Análisis de datos integrado para comprender los procesos visuales en la corteza
DOI:
https://doi.org/10.34024/rnc.2023.v31.15237Palabras clave:
percepción visual, corteza visual, series temporales, curva ROC, Modelos de redResumen
La comprensión de los mecanismos de procesamiento visual es esencial para el estudio de la percepción visual. En este artículo se discutieron las áreas corticales involucradas en el procesamiento visual, como la corteza visual primaria (área V1) y las áreas visuales secundaria y asociativa. Estas áreas desempeñan roles distintos en el análisis de características visuales, como forma, color y movimiento. Además, se destacó la importancia de diferentes enfoques para analizar datos de actividad neural y respuesta a estímulos visuales. Se concluye que la integración de diferentes técnicas de análisis, como series temporales, curva ROC y modelos de red, puede ampliar el alcance de la investigación de los procesos de percepción visual. Estos enfoques proporcionan información valiosa sobre la organización y el funcionamiento de la corteza visual en diferentes niveles de procesamiento. La aplicación de estas técnicas en estudios de percepción visual puede contribuir a una comprensión más profunda de los mecanismos involucrados en la formación de la experiencia visual.
Métricas
Citas
Hubel DH, Wiesel TN. Brain mechanisms of vision. Sci Am 1979;241:150-63. https://doi.org/10.1038/scientificamerican0979-150
Kandel E, Schwartz J, Jessell T, Siegelbaum S, Hudspeth AJ. Princípios de neurociências-5. Porto Alegre: AMGH Editora; 2014; pp483-95.
Vortmann LM, Knychalla J, Annerer-Walcher S, Benedek M, Putze F. Imaging time series of eye tracking data to classify attentional states. Front Neurosci 2021;15:664490. https://doi.org/10.3389/fnins.2021.664490
Praetorius AK, McIntyre NA, Klassen RM. Reactivity effects in video-based classroom research: An investigation using teacher and student questionnaires as well as teacher eye-tracking. Zeitschrift für Erziehungswissenschaft 2017;20:49-74. https://doi.org/10.1007/s11618-017-0729-3
Stadnytska T. Time series research in psychology: Conceptual and methodological issues (Dissertação). Heidelberg: Heidelberg University, The Faculty of Behavioural and Cultural Studies, Institute of Psychology The Faculty of Behavioural and Cultural Studies > Institute of Psychology; 2006. https://doi.org/10.1027/1614-2241.4.3.113
Hajian-Tilaki K. Receiver operating characteristic (ROC) curve analysis for medical diagnostic test evaluation. Caspian J Internal Med 2013;4:627.
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3755824/
Wu Q, Dey N, Shi F, Crespo RG, Sherratt RS. Emotion classification on eye-tracking and electroencephalograph fused signals employing deep gradient neural networks. App Soft Comp 2021;110:107752. https://doi.org/10.1016/j.asoc.2021.107752
Hardin JW, Hilbe JM. Generalized estimating equations. New York: Chapman and Hall/CRC press; 2012; pp721-9. https://doi.org/10.1201/b13880
Scharler UM, Borrett SR. Network construction, evaluation and documentation: A guideline. Environ Mod Software 2021;140:105020. https://doi.org/10.1016/j.envsoft.2021.105020
Melo MB, Daldegan-Bueno D, Menezes Oliveira MG, Souza AL. Beyond ANOVA and MANOVA for repeated measures: Advantages of generalized estimated equations and generalized linear mixed models and its use in neuroscience research. Eur J Neurosci 2022;56:6089-98. https://doi.org/10.1111/ejn.15858
Behera L, Kar I, Elitzur AC. A recurrent quantum neural network model to describe eye tracking of moving targets. Found Phys Lett 2005;18:357-70. https://doi.org/10.1007/s10702-005-7125-6
Cho SJ, Brown-Schmidt S, Boeck PD, Shen J. Modeling intensive polytomous time-series eye-tracking data: A dynamic tree-based item response model. Psychometrika 2020;85:154-84. https://doi.org/10.1007/s11336-020-09694-6
Godfroid A, Spino LA. Reconceptualizing reactivity of think‐alouds and eye tracking: Absence of evidence is not evidence of absence. Lang Learn 2015;65:896-928. https://doi.org/10.1111/lang.12136
Borsboom D, Deserno MK, Rhemtulla M, Epskamp S, Fried EI, McNally RJ, et al. Network analysis of multivariate data in psychological science. Nat Rev Meth Prim 2021;1:58. https://doi.org/10.1038/s43586-021-00055-w
Elbattah M, Guérin JL, Carette R, Cilia F, Dequen G. Generative Modeling of Synthetic Eye-tracking Data: NLP-based Approach with Recurrent Neural Networks. IJCCI 2020;vol:479-84. https://doi.org/10.5220/0010177204790484
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2023 Natali Lourenço Nascimento
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
##plugins.generic.dates.accepted## 2023-12-05
##plugins.generic.dates.published## 2023-12-06
Português
English
Español
