Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Programas computacionales
para análisis de señales bioeléctricas
y evaluación cognoscitiva
Universidad de Guadalajara
2010
Primera edición 2010
D.R. © 2010, Universidad de Guadalajara
Centro Universitario
de Ciencias Biológicas y Agropecuarias
Carretera Nogales kilómetro 15.5
Las Agujas, Nextipac
Zapopan, Jalisco, México
ISBN
Prólogo 13
Presentación 15
Actividad cerebral
Señales electroencefalográficas (EEG) 21
Correlación y coherencia en el análisis de señales EEG 29
EEGmagic: programa para analizar señales EEG 39
EEGcorco: programa para analizar
correlaciones y coherencias EEG 55
REGRES: programa para calcular
regresiones y predicciones 67
Funciones ejecutivas
Corteza prefrontal 85
Memoria 97
Evaluación de funciones ejecutivas 107
HANOIPC3: versión computarizada de Torres de Hanoi 117
Estimulación Visual
Percepción visual 133
ESTIVISU: programa para estimulación visual 147
ESTIMSEX: programa para estimulación visual erótica 155
Referencias 161
Agradecimientos
13
Programas computacionales...
14
Presentación
15
Programas computacionales...
16
Presentación
17
ACTIVIDAD CEREBRAL
Señales electroencefalográficas (EEG)
21
Programamas computacionales...
Figura 1
Registro de la actividad electroencefalográfica mientras se realiza la prue-
ba Torres de Hanoi con el programa HANOIPC3
22
Señales electroencefalográficas
Ritmos Electroencefalográficos
23
Programamas computacionales...
24
Señales electroencefalográficas
25
Programamas computacionales...
Figura 2
Se representa un espectro de potencias absolutas, el cual es equiparable al
área bajo la curva; se ha indicado, con sombreado, una posible agrupación
de frecuencias en 7 bandas anchas
uV2
140 Espectro de potencias absolutas
120
100
80
60
40
20
0 Hertz
1 3 7 11 13 10 30 50
4 8 10 14 20
26
Señales electroencefalográficas
Figura 3
Representación esquemática de la colocación de electrodos mediante el sis-
tema 10-20 internacional (Jasper, 1958) y su nomenclatura (A, vista lateral;
B, vista superior)
A B Nasion 10%
20% Vertex
Pg1 Pg2
CZ 20% 20%
FZ Fp1 Fp2
20% 20%
C3 F3 FZ F4
F3 PZ F7 F8
FP1 20% P3 20% 20%
F7 A1 A2
10% T3 C3 CZ C4
T3 T5 O1
Nasion 10%
20%
10% T5
A1 P3 PZ P4 T6
Preauricular Inion
Pg1 O1 O2
20%
Inion 10%
27
Programamas computacionales...
28
Correlación y coherencia
en el análisis de señales EEG
29
Programamas computacionales...
30
Correlación y coherencia en el análisis...
Figura 4
Método para calcular la coherencia y la correlación. Las señales analógicas
A y B son digitalizadas a través de un convertidor analógico-digital (A/D).
A partir de las señales digitales se obtienen los espectros instantáneos de
cada señal y posteriormente los autoespectros (SAA y SBB) y el espectro cru-
zado (SAB). El espectro de coherencia es calculado a partir de los autoespec-
tros y del espectro cruzado. En la figura también se observa que la función
de correlación cruzada puede obtenerse con la Transformada inversa de
Fourier (F-1) del espectro cruzado.
SAA
Señal Espectro Auto Función de
A/D Señal F F-1
Analógica Instantá- Espectro AUTO
Digital
A neo (promedio) CORRELACIÓN
SAB
Espectro F-1 Función de
Cruzado CORRELACIÓN
(promedio) CRUZADA
SAB 2
COH=
SAA SBB
CovAB
COHERENCIA r=
VarA VarB
SBB
Señal A/D Espectro Auto F-1 Función de
Señal F
Analógica Instantá- Espectro AUTO
Digital
B neo (promedio) CORRELACIÓN
31
Programamas computacionales...
Σ {(a – µ )(b – µ )}
i A i B
= n
i=l
n
(1)
Σi=l
(ai – µA)2 Σ
i=l
(bi – µB)2
Σ
N–l
Fre(x) = n=0
f(n)cos N (
( 2πnx (3)
Σ (4)
N–l
Fim(x) = – n=0 N (
f(n)sen ( 2πnx
Donde:
Fre(x), Fim(x): x = 0,1,2,...,N-1 (las N frecuencias en que se des-
componen las señales)
f(n): n = 0,1,2,...,N-1 (las N muestras que componen a las señales
en el tiempo)
32
Correlación y coherencia en el análisis...
(5)
Donde:
Fre(x), Fim(x): x = 0,1,2,...,N-1 (las N frecuencias en que se des-
componen las señales)
f(n): n = 0,1,2,...,N-1 (las N muestras que componen a las señales
en el tiempo)
Autoespectro de la señal A:
(6)
(7)
(8)
Autoespectro de la señal B:
(9)
(10)
(11)
33
Programamas computacionales...
(12)
(13)
(14)
(15)
Donde :
nd = número de segmentos
Ai(x), Bi(x) = espectros instantáneos de las señales A y B en la
frecuencia x
Ai*(x), Bi*(x) = conjugados de los espectros instantáneos de las se-
ñales A y B en la frecuencia x (el conjugado de un número complejo
se obtiene al invertir el signo de la parte imaginaria)
(16)
(17)
34
Correlación y coherencia en el análisis...
(18)
Donde:
x = 1,2,...,N/2 (las N/2 frecuencias en que se descomponen las
señales)
(x no empieza en cero porque no se debe considerar el “DC”)
es decir, a la parte real del espectro cruzado. Considerando a un
solo segmento (nd=1, es posible para la correlación) se obtienen las
fórmulas 20 y 21:
(20)
(21)
Con estos valores de correlación para cada una de las N/2 fre-
cuencias, ya es posible calcular el espectro de correlación para las
dos señales involucradas, pero sus valores no están entre -1 y +1,
como es la mejor manera de verlos. Para obtener los valores en di-
cho rango se deberán dividir los valores de cada r(x) entre la raíz
35
Programamas computacionales...
(22)
(23)
(24)
(25)
(26)
(27)
(28)
Por lo tanto, para un solo segmento (nd=1) se tienen las fórmu-
las 29 y 30:
36
Correlación y coherencia en el análisis...
(29)
(30)
(31)
(32)
(33)
A partir de la transformada discreta directa de Fourier de las se-
ñales A y B (de acuerdo a las fórmulas 3 y 4) se obtienen los autoes-
37
Programamas computacionales...
pectros (fórmulas 8 y 11), así como el espectro cruzado entre las dos
señales (fórmulas 14 y 15). Sustituyendo en la fórmula 32:
(34)
nd nd
Σ Σ
i=l i=l
nd nd
Σ Σ
i=l i=l
(35)
38
EEGmagic: programa para analizar señales EEG
39
Programamas computacionales...
40
EEGmagic: programa para analizar señales...
Figura 5
Pantalla inicial de EEGmagic; el usuario selecciona los parámetros de aná-
lisis.
41
Programamas computacionales...
42
EEGmagic: programa para analizar señales...
Figura 6
Representación esquemática de los diferentes diseños que se pueden
trabajar en EEGmagic. En todos ellos debe haber igual número de suje-
tos en todas las celdas.
B1 B2 B1 B2
A1 A2 A1 A2 A3 celda 1 celda 2 celda 1 celda 2
celda 1 celda 2 celda 1 celda 2 celda 3 A1 s1 A1 s1
s3 s1
s1 s3 s1 s3 s5 s2 s4 s2 s2
s2 s4 s2 s4 s6 ● ● ● ●
43
Programamas computacionales...
Figura 7
Ejemplo de cómo se deben aco-
modar los archivos en el archivo
de nombres que se proporciona a
EEGmagic. En el ejemplo, los su-
jetos 01 y 21 pertenecen al primer
grupo, los sujetos 09 y 10 pertene-
cen al segundo grupo. Cada grupo
se registró en 2 condiciones, HABA
y HAHA (por lo tanto existen 4 cel-
das); y se registró a cada sujeto en 4
zonas, F3, F4, P3 y P4. La extensión
de los archivos es RE2 (puede ser
cualquiera). Al final del último
nombre de archivo no debe haber
renglones en blanco (el cursor apa-
rece abajo del último nombre y no
puede bajar más en el archivo).
Figura 8
Se muestra el contenido de un ar-
chivo de nombres con 4 celdas, que
corresponden a un diseño mixto
de 2 factores (2x2). Cada celda
contiene solamente 2 sujetos, cada
uno registrado en 4 derivaciones.
Las líneas y comentarios a la dere-
cha de los nombres de los archivos
se han agregado solamente para
ejemplificar el orden de las celdas,
no son necesarios en los archivos
de nombres reales.
44
EEGmagic: programa para analizar señales...
Figura 9
Se ha indicado que existen 4 canales, que son señales en segmentos de
512 puntos, muestreadas a 512Hz; se ha elegido agrupar las 7 bandas en
los límites preestablecidos, la banda1 se considerará y la banda7 no; y
no se restará la primera celda. Se trata de un diseño mixto de 2x2 (hay 4
celdas) y, para presentar los resultados, para las pruebas t de Student, se
ha elegido un nivel de significancia de 1.0 (por lo que aparecerán todos
los resultados). El archivo de nombres es EEGmagic.DIR.
45
Programamas computacionales...
Tabla 1
Nombres de los archivos de salida de EEGmagic. En la columna de en
medio se encuentran los nombres de los archivos de datos sin transfor-
mar y en la columna de la extrema derecha los nombres de los archivos
con datos transformados (las potencias a logaritmos y las correlaciones
a Z de Fisher).
1, 2 EEGmagic.ABF EEGmagic.ALF
3, 4 EEGmagic.REF EEGmagic.RLF
5, 6 EEGmagic.ERF EEGmagic.EZF
7, 8 EEGmagic.ARF EEGmagic.AZF
9 EEGmagic.ABS
10 EEGmagic.REL
11 EEGmagic.TER
12 EEGmagic.TRA
13, 14 EEGmagic.RES EEGmagic.RET
15, 16 EEGmagic.AVA EEGmagic.AVT
17, 18 EEGmagic.TES EEGmagic.TET
19, 20 EEGmagic.TUK EEGmagic.TUT
46
EEGmagic: programa para analizar señales...
Tabla 2
Distribución de las variables analizadas con EEGmagic en los archivos
RES y RET, cuando se analizan 2 canales.
47
Programamas computacionales...
Tabla 3
Distribución de las variables analizadas con EEGmagic en los archivos
RES y RET, cuando se analizan 4 canales.
48
EEGmagic: programa para analizar señales...
Figura 10
Parte de los archivos de resultados RES y RET, trabajando con 4 ca-
nales, con un diseño mixto de 2x2. La primera columna (suj) es para
la identificación de cada sujeto; las columnas que siguen (01HzPAi1,
01HzPAi1…) son para los valores de todas las variables, calculadas por
el programa, para cada sujeto.
49
Programamas computacionales...
Figura 11
Parte de los archivos de resultados AVA y AVT, trabajando con 4 canales,
con un diseño mixto de 2x2. En las columnas se obtiene la significancia
para el factor A [p(FA)], para el factor B [p(FB)] y para la interacción
AxB [p(FAB)].
las divididas). En todos los casos debe trabajarse con igual número
de sujetos por celda, es decir, no se permite tener diferente número
de sujetos por celda. En todos los casos en que se aplique el análisis
de varianza, además de los archivos de resultados AVA (datos sin
transformar) y AVT (datos transformados) se obtendrán los archivos
TES y TET (los mismos que aparecen al tener diseños de 2 celdas);
en diseños mixtos se realizan pruebas t para grupos independientes
y pruebas t para grupos correlacionados (según corresponda); estos
archivos pueden ser bastante grandes dependiendo del diseño ele-
gido y del número de celdas.
Si se ha aplicado análisis de varianza, EEGmagic reportará los ar-
chivos TUK (para datos sin transformar) y TUT (para datos transfor-
mados). Éstos contienen las comparaciones entre celdas, utilizando
50
EEGmagic: programa para analizar señales...
Figura 12
Parte de los archivos de resultados TES y TET. Se ha hecho la compa-
ración entre celdas aplicando la prueba t de Student para grupos inde-
pendientes.
Consideraciones
51
Programamas computacionales...
Figura 13
Parte de los archivos de resultados TUK y TUT. Se han aplicado las
pruebas de Tukey y Duncan, como pruebas a posteriori, de acuerdo a
los resultados obtenidos con el análisis de varianza.
veles por factor (4 celdas: A1B1, A1B2, A2B1, A2B2) y se elige restar
la celda basal, al final se tendrán solamente 2 celdas (A1B2-A1B1 y
A2B2-A2B1) (el primer nivel del factor B es restado del segundo ni-
vel) y EEGmagic aplicará, automáticamente, la prueba t de Student
para 2 grupos independientes (en vez del diseño mixto).
Si se resta la primera celda, entonces en el archivo RET (con las
variables transformadas) se encuentran las transformaciones de las
diferencias, es decir, las restas se hacen con los datos sin transfor-
mar y se transforma la diferencia, excepto para la potencia relativa,
para la cual sus diferencias no se transforman. Otra consideración es
que la diferencia en la potencia absoluta nunca se trabaja con valor
negativo (en números reales no hay logaritmos de números negati-
vos); siempre se transforma el valor absoluto de la diferencia; por
lo tanto, todas las comparaciones estadísticas, en potencia absoluta
transformada, se hacen con los valores absolutos de las diferencias.
52
EEGmagic: programa para analizar señales...
53
EEGcorco: programa para analizar
correlaciones y coherencias EEG
55
Programamas computacionales...
Figura 14
Pantalla inicial de EEGcorco, el usuario selecciona los parámetros de
captura.
56
EEGcorco: programa para analizar correlaciones...
Figura 15
Se ejemplifica el orden en que
deben acomodarse los nombres de
los archivos, conteniendo las seña-
les, en el archivo que se proporcio-
na a EEGcorco. En el ejemplo, los
sujetos 01, 21, 22 y 24 pertenecen al
primer grupo, los sujetos 09, 10, 12
y 14 pertenecen al segundo. Cada
grupo se registró en 2 condiciones,
HABA y HAHA (por lo tanto exis-
ten 4 celdas); y se registró a cada
sujeto en 4 zonas, F3, F4, P3 y P4.
La extensión de los archivos es
N10 (pero puede ser cualquiera).
Al final del último nombre de ar-
chivo no debe haber renglones en
blanco (el cursor aparece abajo del
último nombre y no puede bajar
más en el archivo).
57
Programamas computacionales...
Figura 16
Se ha indicado que existen 4 canales, que son señales en segmentos de
512 puntos, muestreadas a 512Hz; se ha elegido agrupar las 7 bandas en
los límites preestablecidos y no se restará la primera celda. Se trata de
un diseño mixto de 2x2 (hay 4 celdas) y para presentar los resultados de
las pruebas t de Student se ha elegido un nivel de significancia de 1.0
(por lo que aparecerán todos los resultados). El archivo de nombres es
EEGcorco.DIR.
58
EEGcorco: programa para analizar correlaciones...
Tabla 4
Nombres de los archivos de salida de EEGcorco. En la columna de en
medio se encuentran los nombres de los archivos de correlación y en la co-
lumna de la extrema derecha los nombres de los archivos de coherencia.
1, 2 EEGcorco.ERF EEGcorco.EFC
3, 4 EEGcorco.EZF EEGcorco.EZC
5, 6 EEGcorco.TER EEGcorco.TEC
7, 8 EEGcorco.ARF EEGcorco.AFC
9, 10 EEGcorco.AZF EEGcorco.AZC
11, 12 EEGcorco.TRA EEGcorco.TCA
13, 14 EEGcorco.RES EEGcorco.RET
15, 16 EEGcorco.AVA EEGcorco.AVT
17, 18 EEGcorco.TES EEGcorco.TET
19, 20 EEGcorco.TUK EEGcorco.TUT
59
Programamas computacionales...
Tabla 5
Distribución de las variables analizadas con EEGcorco en los archivos
RES y RET, cuando se analizan 2 canales.
Tabla 6
Distribución de las variables analizadas con EEGcorco en los archivos
RES y RET, cuando se analizan 4 canales.
60
EEGcorco: programa para analizar correlaciones...
Figura 17
Parte de los archivos de resultados RES y RET, para 4 canales, con diseño
mixto de 2x2. La primera columna (suj) es para la identificación de los su-
jetos; las columnas que siguen (01Hzr1, 01Hzr1…) son para los valores de
todas las variables, calculadas por el programa, para cada sujeto; la termi-
nación r1 indica la correlación interhemisférica, en la frecuencia de 1Hz,
entre los canales 1 y 2 (normalmente izquierdo y derecho anteriores); la
correlación interhemisférica entre los canales 3 y 4 (normalmente izquier-
do y derecho posteriores) se indicará con la terminación r2. La correlación
intrahemisférica izquierda tendrá la terminación ri y la derecha rd. En el
caso de la coherencia serán c1, c2, ci y cd respectivamente.
61
Programamas computacionales...
Figura 18
Parte de los archivos de resultados AVA y AVT, trabajando con 4 cana-
les, con un diseño mixto de 2x2. En las columnas se obtienen las sig-
nificancias para el factor A [p(FA)], para el factor B [p(FB)] y para la
interacción AxB [p(FAB)].
62
EEGcorco: programa para analizar correlaciones...
Figura 19
Parte de los archivos de resultados TES y TET. Se ha hecho la compa-
ración entre celdas aplicando la prueba t de Student para grupos inde-
pendientes.
63
Programamas computacionales...
Figura 20
Parte de los archivos de resultados TUK y TUT. Se han aplicado las
pruebas de Tukey y Duncan, como pruebas a posteriori, de acuerdo a
los resultados obtenidos con el análisis de varianza.
64
EEGcorco: programa para analizar correlaciones...
Consideraciones
65
REGRES: programa para calcular
regresiones y predicciones
(37)
en donde f(xi) denota que es una función lineal de las variables ex-
plicatorias xi, y puede ser representada con la fórmula 38:
(38)
67
Programamas computacionales...
= +
(39)
68
REGRES: programa para calcular regresiones y predicciones
(40)
(41)
69
Programamas computacionales...
(42)
(43)
70
REGRES: programa para calcular regresiones y predicciones
(44)
(45)
(46)
(48)
(49)
71
Programamas computacionales...
(50)
(51)
72
REGRES: programa para calcular regresiones y predicciones
73
Programamas computacionales...
Figura 21
Pantalla inicial de REGRES
74
REGRES: programa para calcular regresiones y predicciones
Figura 22
Pantalla que aparece al terminar de ejecutarse REGRES con la opción
de regresión para 20 variables, que se encuentran en el archivo LU-
CYHAN.DAT.
75
Programamas computacionales...
a) Participantes
En este estudio participaron 38 jóvenes; 19 de ellos con edad en-
tre 11 y 12 años y los restantes con edad entre 18 a 19 años. Todos
ellos eran sanos, diestros y del sexo masculino.
b) Procedimiento:
Se registró la actividad electroencefalográfica de los jóvenes
mientras trataban de resolver la tarea “Torres de Hanoi” que,
como se ha señalado en un capítulo anterior, evalúa las funciones
ejecutivas, especialmente la capacidad de planeación. Se coloca-
ron electrodos superficiales en las derivaciones F3, F4, P3 y P4, de
acuerdo al sistema internacional 10-20 (Jásper, 1958), referidas a
las orejas cortocircuitadas. Se registraron al menos 3 minutos de
actividad EEG, excluyendo de la muestra a todos aquellos parti-
cipantes que terminaban la tarea antes de ese tiempo.
c) Análisis de los datos
Con el programa EEGmagic se obtuvieron los espectros de co-
rrelaciones interhemisféricos (F3-F4 y P3-P4) e intrahemisféricos
(F3-P3 y F4-P4) para las bandas de frecuencias Theta (4-7Hz),
Alfa1 (8-10Hz), Alfa2 (11-13Hz), Beta1 (14-19Hz) y Beta2 (20-
30Hz). En total se obtuvieron 20 valores de correlación (10 para
inter y 10 para intra) por cada participante. Para calcular el mo-
delo de regresión lineal se utilizaron los datos de 32 de los 38
sujetos (16 de cada grupo).
76
REGRES: programa para calcular regresiones y predicciones
Figura 23
Se muestra el contenido del archivo LUCYHAN.DAT. Son 32 renglo-
nes, cada uno de ellos representa a un sujeto diferente. Un 0 en la pri-
mera columna indica que el sujeto pertenece al grupo de 11-12 años,
un 1 que pertenece al de 18-19 años. Se muestran además las primeras
12 columnas (del total de 20) que contienen los valores de correlación.
Las primeras 10 columnas de correlación corresponden a la correlación
interhemisférica en las 5 bandas consideradas (5 bandas de F3-F4 y 5
bandas para P3-P4), mientras que las 10 últimas a la correlación intra-
hemisférica (5 bandas para F3-P3 y 5 bandas para F4-P4).
77
Programamas computacionales...
Figura 24
Se muestra el contenido del archivo LUCYHAN.REG. En éste aparecen
los 21 coeficientes de regresión (β0 a β20).
Figura 25
Contenido del archivo LUCYHAN.PRE
78
REGRES: programa para calcular regresiones y predicciones
Figura 26
Pantalla inicial para etapa de predicción y resultados de aplicar el mo-
delo de predicción utilizando todos los coeficientes obtenidos en la eta-
pa anterior.
d) Resultados y discusión
Harmony y Alcaraz (1987) consideran que para ser adecuada
una clasificación, mediante un modelo discriminante, se deben
clasificar adecuadamente al menos al 80% de los sujetos (casos)
que participaron en la generación de dicho modelo. En el ejem-
plo presentado, tomando como línea divisoria, entre rangos de
edad, la probabilidad de 0.5, se logró clasificar adecuadamente a
los jóvenes con base en los valores de correlación en el 100% de
los casos (16 sujetos de cada grupo) (Tabla 7).
En la Tabla 7, los primeros 16 participantes pertenecen al grupo
de 11-12 años, los últimos 16 al grupo de 18-19 años. Podría ser inte-
79
Programamas computacionales...
Tabla 7
Pronósticos del archivo LUCYHAN.PRE
Consideraciones
80
REGRES: programa para calcular regresiones y predicciones
Conclusiones generales
81
FUNCIONES EJECUTIVAS
Corteza prefrontal
85
Programamas computacionales...
86
Corteza prefrontal
Figura 1
Esquema del sistema dopaminérgico mesocorticolímbico en cerebro
de rata. Las proyecciones dopaminérgicas desde el área tegmental
ventral (ATV) viajan a través del fascículo medial del cerebro anterior
para inervar a diferentes estructuras del sistema límbico (hipocampo,
amígdala, Septum, accumbens) y corteza prefrontal. Este sistema
dopaminérgico forma la base sustancial del denominado “sistema
cerebral recompensante.
Núcleo caudado
y putamen Cuerpo Cerebelo
Corteza Tabique Calloso
Cingulada Lateral Hipocampo
Anterior
Corteza
Prefrontal
Habérula
Cuerpo A10
estirado
Locus caruleus
A8 Núcleo
A9 parabraquial externo
87
Programamas computacionales...
Figura 2
Vista lateral, ventral (orbital) y medial de la corteza prefrontal humana,
indicando las áreas (en números) de la clasificación de Brodmann.
Lateral
Orbital
Medial
88
Corteza prefrontal
Circuitos Prefrontales
89
Programamas computacionales...
Figura 3
Representación esquemática de los circuitos frontosubcorticales prefronta-
les descritos por Alexander et al. (1986).
Globo
pálido/
sustancia
nigra
Tálamo
Eferencias de la corteza
Aferencias hacia la corteza
90
Corteza prefrontal
III. Circuito del Cíngulo Anterior: las neuronas del cíngulo ante-
rior son el origen del circuito cíngulo-subcortical. Desde el área 24
de Brodmann, estas neuronas proyectan hacia el caudado ventrome-
dial y putamen ventral (que juntos construyen el estriado ventral),
al núcleo accumbens y al tubérculo olfatorio, es decir, a las áreas que
constituyen el estriado límbico (Selemon & Goldman Rakic, 1985).
Las proyecciones de estas estructuras se dirigen hacia la porción ros-
tromedial del globo pálido y región rostrodorsal de la SNr (Haber,
Wolfe & Groenewegen, 1990). El circuito se cierra con conexiones en-
tre el pálido ventral y el núcleo talámico mediodorsal (Haber, Lynd
& Mitchells, 1993) y desde la región dorsal de éste hacia la corteza
cingular anterior (Giguere & Goldman Rakic, 1988). El cíngulo ante-
rior es importante en el monitoreo de las conductas, en la corrección
de errores y en la motivación (Tekin & Cummings, 2002).
91
Programamas computacionales...
92
Corteza prefrontal
93
Programamas computacionales...
94
Corteza prefrontal
95
Memoria
97
Programamas computacionales...
Memoria explícita
El primer conjunto de estructuras cerebrales implicado en la me-
moria es el correspondiente al almacenamiento y recuperación
consciente de la información, es decir, a la memoria declarativa o
explícita. Este sistema involucra a la región hipocámpica (hipocam-
po, cortezas parahipocámpica, perirrinal y entorrinal), la corteza
prefrontal y el lóbulo parietal medial (cortezas retroesplenial y cu-
neal). Dichas estructuras tienen conexiones recíprocas con las áreas
sensoriales corticales.
La región hipocámpica participa en el almacenaje inicial o codifi-
cación consciente de todo tipo de información (Gumá, 2001). Dicha
información es primeramente procesada en la corteza de asociación
polimodal y desde ahí es enviada a las cortezas parahipocampal y
perirrinal y luego a la entorrinal, el giro dentado, el hipocampo y el
subículo para, finalmente, regresar a la corteza entorrinal (Figura 4).
Desde ahí, la información es reenviada a las cortezas parahipocampal
Es el efecto facilitador no consciente de la experiencia previa sobre la percep-
ción y otros procesos, en ausencia de la recolección consciente o dirigida de
experiencias previas.
98
Memoria
Figura 4
Entradas y salidas de la formación hipocámpica
Giro Dentado
Corteza
Áreas de Hipocampo CA3
Parahipocampal Corteza
asociación
Entorrinal
polimodal Corteza Perirrinal Hipocampo CA1
Subículo
99
Programamas computacionales...
Memoria implícita
Las distintas variedades de memoria implícita sólo tienen en común
que son no conscientes, por lo que se sustentan en mecanismos cere-
brales diferentes entre sí. Por ejemplo, en el condicionamiento clási-
co de reflejos está implicado el cerebelo (Thompson, 1990), mientras
que en el condicionamiento clásico de miedo es fundamental el pa-
pel de la amígdala (Kandel, Schwartz & Jessell, 1997).
En el desarrollo de habilidades perceptuales están involucradas
las áreas neocorticales visuales y el neoestriado mientras que, en los
hábitos motores, son muy importantes las conexiones recíprocas en-
tre los ganglios basales (caudado, putamen) y la corteza cerebral.
De hecho, este tipo de aprendizaje está deteriorado en los pacientes
con la enfermedad de Huntington, la cual afecta los ganglios basales
(Heindel, Butters & Salmon, 1988). También se ha reportado apren-
dizaje motriz deteriorado en asociación con lesiones cerebelosas
(Pascual-Leone et al., 1993).
El priming depende de la operación de sistemas de representa-
ción presemánticos localizados en las áreas corticales que procesan
y representan información sobre la forma y la estructura. Se ha su-
gerido la existencia de tres de estos sistemas: a) visual de palabras
100
Memoria
Memoria de trabajo
La memoria de trabajo es un sistema temporal que permite retener
cierta cantidad de piezas de información, manipularlas y regularlas
para guiar conductas y tareas cognoscitivas tales como el aprendi-
zaje, el razonamiento, la comprensión y procesos mentales como la
aritmética, el cálculo y la solución de problemas. Se caracteriza por
poseer una capacidad limitada y una decadencia o borrado espon-
táneo en pocos segundos (Baddeley, 1996; 1999).
Para Alan Baddeley (1996), la memoria de trabajo es un sistema
integrado por tres componentes principales: un sistema ejecutivo,
un almacén fonológico y un almacén viso-espacial. El ejecutivo cen-
tral es un sistema de control atencional que coordina de manera glo-
bal las actividades, ordena y supervisa la información proveniente
de los almacenes y selecciona la información para la realización de
las actividades cognoscitivas prioritarias; está regido por la corteza
prefrontal, en particular el área dorsolateral. El almacén fonológico
procesa material verbal y se mantiene a través de la repetición sub-
vocal y el repaso articulatorio; está regulado por el área de Broca
y el área temporal. El almacén viso-espacial manipula y mantiene
imágenes visuales; se mantiene a través del escaneo visual, activi-
dad regulada por las áreas parietal posterior, prefrontal y motora
suplementaria (Baddeley, 1999).
Al modelo tradicional de memoria (Figura 5) propuesto de Badde-
ley y Hitch (1974) se han añadido otros almacenes, como el almacén
episódico, en el cual el procesamiento de información fonológica y
visual se combina de algún modo y se integran con la información
que llega de la memoria de largo plazo, formando una represen-
tación multimodal y temporal de una situación actual. Aunque no
se ha demostrado fehacientemente, se cree que las áreas frontales
pueden desempeñar un papel crucial en este cuarto componente
(Baddeley, 2004; Tirapu-Ustárroz & Muñoz-Céspedes, 2005).
En la evaluación de la memoria de trabajo se emplean tareas en
las que se debe retener cierta información por un tiempo breve y
101
Programamas computacionales...
Figura 5
Modelo original de memoria de trabajo propuesto por Baddeley y Hitch
Almacén Almacén
Ejecutivo Central
Vioespacial Fonológico
102
Memoria
Figura 6
Tablero de la prueba de memoria espacial
Figura 7
Aplicación de la prueba de memoria espacial
103
Programamas computacionales...
104
Memoria
105
Evaluación de funciones ejecutivas
107
Programamas computacionales...
Torres de Hanoi
108
Evaluación de funciones ejecutivas
109
110
Tabla 1
Funciones cognoscitivas implicadas en la ejecución de las pruebas de Torres de Hanoi, Torres de Londres y cartas de
Wisconsin
111
Programamas computacionales...
Torres de Londres
Figura 8
Aplicación manual de la prueba Torres de Londres
112
Evaluación de funciones ejecutivas
113
Programamas computacionales...
114
Evaluación de funciones ejecutivas
115
Programamas computacionales...
116
HANOIPC3: versión computarizada
de la prueba Torres de Hanoi
2n – 1
117
Programamas computacionales...
Figura 9
Se muestra la disposición de los 3 postes y discos que son usados en HA-
NOIPC3; el color de cada disco y el número asignado a cada poste.
Rojo
Verde
Azul
118
HANOIPC3: versión computarizada...
Figura 10
De izquierda a derecha, y de arriba a abajo, se presentan los 7 mínimos
movimientos requeridos, en la versión original del juego para llevar a
cabo exitosamente la tarea. Los números encima de cada figura indican
el número del movimiento.
0 1
2 3
4 5
6 7
línea recta; 2) cada disco puede ser movido solamente a los postes
aledaños (eso hace que para mover un disco del poste 1 al 3 se re-
quieran 2 movimientos). Estas sencillas restricciones hacen que el
número mínimo de movimientos para completar la tarea se incre-
mente sustancialmente. La nueva fórmula para el mínimo de movi-
mientos es:
3n – 1
119
Programamas computacionales...
Figura 11
De izquierda a derecha, y de arriba a abajo, se ilustra el mínimo de mo-
vimientos (26) que se necesitan para terminar eficientemente la tarea, en
la versión HANOIPC3 de Torres de Hanoi (pasar los 3 discos del poste
1 al poste 3, pero cada disco puede únicamente ser movido a postes
aledaños).
1 2 3
4 5 6 7
8 9 10 11
12 13 14 15
16 17 18 19
20 21 22 23
24 25 26 27
120
HANOIPC3: versión computarizada...
Tabla 2
Números decimales, cada uno con su equivalente en binario, corres-
pondiente a las 27 posiciones correctas posibles de los 3 discos en los 3
postes, de acuerdo al programa HANOIPC3.
121
Programamas computacionales...
122
HANOIPC3: versión computarizada...
Figura 12
Miniteclado numérico en el cual se indican las teclas que han sido co-
loreadas y cómo éstas forman los 3 postes. Los números 1, 4 y 7 co-
rresponden a los 3 discos coloreados del poste 1; los números 2, 5 y 8
corresponden a los discos del poste 2; y finalmente los números 3, 6 y 9
a los discos del poste 3.
Rojo
Verde
Azul
Figure 13
Pantalla con la ventana inicial del programa HANOIPC3, en la cual se
observan las opciones para asignar el tiempo límite de ejecución de la
prueba, el nombre del archivo de salida donde quedarán almacenados
los datos, así como el botón para iniciar el juego computacional.
123
Programamas computacionales...
Figura 14
Pantalla con la explicación de las instrucciones para la ejecución de la
versión computarizada del juego, HANOIPC3.
124
HANOIPC3: versión computarizada...
Figura 15
La pantalla despliega la imagen de los tres discos y postes antes de ini-
ciar la tarea, mostrando los tres discos en la posición inicial. El color de
cada disco (rojo, verde y azul) y la numeración de los postes (1, 2 y 3 de
izquierda a derecha) es igual que en la Figura 9.
a) Participantes:
Esta versión computarizada de Torres de Hanoi fue aplicada a 13
hombres voluntarios sanos de 18 a 20 años de edad.
125
Programamas computacionales...
b) Procedimiento
La tarea fue aplicada en una cámara sono-amortiguada donde
cada participante permaneció solo durante la ejecución de la
prueba, a la cual se le asignó un tiempo límite de 7 minutos (420
segundos). Antes de la tarea, el participante pudo leer las instruc-
ciones en la pantalla y el evaluador verificó que las instrucciones
le quedaran claras. Como se mencionó antes, a los participantes
nunca se les dijeron las reglas, éstas estaban implícitas y debían
aprenderlas a partir de sus aciertos y errores. Para lo anterior se
incluyó en el programa una retroalimentación consistente en una
voz que decía la palabra “incorrecto” aunada a la misma palabra
escrita en la pantalla.
Durante toda la tarea, los participantes permanecieron cómo-
damente sentados frente a una computadora y resolvieron la
prueba mediante la presión de teclas en un miniteclado con las
características ilustradas en la Figura 12. La tarea iniciaba cuando
los participantes movían el primer disco al presionar una tecla; si
el movimiento solicitado estaba permitido se llevaba a cabo y se
podía intentar un siguiente movimiento, pero si era incorrecto no
se llevaba a cabo y se debía intentar otro movimiento.
e) Resultados
Los parámetros durante la ejecución de la tarea fueron registra-
dos y almacenados automáticamente en archivos específicos (de
respuesta). Dichos parámetros son: la latencia del primer movi-
miento, número total de movimientos, número de movimientos
correctos e incorrectos y tiempo total de ejecución. En la Figura
16 se presenta un ejemplo de cómo son mostrados los resultados
finales de un participante.
126
HANOIPC3: versión computarizada...
Figura 16
Pantalla donde se ejemplifica el contenido del archivo de resultados de
HANOIPC3; se muestran los parámetros obtenidos después de la eje-
cución del programa por un participante. La primera columna indica el
número de movimientos; la segunda, la posición de los discos (en valor
decimal); la tercera, el tipo de movimiento (correcto, C o incorrecto, I) y la
cuarta, el tiempo en segundos en el cual se ejecutó cada movimiento.
127
Programamas computacionales...
Tabla 3
Puntuación en los diferentes parámetros de ejecución obtenidos por
cada uno de los 13 participantes que resolvieron HANOIPC3 con un
tiempo límite de 7 minutos (420 segundos). El tiempo total representa
el tiempo en el cual los participantes lograron terminar la tarea. Al final
de la tabla se muestran las medias (x) y las desviaciones estándar (s) del
total de la muestra.
Número total de
Latencia para el
primer movi-
Movimientos
Movimientos
movimientos
Tiempo Total
Incorrectos
(segundos)
(segundos)
correctos
miento
#
1 36 26 10 1.1 88.4
2 65 38 27 1.6 138.5
3 71 48 23 1.7 159.1
4 78 38 48 1.2 174.3
5 42 28 14 1.6 176.0
6 52 32 20 3.2 176.1
7 38 28 10 2.7 180.9
8 99 48 51 2.6 191.7
9 50 32 18 1.4 204.9
10 108 60 48 0.8 211.0
11 148 66 82 2.2 263.8
12 129 50 79 1.0 333.8
13 78 52 26 1.3 406.2
76.46 42 35.08 1.72 208.05
s 34.14 12.45 23.59 0.71 80.36
Conclusiones
128
HANOIPC3: versión computarizada...
129
ESTIMULACIÓN VISUAL
Percepción visual
La longitud de onda es la distancia entre los picos de las ondas electromagné-
ticas.
133
Programamas computacionales...
nea, el cristalino que está justo detrás cambia de forma para ajustar
el foco a la distancia de los objetos. La intensidad de la luz se regula
en la pupila, que se hace pequeña con la luz intensa para limitar la
cantidad que entra al ojo (Figura 1).
Figura 1
Corte transversal del ojo de los seres humanos
Ligamentos suspensorios
Retina
Cámara posterior
Cámara anterior
Iris
Córnea
Pupila
Cristalino
Conductos de Schlemm
Esclerótica Coroides
Cuerpo ciliar Humor vítreo
El cristalino se engruesa para enfocar objetos cercanos y se adelgaza para enfo-
car objetos lejanos. Este proceso recibe el nombre de acomodación.
134
Percepción visual
Figura 2
Receptores visuales: bastones y conos
Bastones Conos
Los conos tienen tres tipos distintos de pigmentos fotosensibles. Cada uno de
ellos tiene mayor sensibilidad a las longitudes de ondas cortas, medianas y
largas del espectro visible, por lo que contribuyen a la percepción de los colores
azul, verde y rojo. Estos pigmentos, conocidos como A, V y R, tienen su máxi-
ma absorción a los 419 nm, 531 nm y 559 nm respectivamente (Kandel, Jesell y
Schwartz, 1997).
135
Programamas computacionales...
Figura 3
Fototransducción en el segmento externo de los bastones
Disco Citoplasma
136
Percepción visual
Figura 4
Corte transversal de la retina, que muestra las cinco clases principales
de células y sus conexiones
Bastones Conos
Célula horizontal
Célula bipolar
Célula amacrina
Célula Ganglionar
Luz
137
Programamas computacionales...
138
Percepción visual
139
Programamas computacionales...
Áreas extra-estriadas
140
Percepción visual
141
Programamas computacionales...
Figura 5
Vías visuales ventral (“Qué”) y dorsal (“Dónde”). Estas vías incluyen
áreas especializadas en el procesamiento de la profundidad (simboliza-
do por los binoculares), forma (ángulo), color (pinceles), dirección del
movimiento (curva) y atención visual (brújula).
Estimulación Visual
142
Percepción visual
La experiencia subjetiva se refiere al sentimiento interno y privado que generan
las emociones en un individuo.
En el laboratorio, los cambios conductuales suelen evaluarse a través de pará-
metros como los tiempos de reacción a los estímulos y las expresiones faciales.
De igual forma, para evaluar los cambios periféricos se miden parámetros como
la frecuencia cardiaca, la temperatura y la respuesta galvánica. Para detectar los
cambios fisiológicos centrales se emplean técnicas como el electroencefalogra-
ma, los potenciales relacionados con eventos, la resonancia magnética funcio-
nal y la tomografía por emisión de positrones. Para una revisión más amplia
revisar (Sanz-Martin et al., 2008).
143
Programamas computacionales...
empleado con esta finalidad han sido las expresiones faciales (Ek-
man, 1976), las palabras (Bradley, 1999a), las fotografías (Lang, 1999;
Castillo-Parra, Iglesias & Ostrosky, 2002) y los sonidos (Bradley,
1999b), aunque ocasionalmente también se han empleado olores
(Kim, 2003; Watanuki, 2005), videos (Jones, 1992) y música (Flores-
Gutiérrez, 2007).
La combinación de este tipo de estímulos y técnicas como el
Electroencefalograma, los Potenciales Relacionados con Eventos, la
Resonancia Magnética funcional y la Tomografía por Emisión de Po-
sitrones han ayudado a identificar los circuitos neuronales cerebra-
les que subyacen al procesamiento consciente e inconsciente de las
emociones. Con estas técnicas se ha descubierto que el procesamien-
to de las emociones involucra a un complejo circuito cerebral inte-
grado por las regiones dorsolateral y orbital de la corteza prefrontal,
la corteza del cíngulo anterior, los lóbulos temporal y parietal, la
ínsula y el hipocampo, además de los ganglios basales, el tálamo, el
mesencéfalo y principalmente la amígdala (para una revisión, ver
Sanz-Martin, Castillo-Parra, Sánchez-Padilla & Gumá-Díaz, 2008).
144
Percepción visual
145
Programamas computacionales...
146
ESTIVISU:
programa para estimulación visual
147
Programamas computacionales...
Figura 6
Pantalla inicial de ESTIVISU, en ella se define si serán imágenes fijas, imá-
genes en diseño o se trata de un video
148
ESTIVISU: programa para estimulación visual
1. Video
Se debe elegir directamente el nombre de un archivo de video (no
archivo de nombres) en formato MPG o WMV. Las imágenes del
video deben ser de un tamaño máximo de 640 x 480 pixeles. Éste
será presentado en el centro de la pantalla por el tiempo exacto (en
segundos) que se haya elegido en la pantalla de inicio. En este caso
no se obtendrá archivo de resultados (no es necesario seleccionar
archivo de resultados ni de secuencias) y el sujeto no tiene que dar
respuesta alguna; simplemente debe observar el video. Esta opción
del programa se ha pensado para registrar alguna otra medida fi-
siológica mientras se observa el video; nosotros hemos registrado la
actividad electroencefalográfica.
Figura 7
2. Imágenes fijas Ejemplo de un archivo de nom-
Con esta opción, los estímulos bres de imágenes. Este archivo
permanecen en la pantalla hasta puede ser utilizado tanto para la
que se presiona una tecla o se ter- opción de imágenes fijas como
mina el tiempo preestablecido. para la de imágenes en diseño.
En la pantalla de inicio se deben
indicar tanto el tiempo que per-
manecerá la imagen en pantalla
como el tiempo que la pantalla
permanecerá sin imagen; estos
tiempos deberán ser dados en
segundos. En realidad no hay un
estímulo blanco, pero el progra-
ma puede registrar los tiempos
de respuesta de los sujetos. Estos
tiempos se graban en el archivo
de resultados que se haya selec-
cionado. En la Figura 7 se ilustra
149
Programamas computacionales...
Figura 8
Ejemplo de un archivo de resul-
tados para la opción de imágenes
fijas. La primera columna sim-
plemente numera los estímulos
presentados, la segunda indica el
tiempo de reacción (-1 indica que
no hubo respuesta) y la tercera co-
lumna es el nombre del estímulo
(imagen) presentado.
3. Imágenes en diseño
En la opción de imágenes en diseño, ESTIVISU cuenta con diversos
diseños de estimulación, para lo cual se requiere definir a los estí-
mulos de acuerdo a la siguiente nomenclatura:
150
ESTIVISU: programa para estimulación visual
que contiene una letra por renglón (X, Z, Y, A); cada letra (cada ren-
glón) corresponde a un nombre en el archivo de imágenes; con estas
letras, el programa determinará si la imagen correspondiente es un
estímulo prueba o no prueba. Por ejemplo, si el archivo de imágenes
tiene 16 renglones, el de secuencias tendrá 15, ya que el primer nom-
bre del archivo de imágenes no corresponde a un estímulo del diseño
(es neutro). En la Figura 9 se ilustra el contenido de un posible archivo
de secuencias para un diseño AX. Si se tratara de un diseño X, en el de
secuencias, no existiría la letra A; en un diseño XX no existiría la letra
A, pero habría varias X precedidas de X. Finalmente, en un diseño XZ,
en el archivo de secuencias existen letras X y letras Z (ambas corres-
ponden a estímulos blanco). Es muy importante que en los archivos
de imágenes y de secuencias, en cada renglón, el nombre o letra inicie
en la columna 1 (inicie sin dejar espacios en blanco) y que no haya
renglones en blanco al final del último nombre.
Por otra parte, en la ventana inicial se debe definir el tiempo de
duración de la imagen en pantalla (en milisegundos). El tiempo
que transcurre entre un estímulo y otro puede ser fijo o variable,
de acuerdo a las necesidades del usuario. En la opción “Pantalla sin
estímulo (tiempo fijo en milisegundos)” de la ventana de ESTIVISU se
estipula el tiempo fijo mínimo entre los estímulos, mientras que en
la opción “Sin estímulo (tiempo variable, en milisegundos)” se define
la duración del intervalo variable, cuya duración cambia aleatoria-
mente entre un estímulo y otro. El valor asignado en esta ventana
indicará el tiempo máximo que puede durar el intervalo variable.
Si por ejemplo se escribe 500 en la ventana de estímulo en pantalla,
750 para intervalo fijo (pantalla sin estímulo) y 0 en la de tiempo
variable, pasarán invariablemente 1250 ms desde el momento en
que aparece un estímulo hasta que se presente el siguiente; de los
cuales la imagen estará en pantalla solamente 500 milisegundos. En
cambio, si se selecciona 500 en la ventana de estímulo en pantalla,
750 para intervalo fijo y 750 en la de variable, se tendrá un intervalo
inter-estímulo cambiante que podrá oscilar aleatoriamente entre los
1250 y los 2000 milisegundos.
ESTIVISU calificará automáticamente, para cada estímulo, la
respuesta del sujeto como correcta, incorrecta u omisión (si omitió
dar una respuesta cuando debía hacerlo), en función del diseño de
estimulación seleccionado. Posteriormente calculará algunos datos
estadísticos para las respuestas ante cada estímulo blanco y para el
total de las respuestas.
151
Programamas computacionales...
Figura 9
Ejemplo de un archivo de secuen-
cias (ESTIVISU.SEC). Este archivo
puede ser utilizado para la opción
de imágenes en diseño (no se nece-
sita en imágenes fijas ni en video).
Archivo de resultados
152
ESTIVISU: programa para estimulación visual
Figura 10
Archivo de resultados (ESTIVISU.RES) correspondiente a los archivos
de estímulos (ESTIMSEX.DIR) y de secuencias (ESTIMSEX.SEC). Los
archivos son de ejemplo y solamente contienen 24 estímulos.
153
Programamas computacionales...
Conclusiones
154
ESTIMSEX:
programa para estimulación visual erótica
155
Programamas computacionales...
Figura 11
Las 200 imágenes acomodadas en las 6 cajas. Los sujetos las han acomo-
dado en orden jerárquico, de tal manera que en cada caja ha quedado
hasta adelante la imagen menos excitante.
156
ESTIMSEX: programa para estimulación visual erótica
Tabla 1
Los 60 estímulos seleccionados (10 por cada nivel, identificados como
ca01…ca60), con su respectivo rango medio de dispersión. El rango me-
dio de dispersión es el promedio de las diferencias absolutas entre la
mediana y los valores asignados a cada estímulo por los participantes.
157
Programamas computacionales...
Figura 12
Escala de 10 centímetros de longitud, en que los sujetos indican el nivel
de excitación máximo alcanzado al visualizar las imágenes.
0 10
Mínima excitación Mínima excitación
158
ESTIMSEX: programa para estimulación visual erótica
Figura 13
La pantalla inicial de ESTIMSEX
159
Referencias
161
Programamas computacionales...
162
Referencias
163
Programamas computacionales...
164
Referencias
Duncan, J., Johnson, R., Swales, M. & Freer, C. (1997). Frontal Lobe
deficits after head injury: Unity and diversity of function. Cogni-
tive Neuropsychology, 14, 713-741.
Ekman, P. & Friesen W. V. (1976). Measuring Facial Movement. Envi-
ronmental Psychology and Nonverbal Behavior, 1(1), 56-75.
Engle, R. W., Kane, M. J. & Tuholski, S. W. (1999). Individual differ-
ences in working memory capacity and what they tell us about
controlled attention, general fluid intelligence, and functions of
the prefrontal cortex. En A. Miyake & P. Shah (Eds.), Models of
working memory: Mechanisms of active maintenance and executive
control (pp. 102-134). New York: Cambridge Univ. Press.
Exton, N. G., Truong, T., Exton, M. S., Wingenfeld, S. A., Leygarf, N.,
Saller, B., Hartmannn, U. & Schedlowski, M. (2000). Neuroendo-
crine responses to film-induced sexual arousal in men and wo-
men. Psychoneuroendocrinology, 25,187-199.
Fernández, T. (1996). Análisis Electroencefalográfico de la Actividad
Cognoscitiva en Niños. México: UNAM.
Finchman, J., Carter, C., Vincent, V., Andrew, S. & Anderson, J. (2002).
Neural mechanisms of planning: A computational analysis using
event-related fMRI. PNAS, 99 (15), 3346-3351.
Fleming, K., Goldberg, T. R., Binks, S., Randolph, C., Gold, J. M. &
Weinberger, D. R. (1997). Visuospatial Working Memory in Patients
with Schizophrenia. Society of Biological Psychiatry, 41, 43-49.
Flores-Gutiérrez, E. O., Díaz, J. L., Barrios, F. A. Favila-Humara, R.,
Guevara, M. A., del Río-Portilla, Y. & Corsi-Cabrera, M. (2007).
Metabolic and electric brain patterns during pleasant and unplea-
sant emotions induced by music masterpieces. International Jour-
nal of Psychophysioly, 65(1), 69-84.
Fuster, J. M. (1995). Memory in the cerebral cortex. An empirical approach
to neural networks in the human and nonhuman primate. Cambridge,
The MIT Press.
Fuster, J. M. (2001). The prefrontal cortex – an update: time is of the
essence. Neuron, 30, 319-333.
Fuster, J. M. (2002). Frontal lobe and cognitive development. Journal
of Neurocytology 31, 373-385.
Galton, F. (1886). Family Likeness in Stature. Proceeding of Royal So-
ciety, 40: 42-72, London.
Giovanni, M. & Lafrancesco, V. (2003). Capítulo 10: El currículo y
su relación con las funciones cognitivas y el potencial de apren-
165
Programamas computacionales...
166
Referencias
167
Programamas computacionales...
168
Referencias
169
Programamas computacionales...
170
Referencias
171
Programamas computacionales...
Okamoto, M., Dan, H., Sakamoto, K., Tadeo, K., Shimizu, K., Cono,
S., Oda, I., Isobe, S., Suzuki, T., Johyama, K. & Dan, I. (2004).
Three-dimensional probabilistic anatomical cranio-cerebral cor-
relation via the international 10–20 system oriented for transcra-
nial functional brain mapping. Neuroimage, 21(1), 99–111.
Owen, A. M., Downes, J. J., Sahakian, B. J., Polkey, C. E. & Robbins,
T. W. (1990). Planning and spatial working memory following
frontal lobe lesions in man. Neuropsychology, 9, 126-140.
Owen, A. M., Evans, A. C. & Petrides, M. (1996). Evidence for a two
stage model of spatial working memory processing the lateral
frontal cortex: A positron emission tomography study. Cerebral
Cortex, 6 (1), 31-38.
Owen, A. M., Herrod, N. J., Menon, D. K., Clark, J. C., Downey, S.
P., Carpenter, T. A., Minhas, P. S., Turkheimer, F. E., Williams, E.
J., Robbins, T. W., Sahakian, B. J., Petrides, M. & Pickard, J. D.
(1999). Redefining the functional organization of working mem-
ory processes within human lateral prefrontal cortex. European
Journal of Neurosciences, 11 (2), 567-574.
Owen, A. M., Sahakian, B. J., Hodges, J. R., Summers, B. A., Polkey,
C. E. & Robbins, T. W. (1995). Dopamine-dependent frontostria-
tal planning deficits in early Parkinson’s disease. Neuropsycholo-
gy, 9(1), 126-140.
Ozzonoff, S., Pennington, B. F. & Rogers, S. J. (1991). Executive func-
tions deficits in high-functioning autistic individuals; Relation-
ship to theory of mind. Journal of child Psychology, 32, 1081-1105.
Pascual-Leone, A., Grafman, J., Clark, K., Stewart, M., Massaquoi,
S., Lou, J. & Hallet, M. (1993). Neuropsychology of the amnesic syn-
drome. Erlbaum: Hillsdale.
Passingham, R. (1993). The frontal lobes and voluntary action. Oxford
Psychology Series, Vol. 21, Oxford University Press, Oxford U.K.
Pearson, K., Lee, A. (1903). On the laws of inheritance in man: I. In-
heritance of physical characters, Biometrika, 2:357-462.
Peterson, L. R. & Peterson, M. J. (1959). Short-term retention of indivi-
dual verbal items. Journal of Experimental Psychology, 58, 193-198.
Petrides, M. (1994). Frontal lobes and working memory: evidence
from investigations of the effects of cortical excisions in nonhu-
man primates (pp. 59-81). En F. Boller & J. Grafman (Eds.). Hand-
book of Neuropsychology. Amsterdam: Elsevier Science.
Petrides, M. (1998). Specialized systems for the processing of mne-
monic information within the primate frontal cortex. En A. C.
Roberts, T. W. Robbins & L. Weiskrantz (Eds.). The Prefrontal
173
Programamas computacionales...
175
Programamas computacionales...
176
Referencias
177
Programas computacionales para análisis de señales
bioeléctricas y evaluación cognoscitiva
se terminó de imprimir en febrero de 2010
en los talleres de Editorial Pandora S. A. de C. V.
Cañas 3657, La Nogalera,
Guadalajara, Jalisco, México.
Diseño:
Verónica Segovia González
Corrección:
Susana Arriola Guevara