{"id":1887,"date":"2026-04-28T17:23:12","date_gmt":"2026-04-28T20:23:12","guid":{"rendered":"https:\/\/datamining.dc.uba.ar\/predictivos\/?p=1887"},"modified":"2026-04-28T17:29:22","modified_gmt":"2026-04-28T20:29:22","slug":"explorando-la-mente-en-movimiento-podemos-predecir-cuan-vivida-es-una-imagen-mental","status":"publish","type":"post","link":"https:\/\/datamining.dc.uba.ar\/predictivos\/?p=1887","title":{"rendered":"Explorando la mente en movimiento: \u00bfpodemos predecir cu\u00e1n v\u00edvida es una imagen mental?"},"content":{"rendered":"

Por Alejandra Lis Fusco<\/strong> – Ingeniera en Sistemas de Informaci\u00f3n (UTN); Mag\u00edster en Ciencia de Datos (UBA)<\/span><\/p>\n

Motivaci\u00f3n\u00a0<\/b><\/p>\n

Cuando pensamos en levantar una taza, nuestro cerebro activa redes muy parecidas a las que se encienden cuando efectivamente la levantamos. A esta capacidad de representar mentalmente un movimiento sin ejecutarlo se la conoce como imaginer\u00eda motora, y es clave en el aprendizaje motor, el deporte y la rehabilitaci\u00f3n. La metacognici\u00f3n<\/span> nos permite, adem\u00e1s, evaluar cu\u00e1n <\/span>v\u00edvidas <\/span><\/i>son esas im\u00e1genes mentales. Pero ese reporte es subjetivo: \u00bfexisten huellas objetivas en el movimiento real que delaten cu\u00e1n n\u00edtida fue la imagen previa?\u00a0<\/span><\/p>\n

Esta tesis aborda esa pregunta combinando estad\u00edstica, <\/span>machine learning <\/span><\/i>y t\u00e9cnicas novedosas de modelado de trayectorias 3D, sobre datos de un experimento de la Humboldt-Universit\u00e4t de Berl\u00edn, y fue dirigida por la Dra. Elisa Filevich y codirigida por el Dr. Andr\u00e9s Farall.\u00a0\u00a0<\/span><\/p>\n

El experimento\u00a0<\/b><\/p>\n

Participaron 32 voluntarios que realizaron 200 ensayos cada uno con dos tipos de agarres tomados de la escalada deportiva: el Crimp<\/span> (agarre en pinza) y el Sideway<\/span> (tir\u00f3n lateral). Estos movimientos fueron elegidos por ser claramente distinguibles entre s\u00ed.\u00a0<\/span><\/p>\n

\"\"<\/a>

Figura 1. Tareas motoras utilizadas: Crimp (derecha) y Sideway (izquierda).<\/p><\/div>\n

En cada ensayo, el participante deb\u00eda imaginar la transici\u00f3n de la mano desde el reposo hasta uno de los dos agarres posibles y reportar su vividez en una escala de 1 a 4. Luego, se le ped\u00eda ejecutar un movimiento indicado que pod\u00eda ser congruente (mismo movimiento) o incongruente (el contrario) respecto del imaginado. El 60 % de los ensayos fueron <\/span>congruentes <\/span><\/i>y el 40 % <\/span>incongruentes<\/span><\/i>, lo que permite estudiar la interferencia entre la imagen mental y la acci\u00f3n.<\/span><\/p>\n

\"\"<\/a>

Figura 2. Dise\u00f1o de los ensayos: imaginaci\u00f3n, reporte de vividez y ejecuci\u00f3n.<\/p><\/div>\n

Los datos\u00a0<\/b><\/p>\n

Cada mano se registr\u00f3 con 13 sensores<\/span> que muestrearon posici\u00f3n 3D y orientaci\u00f3n cada 16 ms, lo que arroj\u00f3 entre 18 y 193 observaciones por ensayo. A esto se sumaron variables temporales (tiempo de reacci\u00f3n, duraci\u00f3n del movimiento) y caracter\u00edsticas de cada participante (edad, g\u00e9nero, experiencia escalando). El resultado: un dataset rico pero altamente heterog\u00e9neo, con miles de trayectorias de duraci\u00f3n variable.\u00a0<\/span><\/p>\n

Metodolog\u00eda\u00a0<\/b><\/p>\n

A partir de las trayectorias se calcularon descriptores como el centroide, la distancia total recorrida y la velocidad media. Mientras que estos \u00faltimos permiten comparar ensayos mediante un \u00fanico valor, el centroide solo reduce la dimensionalidad sin resolver la variabilidad en la longitud de las series. As\u00ed, persiste una dificultad central: \u00bfc\u00f3mo comparar trayectorias de distinta duraci\u00f3n sin perder la riqueza del movimiento?<\/span><\/p>\n

\"\"<\/a><\/p>\n

\"\"<\/a>

Figura 3. Trayectorias 3D registradas por los sensores en un ensayo Crimp (abajo) y un Sideway (arriba)<\/p><\/div>\n

La estrategia fue ajustar las trayectorias con funciones continuas y normalizar el tiempo a un par\u00e1metro \u03bb \u2208 [0,1]. Los polinomios simples no capturaban adecuadamente los extremos ni las oscilaciones, por lo que se utilizaron <\/span>natural cubic splines<\/span><\/i>, que permiten mayor flexibilidad local mediante nodos. Se evaluaron distintas configuraciones (tanto en la cantidad de nodos como en su ubicaci\u00f3n) buscando un equilibrio entre calidad de ajuste (R\u00b2) y complejidad, y se seleccion\u00f3 una parametrizaci\u00f3n con 5 nodos equidistantes, que da lugar a 7 coeficientes por eje. De este modo, cada ensayo qued\u00f3 representado por una cantidad acotada de coeficientes comparables entre sujetos.\u00a0<\/span><\/p>\n

\"\"<\/a>

Figura 4. Comparaci\u00f3n entre un polinomio de grado 5 y splines c\u00fabicos para una misma trayectoria.<\/p><\/div>\n

Para validar la representaci\u00f3n, se entren\u00f3 una regresi\u00f3n log\u00edstica con penalizaci\u00f3n LASSO y validaci\u00f3n cruzada para clasificar Crimp vs. Sideway a partir de los coeficientes. Se alcanz\u00f3 una exactitud del 94 % (\u03baappa = 0,89), lo que indica un acuerdo alto y consistente m\u00e1s all\u00e1 del azar. En conjunto, estos resultados muestran que los splines capturan informaci\u00f3n suficiente para distinguir los movimientos.<\/span><\/p>\n

Finalmente, para la aplicaci\u00f3n de las t\u00e9cnicas de aprendizaje autom\u00e1tico, se definieron variables objetivo acordes a las preguntas del estudio. En particular, se combinaron vividez y congruencia para construir una variable de Priming Motor en dos variantes: una de 4 categor\u00edas (vividez baja\/alta \u00d7 congruencia) y otra de 8 categor\u00edas (vividez en escala original \u00d7 congruencia).<\/span><\/p>\n

Sobre estos datos se aplicaron tres familias de t\u00e9cnicas:\u00a0<\/span><\/p>\n