DSpace Angular :: Browsing by Author "Rodríguez Fernández, María"

Browsing by Author "Rodríguez Fernández, María"

Now showing 1 - 11 of 11

Acute Cardiovascular Responses to a Session of Bikram Yoga : A Pilot Uncontrolled Trial
(2019) Miranda Hurtado, Martín Alexis; Meza Valladares, Cristian; Eblen Zajjur, Antonio Alejandro; Rodríguez Fernández, María
Brain self-regulation learning in the neurocomputational framework of active inference
(2023) Vargas González, Gabriela Adriana; Rodríguez Fernández, María; El-Deredy, Wael; Pontificia Universidad Católica de Chile. Instituto de Ingeniería Biológica y Médica
Neurofeedback (NF), a cutting-edge technique in the realm of brain-computer interfaces (BCI), has proven to be a powerful tool for both scientific exploration and clinical rehabilitation. NF provides individuals with real-time information about their neural processes, enabling them to modulate and regulate their brain activity—a phenomenon known as 'brain self-regulation learning'. While NF holds great promise, it faces an efficiency hurdle. Remarkably, only 50% of participants successfully achieve self-regulation, limiting its clinical adoption. Existing models have struggled to fully elucidate the intricate interplay between reward mechanisms and cognitive functions, without fully succeeding. Herein lies the significance of Active Inference—a theoretical framework that illuminates this complex relationship. To address this gap, we propose using the framework of Active inference to understand the neural processes underlying self-regulation learning. Active inference provides a statistical model of the brain and a combination of computational modeling and neuroimaging techniques. By analyzing real-time functional MRI data and implementing agent-based simulations, we identify that learners exhibit a hierarchical computational anatomy as the neural substrate that supports the internal dynamics of the brain. Our findings underscore the importance of cognitive processes in self-regulation learning and provide insights for optimizing NF protocols.
Differential effects of exposure to single versus a mixture of endocrine-disrupting chemicals on steroidogenesis pathway in mouse testes
(2018) Buñay, Julio; Larriba, Eduardo; Patiño García, Daniel; Cruz Fernandes, Leonor; Castañeda Zegarra, Sergio; Rodríguez Fernández, María; Del Mazo, Jesús; Moreno Mauro, Ricardo D.
Improving brain-to-text models utilizing recurrent neural networks and transfer learning for neuroprosthetic speech
(2023) Valle Araya, Carlos; Rodríguez Fernández, María; Pontificia Universidad Católica de Chile. Instituto de Ingeniería Biológica y Médica
This PhD thesis focuses on the decoding of silent speech from electroencephalogram (EEG) signals using Brain-Computer Interfaces (BCIs) and transfer learning tech- niques. Silent speech, also known as imagined speech, involves the generation of neural patterns related to speech without audible sound production. Decoding silent speech from EEG signals is challenging due to the noisy and low-resolution nature of the signals. While previous studies have achieved varying levels of success in classify- ing individual words or phonemes from EEG signals, the translation of full sentences remains intricate. The motivation for this research stems from the potential of BCIs to restore com- munication abilities for individuals with speech impairments caused by neuromuscular disorders. Existing speech decoding methods, particularly for silent speech, heavily rely on neural networks and require large amounts of data, which is both costly and time-intensive to record. Transfer learning is proposed as a solution to address this data limitation in silent speech decoding. The research encompasses three main studies: subject-independent sentence de- coding, decoding individual words from continuous imagined speech, and applying Connectionist Temporal Classification (CTC) loss for EEG-based speech decoding. The findings highlight the potential of Deep Neural Networks (DNNs) in decoding speech signals across individuals, while also shedding light on the challenges inherent in silent speech production. Additionally, this thesis introduces the “Large Spanish EEG” dataset, facilitating further advancements in the field. Overall, this thesis demonstrates the feasibility and potential of deep learning techniques and transfer learning in EEG-based speech decoding. The research not only paves the way for future exploration but also brings us closer to the development of robust and real-world applicable tools for silent speech decoding. Ultimately, these advancements hold the promise of enhancing the quality of life for individuals with speech and language impairments.
Inclusion of the circadian rhythm in the pharmacokinetic-pharmacodynamic modeling of antihypertensive drugs
(2023) Cortés Ríos, Javiera Alejandra; Rodríguez Fernández, María; Pontificia Universidad Católica de Chile. Escuela de Ingeniería
La hipertensión arterial es el factor de riesgo modificable que más afecta la mortalidad en el mundo. El tratamiento consiste en un cambio de estilo de vida y, cuando esto no es suficiente, se emplean medicamentos antihipertensivos. En general, los criterios diagnósticos y los objetivos terapéuticos consisten en valores de presión arterial (PA) promedio, que idealmente se obtienen con dispositivos de monitoreo de PA durante 24 horas o más. Sin embargo, la PA muestra una variación del ritmo circadiano, con un aumento durante la mañana, una disminución posprandial y una mayor disminución nocturna. En algunos casos, la reducción de la PA durante la noche puede disminuir o incluso revertirse (no dipper), lo que se relaciona con un pronóstico significativamente peor que un patrón de disminución normal (dipper). Pero a pesar de varios avances en los últimos años, nuestra comprensión de la estructura temporal de la PA, sus fuentes y sus mecanismos está lejos de ser completa. De hecho, estudios clínicos cronofarmacológicos han propuesto optimizar el tiempo de administración (Ta) de los medicamentos antihipertensivos para mantener o lograr un patrón dipper y así disminuir el riesgo cardiovascular a largo plazo de los pacientes hipertensos. Sin embargo, las causas y los mecanismos que subyacen al efecto antihipertensivo dependiente del Ta no se han dilucidado, y hasta ahora no se han utilizado modelos matemáticos para optimizarlo. Este manuscrito corresponde a la recopilación de tres trabajos publicados que permiten comprender los mecanismos de regulación relacionados con el ritmo circadiano de la PA y optimizar el efecto de los medicamentos antihipertensivos, incluyendo el ritmo circadiano de la PA. El desarrollo de un modelo matemático basado en mecanismos de regulación fisiológica capaz de predecir los perfiles de PA de pacientes hipertensos dipper y no dipper permitió establecer las principales diferencias entre ambos sujetos: aumento del tono nervioso simpático sobre el parasimpático, menor influencia del estrés físico sobre la frecuencia cardiaca y mayor influencia de la actividad física y la glucosa sobre la resistencia vascular sistémica de sujetos no dipper. Posteriormente, este modelo se utilizó para desarrollar un modelo de efecto dependiente de Ta, que nos permitió demostrar que diferentes mecanismos de acción y propiedades farmacocinéticas de cada medicamento pueden generar diferentes perfiles de efecto antihipertensivo dependiente de Ta y diferentes tiempos de dosificación óptimos. Además, se desarrollaron modelos farmacocinéticos (PK) - farmacodinámicos (PD) de diez medicamentos antihipertensivos, probando la inclusión del ritmo circadiano en los procesos farmacocinéticos. Como resultado, todos los modelos seleccionados incluyeron al menos un componente PK circadiano. Además, los modelos PK-PD permitieron encontrar rangos óptimos de Ta o Ta con los que se conseguían PA < 130/80 mmHg y un dip del 10-20%. Finalmente, se demostró que el Ta óptimo depende del objetivo terapéutico, la medicación y el perfil de PA individual. Por lo tanto, se sugiere realizar recomendaciones cronofarmacológicas de forma personalizada.
Multi-Objective Optimization for Personalized Prediction of Venous Thromboembolism in Ovarian Cancer Patients
(2020) Fresard, M. E.; Erices Vidal, Rafaela Miguelina; Bravo Castillo, Maria Loreto; Cuello F., Mauricio; Owen, Gareth Ivor; Ibáñez Cáceres, Carolina; Rodríguez Fernández, María
Non-linear analysis for the assessment of physiological oscillators interaction in the cardiovascular system
(2023) Miranda Hurtado, Martín Alexis; Rodríguez Fernández, María; Pontificia Universidad Católica de Chile. Instituto de Ingeniería Biológica y Médica
El estudio del control cardiovascular es un fenómeno con grandes brechas de conocimiento, a pesar de los avances de las últimas décadas. Diversas patologías afectan seriamente a la población y sus mecanismos fisiopatológicos aún no se conocen completamente. Tal es el caso de la hipertensión gestacional y el síncope vasovagal. Ambas alteraciones/patologías ocultan cambios en el control cardiovascular que siguen desafiando el conocimiento científico debido, en parte, a las dificultades inherentes de su estudio. En el caso de la hipertensión en el embarazo,, representa un riesgo significativo tanto para la madre como para el feto en desarrollo, y es un factor importante en problemas de salud y mortalidad en mujeres embarazadas, con un aumento del 10% de incidencia en la ultimas dos décadas. Por otro lado, el síncope vasovagal recurrente se asocia con una menor calidad de vida y mayores costos para el sistema de salud. Además, este trastorno puede considerarse como el perfecto ejemplo de la falta de conocimiento del control cardiovascular a corto plazo. Los métodos convencionales utilizados para estudiar las señales cardiovasculares a menudo tienen limitaciones al intentar evaluar los mecanismos que hay detrás del mal funcionamiento de los sistemas involucrados en los procesos fisiopatológicos. Por otra parte, se ha prestado poca atención a la interacción de los sistemas nervioso, respiratorio y cardiovascular en sujetos saludables y aquellos con enfermedad. Este trabajo utilizó análisis de señales y modelamiento matemático para comprender el cambio en la adaptación del sistema cardiovascular a factores estresantes, de manera de encontrar nuevos marcadores para el diagnóstico y mostrar nuevas perspectivas sobre los mecanismos fisiopatológicos. El estudio de coherencia de fase de las señales fisiológicas contribuyó a mostrar que las mujeres embarazadas normotensas muestran un aumento en la modulación parasimpática cardíaca y la modulación inducida por la respiración de la actividad nerviosa simpática muscular y la presión arterial, lo cual podría compensar potencialmente el efecto de la actividad simpática aumentada. Una alteració n en esta característica emergente podría expresarse en niveles elevados de presión arterial, como se observa en mujeres embarazadas con hipertensión. Por otro lado, se observó una disminución en la coherencia de fase entre las señales cardiovasculares durante el estrés ortostático, lo que muestra su sensibilidad para detectar la inestabilidad cardiovascular. Luego, al implementar una serie de pruebas autonómicas en el laboratorio, encontramos que los sujetos con susceptibilidad a la hipotensión mostraron una actividad simpática aumentada en comparación con sujetos sanos. Sin embargo, esta respuesta simpática aumentada se vuelve menos eficiente cuando se enfrenta a factores estresantes prolongados e intensos. Finalmente, se desarrolló un modelo matemático que utiliza ecuaciones diferenciales ordinarias para simular las interacciones dentro del sistema cardiovascular, el cual incluye 15 variables de estado que representan venas, arterias y cavidades cardíacas, e incorpora explícitamente las ramas parasimpática y simpática, así como barorreceptores de alta y baja presión para capturar el control autonómico. Se emplearon análisis de sensibilidad, selección de parámetros y técnicas de optimización para determinar parámetros específicos del paciente relacionados con el rendimiento autonómico. En resumen, esta investigación arroja luz sobre los mecanismos complejos que subyacen a la hipertensión gestacional y el síncope vasovagal mediante el uso de análisis de señales, modelado matemático y pruebas de laboratorio. Los hallazgos contribuyen a la identificación de nuevos marcadores diagnósticos y proporcionan conocimientos valiosos sobre los procesos fisiopatológicos involucrados en estos trastornos.
Optimization of physicochemical properties of novel multiple nanoemulsion for complex food matrices through iterative mathematical modelling
(2020) Cortés Ríos, Javiera Alejandra; Valdivia-Olivares, R. Y.; Alvarez Figueroa, María Javiera; Rodríguez Fernández, María; González Aramundiz, José Vicente
Predicción de glucosa basada en aprendizaje profundo para sujetos sanos y con diabetes mellitus tipo I
(2022) Vega Pérez, Diego Nicolás Raúl de la; Rodríguez Fernández, María; Pontificia Universidad Católica de Chile. Escuela de Ingeniería
La Diabetes Mellitus es una enfermedad crónica que se caracteriza por una incorrecta regulación de la glucosa en sangre e impacta en la esperanza de vida de las personas. Por esta razón, varios estudios en la literatura tienen como objetivo predecir la glucemia. Sin embargo, existen varios desafíos asociados con un correcto modelado de la dinámica de la glucosa en sangre, y los avances en este campo ayudarían a mantener niveles glicémicos precisos y prevenir eventos de hipo e hiperglucemia. Para esta investigación, se utilizaron métodos de Deep Learning para predecir la glucosa en sangre con un horizonte de predicción de 30 minutos. En particular, se utilizó la arquitectura Codificador-Decodificador junto al método de Transfer Learning, utilizando datos de 15 personas, diez sujetos sanos y cinco con Diabetes Mellitus Tipo I (DM1). Se consideraron diferentes variables fisiológicas para entrenar el modelo como el nivel de glucosa intersticial, la insulina suministrada para pacientes DM1, frecuencia cardíaca y el número de pasos (para evaluar la relevancia de incorporar el ejercicio físico y el ciclo sueño-actividad en la precisión de la predicción). Se utilizaron tres tipos de modelos: poblacional, personalizado y personalizado usando Transfer Learning. El modelo que logró el mejor rendimiento, en voluntarios sanos y con DM1, basó sus predicciones en glucosa, insulina y la estimación de la tasa de absorción de glucosa duodenal. Sin embargo, también se obtuvo una precisión razonable sin contar con datos de un Monitoreo Continuo de Glucosa (MCG). Además, en sujetos sanos, los modelos personalizados entregaron mejores resultados que los modelos poblacionales, no así en sujetos con DM1. Por otro lado, modelos personalizados con Transfer Learning mostraron la mejor precisión tanto en sujetos sanos como sujetos diabéticos, lo que permitió el uso de un modelo poblacional ajustado utilizando solo un pequeño conjunto de datos de cada paciente. Los resultados muestran que las predicciones obtenidas no generan desviaciones significativas que supongan un peligro para la salud del paciente y revelan que sería posible no depender de la medición de glucosa en el futuro.
Protein quantification by bicinchoninic acid (BCA) assay follows complex kinetics and can be performed at short incubation times
(2020) Cortés Ríos, Javiera Alejandra; Zárate Méndez, Ana María; Figueroa Alegría, Juan David; Medina, J.; Fuentes Lemus, Eduardo Felipe; Rodríguez Fernández, María; Aliaga Miranda, Margarita Elly; López Alarcón, Camilo Ignacio
Spikes and Nets (S&N) : A New Fast, Parallel Computing, Point Process Software for Multineuronal Discharge and Connectivity Analysis
(2020) Valle Araya, Carlos Ignacio; Rodríguez Fernández, María; Eblen Zajjur, Antonio Alejandro

Browsing by Author "Rodríguez Fernández, María"

Results Per Page

Sort Options