Profesor | Octavio Abraham Bureos Lecona |
Profesor | Gabriela González González |
Ayudante |
Las señales fisiológicas (bioseñales) que emite el cuerpo humano reflejan el comportamiento subyacente de una o varias células, de manera que se puede monitorear el estado fisiológico de los órganos y sistemas que lo componen. Durante el curso visualizaremos y analizaremos con el software MATLAB señales fisiológicas obtenidas a partir de la actividad eléctrica de células excitables bajo diferentes condiciones para obtener información del estado del sistema biológico. Horario: Martes y Jueves de 10:00 a 11:30 am Salón: Laboratorio Libre I (Edificion de física, segundo piso, a lado de la coordinación de Física Biomédica). Interesados escribir a: tavolecona@ciencias.unam.mx Índice Temático |
|
Módulo |
Tema |
1 |
Células excitables cerebrales y sus generalidades anatómico-fisiológicas. |
2 |
Técnica electroencefalográfica y análisis cuantitativos de datos de EEG. |
3 |
Células excitables musculares y sus generalidades anatómico-fisiológicas. |
4 |
Técnica electrocardiográfica y análisis cuantitativos de datos de ECG. |
5 |
Técnica electromiográfica y análisis cuantitativos de datos de EMG. |
SEMANA TEMA 1 Presentación del curso y criterios de evaluación. Módulo 1. 1.1 El cerebro y sus principales divisiones funcionales. 1.2 La corteza cerebral y su composición celular. 2 1.3 Neuronas y glía. 1.4 Sinapsis neuronal. 1.5 Neurotransmisores. 3 1.6 Potencial de acción neuronal. 1.7 Interacciones funcionales neurona-glía. 1.8 Introducción al electroencefalograma (EEG) 4 Práctica: Registro electroencefalográfico superficial con sistema EMOTIV-EPOC Tarea Módulo 1 Módulo 2. 2.1 Series de tiempo. 2.2 Principios de programación para la generación y el análisis de series de tiempo en MATLAB. 5 2.3 Estadística descriptiva. 2.4 Programación de medidas descriptivas en MATLAB. Módulo 3. 3.1 Introducción a los análisis espectrales. 3.2 Conceptos básicos de la transformada de Fourier. 6 3.3 Programación de la transformada de Fourier en MATLAB. 3.4 Transformada de Fourier aplicada a datos de EEG. Tarea 1 Módulo 3 3.5 Conceptos básicos de la Transformada Wavelet Continua (CWT) 3.6 Programación de la CWT en MATLAB 3.7 Transformada Wavelet aplicada a datos de EEG. Tarea 2 Módulo 3 7 3.8 Correlación y covarianza. 3.9 Matrices de correlación y de covarianza. 3.10 Programación en MATLAB de matrices de correlación y covarianza. 3.11 Aplicación de matrices de correlación a datos de EEG Tarea 3 Módulo 3 8 3.12 Redes funcionales basadas en EEG. 3.13 Programación en MATLAB de redes funcionales. 3.14 Aplicación de redes funcionales a datos de EEG. Tarea 4 Módulo 3 9 Módulo 4. 4.1 Células musculares cardiacas. 4.2 Anatomía cardiaca. 4.3 Sistemas mecánicos y eléctricos de las células musculares cardiacas. 4.4 Potenciales de acción en músculo cardiaco. 10 4.5 Regulación de la función cardiaca por el sistema nervioso autónomo. 4.6 Introducción al electrocardiograma (ECG). 4.7 Derivaciones del ECG.4.8 Datos del registro electrocardiográfico y ondas PQRSTU. 11 Propuestas de proyectos 4.9 Transformada de Fourier aplicada a datos de ECG 4.10 CWT aplicada a datos de ECG. Tarea Módulo 4 12 Módulo 5. 5.1 Células musculares esqueléticas. 5.2 Sistemas mecánicos y eléctricos de las células musculares esqueléticas. 5.3 Potencial de acción en músculo esquelético. 5.4 Introducción al electromiograma (EMG). 13 Dudas y avances sobre proyectos Dudas y avances sobre proyectos 14 5.5 Transformada de Fourier aplicada a datos de EMG. 5.6 CWT aplicada a datos de EMG. Tarea Módulo 5 Dudas y avances sobre proyectos 15 Dudas y avances sobre proyectos Dudas y avances sobre proyectos 16 Presentación de proyectos Calificaciones
Evaluación:
Asistencia: 10%
Práctica: 20%
Tareas: 30%
Proyecto: 40%
Total: 100%
Bibliografía
Purves, D., Augustine, G., et al. (2012) Neurociencia. 5ª edición. Editorial Panamericana. España.
Fisiología eLibro / editores, David E. García, Sofía Xaviera García González, Daniel Guzmán Toledo. Primera edición. | Ciudad de México: Universidad Nacional Autónoma de México, Facultad de Medicina, 2019.
Steriade, M.; Gloor, P.; Llinás, R.R.; Lopes da Silva, F.H.; Mesulam, M.M. Basic mechanisms of cerebral rhythmic activities. Electroencephalogr. Clin. Neurophysiol. 1990, 76, 481–508.
Amzica, F.; Massimini, M. Glial and neuronal interactions during slow wave and paroxysmal activities in the neocortex. Cereb.Cortex 2002, 12, 1101–1113.
Torrence, C.; Compo, G.P. A practical guide to wavelet analysis. Bull. Am. Meteorol Soc. 1998, 79, 61–78.
González, G., Velasco, V. y A. Ortega. (2021). Use of covariance analysis in electroencephalogram reveals abnormalities in Parkinson’s disease. Appl. Sci. 2021 11, 9633.
Fossion R., et. al. (2019), On the Role of Continuous Physiological Monitoring and Time-Series Analysis in Medical Prognosis., AIP Conf. Proc. 2090, 050007-1–050007-7; https://doi.org/10.1063/1.5095922 Published by AIP Publishing. 978-0-7354-1820-2
Stephens et. al., (2014), La revolución de los datos, su impacto en la salud pública y la complejidad de la Diabetes Mellitus Tipo 2. Grandes retos del siglo XXl, Dirección General de Publicaciones y Fomento al País.
Lecona OA., et. al., (2016) Human aging and loss variability brain networks based on electroencephalogram (EEG) data., AIP Conf. Proc. 1747, 030004-1–030004-5; doi: 10.1063/1.4954097 Published by AIP Publishing. 978-0-7354-1404-4.