Os reenviamos un mensaje de nuestra compañera María Ruz (Universidad de Granada) sobre MVPAlab, una herramienta de software libre para aplicar múltiples rutinas multivariadas a datos de EEG.

La Junta Directiva de la SEPEX

---

Buenas tardes,

Os escribo para comentaros que David López García, ingeniero de telecomunicaciones que trabaja en el CIMCYC (Univ. de Granada), ha hecho una herramienta para aplicar múltiples rutinas multivariadas a datos de EEG que os podría resultar de interés. Debajo tenéis un texto resumen y podéis consultar el artículo aquí: https://www.sciencedirect.com/science/article/pii/S0169260721006234 Si tenéis dudas o sugerencias, poneos en contacto con él (dlopez@ugr.es). ¡¡Esperamos que sea de utilidad!!

Saludos,
María Ruz
https://wpd.ugr.es/~humneuro/

MVPAlab: una herramienta intuitiva para análisis multivariados de patrones en datos de magneto/electroencefalografía.

El estudio de la función cerebral mediante electroencefalografía se ha apoyado durante años en análisis univariados. El desarrollo de la ciencia y la tecnología de las últimas décadas ha fomentado la aparición de nuevas y más complejas técnicas de análisis, basadas en estadística e inteligencia artificial, que nos permiten explorar nuestros datos en más en profundidad.

A pesar del tremendo esfuerzo empleado en el desarrollo de herramientas que acerquen estas metodologías a diversas áreas de la ciencia, a día de hoy sigue siendo complicado su uso e implementación, especialmente en laboratorios con escasos conocimientos en programación. Para intentar solventar este problema hemos desarrollado MVPAlab, una herramienta basada en MATLAB que nos permite diseñar y ejecutar análisis multivariados de patrones en datos de magneto/electroencefalografía de una forma rápida y sencilla, todo ello sin escribir una sola línea de código. 

Para ello, MVPAlab cuenta con una interfaz gráfica de usuario, muy intuitiva y fácil de utilizar, que nos permite configurar y lanzar distintos tipos de análisis, así como representar gráficamente los resultados obtenidos de una forma visualmente atractiva.

Más específicamente, MVPAlab implementa numerosos algoritmos basados en el aprendizaje automático que nos permiten ejecutar análisis multivariados de patrones cerebrales, clasificación cruzada, generalización temporal y análisis sobre la contribución de cada uno de los electrodos y bandas de frecuencia al resultado final de la clasificación. Además, están disponibles un conjunto de subrutinas de preprocesado para, entre otros, la normalización, balanceo y reducción de las dimensiones de nuestro set de datos, suavizado de la señal y reducción de la relación señal-ruido. A nivel estadístico, MVPAlab implementa un análisis de permutaciones no paramétrico, basado en clústeres, que nos permite obtener regiones estadísticamente significativas y hacer inferencias estadísticas a nivel de grupo.

El código fuente de MVPAlab se encuentra alojado públicamente en un repositorio de GitHub (https://github.com/dlopezg/mvpalab), bajo licencia GPL v.3.0, lo que permite a los usuarios hacer uso, modificar o compartir esta herramienta de forma libre. En este mismo enlace podemos encontrar la documentación completa de la herramienta, distintos tutoriales, sets de datos y scripts de prueba, así como un foro de discusión donde los usuarios pueden sugerir nuevas funcionalidades o reportar y hacer seguimiento de errores.

MVPAlab se encuentra en constante desarrollo, implementando y mejorando funcionalidades de manera continuada. Una de nuestras futuras líneas de desarrollo más interesantes es la implementación de técnicas de fusión multimodal. Estas técnicas permiten analizar de forma conjunta datos procedentes de diferentes técnicas de nueroimágen no invasivas (como la electroencefalografía y la resonancia magnética funcional), combinando sus fortalezas y minimizando sus carencias. El empleo de estas técnicas representa un gran paso adelante en el estudio y el entendimiento de la función cerebral. 

Todo lo anteriormente comentado hace de MVPAlab una opción muy conveniente para un amplio rango de usuarios, desde los menos experimentados a usuarios con perfiles avanzados que quieran diseñar sus propios análisis de una forma rápida y flexible.