https://hdl.handle.net/11185/23 2026-08-22T02:45:50Z https://hdl.handle.net/11185/8957 Desarrollo de técnicas avanzadas en análisis de datos mediante hipergrafos Bilbao, Dalma En esta tesis se desarrolla y aplica la teoría de hipergrafos como una generalización de los grafos simples para modelar relaciones de alto orden entre las componentes de sistemas complejos. Se proponen distintos métodos para la construcción de hipergrafos a partir de métricas adaptadas a los datos, junto con herramientas de teoría de la información, en particular medidas de entropía, para caracterizar la complejidad y organización de los sistemas. El trabajo se centra en el análisis de señales neuronales obtenidas mediante EEG, fMRI y MEG, aplicadas al estudio de enfermedades neurodegenerativas y distintos estados de conciencia. Se desarrollan métodos basados en la conectividad funcional mediante Phase Lag Index (PLI), así como hipergrafos métricos, hipergrafos multicapa e hipergrafos k-regulares. Asimismo, se proponen medidas de distancia y cuantificadores estructurales para el análisis y comparación de hipergrafos. Los métodos desarrollados permiten caracterizar, diferenciar e identificar cambios relevantes en las señales y estructuras analizadas, mostrando el potencial de la teoría de hipergrafos para el estudio de relaciones de orden superior en datos neurocientíficos y en conjuntos de datos generales.; om metrics adapted to the data are proposed, together with information-theoretic tools, particularly entropy-based measures, to characterize the complexity and organization of these systems. The work focuses on the analysis of neural signals obtained through EEG, fMRI, and MEG, with applications to the study of neurodegenerative diseases and different states of consciousness. Methods based on functional connectivity using the Phase Lag Index (PLI), as well as metric hypergraphs, multilayer hypergraphs, and k-uniform hypergraphs, are developed. In addition, distance measures and structural quantifiers are proposed for the analysis and comparison of hypergraphs. The proposed methods enable the characterization, differentiation, and identification of relevant changes in the signals and structures under study, demonstrating the potential of hypergraph theory for analyzing higher-order relationships in neuroscientific data and in general datasets. Fil: Bilbao, Dalma. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hídricas; Argentina. 2026-05-06T00:00:00Z https://hdl.handle.net/11185/8839 Reconstrucción craneal y segmentación robusta de imágenes médicas mediante aprendizaje profundo Matzkin, Víctor Franco Esta tesis doctoral aplica aprendizaje profundo a la reconstrucción de implantes craneales y la segmentación robusta de imágenes médicas, abordando limitaciones de datos y cambio de dominio. Dado el costo del diseño manual de implantes, se proponen enfoques autosupervisados que simulan la extracción de hueso en tomografías de cráneos completos, generando datos sintéticos que compensan la escasez de datos reales. Esta "craniectomía virtual" se mejoró con patrones de simulación más complejos y variables. Las estrategias superan en tiempo y desempeño a métodos alternativos como modelos de forma estadística y otros de aprendizaje profundo. Además, se explora el uso de conocimiento anatómico previo sobre la forma esperada para mejorar la solidez frente a implantes fuera de distribución y de mayor resolución. En la segunda parte, se estudia la robustez de modelos de segmentación frente a variaciones en la adquisición y poblaciones de pacientes. Se analiza la segmentación de hiperintensidades de sustancia blanca en resonancias cerebrales, evaluando regularización por entropía para mejorar la estimación de incertidumbre bajo cambio de dominio. Métodos como la entropía máxima en predicciones erróneas mejoran la capacidad del modelo de expresar incertidumbre en áreas ambiguas, detectar cambios de dominio y señalar errores sin anotaciones manuales, con mejoras en la calibración dentro y fuera de distribución. La investigación aporta avances metodológicos en aprendizaje automático aplicados al análisis de imágenes cerebrales. Las soluciones mejoran la precisión, eficiencia y robustez en reconstrucción de implantes y segmentación médica, orientadas a uso clínico. La validación en múltiples conjuntos de datos, incluyendo casos clínicos reales y competencias internacionales, demuestra su potencial para mejorar la planificación quirúrgica y el diagnóstico asistido, contribuyendo al cuidado de pacientes.; This doctoral thesis applies deep learning to cranial implant reconstruction and robust medical image segmentation, addressing data limitations and domain shift. Given the cost of manual implant design, self-supervised approaches are proposed that simulate bone extraction from CT scans of complete skulls, generating synthetic data to compensate for the scarcity of real patient data. This "virtual craniectomy" was improved with more complex and variable simulation patterns. The strategies outperform alternatives such as statistical shape models and other deep learning methods in time and performance. Additionally, the use of anatomical constraints or prior knowledge about the expected shape is explored to improve robustness against out-of-distribution implants at higher resolutions. In the second part, the thesis studies the robustness of segmentation models against variations in image acquisition and patient populations. White matter hyperintensity segmentation in brain MRI is analyzed, evaluating entropy regularization techniques to improve uncertainty estimation under domain shift. Methods such as maximum entropy on erroneous predictions improve the model's ability to express uncertainty in ambiguous areas, detect domain shifts, and serve as indicators of segmentation errors without manual annotations, with improvements in calibration on both in-distribution and out-of-distribution data. The research provides novel methodological advances in machine learning applied to computational brain image analysis. The proposed solutions improve precision, efficiency, and robustness in cranial implant reconstruction and medical image segmentation, oriented toward clinical use. Experimental validation on multiple datasets, including real clinical cases and international competitions, demonstrates the potential to significantly improve surgical planning and computer-aided diagnosis, contributing to improved patient care. Fil: Matzkin, Victor Franco. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hídricas; Argentina. 2026-03-10T00:00:00Z https://hdl.handle.net/11185/8819 Desarrollo de métodos robustos y fisiológicamente inspirados para el filtrado inverso de la voz Zalazar, Iván Ariel El flujo glótico, principal fuente acústica de la fonación humana, porta información sobre las cuerdas vocales. Desafortunadamente, no es posible sensar dicho flujo dentro de la laringe. El filtrado inverso permite estimar de forma no invasiva el flujo glótico al eliminar los efectos del tracto vocal y la radiación en los labios de la señal de voz. Esta tesis presenta nuevos métodos para mejorar la cancelación de estos efectos. Para ello, se abordan las principales limitaciones de la predicción lineal (PL), un método estándar para modelar la contribución del tracto vocal en la señal de voz. Se proponen dos estrategias de PL ponderadas basadas en atenuación Gaussiana para reducir los errores en el ajuste del modelo del tracto vocal causados ​​por las muestras ubicadas en los instantes de cierre glótico. Estas estrategias extienden la formulación de la PL Gaussiana al incorporar un análisis adaptado al tono y una ponderación de fase casi-cerrada, lo que mejora su desempeño. Además, se presenta un método de PL basado en correntropía. Este enfoque resulta un método LP ponderado y guiado por datos que enfatiza automáticamente las muestras ubicadas en la fase cerrada. Esto elimina la necesidad de conocer los instantes glóticos y mejora el modelado del tracto vocal. Finalmente, se propone un modelo adaptativo no armónico regularizado como alternativa para cancelar el efecto de radiación labial y reducir las distorsiones de baja frecuencia producidas por un filtrado inverso inadecuado. Este enfoque proporciona estimaciones del flujo glótico fisiológicamente representativas caracterizadas por una fase cerrada plana.; Glottal airflow, the primary acoustic source of human phonation, carries essential information regarding vocal fold dynamics. Unfortunately, direct measurement of glottal airflow within the larynx is not feasible. Voice inverse filtering enables the non-invasive estimation of glottal airflow by removing the effects of the vocal tract and lip radiation from the voice signal. The present thesis introduces new methods to improve the cancellation of these effects during the inverse filtering process. To this end, the main drawbacks of linear prediction (LP)—a standard method for modeling the vocal tract contribution from the voice signal—are addressed. Two weighted LP strategies based on Gaussian attenuation are proposed to mitigate errors in vocal tract model tuning caused by voice signal samples near glottal closure instants. These strategies extend the original Gaussian LP formulation by incorporating a pitch-adaptive analysis and a quasi-closed phase weighting, significantly enhancing their performance for inverse filtering. Additionally, a robust LP method based on the maximum correntropy criterion is developed. This approach results in a data-driven weighted LP method that automatically emphasizes closed-phase voice signal samples, thereby eliminating the need for prior knowledge of glottal instant locations and improving vocal tract contribution modeling. Finally, a regularized adaptive non-harmonic model is proposed as an alternative for canceling the lip radiation effect and reducing low-frequency distortions produced by inadequate inverse filtering. This approach yields a physiologically representative glottal airflow waveform estimation, characterized by a flat closed phase. Fil: Zalazar, Iván Ariel. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hídricas; Argentina. 2026-03-11T00:00:00Z https://hdl.handle.net/11185/8796 Métodos de aprendizaje automático de mínima calibración para interfaces cerebro-computadora basadas en imaginería motora Galván, Catalina María El deterioro de la función motora del miembro superior tras accidentes cerebrovasculares u otras condiciones neurológicas impacta significativamente en la calidad de vida. En este contexto, las interfaces cerebro-computadora basadas en imaginería motora (MI-BCIs) son una herramienta prometedora para la asistencia y rehabilitación, al permitir transformar la actividad cerebral en comandos de control sin utilizar las vías neuromusculares. Sin embargo, su aplicación se ve limitada por la compleja decodificación de señales de electroencefalografía (EEG) y, especialmente, por su alta variabilidad inter e intra-sujeto, lo que requiere extensas sesiones de calibración. En esta tesis se desarrollaron métodos de aprendizaje automático orientados a reducir estos tiempos y mejorar la robustez de la decodificación. En primer lugar, se propuso PySimMIBCI, un método para generar datos sintéticos de EEG con características fisiológicamente plausibles e información sujeto-específica para tareas de imaginería motora. Este enfoque permite incorporar factores de variabilidad como la fatiga o distintas capacidades de modulación, y fue utilizado para aumentación de datos, logrando mejoras significativas en el desempeño. En segundo lugar, se abordó la transferencia de aprendizaje entre sujetos y bases de datos mediante XS-BOT, un método de adaptación de dominio basado en transporte óptimo hacia atrás. Este enfoque alinea las características de nuevos usuarios con distribuciones previamente aprendidas, permitiendo alcanzar altos niveles de precisión con pocos datos de calibración y un número reducido de electrodos. En conjunto, estos aportes contribuyen al desarrollo de MI-BCIs más robustas, de mínima calibración y centradas en la persona usuaria.; Upper-limb motor impairment following stroke or other neurological conditions significantly impacts quality of life. In this context, motor imagery-based brain–computer interfaces (MI-BCIs) are a promising tool for assistance and rehabilitation, as they enable the transformation of brain activity into control commands without relying on neuromuscular pathways. However, their practical application is limited by the complexity of electroencephalography (EEG) signal decoding and, in particular, by high inter- and intra-subject variability, which requires extensive calibration sessions. In this thesis, machine learning methods were developed to reduce calibration time and improve decoding robustness. First, PySimMIBCI was proposed, a method for generating synthetic EEG data with physiologically plausible characteristics and subject-specific information for motor imagery tasks. This approach allows incorporating variability factors such as fatigue or differences in modulation capability, and was used for data augmentation, leading to significant improvements in decoding performance. Second, transfer learning across subjects and datasets was addressed through XS-BOT, a domain adaptation method based on backward optimal transport. This approach aligns the feature distribution of new users with previously learned distributions, enabling high accuracy with a minimal amount of calibration data and a reduced number of electrodes. Overall, these contributions support the development of robust, minimal-calibration MI-BCIs centered on the end user, aligned with the needs of motor rehabilitation. Fil: Galván, Catalina María. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hídricas; Argentina. 2025-12-22T00:00:00Z