Aprendizaje Automático para la Predicción del Desempeño de la Memoria de Trabajo

Este proyecto aborda la necesidad de caracterizar y predecir el desempeño de la Memoria de Trabajo (WM), un sistema cognitivo crucial para el aprendizaje y el razonamiento, cuya variabilidad entre sujetos y sus mecanismos neuronales subyacentes aún requieren investigación exhaustiva. El estudio se centra en cómo la atención selectiva, modulada por características como la señalización espacial, color o forma, influye en el rendimiento de la WM, especialmente bajo nuevos paradigmas donde la señal se presenta después del conjunto de memoria. La metodología se estructura en tres fases. Inicialmente, se establece un marco referencial y un estado del arte sólido sobre la aplicación de Machine Learning (ML) en el contexto de la WM. Posteriormente, se implementa un método de investigación experimental para evaluar diversos algoritmos y modalidades de ML, buscando patrones en las señales biológicas cerebrales que identifiquen el desempeño y la adaptabilidad de los modelos. Finalmente, se aplican técnicas de deducción e inducción para identificar los factores clave que determinan la eficiencia de los modelos predictivos del desempeño de la WM, contribuyendo al descubrimiento de los mecanismos neuronales implicados.<br/><br/><b>Objetivo</b>: <br/>Analizar las metodologías de machine learning mediante la implementación de algoritmos para caracterizar y predecir el desempeño de la memoria de trabajo (WM), explorando los mecanismos neuronales subyacentes a la atención selectiva en tareas cognitivas.<br/><br/><b>Líneas de investigación</b>: <br/>Telemática aplicada a la medicina