PROYECTO 5 — Datos reales (Human Connectome)

🎯 Objetivo

Usar datos reales de cerebro para:

• analizar conectividad
• detectar patrones
• comparar cerebros

---

🌐 1. FUENTE DE DATOS

🔗 Dataset principal

• Human Connectome Project
  👉 https://www.humanconnectome.org

---

🧠 Alternativa más simple (recomendada para empezar)

• Nilearn datasets (ya procesados)

👉 no necesitas descargar terabytes

---

🧠 IDEA CENTRAL

7

En investigación real:

• cerebro → dividido en regiones (atlas)
• señal por región (tiempo)
• correlaciones → red

---

⚙️ PARTE 1 — CARGAR DATOS REALES

💻 PASO 1 — Instalación

pip install nilearn numpy matplotlib

---

💻 PASO 2 — Descargar dataset

from nilearn import datasets

dataset = datasets.fetch_development_fmri(n_subjects=1)
print(dataset.func[0])

---

🧠 PASO 3 — Atlas cerebral

atlas = datasets.fetch_atlas_schaefer_2018(n_rois=100)

👉 divide el cerebro en regiones

---

🔁 PARTE 2 — EXTRAER SEÑALES

💻 PASO 4 — Time series

from nilearn.input_data import NiftiLabelsMasker

masker = NiftiLabelsMasker(labels_img=atlas.maps, standardize=True)

time_series = masker.fit_transform(dataset.func[0])
print(time_series.shape)

👉 resultado:

• filas → tiempo
• columnas → regiones

---

📊 PARTE 3 — CONECTIVIDAD REAL

💻 PASO 5 — Correlación

import numpy as np

corr = np.corrcoef(time_series.T)

---

💻 PASO 6 — Visualizar

import matplotlib.pyplot as plt

plt.imshow(corr)
plt.colorbar()
plt.title("Conectividad funcional REAL")
plt.show()

---

🧠 PARTE 4 — ANÁLISIS (nivel investigador)

🔬 PASO 7 — Grado de red

degree = np.sum(np.abs(corr), axis=0)

plt.plot(degree)
plt.title("Importancia de regiones")
plt.show()

👉 detectas “hubs” cerebrales

---

🔬 PASO 8 — Comparar sujetos (si descargas más)

# repetir con varios sujetos

👉 variabilidad individual

---

🧠 PARTE 5 — CONECTAR CON MODELOS (nivel Deco)

Ahora une Proyecto 3 + datos reales:

👉 idea clave:

• tienes conectividad real
• la usas como matriz W

---

💻 PASO 9 — Modelo híbrido

W = corr  # usar conectividad real

def step(x):
    return np.tanh(np.dot(W, x))

x = np.random.randn(W.shape[0])

history = []

for t in range(200):
    x = step(x)
    history.append(x.copy())

history = np.array(history)

👉 esto es ya modelado cerebral basado en datos

---

🧠 QUÉ HAS HECHO (MUY IMPORTANTE)

Has replicado el pipeline real:

1. Datos fMRI reales
2. Extracción de señales
3. Conectividad funcional
4. Modelado dinámico

👉 exactamente el enfoque de Gustavo Deco

---

🔬 CONCEPTOS REALES

• conectoma
• conectividad funcional
• dinámica cerebral

---

🚀 EXTENSIONES (nivel paper)

🔹 1. Machine Learning

• predecir edad / estado mental

🔹 2. Enfermedades

• comparar redes (normal vs patológico)

🔹 3. Dinámica avanzada

• introducir parámetro crítico (como en Proyecto 3)

---

🧭 CONCLUSIÓN

Ya estás en nivel:

👉 pre-investigación real

Porque puedes:

• trabajar con datos reales
• analizarlos
• modelarlos

---