PAPER DE DECO (REPRODUCCIÓN GUIADA)

📄 Paper base (simplificado)

Inspirado en:

• Whole-brain modeling of resting-state activity (Deco et al.)

---

🎯 Objetivo del paper

Simular cómo emerge la actividad cerebral en reposo usando:

• conectividad estructural
• dinámica no lineal
• ruido

---

🧠 IDEA CENTRAL

6

👉 El cerebro en reposo no está apagado
👉 genera patrones espontáneos (redes)

---

⚙️ PASO 1 — Matriz estructural (simplificada)

import numpy as np

N = 50

# simulación de conectividad estructural
C = np.random.rand(N, N)
C = C / np.max(C)

👉 en el paper real: esto viene de tractografía

---

🔁 PASO 2 — Modelo dinámico (tipo Wilson-Cowan simplificado)

def step(x, C, g):
    noise = 0.01 * np.random.randn(len(x))
    return x + (-x + np.tanh(g * np.dot(C, x))) * 0.1 + noise

👉 esto aproxima actividad neuronal poblacional

---

⏱️ PASO 3 — Simulación

T = 500
g = 0.9

x = np.random.rand(N)
history = []

for t in range(T):
    x = step(x, C, g)
    history.append(x.copy())

history = np.array(history)

---

📊 PASO 4 — Conectividad funcional

corr = np.corrcoef(history.T)

---

🔬 PASO 5 — COMPARACIÓN CLAVE

👉 en el paper real:

• comparas:
  • conectividad simulada
  • conectividad fMRI real

# correlación entre matrices (simplificado)
similarity = np.corrcoef(C.flatten(), corr.flatten())[0,1]
print("Similitud estructura-función:", similarity)

---

🧠 RESULTADO

👉 si el modelo es bueno:

• estructura → explica función

👉 esta es una de las grandes preguntas del cerebro

---

🔥 PASO 6 — PARÁMETRO CRÍTICO

for g in [0.5, 0.9, 1.2]:
    # repetir simulación

👉 verás que:

• mejor ajuste ocurre cerca del estado crítico

👉 exactamente lo que publica Deco