Browsing by Author "Rodríguez Fernández, María"
Now showing 1 - 9 of 9
Results Per Page
Sort Options
- ItemAcute Cardiovascular Responses to a Session of Bikram Yoga : A Pilot Uncontrolled Trial(2019) Miranda Hurtado, Martín Alexis; Meza Valladares, Cristian; Eblen Zajjur, Antonio Alejandro; Rodríguez Fernández, María
- ItemBrain self-regulation learning in the neurocomputational framework of active inference(2023) Vargas González, Gabriela Adriana; Rodríguez Fernández, María; El-Deredy, Wael; Pontificia Universidad Católica de Chile. Instituto de Ingeniería Biológica y MédicaNeurofeedback (NF), a cutting-edge technique in the realm of brain-computer interfaces (BCI), has proven to be a powerful tool for both scientific exploration and clinical rehabilitation. NF provides individuals with real-time information about their neural processes, enabling them to modulate and regulate their brain activity—a phenomenon known as 'brain self-regulation learning'. While NF holds great promise, it faces an efficiency hurdle. Remarkably, only 50% of participants successfully achieve self-regulation, limiting its clinical adoption. Existing models have struggled to fully elucidate the intricate interplay between reward mechanisms and cognitive functions, without fully succeeding. Herein lies the significance of Active Inference—a theoretical framework that illuminates this complex relationship. To address this gap, we propose using the framework of Active inference to understand the neural processes underlying self-regulation learning. Active inference provides a statistical model of the brain and a combination of computational modeling and neuroimaging techniques. By analyzing real-time functional MRI data and implementing agent-based simulations, we identify that learners exhibit a hierarchical computational anatomy as the neural substrate that supports the internal dynamics of the brain. Our findings underscore the importance of cognitive processes in self-regulation learning and provide insights for optimizing NF protocols.
- ItemChilean Gastric Cancer Task Force : a study protocol to obtain a clinical and molecular classification of a cohort of gastric cancer patients(2018) Owen, Gareth Ivor; Pinto, Mauricio P.; Retamal, Ignacio N.; Fernández, María F.; Cisternas, Betzabe; Mondaca Contreras, Sebastián Patricio; Sánchez Rojel, César Giovanni; Galindo A., Héctor; Nervi, Bruno; Ibáñez Cáceres, Carolina; Acevedo Claros, Francisco Nicolás; Madrid Arenas, Jorge; Peña, José; Bravo Castillo, María Loreto; Maturana, María, José; Córdova Delgado, Miguel; Romero, Diego; De la Jara, Nathaly; Torres Montes, Paula Javiera; Rodríguez Fernández, María; Espinoza Sepúlveda, Manuel Antonio; Balmaceda, Carlos; Freire, Matías; Gárate Calderón, Valentina; Crovari Eulufi, Fernando; Jiménez Fonseca, Paula; Carmona Bayonas, Alberto; Zwenger, Ariel; Armisen, Ricardo; Corválan, Alejandro H.; Garrido Salvo, Marcelo; Owen, Gareth Ivor; Pinto, Mauricio P.; Retamal, Ignacio N.; Fernández, María F.; Cisternas, Betzabe; Mondaca, Sebastián; Sánchez Rojel, César Giovanni; Galindo Aranibar, Héctor Gonzalo; Nervi, Bruno; Ibáñez Cáceres, Carolina; Acevedo Claros, Francisco Nicolás; Madrid, Jorge; Peña, José; Bravo, María, Loreto; Maturana, María, José; Córdova Delgado, Miguel; Romero, Diego; De la Jara, Nathaly; Torres, Javiera; Rodríguez Fernández, María; Espinoza Sepúlveda, Manuel Antonio; Balmaceda, Carlos; Freire, Matías; Gárate Calderón, Valentina; Crovari Eulufi, Fernando; Jiménez Fonseca, Paula; Carmona Bayonas, Alberto; Zwenger, Ariel; Armisen, Ricardo; Corválan, Alejandro H.; Garrido, Marcelo
- ItemDifferential effects of exposure to single versus a mixture of endocrine-disrupting chemicals on steroidogenesis pathway in mouse testes(2018) Buñay, Julio; Larriba, Eduardo; Patiño García, Daniel; Cruz Fernandes, Leonor; Castañeda Zegarra, Sergio; Rodríguez Fernández, María; Del Mazo, Jesús; Moreno Mauro, Ricardo D.
- ItemMulti-Objective Optimization for Personalized Prediction of Venous Thromboembolism in Ovarian Cancer Patients(2020) Fresard, M. E.; Erices Vidal, Rafaela Miguelina; Bravo Castillo, Maria Loreto; Cuello F., Mauricio; Owen, Gareth Ivor; Ibáñez Cáceres, Carolina; Rodríguez Fernández, María
- ItemOptimization of physicochemical properties of novel multiple nanoemulsion for complex food matrices through iterative mathematical modelling(2020) Cortés Ríos, Javiera Alejandra; Valdivia-Olivares, R. Y.; Alvarez Figueroa, María Javiera; Rodríguez Fernández, María; González Aramundiz, José Vicente
- ItemPredicción de glucosa basada en aprendizaje profundo para sujetos sanos y con diabetes mellitus tipo I(2022) Vega Pérez, Diego Nicolás Raúl de la; Rodríguez Fernández, María; Pontificia Universidad Católica de Chile. Escuela de IngenieríaLa Diabetes Mellitus es una enfermedad crónica que se caracteriza por una incorrecta regulación de la glucosa en sangre e impacta en la esperanza de vida de las personas. Por esta razón, varios estudios en la literatura tienen como objetivo predecir la glucemia. Sin embargo, existen varios desafíos asociados con un correcto modelado de la dinámica de la glucosa en sangre, y los avances en este campo ayudarían a mantener niveles glicémicos precisos y prevenir eventos de hipo e hiperglucemia. Para esta investigación, se utilizaron métodos de Deep Learning para predecir la glucosa en sangre con un horizonte de predicción de 30 minutos. En particular, se utilizó la arquitectura Codificador-Decodificador junto al método de Transfer Learning, utilizando datos de 15 personas, diez sujetos sanos y cinco con Diabetes Mellitus Tipo I (DM1). Se consideraron diferentes variables fisiológicas para entrenar el modelo como el nivel de glucosa intersticial, la insulina suministrada para pacientes DM1, frecuencia cardíaca y el número de pasos (para evaluar la relevancia de incorporar el ejercicio físico y el ciclo sueño-actividad en la precisión de la predicción). Se utilizaron tres tipos de modelos: poblacional, personalizado y personalizado usando Transfer Learning. El modelo que logró el mejor rendimiento, en voluntarios sanos y con DM1, basó sus predicciones en glucosa, insulina y la estimación de la tasa de absorción de glucosa duodenal. Sin embargo, también se obtuvo una precisión razonable sin contar con datos de un Monitoreo Continuo de Glucosa (MCG). Además, en sujetos sanos, los modelos personalizados entregaron mejores resultados que los modelos poblacionales, no así en sujetos con DM1. Por otro lado, modelos personalizados con Transfer Learning mostraron la mejor precisión tanto en sujetos sanos como sujetos diabéticos, lo que permitió el uso de un modelo poblacional ajustado utilizando solo un pequeño conjunto de datos de cada paciente. Los resultados muestran que las predicciones obtenidas no generan desviaciones significativas que supongan un peligro para la salud del paciente y revelan que sería posible no depender de la medición de glucosa en el futuro.
- ItemProtein quantification by bicinchoninic acid (BCA) assay follows complex kinetics and can be performed at short incubation times(2020) Cortés Ríos, Javiera Alejandra; Zárate Méndez, Ana María; Figueroa Alegría, Juan David; Medina, J.; Fuentes Lemus, Eduardo Felipe; Rodríguez Fernández, María; Aliaga Miranda, Margarita Elly; López Alarcón, Camilo Ignacio
- ItemSpikes and Nets (S&N) : A New Fast, Parallel Computing, Point Process Software for Multineuronal Discharge and Connectivity Analysis(2020) Valle Araya, Carlos Ignacio; Rodríguez Fernández, María; Eblen Zajjur, Antonio Alejandro