . 292.3.3. Segmentacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.4. Interaccion Humano Computadora . . . . . . . . . . . . . . . . . . . . . . 35
IX
2.4.1. Entornos Virtuales . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.4.2. Transferencia de Conocimiento y Abstraccion . . . . . . . . . . . . 38
2.5. Neurociencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.5.1. Cambios en el Cerebro Asociados al Entrenamiento . . . . . . . . . 40
2.5.2. La Corteza Prefrontal y su Papel en la Organizacion Cognitiva deAcuerdo a los Niveles de Abstraccion . . . . . . . . . . . . . . . . 41
3. Revision del Estado del Arte 45
3.1. Entornos Virtuales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.1.1. Mecanismos para Mejorar el Rendimiento . . . . . . . . . . . . . . 45
3.1.2. Evaluacion de los Entornos Virtuales . . . . . . . . . . . . . . . . . 46
3.1.3. Transferencia de Conocimiento . . . . . . . . . . . . . . . . . . . . 49
3.2. Analisis de la Dinamica Cerebral en los Contextos Abstractos . . . . . . . . 50
3.3. Senales de Electroencefalografıa . . . . . . . . . . . . . . . . . . . . . . . 51
3.3.1. Tratamiento del Ruido . . . . . . . . . . . . . . . . . . . . . . . . 51
3.3.2. Representacion de la Actividad Cerebral . . . . . . . . . . . . . . . 54
4. Metodologıa 59
4.1. Diseno e Implementacion de Tareas . . . . . . . . . . . . . . . . . . . . . 59
4.1.1. Tarea Cognitiva . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
4.1.2. Tarea Motora . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
4.2. Relacion entre el Nivel de Abstraccion y la Transferencia de Conocimiento . 63
4.2.1. Diseno experimental . . . . . . . . . . . . . . . . . . . . . . . . . 64
4.2.2. Aplicacion de Medidas Subjetivas Clasicas . . . . . . . . . . . . . 67
4.2.3. Preprocesamiento de las Senales de Electroencefalografıa . . . . . . 69
4.2.4. Segmentacion Automatizada de Procesos Cognitivos . . . . . . . . 71
5. Experimentos y Resultados 87
5.1. Calibracion del Entrenamiento y las Tareas . . . . . . . . . . . . . . . . . . 87
5.1.1. Montaje del Pre-ensayo . . . . . . . . . . . . . . . . . . . . . . . . 87
5.1.2. Capacidad de Observacion de los Cambios en el Rendimiento . . . 88
5.1.3. Capacidad de Observacion de los Cambios a Nivel Cognitivo . . . . 89
5.1.4. Ajustes al Protocolo . . . . . . . . . . . . . . . . . . . . . . . . . . 91
5.2. Evaluacion de la Transferencia de Entrenamiento . . . . . . . . . . . . . . 91
5.2.1. Rendimiento en las Tareas . . . . . . . . . . . . . . . . . . . . . . 91
5.2.2. Integracion Aparente del Conocimiento en Terminos de la CargaCognitiva Apreciada . . . . . . . . . . . . . . . . . . . . . . . . . 93
5.3. Analisis de la Respuesta Cerebral Asociada al Entrenamiento . . . . . . . . 975.3.1. Efecto del Preprocesamiento en el Electroencefalograma . . . . . . 975.3.2. Validacion del Algoritmo de Segmentacion de Procesos Cognitivos . 995.3.3. Evaluacion de la Respuesta Cerebral . . . . . . . . . . . . . . . . . 105
6. Conclusiones y Trabajo Futuro 109
6.1. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1096.1.1. Resumen Sumario . . . . . . . . . . . . . . . . . . . . . . . . . . . 1096.1.2. Hallazgos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
6.2. Trabajo Futuro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1136.2.1. Transferencia de Conocimiento . . . . . . . . . . . . . . . . . . . . 1136.2.2. Segmentacion de Procesos Cognitivos . . . . . . . . . . . . . . . . 114
A. Informacion adicional 117
A.1. Ritmos Cerebrales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117A.2. Cuestionarios de Evaluacion de la Carga Mental y de Evaluacion de Rendi-
miento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119A.3. Validacion de tareas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
Glosario 123
Bibliografıa 126
Lista de Acronimos
CIENCIAS DE LA COMPUTACION
EV — Entorno Virtual.
ER — Entorno Real.
IHC — Interaccion Humano-Computadora.
PR — Reconocimiento de Patrones (Pattern Recognition).
ICA — Independent Components Analysis (Analisis de Componentes In-
dependientes).
FT — Fourier Transform (Transformada de Fourier).
FFT — Fast Fourier Transform (Transformada Rapida de Fourier).
STFT — Short Time Fourier Transform (Transformada de Fourier de Tiempo
Corto).
BSS — Blind Source Separation (Separacion Ciega de Fuentes).
FFT — Fast Fourier Transform (Transformada Rapida de Fourier).
HMD — Head Mounted Display (Gafas de Realidad Virtual).
SNR — Signal to Noise Ratio (Relacion Senal a Ruido).
SAD — Spatial Average Diference (Diferencia Promedio Espacial.
TK — Temporal Kurtosis (Curtosis Temporal).
MEV — Maxium Epoch Variance (Varianza Maxima de Epocas).
SED — Spatial Eye Difference (Diferencias Espaciales Oculares).
GDSF — Generic Discontinuities Spatial Feature (Discontinuidades Generi-
cas de Caracterısticas Espaciales).
HCA — Hierarchical Cluster Analysis (Analisis de Agrupamiento Jerarqui-
co).
CC — Constrained Clustering (Agrupamiento con Restricciones).
XIII
NEUROCIENCIAS
EEG — Electroencefalografıa.
ERP — Event-Related Potential (Potencial Relacionado con Evento).
CAR — Common Average Reference (Referencia Promedio Comun).
TFT — Time, Frequency and Topography (Tiempo, Frecuencia y Topo-
grafıa).
PFC — Prefrontal Cortex (Corteza Prefontral).
LPFC — Lateral Prefrontal Cortex (Corteza Prefontral Lateral).
V LPFC — Ventrolateral Prefrontal Cortex (Corteza Prefontral Ventrolateral).
DLPFC — Dorsolateral Prefrontal Cortex (Corteza Prefontral Dorsolateral).
RLPFC — Rostrolateral Prefrontal Cortex (Corteza Prefontral Rostrolateral).
Indice de figuras
1.1. Procesos cognitivos. . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2. Propuesta de solucion en la investigacion. . . . . . . . . . . . . . . . 4
1.3. Areas que involucran el planteamiento del problema . . . . . . . . . 7
1.4. Representacion de la hipotesis planteada en la investigacion . . . . . 9
2.1. Registro de las senales de electroencefalografıa . . . . . . . . . . . . 14
2.2. Transformacion de la informacion cerebral . . . . . . . . . . . . . . 15
2.3. Sistema de posicionamiento de electrodos . . . . . . . . . . . . . . . 16
2.4. Ritmos cerebrales en humanos . . . . . . . . . . . . . . . . . . . . . 18
2.5. Analisis de componentes independientes: senales independientes A y B 20
2.6. Analisis de componentes independientes: senal mezclada . . . . . . . 21
2.7. Analisis de componentes independientes: senales recuperadas A y B . 21
2.8. Transformacion de la senal en tiempo-frecuencia . . . . . . . . . . . 24
2.9. Representacion de la STFT con diferentes tamanos de ventana . . . . 25
2.10. Esquematizacion del agrupamiento . . . . . . . . . . . . . . . . . . 25
2.11. Entornos Virtuales en 2D y 3D . . . . . . . . . . . . . . . . . . . . . 36
2.12. Generacion de niveles de abstraccion . . . . . . . . . . . . . . . . . 39
2.13. Circuito neuronal de representaciones abstractas . . . . . . . . . . . 43
4.1. Metodologıa de la investigacion. . . . . . . . . . . . . . . . . . . . . 60
4.2. Entornos virtuales de la tarea cognitiva a diferentes niveles de abs-traccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
4.3. Entornos virtuales de la tarea motora a diferentes niveles de abstraccion 63
4.4. Diseno experimental entre-sujetos . . . . . . . . . . . . . . . . . . . 64
4.5. Entrenamiento de tareas en los EVs y el ER de tareas cognitivas ymotoras en los diferentes niveles de abstraccion . . . . . . . . . . . . 65
4.6. Localizacion de los electrodos y dispositivo Emotiv . . . . . . . . . . 66
XV
4.7. Mapa de componentes independientes obtenido mediante el analisisde componentes independientes . . . . . . . . . . . . . . . . . . . . 70
4.8. Deteccion automatica de artefactos . . . . . . . . . . . . . . . . . . 71
4.9. Componente independiente detectado como potencial artefacto porlos algoritmos SAD, TK y GDSF. . . . . . . . . . . . . . . . . . . . 72
4.10. Idealizacion de patrones de procesos cognitivos. . . . . . . . . . . . 73
4.11. Esquema de muestras sin y con traslape para procesamiento de latransformada de Fourier de tiempo corto. . . . . . . . . . . . . . . . 74
4.12. Representacion tiempo/frecuencia (espectrograma) . . . . . . . . . . 75
4.13. Estructura matricial tridimensional que se obtiene del analisis de lassenales de EEG aplicando la STFT. . . . . . . . . . . . . . . . . . . 75
4.14. “Desdoblado” de la representacion TFT de las senales de EEG . . . . 77
4.15. Agrupamiento de observaciones usando analisis de agrupamiento jerarqui-co. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
4.16. 4-adyacencia respecto a la posicion z = (x, y) de una instancia . . . . 81
4.17. Generacion del tensor de datos en espacio, tiempo y frecuencia usan-do la metodologıa de (Marroquın et al., 2004). . . . . . . . . . . . . 84
4.18. Validacion de la fase de agrupamiento . . . . . . . . . . . . . . . . . 86
5.1. Progreso en la puntuacion en las sesiones de entrenamiento duranteel piloto de la tarea cognitiva y motora implementadas en entornosvirtuales. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
5.2. Logro de objetivos medidos mediante el cuestionario GAS en las se-siones de entrenamiento durante el estudio piloto de la tarea cognitivay motora implementadas en entornos virtuales. . . . . . . . . . . . . 90
5.3. Carga mental derivada de las sesiones de entrenamiento con la tareacognitiva y motora implementadas en entornos virtuales. . . . . . . . 90
5.4. Progresion de las puntuaciones obtenidas por el grupo que recibioel entrenamiento virtual de la tarea motora a diferentes niveles deabstraccion. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
5.5. Progresion de las puntuaciones obtenidas por el grupo que recibio elentrenamiento real de la tarea motora a diferentes niveles de abstrac-cion. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
5.6. Comparacion entre el entrenamiento virtual y real de la tarea cogni-tiva y motora a diferentes niveles de abstraccion. . . . . . . . . . . . 95
5.7. Logro de objetivos (GAS) para el grupo con entrenamiento virtual yejecucion real de la tarea cognitiva y motora a diferentes niveles deabstraccion. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
5.8. Logro de objetivos (GAS) para el grupo con entrenamiento y ejecu-cion real de la tarea cognitiva y motora a diferentes niveles de abs-traccion. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
5.9. Carga mental experimentada por el grupo de entrenamiento virtual yejecucion real de la tarea cognitiva y motora a diferentes niveles deabstraccion observada mediante el NASA-TLX. . . . . . . . . . . . . 96
5.10. Carga mental derivada del entrenamiento y ejecucion real de la tareacognitiva y motora a diferentes niveles de abstraccion. . . . . . . . . 97
5.11. Reduccion de ruido usando ICA y los algoritmos SAD, TK, MEV,SED, GDSF. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
5.12. Distribucion de ritmos cerebrales en diferentes bandas de frecuencia(δ, θ, α, β, γ). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
5.13. Senales sinteticas que representan a los ritmos cerebrales en diferen-tes bandas de frecuencias. . . . . . . . . . . . . . . . . . . . . . . . 102
5.14. Mapa TFT de las senales sinteticas generadas simulando diferentesprocesos cognitivos. . . . . . . . . . . . . . . . . . . . . . . . . . . 103
5.15. Resultados del agrupamiento sobre datos sinteticos . . . . . . . . . . 1045.16. Segmentaciones de las senales de EEG en el entrenamiento con EVs . 1065.17. Segmentaciones de las senales de EEG en el entrenamiento con ER . 107
A.1. Cuestionario NASA TLX . . . . . . . . . . . . . . . . . . . . . . . 119A.2. Cuestionario Goal Attainment Scale . . . . . . . . . . . . . . . . . . 120
Indice de tablas
2.1. Dominio de aplicacion del agrupamiento con restricciones. . . . . . . 32
3.1. Analisis de la transferencia de conocimiento desde entornos virtuales. 483.2. Investigaciones con las senales de EEG respecto al dominio de anali-
sis y las actividades de estudio. . . . . . . . . . . . . . . . . . . . . . 57
5.1. Datos demograficos de los participantes en el estudio piloto para lavalidacion de las tareas de entrenamiento . . . . . . . . . . . . . . . . 88
5.2. Significancia estadıstica obtenida con la prueba χ2 al validar la fasede analisis TFT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
A.1. Rangos de frecuencia en los ritmos cerebrales reportados en la literatura.118A.2. Puntaje del entrenamiento de la tarea cognitiva y motora implemen-
tadas en entornos virtuales. . . . . . . . . . . . . . . . . . . . . . . . 121A.3. Objetivos logrados en las sesiones de entrenamiento de la tarea cog-
nitiva y motora implementadas en entornos virtuales. . . . . . . . . . 122A.4. Carga mental de las sesiones de entrenamiento con la tarea cognitiva
y motora implementadas en entornos virtuales. . . . . . . . . . . . . . 122
XIX
Capıtulo 1
Introduccion
Un entorno virtual (EV) es un modelo de la realidad donde el ser humano puede
interactuar y obtener informacion a traves de sus sentidos (Hale and Stanney, 2014).
En las ultimas decadas, los EVs se han empleado en areas de la educacion, la salud, la
seguridad, el entretenimiento, entre otras. Durante este tiempo, se han llevado a cabo
investigaciones enfocadas en definir las caracterısticas y funcionalidades de su desa-
rrollo y los posibles beneficios que proporcionan estas plataformas en el aprendizaje
de tareas de diversa ındole (Gupta et al., 2008).
El uso de EVs para entrenamiento resulta apropiado en circunstancias donde el
entrenamiento de tareas presenta factores que dificultan este proceso en el entorno
real (ER), especialmente cuando el entrenamiento en el ER es logısticamente difıcil,
costoso o peligroso (Moskaliuk et al., 2013). El entrenamiento de tareas desde un EV
aspira a transmitir habilidades y conocimientos y tiene como objetivo final aplicar lo
aprendido al contexto de la vida real y en consecuencia, ampliar ese aprendizaje a
nuevas situaciones (Haskell, 2001). Este proceso se denomina transferencia de conoci-
miento1 y esta basado en la construccion de conocimiento en un contexto particular
(tarea fuente), aplicando este conocimiento construido a un contexto diferente (tarea
destino). La transferencia de conocimiento permite conocer, a traves de su efecto, la
utilidad del entrenamiento de una tarea en el EV (Eaton and Lane, 2011).
El exito de la transferencia de conocimiento desde un EV debe estar contextuali-
zado en terminos de (i) cuanto de este entrenamiento es reaprovechado por el discente
cuando lleva las nuevas habilidades adquiridas al mundo real y (ii) que sucede con la
1El uso de la “transferencia de conocimiento” en esta tesis, esta limitada al ambito de la IHC, y aunquecomparte su esencia, no debe ser interpretada en la rama del aprendizaje de maquinas.
2
integracion y codificacion a nivel cerebral del conocimiento adquirido. En la actuali-
dad ni uno ni otro de los aspectos anteriores es bien conocido (Bossard et al., 2008;
Hale and Stanney, 2014).
La comunidad cientıfica aun no tiene claro como poder alcanzar o facilitar la trans-
ferencia de conocimiento ni la forma de evaluarla. La transferencia de conocimiento
no solo es una tecnica de ensenar y aprender, sino una forma de pensar, percibir y
procesar la informacion (Haskell, 2001). Investigaciones previas han buscado generar
y favorecer el proceso de transferencia de conocimiento usando tecnicas de retroali-
mentacion2 (Rose et al., 2000) e inmersion (Gupta et al., 2008) que consiste en el
acercamiento con la realidad al percibir unicamente los estımulos del mundo virtual
usando tecnologıas como la visualizacion monoscopica y estereoscopica (Gupta et al.,
2008; Fetzer et al., 2015), la interaccion en tiempo real usando realidad aumentada
(Hale and Stanney, 2014) y las tecnologıas hapticas3 (cybergloves/cybergrasps, joys-
tick, etc.) (Weiss et al., 2006), (Henderson et al., 2007) (Kaber and Zhang, 2011). Con
el objetivo de determinar la forma de mejorar la manera de transferir el conocimiento,
las investigaciones continuan buscando la manera de mejorar el proceso de transferir
el conocimiento.
La neuropsicologıa ha puesto en evidencia la existencia de diferencias cualitativas
en el aprendizaje y procesamiento cognitivo en los contextos concretos y abstractos
(Crutch and Warrington, 2005; Christoff et al., 2009). Bajo este principio, se pretende
abordar en esta tesis la relacion que presenta la transferencia de conocimiento con los
esquemas abstractos al realizar la identificacion de procesos cognitivos4 derivados del
entrenamiento de tareas.
A medida que las personas adquieren una habilidad, la integracion del conocimien-
to se manifiesta con cambios funcionales en el cerebro. No obstante, se desconocen
varios principios en la integracion de la informacion en niveles de organizacion del
cerebro y en varias escalas de tiempo, los cuales se rigen a traves de los procesos
cognitivos (Poldrack, 2000; Parasuraman, 2003). Los procesos cognitivos estan invo-
lucrados en la forma en que se adquiere, almacena, se recupera y se usa la informacion
derivada de los estımulos recibidos por el sistema nervioso central. En la figura 1.1
2Consiste en recibir informacion acerca de las acciones realizadas (Levin et al., 2010)3Proporcionan la realimentacion de fuerza al sujeto que interactua con EVs o remotos. Estos dispositivos
trasladan una sensacion de presencia al operador.4Un proceso cognitivo sucede al efectuar una actividad cognitiva, una transformacion o movimiento del
conocimiento, que afecta a los contenidos mentales de una persona, tales como el proceso de pensamiento oel funcionamiento cognitivo de recordar algo (Jung, 2014).
3
se ilustran algunos patrones que caracterizan a procesos cognitivos como la activi-
dad cerebral con caracterısticas espacio-frecuencia sostenidas en tiempo y actividad
cerebral deslizandose en frecuencias.
Figura 1.1 Patrones de procesos cognitivos.
En el estudio de la dinamica cerebral, las senales de EEG resultan adecuadas
ya que proveen mediciones con la resolucion temporal requerida en el analisis de
los procesos cognitivos. El enfoque tradicional de analisis de las senales de EEG ha
sido abordado en el dominio tiempo-frecuencia. Se han usado distintos metodos para
obtener esta descomposicion, entre los que destacan la transformada de Fourier y las
wavelets (Kiebel et al., 2005). Aun cuando estas medidas son capaces de estimar la
energıa presente en un tiempo determinado cuando es evocado un estımulo, carecen
de una caracterizacion topografica que refleje los cambios en tiempo-frecuencia. En
la caracterizacion espacial se aborda el analisis tiempo-frecuencia de electrodos por
separado (Tallon-Baudry et al., 1997; Abasolo et al., 2005; Yaomanee et al., 2012) o
usando combinaciones de metodos de descomposicion espacio-tiempo con los metodos
tiempo-frecuencia (Koenig et al., 2001; Makeig et al., 2002; Marroquın et al., 2004)
para estudiar a los circuitos neuronales en su forma independiente. No obstante, en
neurociencias resulta particularmente interesante poder estudiar la interaccion de los
circuitos neuronales involucrados en distintos procesos cognitivos, a partir del estudio
4
de las propiedades tiempo, frecuencia y espacio de la actividad cerebral.
En esta tesis se plantea estudiar el problema de IHC al comprender la transferencia
de conocimiento de un EV a un ER y su expresion a nivel de actividad cerebral, para
ello se requiere resolver un problema computacional de segmentacion de las senales de
EEG de procesos cognitivos de forma automatica. Esto implica una descomposicion
de la actividad electrica de las senales de EEG usando la transformada de Fourier
de tiempo reducido (por sus siglas en ingles, STFT) en cada canal para luego utili-
zar el agrupamiento con restricciones para detectar de forma automatica los procesos
cognitivos al generar una caracterizacion simultanea en tiempo, frecuencia y espacio.
Con el uso del agrupamiento se busca formar grupos que sean similares en la distri-
bucion espacial (canales) que contienen una distribucion en tiempo (cada instante) y
frecuencias (energıa). Las restricciones se aplican en esta metodologıa dado que los
procesos cognitivos poseen la caracterıstica de ser representaciones episodicas soste-
nidas en parametros espaciales y temporales que necesitan restringirse para lograr
una representacion de la activacion secuencial de la actividad neuronal. En la figu-
ra 1.2 se representa la propuesta de solucion para abordar solucion en la presente
investigacion. Se plantea el entrenamiento en EVs con tareas a diferentes niveles de
abstraccion, se registran las senales de EEG durante el entrenamiento y dichas senales
son para obtener una segmentacion de procesos cognitivos que permita el analisis de
la actividad cerebral originada por la transferencia de conocimiento relacionada con
los niveles de abstraccion presentes en las tareas.
Figura 1.2 Propuesta de solucion en la investigacion.
5
1.1. Motivacion y Justificacion
Los EVs son una entre varias tecnologıas que han ganado popularidad dado que se
perfilan como herramientas de aprendizaje (Reyes et al., 2014). Su utilizacion mues-
tra bajo determinadas circunstancias, ciertas ventajas al comparar su entrenamiento
con el entrenamiento de ER. En un EV no se necesita que un asistente humano este
presente, se pueden mantener costos bajos, son seguros y aislados de peligros, las
actividades se pueden repetir multiples veces permitiendo el analisis desde diferentes
perspectivas y no estan restringidos por la fısica del entorno real que simulan. Los EVs
se visualizan con alto potencial al modelar el ER, por esta razon se han utilizado en
aplicaciones en areas de la medicina, seguridad, educacion, rehabilitacion, comercio o
entretenimiento (Chuah et al., 2011). Sin embargo, no por ser tecnologicamente via-
bles son educativamente pertinentes. En este contexto se ha manifestado la necesidad
de mejorar su desarrollo a traves del analisis de la informacion utilizada en su imple-
mentacion. Para que esto suceda, se requiere del apoyo de teorıas fundamentadas en
el proceso ensenanza–aprendizaje que permitan adoptar esquemas adecuados en las
tareas de implementacion con la finalidad de mejorar la adquisicion y la movilizacion
del conocimiento en la solucion de problemas.
Se han hecho investigaciones para indicar si utilizar los EVs proporciona una
mejora significativa en la adquisicion de conocimientos (Todorov et al., 1997; Rose
et al., 2000; Webster et al., 2001; Moskaliuk et al., 2013). En estos trabajos se ha
comparado el entrenamiento desde el EV y ER, mecanismos incluidos en los EVs
como la retroalimentacion, la repeticion, las tecnologıas hapticas, por mencionar las
mas estudiadas. Sin embargo, aun existen preguntas acerca de la contribucion de ellos
en el proceso de adquisicion del conocimiento a nivel cerebral. Partiendo de esta idea,
se plantea el uso de las senales de EEG como metrica neuroergonomica en el estudio
de los procesos cognitivos que acompanan el proceso de aprendizaje desde EVs.
Desde el punto de vista computacional, la segmentacion automatizada de procesos
cognitivos reflejados en el EEG sigue siendo un problema abierto y con impacto
en las neurociencias mas alla del buen uso para el estudio de problemas asociados
a la transferencia de conocimiento. Los enfoques computaciones pretenden superar
las limitaciones de los metodos tradicionales de analisis de la actividad cerebral. Se
pretende abordar el manejo de la gran cantidad de informacion (alta dimensionalidad)
de estas senales y se busca una representacion de la informacion basada en tiempo,
frecuencia y espacio.
6
1.2. Descripcion del problema
La investigacion desarrollada esta orientada a resolver dos problemas computacio-
nales.
El primero de dichos problemas, desde el punto de vista de IHC se define la ne-
cesidad de disenar, evaluar e implementar EVs con tareas que sean mas productivas
al usuario, que permita beneficiar la transferencia de conocimiento. Se debe conside-
rar no solo como el usuario controla las acciones de la computadora por medio de
la informacion que introduce; tambien es necesario entender como la computadora
debe retroalimentar de informacion al usuario. Por lo tanto, el reto se manifiesta en
como seleccionar y presentar la informacion util al usuario con el fin de garantizar
los objetivos deseados en el contexto del aprendizaje. En particular esta investigacion
analiza como el grado de abstraccion de una tarea desde un EV afecta a la transfe-
rencia de conocimiento. En ese sentido, se requiere desarrollar nuevos conocimientos
cientıficos que permitan una explicacion de los factores que sustentan los procesos
mentales involucrados en el aprendizaje de tareas desde los EVs.
Al disenar EVs se debe tomar en cuenta la necesidad de modificar actitudes, ideas,
mecanismos tradicionales y formas de uso de las tecnologıas. No resulta facil entender
como los contenidos en los EVs influyen en la forma de razonar y en la concepcion
del mundo vista a traves de estas herramientas. Los EVs dirigidos al entrenamiento
de tareas, no solo deben permitir la memorizacion y repeticion de la informacion,
tambien deben mejorar la cognicion al fomentar en el usuario la capacidad de resolver
problemas y extender el conocimiento adquirido a contextos de la vida diaria.
El segundo problema, desde el punto de vista del analisis de la informacion y re-
conocimiento de patrones, en una senal multivariada como es el registro de EEG. Se
requiere de una caracterizacion o reconocimiento automatico de un indicador (desco-
nocido) de un proceso cognitivo correspondiente a una determinada respuesta cerebral
que se extiende en el dominio del tiempo, frecuencia y espacio (conocida). Durante
el entrenamiento de tareas, multiples areas del cerebro se activan simultaneamente e
interactuan entre sı formando lo que se conoce como un ensamble neuronal (David
et al., 2003). Estos enlaces de comunicacion entre las diferentes zonas cerebrales ac-
tivas presentan una correlacion en las senales de EEG correspondientes a las areas
involucradas.
El problema computacional es por tanto uno de segmentacion de un tensor en el
dominio del tiempo, frecuencia y espacio con restricciones, donde estas restricciones
7
expresan condiciones neuropsicologicas necesarias pero no suficientes para la defini-
cion del patron de interes, en este caso cada proceso cognitivo.
Ademas de abordar una solucion en el area de IHC, con el analisis de la influencia
de los esquemas de abstraccion como componentes de diseno de EVs en el proceso de
transferencia de conocimiento al ER, tambien se aborda la segmentacion automatiza-
da de procesos cognitivos usando una tecnica de agrupamiento con restricciones sobre
una caracterizacion en espacio, tiempo y frecuencia para obtener una representacion
que permita analizar el funcionamiento del cerebro con la manifestacion de procesos
cognitivos en las senales de EEG generados por el entreamiento desde EVs con tareas
a diferentes niveles de abstraccion. En la figura 1.3 se ilustran las areas del conoci-
miento que estan involucradas en el planteamiento del problema, la interseccion de
ellas corresponde al marco de estudio de la presente investigacion.
Figura 1.3 Areas que involucran el planteamiento del problema.
1.3. Preguntas de investigacion
Interaccion humano computadora: la abstraccion es un proceso conceptual por el
cual reglas generales y conceptos se derivan del uso y clasificacion de los ejemplos
especıficos (Langer, 1953). Dado el proceso de extraer caracterısticas de un objeto
(especıfico) con el fin de reducirlo a un conjunto de caracterısticas esenciales se dice
que se abstrae informacion del objeto (general) (Hale and Stanney, 2014). Si las repre-
sentaciones de un objeto en su forma mas general y especıfica proporcionan diferentes
representaciones mentales, ¿en que grado altera el nivel de abstraccion en la presenta-
cion de una tarea en un EV la capacidad del discente de transferir los conocimientos
adquiridos en el EV al ER?
8
Reconocimiento de patrones: dadas unas restricciones en las que se conoce el domi-
nio de aplicacion y que expresan la preferencia por mantener dos instancias de datos
en el mismo cluster (Basu et al., 2008) una vez aplicada la tecnica de agrupamiento en
una configuracion en tiempo, frecuencia y espacio ¿son suficientes para caracterizar
los patrones asociados a un proceso generativo no observable?
Neurociencias: los procesos cognitivos ocurren con la realizacion de una actividad
que afecta a los contenidos mentales como el proceso del pensamiento o el funciona-
miento de recordar algo (Jung, 2014). Entonces dada una distribucion de procesos
cognitivos, ¿es posible observar diferencias en la distribucion de patrones en la senal
de EEG que esten relacionados con la modulacion del nivel de abstraccion de una
tarea entrenada desde un EV?
1.4. Hipotesis
Interaccion humano computadora
Partiendo de un conjunto de senales de EEG y de los resultados de una evaluacion
de rendimiento, de una estimacion de la carga mental y de puntajes adquiridos durante
el entrenamiento en entornos virtuales con tareas expresadas a diferentes esquemas
de abstraccion se plantea la siguiente hipotesis;
El nivel de abstraccion con el que se presenta una tarea desde un entorno virtual
modula el nivel de transferencia de conocimiento logrado desde el mundo virtual al
real. De forma que, si el nivel de abstraccion de la tarea es baja (tarea especıfica),
se obtiene una alta transferencia de conocimiento para su analoga real pero esta
transferencia decae rapidamente para tareas diferentes a la entrenada. Por el contrario,
si el nivel de abstraccion de la tarea es alta (tarea general), se obtiene una moderada
transferencia para la tarea analoga real, pero parte de esa transferencia se mantiene
para dar solucion a tareas de ındole diferentes. Para una mejor comprension, en la
figura 1.4 se ilustra la hipotesis planteada en esta investigacion.
9
Figura 1.4 Representacion de la hipotesis planteada en la investigacion.
Reconocimiento de patrones
Con respecto a la segmentacion automatizada de patrones con restricciones sobre
un tensor,
El uso del reconocimiento de patrones mediante la tecnica del agrupamiento con
restricciones permite identificar automaticamente grupos similares en sus propiedades
frecuenciales y en instancias del mismo grupo con patrones adyacentes al obtener una
segmentacion de procesos cognitivos los cuales revelan caracterısticas en la dinamica
cerebral5 presentes en el entrenamiento de tareas bajo ciertos niveles de abstraccion.
1.5. Objetivos
1.5.1. Objetivo general
Desarrollar y validar un modelo computacional que establezca la relacion entre
la transferencia de conocimiento y el nivel de abstraccion de una tarea estimando
el nivel de integracion del conocimiento a nivel cognitivo usando agrupamiento con
restricciones para segmentar la senales de EEG en sus procesos cognitivos.
1.5.2. Objetivos especıficos
Para dar cumplimiento al objetivo general planteado, se proponen los siguientes
objetivos especıficos:
5Es la actividad cerebral en funcion de las condiciones dinamicas de la excitabilidad nerviosa.
10
Desarrollar y validar un algoritmo que permita estimar desde senales de elec-
troencefalografıa el nivel de integracion del conocimiento con la deteccion au-
tomatica de procesos cognitivos en tiempo, frecuencia y espacio usando el agru-
pamiento con restricciones.
Validar estimando la transferencia de conocimiento desde el EV al ER en la tarea
cognitiva y motora seleccionadas e implementadas en EVs analizando estadısti-
camente la informacion obtenida por aciertos y cuestionarios de evaluacion de
rendimiento y carga mental.
Estimar la transferencia e integracion del conocimiento en las tareas imple-
mentadas a diferentes grados de abstraccion en EVs y comparadas contra un
entrenamiento en el ER, mediante el analisis estadıstico de la informacion ob-
tenida por aciertos, cuestionarios de evaluacion de rendimiento y carga mental
y con las senales de EEG.
Al cumplir con los objetivos planteados en esta investigacion se obtuvo una solu-
cion basada en el reconocimiento de patrones usando el agrupamiento con restricciones
en la segmentacion de los procesos cognitivos derivados del entrenamiento de tareas
cognitivas y motoras a diferentes niveles de abstraccion. Con ello se busca aportar
evidencias en el manejo de la informacion a nivel cerebral al identificar el efecto que
tiene la abstraccion de tareas en la transferencia y la movilidad del conocimiento.
1.6. Alcances y limitaciones
La presente investigacion se centra en un problema abierto en el area de IHC con
el analisis de la informacion utilizada en la implementacion de tareas en EVs. Para
poder abordar la solucion a este problema, se utiliza el reconocimiento de patrones
usando agrupamiento con restricciones en la generacion de un modelo computacional
que permita la deteccion automatica de procesos cognitivos en las senales de EEG.
La aplicablidad de este modelo manifiesta una contribucion de solucion en IHC y otra
adicional en el area del reconocimiento de patrones.
Para llegar a este reconocimiento de procesos cognitivos, con senales de EEG
se trabajo en la eliminacion de artefactos utilizando tecnicas comunes que han sido
aplicadas en otros trabajos para atacar este problema (Repovs, 2010) (De Clercq et al.,
2005) (Goncharova et al., 2003) (Jung et al., 2000) (Astolfi et al., 2006) (Akhtar et al.,
11
2010). Se realizo la descomposicion de las senales en el dominio tiempo-frecuencia y
se genero una transformacion de los datos para permitir la representacion en tiempo,
frecuencia y espacio.
Como resultado del proceso antes descrito, el alcance de esta investigacion esta
dado en la segmentacion automatica de procesos cognitivos que permita una explica-
cion en los procesos mentales involucrados en el entrenamiento de tareas moduladas
en su nivel de abstraccion. Se verifico la viabilidad del modelo al evaluar diferentes
tecnicas de agrupamiento y posteriormente se evaluo el metodo en su totalidad con
otro metodo que representa la informacion haciendo una descomposicion en el mismo
dominio del tiempo, frecuencia y espacio.
1.7. Contribuciones e Impacto
Con la investigacion reportada en esta tesis se proporcionan las siguientes contri-
buciones.
En IHC: un analisis de la influencia del nivel de abstraccion de la tarea en
procesos de entrenamiento a traves de entornos virtuales.
En reconocimiento de patrones: un metodo de caracterizacion de signaturas
observables en senales multivariadas correspondientes a observaciones indirectas
de procesos en tiempo, frecuencia y espacio.
Se plantea el impacto que la presente investigacion tendrıa.
En el reconocimiento de patrones y el procesamiento de senales, con una solucion
en la segmentacion en tiempo, frecuencia y espacio.. Aun cuando el problema
fue abordado con senales de EEG, existen senales de distintos orıgenes que dada
las propiedades que presentan requieran abordarse con esta representacion. Por
ejemplo las senales de voz, los registros electrocardiograficos, las senales sate-
litales, etc. Se proporciona un modelo adaptable al proporcionar una solucion
que recaiga en la representacion en tiempo, frecuencia y espacio aun cuando
este tipo de senales pertenezcan a diferentes dominios.
En neurociencias al proporcionar un modelo para la deteccion automatizada de
procesos cognitivos representados en el dominio del tiempo, frecuencia y espacio
12
en senales de EEG que permita identificar que ocurre con los cambios en la
actividad cerebral relacionados al proceso de transferencia de conocimiento.
En IHC con una perspectiva en la seleccion y analisis de tareas apropiadas al
proceso de recuperacion de habilidades, ası como una comprension mas adecua-
da de la influencia del grado de abstraccion con el que se presenta la tarea en
el proceso de transferencia de conocimiento.
1.8. Descripcion del documento
Este documento esta compuesto por 6 capıtulos, que se describen brevemente
a continuacion. El capıtulo 1 esta dedicado a proporcionar una vision general de
este trabajo, indicando la problematica que se tiene, la motivacion y justificacion
para abordarlo, las preguntas de investigacion y la hipotesis planteada, los objetivos
buscados, el alcance de la investigacion, su delimitacion, las areas de impacto y las
contribuciones esperadas. El capıtulo 2 describe los conceptos teoricos necesarios para
la comprension de la investigacion. El capıtulo 3 senala los principales trabajos que
estan relacionados con la investigacion. El capıtulo 4 describe la solucion propuesta
para abordar la problematica planteada. El capıtulo 5, presenta los experimentos
llevados a cabo y los resultados obtenidos durante el desarollo de esta investigacion.
El capıtulo 6, presenta las conclusiones del trabajo y se da una perspectiva para
la continuacion del trabajo, e igualmente se ofrecen posibles mejoras futuras a la
investigacion.
13
Capıtulo 2
Marco Teorico
Este capıtulo reune aquellos conceptos, nociones, tecnicas y metodos que son esen-
ciales para comprender la investigacion desarrollada y su relevancia. Se abordan cinco
areas que han sido fundamentales para el desarrollo de la investigacion. La primera
es neuroimagen, en la que se mencionan a las senales de EEG, los montajes para
su registro y los ritmos cerebrales. La segunda es el procesamiento de senales, en la
que se explica el funcionamiento del analisis de componentes independientes en la
reduccion de artefactos y a la transformada de Fourier de tiempo reducido en la re-
presentacion de las senales en tiempo-frecuencia. La tercera es el reconocimiento de
patrones, mencionando al agrupamiento con restricciones y la segmentacion. La cuar-
ta es la interaccion humano computadora en la que se define a los entornos virtuales
y su implicacion en el proceso de transferencia de conocimiento y en el mismo papel
se menciona a los esquemas de abstraccion. Finalmente, la quinta es neurociencias,
donde se explica la organizacion cognitiva y estructural cerebral de acuerdo a los
niveles de abstraccion.
2.1. Neuroimagen
2.1.1. Electroencefalograma
Las senales de EEG es el registro de la actividad electrica del cerebro sensada
de forma no invasiva en la superficie del cuero cabelludo y es el resultado de la
acumulacion de descargas electricas en poblaciones neuronales (Pereyra, 2011). Ver
figura 2.1 modificada de (System, 2015). El registro de EEG es una tecnica no invasiva,
14
esto es porque los electrodos son de facil colocacion lo cual disminuye los riesgos al
paciente.
Figura 2.1 Senales de electroencefalografıa. Figura modificada de (System, 2015)
La actividad cerebral o metabolismo neuronal se manifiesta como corrientes electri-
cas que permiten el flujo de informacion. En el cerebro ocurren dos principios com-
plementarios de organizacion de la informacion: la segregacion y la integracion. El
principio de segregacion parte de la idea de que existen algunas tareas que pueden
asociarse a regiones concretas del cerebro (Redolar, 2014). El principio de integra-
cion indica que las funciones cerebrales estan ligadas de manera dinamica y no como
una sucesion jerarquica (Redolar, 2014). Dado un estımulo, diferentes poblaciones
neuronales responden de una u otra forma al estımulo produciendo diferentes picos
de actividad, conocidos como potenciales que expresan diferentes procesos cognitivos
subyacentes (Woodman et al., 1993).
La palabra cognicion que significa conocimiento o accion de conocer, denota el
proceso por el que las personas adquieren conocimientos. Los procesos cognitivos
derivan de cuando se adquiere, almacena, recupera y se usa el conocimiento, a partir
de estos procesos se estudia el funcionamiento de la mente, las operaciones que realiza
y resultados de las mismas (Navarro, 2008). Para representar la actividad cerebral
desencadenada por un estımulo, la figura 2.2 tomada de (Woodman, 2010) ejemplifica
diferentes operaciones cognitivas producidas en el cerebro durante un estımulo de
atencion.
Cuando se realiza el registro de EEG, la senal adquirida por un electrodo colo-
cado sobre el cuero cabelludo es la sumatoria de senales provenientes de multiples
areas del cerebro y generada por la actividad de miles de neuronas distribuidas en
todo el cerebro. En cada registro de EEG adquirido con varios electrodos en forma
simultanea, se genera un sistema de senales multiplexada en diferentes bandas de
15
Figura 2.2 Los picos y depresiones de la forma de onda que se observa en el estımuloERP permiten visualizar el procesamiento cognitivo que se desarrolla durante un en-sayo, se trata de una idealizacion en las ondas en el tiempo durante la presentacion delestımulo. El voltaje se representa con la negativa subida, la cantidad de fluctuacionesde voltaje indica como el cerebro transforma la informacion de la entrada sensorial auna respuesta de comportamiento. El componente C1 es generado por la actividad enla corteza visual primaria. Este comportamiento inicial es seguido por los componen-tes P1 y N1 que muestran como la informacion se propaga a traves del sistema visualy se realiza el analisis perceptual. Despues, en N2pc se observa las formas de ondaproducidas por el despliegue de la atencion encubierta de un objetivo periferico en elcampo visual y los componentes N2/P3 que estan asociados a la categorizacion delestımulo visual y la forma de onda en P3 que codifica a la memoria de trabajo y elmantenimiento.
frecuencia (Pesaran et al., 2002).
En el registro de la actividad cerebral1, se requiere de una estandarizacion que
asegure la recolocacion de los electrodos en las mismas posiciones de la cabeza y del
que se reconozca su correspondiente par cortical subyacente. Un sistema estandar de
localizacion es el 10/20 que cuenta con 21 electrodos, el cual se ha extendido a otros
sistemas como el 10/10 y 10/5 permitiendo mas de 300 posiciones de los electrodos2.
1El registro es la operacion de emparejamiento de la funcion metabolica observada en la neuroimagen-funcional con su origen estructural o anatomica.
2La estandarizacion utilizada para la colocacion de electrodos sobre el cuero cabelludo esta sujeta a unsistema internacional y representa la distancia a la que estan espaciados los electrodos con respecto a ladistancia total entre puntos reconocibles del craneo (Society et al., 2006).
16
En la figura 2.3 (Jurcak et al., 2007) se muestran las posiciones de los electrodos
definidas por los sistemas antes mencionados.
Figura 2.3 Sistema de posicionamiento de electrodos: la distribucion de zonas en elsistema 10/5 esta indicada en letras grises, la distribucion de zonas en el sistema 10/20esta indicada con cırculos negros y la distribucion de zonas en el sistema 10/10 estaindicada en cırculos grises. Posiciones en letras de color rojo, azul y verde son lasposiciones vecinas que se ajustan eficazmente sobre el cuero cabelludo cuando las po-siciones vecinas no se permiten. Las letras F, C, P, O, T indican las zonas frontal, cor-tical, parietal, occipital y temporal respectivamente. Los numeros pares correspondena las posiciones del hemisferio derecho, mientras que los impares a las del izquierdo.La letra Z indica las posiciones que se encuentran sobre la cisura longitudinal. Figurareproducida de (Jurcak et al., 2007).
Dependiendo de la configuracion del montaje de los electrodos, se puede distinguir
en tres topologıas diferentes: montaje monopolar, bipolar y laplaciano (Mourino et al.,
2001).
Monopolar: consiste en un electrodo de registro y el segundo se toma de un
electrodo llamado referencia el cual debe tener potencial cero.
Bipolar: se toman parejas de electrodos activos y se registran las diferencias de
tension entre cada par de puntos.
Laplaciano: al igual que el monopolar, se adquieren las diferencias de potenciales
entre los electrodos de interes o activos y un valor de referencia; en esta caso la
17
referencia es el promedio de varios electrodos situados alrededor del electrodo
activo.
Una variante del montaje laplaciano es el filtro espacial de referencia comun
(CAR), en el cual la referencia es calculada mediante la ecuacion (2.1) (Mourino
et al., 2001).
vCARh (t) = vh(t)−1
H.
H∑i=1
vi(t) (2.1)
Donde vh(t) es el voltaje recogido por el canal h-esimo, etiquetando como h el
canal en el que se aplica el filtro y siendo H el numero total de electrodos empleados,
incluyendo el canal filtrado. De este modo, la actividad comun a todos los electrodos
se atenua y solo se consideran los valores que son propios de cada lugar (Mourino
et al., 2001).
El montaje de los electrodos determina la signatura que deja la actividad cerebral
en su adquisicion por el electrodo.
2.1.2. Ritmos Cerebrales
La actividad electrofisiologica cerebral se manifiesta en terminos de los llamados
ritmos cerebrales. Los ritmos cerebrales se definen como ondas regulares a lo largo del
tiempo, estas se refieren a distintos patrones de actividad neuronal masiva asociados a
comportamientos especıficos (Binder et al., 2009). Dicha actividad se produce o inhibe
segun los diferentes mecanismos o estados del cerebro (en vigilia, en el sueno, en el
estado de coma o en respuesta a determinadas acciones del sujeto). Para distinguirlos,
los ritmos cerebrales se han dividido historicamente segun las bandas de frecuencias
que ocupan, denominandose con las letras griegas δ, θ, α, β, µ, γ3. En la figura
2.4 tomada y modificada de (Master, 2014) se presentan los ritmos cerebrales y la
asociacion con algun comportamiento.
2.2. Procesamiento de Senales
Una de las primeras etapas en el preprocesamiento de la senal de EEG es la re-
mocion de las influencias perturbadoras o artefactos. Las fuentes de ruido pueden
3Ver apendice A.
18
Figura 2.4 Ritmos cerebrales en humanos. Figura reproducida de (Master, 2014).
ser fisiologicas, generadas por la instrumentacion utilizada o el medio ambiente del
experimento (Rangayyan, 2015). En el caso de la amplificacion y registro de la senal,
se presentan frecuentemente problemas de interferencia originada por la red de dis-
tribucion electrica (Sanei and Chambers, 2007), la fuente de esta interferencia puede
ser de origen magnetico y electrico, donde se incluyen luces, cables, tomas de corrien-
te, equipos que operen cerca, corrientes sistemicas que fluyen a traves del cuerpo de
la persona o movimientos musculares (parpadeos y respiracion) o por la perdida de
contacto entre los electrodos y la piel debido a movimientos o vibraciones. Diferentes
filtros permiten reducir varias fuentes de artefactos atenuando la parte no deseada de
las senales de EEG (Widrow et al., 1975). No existen filtros que cumplan idealmente
todas las propiedades requeridas para la eliminacion de artefactos, algunas cualida-
des son mutuamente excluyentes, por lo que a menudo se emplean diferentes tipos de
filtrado, en concordancia con la aplicacion concretamente deseada.
2.2.1. Analisis de Componentes Independentes
Las senales de EEG suelen estar contaminadas por artefactos provenientes de dife-
rentes fuentes que se asumen independientes y que tıpicamente son de mayor amplitud
que la generada por fuentes neuronales. El analisis de componentes independientes
(en ingles ICA) resulta util tanto para detectar y eliminar artefactos como para sepa-
rar biologicamente fuentes cerebrales cuyos patrones estan claramente asociados con
19
fenomenos de comportamiento (Iriarte et al., 2003; Yun et al., 2007).
ICA es un metodo para descomponer en las fuentes originales mezclas de senales.
La novedad de esta tecnica reside en el supuesto de que procesos fısicos diferentes
generan senales no relacionadas independientes (Stone, 2002). ICA asume un modelo
estadıstico mediante el cual los datos multivariantes observados, se supone que son
mezclas lineales o no lineales de algunas variables latentes4 desconocidas.
En un conjunto de observaciones de variables aleatorias {x1(k), x2(k)...xn(k)},siendo k las muestras, se asume que estan generadas por una combinacion lineal de
A (matriz de mezcla) de componentes estadısticamente independientes sn(k) como se
indica en la ecuacion (2.2) x1(k)
x2(k)...
xn(k)
= A ·
s1(k)
s2(k)...
sn(k)
(2.2)
o en forma matricial por la ecuacion (2.3)
x = A · s (2.3)
donde A es una matriz de mezcla desconocida. ICA estima tanto la matriz A como
las fuentes si(k) a partir de las observaciones xi(k) (Hyviirinen et al., 2001). En la
resolucion mas sencilla del sistema, se asume que el numero de observaciones coincide
con el de las fuentes originales, no obstante, esta simplificacion no es completamente
necesaria para resolver el problema.
Para definir ICA de una forma rigurosa, es posible usar un modelo de variables
ocultas (Hyviirinen et al., 2001). Se trata de observar n variables aleatorias x1, ..., xn,
que se modelan como un problema lineal de fuentes s1, ..., sn. Como se muestra en la
ecuacion (2.4)
xi = ai1 · s1 + ai2 · s2 + ...+ ain · sn ∀ i = 1, ..., n (2.4)
donde los ain son coeficientes reales. Por definicion, los sn son independientes entre
sı.
4Las variables latentes (o variables ocultas), son las variables que no se observan directamente sino queson inferidas (a traves de un modelo matematico) a partir de otras variables que se observan (Tabachnick andFidell, 2001).
20
Para poder asegurar que el modelo ICA tiene solucion, es necesario hacer una serie
de suposiciones:
1. El numero de observaciones ha de ser mayor o igual al numero de componentes
independientes a estimar. En caso de que sea mayor, es posible aplicar algu-
na estrategia de reduccion de dimensionalidad, una de las mas utilizadas para
abordar el problema es el analisis de componentes principales (PCA) (Shlens,
2014).
2. Es conveniente que los componentes no presenten una distribucion Gaussiana.
3. La matriz de mezcla A tiene que ser cuadrada para que se pueda invertir.
s = Bx
∣∣∣∣ B = A−1 (2.5)
En el siguiente ejemplo se tiene dos senales A y B (figura 2.5), que se mezclan
linealmente para generar dos nuevas senales mezcladas M1 y M2 (figura 2.6) que
contienen la senal de interes y la que no lo es (ruido).
Figura 2.5 Senales independientes A y B. Figura modificada de (Center of the Institu-te for Neural Computation, 2010).
Al aplicar el metodo ICA a las senales mezcladas M1 y M2, se logra recuperar las
dos senales independientes salvo por un factor de escala (figura 2.7).
Se puede observar que el metodo no garantiza la recuperacion exacta de las senales
originales, sin embargo la unica diferencia entre las senales independientes originales
y las senales recuperadas al utilizar el metodo es un escalar (puede ser positivo o
negativo) (Grandchamp and Delorme, 2009).
La utilidad de ICA esta basada en que i) es posible separar las fuentes mixtas de
una senal, lo que permite la identificacion de los diferentes mecanismos subyacentes
21
Figura 2.6 Senal mezclada M1 = A+2.5+B y M2 = 0.7*A-1.1*B. Figura modificadade (Center of the Institute for Neural Computation, 2010).
Figura 2.7 Senales recuperadas A y B. Figura modificada de (Center of the Institute forNeural Computation, 2010).
que dan lugar a la estructura de los datos, ii) busca una transformacion de forma que
la informacion compartida entre las variables obtenidas sea lo mas proximo a cero,
lo que significa que encuentra un espacio de maxima independencia entre los datos
(Cichocki, 2004).
Resulta adecuado hacer uso de ICA ya que al proporcionar una independencia
entre las diferentes fuentes que componen a las senales de EEG, se puede encontrar
la lınea de ruido en las fuentes independientes que se obtiene para poder substraerlas
de los canales sin perdida de informacion. Sin embargo, la aplicacion de ICA sigue
siendo en gran parte dependiente del usuario. Esto es porque ICA finaliza al devolver
el conjunto de componentes, pero estos no han sido asociados a la fuente fisiologica
que pertenecen u ordenados acorde a un criterio. Para abordar el siguiente paso que
consiste en la identificacion de artefactos, se han desarrollado algoritmos automaticos
(Akhtar et al., 2010) que identifican los artefactos en componentes independientes me-
diante la combinacion de caracterısticas espaciales y temporales del comportamiento
especıficamente estereotipados de estos artefactos.
22
Las caracterısticas que usualmente son identificadas como artefactos en las senales
de EEG con ICA son parpadeos, movimientos oculares y discontinuidades genericas
(Akhtar et al., 2010). Una vez indentificados estos artefactos, pueden ser simplemen-
te retirados de los datos dejando la actividad debido a fuentes neuronales casi no
afectadas. Algunos algoritmos que permiten llevar a cabo la eliminacion de artefactos
en senales de EEG son Spatial Average Difference (SAD), Temporal Kurtosis (TK),
Supplementary controls, Maximum Epoch Variance (MEV), Spatial Eye Difference
(SED), Generic Discontinuities Spatial Feature (GDSF) (Delorme and Makeig, 2004).
Sin embargo, la revision de los mismos excede el alcance de esta tesis.
2.2.2. Procesamiento Tiempo-Frecuencia
Senales como las de EEG, presentan caracterısticas que se evidencian en el dominio
de la frecuencia5. La transformada de Fourier (TF), permite este analisis en el dominio
de la frecuencia. Dada una senal s(t) de energıa finita, su transformada de Fourier es
una funcion de la frecuencia (f), ver ecuacion (2.6).
TF{s(t)} = s(f) =
∫ ∞−∞
s(t)·e−j2πt·fdt (2.6)
s es una representacion de s(t), que facilita la visualizacion de la distribucion en
frecuencia de la energıa. Esta tecnica resulta suficiente para senales estacionarias6, sin
embargo, con ella no se obtiene informacion del instante en que aparecen/desaparecen
los componentes de frecuencia, caracterıstica de las senales no estacionarias. La in-
formacion que provee la transformada de Fourier no esta localizada en el tiempo, lo
que provoca que las senales de EEG que se caracterizan por tener la propiedad de
no estacionarias, no quedan descritas completamente mediante esta tecnica (Blanco
et al., 1998).
2.2.2.1. Transformada de Fourier de Tiempo Reducido
Para tratar de solucionar el problema de analizar las frecuencias y el segmento del
dominio donde se presentan, se genera un proceso llamado ventaneo. Dado que las
senales de EEG tienen la caracterıstica intrınseca de ser no estacionarias y requieren de
5La transformada de Fourier estrictamente descompone al espacio de frecuencia y fase, pero una simpli-ficacion comun del analisis utiliza unicamente la informacion en frecuencia.
6Senales con parametros estadısticos invariantes con el tiempo.
23
una observacion de sus propiedades en el tiempo. Se utiliza la transformada de Fourier
de tiempo reducido (STFT) para realizar una particion del dominio del tiempo de la
funcion y realizar la transformada de Fourier (TF) para cada uno de los segmentos
(Delorme et al., 2007).
La tranformada de Fourier utiliza exponenciales complejas (senos y cosenos) como
funciones de base para la representacion de senales. La falta de localizacion temporal
se debe a que dichas funciones son periodicas. Gabor propuso una alternativa a la TF
aplicable a senales no estacionarias (Gabor, 1946), se trata de la STFT la cual se basa
en el calculo de la TF utilizando ventanas temporales deslizantes w(t). Esta tecnica
permite extraer informacion de la distribucion temporal de la energıa (Gamero et al.,
1997).
La salida de la STFT proporciona una representacion tiempo-frecuencia de la
senal. Para lograr esto, la senal se trunca en tramas de datos cortos multiplicandolos
por una ventana de modo que la senal modificada es cero fuera de la trama de datos.
La transformada de Fourier (una funcion de una sola dimension) de la senal resultante
es tomada como la ventana que se desliza a lo largo del eje del tiempo, resultando una
representacion en dos dimensiones de la senal. Matematicamente, la STFT se define
en terminos de la ecuacion 2.7:
STFT{x(t)} = X(τ, ω) =
∫ ∞−∞
x(t) · w(t− τ)e−jτftdt (2.7)
Donde:
ω : 2πf
w(t): funcion ventana
x(t): senal original
X(τ, ω): es en esencia la transformada de Fourier de x(t) · w(t− τ)
f : frecuencia
t: tiempo
En la figura 2.8, se representa la descomposicion de una senal mediante la TF y
la STFT, pudiendose apreciar la diferencia entre ambas tecnicas.
La STFT tiene una resolucion fija, el ancho de la resolucion de ventana esta
relacionada con la forma en que la senal es representada. Por otro lado, el aumento
de w causa un traslado en frecuencia con un ancho de banda constante. Una ventana
angosta da buena resolucion en el tiempo y pobre resolucion en el dominio de la
frecuencia. Una ventana ancha da buena resolucion en el dominio de la frecuencia y
24
Figura 2.8 Transformacion de la senal en tiempo-frecuencia. a) senal original, en eleje horizontal se observa el tiempo y en el eje vertical la amplitud. b) transformada deFourier, en el eje horizontal se visualiza la frecuencia y en el eje vertical se observa lamagnitud. c) espectrograma de la STFT, en el eje horizontal se encuentra el tiempo yen el eje vertical los diferentes componentes en frecuencia respecto a cada instante detiempo. Figura reproducida de (STFT, 2010).
pobre resolucion en el dominio del tiempo (Kiymik et al., 2005). Estas son llamadas
transformadas de banda amplia y de banda angosta, respectivamente. En la figura 2.9
se observa el espectrogama con diferentes definiciones de ventana para poder observar
su comportamiento en frecuencia.
2.3. Reconocimiento de Patrones
2.3.1. Agrupamiento
La clasificacion no supervisada es un area dentro del reconocimiento de patrones
(Fukunaga, 2013) que se ha utilizado en multiples disciplinas como el aprendizaje
automatico (Fisher, 1987), procesamiento de textos (Iwayama, 1995), procesamiento
digital de imagenes (Shi and Malik, 2000) entre otras. Los algoritmos de clasificacion
no supervisada tambien se conocen como algoritmos de agrupamiento. Este proceso
de agrupamiento consiste en agrupar los datos/observaciones en segmentos de manera
que los datos dentro de cualquier segmento son similares y los datos entre segmentos
sean diferentes, en otras palabras se pretende reducir al mınimo distancias intraclus-
ters y maximizar distancias intercluster siguiendo un determinado criterio (Jain et al.,
1999)(Ver figura 2.10).
Formalmente el agrupamiento esta definido de la siguiente manera (Batagelj and
Ferligoj, 1998):
25
Figura 2.9 Representacion de la STFT con diferentes tamanos de ventana. El primerespectrograma con ventana angosta (25 ms), permite identificar un tiempo preciso en elcual la senal cambia pero los cambios precisos en la frecuencia son dificiles de identi-ficar, en el otro extremo de la escala, la ventana (1000 ms), permite que las frecuenciassean vistas de forma precisa pero el tiempo entre los cambios de frecuencia es borroso.Figura modificada de (Transform, 2016).
Figura 2.10 Esquematizacion del agrupamiento. Figura modificada de (Jain et al.,1999).
Sea E un conjunto finito de unidades, el subconjunto no vacio C ⊆ E es llama-
do grupo. Un conjunto de grupos C = {Ci} forma un agrupamiento. El problema
de agrupamiento (Φ, P,mın) puede ser expresado como: determinar el agrupamiento
C∗ ∈ Φ, por cada
26
P (C∗) = mınC∈Φ
P (C) (2.8)
donde Φ es un conjunto de grupos factibles y P : Φ→ R+0 es una funcion criterio
de agrupamiento. Se denota el conjunto de soluciones mınimas con Min(Φ, P ).
En el agrupamiento no existen etiquetas de grupos prefijadas de antemano para
las diversas grupos. El sistema es quien extrae las caracterısticas diferenciadoras entre
grupos, y, por lo tanto, fija las fronteras entre nubes de puntos. Es ası como dado un
conjunto de objetos sin etiquetas, se forman grupos de objetos siguiendo un conjunto
determinado de criterios.
1. Los grupos deben tener una densidad de puntos relativamente alta (Everitt,
1979).
2. El analisis de grupos consiste en encontrar la estructura intrınseca en los datos
ya sea como grupos de individuos o como jerarquıa de grupos (Jain and Dubes,
1988).
3. En un conjunto de objetos se pueden identificar un numero determinado de
subgrupos naturales (Pal and Bezdek, 1995).
4. Los objetos de un grupo se parecen mas entre sı que a objetos de otros grupos
(Halkidi et al., 2001).
5. El proceso de agrupamiento consiste en particionar un conjunto de objetos en
grupos de objetos similares (Hathaway and Bezdek, 2003).
Para resolver el problema de agrupamiento se han desarrollado una gran canti-
dad de metodos, entre los cuales podemos mencionar los siguientes grandes grupos
(Escudero, 1977); jerarquicos, re-agrupamiento o basado en grupos, entre otros. Para
un tratamiento mas detallado referimos al lector a (Duda et al., 2012). De particular
interes para esta tesis es el agrupamiento jerarquico.
2.3.1.1. Analisis de Agrupamiento Jerarquico
El analisis de agrupamiento jerarquico (HCA, segun sus siglas en ingles), consiste
en generar una jerarquıa de agrupamiento. El agrupamiento jerarquico puede hacerse
de forma acumulativa, es decir, partiendo de grupos formados por un solo objeto de
27
la muestra agrupandolos poco a poco hasta obtener un solo agrupamiento como todos
los objetos de la muestra; o divisiva partiendo del conjunto completo de objetos de la
muestra y dividiendo sucesivamente los agrupamientos hasta llegar a tener solamente
grupos formados por un solo objeto de la muestra. Formalmente esta definido de la
siguiente manera (Batagelj and Ferligoj, 1998):
El conjunto de grupos factibles Φ determina el predicado de factibilidad Φ(C) ≡C ∈ Φ definido en P (P (E) \ ∅); y por el contrario Φ ≡ C ∈ P (P (E) \ ∅) : Φ(C).
En el conjunto de todos los grupos Φ la relacion de inclusion de agrupamiento vpuede ser introducido por:
C1 v C2 ≡ ∀C1 ∈ C1, C2 ∈ C2 : C1 ∩ C2 ∈ {∅, C1} (2.9)
ademas se dice que el agrupamiento C1 es un refinamiento del agrupamiento C2.
Este tipo de metodo de agrupamiento puede utilizarse para construir taxonomıas
en un universo de objetos, o bien para formar un solo agrupamiento evaluando cada
nivel y seleccionando aquel con los grupos de mejor calidad (Dubes and Jain, 1988).
Para poder agrupar los objetos mediante HCA se deben medir sus semejanzas o
diferencias y las distancias entre ellos suele ser una buena medida para lograr el
agrupamiento. La ecuacion 2.10 se indica el calculo de la semejanza (Dubes and Jain,
1988).
semejanzaab = 1− dabdmax
(2.10)
Donde dmax es la mayor distancia de los datos. Con esta escala se asigna 1 a
las muestras identicas y 0 a las muestras mas disımiles. El agrupamiento se realiza
teniendo en cuenta la distancia a la que se encuentran los diversos elementos y no
pueden ser negativas; la distancia desde a a b (dab) tiene que ser igual a la distancia de
b a a (dba); y ademas, debe cumplir con la desigualdad triangular para tres distancias
entre tres puntos cualesquiera. Algunas distancias mas utilizadas para la generacion
de grupos asocian un numero (dij) a un par de objetos/datos (i, j). Las medidas de
distancia mas utilizadas en la generacion de grupos son la distancia Minkowski, la
Euclidiana, la Manhattan, la Mahalanobis, entre otras.
El algoritmo de agrupamiento jerarquico se distingue de otras tecnicas de agrupa-
miento al abordar una solucion que consiste en perfeccionar un agrupamiento inicial
suboptimo generando una busqueda codiciosa al construir una jerarquia de grupos
28
(Kaur and Kaur, 2013). Esta tecnica requiere de un tiempo de computacion alto en
comparacion con otras tecnicas de agrupamiento (Kaur and Kaur, 2013), pero ofrece
la ventaja de maximizar el nivel de semejanza de los datos en los grupos (Press, 2007).
Como parametro del algoritmo de agrupamiento se selecciona el numero de grupos
finales n que se desea obtener. Esta decision no es trivial. Mas grupos permite una
categorizacion mas granularizada de las observaciones pero su procesamiento conlleva
un mayor coste computacional (Cıscar, 2000). Debido a que la complejidad compu-
tacional de HCA es O(n3) (Press, 2007), el tiempo de procesamiento y el consumo de
recursos puede hacer a este algoritmo inaplicable para numeros de grupos elevados.
Por otro lado, pocos grupos implica un agrupamiento mas burdo. El numero n de
grupos a obtener se puede seleccionar a partir del compromiso entre la minimizacion
de la varianza que esta dado por el numero de grupos y el costo computacional para
obtenerlos, el cual es evaluado usando la correlacion obtenida como parametro de
HCA.
El proceso de agrupamiento comienza con los n grupos C = {cn}, donde cada uno
de estos grupos esta compuesto inicialmente unicamente por una sola observacion
c0n que coincide con el centroide del grupo θ(cn). En este primer paso se tiene que
∀cn : Ecn = 0 y la suma de cuadrados de los errores para todos los grupos queda
como indica la Eq. 2.11.
E =∑cn∈C
Ecn = 0 (2.11)
El agrupamiento es una tarea cualitativa. El mismo conjunto de datos puede ne-
cesitar ser dividido de formas diferentes para diferentes propositos o interpretaciones
(Watanabe, 1985; Jain et al., 1999).
Cada algoritmo de agrupamiento utiliza algun tipo de conocimiento, ya sea implıci-
to o explıcito para definir esta cualidad. El conocimiento implıcito juega un papel en
(1) la seleccion de un esquema de representacion de patrones (usando experiencia
previa para seleccionar y codificar caracterısticas), (2) la eleccion de una medida de
similitud (distancia de Mahalanobis, distancia Euclidiana, etc.) y (3) la seleccion de
un criterio de agrupamiento (algoritmo de agrupamiento K-means, jerarquico, etc).
El conocimiento de dominio se utiliza de forma implıcita para seleccionar el control
o aprendizaje de los valores de los parametros que afectan el rendimiento de estos
algoritmos. Tambien es posible utilizar el conocimiento del dominio explıcitamente
para limitar o guiar el proceso de agrupamiento. Estos algoritmos con un dominio de
29
conocimiento explicito resultan en agrupamiento mas especializados que se utilizan
en varias aplicaciones. Ambos conocimientos tanto implicito como explicito deben ser
conocidos de antemano ya que resultan de gran utilidad para guiar objetivamente el
proceso de agrupamiento.
El concepto del dominio puede jugar diferentes papeles en el procesos de agru-
pamiento y con ello una variedad de opciones estan disponible al usuario. En un
extremo, el concepto de dominio podrıan servir facilmente como una caracterıstica
adicional (o varias) y el resto del procedimiento podrıa ser de otra manera sin que
resulte afectado. En el otro extremo, los conceptos de dominio podrıan utilizarse para
confirmar o vetar una decision independiente del algoritmo de agrupamiento tradi-
cional, o se utiliza para afectar el calculo de la distancia de proximidad empleado por
un algoritmo de agrupamiento.
2.3.2. Agrupamiento con Restricciones
En los ultimos anos, una nueva modalidad de los algoritmos de agrupamiento ha
surgido con el nombre de agrupamiento con restricciones (Basu et al., 2008). Estos
nuevos algoritmos pueden incorporar conocimiento del dominio a priori, que permiten
guiar el proceso de agrupamiento con algun determinado criterio. Esta informacion
se proporciona en la forma de un conjunto de relaciones de pares entre los elementos
de datos (llamadas restricciones) que expresan la preferencia (o incluso la obligacion)
acerca de si las dos instancias de datos unidos por cada una de estas limitaciones
deberıan o no ponerse en el mismo grupo. En el agrupamiento con restricciones,
el conocimiento del dominio se utiliza para mejorar el agrupamiento de datos, que
significa hacer el conglomerado final mas preciso, significativo o mas en sintonıa con
la vision que tiene el experto de los datos. Un ejemplo de esta modalidad es en la
tarea de prediccion de la funcion de proteınas (Koonin and Wolf, 2010). Datos de
la secuencia del genoma pueden ser aumentadas por el conocimiento acerca de los
vınculos funcionales entre las proteınas. Dependiendo de la naturaleza del problema
y la fuente de los conocimiento basicos, uno o ambos tipos de restricciones pueden
presentarse.
La formalizacion del agrupamiento con y sin restricciones esta planteado de la
siguiente manera (Tung et al., 2001):
Constrained Clustering (CC): Dado un conjunto de datos D con n objetos,
una funcion distancia df : D · D → R, un entero positivo k, y un grupo de
30
restricciones C, encontrar k-clusters (Cl1, ..., Clk) de tal forma que DISP =
(∑k
=i disp(Cli, repi)) es minimizada, y cada cluster Cli satisface las restricciones
C, denotado como Cli | = C.
Unconstrained Clustering (UC): Dado un conjunto de datos D con n obje-
tos, una funcion distancia df : D ·D → R y un entero positivo k, encontrar un
k-agrupamiento, por ejemplo una particion de D dentro de k grupos disjuntos
(Cl1, ..., Clk) tal que DISP = (∑k
i=1 disp(Cli, repi)) es minimizada.
La “dispersion” del cluster Cli, disp(Cli, repi), mide la distancia total entre cada
objeto en Cli y el representante repi de Cli. Por ejemplo, disp(Cli, repi) esta
definido como∑
p∈Cli df(p, repi). El representante de un cluster Cli es elegido
de tal manera que disp(Cli, repi) se minimiza. El algoritmo K-means utiliza el
centroide del cluster como su representante, el cual se puede calcular en tiempo
lineal.
Una fundamental diferencia entre los problemas de UC y CC es que los algoritmos
de agrupamiento sin restricciones (UC) son disenados para encontrar clusters que
satisfagan la propiedad del mas cercano denotado por nearest rep(resentative) property
(NRP). Mientras que para el problema del agrupamiento con restricciones (CC), el
NRP puede entrar en conflictos con la satisfaccion de la restriccion.
Los algoritmos con restricciones son generalmente usados de forma no supervisa-
da (no requieren algun conocimiento externo). Sin embargo en algunas aplicaciones
con dominios reales, sucede que el analista de datos posea previo conocimiento so-
bre el dominio de aplicacion o del conjunto de datos, lo cual podrıa ser util en el
agrupamiento de los datos. Al incorporar este conocimiento en los algoritmos, puede
hacer que estos sean mejores en terminos de eficiencia y calidad de los resultados.
Estas restricciones ayudan a reducir la complejidad de la tarea y encontrar grupos
que satisfagan las restricciones especificadas por el experto.
La introduccion de restricciones especificadas por el experto en algoritmos estandar
conduce al estudio de una nueva rama de algoritmos de agrupamiento (Wagstaff et al.,
2001; Basu et al., 2004; Ruiz et al., 2007; Okabe and Yamada, 2012). Las posibles
restricciones que se pueden especificar son restricciones a nivel de grupo, que definen
requisitos especıficos en los grupos como es el mınimo o maximo numero de elementos
y las restricciones a nivel de instancias, que definen una propiedad de dos objetos en
los datos, como el hecho de que deben estar en el mismo cluster (Wagstaff and Cardie,
31
2000). De acuerdo con la informacion que proporcionan las instancias de los datos se
manejan las restricciones. A continuacion se presentan algunas restricciones comunes
(Wagstaff et al., 2001; Davidson and Ravi, 2005):
Positiva (Must-link), ML(a, b) indica que dos instancias de los datos deben
(deberıan) estar en el mismo grupo. Dado dos puntos pi y pj es expresado por:
∃C ∈ C: pi ∈ C ∧ pj ∈ C.
Negativa (Cannot-link), CL(a, b), indica que las dos instancias de los datos
no pueden (no deben) estar en el mismo grupo. Dado dos puntos pi y pj es
expresado por: ∀C ∈ C: ¬(pi ∈ C ∧ pj ∈ C).
La restriccion de tamano del grupo requieren que los grupos tengan un mınimo
o un numero maximo de elementos. Estas restricciones son expresadas por: ∀C∈ C: |C| ≥ α y ∀C ∈ C: |C| ≤ α.
La restriccion de diametro del grupo requiere que cada grupo deba tener un
diametro como mucho β. Esta restriccion es expresada por: ∀C ∈ C, ∀pi,pj ∈C :
d(pi, pj) ≤ β.
El margen de restriccion requiere que el margen entre dos grupos diferentes
tiene que ser arriba de un cierto umbral δ esta restriccion es ademas nombrada
δ-restriccion y es expresado como sigue: ∀C,C ′ ∈ C, ∀pi ∈ C, pj ∈ C ′ : d(pi, pj) ≥δ.
La relacion entre instancias de datos expresados por las limitaciones de Must-link
(ML), es transitiva, es decir, ML(a, b) ∧ML(b, c) → ML(a, c). Ademas, la relacion
ML es simetrica y reflexiva (un dato o instancia debe estar siempre en el mismo
cluster). Por lo tanto, ML es una relacion de equivalencia. Las clases de equivalencia
resultantes son llamados por algunos autores “chunklets” (Shental et al., 2004) o
“vecinos” (Basu et al., 2004). En cuanto a Cannot-links la relacion expresada es
simetrica, no transitiva y trivialmente anti-reflexiva. Tambien (Wagstaff et al., 2001)
indica que a pesar de ser no transtividad, es posible extraer una “nueva” restriccion
negativa (que da significado a la informacion ya presente) cuando se considera una
relacion de CL con ML. Desde MLs es indicado que las instancias de los datos en
el mismo “chunklet” debe estar en el mismo cluster, un CL entre un elemento en
el “chunklet” y alguna otra instancia de los datos implica la existencia de una CL
32
entre esta instancia y cada uno de los elementos del ‘chunklet”. Esto se expresa como
CL(a, b) ∧ML(b, c)→ CL(a, c).
El agrupamiento con restricciones proporciona una manera conveniente de inte-
grar la informacion en un proceso de agrupamiento, que en un proceso ordinario no
ocurrirıa. Esta conveniencia de agrupamiento se debe principalmente a dos razones.
En primer lugar, el agrupamiento con restricciones ofrece una forma sencilla y uni-
ficada de proporcionar a los algoritmos de agrupamiento diferentes indicios sobre el
adecuado o deseado agrupamiento de los datos. Las restricciones no necesariamente
tienen que venir en gran numero o tener una cobertura especialmente amplia con el
fin de ser utilizados de manera efectiva. Esta modalidad nos permite aprovechar la
informacion de dominio especıfico que puede ser de utilidad al problema y que con
un agrupamiento clasico no es posible aprovechar.
En los anos que han transcurrido desde la aparicion de este tema de investigacion,
el agrupamiento con restricciones ha demostrado ser eficaz en diferentes dominios de
datos de la vida real. En la tabla 2.1 se indican algunos dominios de aplicacion en
donde se ha implementado con exito el agrupamiento con restricciones (Davidson and
Basu, 2007).
Tabla 2.1 Dominio de aplicacion del agrupamiento con restricciones.DOMINIO APLICACIONES
Datos textuales
- Hallazgo de duplicados cercanos en comentariospara regulacion (Yang and Callan, 2006).- Agrupamiento de mensajes en grupos de noticias,noticias (Basu et al., 2004; Ares and Barreiro, 2012).- Paginas web (Ares et al., 2011).
Imagenes- Segmentacion de imagenes (Wang and Davidson, 2010).- Agrupamiento de rostros (Bar-Hillel et al., 2005).- Reconocimiento de letra basada en datos deimagenes (Bilenko et al., 2004).
Video - Seguimiento de personas(Yan et al., 2006).
Informacion espacial- Busqueda de rutas con GPS (Wagstaff et al., 2001).- Agrupamiento de mediciones de distancia deSony Aibo (Davidson and Ravi, 2005).
Datos naturales- Agrupamiento de datos de radar, mediciones de floresdatos de vino (Bilenko et al., 2004).
33
2.3.3. Segmentacion
El procedimiento de segmentacion consiste en la particion de una imagen dentro
de sus partes u objetos que la constituyen (Gonzalez and Woods, 2008). Dado R que
representa toda la region espacial ocupada por una imagen. Es posible ver a la seg-
mentacion como un proceso de particion de R dentro de n subregiones, R1, R2, ..., Rn,
tal que
(a)n⋃i=1
Ri = R.
(b) Ri es una conexion del conjunto, i = 1, 2, ..., n.
(c) Ri ∩Rj = ∅ para toda i y j, i 6= j.
(d) Q(Ri) = VERDADERO para i = 1, 2, ..., n.
(e) Q(Ri ∪Rj) = FALSO para alguna regiones adyacentes Ri y Rj.
La condicion (a) indica que la segmentacion debe estar completa, es decir, cada
pıxel debe estar en una region. La condicion (b) requiere que puntos en una region
estan conectados en algun sentido predefinido, por ejemplo, puntos que deben estar
4 u 8 conectados. La condicion (c) indica que las regiones deben estar disjuntas. La
condicion (d) trata con las propiedades que deben ser satisfechas por los puntos en
una region segmentada, por ejemplo, Q(Ri)= VERDADERO si todos los puntos en
Ri tienen el mismo nivel de intensidad. Finalmente, la condicion (e) indica que dos
regiones adyacentes Ri y Rj deben ser diferentes en el sentido del predicado Q7. Ası
se ve que el fundamental problema en segmentacion es particionar una imagen en sus
regiones que satisfacen la condicion que le preceda (Gonzalez and Woods, 2008).
Existen dos tipos de enfoques para abordar este problema: metodos libres de
modelos y metodos basados en el conocimiento (Comaniciu and Meer, 2002). Los
metodos libres de modelo a menudo se basan en el agrupamiento que tiene el objetivo
de agrupar observaciones con propiedades consistentes segun un cierto criterio de
similitud. Por otro lado, los metodos basados en el conocimiento asumen que el espacio
de soluciones admisibles esta limitado y buscan una solucion que sea un compromiso
entre el producido a partir de las observaciones y el expresado en el espacio del modelo.
7Q puede ser una expresion compuesta, por ejemplo,Q(Ri)= VERDADERO si el promedio de intensidadde los puntos en Ri es menor que mi, y si la desviacion estandar de su intensidad es mayor que σi, donde mi
y σi son constantes especificadas
34
Es de especial interes en esta investigacion abordar el tema de segmentacion usando el
metodo libre de modelo que consiste en el agrupamiento el cual permite la generacion
de grupos basado en la simulitud que existe entre los elementos que conforman el
espacio muestral.
Los metodos de segmentacion son algoritmos no supervisados que producen una
particion del conjunto de objetos agrupandolos a partir de su similitud en las ca-
racterısticas propias de los mismos. Esta tecnica se conoce tambien como analisis de
clusters, conglomerados o grupos (Halkidi et al., 2001). La segmentacion es un meto-
do exploratorio cuyo objetivo es, dada una muestra de n objetos sobre los que se han
registrado p variables usando la informacion provista por las p variables, agrupar los
objetos de modo que aquellos que sean mas “similares” pertenezcan al mismo cluster
o grupo. En general, se busca homogeneidad dentro de los grupos y heterogeneidad
entre grupos. La tecnica de segmentacion es una herramienta util en el proceso basico
de investigacion, en el cual interesa buscar patrones en los datos y tratar de encontrar
leyes que expliquen estos patrones.
En la segmentacion se dispone de una cierta cantidad de objetos n y se quie-
re encontrar grupos de objetos similares, sin conocer a que grupos pertenecen las
observaciones ni la cantidad de grupos. En el caso de clasificacion, se dispone de
observaciones clasificadas en grupos y el objetivo es definir un criterio que permita
clasificar una nueva observacion y asignarla a uno de los grupos existentes (Oliva,
2015).
Hoy en dıa existe una variedad de metodos de segmentacion (Gonzalez and Woods,
2008):
Umbralizacion (thresholding): consiste en la comparacion del nivel de intensidad
punto a punto con un determinado umbral.
Crecimiento de region (region growing): esta basado en similitud, el cual busca
determinar los puntos que cumplen con cierto criterio de semejanza y permite
agruparlos en regiones.
Deteccion de bordes (edge detection): detecta zonas de una imagen donde existen
variaciones bruscas del nivel de intensidad.
Modelos activos deformables : comprenden a los contornos activos y dinamicos
y las plantillas deformables. Incorporan caracterısticas deseables de contornos
35
impuestos como parametros de inicio y no espera obtenerlos de las propiedades
de la imagen, con ello el resultado es directamente dependiente del parametro
inicial.
La seleccion del metodo de segmentacion depende en gran medida de la aplicacion,
del tipo de imagen y de sus caracterısticas. Estos fundamentos son aplicados a la
segmentacion requerida en la presente investigacion. Al tener informacion apriori
del dominio de aplicacion, los metodos antes citados (Gonzalez and Woods, 2008)
resultan limitados al llevar a cabo la segmentacion, esto sucede porque algunos no
proporcionan solucion y otros necesitan extender las caracterısticas que proporcionan.
2.4. Interaccion Humano Computadora
2.4.1. Entornos Virtuales
Los EVs han sido definidos como entornos generados por computadora a menudo
usados para simular el mundo real (Gupta et al., 2008). Muchos tipos de EVs son
posibles; bi-dimensionales (2D) o tridimensionales (3D), abstractos o fotorealistas,
basados en un entorno real o con cierto grado de fantasıa, inmersivos o no inmersivos,
presenciales o no presenciales, con diferentes modalidades de interaccion sensorial,
para uso individual o colectivo, de respuesta estatica o dinamica (adaptativos), de
diferente proposito (por ejemplo de ocio o serio), etc. En la figura 2.11 se ilustran
algunos de estos tipos de EVs. Una de las ventajas que presentan los EVs en el
aprendizaje de tareas, es la posibilidad de escapar de las restricciones fısicas que
impone el mundo real. Ası, los EVs resultan muy atractivos y utiles en el aprendizaje
y entrenamiento de tareas (Gupta et al., 2008).
2.4.1.1. Entrenamiento Basado en Entornos Virtuales
El entrenamiento mediante el aprovechamiento de los EVs se ha vuelto funda-
mental en muchas situaciones como en el entrenamiento de pilotos, el entrenamiento
militar, el entrenamiento de personal medico en situaciones de urgencia y quirurgico y
en areas de rehabilitacion motriz que empiezan a emerger como una alternativa para
complementar a las terapias tradicionales (Holden, 2005).
El entrenamiento basado en EVs, normalmente con el EV asociado a un entorno
real, permite a las personas en capacitacion, aprender a realizar una tarea reduciendo
36
Figura 2.11 Entornos Virtuales en 2D y 3D implementados con tecnologıas hapticas yrealidad aumentada. Figura reproducida de (Gomez, 2015) y (Garfias, 2016).
costos y riesgos y facilitando situaciones controladas pero tan ricas, fieles a la reali-
dad y variadas como sea necesario y/o deseable. El entrenamiento desde un EV puede
usarse como un metodo de entrenamiento independiente o como parte de un enfoque
mas integrado en el que se combina con otras formas de entrenamiento (Gupta et al.,
2008). Los sistemas de entrenamiento basados en EVs son herramientas utiles que
pueden ser usadas para instruir y capacitar a las personas en un entorno relajado,
que no es amenazante y que permite a los usuarios aprender de sus errores sin con-
secuencias irreversibles y que puede presentar un ambiente de retroalimentacion, al
contener informacion acerca de la salida en las acciones que el usuario realiza y que
permiten mejorar el aprendizaje (Todorov et al., 1997).
El entrenamiento en un EV esta basado en la suposicion que el conocimiento o
habilidades adquiridas en el mundo virtual seran transferidas al mundo real (Gupta
et al., 2008). De hecho, los simuladores de entrenamiento virtual son eficaces solo
en la medida en que permiten a un usuario aplicar los conocimientos o habilidades
adquiridas en el EV a su contraparte en el mundo real (Lateef et al., 2010).
Algunas de las ventajas mencionadas en la literatura (Gupta et al., 2008) del
entrenamiento en un EV son:
Puede ocurrir en cualquier momento sin necesidad de que un asistente humano
este presente.
No involucra componentes reales otros que la computadora utiliza para generar
el entorno junto con los dispositivos de interaccion. Esto permite mantener
37
costos bajos.
Es seguro y aislado de peligros industriales y ambientales.
Puede repetirse tantas veces como sea requerido sin costos ni consecuencias
adicionales. Los pasos se pueden repetir, dando al discente la oportunidad de
analizar el proceso desde diferentes perspectivas y vistas.
Puede adaptarse rapidamente a cambios en las necesidades del entrenamiento,
y/o ajustarse a los gustos y necesidades del discente.
Permite conciliar e incorporar, con el balance deseado, los objetivos del entre-
namiento a corto, mediano y largo plazo.
No estan restringidos por la fısica del entorno real que simulan.
Aunque los EVs son herramientas utiles en el aprendizaje, no estan exentos a los
problemas:
Los usuarios pueden no ser capaces de transferir completamente lo que han
aprendido en el EV a las actividades del mundo real. Esto puede deberse a una
incompatibilidad o desconexion entre EV y el ER.
Se debe desarrollar software especial.
Puede ocurrir algun rechazo del usuario hacia el EV.
Se ha reportado que los EVs inmersivos pueden dar lugar a cibermareo (De Win-
ter et al., 2012).
El buenos resultados del entrenamiento en EVs depende fuertemente tanto del
proceso de implementacion ası como del tipo de componentes seleccionados para su
desarrollo. El analisis y la generacion de diferentes configuraciones que requiere el
diseno de EVs para entrenamiento de tareas no ocurre de manera automatica, no se
genera espontaneamente, ni es resultado de las nuevas tecnologıas (Avila and Bosco,
2001). Las investigaciones siguen en marcha para obtener mas respuestas respecto a
los elementos que permiten el exito en la adquisicion de habilidades desde los EVs.
38
2.4.2. Transferencia de Conocimiento y Abstraccion
La transferencia es un concepto clave en las teorıas del aprendizaje pues la educa-
cion aspira a transferir habilidades o conocimientos (Haskell, 2001). El proposito final
del entrenamiento es aplicar lo que se ha aprendido en un contexto diferente y recono-
cer y ampliar este conocimiento a situaciones completamente nuevas (Bossard et al.,
2008). La transferencia de conocimiento, en terminos generales, es un proceso en el
cual el conocimiento construido en un contexto particular (tarea fuente), es usado en
un diferente contexto (tarea destino) despues de haber sido movilizada, recombinada
o adaptada (Presseau and Frenay, 2004).
La transferencia de conocimiento ha sido clasificada en terminos de “transferen-
cia cercana” y “transferencia lejana” (Kim and Lee, 2001). Transferencia cercana es
aquella en que las habilidades y conocimientos previamente adquiridos, son aplicados
en identicas situaciones. Transferencia lejana, en donde el conocimiento adquirido da
lugar a la realizacion de nuevas tareas en situaciones que difieren de la situacion de
aprendizaje inicial. Esta ultima requiere la cognicion y la construccion de conocimien-
to general que es adaptado a las situaciones en los entornos (Misko, 1995, 1999)
En otra taxonomıa clasica, la transferencia se considera como “general” cuando
la tarea de aprendizaje se extiende a muchos campos del conocimiento y es “especıfi-
ca” cuando la tarea de aprendizaje se encuentran cerca o en el campo relacionado
(Cormier, 1987; Salomon and Perkins, 1996; Tardif, 1999).
La transferencia de conocimiento es en gran medida una cuestion de como los
conocimientos y habilidades se adquieren y como el individuo enfrenta una nueva
situacion. La transferencia de conocimiento tiende a ser exitosa si se procura las
condiciones apropiadas, como las indicaciones, el entrenamiento, la generacion de
reglas abstractas, las explicaciones y los principios de evocacion de analogıas (Unruh
and Rosenbloom, 1989).
La categorizacion y abstraccion de tareas es realizada para ayudar a entender como
el individuo distingue la estructura de patrones y como estas caracterısticas asociadas
con los patrones permiten conocer la utilidad que tienen en el diseno de un EV o ER
para el entrenamiento. En el proceso de quitar o extraer caracterısticas de un objeto
con el fin de reducirlo a un conjunto de caracterısticas esenciales, se dice que se abstrae
informacion del mismo (Hale and Stanney, 2014). La representacion de un objeto en
su forma mas abstracta, proporciona una representacion mental mas generalizada,
lo que permite que el comportamiento se extienda mas alla de las circunstancias
39
especıficas a situaciones generales (Wallis et al., 2001). Si el objeto es representado
con mayor detalle, lo que significa que es menos abstracto, la representacion mental
que se adquiere estarıa relacionado a un objeto en particular (Chen, 2013). En la figura
2.12 se ilustra la generacion de diferentes niveles de abstraccion, en este proceso que
se observa de izquiera a derecha se extraen o reducen conceptualmente propiedades o
funcion concreta de los objetos. Es lo que sucede con los objetos que se ejemplifican, se
aislan propiedades de ellos para generalizar el objeto delimitando las caracterısticas,
incluso hasta reducirlo a un elemento matematico que denota cantidad.
Figura 2.12 Generacion de niveles de abstraccion.
Algunos filosofos sugieren un proceso de abstraccion al realizar representaciones
de una figura (triangulo). Por ejemplo, Berkeley senalo que en su imaginacion la re-
presentacion de un triangulo no era ni escaleno, ni equilatero, sino que representaba
tanto estos y todos los demas triangulos a la vez (Posner and Keele, 1968). Esta
idea filosofica de representaciones abstractas entro en la psicologıa moderna de la
neurologıa clınica a traves de la obra de Barlett (Bartlett and Burt, 1933) sobre la
formacion de esquemas (Oldfield and Zangwill, 1942). De esta manera es como se
ha venido organizado la abstraccion de la informacion, al representarla por medio de
reglas que estan relacionadas con las caracterısticas comunes de los patrones dentro
de un concepto (Posner and Keele, 1968). Es ası como el proceso de abstraer apro-
piadamente las caracterısticas a las tareas permiten identificar la utilidad y el tipo de
interaccion que se tiene en ellas, con la posibilidad de ver la respuesta que se mani-
fiesta en la solucion de otras tareas. En general, los esquemas abstractos no generan
40
una recompensa inmediata, pero es posible que los beneficios futuros esten adjudi-
cados a estas representaciones (Dixon and Christoff, 2014). Esta ultima observacion
proporciona un punto de anclaje fuerte para la hipotesis planteada en esta tesis.
2.5. Neurociencias
2.5.1. Cambios en el Cerebro Asociados al Entrenamiento
La organizacion estructural (anatomica) y funcional (metabolica) del cerebro en
general y de la corteza cerebral en particular cambian sustancialmente como resulta-
do del entrenamiento y la experiencia (Karni et al., 1998; Kolb and Whishaw, 1998)
reflejados por el fenomeno neurofisiologico de la plasticidad (Kleim and Jones, 2008).
Muchos de estos cambios en la activacion cerebral se producen como resultado del
entrenamiento de una serie de tareas motoras, visuomotoras, perceptivas y cognitivas.
El entrenamiento puede resultar en un aumento o una disminucion de la activacion
en las areas del cerebro implicadas en la ejecucion de tareas, o puede producir una
reorganizacion funcional de la actividad del cerebro. Tres patrones principales se pue-
den distinguir del cambio de activacion relacionados con el entrenamiento. (Kelly and
Garavan, 2005):
Incrementos en la activacion neuronal: se refiere tanto a las expansiones rela-
cionadas con el entrenamiento en las representaciones corticales y el aumento de
la fuerza de activaciones (Poldrack, 2000). Refleja el reclutamiento de unidades
corticales adicionales con el entrenamiento, visto organizado topograficamente,
como un aumento en la extension espacial de activacion o un fortalecimiento de
la respuesta dentro de una region (Poldrack, 2000).
Decrementos en la activacion neuronal: el principal mecanismo propuesto a
la disminucion de activacion es el incremento de la eficiencia neuronal. Este
aumento de la eficiencia puede corresponder a una agudizacion de la respuesta
en una red neuronal particular, de modo que solo una minorıa de neuronas ahora
disparan fuertemente en respuesta a una tarea particular o estımulo (Poldrack,
2000) o bien por un proceso de habituacion. La disminucion en la activacion
representa una contraccion de la representacion neuronal del estımulo (Poldrack,
2000) o un circuito funcional mas preciso (Garavan et al., 2000).
41
Reorganizacion funcional en la activacion neuronal: constituye una combina-
cion de aumentos y disminuciones en la activacion, de tal manera que el mapa
de activacion de la tarea contiene generalmente las mismas areas al final y al
comienzo del entrenamiento, pero los niveles de activacion dentro de estas areas
han cambiado. La anatomıa funcional de la tarea sigue siendo basicamente la
misma, pero la contribucion de las areas especıficas a la tarea tiene cambios
en su rendimiento como resultado del entrenamiento. Este patron es asociado
con la consecucion de un rendimiento automatico y por lo tanto con una dis-
minucion en la demanda en el almacenamiento y procesamiento en areas que
subyacen a los procesos especıficos de la tarea (Petersen et al., 1998).
2.5.2. La Corteza Prefrontal y su Papel en la Organizacion Cognitivade Acuerdo a los Niveles de Abstraccion
La corteza prefrontal (PFC) comprende casi 30 % del total de la corteza en huma-
nos y es considerada como un area de asociacion, que integra informacion proveniente
de otras regiones (Fuster, 2002). Esta area representa la estructura neocortical mas
desarrollada en los seres humanos y se localiza en la superficie lateral, medial e inferior
del lobulo frontal. Anatomicamente se divide en tres regiones: corteza prefrontal dor-
solateral (DLPFC), corteza prefrontal medial (MPFC) y corteza orbitofrontal (OFC)
(Fuster, 2002). La evidencia que se tiene actualmente sugiere en (Dixon and Christoff,
2014) que la corteza prefrontal lateral (LPFC) contribuye en los procesos basados en
valores complejos de la siguiente manera:
Representa el valor de opciones de seleccion en situaciones de demanda en multi-
ples dimensiones (magnitud de la recompensa, retraso, esfuerzo), que varıan al
mismo tiempo y que deben ser integradas para discernir el curso optimo de la
accion.
Representa las opciones que benefician una eleccion en un estado activo dentro
de la memoria de trabajo cuando se tiene que competir contra una alternativa
potente (por ejemplo, una recompensa futura frente a una recompensa inmedi-
ta).
Representa el valor de emplear el control cognitivo (el dominio del esfuerzo en
el comportamiento).
42
Representa el valor de los conceptos abstractos.
Con respecto a esta ultima, la neuropsicologıa indica que la LPFC juega un rol
central en el pensamiento abstracto (Goldstein, 1944; Luria, 2012) ası como en las
funciones altamente mentales (Shallice, 1988; Duncan et al., 1995, 1996). La LPFC ha
estado implicada en mantener informacion a diferentes niveles de abstraccion: a partir
de datos concretos, tales como objetos especıficos y caracterısticas perceptivas (Fuster,
1988; Goldman-Rakic, 1987), a reglas abstractas con la relacion entre objetos (igual
vs diferente) (Wallis et al., 2001) y a los contextos de tareas altamente abstractas que
se componen de multiples reglas abstractas (Cohen et al., 1990; O’Reilly et al., 2002;
Koechlin et al., 2003; Sakai and Passingham, 2003).
Estudios previos (Christoff, 2003; Koechlin et al., 2003; Sakai and Passingham,
2003; Bunge et al., 2005; Badre and D’Esposito, 2007; Smith et al., 2007; Wendelken
et al., 2008), proponen que la LPFC puede ser organizada de acuerdo con al menos tres
niveles de representaciones abstractas. La zona de la corteza prefrontal rostrolateral
(RLPFC) que soporta los niveles mas altos de abstraccion, mientras que la asociacion
de representaciones menos abstractas se localizan en las zonas mas posteriores como
la DLPFC y la corteza prefrontal ventrolateral (VLPFC). Lo que significa que con
el aumento de la abstraccion, el reclutamiento cognitivo se hace mas presente en las
regiones anteriores (Christoff et al., 2009). Esta organizacion se aprecia en la figura
2.13.
Diferentes subregiones prefrontales muestran un reclutamiento preferencial du-
rante la implementacion de las representaciones mentales a diferentes niveles de abs-
traccion. Las representaciones mentales que consisten en informacion concreta, son
asociados con el incremento en el reclutamiento cognitivo en la region posterior de
la PFC (VLPFC). Las representaciones mentales con informacion moderadamente
abstracta, han sido asociadas con el incremento en el reclutamiento cognitivo en la
region media anterior de la CPF (DLPFC). Finalmente, las representaciones mentales
con informacion altamente abstracta es asociada con el incremento en el reclutamien-
to cognitivo en la region mas anterior lateral de la CPF (RLPFC) (Christoff et al.,
2009). Bajo este fundamento, se mantiene la evidencia que el aumento de la abstrac-
cion esta generalmente asociado con las subregiones de la LPFC, avanzando de la
zona posterior a la mas anterior.
43
Figura 2.13 Circuito neuronal de representaciones abstractas, subregiones de la cortezaprefrontal involucradas: corteza prefrontal ventrolateral (VLPFC, BA 45, 47 y 47/11),corteza prefrontal dorsolateral (DLPFC, BA 46, 9/46 y 9) y corteza prefrontal rostrola-teral (RLPFC, BA 10). La flecha indica la direccion del aumento en la representacionde la abstraccion. Abreviacion: ifg, giro frontal inferior; mfg, giro frontal medio; sfg,giro frontal superior. Figura modificada de (Christoff et al., 2009).
44
45
Capıtulo 3
Revision del Estado del Arte
3.1. Entornos Virtuales
Uno de los objetivos que persigue el entrenamiento en Entornos Virtuales (EVs),
consiste en utilizar el conocimiento adquirido a traves de ellos para resolver activi-
dades de la vida diaria (Entorno Real, ER) (Bossard et al., 2008). En este contexto
del aprendizaje se usa el concepto transferencia de conocimiento (Salmeron, 2013).
(Haskell, 2001) la considera en un proceso continuo, desde transferencia contextual
o cercana –en la que el conocimiento se emplea en situaciones similares aunque no
identicas a aquellas en que se adquirio– a transferencia lejana– en la que se aplica el
conocimiento a situaciones muy distintas de aquellas en que se adquirio–.
A lo largo de los anos se ha estudiado la utilidad de los EVs en el proceso de
transferir conocimientos (Bossard et al., 2008). Se ha manifestado en investigaciones
(Psotka, 1995; Youngblut, 1998; Rose et al., 2000; Mantovani and Castelnuovo, 2003;
Rahman et al., 2011) que los EVs resultan una herramienta adecuadas para permitir
el entrenamiento de tareas y permitir en muchos casos un proceso formativo exitoso
en los discentes.
3.1.1. Mecanismos para Mejorar el Rendimiento
La literatura ha sugerido algunos mecanismos para mejorar el rendimiento en el
entrenamiento y en consecuencia la transferencia de conocimiento desde EVs. Estos
mecanismos son la repeticion, la retroalimentacion y la motivacion.
La repeticion se realiza en tareas en las que el discente debe actuar o realizar
46
algun procedimiento. Estas tareas incluyen una secuencia de pasos de operacion y la
secuencia se repite cada vez que se realiza la tarea. En la busqueda del aprendizaje
por repeticion (Kozak et al., 1993; Whitall et al., 2000; Shelton and Reding, 2001;
Ghafouri et al., 2002; Yang et al., 2007) la tasa de transferencia de aprendizaje suele
ser alta, pero se indica que es poco probable que el discente adapte esas habilidades
y conocimientos a un nuevo entorno y condiciones cambiantes (Subedi, 2004).
La retroalimentacion1 es un mecanismo muy explotado en el diseno de EVs,
cuya finalidad es senalar fortalezas y debilidades en torno a una actividad realiza-
da. La retroalimentacion se presenta con informacion visual, auditiva, instruccional,
sensitiva, combinando las anteriores, apoyandose de tecnologıas hapticas2 (cyberglo-
ves/cybergrasps, joystick, etc.) (Todorov et al., 1997; Brooks, 1999a; Rose et al.,
2000; Holden, 2001; Webster et al., 2001; Holden and Dyar, 2002; Winstein et al.,
2003; Boyd and Winstein, 2004; Mirelman et al., 2010; Kaber and Zhang, 2011; Ki-
per et al., 2014). Usando la retroalimentacion comparada con la repeticion desde EVs,
se ha indicado que existen mejores resultados en el rendimiento de una tarea (Levin
et al., 2010). Aun con la aceptacion que tiene la retroalimentacion, no se ha reportado
un principio de seleccion de los elementos que permita revelar su utilidad y existen
preguntas por aclarar en relacion a lo que sucede cuando en presencia de la retro-
alimentacion durante el entrenamiento de tareas, la transferencia resulta un fracaso
debido a que este factor ya no esta disponible(Levin et al., 2010).
Finalmente, la motivacion puede generarse implıcitamente al tratar con la tarea
(intrınseco) o por el ambiente alrededor de ella (extrınseco) (Popovici et al., 2004;
Barker and Brauer, 2005; Levin et al., 2010). Este mecanismo se combina con la
repeticion y retroalimentacion (condiciones de practica y formas de retroalimentacion)
como elementos que optimizan el proceso de aprendizaje (Maclean et al., 2000; Kleim
and Jones, 2008; Levin et al., 2010).
3.1.2. Evaluacion de los Entornos Virtuales
En la evaluacion de los EVs como medios de aprendizaje de tareas (Rouiller and
Goldstein, 1993; Tardif, 1999; Haskell, 2001; Peruch et al., 2000; Holden, 2005), se han
reportado casos de exito al ser transferidos los conocimientos adquiridos desde EVs a
1Consiste en recibir informacion acerca de las acciones realizadas (Levin et al., 2010).2Proporcionan la realimentacion de fuerza al sujeto que interactua con EVs o remotos. Estos dispositivos
trasladan una sensacion de presencia al operador.
47
ERs (Regian, 1997; Waller et al., 1998; Brooks, 1999a,b; Moskaliuk et al., 2013), esta
evidencia avala el hecho de que la transferencia de conocimiento de virtual a real es
posible. Sin embargo, tambien sugieren continuar el analisis mas detallado al rastrear
los factores que permiten el exito y los beneficios del proceso de entrenamiento y de la
ocurrencia de la transferencia (Kozak et al., 1993; Anderson et al., 1996; Rose et al.,
2000; Bossard et al., 2008).
Para llevar a cabo la evaluacion de los EVs en la transferencia de conocimientos,
se han utilizado medidas subjetivas y objetivas (Nash et al., 2000). Las medidas
subjetivas consisten en proporcionar un juicio a lo largo del entenamiento utilizando
entrevistas y cuestionarios para recopilar informacion de los aspectos de interaccion
y la experiencia de aprendizaje del discente con el EV (Tesfazgi, 2003). Las medidas
objetivas consisten en medir el desempeno del discente durante el entrenamiento, se
utiliza tiempo en la tarea, velocidades de finalizacion y el numero de errores (Kozak
et al., 1993; Todorov et al., 1997; Rose et al., 2000; Rizzo et al., 2000; Nash et al., 2000;
Webster et al., 2001). La tabla 3.1 resume algunos estudios realizados para el analisis
de la transferencia de conocimiento desde los EVs utilizando metricas subjetivas y
objetivas de las que ya se hablo anteriormente en esta seccion. En la evaluacion de
la transferencia de conocimiento desde EVs, se han encontrado trabajos en donde
resulta fallida (baja), este resultado se atribuye a que falta cercanıa entre la tarea del
ER replicada en el EV (Kozak et al., 1993; Mateas, 1999; Johnson et al., 2000). En
otras evaluaciones la transferencia ha resultado buena (alta), exito que se presume es
por los contenidos en los EVs que apoyan a lograrla (retroalimentacion, motivacion)
(Rose et al., 2000; Webster et al., 2001). Finalmente tambien se ha logrado muy buena
transferencia (rica), resultado de los elementos que motiva el uso y en consecuencia
los buenos resultados (Kiper et al., 2014) y tambien se ha distinguido en ir mas alla de
la tarea de entrenamiento al analizar el uso de contenidos abstractos que fomentan la
movilizacion del conocimiento a otras tareas de la vida diaria (Popovici et al., 2004).
Persiste la necesidad de ampliar las investigaciones en la comprension de los proce-
sos subyacentes a la transferencia. Se necesita descubrir nuevos factores en los meca-
nismos de aprendizaje y contenidos que proporcione en el diseno de EVs condiciones
necesarias para alcanzar un mejor nivel de rendimiento. En el analisis de los meca-
nismos de aprendizaje y las caracterısticas de los EVs, permanece la dificultad de
realizar evaluaciones bien controladas de estos factores (Bossard et al., 2008), este
inconveniente sigue abordandose como objeto de estudio en multiples investigaciones
48
Tabla 3.1 Analisis de la transferencia de conocimiento desde entornos virtuales.
REFERENCIA EV PROPOSITO DEAPRENDIZAJE MEDIDA TRANSFE-
RENCIA
(Kozak et al., 1993)Pick andplace
Motora, requierepercepcion, analizanrepeticion.
- Tiempos derespuesta- Cuestionario
Baja
(Rose et al., 2000)Pasar arilloen alambre
Motora, coordinacionen el movimiento,analizan retroalimentacionvisual.
-Numero deerrores Alta
(Webber et al., 2001) Baghera
Cognitiva, solucionde problemas engeometrıa, analizanretroalimentacionauditiva.
-Puntaje deexito Alta
(Popovici et al., 2004)EVE paraninos
Cognitiva, lecturacolaborativa,analizan motivacion.
- Puntaje deexito Rica
(Kiper et al., 2014)Tomarobjetos
Motora, realizarmovimiento articulares,analizan retroalimentacionreforzada.
- EscalaFugl-Meyer- Escala FIM-Velocidad ytiempos
Rica
actuales (Kiper et al., 2014).
En los ultimos anos se han incorporado en el estudio de los EVs medidas objeti-
vas que se derivan de factores fisiologicos como las neuroergonomicas, que permiten el
analisis de la actuacion humana usando la funcion cerebral para permitir el diseno de
sistemas eficientes que son evaluados en terminos del rendimiento cerebral en tareas
del mundo real (Parasuraman and Rizzo, 2008). La ventaja de esta medida fisiologi-
ca es que permite vincular la respuesta de la actividad cerebral directamente al EV
(Tesfazgi, 2003). Las diferentes metricas subjetivas y objetivas (fisiologicas, moto-
ras, cognitivas y de comportamiento), se complementan para proporcionar multiples
respuestas con el objetivo de llegar a la normalizacion de preguntas (Nash et al.,
2000).
49
3.1.3. Transferencia de Conocimiento
Uno de los grandes objetivos en la ensenanza de tareas es permitir que los cono-
cimientos y las habilidades aprendidas se empleen en las actividades de la vida diaria
(Salmeron, 2013). Esta finalidad se encuentra inmersa en la transferencia de conoci-
miento, la cual ha sido ampliamente estudiada por la comunidad cientıfica (Cox, 1997)
y el interes ha crecido considerablemente en los ultimos anos (Bossard et al., 2008).
Se ha analizado y discutido a fondo este factor al estudiar el tipo de tareas que pro-
mueven el aprendizaje, los elementos de diseno en ellas y los metodos instruccionales
en la adquisicion del conocimiento (Salmeron, 2013).
Para algunos autores la transferencia de conocimiento no es una cuestion solo de
contenido, tambien han tratando de identificar tanto el proceso como la dinamica
al usar contextos de resolucion de problemas (Tardif, 1999) y razonamiento analogo
(Holyoak and Thagard, 1996). Bajo este fundamento, se manifiesta que para transfe-
rir un conocimiento, el discente debe abstraer las caracterısticas principales o ir a la
estructura profunda de una tarea, no es suficiente con memorizar de forma superficial
un concepto (Chi and Ohlsson, 2005). Tal es ası que se ha definido a la transferen-
cia como un problema complejo, donde aun existen dificultades en el estudio de los
factores que posibilitan que el fenomeno ocurra (Bossard et al., 2008). Abordando
soluciones a este problema, se ha hecho hincapie en el vınculo entre el fenomeno de la
transferencia y el procesamiento de la informacion desde la cognicion3 (Hatano and
Greeno, 1999; Peruch et al., 2000). Este principio plantea que la dificultad para que
se produzca la transferencia es que el conocimiento se suele transmitir a partir de una
serie de experiencias concretas (Chi and Ohlsson, 2005). Para resolver este incon-
veniente, han planteado representaciones mentales del mundo con mayor concrecion
(Markman, 2013), muchas de estas representaciones son lo suficientemente abstractas
que permiten mejor reflexion sobre como operar con la realidad y almacenar esos usos
con futuras ocasiones (Bossard et al., 2008).
Se ha manifestado que los conocimientos acerca de la transferencia aun es pobre,
esto se debe a que existe escasa investigacion llevada a cabo en el ambito del apren-
dizaje (Salmeron, 2013), incluso los trabajos que utilizan medidas de evaluacion de
la transferencia representan un numero bajo de estudios anuales en los que se analiza
la efectividad de las tareas, sus caracterısticas y los metodos instruccionales. Esto ha
llevado a dar mayor relevancia al tema del aprendizaje, en el que existen muchas pre-
3Capacidad del ser humano para conocer por medio de la percepcion y los organos del cerebro.
50
guntas aun por responder. A partir de esta perspectiva, en la presente investigacion
se aborda el analisis de la transferencia incorporando el estudio de la funcion cerebral
(medida neuroergonomica), ademas de las medidas clasicas de evaluacion (puntajes,
cuestionarios) con el objetivo de estudiar el proceso de adquisicion de conocimientos
usando niveles de abstraccion en tareas implementadas desde EVs.
3.2. Analisis de la Dinamica Cerebral en los ContextosAbstractos
En neurociencias se explora a la funcion cerebral usando estudios neuroergonomi-
cos (Friston, 2001; Bressler and Kelso, 2001). Con el objetivo de llegar a un mejor
ajuste entre las personas y la tecnologıa, se han generado contenidos y metodos de
entrenamiento que mejoren el rendimiento y amplien las capacidades en los discentes
(Parasuraman and Wilson, 2008).
En el analisis de la dinamica cerebral como respuesta a los contenidos de las tareas,
el uso de reglas abstractas mantiene un proposito de investigacion que se basa en el
principio del comportamiento cerebral al extenderse de las circunstancias especıficas
a situaciones mas generales (Wallis et al., 2001). Las investigaciones que analizan
este comportamiento, han revelado que la corteza prefrontal (CPF) juega un papel
importante en su activacion neuronal mas frecuente desencadenada por estas reglas.
El fundamento de que la CPF desempena un papel crucial en el control cognitivo y
las funciones mentales superiores ha quedado de manifiesto en estudios que han suge-
rido que diferentes regiones prefrontales soportan informacion a diferentes niveles de
abstraccion (O’Reilly et al., 2002; Rougier et al., 2005; Botvinick, 2007; Saez et al.,
2015). Las regiones implicadas son la parte mas anterior de la CPF lateral, tambien
conocida como CPF rostrolateral (CPFRL) relacionada con las representaciones de
un alto nivel de abstraccion, mientras que la asociacion de representaciones menos
abstractas con las regiones mas posteriores de la CPF tales como la CPFDL y la
CPFVL (Christoff, 2003; Koechlin et al., 2003; Sakai and Passingham, 2003; Bun-
ge et al., 2005; Badre and D’Esposito, 2007; Christoff and Keramatian, 2007; Smith
et al., 2007; Wendelken et al., 2008; O’Reilly, 2010; Dixon and Christoff, 2014). Estos
estudios indican que los estados de percepcion o cognitivos y las regiones cerebrales
estan implicados con un esquema claro de abstraccion y que por lo tanto es posible
identificar lo que sucede con la actividad cognitiva y el circuito neuronal en funcion
51
de la tarea en cuestion. En el mismo contexto del efecto de los esquemas de abstrac-
cion, los estudios dirigidos a la adquisicion de conocimientos, manejan enfoques que
analizan de una manera viable el uso de abstracciones en tareas con el objetivo de
que el participante logre la adquisicion inicial de habilidades pero ademas ese cono-
cimiento adquirido pueda ser aplicado en diferentes contextos. De este modo resulta
interesante construir nuevos conocimientos mediante la abstraccion, donde la adqui-
sicion de habilidades requieren de un esfuerzo de comprension para la movilizacion
del conocimiento (Mendelsohn, 1996).
Como se ha senalado en los trabajos antes citados, los contextos abstractos tie-
ne importante contribucion en la activacion de la LPFC. Sin embargo, mas alla de
examinar el efecto episodico que tiene la abstraccion en las regiones corticales y sub-
corticales del cerebro, se necesita del analisis de estas representaciones desarrolladas
naturalmente a traves del aprendizaje, proceso que ocurre en respuesta a la demanda
de tareas. Estudiar estas manifestaciones a nivel cerebral es un tema de investigacion
activa en la comunidad cientıfica (O’Reilly et al., 2002; Dixon and Christoff, 2014) y
de interes en esta investigacion.
3.3. Senales de Electroencefalografıa
Las senales de EEG pueden ser explotadas como una medida neuroergonomica.
El EEG se ha utilizado durante decadas para estudiar diversas actividades neuro-
fisiologicas como son las condiciones de reposo, el sueno, enfermedades del sistema
nervioso, los procesos mentales, entre otros (Dietrich and Kanso, 2010). Al trabajar
con estas senales, se han formulado preguntas de investigacion en neurociencia cog-
nitiva (Cong et al., 2012), en neurociencia clınica (Acar et al., 2007a,b) o en interfaz
humano computadora (HCI) (Cichocki et al., 2008) que tienen el proposito de escla-
recer el proceso de aprendizaje al evidenciar las fuentes de la actividad cerebral que
permiten su manifestacion (Becker et al., 2014).
3.3.1. Tratamiento del Ruido
En el registro de las senales de EEG, las senales de la actividad cerebral estan
acompanadas de diferentes fuentes de ruido y mezclas con otras senales biologicas.
El ruido presenta morfologia, amplitud o frecuencia que en muchos casos posibilitan
el enmascaramiento con las senales de EEG (Correa and Leber, 2011). Se han desa-
52
rrollado estrategias que ayudan a identificarlo y reducirlo de los datos de interes los
cuales estan basados en propiedades estadısticas. Esta seccion resume el estado del
arte en la limpieza de las senales de EEG.
3.3.1.1. Filtros Espaciales
Una estrategia para hacer frente al ruido en los datos de la senal de EEG es
obteniendo un promedio de senal. El supuesto clave para promediar la senal es que
el ruido es aleatorio, o al menos se produce con una fase aleatoria en relacion con
el evento de interes, mientras que la senal de interes es estable (Repovs, 2010). El
promedio de la senal es una forma simple y poderosa de tratar con ruido (Ludwig
et al., 2009), pero tiene sus limitaciones. El promedio de la senal funciona mejor
cuando se busca una senal estable, no es recomendable en los casos en que se esta
estudiando raros eventos en los que no se tiene un punto conocido en el tiempo, o
cuando la senal de interes es en sı misma variable (Repovs, 2010), este es un claro
ejemplo de las senales que se caracterizan por ser caoticas.
Una segunda estrategia para poder aplicar el filtrado, es que el ruido debe caer
en una de las tres categorıas: la frecuencia del ruido debe estar por debajo de la
frecuencia de los fenomenos que se tratan de observar, por encima de ella, o tiene que
caer dentro de un rango muy estrecho bien especificado. Respecto a la caracterıstica
del ruido se utilizan dos tipos de filtros. El filtrado paso alto que se utiliza para
eliminar el ruido provocado por factores como la sudoracion, la impedancia en los
electrodos que conduce a cambios lentos en el voltaje medido que a su vez puede
conducir a la perdida de datos durante la grabacion Luck (2014). Y el filtrado paso
baja que se utiliza para eliminar el ruido en el otro extremo del espectro de frecuencias
que es de interes. La contraccion de los musculos y los aparatos electronicos por lo
general conducen a una fuerte senal con frecuencias superiores a 60 Hz (De Clercq
et al., 2005).
3.3.1.2. Filtros Adaptativos
El filtrado adaptativo supone que la senal y los artefactos no estan correlaciona-
dos. El filtro genera una senal correlacionada con el artefacto utilizando una senal de
referencia y luego la estimacion se resta del EEG adquirido Sweeney et al. (2012). La
eleccion de la referencia del artefacto es clave para el correcto funcionamiento del algo-
ritmo y puede obtenerse de grabaciones EOG (electrooculograma) para la eliminacion
53
de los movimientos oculares o parpadeos (Croft and Barry, 2000) o de grabaciones
EMG (electromiografıa) para la eliminacion de artefactos musculares (Daly et al.,
2013).
3.3.1.3. Analisis de Componentes Principales
El analisis de componentes principales (PCA, en ingles) utiliza una transforma-
cion ortogonal para convertir las observaciones de variables posiblemente correlaciona-
das en valores de variables no correlacionadas linealmente denominadas componentes
principales, menores o iguales en numero que las variables originales. Una separacion
fiable de la fuente se basa en la suposicion de que el conjunto de datos se distribuye
normalmente conjuntamente y que las fuentes estan (aproximadamente) sin corre-
lacion. PCA se introdujo en el analisis EEG en (Berg and Scherg, 1991), donde es
utilizado para determinar empıricamente la distribucion espacial de la actividad ocu-
lar, y desde entonces se ha utilizado en la eliminacion de artefactos (Lagerlund et al.,
1997; Ille et al., 2002; Fitzgibbon et al., 2007). El mayor problema con PCA es que la
asuncion de la ortogonalidad entre la actividad neuronal y los artefactos fisiologicos
tıpicos generalmente no se sostiene. De hecho, se ha demostrado que PCA es incapaz
de separar algunos componentes artificiales de las senales cerebrales, especialmente
cuando tienen amplitudes similares (Lagerlund et al., 1997; Fitzgibbon et al., 2007).
3.3.1.4. Analisis de Componentes Independientes
En el enmascaramiento que puede ocurrir en las senales de EEG al superponer-
se los artefactos con la senal de interes de la actividad cerebral (Goncharova et al.,
2003), no es recomendable el uso de los filtros basados en frecuencia, ejemplo de estos
filtros son las wavelets (Kiymik et al., 2005), ya que no solo reprimirıa artefactos, sino
informacion valiosa de la actividad cerebral (Worrell et al., 2002). Bajo este plantea-
miento es como se justifica el uso de ICA. Esta tecnica separa la senal de EEG en
componentes imponiendo independencia estadıstica de las fuentes. ICA fue introdu-
cida por diferentes grupos (Makeig et al., 1996; Vigario, 1997; Jung et al., 2000) y
ha sustituido en su mayorıa a otros enfoques en la eliminacion de artefactos de las
senales de EEG (Jung et al., 2000) (Astolfi et al., 2006) (Akhtar et al., 2010). Debido
a la ICA se basa en las caracterısticas estadısticas, los resultados no sera fiable si
la cantidad de datos dados al algoritmo es insuficiente (Jung et al., 2000). Siempre
resultara favorable utilizar una cantidad considerable de datos, siempre y cuando los
54
artefactos y la actividad cerebral esten espacialmente estacionados a lo largo del tiem-
po; sin embargo, en algunos casos esto no ocurre. Entonces la meta se convierte en
usar la cantidad maxima de datos cuando las fuentes estan razonablemente estacio-
narias (Jung et al., 2000). Al aplicar esta tecnica, la identificacion de los componentes
que contienen artefactos no es evidente y requiere la atencion del usuario adicional.
Para superar esta limitacion, ya existen algoritmos capaces de combatirla, los cuales
realizan la deteccion automatica usando caracterısticas espacio-temporales (Delorme
and Makeig, 2004) (Mognon et al., 2011).
3.3.1.5. Wavelets
Las wavelets son muy utilizadas para aplicaciones biomedicas debido a su versati-
lidad, ya que permiten disenar metodos que son robustos y funcionan en la mayorıa de
las circunstancias y por su equilibrio tiempo-frecuencia que permiten un buen ajuste,
de modo que pueden acomodar senales biomedicas que generalmente combinan carac-
terısticas con buen tiempo o frecuencia de localizacion (Unser and Aldroubi, 1996). La
eliminacion de ruido por medio de wavelets indica que las fuentes de interes se pueden
descomponer en una wavelet base, mientras que los artefactos no pueden descompo-
nerse de la misma manera ya que pueden ser artefactos que tienen una descomposicion
de wavelet mas definida (parpadeo). Evidentemente, una buena separacion de la senal
y del ruido depende de la base de la wavelet y de su similitud con las senales de la
fuente a conservar. Por lo tanto, la wavelet madre, la regla de contraccion y el nivel de
ruido son importantes para el diseno del metodo de eliminacion de ruido (Safieddine
et al., 2012).
El ruido puede presentar un desafıo significativo en el analisis y la interpretacion de
los datos de EEG, por ello se necesita de estrategias que aborden si no su eliminacion
si su reduccion considerable. Es posible evitar el registro de grandes cantidades de
ruido al cuidar el entorno y las sesiones de grabacion y tambien se puede contrarrestar
al emplear metodos y algoritmos que permitan la reduccion o eliminacion de senales
ruidosas, esto con el fin de mejorar la relacion senal/ruido de los datos.
3.3.2. Representacion de la Actividad Cerebral
En el proceso de buscar evidencias de los procesos mentales que ayude a la com-
prension de como el cerebro procesa la informacion, ha surgido interes por investigar
diferentes medidas de la actividad cerebral. Es posible identificar las areas donde se
55
percibe mayor actividad electrica o metabolica durante cierto proceso cognitivo y en
el curso dinamico de la actividad en diferentes regiones. Se ha investigado a los pro-
cesos cerebrales en diferentes dominios utilizando a las senales de EEG como fuente
de analisis:
Dominio del tiempo: con la localizacion en el tiempo de la actividad de interes
y el estudio de su distribucion espacial, por ejemplo con el analisis de los po-
tenciales relacionados a eventos (ERP), los cuales consisten en el promedio de
los bloques obtenidos por la repeticion de un ensayo en la identificacion de la
onda que distingue al evento de interes para su posterior obtencion de su to-
pografıa (Handy, 2005; Mazaheri and Jensen, 2006). Otros modelos aplicados
en el dominio del tiempo a las actividades espontaneas consisten en ajustes de
modelos autorregresivos (Jimenez et al., 1995) y el uso de la teorıa del caos
determinista (Quiroga, 1998). Sin embargo, estos metodos asumen que la senal
es estacionaria por lo que su utilidad en el analisis de las senales de EEG no ha
sido totalmente establecida (Valdes et al., 1999).
Dominio de la frecuencia: en la localizacion de la frecuencia de la oscilacion
de interes a traves del calculo del espectro en el estudio de ritmos espontaneos
utilizando la transformada de Fourier, luego se definen visualmente o con meto-
dos estadısticos una banda de frecuencia de interes y posteriormente se obtiene
la topografıa. Este analisis tiene las limitaciones de asumir que las senales de
EEG son estacionarias y desecha la informacion de fase de las oscilaciones, al
estudiar solamente el espectro (Dumermuth and Molinari, 1987; Nuwer et al.,
1999). Tambien en el dominio de la frecuencia se han utilizado las wavelets en
la eliminacion de senales que no son de interes, usando estimadores de espectro
para diferenciar a las frecuencias de interes de las que estan enmascaradas y que
se definen de mayor amplitud (Dumermuth and Molinari, 1987; Nuwer et al.,
1999).
Dominio espacio-temporal: es la descomposicion de las senales en componentes
que conllevan las caracterısticas espaciales y temporales por separado. En este
analisis, se asume que cada red neuronal produce una actividad electrica con un
patron espacial fijo y su correspondiente dinamica (Onton and Makeig, 2006).
Por lo tanto, se obtienen componentes, cada uno formado por la combinacion de
una topografıa caracterıstica con su correspondiente evolucion temporal. Este
56
enfoque permite identificar actividades cuyas distribuciones espacial y temporal
aparecen combinadas en los datos, con lo cual se dice que se extrae las carac-
terısticas espacio-temporales de las redes neuronales (Soong and Koles, 1995;
Makeig et al., 2002).
Dominio tiempo-frecuencia:, al extraer la actividad en cada banda de frecuencia
para atribuir a ciertas regiones del cerebro una respuesta mayor de un determi-
nado estımulo, en la seleccion de electrodos que distingan a un estımulo (Abaso-
lo et al., 2005; Yaomanee et al., 2012) y no solo de manera aislada el analisis
espacial, sino tambien estudiando la informacion complementaria que pueden
aportar los diferentes canales para la localizacion de estımulos del tipo (ERP) o
de algun fenomeno de interes (Quiroga, 1998; Fabiani et al., 2000; Mikropoulos,
2001; Moosmann et al., 2003; Kelly et al., 2003; Nan et al., 2010; Fadzal et al.,
2012).
Dominio espacio-tiempo-frecuencia: consiste en la identificacion simultanea de
las propiedades espaciales, temporales y espectrales de la actividad de las redes
neuronales. Este problema se ha intentado resolver con algunos de los meto-
dos de analisis en el dominio del tiempo, frecuencia, espacio-tiempo o tiempo-
frecuencia y no han permitido proporcionar una solucion conveniente al proble-
ma. En estudios como el de (Koenig et al., 2001; Hruby and Marsalek, 2002;
Marroquın et al., 2004), se introduce una solucion basado en la descomposicion
espacio-tiempo-frecuencia, esta ocurre con la descomposicion de las senales de
EEG en tiempo-frecuencia (en cada electrodo por separado) y posteriormente
se aplica un tipo de agrupamiento que permite obtener una distribucion to-
pografica de la actividad cerebral. Otro de los estudios en este dominio es el
que realiza (Makeig et al., 2002) con el analisis tiempo-frecuencia de las com-
ponentes obtenidas en la descomposicion espacio-temporal de las senales de
EEG. Estos estudios que presentan la ventaja de representar a la informacion
en sus tres dominios de interes, presentan ciertas limitaciones en el metodo que
implementan en el cual no se provee una caracterizacion simultanea en espacio-
tiempo-frecuencia de la senales de EEG. Dada esta limitacion es que se plantea
una solucion en la presente investigacion.
La tabla 3.2 indica algunas investigaciones que han estudiado a la actividad cere-
bral desde los dominios ya mencionados en sus diferentes aplicaciones.
57
Tabla 3.2 Investigaciones con las senales de EEG respecto al dominio de analisis y lasactividades de estudio.
REFERENCIA DOMINIO TIPO DE ANALISIS ESTUDIO
(Nuwer et al., 1999) Frecuencia
Analisis espectral(autorregresivo) porelectrodo, se usa soloamplitud.
Diferenciacion de lasfrecuencias de interescon las enmascaradasque tienen mayoramplitud, se asumesenal estacionariay corta.
(Handy, 2005) TiempoPromediado de ensayosdel evento.
Deteccion de eventosde interes (ERP).
(Abasolo et al., 2005)Tiempo yfrecuencia
Analisis espectral (FFT)por cada electrodo, se usasolo amplitud.
Deteccion de eventoscaoticos.
(Kelly and Garavan, 2005)Tiempo yfrecuencia
Analisis espectral (STFT)en bandas de frecuenciausando informacion entodos los electrodos.
Deteccion de atencionen ciertas regiones delcerebro.
(Yaomanee et al., 2012)Tiempo yfrecuencia
Analisis espectral (FFT)en bandas de frecuenciapor cada electrodo.
Areas del cerebro queresponden mayormenteal proceso deatencion/relajacion.
(Marroquın et al., 2004)Espacio, tiempoy frecuencia
Analisis espectral(filtro de Gabor) en bandasde frecuencia en todos loselectrodos.
Deteccion de regionescon patrones,observaciones deactividad dada ladiferencia entre elpre y el postestımulo (ERP).
Esta investigacionEspacio, tiempoy frecuencia
Analisis espectral (STFT)en bandas de frecuenciaen todos los electrodos.
Deteccion de regionescon patrones deactivacion, observacionde actividadcontinua.
Las tendencias en neurociencias sugieren que el estudio de la dinamica en el esta-
blecimiento de coordinaciones temporales neuronales es una de las vıas mas promiso-
rias para explorar la funcion cognitiva del cerebro (Kelso, 1997; Bressler and Kelso,
2001; Varela et al., 2001; Friston, 2001; Singer, 2006; Squire et al., 2012). Mas alla
58
de solo tener un analisis de la informacion en tiempo-frecuencia, se necesita tener en
cuenta un patron espacial completo de la actividad cerebral medida simultaneamen-
te en diversos sitios del cerebro que manifiestan la actividad coordinada. Al resaltar
que el EEG refleja la actividad electrica (sincronizada espacial y temporalmente) de
grandes poblaciones de neuronas interconectadas entre sı formando redes neurona-
les (Varela et al., 2001). Se manifiesta una oportunidad de analisis que reside en la
identificacion de las redes neuronales involucradas en distintos procesos cerebrales,
partiendo del estudio de las propiedades tiempo-frecuencia-espacio de su actividad
electrica, punto de vista que ha manifestado (Miwakeichi et al., 2004).
59
Capıtulo 4
Metodologıa
La metodologıa que soporta a la propuesta presentada en esta investigacion se
definio en dos etapas. La primera, con un marcado caracter de IHC, consiste en el
diseno e implementacion en EVs de una tarea cognitiva y motora a diferentes niveles
de abstraccion. La segunda etapa, centrada en el reconocimiento de patrones, que
conduce al analisis de la relacion entre el nivel de abstraccion y la transferencia de
conocimiento. En la primera, se determinaron las tareas primordiales en reuniones
con un experto, y se propusieron escenarios con diferentes niveles de abstraccion para
estas tareas, que luego fueron probados y refinados en un piloto. En la segunda etapa
se trabajo en el procesamiento de las senales de EEG. Se abordo la reducccion de
ruido, el analisis, la representacion de los datos y el agrupamiento con restricciones,
con la finalidad de obtener la segmentacion de los procesos cognitivos originados en los
participantes que entrenaron en los EVs con las tareas en sus niveles de abstraccion.
En la figura 4.1 se ilustra la metodologıa propuesta y posteriormente se explican las
actividades realizadas en cada etapa.
4.1. Diseno e Implementacion de Tareas
En la primera etapa de la metodologıa se realizo la seleccion de una tarea cognitiva
y una motora y la definicion de tres niveles de abstraccion en cada una. Para llevar a
cabo esta actividad se recurrio al apoyo de una experta en psicologıa (Dra. Veronica
Reyes Meza). Se establecieron 3 niveles de abstraccion; bajo, medio y alto1. Al ge-
1La construccion de abstracciones esta basado en caracterısticas cualitativas, siguiendo los principios de(Berkeley et al., 1999).
60
Figura 4.1 Metodologıa de la investigacion.
61
nerar los niveles de abstraccion en las tareas, se partio del fundamento de conceptos
concretos hacia conceptos mas generales.
4.1.1. Tarea Cognitiva
La tarea cognitiva consistio en identificar dos estadıs intermedios en el patron en
una secuencia logica. En la figura 4.2 se ilustra a la tarea cognitiva en sus tres niveles
de abstraccion.
En el nivel de abstraccion bajo, se disenaron secuencias basadas en el juego chino
del tangrama compuesto por 7 piezas de colores con diferentes formas. La tarea en
este nivel de abstraccion consistıa en mover las piezas de forma secuencial para llegar
a una figura final compuesta por las 7 piezas. Para llegar a esta composicion final,
se adelanta al usuario parte de la secuencia de movimientos, ocultandole dos de esos
movimientos de la secuencia. Los participantes tenıan que elegir dos opciones de entre
cuatro movimientos pseudo-aleatorios sugeridos. Son pseudo-aleatorios ya que deben
incluir la solucion correcta.
En el nivel de abstraccion medio, las secuencias logicas se definieron en terminos
de un conjunto de 7 figuras geometricas. Se presento un patron de figuras geometricas
y se pidio completar el resto del patron en 4 casillas libres ordenando adecuadamente
4 figuras proporcionadas como opciones. Se abstrae en este paso la conformacion
de una imagen como la del tangrama i.e. la localizacion espacial de las piezas se
vuelve irrelevante, manteniendo la esencia de la tarea; la inferencia de dos pasos en
la secuencia.
Finalmente, en el nivel de abstraccion alto, se definieron las secuencias logicas en
terminos de cırculos con 7 caracterısticas representadas por el color. Se abstrae en
este nivel la forma geometrica de los objetos.
Durante el diseno de los niveles de abstraccion para la tarea cognitiva se controla-
ron aspectos importantes para mantener la naturaleza y el nivel de reto impuesto de
la tarea en terminos del tamano del espacio de combinaciones posibles; se mantuvo la
cantidad de movimientos para llegar a la solucion final, la misma cantidad de formas
representadas, la cantidad de colores y el patron que guiaba la respuesta correspondıa
al movimiento de las figuras.
62
(a) Tarea cognitiva con el nivel de abs-traccion bajo.
(b) Tarea cognitiva con el nivel de abs-traccion alto.
(c) Tarea cognitiva con el nivel de abs-traccion medio. Este nivel de abstrac-cion fue utilizado en la validacion (pri-mera etapa de la metodologıa)
Figura 4.2 Entornos virtuales de la tarea cognitiva a diferentes niveles de abstraccion.
4.1.2. Tarea Motora
La tarea motora consistıa en el movimiento fraccionado de los dedos en una deter-
minada secuencia aleatoria. Dicho movimiento se operacionalizo mediante la pulsacion
de teclas en un teclado de computadora. En la figura 4.3 se ilustra a la tarea motora
en sus tres niveles de abstraccion.
En el nivel de abstraccion bajo, se diseno un piano (como sugerencia de la pulsacion
de teclas), pero la tarea no demando la asociacion de teclas del teclado a las del piano.
La secuencia motora de pulsacion de teclas aparece una a una en la parte superior
del piano.
El nivel de abstraccion medio, el piano se acompano con un pentagrama en la
parte inferior. Aunque igualmente la parte superior (el piano) sugiere la pulsacion
fraccionada de teclas, la inferior abstrae la secuencia motora de su asociacion con un
gesto especıfico. La secuencia de letras iban cambiando una vez que era teclada la
secuencia completa.
El nivel de abstraccion alto esta inspirado en el juego whack-a-mole. Las letras
63
estan fijas en la pantalla (como los hoyos del topo). La accion requerıa teclear la letra
correspondiente a la zona donde aparecıa el topo. Cualquier relacion con un “orden”
de las teclas ha desaparecido pero se mantiene la necesidad de pulsar en secuencia.
En el diseno de los niveles de abstraccion para la tarea motora para mantener la
naturaleza y el nivel de reto impuesto de la tarea en terminos del tamano del espacio
de combinaciones posibles, se controlaron aspectos importantes como la accion del
tecleo en la secuencia de letras que aparecıan, el tiempo para cambiar de letra en la
secuencia y la utilizacion de 18 letras de la distribucion del teclado y se usaron las
mismas en los diferentes niveles de abstraccion de la tarea.
(a) Tarea motora con el nivel de abstrac-cion bajo.
(b) Tarea motora con el nivel de abstrac-cion alto.
(c) Tarea motora con el nivel de abstrac-cion medio. Este nivel de abstraccionfue utilizado en la validacion (primeraetapa de la metodologıa)
Figura 4.3 Entornos virtuales de la tarea motora a diferentes niveles de abstraccion.
4.2. Relacion entre el Nivel de Abstraccion y la Transfe-rencia de Conocimiento
En la segunda etapa de la metodologıa, se propone una nueva estrategia de anali-
sis de la relacion entre el nivel de abstraccion y la transferencia de conocimiento
64
incluyendo un nuevo algoritmo automatizado de segmentacion de procesos cognitivos
sobre las senales de EEG del cerebro.
4.2.1. Diseno experimental
21 estudiantes de la licencitura de psicologıa Universidad Popular Autonoma del
Estado de Puebla (UPAEP), 18 mujeres y 3 hombres en un rango de edad de 18 a 23
anos participaron en el estudio. Para la adquisicion del repositorio de datos, se diseno
un experimento longitudinal (pre-post) bifactorial entre-sujetos que se esquematiza en
la figura 4.4. Los factores considerados son el tipo de entrenamiento recibido (real vs
virtual) y el nivel de abstraccion de dicho experimento (bajo vs alto). Se definieron por
tanto 4 grupos de participantes. Dos grupos entrenaron en EVs; un grupo entreno con
la tarea motora y cognitiva con un nivel de abstraccion bajo (tarea especıfica) y el otro
grupo con la tarea motora y cognitiva con un nivel de abstraccion alto (tarea general).
Los otros dos grupos restantes entrenaron en el entorno real; un grupo entreno con
la tarea motora y cognitiva con un nivel de abstraccion bajo (tarea especıfica) y el
otro grupo con la tarea motora y cognitiva con un nivel de abstraccion alto (tarea
general).
Figura 4.4 Diseno experimental entre-sujetos
Se llevo a cabo un piloto (con voluntarios adicionales reclutados en el Instituto
Nacional de Astrofısica, Optica y Electronica) para estimar el numero y duracion de
65
las sesiones de entrenamiento suficientes como para observar un cambio en el rendi-
miento de los participantes, fijandose el entrenamiento en 3 sesiones de 20 minutos.
En la figura 4.5 se ilustran algunos participantes durante el entrenamiento de tareas
en los EVs y en el ER en los diferentes niveles de abstraccion de la tarea cognitiva y
motora.
(a) Entrenamiento en EVs con tareas en el nivel de abstrac-cion medio.
(b) Entrenamiento en EVs y ER en el nivel de abstraccionbajo y alto.
Figura 4.5 Entrenamiento de tareas en los EVs y el ER de tareas cognitivas y motorasen los diferentes niveles de abstraccion. (a) Prueba piloto y (b) experimento principal.
Durante el experimento principal, cada grupo realizo su entrenamiento durante 3
dıas por 20 minutos. En el cuarto dia, se realizo la ejecucion de la tarea en el ER
66
con todos los grupos. Este ultimo dıa, durante 10 minutos ejecutaron la tarea con el
nivel de abstraccion correspondiente a su entrenamiento y durante otros 10 minutos
ejecutaron la tarea con el nivel de abstraccion contrario al del entrenamiento.
El primer dıa de entrenamiento y el cuarto dıa correspondiente a la ejecucion de
la tarea (en el entorno real) se aplicaron dos cuestionarios, el primero para medir
la carga mental generada en cada tarea por participante se aplico el cuestionario
NASA TLX (Aeronautics and Administration, 2016). El segundo cuestionario fue el
Goal Attainment Scale (GAS) (Library, 2012) para medir el logro de los objetivos
planteados en el entrenamiento. Ademas de los cuestionarios, se tomaron puntajes
de aciertos (estos, ademas, se tomaron en las sesiones intermedias de entrenamiento).
Tambien se registraron las senales de EEG para la determinacion de la integracion
de las tareas a nivel cognitivo.
Durante el registro de las senales de EEG, se indico al participante periodos de
relajacion y de entrenamiento marcando la senal en diferentes segmentos. Para la
adquisicion de la senal cerebral se utilizo el kit EMOTIV (Emotiv, 2016). Este kit
es inalambrico y consta de 14 electrodos (canales) y dos referencias en las posiciones
P3/P4 cuya frecuencia de muestreo es de 128 Hz. Las posiciones de los canales de
acuerdo con el sistema internacional 10/20 son AF3, F7, F3, FC5, T7, P7, O1, O2,
P8, T8, FC6, F4, F8, AF4 respectivamente (ver figura 4.6)
(a) Localizacion de electrodos en Emo-tiv EPOC.
(b) Dispositivo Emotiv EEG.
Figura 4.6 a) Localizacion de electrodos y b) dispositivo de registro de senales de EEGde la compania Emotiv. Figura reproducida de (Emotiv, 2016).
67
4.2.2. Aplicacion de Medidas Subjetivas Clasicas
4.2.2.1. NASA TLX
La aplicacion del cuestionario NASA TLX se realizo en la primera sesion de en-
trenamiento y el dia de ejecucion de la tarea (ER), en las dos sesiones se uso por
igual el cuestionario el cual fue aplicado en dos fases: una fase de ponderacion, en
el momento anterior a iniciar el entrenamiento o ejecucion de la tarea y la fase de
puntuacion inmediatamente despues del entrenamiento o ejecucion de la tarea.
En la fase de ponderacion, se explico a cada participante la tarea que reali-
zarıa. Despues de la explicacion se presento las definiciones de cada una de las
dimensiones a evaluar (exigencia mental, exigencia fısica, exigencia temporal,
esfuerzo, rendimiento, nivel de frustracion) a fin de que las compararan por
pares (15 combinaciones) y eligieran una en cada par, esta seleccion enfocada
en determinar cual es el elemento que percibian como mayor fuente de carga
mental respecto a la tarea que estaban por realizar. A partir de estas elecciones
se obtuvo un peso para cada dimension, en funcion del numero de veces que la
eligio el participante. Estos pesos pueden tomar valores entre 0 (dimension no
elegida en ninguna ocasion) y 5 (dimension que siempre fue elegida).
En la fase de puntuacion, las personas valoraron la tarea que realizaron marcan-
do un punto en la escala que iba de 1 a 20 (donde 1 es baja y 20 es alta) en cada
una de las dimensiones. La puntuacion obtenida en cada dimension es posterior-
mente convertida a una escala sobre 100 la cual es calculada multiplicando la
puntuacion asignada a esa dimension por 100 (escala) y dividida entre 20 (valor
mas alto en la escala de puntuacion). Despues se calcula la valoracion ponde-
rada para cada una de las dimensiones, multiplicando la puntuacion convertida
por el valor obtenido en la ponderacion de cada dimension. Finalmente el valor
de carga mental global se obtuvo dividiendo por 15 la suma de la valoracion
ponderada de las dimensiones, este valor refleja la carga mental derivada por la
tarea en estudio.
4.2.2.2. Goal Attainment Scale
La aplicacion del cuestionario GAS se realizo en la primera sesion de entrenamiento
y el dia de ejecucion de la tarea (ER), en las dos sesiones se uso por igual el cuestionario
68
el cual fue aplicado en tres pasos: el primer paso con el establecimiento de los objetivos,
el segundo paso en la evaluacion de la consecucion de los objetivos y el tercer paso
con la ponderacion de la importancia.
En el establecimiento de los objetivos, previo a la aplicacion del cuestionario y
con el apoyo de una experta en psicologıa, la Dra. Veronica Reyes (UPAEP),
se definieron 5 objetivos en los que se establecio en su conjunto el exito del
entrenamiento al alcanzar buen rendimiento reflejado en la ejecucion de la tarea.
En la evaluacion de consecucion de los objetivos, se definio una escala con los
valores en el rango de -2 a +2, donde el valor -2 indica mucho menos y el
valor +2 indica mucho mas. La puntuacion inicial es generalmente iniciada en
-1 ya que el fracaso en el dominio de la tarea se considera posible. Si no puede
empeorar el dominio de la tarea, entonces la puntuacion es de -2. En este caso
se considero el -1 dado que el fenomeno de empeorar puede ocurrir. Tambien se
tomo en cuenta que el nivel mas problable de alcanzar por el participante es el
0 que indica resultado esperado, por lo tanto el objetivo era tener un maximo
de participantes a 0 o mejor aun, en +1 o +2, aunque realmente no se espera
este resultado, pero no se ignora que ocurra en algunos casos. Se realizo una
descripcion de cada valor, el cual permitio guiar la evaluacion del objetivo. Con
esta definicion se observo a cada participante en su sesion y al finalizarla se
asigno una ponderacion en cada objetivo basado en los resultados observados
en el participante.
En la ponderacion de la importancia, el participante y el evaluador asumieron
un rol en este paso. Al participante se le describio cada objetivo y con esta
informacion aplico una ponderacion determinada al comparar entre objetivos.
El participante determino la importancia entre ellos seleccionando un valor de la
escala de 0 a 3, donde 0 es ninguna y 3 es mucha importancia. Esta ponderacion
asignada debıa mantener el enfoque de lograr buen rendimiento en la tarea. Por
otro lado, la ponderacion realizada por el evaluador consistio en determinar la
dificultad que el participante presentaba al enfrentarse a cada objetivo, para
evaluar este factor se utilizo la misma escala que con la importancia.
Para obtener la puntuacion global del exito en los objetivos en la sesion inicial
y la de ejecucion, se aplico la formula 4.1.
69
GAS = 50 +10∑
(wixi)
(0,7∑wi2 + 0,3(
∑wi)2)
12
(4.1)
donde:
wi = el peso asignado a cada objetivo
xi = es el valor del logro obtenido por objetivo (en el rango de -2 y +2)
Para fines practicos, segun (Kiresuk and Sherman, 1968) se ha definido una
convencion del valor 0.3 y 0.7 en el calculo que corresponde a la correlacion
esperada de la escala.
4.2.3. Preprocesamiento de las Senales de Electroencefalografıa
El preprocesamiento de las senales de EEG consistio en (i) la definicion de un mon-
taje, (ii) el filtrado paso banda asociado a la actividad cogntiva para la eliminacion
de interferencias electricas, y (iii) la utilizacion del analisis de componentes indepen-
dientes para la eliminacion de otros artefactos como parpadeos, actividad muscular y
ritmo cardiaco.
4.2.3.1. Montaje de Referencia Promedio Comun
Se opto por el montaje de referencia promedio comun (CAR) descrito en la sec-
cion 2.1.1. Para la aplicacion de CAR a las senales de EEG, se utilizo el toolbox de
Matlab R© EEGLAB R© (Delorme and Makeig, 2004).
4.2.3.2. Filtrado Paso Banda
Se empleo un filtro paso-banda en el rango de 2 Hz y 50 Hz asociado con la activi-
dad cognitiva (Lan et al., 2005). Este rango pertenece a la designacion de las bandas
de frecuencia de la actividad rıtmica del cerebro (Binder et al., 2009; Andreassi, 2013)
y permite la eliminacion de la componente de 60Hz propia de la interferencia electrica.
4.2.3.3. Analisis de Componentes Independientes
ICA ya se ha descrito en la seccion 2.2.1. Usando en Matlab R© el toolbox EEGLAB R©,
se aplico ICA para separar los componentes relacionados con la actividad cerebral de
aquellos componentes que se producen por artefactos como parpadeos, actividad mus-
cular y ritmo cardiaco. La figura 4.7 ilustra un ejemplo de la descomposicion de las
70
senales de EEG registradas en un participante en sus componentes independientes.
Este mapa contiene la activacion de cada componente distribuida topograficamente,
y expresa la contribucion de cada componente en cada uno de los electrodos.
Figura 4.7 Mapa de componentes independientes obtenido mediante ICA. Cada com-ponente tiene una distribucion de la aportacion que hace a los diferentes electrodos.Esa aportacion es observable en la escala de colores que refleja la energıa en cada unade las zonas cerebrales.
El siguiente paso consiste en determinar que componentes de entre los devueltos
por ICA estan relacionados con los artefactos. Se utilizo el plugin ADJUST (Mognon
et al., 2011) de EEGLAB que incorpora los algoritmos SAD, TK, MEV, SED y GDSF
(Delorme and Makeig, 2004). Cada clase de artefacto se asocia con una caracterıstica
espacial y temporal, esta informacion le sirve a estos algoritmos en la deteccion de
artefactos estereotipados y no estereotipados. En los estereotipados esta el parpadeo
y es detectado por SAD que es sensible a una mayor amplitud en las zonas fron-
tales y TK que los detecta utilizando la curtosis2 en el tiempo en una distribucion
de amplitud tıpica de parpadeos. El movimiento vertical ocular es detectado por el
algoritmo MEV que calcula el valor maximo en epocas donde existe una variacion
temporal, esta medida es sensible en las fluctuaciones lentas tıpicas del movimiento
vertical del ojo. El movimiento horizontal ocular es detectado por el algoritmo SED
que tiene una medida especialmente sensible a las grandes amplitudes en las zonas
frontales, generalmente en oposicion de fase (uno negativo y uno positivo) tıpico en
2En teorıa de la probabilidad y estadıstica, la curtosis es una medida que sirve para analizar el grado deconcentracion que presentan los valores de una variable analizada alrededor de la zona central de la distribu-cion de frecuencias. Este coeficiente indica la cantidad de datos que hay cercanos a la media.
71
este tipo de movimiento ocular. Y en la deteccion de artefactos no estereotipados
GDSF detecta discontinuidades espaciales locales como movimiento de electrodos en
el cuero cabelludo, movimiento muscular o algunas fuentes externas.
Figura 4.8 Ejemplificacion de la deteccion automatica de artefactos marcados en rojo,usando el analisis de componentes independientes y los algoritmos SAD, TK, MEV,SED, GDSF.
Cuando los algoritmos fueron aplicaron sobre las senales procesadas por ICA,
se genero un mapa con los componentes candidatos que se detectaron como fuentes
de ruido. En la imagen 4.8 aparecen resaltados en rojo los componentes detectados
como fuentes de ruido: 2, 5, 6, 7, 8, 9, 10, 11, 13. Estos componentes son los de la
imagen 4.7 pero abordando una solucion en la deteccion de ruido automatico. La
figura 4.9 muestra las caracterısticas de un componente detectado como fuente de
ruido. Finalizada la deteccion automatica de los artefactos, se elimino de los datos
originales las fuentes de ruido detectadas reconstruyendo las senales de EEG a partir
unicamente de los componentes independientes no asociados a fuentes de ruido.
4.2.4. Segmentacion Automatizada de Procesos Cognitivos
Para llevar a cabo una determinada tarea evocada o espontanea, diferentes regio-
nes del cerebro colaboran entre sı. Esta actividad integracional se genera de forma
dinamica y esta caracterizada por una determinada duracion y confinada a unas ban-
das espectrales de frecuencia. Al grupo de regiones activas que colaboran para llevar a
cabo una tarea se le conoce como circuito neuronal (Niedermeyer and da Silva, 2005).
72
Figura 4.9 Componente independiente detectado como potencial artefacto por los al-goritmos SAD, TK y GDSF. En la parte superior se muestra la contribucion espectraldel componente en la topografıa cerebral. En el centro se muestra el espectro de poten-cia asociado. En la parte inferior se indica la deteccion de este componente como fuentede ruido por los diferentes algoritmos. Las caracterısticas espaciales y espectrales quepresenta son asociables a las de un parpadeo tıpico (Jung et al., 2000).
La comunicacion entre regiones y las caracterısticas en tiempo y frecuencia, resultan
factores importantes en los procesos cognitivos los cuales consisten en la actividad co-
rrespondiente a una circuito neuronal durante un periodo de tiempo finito, continuo
y actuando en un determinado rango de frecuencias (Jung, 2014).
En esta tesis se propone emplear el agrupamiento con restricciones para el estu-
dio de la actividad cerebral a traves de las propiedades a nivel espacial, dinamica y
espectral. Estas propiedades caracterizan a los circuitos neuronales3 las cuales estan
involucradas en el procesamiento de la informacion (Varela et al., 2001). Un proceso
cognitivo es la consecuencia de la activacion de un circuito neuronal durante un perio-
do de tiempo finito y continuo, y confinado en un rango de frecuencias (Squire et al.,
2012). Este confinamiento del proceso cognitivo en tiempo frecuencia y espacio, expre-
sa de forma natural unas restricciones que pueden ser formalizadas e incorporadas al
algoritmo de agrupamiento. La figura 4.10 idealiza algunos patrones que caracterizan
a los procesos cognitivos. Estos patrones presentan caracterısticas de continuidad del
circuito neuronal en el tiempo, aun cuando el circuito este afectado ligeramente por
3Un circuito neuronal es un conjunto de regiones del cerebro que colaboran para llevar a cabo una deter-minada tarea (Jung, 2014).
73
Figura 4.10 Idealizacion de patrones de procesos cognitivos. Los procesos cognitivosson continuos en tiempo y estan confinados a una region del espectro de frecuencias,durante el cual un conjunto de regiones del cerebro exhiben un patron de coactividad(por activacion o inhibicion) consecuencia de la funcion integracional del cerebro. En-cerrados en cajas rojo, morado y naranja se idealizan diferentes potenciales patrones.Uno de ellos (morado) “epta” entre diferentes bandas de frecuencia.
un patron de ruido. Tambien pueden deslizarse en frecuencias pero no puede saltar
en frecuencia.
En esta tesis se propone un algoritmo para la segmentacion automatizada de
procesos cognitivos a partir de las senales de EEG. Este algoritmo consta de tres
fases principales; (i) La proyeccion de las senales de EEG a un dominio tiempo-
frecuencia-espacio mediante el uso de la transformada de Fourier de tiempo reducido
por canal, (ii) la reexpresion de la representacion a una forma conveniente para su
alimentacion a un algoritmo de agrupamiento, y (iii) la segmentacion mediante un
algoritmo de agrupamiento jerarquico con restricciones. A continuacion se describen
cada una de estas fases.
74
4.2.4.1. Proyeccion en el Dominio Espacio-Tiempo-Frecuencia Mediante el Uso dela Transformada de Fourier de Tiempo Reducido por Canal
Los procesos cognitivos son el resultado de la actividad cerebral que se extiende en
tiempo, frecuencia y espacio. Para su segmentacion, es necesario primero descomponer
la senal de cada canal del EEG en sus componentes de frecuencia a traves del tiempo.
La STFT es la transformada de Fourier pero con una ventana de seleccion como
se describio en la seccion 2.2.2.1. En la aplicacion de la STFT, se definio una ventana
de tipo Gaussiana, que tiene la ventaja de ser real y simetrica (la transformada de
Fourier clasica es simetrica y, la STFT, al ser una modificacion de esta, tambien lo es)
(Arana Lopez-Abad, 2004). Para definir el tamano de la ventana se tuvo en cuenta
que existe un compromiso entre la resolucion en tiempo y la capacidad de recuperar el
espectro a partir de pocas muestras. Una ventana angosta deriva en mejor resolucion
en tiempo conveniente para el analisis de potenciales evocados (Dietrich and Kanso,
2010).Una ventana amplia permite mejor resolucion en frecuencia. En este trabajo, se
opto de forma empırica por un tamano de ventana de 512 muestras (4 segundos). Con
el fin de minimizar el efecto de las fugas donde generalmente se disminuye a cero los
lımites de las senales que la funcion ventana no es capaz de cubrir y tambien permitir
una mayor visibilidad de los eventos cuando ocurren los cambios de frecuencia en el
tiempo (Selesnick, 2009). Sustentado en lo antes mencionado, se utilizo el traslape del
50 % con respecto al tamano de ventana definido en la STFT tal como se esquematiza
en la figura 4.11.
Figura 4.11 Esquema de muestras sin y con traslape para procesamiento de la trans-formada de Fourier de tiempo corto. Arriba: Muestras en ventanas sin traslape. Abajo:Muestras con un traslape del 50 %.
En la aplicacion de la STFT se utilizo la transformada rapida de Fourier (FFT),
75
en la que se definieron 128 puntos de la senal, lo cual permite una mejor resolucion
en frecuencia, siempre que se mantenga la frecuencia de muestreo igual al numero de
puntos definido (Fadzal et al., 2012). En la figura 4.12 se representa el espectrogra-
ma de la actividad obtenida con el participante 7 en el entrenamiento virtual en el
canal frontal izquierdo (AF3). Se observa la energıa del contenido frecuencial de la
senal segun va variando esta a lo largo del tiempo con los parametros ya definidos
previamente.
Figura 4.12 La STFT genera una representacion en tiempo/frecuencia visualizableen un espectrograma. Representacion de la senal del participante 7 del canal frontalizquierdo (AF3) en su sesion de entrenamiento virtual, en el rango de frecuencias de 2a 50 Hz. Superior: Espectrograma que representa un minuto de registro de la senal deEEG. Inferior: Espectrograma correspondiente a 20 minutos de registro.
Figura 4.13 Estructura matricial tridimensional < frecuencia, tiempo, espacio >MSTFT
f×t×k que se obtiene del analisis de las senales de EEG al aplicar la STFT por canal.
76
Sea S = {s1[t], ..., sk[t] | sk[t] ∈ R} una neuroimagen electroencefalografica regis-
trada en k ∈ K canales con k = 14 en nuestro caso durante t ∈ T muestras de tiempo
discretas. La aplicacion de la STFT de forma individual sobre cada canal resulta en
una estructura matricial de tres dimensiones (estrictamente un tensor) MSTFTf×t×k, que
representa la informacion en las diferentes frecuencias f ∈ F en cada intervalo de
tiempo t a lo largo de los k canales (ver figura 4.13) .
4.2.4.2. Cambio de Representacion en la Informacion
La proyeccion a una representacion frecuencia-tiempo-espacio, presenta la infor-
macion necesaria para determinar la actividad asociada a procesos cognitivos, pero
su caracterizacion en forma de tensor tridimensional MSTFTf×t×k la hace poco atractiva
para trabajar con ella de forma directa. En este sentido, es conveniente “desdoblar” la
estructura tridimensional en una representacion bidimensional equivalente mediante
la reindexacion de las dimensiones de entrada.
La entrada a esta fase es la estructura de 3 dimensiones devuelta por la STFT
representada por MSTFT . Se requiere pasar a una representacion que codifique cada
patron espacial (k canales) en tiempo-frecuencia. Para hacer el cambio de represen-
tacion, para cada par frecuencia-tiempo se reorganiza como un vector columna de
tamano k donde los elementos del vector son los registros observados a traves de los
diferentes canales. El conjunto de vectores columna con los patrones espaciales se con-
juntan en una matriz clasica (bidimensional) Mk×(f×t) = Mk×z donde z ∈ Z = F ×T .
En la figura 4.14 se despliega este cambio en la proyeccion de la informacion.
4.2.4.3. Agrupamiento Jerarquico con Restricciones
Finalmente, el ultimo paso para la segmentacion automatizada de procesos cog-
nitivos se ha llevado a cabo mediante un algoritmo de agrupamiento jerarquico con
restricciones. Primero un agrupamiento aglomerativo jerarquico clasico elegido por la
buena calidad del agrupamiento que genera (Bishop, 2006), asociado a la estrategia
de jerarquıas que utiliza, aplicado sobre los patrones espaciales en frecuencia-tiempo
genera un dendograma que indica la similitud entre patrones pero sin llevar a cabo
una asignacion de grupos. A continuacion, los patrones en el dendograma se asignan a
grupos mediante un esquema de agrupamiento clasico en este caso fijando el numero
de grupos deseado. Los grupos resultantes de este agrupamiento clasico no necesaria-
mente se ajustan a las restricciones exigidas. Se anade por tanto una etapa adicional
77
(a)(b)
Figura 4.14 “Desdoblado” de la representacion TFT de las senales de EEG: (a) es-tructura matricial tridimensional devuelta por el analisis STFT MSTFT
f×t×k. La primeradimension en x representa las muestras en tiempo, la segunda dimension en y repre-senta las componentes espectrales y la tercera dimension en z codifica la localizacionespacial a lo largo de los k = 14 canales. (b) Cambio en la representacion mediantela proyeccion de la informacion donde los elementos de la matriz MSTFT han sidoreindexados. En la nueva matriz Mk×z, la primera dimension en y representa la dis-tribucion espacial correspondiente a los diferentes canales del EEG, mientras que lasegunda dimension en x reindexa los pares de ındices z = f × t.
de imposicion de condiciones que fuerza una reasignacion de los patrones en grupos
delimitados por componentes conexas en tiempo, frecuencia y espacio.
El agrupamiento de las senales de EEG se aborda en esta tesis como un problema
de agrupamiento de series de datos como se reporta en (Rezek et al., 2002; Amit
et al., 2009). Sea M = {mkz} en la Eq. 4.2, una matriz de tamano K × Z obtenida
mediante el cambio de representacion en el paso anterior de la metodologıa.
M =
m1,1 m1,2 . . . m1,z
m2,1 m2,2 . . . m2,z
......
. . ....
mk,1 mk,2 . . . mk,z
(4.2)
Mk×z se puede entender como un conjunto de caracterısticas en espacio, tiem-
po y frecuencia, en donde cada vector columna representa un conjunto de valo-
res frecuencio-temporales z = f × t a lo largo de su distribucion espacial en k,
entonces mk,z representa a la caracterıstica espacial k en el patron z-esimo. En
otras palabras, M puede descomponerse en Z observaciones diferentes de la forma
xz =< m1,z,m2,z, ...,mk,z >. En adelante nos referiremos a los diferentes vectores xz
como observaciones.
78
En este momento se aplica el agrupamiento de las observaciones usando el algo-
ritmo HCA descrito en la seccion 2.3.1.1. En la obtencion de los grupos con HCA,
se trabajo con el metodo Ward (Wishart, 1969) que minimiza la varianza entre pa-
res de observaciones que pertenecen a un mismo grupo, lo que conduce a encontrar
mayor cantidad de grupos optimos en cuanto a la similitud entre las observaciones
que conforman cada grupo. Este metodo utilizado comunmente en el agrupamiento
jerarquico, emplea la distancia Euclidiana y minimiza la funcion de costo determinada
por el valor total de la suma de los cuadrados de las distancias Euclidianas de cada
observacion respecto al centroide del grupo. Ası, siendo C = {cn = {cin}} un conjunto
de n grupos cada uno conformado por un numero arbitrario de observaciones cin, la
suma de cuadrados de los errores del grupo cn, Ecn , donde los errores estan determi-
nados como la distancia Euclidea d(cin, %(cn)) entre cada observacion cin del grupo a
su centroide %(cn) viene dado por la Eq. 4.3.
Ecn =∑i∈cn
d(cin, %(cn))2 (4.3)
Por lo tanto el metodo Ward encuentra en cada iteracion aquellos dos grupos cuya
union proporcione el menor incremento en la suma total de errores E.
Los grupos de patrones espaciales generados por HCA en nuestro dominio de
aplicacion se corresponden con los diferentes circuitos neuronales activos, y un cono-
cimiento adecuado de la actividad evocada puede sugerir un valor tentativo de n con
fundamentos neurofisiologicos. En este trabajo, se opto por tomar n = 10 grupos e
inicializar aleatoriamente los centroides para los grupos a crear (Cıscar, 2000). Como
resultado del proceso de agrupamiento se generan grupos que tienen asignadas las
observaciones con mayor similitud de sus propiedades espaciales entre cada una de
ellas. La figura 4.15 ilustra la organizacion de la matriz de grupos. En la figura 4.15a
se muestra la matriz M obtenida con el cambio de representacion (paso previo de la
metodologıa). En ella se han ilustrado con diferentes colores las observaciones asigna-
das el mismo grupo tras una supuesta ejecucion de HCA. A lo largo del eje de abscisa
estan las observaciones cada una de ellas esta asignada a un grupo. Deshaciendo el
desdoblado de esta matriz, reproyectando los resultados del agrupamiento a un tensor
MHCAf×t×k, con la misma estructura dimensional que MSTFT , se obtendrıa la distribu-
cion ilustrada en la figura 4.15b. Esta MHCAf×t×k recoge la salida del agrupamiento en
C = {cn} con HCA pero aun no (necesariamente) cumple con las restricciones.
79
(a) Distribucion de las observaciones enM agrupadas por sus propiedades espa-ciales.
(b) Organizacion de las observacionesasignadas a un grupo reconstruida en untensor MHCA
f×t×k.
Figura 4.15 Agrupamiento de observaciones usando analisis de agrupamiento jerarqui-co. (a) Una matriz de observaciones tras el proceso de agrupamiento. Cada color repre-senta el grupo al que se habrıa asignado la observacion. (b) Proyeccion de las observa-ciones en Mk×z a un tensor MHCA
f×t×k, al final del agrupamiento cada observacion tieneasignado un grupo que en esta fase aun no tiene por que cumplir con las restricciones.
Imposicion de restricciones mediante reasignacion de grupos. El agrupamiento ob-
tenido a partir de los patrones espaciales contiene la representacion de n circuitos
neuronales (en efecto, patrones espaciales) manifestados en la actividad cerebral (Nie-
dermeyer and da Silva, 2005). Para analizar el procesamiento de la informacion a nivel
cerebral, i.e. los procesos cognitivos, no es suficiente tener los circuitos neuronales in-
dependientes; se necesita de la identificacion de como esos patrones espaciales (los
circuitos neuronales) se expresan en tiempo y frecuencia. Para abordar una solucion
a este planteamiento, se propone en esta tesis el uso de restricciones sobre el agrupa-
miento que codifique el conocimiento que se tiene del dominio de aplicacion.
Para garantizar el cumplimiento de las restricciones, MHCAf×t×k se somete a un proce-
so de reasignacion de grupos que fuerze el cumplimiento de las restricciones generando
un nuevo conjunto de grupos C ′ = {c′n′}. Notese (i) que el numero de grupos final n′
no necesariamente corresponde con el numero de grupos utilizado para n, (ii) que no
es necesario elegir un nuevo n′ ya que este se obtiene de forma automatizada como
se indica a continuacion, y (iii) que la semantica de los nuevos grupos cambia de
representar circuitos neuronales activos a representar procesos cognitivos.
Una manera de expresar el conocimiento que se tiene del dominio de aplicacion
es aplicando las restricciones a nivel de instancias (Grossi et al., 2015). En adelante
se manejara el termino instancias para referirnos a las observaciones que ya han sido
80
asignadas a un grupo. La aplicacion de restricciones a nivel de instancias sigue dos
mecanismos fundamentales definidos por pares (Grossi et al., 2015), las cuales definen
relaciones binarias transitivas entre instancias.
Must-link: restricciones que especifican que dos instancias tienen que estar en el
mismo grupo, y
Cannot-link: restricciones que especifican que dos instancias no pueden ser colocadas
en el mismo grupo.
Para aplicar estos mecanismos, se proponen en este trabajo dos principios para la
segmentacion en procesos cognitivos:
Contiguidad: significa que todas las instancias que originalmente fueron asignadas a
diferentes grupos, deben terminar en diferentes grupos. En otras palabras, en la
reasignacion de grupos no se permite la union de instancias a traves de grupos.
Separacion maxima: referente a un lımite de separacion maxima ν entre dos instan-
cias en Z = F × T . Dos instancias, en principio asignadas al mismo cluster cn
con HCA, separados por ν elementos en Z que no corresponden al mismo cluster
cn, entonces esas dos instancias deben ser reasignadas a diferentes grupos c′n′ .
En otras palabras, en la reasignacion de grupos, se exige que los nuevos grupos
contemplen una determinada adyacencia. Para este trabajo se ha tomado ν = 1.
Estos principios se han codificado como restricciones a nivel de instancias, de tal
manera que se permita la representacion de la informacion en el dominio ya men-
cionado. Con la aplicacion de estas heurısticas, se realiza una reasignacion de los
grupos partiendo los grupos originales encontrados por HCA, basados en similaridad
de actividad espacial (circuitos neuronales), en nuevos grupos tales que ademas de
compartir su similaridad espacial (principio de contiguidad) esten confinados a una
actividad localizada en tiempo frecuencia (principio de separacion maxima). Notese,
que de forma efectiva esto corresponde con una particion de los clusteres originales
(no hay posibilidad de union) en sus componentes conexas en Z.
La localizacion de las componentes conexas internas a los grupos originales en
C se lleva cabo explorando la 4-adyacencia de cada instancia. Con ello se busca
la segmentacion de las instancias del mismo grupo, las cuales se encuentren en la
vecindad definida (se definio a la segmentacion y adyacencia en la seccion 2.3.3 de esta
81
tesis). Si la instancia se encuentra en la posicion z = (x, y), sus vecinos considerados
seran:
Figura 4.16 4-adyacencia respecto a la posicion z = (x, y) de una instancia. Los 4-vecinos de z son las frecuencias anterior y posterior, o las muestras en tiempos anteriory siguiente.
Ası, para reasignacion de las instancias xz en los nuevos grupos c′n′ se recorre la
matriz MHCA en cada una de sus instancias, se analiza su vecindad y se mantienen
aquellas instancias que contengan la misma etiqueta de grupo y ademas esten en
la vecindad que se ha definido. Sea un conjunto de instancias X = {x1, x2, ..., xz}agrupados en un conjunto de grupos C = {cn}, y sea Dz(x
i, xj) la distancia en
Z = F × T entre pares de instancias tal que Dz(xi, xj) es la separacion en elementos
de frecuencia f o tiempo t entre ambas instancias por elementos asignados a otros
grupos en C. La reasignacion en nuevos grupos C ′ = {c′n′} deben cumplir con las
restricciones impuestas, las cuales implican que pares de instancias originalmente
asignadas al mismo grupo (contiguas) y adyacentes (dentro de la separacion maxima)
deben permanecer en el mismo grupo, mientras que las que violen alguno de los dos
principios deben quedar asignados a grupos diferentes.
Para cada par de instancias xi, xj ∈ X se reasignan los grupos acorde a la siguiente
regla:
Si Dz(xi, xj) ≤ ν entonces xi, xj permanencen en el mismo grupo c′n′ ;
sino xi, xj deben ser asignados a diferentes grupos
Con el uso de estas restricciones se determinan que pares de instancias cumplen
con la propiedad Must-link, que se define como (xi, xj) ∈M , instancias que mantiene
la etiqueta del grupo a la que pertenecen. En el caso de los pares de instancias que
cumplen con la propiedad Cannot-link definido como (xi, xj) ∈ C, se realiza una
82
sustitucion de la etiqueta del grupo a la que esten asignadas debido a que ocurre una
violacion a las restricciones impuestas.
4.2.4.4. Algoritmo de Segmentacion de Procesos Cognitivos Basado en Agrupamien-to con Restricciones
La metodologıa propuesta para la segmentacion de los procesos cognitivos en las
senales de EEG se resume en el Algoritmo 1. Partiendo del registro de las senales
de EEG en su distribucion espacial (canales) a lo largo del tiempo y sus propiedades
en frecuencia S = {s1[t], ..., sk[t] | sk[t] ∈ R}, estas senales en un paso previo han
sido tratadas para reducir artefactos. Se inicializa el numero de grupos n correspon-
dientes a la fase de agrupamiento jerarquico, antes se ha indicado como se define
esta asignacion (sugieriendose que la eleccion este guiada por el numero de circuitos
neuronales que se espera esten activos). Al realizar el analisis TFT (lines 7-10), se
transforman las senales sk del dominio de tiempo al dominio de frecuencia-tiempo
mediante la aplicacion de la STFT, obteniendo en este proceso un tensor de datos4
MSTFTf×t×k. A continuacion, se reindexa el tensor (lines 11-18), obteniendose una nueva
representacion M . Finalmente se aplica el agrupamiento con restricciones sobre M
(lines 19-31) para obtener la segmentacion final.
4.2.4.5. Validacion del Algoritmo de Segmentacion de Procesos Cognitivos
No estamos conscientes de la existencia de un algoritmo completamente automa-
tizado para la segmentacion de procesos cognitivos. En estas circunstancias, la valida-
cion del algoritmo propuesto para segmentacion de procesos cognitivos se ha llevado a
cabo en dos partes. En la primera parte, se valida el analisis tiempo-frecuencia-espacio
(TFT) de las senales de EEG mediante la comparacion con el trabajo de (Marroquın
et al., 2004) como el estudio mas cercano. Notese que la segmentacion final que da
como resultado un mapa en el dominio TFT de (Marroquın et al., 2004) es manual.
En la segunda parte, se valida la fase de agrupamiento con restricciones comparando
los resultados obtenidos en el agrupamiento con una tecnica de agrupamiento clasico.
Para llevar a cabo esta segunda fase, fue necesaria la generacion de datos sinteticos
en los que se genero patrones de los procesos cognitivos.
4Un tensor es un arreglo d-dimensional.
83
Algorithm 1 Deteccion automatica de procesos cognitivos1: S = {s1[t], ..., sk[t] | sk[t] ∈ R}2: . An EGG neuroimage recorded at k channels for t time samples;3: n← number of desired clusters4: . n may also express a threshold distance to split clusters.5: procedure SEGMENTCOGNITIVEPROCESSES(S, n)6:7: 1) Time-Frequency-Topology (TFT) transformation:8: MSTFT ← SHORTTIMEFOURIERTRANSFORM(S)9: . With MSTFT ∈ RF×T×K being the TFT neuroimage energy distribution
10:11: 2) Pattern definition:12: for each frequency fi in F do13: for each time interval tj in T do14: M(:, fi × tj)←MSTFT (fi, tj, :)15: . With M ∈ RK×(F×T ) having the spatial energy distribution patterns for
pairs < frequency, time >.16: end foreach17: end foreach18:19: 3) Constrained clustering:20: dendogram← LINKAGE(M);21: C ← CLUSTER(M,n); . C = {cn} contains the set n of clusters22: LL← []23: for each cluster cn in C do . Split clusters in constraint (connected) components24: temp←M == cn25: . temp es una imagen binaria intermedia donde solo los “pıxeles” del actual
cluster estan a 1.26: connected components← ADJACENCYTEST(temp)27: . Componentes conexas del cluster cn28: maxLabel← max(LL)29: LL← LL+ (connected components+maxLabel). ∗ temp30: end foreach31: return LL32: end procedure
Validacion de la Fase de Analisis Tiempo-Frecuencia-Topologıa: para llevar a cabo
la primera etapa de validacion, se realizo la implementacion de la metodologıa pro-
puesta en el trabajo de (Marroquın et al., 2004). En este trabajo se utiliza senales de
EEG registradas de la repeticion de un estımulo al que se expone a los participantes.
Se analiza la significancia estadıstica de los cambios por bandas espectrales en las
84
senales de cada canal de la neuroimagen entre el pre-estımulo y el estımulo. Con base
en la significancia estadıstica de dicha comparacion, se obtiene un mapa de actividad
condensado en un tensor de datos en el dominio TFT, con valores de -1, 0, 1. En la
figura 4.17 se ilustra el resultado obtenido con esta metodologıa.
Figura 4.17 Generacion del tensor de datos en espacio, tiempo y frecuencia usandola metodologıa de (Marroquın et al., 2004). El tensor de la izquierda tiene en NR lasrepeticiones del estımulo de la sesion, en NT las muestras t en tiempo por repeticion r,en NK a los canales. El tensor de la derecha tiene en NF a las frecuencias identificadas,en NvT a las ventanas de tiempo del ensayo y en NK a los canales.
Se ingreso como entrada en los sistemas de ambas metodologıas las senales de EEG
obtenidas en el registro de los 21 participantes que entrenaron y ejecutaron (ER en
todos los casos) con la tarea de entrenamiento y con otra tarea. De cada participante se
obtuvieron tres registros correspondientes al entrenamiento y ejecucion (tarea original
y otra tarea) con la modalidad asignada a cada uno (tarea cognitiva y motora con
EV o ER y con nivel de abstraccion bajo o alto). Los datos se procesaron con ambos
sistemas y se obtuvo un tensor de datos en tres dimensiones: tiempo (x), frecuencia
(y), espacio (z). Sin embargo el tamano de la dimension en el tiempo en los tensores
no resulto equivalente, el tensor obtenido en la metodologıa de esta investigacion
resulto mayor. Esto se debe a que (Marroquın et al., 2004) realiza un promediado de
las diferentes repeticiones del estımulo en la sesion mientras que en la metodologıa
de esta tesis se mantiene a lo largo del registro de EEG el monitoreo continuo de la
sesion en cuestion, con la finalidad de observar la actividad cerebral en el proceso
(entrenamiento o ejecucion).
Para poder adaptar el tamano de la dimension en x, al tensor obtenido con la
metodologıa de esta investigacion, se aplico un muestreo5 a los datos del tensor. Por
5Seleccion de un conjunto de elementos que se consideran representativos del grupo al que pertenecen,con la finalidad de estudiar o determinar las caracterısticas del grupo.
85
otro lado, las dimensiones en frecuencia y espacio, no tuvieron diferencias en el tamano
de estas dimensiones debido a que se definieron los mismos parametros de entrada en
el procesamiento (rango de frecuencias de 2 a 50 Hz y 14 canales).
Como ya se indico, el tensor devuelto en la metodologıa de (Marroquın et al., 2004)
devuelve valores -1, 0, 1, los cuales podemos nombrar como variables nominales, dado
que estan representando categorıas que no obedecen a una clasificacion intrınseca
de la informacion. Por lo tanto, para poder homogeneizar la informacion en ambos
tensores, se realizo una normalizacion de valores del tensor de la metodologıa de esta
tesis en el rango de 0 a 1 y posteriormente se aplico una comparacion de tipo booleana,
tal como (Marroquın et al., 2004) la aborda en la comparacion del pre-estımulo y el
estımulo, pero en este caso se compararon los datos con la normalizacion realizada,
aplicando la misma normalizacion al tensor de datos (Marroquın et al., 2004) (valores
previos a la asignacion categorica).
Al contar con los tensores de valores homogeneizados, se aplico una prueba de chi-
cuadrado usada en datos categoricos con la cual es posible observar la significancia
estadıstica de los resultados devueltos en ambas metodologıas. Para poder llevar a
cabo la prueba, se unifico la informacion en cada metodologıa con respecto a los
tratamientos en los que se involucro a cada participante: entrenamiento, ejecucion y
resolucion de otra tarea para la tarea cognitiva y motora.
Validacion de la Fase de Agrupamiento: en esta segunda parte de la validacion se
realizo la comparacion entre el enfoque propuesto usando el metodo de agrupamiento
con restricciones y un enfoque de agrupamiento clasico k-means. En la figura 4.18
se expone el diagrama del procedimiento realizado en la validacion. Se realiza una
distribucion de los ritmos cerebrales en sus respectivas bandas de frecuencias (delta,
theta, alfa, beta, gamma) las cuales son asignadas a diferentes canales, de modo
que las distribuciones definan diferentes circuitos neuronales sostenidos en tiempo y
frecuencia. Tambien se agrega un porcentaje de ruido para identificar la robustez de
la metodologıa en la identificacion de procesos cognitivos frente al ruido presente en
las senales. Se procesan las senales con la STFT y se realiza la transformacion de la
informacion obtenida en el tensor para posteriormente aplicar el agrupamiento con
restricciones como propuesta de esta investigacion y en el caso comparativo se aplica
una tecnica de agrupamiento clasica. Al prescindir de las restricciones en la tecnica
de agrupamiento clasica se pretende una comparativa de resultados en beneficio de
la segmentacion de los procesos cognitivos.
86
Figura 4.18 Validacion de la fase de agrupamiento. Proceso de comparacion con elalgoritmo de k-means. Se genera una imagen sintetica S = {s1[t], ..., sk[t] | sk[t] ∈ R},se aplica un porcentaje de ruido a la imagen generada, se procesan los datos con laSTFT, se realiza la proyeccion de la informacion del tensor obtenido con la STFT y seaplica la tecnica de agrupamiento con restricciones y con una tecnica de agrupamientoclasica.
87
Capıtulo 5
Experimentos y Resultados
El presente capıtulo presenta los experimentos realizados, incluyendo la validacion
de la metodologıa propuesta y los resultados obtenidos a fin de confirmar (o refutar)
la hipotesis de investigacion. El capıtulo comienza con la evaluacion de las tareas
implementadas en los entornos virtuales mediante un estudio piloto mostrando como
estas tareas permiten un aprendizaje observable en el participante (incremento en su
rendimiento), y se observo la posible asimilacion o no de los conceptos (progreso de
la carga mental) de cara a la posterior interpretacion de resultados. A continuacion,
se presentan los resultados del experimento principal en 3 partes: las medidas de
rendimiento observables y cuestionarios, la verificacion del preprocesamiento de la
senal de EEG y finalmente la validacion del algoritmo de segmentacion.
5.1. Calibracion del Entrenamiento y las Tareas
5.1.1. Montaje del Pre-ensayo
Para calibrar los tiempos de entrenamiento y la dificultad de las tareas, se im-
plementaron en EVs la tarea cognitiva y motora en el nivel de abstraccion medio.
Los EVs se programaron bajo la plataforma Blender R© (Foundation, 2015). La cali-
bracion del entrenamiento y las tareas se llevo a cabo mediante un pre-ensayo con
la participacion de 7 voluntarios reclutados en la Universidad Popular Autonoma
del Estado de Puebla (UPAEP) sobre una poblacion demograficamente homogenea
a la del estudio principal1. Los datos demograficos de esta cohorte se presentan en
1Para evitar sesgos de aprendizaje, los participantes del preensayo fueron diferentes de los 21 participantesinvolucrados en el experimento principal.
88
la Tabla 5.1. Se entreno a los participantes durante 4 dıas y en el dia 5 se realizo la
ejecucion del entrenamiento. La importancia del pre-ensayo como ya se menciono re-
cayo en adecuar tiempos y tareas, dentro de la dinamica de entrenamiento y ejecucion
caracterıstica que debıa conservarse en esta etapa y en la posterior. En el analisis de
la transferencia de conocimiento fue necesario contar con la mayor evidencia que re-
forzara el estudio de este fenomeno, por esta razon durante el pre-ensayo se utilizaron
dos medidas de rendimiento; una cuantitativa (puntajes -aciertos en las respuestas
cognitivas y motoras-) y otra cualitativa mediante el cuestionario GAS que determina
el exito al transcurrir el entrenamiento de los objetivos planteados. Ademas se uso el
NASA-TLX que mide la carga mental como indicador de la integracion de los cono-
cimientos a nivel cognitivo. El pre-ensayo sirvio para adaptar los dıas y tiempos de
entrenamiento y verificar si las tareas implementadas en los EVs eran adecuadas con
respecto al tipo y el grado de abstraccion.
Tarea Cognitiva Tarea Motoran 4 3Edad 19 a 32 anos 19 a 20 anosGenero (M/F) 3M/1F 2M/1F
Tabla 5.1 Datos demograficos de los participantes en el estudio piloto para la valida-cion de las tareas de entrenamiento. n: numero de participantes.
5.1.2. Capacidad de Observacion de los Cambios en el Rendimiento
En la figura 5.1 se presentan los puntajes que obtuvieron los participantes a lo largo
de las sesiones de entrenamiento. Como era de esperarse, el progreso de las variables de
rendimiento no necesariamente muestra un comportamiento monotono. Con la tarea
cognitiva, el numero de aciertos a medida que progresaba el entrenamiento mostro
una tendencia incremental. Por el contrario, en el entrenamiento de la tarea motora
no se observo una clara mejora en el rendimiento de los participantes a lo largo de
las sesiones. Esto pudiera deberse a que desde la primera sesion el rendimiento era ya
elevado, lo que sugiere que la tarea motora tenıa poca dificultad al resolverla y por
ende no implicaba en los participantes un reto durante el entrenamiento.
En la evaluacion hecha con el cuestionario GAS, cuyos resultados se indican en
la figura 5.2 se observo que tanto para la tarea cognitiva y motora comparando la
primera y cuarta sesion, se mejoro el logro de los objetivos planteados. Sin embar-
89
(a) Tarea cognitiva (b) Tarea motora
Figura 5.1 Progreso en la puntuacion (numero de aciertos) en las sesiones de entre-namiento durante el estudio piloto en las tarea cognitiva y motora implementadas enentornos virtuales. El eje de abcisa representa las diferentes sesiones de entrenamientollevadas a cabo. Se muestran los valores obtenidos por cada participante (color) y elvalor promedio de los valores de los participantes (negro).
go no fue suficiente para determinar el logro del rendimiento que se esperaba dado
el planteamiento de los objetivos en el cuestionario. Lo que llevo a replantear los
objetivos al considerar que se presentaban muy rigurosos al tener tiempos de entre-
namiento elevados que posibilitaran perder el interes en la tarea y al exigir rapidez
en el dominio de la tarea. Al identificar estos inconvenientes se indico en un objetivo
la reduccion del tiempo de entrenamiento para evitar el desinteres o abandono de la
tarea y en otro objetivo se planteo mas flexible la evaluacion del rendimiento a lo
largo del entrenamiento en las tareas.
5.1.3. Capacidad de Observacion de los Cambios a Nivel Cognitivo
En el analisis de la carga mental hecho con el NASA TLX (ver figura 5.3), se
observo una disminucion en la demanda de recursos cognitivos en la resolucion de la
tarea cognitiva al transcurrir el entrenamiento. Esto se puede interpretar como que
los particpantes tuvieron un mejor dominio de las tareas a nivel cognitivo. En la tarea
motora no se observo la misma tendencia. Este resultado, en conjunto con la obser-
vacion del rendimiento en terminos del numero de exito, sugiere que efectivamente la
tarea motora resultaba muy facil de resolver. Las teorıas de la carga mental (Chen
et al., 2011) sugieren que una razon para la observacion de un aumento en la carga
90
(a) Tarea cognitiva (b) Tarea motora
Figura 5.2 Logro de objetivos medidos mediante el cuestionario GAS en las sesionesde entrenamiento durante el estudio piloto de la tarea cognitiva y motora implementa-das en entornos virtuales. El eje de abcisa representa la evaluacion de la sesion inicialdel entrenamiento y la ejecucion de la tarea de entrenamiento.
(a) Tarea cognitiva (b) Tarea motora
Figura 5.3 Carga mental derivada de las sesiones de entrenamiento con la tarea cog-nitiva y motora implementadas en entornos virtuales. El eje de abcisa representa laevaluacion de la sesion inicial del entrenamiento y la ejecucion de la tarea de entrena-miento.
mental asociada a una determinada tarea se debe a la modalidad de las tareas, las
cuales pueden resultar redundantes y poco retadoras a los participantes. Esta idea
soporta el fenomeno ocurrido en la tarea motora.
Al evaluar la significancia estadıstica de los resultados correspondientes a los acier-
tos y el exito en los objetivos con el cuestionario GAS y con los cambios cognitivos
con el NASA TLX, se obtuvo significancia estadıstica unicamente en el logro de los
objetivos con la tarea cognitiva evaluada con el GAS, con el resto de las evaluaciones
no se obtuvo el mismo resultado. Se concluye que Wilcoxon signed rank, prueba uti-
91
lizada en la evaluacion, no responde adecuadamente cuando el tamano de muestra es
pequeno, que es el caso en el que nos encontramos.
5.1.4. Ajustes al Protocolo
Atendiendo a los resultados durante el pre-ensayo se adecuo la complejidad ası
como los tiempos de entrenamiento y la definicion de los objetivos en el cuestionario
GAS. En el caso de la complejidad de la tarea, en la tarea cognitiva del tipo secuen-
cia logica, se mantuvo el factor de la posicion que cada elemento proporcionaba como
pista a la secuencia y se agrego a cada elemento un movimiento en la posicion que
ocupaban. Tambien se redujo la cantidad de elementos en las secuencias para limitar
las pista que daban solucion a las secuencias. En la tarea motora se agrego un tiempo
de 2 segundos en la aparicion de cada letra que tenıa que ser tecleada al aparecer
en pantalla. Al realizar este ajuste se mantuvo la naturaleza de la tarea (secuencias
logicas) y la equivalencia en complejidad entre los niveles de abstraccion generados
en la misma tarea. Al replantear objetivos en el GAS, se realizaron algunos cambios
correspondientes a la reduccion del tiempo de entrenamiento y se dejo con mas flexibi-
lidad la evaluacion del rendimiento de la tarea. El cuestionario GAS aplicado despues
del ajuste, ası como el NASA TLX se encuentran en la seccion A.2 del Apendice A.
5.2. Evaluacion de la Transferencia de Entrenamiento
5.2.1. Rendimiento en las Tareas
Las puntuaciones obtenidas en el entrenamiento en el EV en la tarea cognitiva y
motora a diferentes niveles de abstraccion se ilustran en las figura 5.4. En la tarea
cognitiva con abstraccion alta y baja el entrenamiento fue mejorando moderadamente
a lo largo de las sesiones. La transferencia de conocimiento con la tarea mas abstracta
resulto con puntuaciones abajo de las obtenidas en la tarea menos abstracta. Sin
embargo, al realizar una tarea diferente a la del entrenamiento, se observa que el
rendimiento exhibido resulta en una puntuacion mas alta movilizado con el nivel mas
abstracto si se compara con el nivel menos abstracto. El mismo fenomeno ocurre con
la tarea motora al realizar una tarea diferente a la del entrenamiento, la movilizacion
del conocimiento es favorecido por el entrenamiento con el nivel mas abstracto que
con el menos abstracto.
92
Los resultados del entrenamiento en el entorno real se ilustran en las figura 5.5.
En la tarea cognitiva menos abstracta, el entrenamiento y la transferencia ocurrieron
mejor comparada con la tarea mas abstracta. No obstante, el entrenamiento con la
tarea mas abstracta comparada con la tarea menos abstracta proporciono mejores
resultados al ejecutar una tarea diferente a la del entrenamiento. En el caso de la
tarea motora en ambos niveles de abstraccion, en las sesiones de entrenamiento y con
la transferencia de conocimiento no se observan cambios significativos, pero es posible
observar el fenomenos de la movilizacion del conocimiento mas favorecido con la tarea
de entrenamiento mas abstracta.
Se evaluo el entrenamiento del EV (lınea negra) con el ER (lınea azul) que se
ilustra en la figura 5.6 con puntuaciones obtenidas en la tarea cognitiva y motora a
diferentes niveles de abstraccion. En general en el EV se observa mejor desempeno
a lo largo del entrenamiento y en la ejecucion de la tarea entrenada. Pese a que se
distingue en los participantes que entrenaron en el ER mejor dominio de la tarea en
la primera sesion, este factor no resulta elemento de prioridad porque la transferencia
de conocimiento se hace notar con el incremento obtenido de la primera a la cuarta
sesion (ejecucion en el ER), fenomeno que es mas diferenciable desde el entrenamiento
virtual. Por lo tanto, aun cuando el entrenamiento real y el entrenamiento virtual son
valiosos; los resultados manifiestan la posibilidad de lograr mejor rendimiento con una
modalidad interactiva de entrenamiento en la que sea posible mejor inmersion de los
discentes en la solucion de tareas.
Los resultados de la escala GAS ilustrados en las figuras 5.7 y 5.8 en promedio
muestran exito en los objetivos planteados en busqeda de obtener un buen rendimiento
con las tareas de entrenamiento. El exito se presenta en la comparacion en la primera
sesion de entrenamiento con respecto a la sesion de ejecucion de la tarea, al elevarse el
valor global del puntaje en los objetivos. Esto significa que al transcurrir las sesiones
de entrenamiento se mejoro el cumplimiento de los objetivos planteados en terminos
de obtener un mejor rendimiento de las tareas. La excepcion que se aprecia en este
logro es con la tarea cognitiva en el EV con abstraccion alta, se desconoce que causo
este resultado.
93
(a) Tarea cognitiva con abstraccion alta. (b) Tarea cognitiva con abstraccion baja.
(c) Tarea motora con abstraccion alta. (d) Tarea motora con abstraccion baja.
Figura 5.4 Progresion de las puntuacion obtenida por el grupo que recibio el entre-namiento virtual de la tarea motora a diferentes niveles de abstraccion. La puntuacionpromedio de cada sesion se observa con el trazo de la lınea negra en la grafica.
5.2.2. Integracion Aparente del Conocimiento en Terminos de la Car-ga Cognitiva Apreciada
Los resultados obtenidos de la carga cognitiva experimentada a traves del NASA-
TLX se presentan en las figuras 5.9 y 5.10. Consecuencia del entrenamiento virtual
se observa una disminucion moderada de los recursos cognitivos al finalizar el entre-
namiento comparado con la primera sesion de la tarea cognitiva y motora en ambos
niveles de abstraccion. En el entrenamiento real los resultados fueron mixtos. Mientras
que en la tarea cognitiva con nivel de abstraccion alta se observo una disminucion de
la carga cognitiva experimentada por el grupo, la abstraccion baja se percibio como
mas demandante al final del entrenamiento. Mismo fenomeno ocurrio con la tarea
motora, en el nivel de abstraccion alto la carga mental disminuyo al final del entre-
namiento y por el contrario en el nivel de abstraccion bajo la carga mental aumento.
94
(a) Tarea cognitiva con abstraccion alta. (b) Tarea cognitiva con abstraccion baja.
(c) Tarea motora con abstraccion alta. (d) Tarea motora con abstraccion baja.
Figura 5.5 Progresion de las puntuaciones obtenidas por el grupo que recibio el en-trenamiento real de la tarea motora a diferentes niveles de abstraccion. La puntuacionpromedio de cada sesion se observa con el trazo de la lınea negra en la grafica.
Al poner en contexto estos resultados con los puntajes de acierto obtenidos en este
entrenamiento, donde no se observa un cambio significativo en la transferencia, los
resultados sugieren que las observaciones puedieran deberse al factor de redundancia
en la tarea (Chen et al., 2011).
95
(a) Tarea cognitiva con abstraccion alta. (b) Tarea cognitiva con abstraccion baja.
(c) Tarea motora con abstraccion alta. (d) Tarea motora con abstraccion baja.
Figura 5.6 Comparacion entre el entrenamiento virtual y real de la tarea cognitiva ymotora a diferentes niveles de abstraccion. En cada grafica la puntuacion promedio delentrenamiento virtual se representa con la lınea negra y la puntuacion promedio delentrenamiento real se ilustra con una lınea azul.
(a) Tarea cognitivacon abstraccion al-ta.
(b) Tarea cognitivacon abstraccion ba-ja.
(c) Tarea motoracon abstraccion al-ta.
(d) Tarea motoracon abstraccion ba-ja.
Figura 5.7 Logro de objetivos (GAS) para el grupo con entrenamiento virtual y ejecu-cion real de la tarea cognitiva y motora a diferentes niveles de abstraccion. Las lıneasde color indican rendimientos individuales y la negra el promedio del grupo.
Como en la primera etapa de la metodologıa, se aplico la prueba Wilcoxon signed
rank a los resultados obtenidos con las medidas de rendimiento y de la carga men-
96
(a) Tarea cognitivacon abstraccion al-ta.
(b) Tarea cognitivacon abstraccion ba-ja.
(c) Tarea motoracon abstraccion al-ta.
(d) Tarea motoracon abstraccion ba-ja.
Figura 5.8 Logro de objetivos (GAS) para el grupo con entrenamiento y ejecucion realde la tarea cognitiva y motora a diferentes niveles de abstraccion. Las lıneas de colorindican rendimientos individuales y la negra el promedio del grupo.
(a) Tarea cognitivacon abstraccion al-ta.
(b) Tarea cognitivacon abstraccion ba-ja.
(c) Tarea motoracon abstraccion al-ta.
(d) Tarea motoracon abstraccion ba-ja.
Figura 5.9 Carga mental experimentada por el grupo de entrenamiento virtual y ejecu-cion real de la tarea cognitiva y motora a diferentes niveles de abstraccion observadamediante el NASA-TLX. Las lıneas de color indican rendimientos individuales y lanegra el promedio del grupo.
tal. En la identificacion de la significancia estadıstica en todas las medidas entre los
valores de la sesion inicial y la ejecucion del entrenamiento en la tarea cognitiva y
motora y con los diferentes niveles de abstraccion, se obtuvo significancia en 6 de los
24 grupos correspondientes a las medidas de aciertos, exito de los objetivos y car-
ga mental. Estos resultados manifiestan el mismo comportamiento de la evaluacion
realizada previamente en la cual se infiere nuevamente que la prueba no responde
adecuadamente cuando el tamano de muestra es pequeno.
97
(a) Tarea cognitivacon abstraccion al-ta.
(b) Tarea cognitivacon abstraccion ba-ja.
(c) Tarea motoracon abstraccion al-ta.
(d) Tarea motoracon abstraccion ba-ja.
Figura 5.10 Carga mental derivada del entrenamiento y ejecucion real de la tarea cog-nitiva y motora a diferentes niveles de abstraccion. Las lıneas de color indican rendi-mientos individuales y la negra el promedio del grupo.
5.3. Analisis de la Respuesta Cerebral Asociada al Entre-namiento
5.3.1. Efecto del Preprocesamiento en el Electroencefalograma
La figura 5.11 ilustra el resultado de la reconstruccion del EEG sin los componentes
de ruido identificados con ICA y posterior a la definicion del montaje y el filtrado
paso banda. A pesar de la evidente reduccion de ruido logrado por el preproceso de las
senales de EEG, de forma esperable las senales de EEG procesada aun contienen ruido.
Esta situacion es comun en EEG donde la eliminacion absoluta de ruido es difıcilmente
alcanzable (Khatwani and Tiwari, 2013; Repovs, 2010; Jansen, 2001). Sin considerar el
hecho de que la recuperacion de los dipolos de actividad es un problema mal planteado
y por ende es actualmente imposible establecer una separacion nıtida entre actividad
y ruido en mediciones no invasivas sobre el cuero cabelludo, una de las razones mas
comunes es el compromiso del umbral definido para su deteccion en las diferentes
tecnicas; un valor pequeno conlleva una remocion insuficiente, mientras que un valor
alto genera una perdida de informacion relevante. En este sentido, consideramos que
se ha logrado una reduccion de ruido aceptable y, de forma importante, sin tener que
eliminar epocas2 completas del registro.
2Division del registro de EEG en segmentos de tiempo.
98
(a)
(b)
(c)
Figura 5.11 Reduccion de ruido usando ICA y los algoritmos SAD, TK, MEV, SED,GDSF. (a) Senal tras la definicion del montaje y el filtrado paso baja. (b) Senal ori-ginal en azul y fuentes detectadas como artefactos en rojo. (c) Senal resultante de lareconstruccion tras la eliminacion de los componentes detectados como artefactos. Encada caso, el eje vertical corresponde a los diferentes canales registrados y el eje deabscisa al tiempo de registro de las senales de EEG en segundos. Los ovalos de colornegros resaltan las regiones del EEG donde es apreciable la reduccion de artefactos conrespecto a la senal original. El ovalo rojo resalta una region del EEG que aun muestrala influencia de artefactos tras el preprocesamiento.
99
5.3.2. Validacion del Algoritmo de Segmentacion de Procesos Cogni-tivos
Como se indico en la seccion 4.2.4.5, la validacion del algoritmo de segmentacion
de procesos cognitivos se llevo a cabo en dos etapas. En la primera parte se valido el
analisis tiempo-frecuencia-espacio (TFT) del EEG comparando la metodologıa pro-
puesta en esta investigacion con la de (Marroquın et al., 2004). En la segunda parte
se valido la fase de agrupamiento con restricciones comparandola con una tecnica de
agrupamiento clasica.
5.3.2.1. Validacion de la Fase de Analisis Tiempo-Frecuencia-Topologıa
Marroquin et al (Marroquın et al., 2004) proponen una metodologıa que toma
como entrada las senales de EEG, analiza la significancia estadıstica de los cambios
entre el pre-estımulo y el estımulo en cada uno de los electrodos y genera como salida
un tensor de datos categoricos (-1, 0, 1) en el dominio TFT junto con un mapa de
actividad (creado manualmente) para reportar los cambios significativos detectados
en las zonas del cerebro con respecto al estımulo proporcionado. En la seccion 4.2.4.5
se ha descrito como se obtuvo los tensores de ambas metodologıas con el mismo
formato categorico.
Tabla 5.2 Significancia estadıstica obtenida con la prueba χ2 al validar la fase de anali-sis TFT entre la metodologıa de (Marroquın et al., 2004) y la metodologıa de estainvestigacion. La tercera columna indica la significancia obtenida con α = 0,05.
TRATAMIENTO χ2(4) p-valorEntrenamiento con tarea cognitiva 485.68 <0.05Ejecucion con tarea cognitiva 61.77 <0.05Ejecucion con otra tarea cognitiva 49.88 <0.05Entrenamiento con tarea motora 523.76 <0.05Ejecucion con tarea motora 723.56 <0.05Ejecucion con otra tarea motora 146.86 <0.05
La tabla 5.2 resume las diferencias encontradas entre ambas metodologıas. Aunque
el trabajo de (Marroquın et al., 2004) es el trabajo mas cercano en el dominio TFT
del que tenemos constancia, no obstante, estrictamente estas metodologıas observan
fenomenos neurologicos diferentes. Marroquın et al (Marroquın et al., 2004) es un
analisis orientado a la deteccion de actividad bajo el paradigma de eventos evocados
100
(ERP por sus siglas en ingles) y por ende observa las diferencias entre la actividad
registrada durante la estimulacion y la compara con la actividad registrada como lınea
base. En contraste, nuestra metodologıa observa la actividad cognitiva en modalidad
continua i.e. no hay repeticion de eventos. Aunque se ha procesado la entrada de los
datos para asegurar que ambas metodologıas vean la misma informacion, e igualmente
se ha normalizado la salida para garantizar la comparabilidad de los resultados, es
esperable que la distribucion de los procesos cognitivos difieran ligeramente entre
ambas metodologıas.
5.3.2.2. Validacion de la Fase de Agrupamiento
Generacion de senales sinteticas. Con base en el procedimiento descrito en la seccion
4.2.4.5 se definio una distribucion que simula ritmos cerebrales en diferentes bandas de
frecuencia (δ, θ, α, β, γ) con una duracion de 20 segundos y simulando un muestreo a
128 Hz. Las bandas de frecuencia configuradas fueron asignadas a 14 canales virtuales
definidos en las mismas localizaciones que los registrados por el EMOTIV EPOC. Las
distribuciones se definieron de forma que simulasen diferentes circuitos neuronales
sostenidos en determinados intervalos de tiempo y frecuencia, correspondiendo estas
distribuciones a patrones que caracterizan a supuestos procesos cognitivos. En la
figura 5.12 se presenta la configuracion de las bandas de frecuencias distribuidas en
los 14 canales a lo largo de 20 minutos. Esta configuracion da lugar a las senales
sinteticas ilustradas en la figura 5.13. A las senales sinteticas generadas no se les
aplico preprocesamiento (tratamiento del ruido). Se genero inicialmente senales libres
de ruido y enseguida a las mismas se les introdujo un porcentaje en la evaluacion de
la robustez del metodo.
Los patrones ilustrativos de procesos cognitivos caracterizados mediante las senales
sinteticas generadas estan representados en la figura 5.14. Este mapa TFT sirvio de
base para la verificacion de los resultados del agrupamiento. En los mapas (a) y
(b) de la figura 5.15 se obtuvieron segmentaciones de procesos cognitivos aplicando
el agrupamiento con restricciones y el agrupamiento clasico respectivamente. En la
comparacion de estas segmentaciones se observa que el agrupamiento clasico usando
k-means presenta mas limitaciones en la identificacion de procesos cognitivos. Este
resultado esta basado en las diferencias obtenidas en ambas segmentaciones las cua-
les estan representadas en el mapa (c) de la misma figura. Por lo tanto se concluye
que los circuitos neuronales sostenidos en tiempo y frecuencia se identifican mejor
101
Figura 5.12 Distribucion de los ritmos cerebrales en diferentes bandas de frecuencia(δ,θ, α, β, γ) y en diferentes regiones del cerebro (14 canales). La configuracion esta dis-tribuida a nivel espacial, temporal y frecuencial. Los colores representan a las diferen-tes regiones del cerebro: frontal, temporal, occipital, parietal.
aplicando el agrupamiento con restricciones.
Evaluacion del metodo de agrupamiento A las senales sinteticas generadas se les
aplico la tecnica de agrupamiento con restricciones propuesta en esta tesis. Para la
comparacion se utilizo el agrupamiento clasico con k-means. En la aplicacion del
agrupamiento con ambas tecnicas se conservo el mismo numero de grupos k = 10.
Notese que para la propuesta, este corresponde con el numero de clusters nominales
en la umbralizacion del dendograma y no se corresponde con los grupos finales de la
segmentacion. Los resultados obtenidos en esta comparacion se ilustran en la figura
5.15. Luego se repitio el ejercicio anadiendo un 5 % de ruido blanco a las senales y
aplicando la metodologıa de agrupamiento con restricciones.
Hay mayor disminucion en las diferencias obtenidas al aplicar la tecnica de agru-
pamiento con restricciones a las senales libres de ruido y con un 5 % de ruido blanco
102
Figura 5.13 Senales sinteticas que representan a los ritmos cerebrales en diferentesbandas de frecuencia correspondiente a la configuracion expresada en la figura 5.12.El eje de las abscisas representa el tiempo de la senal (20 seg) y el eje de las ordenadasrepresenta las regiones del cerebro (14 canales).
al comparar las diferencias con ambos algoritmos de agrupamiento. Lo que sugiere
que el agrupamiento con k-means presenta mas limitaciones frente al agrupamiento
jerarquico usando restricciones. No obstante, en presencia del nivel ruido introducido,
el agrupamiento con restricciones es poco tolerante en datos de esta naturaleza.
El mapa de la figura 5.15d resalta los segmentos que muestran las diferencias
encontradas al aplicar primeramente el agrupamiento con restricciones en las senales
libres de ruido y en un segundo caso utilizando la misma tecnica pero con el 5 % de
ruido introducido a las senales. Lo que permite evaluar que tan impactante resulta
el ruido en la metodologıa propuesta en la que se propone abordar la deteccion de
procesos cognitivos usando el agrupamiento con restricciones.
Se concluye que el agrupamiento con restricciones comparado con el agrupamiento
clasico usando k-means tiene mejor acercamiento en la segmentacion de los procesos
cognitivos. El agrupamiento clasico ha logrado menos eficiencia en la deteccion de los
procesos cognitivos en los que se conoce apriori su distribucion en tiempo y frecuen-
103
Figura 5.14 Mapa TFT de las senales sinteticas generadas simulando diferentes proce-sos cognivitos. Los rectangulos delimitan el patron subyacente a un proceso cognitivosintetico. Los colores distribuidos a nivel topografico representan la distribucion deenergıa en las diferentes zonas del cerebro, la escala presentada indica que baja energıaesta en azul hasta la mayor energıa en rojo. Las cabecitas blancas significan que no seha generado una configuracion espacio-frecuencia en esos instante de tiempo.
104
(a) Agrupamiento con restricciones. (b) Agrupamiento con k-means.
(c) Diferencia entre agrupamiento con restricciones vsk-means.
(d) Diferencia usando agrupamientocon restricciones con senales libres deruido y en presencia de ruido (5 %).
Figura 5.15 Resultados del agrupamiento sobre datos sinteticos. Comparacion de lasegmentacion obtenida en el agrupamiento con restricciones y utilizando una tecni-ca de agrupamiento clasico. (a) segmentacion obtenida aplicando agrupamiento conrestricciones. (b) segmentacion con agrupamiento clasico k-means. (c) resume las di-ferencias encontradas entre ambas tecnicas de agrupamiento. Finalmente, (d) muestralas diferencias encontradas al aplicar primeramente el agrupamiento con restriccionesen las senales libres de ruido y en un segundo caso utilizando la misma tecnica perocon el 5 % de ruido introducido a las senales.
cia. Incluso al comparar las diferencias existentes entre el agrupamiento clasico y el
agrupamiento con restricciones, esta ultima con senales libre de ruido y con senales
contaminadas con ruido, el agrupamiento clasico mantuvo mayores deficiencias con
la segmentacion del fenomeno observado.
105
5.3.3. Evaluacion de la Respuesta Cerebral
Una vez validada la metodologıa propuesta, esta se ha utilizado para la segmen-
tacion de los procesos cognitivos en las senales de EEG obtenidas experimentalmente
asociados a las tareas. Al ser un proceso de aprendizaje, se espera que a medida
que haya una integracion del conocimiento a nivel cortical la actividad cerebral se
vuelva mas eficiente. De ser ası, debiera esperarse observar una compresion de dicha
actividad hacia los intervalos de tiempo mas tempranos tras la estimulacion.
Para representar la magnitud en tiempo o frecuencia de los procesos cognitivos se
aplico a la segmentacion el filtro de la mediana con una ventana de filtrado 4x4. El
filtrado tuvo el objetivo de suprimir falsos postivos y ademas teniendo estas senales
de EEG registradas en tiempos amplios, se necesitaba obtener algunos patrones re-
presentativos de la actividad cerebral respecto al fenomeno a observar.
En la figura 5.16 se presentan las segmentaciones obtenidas en las senales de EEG
registradas en diferentes entrenamientos de los participantes correspondientes a los
procesos cognitivos detectados por el algoritmo de agrupamiento con restricciones
derivados del entrenamiento virtual correspondiente al primer dia de entrenamiento
(izquierda) y en la ejecucion de la tarea entrenada (derecha) en los niveles de abstrac-
cion alto (superior) y bajo (inferior). En las segmentaciones obtenidas, la aparicion
sostenida en tiempo y frecuencia de los procesos cognitivos es mas notoria en el nivel
de abstraccion alto. Tambien con el nivel de abstraccion alto, la respuesta cortical
durante el entrenamiento de la tarea exhibe una mayor actividad que el registro du-
rante la ejecucion de la tarea cuando el conocimiento ya debe haberse integrado. De
estas representaciones se infiere que durante la etapa inicial del entrenamiento en las
tareas se produce mayor demanda de los recursos cerebrales y esto es mas evidente
con los niveles de abstraccion alta. Estas representaciones se ven respaldadas con los
resultados de la medida subjetiva de la carga mental, al presentarse una equivalencia
al iniciar con alta actividad cognitiva y disminuirla al ejecutar la tarea de entrena-
miento. Esta equivalencia de resultados suponen dar soporte a la hipotesis de que
estos cambios son consecuencia del fenomeno de transferencia de conocimiento.
En las segmentaciones obtenidas con el entrenamiento real ilustradas en la figura
5.17 se observa un fenomeno analogo donde el entrenamiento inicia con una actividad
cognitiva alta y se decrementa en el registro tomado durante la evaluacion final de la
tarea entrenada. Pero en este caso, es posible observarlo con el nivel de abstraccion
bajo. Estos resultados no estan en concordancia con las mediciones cualitativas de la
106
Figura 5.16 Segmentaciones de las senales de EEG en el entrenamiento con EVs. Losmapas superiores corresponden a los procesos cognitivos de la tarea cognitiva con al-ta abstraccion y los mapas inferiores a los de la tarea con baja abstraccion. Del ladoizquierdo estan los mapas del primer dia de entrenamiento y del lado derecho la ejecu-cion (ER) de la tarea (despues de tres dıas de entrenamiento). Los colores identificandiferentes regiones frecuencia-tiempo donde se han localizado los diferentes procesoscognitivos detectados. No obstante la diferencia de colores es arbitraria y no represen-tan alguna caracterıstica, siendo el unico objetivo del color resaltar la presencia y lamagnitud de los procesos cognitivos. Ademas, grupos de patrones poco extendidos entiempo y/o frecuencia se han filtrado (filtro de la mediana) para facilitar la interpreta-cion. Es posible que estos grupos de patrones mas compactos puedan estar asociados aregiones frecuencia-tiempo no utilizadas por el cerebro bajo la estimulacion dada.
carga cognitiva expresada por los usuarios y recogida a traves del NASA-TLX.
Las segmentaciones obtenidas de los participantes tienen alta tendencia asociada
a la ocurrencia del fenomeno que ya se ha expuesto. Estos resultados sustenta el fun-
damento planteado acerca de la actividad cognitiva presente mayormente en el inicio
del entrenamiento y reducida en la ejecucion, caracterıstica presente en el proceso de
aprendizaje. Los resultados alcanzados representan un punto de partida en el analisis
de la actividad cerebral subyacente que caracteriza al fenomeno ocurrido durante la
transferencia de conocimiento.
107
Figura 5.17 Segmentaciones de las senales de EEG en el entrenamiento con ER. Losmapas superiores corresponden a los procesos cognitivos de la tarea cognitiva con al-ta abstraccion y los mapas inferiores a los de la tarea con baja abstraccion. Del ladoizquierdo estan los mapas del primer dia de entrenamiento y del lado derecho la ejecu-cion (ER) de la tarea (despues de tres dıas de entrenamiento). Los colores identificandiferentes regiones frecuencia-tiempo donde se han localizado los diferentes procesoscognitivos detectados. No obstante la diferencia de colores es arbitraria y no represen-tan alguna caracterıstica, siendo el unico objetivo del color resaltar la presencia y lamagnitud de los procesos cognitivos. Ademas, grupos de patrones poco extendidos entiempo y/o frecuencia se han filtrado (filtro de la mediana) para facilitar la interpreta-cion. Es posible que estos grupos de patrones mas compactos puedan estar asociados aregiones frecuencia-tiempo no utilizadas por el cerebro bajo la estimulacion dada.
108
109
Capıtulo 6
Conclusiones y Trabajo Futuro
6.1. Conclusiones
6.1.1. Resumen Sumario
Los entornos virtuales han mostrado tener un potencial importante en aplicaciones
de educacion o rehabilitacion entre otras. Los mecanismos en el proceso de la interac-
cion humano-computadora que permiten la transferencia del entrenamiento recibido
en el EV al mundo real aun son mayormente desconocidos limitando el impacto actual
del entrenamiento virtual y haciendo que el desarrollo de los EV se encuentre como
un area de retos en la ciencia.
En esta investigacion se cuestiono el rol del nivel de abstraccion en la presenta-
cion de las tareas en la transferencia de conocimiento. Se partio de la hipotesis que
niveles de abstraccion mas bajos producirıan niveles de transferencia altos en la ta-
rea entrenada pero con baja capacidad de generalizar dicho conocimiento adquirido,
mientras que niveles de abstraccion mas elevados en la presentacion de la tarea darıan
lugar a tasas de transferencia directa mas baja pero mayor capacidad de generalizar
dicho conocimiento a otras tareas. En este sentido, se llevo a cabo un experimento
cuyas medidas de salida incluyeron medidas de rendimiento observable y medidas de
integracion del conocimiento a nivel cognitivo. Se trabajo en esta investigacion en la
resolucion de 2 problemas computacionales; uno directamente relacionado con el area
de interaccion humano-computadora y que motivaba esta investigacion, y un segundo
problema relacionado con el area de reconocimiento de patrones para resolver una
necesidad intermedia de segmentar procesos cognitivos en las senales de electroence-
110
falografıa a fin de observar diferencias en la actividad cerebral asociadas al proceso
de entrenamiento.
Las contribuciones estan dadas en el area de interaccion humano computadora al
realizar un analisis de la influencia de la abstraccion en la transferencia de conocimien-
to desde entornos virtuales. La segunda contribucion es en el area del renocimiento
de patrones al implementar un enfoque de agrupamiento con restricciones en la ca-
racterizacion de senales multivariadas correspondientes a observaciones de procesos
cognitivos en el dominio del tiempo, frecuencia y espacio. Mas alla del enfoque de
agrupamiento, para trabajar con senales de electroencefalografıa, se aplico una meto-
do que aborda el procesamiento de las senales, comenzando con un preprocesamiento
de la senal, el analisis, la proyeccion de los datos y la representacion, metodologıa
que constituye una forma integral de abordar el problema planteado inicialmente en
la investigacion.
6.1.2. Hallazgos
6.1.2.1. Efecto del Nivel de Abstraccion en la Transferencia de Conocimiento
En cuanto a la seleccion de tareas y la definicion del nivel de abstracion para
cada una de ellas, los resultados fueron favorable en la primera etapa que consisitio
en validar y ajustar el tipo y los tiempos de entrenamiento en las tareas cognitivas y
motoras con el nivel de abstraccion necesario y en la segunda etapa tomar las senales
ya con las tareas validadas e implementadas en sus niveles de abstraccion alto y bajo
para poder registrar las senales de EEG.
Los resultados obtenidos con las senales de EEG registradas y con medidas de
evaluacion de rendimiento y de carga mental, proporcionaron evidencia que permite
explicar la adquisicion de conocimientos el cual se encuentra ligado al fenomeno de
la transferencia de conocimiento. En las segmentaciones de las senales de EEG se
observo una tendencia en la aparicion de actividad cognitiva en mayor proporcion a
lo largo del dominio del tiempo y/o de la frecuencia al inicio del entrenamiento que
en la ejecucion de cada tarea entrenada. Estas observaciones han permitido inferir
que la demanda de recursos cerebrales aumenta cuando comienza el entrenamiento
de la tarea y que la demanda se reduce cuando ha ocurrido un mayor dominio de
ella. Por lo tanto es posible concluir que ocurre la adquisicion de conocimientos el
cual se ve caracterizado con la combinacion en el tiempo del aumento y reduccion en
111
la demanda de los recursos cerebrales. Este patron identificado, tiene el respaldo de
la teorıa de la carga cognitiva (Chen et al., 2011). En el analisis de los resultados de
la carga mental obtenidos con el NASA TLX, se mantiene una consistencia de esta
medida subjetiva con la medida neuroergonomica de la actividad cerebral. En relacion
con los resultados del rendimiento representados con los puntajes de entrenamiento y
con la evaluacion del cuestionario GAS, se observaron resultados que favorecieron a la
transferencia de conocimientos. En en analisis de los resultados del GAS, se observo
que a lo largo del entrenamiento de las tareas los objetivos planteados en favor de
mejorar la transferencia de conocimiento se cumplieron al evidenciar que tanto el
proceso de entrenamiento y el rendimiento en la tarea resultaron exitosos.
En el analisis de la transferencia de conocimiento se estudio a los esquemas abs-
tractos para conocer la implicacion que tienen en la adquisicion y la movilizacion del
conocimiento. Se analizaron los aciertos obtenidos en los niveles de abstraccion alto
y bajo durante el entrenamiento y en la ejecucion de la tarea y con otra tarea. Los
resultados reportan que el nivel de abstraccion representa un factor que afecta de di-
ferente manera a los contenidos mentales durante el aprendizaje. Mientras que con el
nivel de abstraccion alto, la transferencia de conocimiento es moderadamente buena,
la movilizacion del conocimiento adquirido resulta mas eficiente si se compara con el
nivel de abstraccion bajo que permite mejor transferencia de conocimiento, pero la
movilizacion decae facilmente debido a que las representaciones mentales obtenidas
en la tarea entrenada no permiten generalizar elementos de otras circunstancias.
6.1.2.2. Capacidad de Segmentacion de Procesos Cognitivos
Se valido el metodo propuesto en esta tesis, hecho en dos partes. La primera con-
sistio en validar la tecnica de descomposicion de las senales en el dominio del tiempo-
frecuencia-espacio y la segunda que consisitio en validar el enfoque de proyeccion de
los datos y el agrupamiento con restricciones.
En la comparacion del estandar de oro Marroquın et al. (2004) y la metodologıa
propuesta en esta investigacion se obtuvo significancia estadıstica, con base en los re-
sultados se concluye que aunque ambas metodologıas abordan una solucion en tiempo,
frecuencia y topologıa, capturan diferentes fenomenos. Por su parte (Marroquın et al.,
2004) analiza un estımulo guiado conocido como ERP y construye una representacion
a partir de las diferencias entre la actividad del pre-estımulo y el estımulo. En el caso
de la metodologıa propuesta se analiza la actividad que no es guiada por un estımulo
112
sino derivada de un proceso de adquisicion de conocimiento del cual se genera una
representacion que permite observar como se distribuyen los procesos cognitivos en
la transferencia de conocimiento. Tenemos conocimiento hasta el momento que (Ma-
rroquın et al., 2004) es el trabajo mas cercano al abordar una representacion en el
mismo dominio que esta investigacion, sin embargo se ha determinado que ambas
metodologıas estudian fenomenos diferentes.
En la segunda parte de la validacion fue necesario el cambio de representacion
del tensor en tres dimensiones correspondientes al dominio espacio, tiempo y frecuen-
cia para proporcionar una representacion en dos dimensiones en el mismo dominio
con una configuracion en espacio y una combinacion par < tiempo, frecuencia >,
representacion que facilito la segmentacion de los procesos cognitivos con el uso del
agrupamiento.
Por ultimo, el enfoque propuesto se visualiza prometedor para atacar problemas
en el area de reconocimiento de patrones y procesamiento de senales ya que se trata de
un enfoque generico, no solo se trata de abordar a las senales de electroencefalografıa
sino de todas aquellas senales multivariadas que requieren de una caracterizacion o
reconocimiento de determinados procesos en tiempo-frecuencia-espacio.
6.1.2.3. Integracion de Habilidades a Nivel Cognitivo
Para fortalecer la evidencia identificada en las segmentaciones de las senales de
EEG se utilizaron los valores obtenidos de la carga mental, objetivos logrados y acier-
tos. Se observo equivalencia entre el comportamiento de los procesos cognitivos al
iniciar el entrenamiento y al finalizar con la ejecucion de la tarea entrenada. El patron
en las segmentaciones presento la aparicion de los procesos cognitivos mas sosteni-
dos en el tiempo y frecuencia en la primera sesion de entrenamiento y al finalizar la
etapa de entrenamiento disminuyo la magnitud en tiempo y frecuencia con la que
se presentaron al iniciar el entrenamiento. Esta caracterıstica fue identificada en los
valores obtenidos con la carga mental, en donde se obtuvo una mayor carga mental al
inicio del entrenamiento y disminuyo al ejecutar el entrenamiento. El fenomeno que
ocurre cuando el cerebro va adquiriendo conocimiento, se caracteriza con la disminu-
cion de la actividad cognitiva sostenida en tiempo y frecuencia y es respaldada por
la teorıa de la carga cognitiva en (Chen et al., 2011). En el mismo enfoque con la
evaluacion del cumplimiento de los objetivos planteados en beneficio de la transferen-
cia de conocimiento, se obtuvo un aumento en los valores de la escala al finalizar el
113
entrenamiento, resultado que evidencio haber mejorado estos objetivos. Finalmente
los aciertos obtenidos durante las sesiones de entrenamiento fueron mejorando hasta
llegar a observarse la transferencia de conocimiento con la ejecucion de la tarea en
el ER. Las evaluaciones hechas a la carga mental, el logro de objetivos y los aciertos
han permitido reforzar la evidencia encontrada en las segmentaciones de las senales
de EEG las cuales al expresar la tendencia en la disminucion de los procesos cogniti-
vos al finalizar el entrenamiento proporcionan el punto de partida para denotar que
ocurre la integracion del conocimiento que refiere a la eficiencia obtenida en la tarea.
6.2. Trabajo Futuro
6.2.1. Transferencia de Conocimiento
Dada la necesidad en el diseno de EVs de buscar mayor interaccion sin perder el
objetivo central que deben ofrecer las tareas de entrenamiento, es necesario continuar
las investigaciones para obtener soluciones que permitan mejorar el analisis y obtener
mayor control de los factores que permiten la transferencia de conocimiento.
Mejor control del experimento: al definir el diseno experimental de este trabajo
se ha realizado de forma flexible el registro de las senales de EEG. Para poder
analizar el comportamiento de la actividad cerebral a lo largo del proceso de
adquisicion de conocimiento, es recomendable grabar todas las sesiones desde
el entrenamiento hasta la ejecucion. Sin embargo por cuestiones de tiempo y
disposicion en los participantes, se registraron las senales el primer dia de en-
trenamiento y en la ejecucion de la tarea entrenada. Con el registro obtenido
se estudio el comportamiento del cerebro cuando se comienza adquirir cierto
conocimiento de una tarea y cuando existe mayor control de ella.
Aspectos a estudiar en la transferencia: algunos mecanismos han sido estudiados
y se mantiene el interes de continuar su estudio en la busqueda de mejorar la
transferencia de conocimiento(Yang et al., 2007; Levin et al., 2010; Kiper et al.,
2014). Se ha llegado a la conclusion que la combinacion de algunos mecanismos
resultarıa util. En esta tesis se ha evaluado el efecto de los esquemas abstractos,
no obstante se considera importante incorporar otros mecanismo que se han
perfilado adecuados en la busqueda de la transferencia de conocimiento, como
114
la retroalimentacion (auditiva, visual), la repeticion, las tecnologıas hapticas,
espacios 2D y 3D, entre otros.
Estudio de otras tareas cognitivos y motoras: en la evaluacion del nivel de
abstraccion se definio una tarea cognitiva y una motora del tipo secuencias
logicas. Los conceptos abstractos se manifiestan como mecanismos importantes
al fomentar el logro de la transferencia de conocimiento(Popovici et al., 2004).
Se sugiere en esta investigacion continuar el estudio a traves del diseno de otro
tipo de tareas que permitan explotar las capacidades en los discentes, como
tareas de memorizacion, coordinacion ojo-mano, tareas aritmeticas, etc.
6.2.2. Segmentacion de Procesos Cognitivos
En el analisis de la actividad cerebral, la identificacion de patrones que caracterizan
a los procesos cognitivos ha resultado ser una tarea compleja para las neurociencias.
En el area del reconocimiento de patrones se ha mantenido la busqueda de tecnicas
apropiadas que permitan identificar estos patrones. En la presente investigacion se
abordo el uso del agrupamiento con restricciones en la identificacion de los procesos
cognitivos. Lo que ha permitido explicaciones en el funcionamiento del cerebro en
el proceso de aprendizaje. No obstante los procesos cognitivos se distinguen por ser
muy complejo en cuanto a su identificacion, esto significa que se ha logrado un ligero
acercamiento del fenomeno el cual manifiesta un reto computacional fuerte. Enseguida
se plantean algunas ideas en el seguimiento de la investigacion.
Se necesita incorporar mayor conocimiento a priori de los patrones que caracte-
rizan a los circuitos neuronales que a su vez son parte de los procesos cognitivos,
de manera que se obtenga un criterio adecuado de seleccion del numero de gru-
pos en la fase de agrupamiento.
Aprovechamiento de estrategias de segmentacion de imagenes 3D ya existentes
en otras dominios (segmentacion estructural de organos como por ejemplo en
CT o MRI, o segmentacion de video), exploracion de mejores filtros para la
reduccion de falsos positivos (el de la mediana es candido).
Explotacion de otras metricas (actualmente se usa la Euclidiana) en el agrupa-
miento para establecer la similitud fundamental entre los vectores que contienen
a lo largo del dominio espacial la combinacion < tiempo, frecuencia >.
115
El problema que presenta la STFT como ya es sabido es el principio de incerti-
dumbre en cuanto a la resolucion temporal y frecuencial, lo que origina intentar
diferentes tipos y anchos de ventana buscando la visualizacion requerida. Re-
sultarıa conveniente la exploracion de otras tecnicas en el analisis de las senales
de EEG, por ejemplo con algun tipo de Wavelet que es utilizada para anali-
zar diferentes frecuencias, lo cual resulta conveniente al tratar con senales no
estacionarias que presentan variacion en amplitud y frecuencia.
116
117
Apendice A
Informacion adicional
A.1. Ritmos Cerebrales
En la literatura revisada existe cierta discrepancia en los lımites de frecuencias de
estos ritmos, a continuacion son descritos segun (Andreassi, 2013).
Ritmo Delta (δ): Es un ritmo de gran amplitud y baja frecuencia. Se encuentran
tıpicamente entre 0,5 y 3,5 Hz y presenta amplitudes de 20 a 200 µV. Se en-
cuentra en individuos adultos sanos exclusivamente durante el sueno profundo.
En una persona despierta, puede indicar algun tipo de anomalıa en el cerebro.
Ritmo Theta (θ): Se presenta en la banda de 4 a 7 Hz, con amplitudes que oscilan
entre 20 y 100 µV. Este ritmo es en general menos comun que los demas. Se
encuentra presente con mayor frecuencia en ninos. En adultos sanos, se pueden
detectar en estados de adormecimiento y sueno. Se registra principalmente en
el lobulo temporal.
Ritmo Alfa (α): Se manifiesta principalmente en la banda de frecuencias de 8
a 13 Hz, con amplitudes que oscilan entre 20 y 60 µV. Se encuentran en el
electroencefalograma de la mayorıa de los adultos sanos, con los ojos cerrados
o con reposo visual, despiertos con un estado mental tranquilo y de reposo. El
ritmo α es bloqueado o atenuado por la atencion, especialmente visual y esfuerzo
mental o fısico. Durante el sueno profundo tambien desaparecen las ondas α. Se
observa principalmente en la zona posterior de la cabeza, en el area occipital,
parietal y la region temporal posterior.
118
Ritmo Mu (µ): Se manifiesta en la banda de 8 a 13 Hz y su amplitud es menor
a 50 µV. Si bien sus caracterısticas de frecuencia y amplitud son similares a
las del ritmo α, presenta caracterısticas topograficas y fisiologicas claramente
diferentes. El ritmo µ se detecta en la corteza motora primaria, bloqueandose
con la realizacion de movimientos (Pfurtscheller et al., 1997), estımulos tacti-
les y visuales; e incluso con la imaginacion o preparacion de un movimiento
(Pfurtscheller and Neuper, 1997) (Pfurtscheller et al., 1998).
Ritmo Beta (β): Es un ritmo irregular, con frecuencias entre 13 y 30 Hz. Su
amplitud aproximada esta entre 2 y 20 µV. Suele asociarse a un estado de
concentracion mental. Se detecta principalmente en la region central y frontal
del cuero cabelludo, cerca o sobre la corteza motora primaria. Son comunes
cuando la persona esta envuelta en actividad mental y fısica. La banda central
de este ritmo esta relacionada con el movimiento de las extremidades, tomando
sus valores de amplitud maximos algunas centesimas de segundo luego de la
realizacion de un movimiento (Pfurtscheller et al., 1998).
Ritmo Gamma (γ): Este ritmo se manifiesta a frecuencias mayores a los 30 Hz
y amplitudes entre 5 y 10 µV. Es una actividad armonica que se presenta como
respuesta a estımulos sensoriales como sonidos contundentes o luces intermiten-
tes. Esta actividad se puede observar en una zona extensa de la corteza cerebral,
manifestandose principalmente en la zona frontal y la central.
Tabla A.1 Rangos de frecuencia en los ritmos cerebrales reportados en la literatura.aaaaaaaaaaa
Referencia
Banda defrecuencia Delta (δ) Theta (θ) Alfa (α) Mu (µ) Beta (β Gamma (γ)
(Andreassi, 2013) 0.5-3.5 Hz 4-7 Hz8-13 Hz
20-60 µV8-13 Hz<50 µV 13-30 Hz >30 Hz
(Binder et al., 2009) 1-4 Hz 5-9 Hz 8-13 Hz ... 13-35 Hz >35 Hz(Blinowska and Durka, 2006) 0.5-4 Hz 4-8 Hz 8-13 Hz ... 13-30 Hz >30 Hz(Teplan, 2002) 0.5-4 Hz 4-8 Hz 8-13 Hz ... >13 Hz ...
119
A.2. Cuestionarios de Evaluacion de la Carga Mental y deEvaluacion de Rendimiento
Figura A.1 Cuestionario NASA TLX
120
Figura A.2 Cuestionario Goal Attainment Scale
121
A.3. Validacion de tareas
Resultados obtenidos en la validacion de la tarea cognitiva y motora implementa-
das en EVs con el nivel de abstraccion medio. Los resultados estan dados de acuerdo
a los puntajes, objetivos logrados y carga mental obtenidos en cada participante en
las diferentes sesiones del entrenamiento.
Tabla A.2 Puntaje por participante de las sesiones de entrenamiento de la tarea cogni-tiva y motora implementadas en entornos virtuales.
TAREACOGNITIVA
PARTICIPANTES SESION 1 SESION 2 SESION 3 SESION 4Sujeto 1 23.33 63.24 53.75 54.54Sujeto 2 47.02 73.33 68.51 95.2Sujeto 3 62.75 95.57 95.47 91.5Sujeto 4 39.28 34.86 34.75 42.41MEDIA 43.09 66.75 63.12 70.91DESVIACIONESTANDAR
16.4 25.18 25.61 26.42
TAREAMOTORA
Sujeto 5 95.94 96.06 95.2 86.99Sujeto 6 91.35 85.74 88.09 85.82Sujeto 7 89.05 91.2 95.2 96.33Media 92.11 91 92.83 89.71DESVIACIONESTANDAR
3.5 5.16 4.1 5.75
122
Tabla A.3 Objetivos logrados por participante en las sesiones de entrenamiento de latarea cognitiva y motora implementadas en entornos virtuales.
TAREACOGNITIVA
PARTICIPANTES SESION 1 SESION 2Sujeto 1 35.8 47.2Sujeto 2 35.9 56.6Sujeto 3 37.2 55.1Sujeto 4 36.3 50.7MEDIA 36.3 52.4DESVIACIONESTANDAR
.63 4.27
TAREAMOTORA
Sujeto 5 36.7 56.7Sujeto 6 36.7 56.7Sujeto 7 36.3 59.1MEDIA 36.56 57.5DESVIACIONESTANDAR
.23 1.38
Tabla A.4 Carga mental por participante derivada de las sesiones de entrenamiento conla tarea cognitiva y motora implementadas en entornos virtuales.
TAREACOGNITIVA
PARTICIPANTES SESION 1 SESION 2Sujeto 1 52 51.67Sujeto 2 62.67 47.33Sujeto 3 65 24Sujeto 4 63.33 52.33MEDIA 60.75 43.83DESVIACIONESTANDAR
5.91 13.4
TAREAMOTORA
Sujeto 5 53 65Sujeto 6 39.33 50.67Sujeto 7 75.33 84MEDIA 55.88 66.55DESVIACIONESTANDAR
18.17 16.71
123
Glosario
ANALISIS DE AGRUPAMIENTO JERARQUICO: Metodo no supervi-
sado de reconocimiento de patrones que tiene su origen en la taxonomıa numerica.
Establece grupos de elementos de acuerdo a algun criterio, generalmente la distancia
a la que se encuentran los elementos (Duda et al., 2012).
ARTEFACTO: Fenomeno o caracterıstica no presente o esperado originalmente
que es causado por un agente, accion o proceso externo de interferencia, como una
caracterıstica no deseada en una muestra microscopica despues de la fijacion, en una
imagen reproducida digitalmente, o en una grabacion de audio digital (Dictionary,
2007).
DISTRIBUCION GAUSSIANA: Tambien conocida como distribucion nor-
mal, es la funcion de probabilidad continua mas prominente en las estadısticas. En el
que la campana en forma de curva conocida como funcion Gaussiana o curva de Bell
se utiliza para representar la distribucion de la funcion de densidad de probabilidad
(Casella and Berger, 2002).
ENTORNO VIRTUAL: Un entorno virtual (EV) puede definirse como un am-
biente generado por una computadora usado para simular el mundo real (Gupta et al.,
2008). Muchos tipos de ambientes virtuales son posibles. Por un lado, pueden ser tan
simples como un entorno basado en un ordenador conocidos como semi-inmersivos o
pueden ser entornos basados en hardware, en tres dimensiones con experiencias in-
teractivas que utilizan sonido, mayor precision de accion, que simulan un verdadero
medio ambiente, todos estos poseen cualidades que los hacen completamente inmer-
sivos (Ong and Nee, 2013).
124
FILTRO DIGITAL: Es un sistema que, dependiendo de las variaciones de las
senales de entrada en el tiempo y amplitud, se realiza un procesamiento matematico
sobre dicha senal. Los filtros digitales operan sobre senales discretas cuantizadas, im-
plementado con tecnologıa digital, bien como un circuito digital o como un programa
informatico. El uso mas comun de los filtros digitales es para atenuar o amplificar
algunas frecuencias. (Smith, 2008)
HERTZ: Hz, unidad de frecuencia. Equivale a la frecuencia de un fenomeno cuyo
periodo es un segundo (Ammer, 1997).
INTEGRACION: El termino integracion indica que las funciones cerebrales
estan ligadas de manera dinamica y no como una sucesion jerarquica. Los procesos
en el cerebro no convergen en un solo lugar, sino que ocurren de forma paralela y
a traves de una estructura distribuida de diferentes areas que estan implicadas para
crear una experiencia completa (Redolar, 2014).
MALDICION DE LA DIMENSIONALIDAD: En matematicas y estadısti-
ca, la maldicion de la dimension (tambien conocida como efecto Hughes) (Bellman,
1957) se refiere a los diversos fenomenos que surgen al analizar y organizar datos de
espacios de multiples dimensiones (cientos y miles de dimensiones). A menudo rela-
cionados con el tamano de las muestras (en estadıstica o la inestabilidad numerica (en
matematicas). En el caso de las senales de EEG la maldicion de la dimensionalidad
implica que la cantidad de datos necesarios para describir adecuadamente las clases,
aumenta exponencialmente con la dimensionalidad del vector de caracterısticas, o sea,
la dificultad del problema de estimacion incrementa drasticamente con la dimension
del espacio (Bishop, 2006).
MUESTREO: Es la tecnica para la seleccion de una muestra a partir de una po-
blacion estadıstica (Osuna, 1991). Al elegir una muestra aleatoria se espera conseguir
que sus propiedades sean extrapolables a la poblacion. Nunca se puede estar entera-
mente seguro de que el resultado sea una muestra representativa, pero si podemos
actuar de manera que esta condicion se alcance con una probabilidad alta. Existen
dos metodos para seleccionar muestras de poblaciones: el muestreo no aleatorio o de
juicio y el muestreo aleatorio (que incorpora el azar como recurso en el proceso de
125
seleccion). El de interes en este trabajo es el muestreo aleatorio y se divide en:
Sin reposicion de los elementos: cada elemento extraıdo se descarta para la
subsiguiente extraccion.
Con reposicion de los elementos: las observaciones se realizan con reemplazo de
los individuos, de forma que la poblacion es identica en todas las extracciones.
Con repeticion multiple: en poblaciones muy grandes, la probabilidad de repetir
una extraccion es tan pequena que el muestreo puede considerar con reposicion.
POTENCIALES RELACIONADOS A EVENTOS: Es la medida de la res-
puesta cerebral que es resultado directo de un evento especıfico sensorial, cognitivo o
motriz (Luck, 2014).
RITMOS CEREBRALES: Tambien conocida como oscilacion neuronal. Es la
actividad neuronal rıtmica o repetitiva en el sistema nervioso central. El tejido neu-
ronal puede generar la actividad oscilatorioa en muchos sentidos, impulsado ya sea
por mecanismos dentro de las neuronas individuales o por las interacciones entre las
neuronas (Buzsaki and Draguhn, 2004).
SEGMENTACION: El termino segmentacion es el proceso de encontrar un
conjunto de regiones no traslapadas basado en ciertas caracterısticas de la imagen,
para encontrar regiones donde existan mayores variaciones entre regiones vecinas que
en una region individual (Lokshtanov and Marx, 2013).
SEGREGACION: La segregacion funcional parte del principio de que existen
algunas tareas que pueden asociarse a regiones concretas del cerebro, tratando de
delimitar las diferentes regiones asociadas a funciones especializadas primarias (Re-
dolar, 2014).
TASA O FRECUENCIA DE MUESTREO: Es el numero de muestras por
unidad de tiempo que se toman de una senal continua para producir una senal discreta,
durante el proceso necesario para convertirla de analogica a digital. Como todas las
frecuencias, generalmente se expresan en hercios (Hz, ciclos por segundo) o multiplos
suyos, como el kilohercio (kHz), aunque pueden utilizarse otras magnitudes (Weik,
2012).
126
127
Bibliografıa
Abasolo, D., Hornero, R., Espino, P., Poza, J., Sanchez, C. I., and de la Rosa, R.
(2005). Analysis of regularity in the eeg background activity of alzheimer’s disease
patients with approximate entropy. Clinical Neurophysiology, 116(8):1826–1834.
Acar, E., Aykut-Bingol, C., Bingol, H., Bro, R., and Yener, B. (2007a). Multiway
analysis of epilepsy tensors. Bioinformatics, 23(13):i10–i18.
Acar, E., Bingol, C. A., Bingol, H., Bro, R., and Yener, B. (2007b). Seizure recognition
on epilepsy feature tensor. In 2007 29th Annual International Conference of the
IEEE Engineering in Medicine and Biology Society, pages 4273–4276. IEEE.
Aeronautics, N. and Administration, S. (2016). Nasa tlx. URL:https://
humansystems.arc.nasa.gov/groups/tlx/. Fecha de consulta: 2015-10-01.
Akhtar, M. T., James, C. J., and Mitsuhashi, W. (2010). Modifying the spatially-
constrained ica for efficient removal of artifacts from eeg data. In Bioinformatics
and Biomedical Engineering (iCBBE), 2010 4th International Conference On, pa-
ges 1–4. IEEE.
Amit, G., Gavriely, N., and Intrator, N. (2009). Cluster analysis and classification of
heart sounds. Biomedical Signal Processing and Control, 4(1):26–36.
Ammer, C. (1997). The american heritage dictionary of idioms. University of Hawaii
Press.
Anderson, J. R., Reder, L. M., and Simon, H. A. (1996). Situated learning and
education. Educational Researcher, 25(4):5–11.
Andreassi, J. L. (2013). Psychophysiology: Human behavior and physiological response.
Psychology Press.
128
Arana Lopez-Abad, M. (2004). Soledad, interfaz grafica para el calculo de la dinamica
longitudinal y prestaciones de un vehıculo mediante la herramienta guide de matlab.
Ares, M. E. and Barreiro, A. (2012). Constrained text clustering using word trigrams.
In Proceedings of the 2nd spanish conference on information retrieval, pages 13–24.
Ares, M. E., Parapar, J., and Barreiro, A. (2011). Improving text clustering with
social tagging. In ICWSM.
Astolfi, L., Cincotti, F., Mattia, D., Babiloni, F., Marciani, M. G., Fallani, F. D. V.,
Mattiocco, M., Miwakeichi, F., Yamaguchi, Y., Martinez, P., et al. (2006). Removal
of ocular artifacts for high resolution eeg studies: a simulation study. In Enginee-
ring in Medicine and Biology Society, 2006. EMBS’06. 28th Annual International
Conference of the IEEE, pages 976–979. IEEE.
Avila, P. and Bosco, M. (2001). Ambientes virtuales de aprendizaje: una nueva ex-
periencia. Trabajo Presentado en el Veinteavo Consejo Internacional para la Edu-
cacion Abierta ya Distancia en Dusseldorf, Alemania, vol.1.
Badre, D. and D’Esposito, M. (2007). Functional magnetic resonance imaging evi-
dence for a hierarchical organization of the prefrontal cortex. Journal of Cognitive
Neuroscience, 19(12):2082–2099.
Bar-Hillel, A., Hertz, T., Shental, N., and Weinshall, D. (2005). Learning a mahala-
nobis metric from equivalence constraints. Journal of Machine Learning Research,
6(Jun):937–965.
Barker, R. and Brauer, S. (2005). Upper limb recovery after stroke: the stroke survi-
vors’ perspective. Disability and rehabilitation, 27(20):1213–1223.
Bartlett, F. C. and Burt, C. (1933). Remembering: a study in experimental and social
psychology. British Journal of Educational Psychology, 3(2):187–192.
Basu, S., Banerjee, A., and Mooney, R. J. (2004). Active semi-supervision for pairwise
constrained clustering. In SDM, volume 4, pages 333–344. SIAM.
Basu, S., Davidson, I., and Wagstaff, K. (2008). Constrained clustering: advances in
algorithms, theory and applications. CRC Press.
129
Batagelj, V. and Ferligoj, A. (1998). Constrained clustering problems. In Advances
in Data Science and Classification, pages 137–144. Springer.
Becker, H., Albera, L., Comon, P., Haardt, M., Birot, G., Wendling, F., Gavaret, M.,
Benar, C.-G., and Merlet, I. (2014). EEG extended source localization: tensor-based
vs. conventional methods. Neuroimage, 96:143–157.
Bellman, R. (1957). A markovian decision process. Technical report, Defense Tech-
nical Information Center, DTIC.
Berg, P. and Scherg, M. (1991). Dipole modelling of eye activity and its applica-
tion to the removal of eye artefacts from the eeg and meg. Clinical Physics and
Physiological Measurement, 12(A):49.
Berkeley, G. et al. (1999). A Treatise Concerning the Principles of Human Knowledge
(1710). Carnegie Mellon University’s English Department.
Bilenko, M., Basu, S., and Mooney, R. J. (2004). Integrating constraints and metric
learning in semi-supervised clustering. In Proceedings of the Twenty-first Interna-
tional Conference on Machine Learning, page 11. ACM.
Binder, M. D., Hirokawa, N., and Windhorst, U. (2009). Encyclopedia of neuroscience,
volume 3166. Springer Berlin, Heidelberg.
Bishop, C. M. (2006). Pattern recognition. Machine Learning, vol. 128.
Blanco, S., Figliola, A., Quiroga, R. Q., Rosso, O., and Serrano, E. (1998). Time-
frequency analysis of electroencephalogram series. III. wavelet packets and infor-
mation cost function. Physical Review Electronic, 57(1):932.
Blinowska, K. and Durka, P. (2006). Electroencephalography (eeg). Wiley Encyclo-
pedia of Biomedical Engineering.
Bossard, C., Kermarrec, G., Buche, C., and Tisseau, J. (2008). Transfer of learning
in virtual environments: a new challenge? Virtual Reality, 12(3):151–161.
Botvinick, M. M. (2007). Multilevel structure in behaviour and in the brain: a model
of fuster’s hierarchy. Philosophical Transactions of the Royal Society B: Biological
Sciences, 362(1485):1615–1626.
130
Boyd, L. A. and Winstein, C. J. (2004). Providing explicit information disrupts
implicit motor learning after basal ganglia stroke. Learning & memory, 11(4):388–
396.
Bressler, S. L. and Kelso, J. S. (2001). Cortical coordination dynamics and cognition.
Trends in cognitive sciences, 5(1):26–36.
Brooks, B. M. (1999a). Route learning in a case of amnesia: a preliminary investi-
gation into the efficacy of training in a virtual environment. Neuropsychological
Rehabilitation, 9(1):63–76.
Brooks, B. M. (1999b). The specificity of memory enhancement during interaction
with a virtual environment. Memory, 7(1):65–78.
Bunge, S. A., Wallis, J. D., Parker, A., Brass, M., Crone, E. A., Hoshi, E., and Sakai,
K. (2005). Neural circuitry underlying rule use in humans and nonhuman primates.
The Journal of Neuroscience, 25(45):10347–10350.
Buzsaki, G. and Draguhn, A. (2004). Neuronal oscillations in cortical networks.
Science, 304(5679):1926–1929.
Casella, G. and Berger, R. L. (2002). Statistical inference, volume 2. Duxbury Pacific
Grove, CA.
Center of the Institute for Neural Computation, t. U. o. C. S. D. (2010). Swartz center
for computational neuroscience. URL:https://sccn.ucsd.edu/~arno/indexica.
html. Fecha de consulta: 2016-08-28.
Chen, C. (2013). Information visualisation and virtual environments. Springer Science
& Business Media.
Chen, C.-Y., Pedersen, S., and Murphy, K. L. (2011). Learners’ perceived information
overload in online learning via computer-mediated communication. Research in
Learning Technology, 19(2).
Chi, M. T. and Ohlsson, S. (2005). Complex declarative learning. The Cambridge
handbook of thinking and reasoning, pages 371–399.
Christoff, K. (2003). Using and musing of abstract behavioural rules: peculiarities of
prefrontal function in humans. Neuroimage, 19(2).
131
Christoff, K. and Keramatian, K. (2007). Abstraction of mental representations: theo-
retical considerations and neuroscientific evidence. Oxford University Press New
York.
Christoff, K., Keramatian, K., Gordon, A. M., Smith, R., and Madler, B. (2009).
Prefrontal organization of cognitive control according to levels of abstraction. Brain
Research, 1286:94–105.
Chuah, K. M., Chen, C. J., and Teh, C.-S. (2011). Designing a desktop virtual reality-
based learning environment with emotional consideration. Research and Practice
in Technology Enhanced Learning, 6(1):25–42.
Cichocki, A. (2004). Blind signal processing methods for analyzing multichannel brain
signals. International Journal of Bioelectromagnetism, 6(1):22–27.
Cichocki, A., Washizawa, Y., Rutkowski, T. M., Bakardjian, H., Phan, A. H., Choi,
S., Lee, H., Zhao, Q., Zhang, L., and Li, Y. (2008). Noninvasive BCIs: multiway
signal-processing array decompositions. IEEE Computer, 41(10):34–42.
Cıscar, A. J. (2000). Optimizacion de prestaciones en tecnicas de aprendizaje no
supervisado y su aplicacion al reconocimiento de formas. PhD thesis, Universitat
Politecnica de Valencia.
Cohen, J. D., Dunbar, K., and McClelland, J. L. (1990). On the control of automatic
processes: a parallel distributed processing account of the stroop effect. Psycholo-
gical Review, 97(3):332.
Comaniciu, D. and Meer, P. (2002). Mean shift: A robust approach toward feature
space analysis. IEEE Transactions on pattern analysis and machine intelligence,
24(5):603–619.
Cong, F., Phan, A. H., Zhao, Q., Huttunen-Scott, T., Kaartinen, J., Ristaniemi, T.,
Lyytinen, H., and Cichocki, A. (2012). Benefits of multi-domain feature of mismatch
negativity extracted by non-negative tensor factorization from eeg collected by low-
density array. International Journal of Neural Systems, 22(06):1250025.
Cormier, S. (1987). The structural processes underlying transfer of training. Transfer
of Learning: Contemporary Research and Applications, Ed. SM Cormier and JD
Hagman, pages 152–82.
132
Correa, M. A. G. and Leber, E. L. (2011). Noise removal from EEG signals in
polisomnographic records applying adaptive filters in cascade. INTECH Open Access
Publisher.
Cox, B. D. (1997). The rediscovery of the active learner in adaptive contexts: a
developmental historical analysis. Educational Psychologist, 32(1):41–55.
Croft, R. J. and Barry, R. J. (2000). Removal of ocular artifact from the EEG: a
review. Neurophysiologie Clinique/Clinical Neurophysiology, 30(1):5–19.
Crutch, S. J. and Warrington, E. K. (2005). Abstract and concrete concepts have
structurally different representational frameworks. Brain, 128(3):615–627.
Daly, I., Billinger, M., Scherer, R., and Muller-Putz, G. (2013). On the automated
removal of artifacts related to head movement from the eeg. IEEE Transactions
on neural systems and rehabilitation engineering, 21(3):427–434.
David, O., Cosmelli, D., Lachaux, J.-P., Baillet, S., Garnero, L., and Martinerie, J.
(2003). A theoretical and experimental introduction to the non-invasive study of
large-scale neural phase synchronization in human beings. Citeseer.
Davidson, I. and Basu, S. (2007). A survey of clustering with instance level cons-
traints. ACM transactions on knowledge discovery from data, 1:1–41.
Davidson, I. and Ravi, S. (2005). Clustering with constraints: feasibility issues and
the k-means algorithm. In SDM, volume 5, pages 201–211. SIAM.
De Clercq, W., Vergult, A., Vanrumste, B., Van Huffel, S., Kokarakis, M., Hees, J.,
Palmini, A., and Van Paesschen, W. (2005). Improving the interpretation of the ic-
tal scalp electroencephalogram: a new muscle artifact removal technique. Epilepsia,
46(6):378.
De Winter, J., Van Leuween, P., and Happee, P. (2012). Advantages and disadvan-
tages of driving simulators: A discussion. In Proceedings of Measuring Behavior,
pages 47–50. Citeseer.
Delorme, A. and Makeig, S. (2004). EEGLAB: an open source toolbox for analysis
of single-trial EEG dynamics including independent component analysis. Journal
of Neuroscience Methods, 134(1):9–21.
133
Delorme, A., Sejnowski, T., and Makeig, S. (2007). Enhanced detection of artifacts in
eeg data using higher-order statistics and independent component analysis. Neu-
roimage, 34(4):1443–1449.
Dictionary, A. (2007). The american heritage medical dictionary.
Dietrich, A. and Kanso, R. (2010). A review of EEG, ERP, and neuroimaging studies
of creativity and insight. Psychological Bulletin, 136(5):822.
Dixon, M. L. and Christoff, K. (2014). The lateral prefrontal cortex and complex
value-based learning and decision making. Neuroscience and Biobehavioral Reviews,
45:9–18.
Dubes, R. and Jain, A. (1988). Algorithms for clustering data. Englewood Cliffs, NJ.
Prentice Hall.
Duda, R. O., Hart, P. E., and Stork, D. G. (2012). Pattern classification. John Wiley
& Sons.
Dumermuth, G. and Molinari, L. (1987). Spectral analysis of eeg background activity.
Handbook of electroencephalography and clinical neurophysiology, 1:85–130.
Duncan, J., Burgess, P., and Emslie, H. (1995). Fluid intelligence after frontal lobe
lesions. Neuropsychologia, 33(3):261–268.
Duncan, J., Emslie, H., Williams, P., Johnson, R., and Freer, C. (1996). Intelligence
and the frontal lobe: the organization of goal-directed behavior. Cognitive Psycho-
logy, 30(3):257–303.
Eaton, E. and Lane, T. (2011). The importance of selective knowledge transfer for
lifelong learning. In Lifelong Learning. CiteSeerX.
Emotiv (2016). Emotiv company. URL:https://www.emotiv.com/. Fecha de consul-
ta: 2015-09-10.
Escudero, L. F. (1977). Reconocimiento de patrones. Paraninfo.
Everitt, B. S. (1979). Unresolved problems in cluster analysis. Biometrics, pages
169–181.
134
Fabiani, M., Gratton, G., and Coles, M. (2000). Event-related brain potentials: Met-
hods, theory. Handbook of psychophysiology, pages 53–84.
Fadzal, C. C. W., Mansor, W., Khuan, L., and Zabidi, A. (2012). Short-time fou-
rier transform analysis of eeg signal from writing. In Signal Processing and its
Applications (CSPA), 2012 IEEE 8th International Colloquium on, pages 525–527.
IEEE.
Fetzer, T., Petry, C., Deinzer, F., and Huffstadt, K. (2015). 3D interaction design:
increasing the stimulus-response correspondence by using stereoscopic vision. In
Automatic Face and Gesture Recognition (FG), 2015 11th IEEE International Con-
ference and Workshops On, volume 1, pages 1–6. IEEE.
Fisher, D. H. (1987). Knowledge acquisition via incremental conceptual clustering.
Machine Learning, 2(2):139–172.
Fitzgibbon, S. P., Powers, D. M., Pope, K. J., and Clark, C. R. (2007). Removal of
eeg noise and artifact using blind source separation. Journal of Clinical Neurophy-
siology, 24(3):232–243.
Foundation, B. (2015). Blender. URL:https://www.blender.org/. Fecha de consul-
ta: 2015-09-10.
Friston, K. J. (2001). Book review: Brain function, nonlinear coupling, and neuronal
transients. The Neuroscientist, 7(5):406–418.
Fukunaga, K. (2013). Introduction to statistical pattern recognition. Academic Press.
Fuster, J. M. (1988). Prefrontal cortex. Springer.
Fuster, J. M. (2002). Frontal lobe and cognitive development. Journal of Neurocyto-
logy, 31(3-5):373–385.
Gabor, D. (1946). Theory of communication. part 1: The analysis of information.
Electrical Engineers Part III: Radio and Communication Engineering, Journal of
the Institution Of, 93(26):429–441.
Gamero, L., Plastino, A., and Torres, M. (1997). Wavelet analysis and nonlinear
dynamics in a nonextensive setting. Physica: A Statistical Mechanics and Its Ap-
plications, 246(3):487–509.
135
Garavan, H., Kelley, D., Rosen, A., Rao, S. M., and Stein, E. A. (2000). Practice-
related functional activation changes in a working memory task. Microscopy Re-
search and Technique, 51(1):54–63.
Garfias, J. G. (2016). Como descargar pokemon go para android y
ios en 3 pasos. URL:http://www.elperiodico.com/es/noticias/extra/
como-descargar-pokemon-go-android-ios-5265475. Fecha de consulta: 2016-
07-19.
Ghafouri, M., Archambault, P. S., Adamovich, S. V., and Feldman, A. G. (2002).
Pointing movements may be produced in different frames of reference depending
on the task demand. Brain research, 929(1):117–128.
Goldman-Rakic, P. S. (1987). Circuitry of primate prefrontal cortex and regulation of
behavior by representational memory. Comprehensive Physiology, pages 373–417.
Goldstein, K. (1944). The mental changes due to frontal lobe damage. The Journal
of Psychology, 17(2):187–208.
Goncharova, I. I., McFarland, D. J., Vaughan, T. M., and Wolpaw, J. R. (2003).
Emg contamination of eeg: spectral and topographical characteristics. Clinical
Neurophysiology, 114(9):1580–1593.
Gonzalez, R. C. and Woods, R. E. (2008). Digital image processing. Nueva Jersey.
Grandchamp, R. and Delorme, A. (2009). Neurotrip: a framework for bridging bet-
ween open source software. application to training a brain machine interface. In
Signal-Image Technology & Internet-Based Systems (SITIS), 2009 Fifth Interna-
tional Conference on, pages 451–457. IEEE.
Grossi, V., Monreale, A., Nanni, M., Pedreschi, D., and Turini, F. (2015). Clustering
formulation using constraint optimization. In International Conference on Software
Engineering and Formal Methods, pages 93–107. Springer.
Gupta, S. K., Anand, D. K., Brough, J., Schwartz, M., and Kavetsky, R. (2008).
Training in virtual environments. A safe, cost-effective, and engaging approach to
training. University of Maryland.
136
Gomez, F. (2015). Entornos virtuales de aprendizaje. URL:http://fatimagoto.
blogspot.mx/2015/10/entornos-virtuales-de-aprendizaje.html. Fecha de
consulta 2016-07-19.
Hale, K. S. and Stanney, K. M. (2014). Handbook of virtual environments: design,
implementation, and applications. CRC Press.
Halkidi, M., Batistakis, Y., and Vazirgiannis, M. (2001). On clustering validation
techniques. Journal of Intelligent Information Systems, 17(2-3):107–145.
Handy, T. C. (2005). Event-related potentials: A methods handbook. MIT press.
Haskell, R. (2001). Transfer of learning: cognition, instruction, and reasoning. Or-
lando, FL, pages 32887–6777.
Hatano, G. and Greeno, J. G. (1999). Commentary: alternative perspectives on trans-
fer and transfer studies. Educational Research, 31(7):645–654.
Hathaway, R. J. and Bezdek, J. C. (2003). Visual cluster validity for prototype
generator clustering models. Pattern Recognition Letters, 24(9):1563–1569.
Henderson, A., Korner-Bitensky, N., and Levin, M. (2007). Virtual reality in stroke
rehabilitation: a systematic review of its effectiveness for upper limb motor recovery.
Topics in Stroke Rehabilitation, 14(2):52–61.
Holden, M. K. (2001). Neurorehabilitation using “learning by imitation” in virtual
environments. Usability evaluation and interface design: cognitive engineering, in-
telligent agents and virtual reality. London: Lawrence Erlbaum, pages 624–628.
Holden, M. K. (2005). Virtual environments for motor rehabilitation: review. Cyber-
psychology and Behavior, 8(3):187–211.
Holden, M. K. and Dyar, T. (2002). Virtual environment training: a new tool for
neurorehabilitation. Journal of Neurologic Physical Therapy, 26(2):62–71.
Holyoak, K. J. and Thagard, P. (1996). Mental leaps: analogy in creative thought.
MIT Press.
Hruby, T. and Marsalek, P. (2002). Event-related potentials-the p3 wave. Acta
Neurobiologiae Experimentalis, 63(1):55–63.
137
Hyviirinen, A., Karhunen, J., and Oja, E. (2001). Independent component analysis.
Wiley and Sons.
Ille, N., Berg, P., and Scherg, M. (2002). Artifact correction of the ongoing eeg using
spatial filters based on artifact and brain signal topographies. Journal of clinical
neurophysiology, 19(2):113–124.
Iriarte, J., Urrestarazu, E., Valencia, M., Alegre, M., Malanda, A., Viteri, C., and
Artieda, J. (2003). Independent component analysis as a tool to eliminate artifacts
in EEG: a quantitative study. Journal of Clinical Neurophysiology, 20(4):249–257.
Iwayama, M. (1995). A comparison of category search strategies. In ACM Conference
on Research and Development on Information, Washington.
Jain, A. K. and Dubes, R. C. (1988). Algorithms for clustering data. Prentice-Hall,
Inc.
Jain, A. K., Murty, M. N., and Flynn, P. J. (1999). Data clustering: a review. ACM
Computinfg Surveys (CSUR), 31(3):264–323.
Jansen, M. (2001). Lecture notes in statistics: Noise reduction by wavelet threshol-
ding.
Jimenez, J. C., Biscay, R., and Montoto, O. (1995). Modeling the electroencephalo-
gram by means of spatial spline smoothing and temporal autoregression. Biological
cybernetics, 72(3):249–259.
Johnson, A., Moher, T., Leigh, J., and Lin, Y. (2000). Quickworlds: Teacher driven
vr worlds in an elementary school curriculum. In Proceedings of SIGGRAPH, pages
23–28.
Jung, C. G. (2014). Psychological types. Routledge.
Jung, T.-P., Makeig, S., Westerfield, M., Townsend, J., Courchesne, E., and Sejnowski,
T. J. (2000). Removal of eye activity artifacts from visual event-related potentials
in normal and clinical subjects. Clinical Neurophysiology, 111(10):1745–1758.
Jurcak, V., Tsuzuki, D., and Dan, I. (2007). 10/20, 10/10, and 10/5 systems revisi-
ted: their validity as relative head-surface-based positioning systems. Neuroimage,
34(4):1600–1611.
138
Kaber, D. B. and Zhang, T. (2011). Human factors in virtual reality system design for
mobility and haptic task performance. Reviews of Human Factors and Ergonomics,
7(1):323–366.
Karni, A., Meyer, G., Rey-Hipolito, C., Jezzard, P., Adams, M. M., Turner, R., and
Ungerleider, L. G. (1998). The acquisition of skilled motor performance: fast and
slow experience-driven changes in primary motor cortex. Proceedings of the Natio-
nal Academy of Sciences, 95(3):861–868.
Kaur, M. and Kaur, U. (2013). Comparison between k-mean and hierarchical al-
gorithm using query redirection. International Journal of Advanced Research in
Computer Science and Software Engineering, 3(7).
Kelly, A. C. and Garavan, H. (2005). Human functional neuroimaging of brain changes
associated with practice. Cerebral Cortex, 15(8):1089–1102.
Kelly, S., Dockree, P., Reilly, R., and Robertson, I. (2003). EEG alpha power and
coherence time courses in a sustained attention task. In Neural Engineering, 2003.
Conference Proceedings. First International IEEE EMBS Conference On, pages
83–86. IEEE.
Kelso, J. S. (1997). Dynamic patterns: The self-organization of brain and behavior.
MIT press.
Khatwani, P. and Tiwari, A. (2013). A survey on different noise removal techni-
ques of eeg signals. International Journal of Advanced Research in Computer and
Communication Engineering, 2(2):1091–1095.
Kiebel, S. J., Tallon-Baudry, C., and Friston, K. J. (2005). Parametric analysis of os-
cillatory activity as measured with EEG/MEG. Human Brain Mapping, 26(3):170–
177.
Kim, J. H. and Lee, C. (2001). Implications of near and far transfer of training on
structured on the job training. Advances in Developing Human Resources, 3(4):442–
451.
Kiper, P., Agostini, M., Luque-Moreno, C., Tonin, P., and Turolla, A. (2014). Rein-
forced feedback in virtual environment for rehabilitation of upper extremity dys-
139
function after stroke: preliminary data from a randomized controlled trial. BioMed
research international, 2014.
Kiresuk, T. J. and Sherman, M. R. E. (1968). Goal attainment scaling: A general met-
hod for evaluating comprehensive community mental health programs. Community
mental health journal, 4(6):443–453.
Kiymik, M. K., Guler, I., Dizibuyuk, A., and Akın, M. (2005). Comparison of STFT
and wavelet transform methods in determining epileptic seizure activity in EEG
signals for real-time application. Computers in Biology and Medicine, 35(7):603–
616.
Kleim, J. A. and Jones, T. A. (2008). Principles of experience-dependent neural
plasticity: implications for rehabilitation after brain damage. Journal of speech,
language, and hearing research, 51(1):S225–S239.
Koechlin, E., Ody, C., and Kouneiher, F. (2003). The architecture of cognitive control
in the human prefrontal cortex. Science, 302(5648):1181–1185.
Koenig, T., Marti-Lopez, F., and Valdes-Sosa, P. (2001). Topographic time-frequency
decomposition of the EEG. Neuroimage, 14(2):383–390.
Kolb, B. and Whishaw, I. Q. (1998). Brain plasticity and behavior. Annual Review
of Psychology, 49(1):43–64.
Koonin, E. V. and Wolf, Y. I. (2010). Constraints and plasticity in genome and
molecular-phenome evolution. Nature Reviews Genetics, 11(7):487–498.
Kozak, J., Hancock, P., Arthur, E., and Chrysler, S. (1993). Transfer of training from
virtual reality. Ergonomics, 36(7):777–784.
Lagerlund, T. D., Sharbrough, F. W., and Busacker, N. E. (1997). Spatial filte-
ring of multichannel electroencephalographic recordings through principal compo-
nent analysis by singular value decomposition. Journal of clinical neurophysiology,
14(1):73–82.
Lan, T., Adami, A., Erdogmus, D., and Pavel, M. (2005). Estimating cognitive state
using eeg signals. In Signal Processing Conference, 2005 13th European, pages 1–4.
IEEE.
140
Langer, S. K. (1953). Feeling and form. Scribner New York.
Lateef, F. et al. (2010). Simulation-based learning: just like the real thing. Journal
of Emergencies, Trauma, and Shock, 3(4):348.
Levin, M. F., Sveistrup, H., and Subramanian, S. (2010). Feedback and virtual envi-
ronments for motor learning and rehabilitation. Schedae, 1:19–36.
Library, S. (2012). Goal attainment scaling (gas). URL:http://es.scale-library.
com/gas_log.php. Fecha de consulta: 2015-10-01.
Lokshtanov, D. and Marx, D. (2013). Clustering with local restrictions. Information
and Computation, 222:278–292.
Luck, S. J. (2014). An introduction to the event-related potential technique. MIT
Press.
Ludwig, K. A., Miriani, R. M., Langhals, N. B., Joseph, M. D., Anderson, D. J., and
Kipke, D. R. (2009). Using a common average reference to improve cortical neuron
recordings from microelectrode arrays. Journal of neurophysiology, 101(3):1679–
1689.
Luria, A. R. (2012). Higher cortical functions in man. Springer Science & Business
Media.
Maclean, N., Pound, P., Wolfe, C., and Rudd, A. (2000). Qualitative analysis of stroke
patients’ motivation for rehabilitation. Bmj, 321(7268):1051–1054.
Makeig, S., Bell, A. J., Jung, T.-P., Sejnowski, T. J., et al. (1996). Independent com-
ponent analysis of electroencephalographic data. Advances in neural information
processing systems, pages 145–151.
Makeig, S., Westerfield, M., Jung, T.-P., Enghoff, S., Townsend, J., Courchesne, E.,
and Sejnowski, T. J. (2002). Dynamic brain sources of visual evoked responses.
Science, 295(5555):690–694.
Mantovani, F. and Castelnuovo, G. (2003). The sense of presence in virtual training:
enhancing skills acquisition and transfer of knowledge through learning experience
in virtual environments.
141
Markman, A. B. (2013). Knowledge representation. Psychology Press.
Marroquın, J. L., Harmony, T., Rodriguez, V., and Valdes, P. (2004). Exploratory
EEG data analysis for psychophysiological experiments. Neuroimage, 21(3):991–
999.
Master, B. (2014). Brainwave master. URL:http://www.brainwavemaster.com/
what-are-brainwaves/. Fecha de consulta: 2016-07-19.
Mateas, M. (1999). An oz-centric review of interactive drama and believable agents.
In Artificial intelligence today, pages 297–328. Springer.
Mazaheri, A. and Jensen, O. (2006). Posterior α activity is not phase-reset by visual
stimuli. Proceedings of the National Academy of Sciences of the United States of
America, 103(8):2948–2952.
Mendelsohn, P. (1996). Le concept de transfert. Le concept de transfert de connais-
sance en formation initiale et continue. Lyon. CRDP, pages 11–20.
Mikropoulos, T. A. (2001). Brain activity on navigation in virtual environments.
Journal of Educational Computing Research, 24(1):1–12.
Mirelman, A., Patritti, B. L., Bonato, P., and Deutsch, J. E. (2010). Effects of virtual
reality training on gait biomechanics of individuals post-stroke. Gait & posture,
31(4):433–437.
Misko, J. (1995). Transfer: using learning in new contexts. ERIC.
Misko, J. (1999). The transfer of knowledge and skill to different contexts: an empirical
perspective. Institute of Education Sciences, ERIC.
Miwakeichi, F., Martınez-Montes, E., Valdes-Sosa, P. A., Nishiyama, N., Mizuhara,
H., and Yamaguchi, Y. (2004). Decomposing EEG data into space-time-frequency
components using parallel factor analysis. Neuroimage, 22(3):1035–1045.
Mognon, A., Jovicich, J., Bruzzone, L., and Buiatti, M. (2011). Adjust: an automatic
EEG artifact detector based on the joint use of spatial and temporal features.
Psychophysiology, 48(2):229–240.
142
Moosmann, M., Ritter, P., Krastel, I., Brink, A., Thees, S., Blankenburg, F., Tas-
kin, B., Obrig, H., and Villringer, A. (2003). Correlates of alpha rhythm in fun-
ctional magnetic resonance imaging and near infrared spectroscopy. Neuroimage,
20(1):145–158.
Moskaliuk, J., Bertram, J., and Cress, U. (2013). Impact of virtual training environ-
ments on the acquisition and transfer of knowledge. Cyberpsychology, Behavior,
and Social Networking, 16(3):210–214.
Mourino, J., Millan, J. d. R., Cincotti, F., Chiappa, S., Jane, R., and Babiloni, F.
(2001). Spatial filtering in the training process of a brain computer interface. In
Engineering in Medicine and Biology Society, 2001. Proceedings of the 23rd Annual
International Conference of the IEEE, volume 1, pages 639–642. IEEE.
Nan, Y., Wang, J., Xue, S. A., Sheng, H., Jiao, Y., and Wang, J. (2010). Analysis
of propagation of multi-channel EEG in the test of sustained attention. In 2010
Annual International Conference of the IEEE Engineering in Medicine and Biology,
pages 1666–1669. IEEE.
Nash, E. B., Edwards, G. W., Thompson, J. A., and Barfield, W. (2000). A review
of presence and performance in virtual environments. International Journal of
human-computer Interaction, 12(1):1–41.
Navarro, M. R. (2008). Procesos cognitivos y aprendizaje significativo.
Niedermeyer, E. and da Silva, F. L. (2005). Electroencephalography: basic principles,
clinical applications, and related fields. Lippincott Williams & Wilkins.
Nuwer, M., Lehman, D., Lopes da Silva, F., Matsuoka, S., Sutherling, V., Vibert, J.,
et al. (1999). Ifcn guidelines for topographic and fequency analysis of eegs and eps.
Okabe, M. and Yamada, S. (2012). Clustering by learning constraints priorities. In
2012 IEEE 12th International Conference on Data Mining, pages 1050–1055. IEEE.
Oldfield, R. and Zangwill, O. (1942). Head’s concept of the schema and its applica-
tion in contemporary British psychology. British Journal of Psychology. General
Section, 33(2):113–129.
Oliva, C. (2015). Metodos para la segmentacion de datos longitudinales. aplicacion a
datos de rendimientos de cultivos en argentina.
143
Ong, S. K. and Nee, A. Y. C. (2013). Virtual and augmented reality applications in
manufacturing. Springer Science & Business Media.
Onton, J. and Makeig, S. (2006). Information-based modeling of event-related brain
dynamics. Progress in brain research, 159:99–120.
O’Reilly, R. C., Noelle, D. C., Braver, T. S., and Cohen, J. D. (2002). Prefrontal
cortex and dynamic categorization tasks: representational organization and neuro-
modulatory control. Cerebral Cortex, 12(3):246–257.
Osuna, J. R. (1991). Metodos de muestreo. Centro de Investigaciones Sociologicas
(CIS).
O’Reilly, R. C. (2010). The what and how of prefrontal cortical organization. Trends
in neurosciences, 33(8):355–361.
Pal, N. R. and Bezdek, J. C. (1995). On cluster validity for the fuzzy c-means model.
Transactions on Fuzzy Systems, 3(3):370–379.
Parasuraman, R. (2003). Neuroergonomics: research and practice. Theoretical Issues
in Ergonomics Science, 4(1-2):5–20.
Parasuraman, R. and Rizzo, M. (2008). Neuroergonomics: The brain at work. Oxford
University Press.
Parasuraman, R. and Wilson, G. F. (2008). Putting the brain to work: neuroergono-
mics past, present, and future. Human factors: The Journal of the Human Factors
and Ergonomics Society, 50(3):468–474.
Pereyra, J. S. (2011). Metodos en neurociencias cognoscitivas. Ed. El Manual Mo-
derno.
Peruch, P., Belingard, L., and Thinus-Blanc, C. (2000). Transfer of spatial knowledge
from virtual to real environments. In Spatial Cognition II, pages 253–264. Springer.
Pesaran, B., Pezaris, J. S., Sahani, M., Mitra, P. P., and Andersen, R. A. (2002). Tem-
poral structure in neuronal activity during working memory in macaque parietal
cortex. Nature Neuroscience, 5(8):805–811.
144
Petersen, S. E., Van Mier, H., Fiez, J. A., and Raichle, M. E. (1998). The effects of
practice on the functional anatomy of task performance. Proceedings of the National
Academy of Sciences, 95(3):853–860.
Pfurtscheller, G. and Neuper, C. (1997). Motor imagery activates primary sensori-
motor area in humans. Neuroscience Letters, 239(2):65–68.
Pfurtscheller, G., Neuper, C., Andrew, C., and Edlinger, G. (1997). Foot and hand
area mu rhythms. International Journal of Psychophysiology, 26(1-3):121–135.
Pfurtscheller, G., Zalaudek, K., and Neuper, C. (1998). Event-related beta synchroni-
zation after wrist, finger and thumb movement. Electroencephalography and Clinical
Neurophysiology/Electromyography and Motor Control, 109(2):154–160.
Poldrack, R. A. (2000). Imaging brain plasticity: conceptual and methodological
issues a theoretical review. Neuroimage, 12(1):1–13.
Popovici, D.-M., Gerval, J.-P., Chevaillier, P., Tisseau, J., et al. (2004). Educative
distributed virtual environments for children. International Journal of Distance
Education Technologies, 2(4):18.
Posner, M. I. and Keele, S. W. (1968). On the genesis of abstract ideas. Journal of
Experimental Psychology, 77(3p1):353.
Press, W. H. (2007). Numerical recipes 3rd edition: The art of scientific computing.
Cambridge university press.
Presseau, A. and Frenay, M. (2004). Le transfert des apprentissages: comprendre pour
mieux intervenir. Presses universite laval.
Psotka, J. (1995). Immersive training systems: virtual reality and education and
training. Instructional Science, 23(5-6):405–431.
Quiroga, R. Q. (1998). Quantitative analysis of eeg signals: time-frequency methods
and chaos theory. Institute of Physiology-Medical University Lubeck and Institute
of Signal Processing-Medical University Lubeck.
Rahman, S., Shaheen, A., et al. (2011). Virtual reality use in motor rehabilitation of
neurological disorders: a systematic review. Middle East J Sci Res, 7:63–70.
145
Rangayyan, R. M. (2015). Biomedical signal analysis, volume 33. John Wiley & sons.
Redolar, D. (2014). Neurociencia cognitiva. Madrid: Editorial Medica Panamericana.
Regian, J. W. (1997). Virtual reality for training: evaluating transfer. In Virtual
Reality, Training’s Future? Perspectives on Virtual Reality and Related Emerging
Technologies, pages 31–40. Springer.
Repovs, G. (2010). Dealing with noise in EEG recording and data analysis. In
Informatica Medica Slovenica, volume 15, pages 18–25.
Reyes, C. G., Rosas, R. M. V., Gallegos, M. S., Eleuterio, R. A., and Jimenez,
V. M. (2014). Realidad virtual y entornos virtuales como apoyo al acercamien-
to universidad-comunidad: el caso de la facultad de ingenierıa de la UAEMex.
Apertura, Revista de Innovacion Educativa, 6(1).
Rezek, I., Gibbs, M., and Roberts, S. J. (2002). Maximum a posteriori estimation
of coupled hidden markov models. Journal of VLSI signal processing systems for
signal, image and video technology, 32(1-2):55–66.
Rizzo, A., Buckwalter, J. G., van der Zaag, C., Neumann, U., Thiebaux, M., Chua,
C., van Rooyen, A., Humphrey, L., and Larson, P.-A. (2000). Virtual environment
applications in clinical neuropsychology. In Virtual Reality, 2000. Proceedings.
IEEE, pages 63–70. IEEE.
Rose, F., Attree, E., Brooks, B., Parslow, D., and Penn, P. (2000). Training in virtual
environments: transfer to real world tasks and equivalence to real task training.
Ergonomics, 43(4):494–511.
Rougier, N. P., Noelle, D. C., Braver, T. S., Cohen, J. D., and O’Reilly, R. C. (2005).
Prefrontal cortex and flexible cognitive control: rules without symbols. Proceedings
of the National Academy of Sciences of the United States of America, 102(20):7338–
7343.
Rouiller, J. Z. and Goldstein, I. L. (1993). The relationship between organizational
transfer climate and positive transfer of training. Human Resource Development
Quarterly, 4(4):377–390.
146
Ruiz, C., Spiliopoulou, M., and Menasalvas, E. (2007). C-dbscan: Density-based
clustering with constraints. In International Workshop on Rough Sets, Fuzzy Sets,
Data Mining, and Granular-Soft Computing, pages 216–223. Springer.
Saez, A., Rigotti, M., Ostojic, S., Fusi, S., and Salzman, C. (2015). Abstract context
representations in primate amygdala and prefrontal cortex. Neuron, 87(4):869–881.
Safieddine, D., Kachenoura, A., Albera, L., Birot, G., Karfoul, A., Pasnicu, A., Bi-
raben, A., Wendling, F., Senhadji, L., and Merlet, I. (2012). Removal of muscle
artifact from eeg data: comparison between stochastic (ica and cca) and determi-
nistic (emd and wavelet-based) approaches. EURASIP Journal on Advances in
Signal Processing, 2012(1):1–15.
Sakai, K. and Passingham, R. E. (2003). Prefrontal interactions reflect future task
operations. Nature Neuroscience, 6(1):75–81.
Salmeron, L. (2013). Activities that promote transfer of learning: a review of the
literature. REVISTA DE EDUCACION, pages 34–53.
Salomon, G. and Perkins, D. (1996). Learning in wonderland. Technology and the
Future of Schooling, pages 111–129.
Sanei, S. and Chambers, J. (2007). EEG Signal Processing, Centre of Digital Signal
Processing, Cardiff University, UK.
Selesnick, I. W. (2009). Short-time fourier transform and its inverse. Signal, 10(1):2.
Shallice, T. (1988). From neuropsychology to mental structure. Cambridge University
Press.
Shelton and Reding, M. (2001). Effect of lesion location on upper limb motor recovery
after stroke. Stroke, 32(1):107–112.
Shental, N., Bar-Hillel, A., Hertz, T., and Weinshall, D. (2004). Computing gaus-
sian mixture models with em using equivalence constraints. Advances in Neural
Information Processing Systems, 16(8):465–472.
Shi, J. and Malik, J. (2000). Normalized cuts and image segmentation. Transactions
on Pattern Analysis and Machine Intelligence, 22(8):888–905.
147
Shlens, J. (2014). A tutorial on principal component analysis. ArXiv Preprint ar-
Xiv:1404.1100, vol.1.
Singer, W. (2006). Phenomenal awareness and consciousness from a neurobiological
perspective. NeuroQuantology, 4(2).
Smith, J. O. (2008). Introduction to digital filters: with audio applications, volume 2.
Julius Smith.
Smith, R., Keramatian, K., and Christoff, K. (2007). Localizing the rostrolateral
prefrontal cortex at the individual level. Neuroimage, 36(4):1387–1396.
Society, A. C. N. et al. (2006). Guideline 5: Guidelines for standard electrode position
nomenclature. American journal of electroneurodiagnostic technology, 46(3):222.
Soong, A. C. and Koles, Z. J. (1995). Principal-component localization of the sources
of the background eeg. IEEE Transactions on Biomedical Engineering, 42(1):59–67.
Squire, L., Berg, D., Bloom, F. E., Du Lac, S., Ghosh, A., and Spitzer, N. C. (2012).
Fundamental neuroscience. Academic Press.
STFT, S. T. F. T. (2010). Biomedical issues. URL:https://www.math.ucdavis.edu/
~strohmer/research/gabor/gaborintro/node3.html.Fecha de consulta: 2016-
08-28.
Stone, J. V. (2002). Independent component analysis: an introduction. Trends in
Cognitive Sciences, 6(2):59–64.
Subedi, B. S. (2004). Emerging trends of research on transfer of learning. International
education journal, 5(4):591–599.
Sweeney, K. T., Ward, T. E., and McLoone, S. F. (2012). Artifact removal in phy-
siological signals—practices and possibilities. IEEE transactions on information
technology in biomedicine, 16(3):488–500.
System, S. L. H. (2015). Saint luke’s health system. URL:http://www.
saintlukeshealthsystem.org/health-library/electroencephalogram-eeg.
Fecha de consulta: 2016-07-19.
Tabachnick, B. G. and Fidell, L. S. (2001). Using multivariate analysis. California
State University Northridge: Harper Collins College Publishers.
148
Tallon-Baudry, C., Bertrand, O., Delpuech, C., and Pernier, J. (1997). Oscillatory
γ-band (30-70 hz) activity induced by a visual search task in humans. The Journal
of Neuroscience, 17(2):722–734.
Tardif, J. (1999). Le transfert des apprentissages. Editions Logiques.
Teplan, M. (2002). Fundamentals of EEG measurement. Measurement Science Re-
view, 2(2):1–11.
Tesfazgi, S. H. (2003). Survey on behavioral observation methods in virtual environ-
ments. research assignment, Delft Univ. of Tech.
Todorov, E., Shadmehr, R., and Bizzi, E. (1997). Augmented feedback presented in a
virtual environment accelerates learning of a difficult motor task. Journal of Motor
Behavior, 29(2):147–158.
Transform, S. T. F. (2016). Short time fourier transform. https://en.wikipedia.
org/wiki/Short-time_Fourier_transform. Fecha de consulta: 2016-08-28.
Tung, A. K., Han, J., Lakshmanan, L. V., and Ng, R. T. (2001). Constraint-based
clustering in large databases. In International Conference on Database Theory,
pages 405–419. Springer.
Unruh, A. and Rosenbloom, P. S. (1989). Abstraction in problem solving and learning.
In Proceedings of the 11th international joint conference on Artificial intelligence-
Volume 1, pages 681–687. Morgan Kaufmann Publishers Inc.
Unser, M. and Aldroubi, A. (1996). A review of wavelets in biomedical applications.
Proceedings of the IEEE, 84(4):626–638.
Valdes, P., Jimenez, J. C., Riera, J., Biscay, R., and Ozaki, T. (1999). Nonlinear eeg
analysis based on a neural mass model. Biological cybernetics, 81(5-6):415–424.
Varela, F., Lachaux, J.-P., Rodriguez, E., and Martinerie, J. (2001). The brainweb:
phase synchronization and large-scale integration. Nature reviews neuroscience,
2(4):229–239.
Vigario, R. N. (1997). Extraction of ocular artefacts from eeg using independent com-
ponent analysis. Electroencephalography and clinical neurophysiology, 103(3):395–
404.
149
Wagstaff, K. and Cardie, C. (2000). Clustering with instance-level constraints.
AAAI/IAAI, 1097.
Wagstaff, K., Cardie, C., Rogers, S., Schrodl, S., et al. (2001). Constrained k-means
clustering with background knowledge. In ICML, volume 1, pages 577–584.
Waller, D., Hunt, E., and Knapp, D. (1998). The transfer of spatial knowledge in
virtual environment training. Presence, 7(2):129–143.
Wallis, J. D., Anderson, K. C., and Miller, E. K. (2001). Single neurons in prefrontal
cortex encode abstract rules. Nature, 411(6840):953–956.
Wang, X. and Davidson, I. (2010). Flexible constrained spectral clustering. In Procee-
dings of the 16th ACM SIGKDD International Conference on Knowledge Discovery
and Data Mining, pages 563–572. ACM.
Watanabe, S. (1985). Pattern recognition: human and mechanical. John Wiley &
Sons, Inc.
Webber, C., Bergia, L., Pesty, S., and Balacheff, N. (2001). The baghera project: a
multi-agent architecture for human learning. In Workshop-Multi-Agent Architectu-
res for Distributed Learning Environments. In Proceedings International Conference
on AI and Education. San Antonio, Texas.
Webster, J. S., McFarland, P. T., Rapport, L. J., Morrill, B., Roades, L. A., and
Abadee, P. S. (2001). Computer-assisted training for improving wheelchair mobility
in unilateral neglect patients. Archives of Physical Medicine and Rehabilitation,
82(6):769–775.
Weik, M. (2012). Communications standard dictionary. Springer Science & Business
Media.
Weiss, P. L., Kizony, R., Feintuch, U., and Katz, N. (2006). Virtual reality in neuro-
rehabilitation. Textbook of Neural Repair and Rehabilitation, 51(8):182–97.
Wendelken, C., Nakhabenko, D., Donohue, S. E., Carter, C. S., and Bunge, S. A.
(2008). “Brain is to thought as stomach is to??”: investigating the role of rostro-
lateral prefrontal cortex in relation reasoning. Journal of cognitive neuroscience,
20(4):682–693.
150
Whitall, J., Waller, S. M., Silver, K. H., and Macko, R. F. (2000). Repetitive bilateral
arm training with rhythmic auditory cueing improves motor function in chronic
hemiparetic stroke. Stroke, 31(10):2390–2395.
Widrow, B., Glover Jr, J. R., McCool, J. M., Kaunitz, J., Williams, C. S., Hearn,
R. H., Zeidler, J. R., Dong Jr, E., and Goodlin, R. C. (1975). Adaptive noise
cancelling: principles and applications. Proceedings of the IEEE, 63(12):1692–1716.
Winstein, C. J., Miller, J. P., Blanton, S., Taub, E., Uswatte, G., Morris, D., Nichols,
D., and Wolf, S. (2003). Methods for a multisite randomized trial to investigate
the effect of constraint-induced movement therapy in improving upper extremity
function among adults recovering from a cerebrovascular stroke. Neurorehabilitation
and Neural Repair, 17(3):137–152.
Wishart, D. (1969). 256. note: An algorithm for hierarchical classifications. Biome-
trics, pages 165–170.
Woodman, G. F. (2010). A brief introduction to the use of event-related potentials
in studies of perception and attention. Attention, Perception and Psychophysics,
72(8):2031–2046.
Woodman, R. W., Sawyer, J. E., and Griffin, R. W. (1993). Toward a theory of
organizational creativity. Academy of Management Review, 18(2):293–321.
Worrell, G. A., So, E. L., Kazemi, J., O’Brien, T. J., Mosewich, R. K., Cascino, G. D.,
Meyer, F. B., and Marsh, W. R. (2002). Focal ictal β discharge on scalp eeg predicts
excellent outcome of frontal lobe epilepsy surgery. Epilepsia, 43(3):277–282.
Yan, R., Zhang, J., Yang, J., and Hauptmann, A. G. (2006). A discriminative lear-
ning framework with pairwise constraints for video object classification. IEEE
Transactions on Pattern Analysis and Machine Intelligence, 28(4):578–593.
Yang, H. and Callan, J. (2006). Near-duplicate detection by instance-level constrained
clustering. In Proceedings of the 29th annual international ACM SIGIR conference
on Research and development in information retrieval, pages 421–428. ACM.
Yang, J.-F., Scholz, J. P., and Latash, M. L. (2007). The role of kinematic redundancy
in adaptation of reaching. Experimental brain research, 176(1):54–69.
151
Yaomanee, K., Pan-ngum, S., and Ayuthaya, P. I. N. (2012). Brain signal detec-
tion methodology for attention training using minimal EEG channels. In ICT
and Knowledge Engineering, 2012 10th International Conference On, pages 84–89.
IEEE.
Youngblut, C. (1998). Educational uses of virtual reality technology. Technical report,
Institute for Defense Analyses, IDA.
Yun, K., Lebedev, M., and Nicolelis, M. A. (2007). Prediction of motor timing using
nonlinear analysis of local field potentials. In World Congress on Medical Physics
and Biomedical Engineering 2006, pages 1005–1008. Springer.