Geometría dinámica de la agencia: especificación experimental para estudiar la reorganización neuronal, la adaptación predictiva y la autonomía funcional humano–IA

 

CPEA–TAE-GDA

Geometría Dinámica de la Agencia: especificación experimental para estudiar la reorganización neuronal, la adaptación predictiva y la autonomía funcional humano–IA

Versión: 1.0
Fecha: 16 de noviembre de 2026
Programa: CPEA–TAE
Área: Neurociencia computacional, interfaces humano–IA, aprendizaje adaptativo y bioseñales.
Naturaleza: Especificación experimental y computacional.
Estado: Propuesta para implementación y validación. 

Resumen

Se propone una arquitectura experimental para investigar si la geometría de las representaciones neuronales, la dinámica espaciotemporal de la actividad cerebral y determinados estados fisiológicos permiten anticipar reorganizaciones cognitivas y mejorar la adaptación de arquitecturas humano–IA.

El proyecto integra tres líneas de investigación:

  1. La autonomía funcional y la volición como propiedades graduadas de los agentes.

  2. El formato de la información en poblaciones neuronales y su relación con las contribuciones funcionales al comportamiento.

  3. La geometría de las ondas cerebrales y su relación con los estados y contenidos de memoria.

Se desarrollará un protocolo multimodal EEG–ECG–HRV que combinará tareas de memoria, decisión y cambio de reglas. Se incorporará un simulador reproducible para generar poblaciones neuronales sintéticas, ondas viajeras, estados fisiológicos, excepciones cognitivas y respuestas conductuales.

Se contrastarán cinco hipótesis relativas a la geometría representacional, la dinámica neuronal, la reorganización inducida por excepciones, el valor incremental de la información fisiológica para la adaptación humano–IA y la autonomía funcional.

La evaluación utilizará validación cruzada por participantes, separación temporal de entrenamiento y prueba, controles aleatorios, ablaciones multimodales y criterios de falsación preestablecidos.

Principio metodológico: la predicción de una conducta no equivale a demostrar su mecanismo causal, y la predicción de una decisión no demuestra autonomía volitiva.

Palabras clave

CPEA; TAE; geometría representacional; ondas viajeras; EEG; ECG; HRV; memoria; reorganización cognitiva; adaptación predictiva; autonomía funcional; inteligencia artificial adaptativa. 

Fundamentación

Problema de investigación

Las arquitecturas convencionales de interacción humano–IA suelen utilizar información conductual explícita: respuestas, errores, tiempos de reacción y secuencias de decisiones.

Sin embargo, estos indicadores pueden aparecer después de que se hayan producido cambios internos relevantes para la conducta.

La investigación propuesta estudia si existen indicadores fisiológicos y neurocognitivos anteriores o concurrentes a las reorganizaciones conductuales que puedan mejorar la anticipación de esos cambios.

Se distinguen tres dimensiones:

  • Representacional: cómo se organiza la información en las poblaciones neuronales.

  • Dinámica: cómo se propaga y transforma temporalmente la actividad neuronal.

  • Agencial: cómo el sistema selecciona, mantiene y revisa sus objetivos y acciones.

La hipótesis general es que estas dimensiones contienen información parcialmente complementaria para anticipar transiciones funcionales.

Fundamentos bibliográficos

A. Arquitectura de autonomía responsable

Verschure. The architecture of Responsible Autonomy in biological and artificial systems: the Distributed Adaptive Control of volition and agency.

Royal Society, Philosophical Transactions B.

https://royalsocietypublishing.org/rstb/article/381/1962/20250156/484166/The-architecture-of-Responsible-Autonomy-in

Aporta un marco conceptual para estudiar la autonomía como una propiedad graduada, relacionada con la generación interna de objetivos, la selección de alternativas, la autorregulación y la continuidad funcional.

Aplicación: construcción de medidas operativas de agencia, separadas de la mera precisión predictiva.

B. Formato de información neuronal

Ruff et al. Information formatting in neuronal populations predicts differential functional contributions to behavior.

Nature Neuroscience.

https://www.nature.com/articles/s41593-026-02514-7

Aporta una base experimental para investigar cómo la organización de la información en poblaciones neuronales se relaciona con sus contribuciones funcionales al comportamiento.

Aplicación: estimación de geometría representacional, separabilidad de variables y reorganización de subespacios.

C. Ondas cerebrales y memoria

Das et al. Planar, spiral, and concentric traveling waves distinguish behavioral states in human memory.

Nature Communications.

https://doi.org/10.1038/s41467-026-71386-z

Aporta una base para estudiar las configuraciones espaciales y temporales de las ondas cerebrales durante diferentes estados de memoria.

Aplicación: análisis de propagación de fase, geometría de ondas y capacidad predictiva sobre la recuperación de información.

Nota bibliográfica: las referencias deben verificarse en sus versiones editoriales definitivas antes de cerrar la publicación, incluyendo autores, fecha, DOI, métodos y resultados cuantitativos. La especificación no presupone que los tres trabajos hayan demostrado una cadena causal común. 

Objetivos

Objetivo general

Determinar si la integración de geometría representacional, dinámica neuronal y variables fisiológicas permite anticipar reorganizaciones cognitivas y mejorar la adaptación de arquitecturas humano–IA respecto a modelos basados exclusivamente en conducta.

Objetivos específicos

O1. Estimar la geometría de las representaciones neuronales durante tareas cognitivas controladas.

O2. Caracterizar patrones de propagación de actividad neuronal mediante EEG.

O3. Determinar si las modificaciones de las representaciones y de la dinámica neuronal anticipan cambios conductuales.

O4. Evaluar el valor incremental de ECG y HRV para interpretar estados fisiológicos asociados a la adaptación.

O5. Comparar arquitecturas humano–IA con diferentes modalidades de entrada.

O6. Investigar indicadores conductuales de autonomía funcional sin confundirlos con experiencia subjetiva o conciencia.

O7. Construir un simulador reproducible que permita probar la sensibilidad de los modelos ante cambios de parámetros, ruido y excepciones. 

Hipótesis experimentales

H1. Geometría representacional

La geometría de las representaciones neuronales contiene información adicional sobre las transiciones conductuales respecto a las medidas convencionales de potencia y amplitud EEG.

Predicción: un modelo que incorpore geometría representacional obtendrá mejor rendimiento predictivo fuera de muestra que un modelo basado exclusivamente en características EEG convencionales.

Falsación: la geometría no proporciona capacidad predictiva incremental reproducible.

H2. Dinámica espaciotemporal

Las características de propagación de ondas neuronales contienen información adicional sobre los estados de memoria y sus transiciones.

Predicción: la inclusión de dirección, velocidad, curvatura y estabilidad de las ondas mejorará la clasificación de estados cognitivos respecto a modelos que utilicen únicamente potencia espectral.

Falsación: la dinámica de propagación no aporta información incremental después de controlar las variables espectrales, la calidad de señal y la estructura temporal de la tarea.

H3. Reorganización por excepción

Las situaciones que requieren modificar una estrategia inducen cambios detectables en la geometría representacional o en la dinámica neuronal, y estos cambios anticipan la adaptación conductual posterior.

Predicción: determinados cambios representacionales precederán temporalmente a la modificación de la estrategia.

Falsación: los cambios no preceden a la reorganización conductual, no se reproducen entre participantes o no aportan predicción adicional respecto a la conducta previa.

H4. Integración fisiológica humano–IA

La integración de EEG, ECG y HRV mejora la adaptación predictiva de la IA frente a arquitecturas que utilizan exclusivamente conducta o EEG convencional.

Predicción: el modelo multimodal reducirá la pérdida predictiva y mejorará la calibración ante excepciones.

Falsación: la incorporación fisiológica no mejora de forma reproducible el rendimiento fuera de muestra.

H5. Autonomía funcional graduada

Los indicadores de generación interna de objetivos, flexibilidad de selección, persistencia y revisión de estrategias permiten distinguir diferentes grados de autonomía funcional.

Predicción: las medidas conductuales de autonomía explicarán variabilidad adicional en la selección de acciones, más allá de la precisión predictiva del modelo.

Falsación: los indicadores no muestran validez discriminante, estabilidad suficiente o capacidad predictiva independiente.

La experiencia de autoría subjetiva se tratará como una variable distinta y no como una propiedad directamente observable mediante EEG. 

Arquitectura experimental

Variables de entrada

EEG

  • Potencia espectral.

  • Potencia relativa.

  • Coherencia y conectividad funcional.

  • Fase instantánea.

  • Propagación espacial.

  • Dirección y velocidad de propagación.

  • Geometría de ondas.

  • Dimensionalidad de la actividad poblacional.

  • Separabilidad de representaciones.

  • Variabilidad entre estados.

ECG

  • Frecuencia cardíaca.

  • Intervalos RR.

  • Variabilidad de intervalos.

  • Respuesta cardíaca ante cambios de tarea.

HRV

  • RMSSD.

  • SDNN.

  • Frecuencia cardíaca media.

  • Componentes espectrales cuando la duración y calidad de los registros permitan estimarlos.

Se priorizará RMSSD en ventanas de duración suficiente. Las estimaciones de HRV de ventanas breves serán exploratorias y no se considerarán equivalentes a registros estándar de cinco minutos.

Variables conductuales

  • Precisión.

  • Tiempo de reacción.

  • Errores perseverativos.

  • Cambios de estrategia.

  • Coste de cambio de regla.

  • Recuperación de memoria.

  • Confianza declarada.

  • Elección voluntaria entre alternativas.

  • Persistencia ante cambios de contexto.

Variables dependientes

  1. Predicción de transición conductual.

  2. Predicción de recuperación de memoria.

  3. Latencia de adaptación.

  4. Coste de cambio de estrategia.

  5. Transferencia a reglas nuevas.

  6. Calibración de incertidumbre.

  7. Indicadores operativos de autonomía funcional.

Variables de control

  • Edad.

  • Horario experimental.

  • Sueño declarado.

  • Consumo reciente de cafeína.

  • Actividad física reciente.

  • Medicación relevante declarada y compatible con el protocolo ético.

  • Calidad de señal.

  • Fatiga.

  • Familiaridad con las tareas.

  • Orden de presentación.

Estas variables se registrarán para controlar confusión, no para atribuirles automáticamente efectos causales. 

Participantes y diseño

Estudio piloto

Propuesta inicial: 30 participantes adultos.

Este tamaño constituye un objetivo de viabilidad, no una justificación de potencia estadística.

El estudio piloto servirá para estimar:

  • Variabilidad intraindividual.

  • Calidad de los registros.

  • Frecuencia de artefactos.

  • Magnitud de los efectos conductuales.

  • Fiabilidad de las características geométricas.

  • Correlación entre variables fisiológicas.

El tamaño definitivo del estudio confirmatorio se calculará a partir de los resultados del piloto y de una simulación de potencia basada en el efecto mínimo relevante.

Diseño

Diseño intraindividual con tareas repetidas y condiciones experimentales contrabalanceadas.

Cada participante realizará:

  1. Periodo basal.

  2. Tarea de memoria.

  3. Tarea de decisión.

  4. Tarea de cambio de reglas.

  5. Periodo de recuperación.

  6. Evaluación subjetiva de confianza y autoría.

Duración aproximada: 90–120 minutos, incluyendo preparación de electrodos y descansos.

Criterios de exclusión

Se establecerán criterios previos relacionados con:

  • Calidad insuficiente de los registros.

  • Incapacidad para comprender las instrucciones.

  • Incidencias técnicas.

  • Interrupción voluntaria.

Las exclusiones no podrán decidirse después de observar los resultados en función de si favorecen o perjudican las hipótesis. 

Protocolo EEG–ECG–HRV

Equipamiento

EEG:

  • Sistema de 64 canales.

  • Frecuencia de muestreo: 500 Hz como mínimo recomendado.

  • Montaje 10-10 o equivalente.

  • Registro de impedancias y canales de referencia.

  • Canales EOG adicionales para control ocular.

ECG:

  • Derivación adecuada para identificación de ondas R.

  • Muestreo recomendado: 500–1000 Hz.

  • Sincronización temporal con EEG.

Software:

  • Python.

  • MNE-Python.

  • NumPy.

  • SciPy.

  • NeuroKit2.

  • scikit-learn.

  • PyTorch, si se desarrolla el modelo neuronal adaptativo.

  • Lab Streaming Layer para sincronización, cuando esté disponible.

Sincronización

Todos los dispositivos deberán compartir una referencia temporal o disponer de eventos de sincronización verificables.

Cada evento experimental tendrá:

  • Identificador de participante.

  • Identificador de sesión.

  • Marca temporal.

  • Tipo de tarea.

  • Condición.

  • Estímulo.

  • Respuesta.

  • Resultado.

  • Estado experimental.

La sincronización es esencial para estudiar precedencia temporal. Los desfases entre EEG, ECG y eventos conductuales deberán medirse y corregirse.

Preprocesamiento EEG

Pipeline:

  1. Inspección de calidad.

  2. Detección de canales defectuosos.

  3. Filtrado de baja frecuencia.

  4. Filtrado de alta frecuencia.

  5. Notch según frecuencia eléctrica local.

  6. Detección de artefactos.

  7. ICA u otro método validado para separar componentes oculares y musculares.

  8. Re-referenciación documentada.

  9. Segmentación por eventos.

  10. Extracción de características.

El filtrado se realizará evitando fugas temporales cuando el objetivo sea predecir acontecimientos futuros. Para evaluación en línea no se emplearán filtros de fase cero que utilicen información futura.

Análisis de ondas

Se utilizará la señal analítica obtenida mediante transformada de Hilbert o métodos equivalentes para estimar la fase instantánea.

La diferencia de fase entre electrodos permitirá estudiar propagación espacial.

Se estimarán:

  • Dirección dominante.

  • Velocidad aparente.

  • Estabilidad de la propagación.

  • Curvatura.

  • Índices de rotación.

  • Configuración planar o no planar.

Se aplicarán controles con señales sustitutas y permutaciones espaciales para distinguir propagación real de coincidencias debidas a referencias comunes, volumen conductor o artefactos.

No se interpretará una secuencia de fases entre electrodos como una onda cortical viajera sin validación adicional.

Análisis ECG y HRV

Se identificarán los picos R y se corregirán latidos ectópicos y detecciones erróneas mediante procedimientos documentados.

Se calcularán:

  • RR medio.

  • SDNN.

  • RMSSD.

  • Frecuencia cardíaca media.

  • Variabilidad temporal.

La respiración se registrará preferentemente como variable auxiliar, porque afecta a la interpretación de la HRV.

La HRV no se utilizará como marcador directo de autonomía, conciencia o capacidad cognitiva. 

Tareas experimentales

Tarea A: memoria

Objetivo: estudiar la relación entre geometría de ondas, codificación y recuperación de información.

Procedimiento:

  1. Presentación de estímulos visuales o secuencias de letras.

  2. Periodo de codificación.

  3. Intervalo de retención.

  4. Tarea distractora breve.

  5. Recuperación mediante reconocimiento o recuerdo.

  6. Registro de confianza.

Variables:

  • Precisión de recuperación.

  • Tiempo de respuesta.

  • Tipo de error.

  • Características EEG durante codificación y recuperación.

  • Geometría de ondas.

  • HRV por bloques.

Análisis principal:

Determinar si los patrones geométricos durante la recuperación aportan información sobre el contenido recordado y el éxito de recuperación, con validación por participante y por estímulo.

Tarea B: decisión

Objetivo: estudiar la integración de información, recompensa y selección de acciones.

Procedimiento:

Se presentarán estímulos visuales con diferente grado de evidencia y recompensas asociadas.

El participante deberá elegir entre alternativas.

Se manipularán:

  • Intensidad de evidencia.

  • Magnitud de recompensa.

  • Incertidumbre.

  • Disponibilidad de alternativas.

  • Cambios contextuales.

Variables:

  • Precisión.

  • Tiempo de reacción.

  • Sensibilidad a la evidencia.

  • Sensibilidad a recompensa.

  • Consistencia de elección.

  • Confianza.

Análisis:

Comparar la capacidad predictiva de modelos basados en conducta, potencia EEG, geometría representacional y dinámica neuronal.

Tarea C: cambio de reglas

Objetivo: estudiar la reorganización funcional ante excepciones.

Procedimiento:

  1. El participante aprende una regla de respuesta.

  2. Se estabiliza el rendimiento.

  3. Se introduce una inversión o modificación de la regla.

  4. Se registra la perseveración.

  5. Se evalúa la velocidad de adaptación.

  6. Se introduce una segunda regla para evaluar transferencia.

Condiciones:

  • Regla estable.

  • Cambio anunciado.

  • Cambio inesperado.

  • Cambio de contexto.

  • Recuperación de la regla anterior.

Variables:

  • Número de errores posteriores al cambio.

  • Latencia hasta recuperar un rendimiento estable.

  • Cambio en la geometría representacional.

  • Modificaciones de propagación.

  • Confianza.

  • Persistencia de la estrategia anterior.

Definición operacional de reorganización:

Se considerará que existe reorganización funcional cuando un cambio en las representaciones o en la dinámica neuronal sea reproducible y se asocie temporalmente con una modificación de la estrategia conductual.

Una variación aislada de EEG no será suficiente.

Tarea D: autonomía funcional

Se incorporará un bloque exploratorio específico.

El participante podrá:

  • Elegir entre diferentes estrategias.

  • Mantener una estrategia propia.

  • Solicitar información adicional.

  • Rechazar recomendaciones del sistema.

  • Revisar una decisión anterior.

  • Definir una meta dentro de límites experimentales.

Se distinguirán:

  • Respuesta impuesta.

  • Respuesta sugerida.

  • Elección autónoma entre alternativas.

  • Revisión de objetivos.

  • Persistencia ante interferencia.

La autoría percibida se medirá mediante autoinforme y no se inferirá directamente de las señales fisiológicas. 

Arquitectura matemática

Estado neuronal

Sea:

X(t) ∈ R^N

donde N representa las unidades observadas.

El estado se proyectará sobre un espacio de menor dimensión:

Z(t) = X(t)W

Donde W es una matriz de proyección estimada únicamente con los datos de entrenamiento.

Se estudiarán:

  • Dimensionalidad efectiva.

  • Separabilidad.

  • Estabilidad geométrica.

  • Distancias entre estados.

  • Cambios de subespacio.

Geometría representacional

Para dos variables informativas A y B se estimarán subespacios:

U_A y U_B.

Una primera medida será el solapamiento entre subespacios.

También se utilizará una medida de ángulos principales.

La separabilidad se interpretará como una propiedad relativa a la tarea y al método de estimación, no como una característica absoluta de la región cerebral.

Dinámica espaciotemporal

Se definirá:

D(t) = [v(t), θ(t), κ(t), ω(t), s(t)]

Donde:

  • v: velocidad aparente.

  • θ: dirección.

  • κ: curvatura.

  • ω: rotación.

  • s: estabilidad temporal.

Se compararán configuraciones de ondas con modelos de actividad estacionaria y señales sustitutas.

Cambio representacional

La magnitud de reorganización será:

ΔG(t) = d(G(t), G(t-1))

La distancia deberá seleccionarse según la representación utilizada.

Se utilizarán distancias entre matrices de disimilitud, ángulos entre subespacios y medidas de estabilidad de representación.

Predicción de transiciones

Sea Y(t+h) una variable conductual futura.

El objetivo será estimar:

P(Y(t+h) | X(t), D(t), H(t), B(t))

Donde:

  • X: geometría representacional.

  • D: dinámica neuronal.

  • H: estado fisiológico.

  • B: conducta previa.

El horizonte h se definirá antes del análisis.

Se comparará con:

P(Y(t+h) | B(t))

La diferencia entre ambos modelos permitirá estimar el valor incremental de las modalidades fisiológicas y neuronales.

Autonomía funcional

Se construirá un vector:

A(t) = [a1, a2, a3, a4, a5, a6]

Representando dimensiones operativas de autonomía.

El índice compuesto será exploratorio:

A_global(t) = Σ wi ai(t)

No se asignarán pesos definitivos hasta evaluar la estructura factorial y la validez de constructo.

La autonomía se mantendrá como resultado diferenciado de la precisión de predicción. 

Modelos Humano–IA

Se compararán cinco arquitecturas:

M0. Modelo conductual.

M1. Modelo conductual + EEG convencional.

M2. Modelo conductual + geometría representacional.

M3. Modelo conductual + geometría + dinámica de ondas.

M4. Modelo multimodal completo: conducta + EEG + ECG/HRV + geometría + dinámica.

Todos utilizarán el mismo conjunto de participantes y la misma partición de evaluación.

El sistema no modificará decisiones reales del participante. Sus recomendaciones serán informativas y siempre estarán subordinadas a la elección humana.

Métricas

  • Log-loss.

  • Brier score.

  • AUROC cuando proceda.

  • AUPRC cuando exista desequilibrio de clases.

  • Error de calibración.

  • Latencia de detección.

  • Coste de adaptación.

  • Rendimiento en transferencia.

  • Robustez ante ruido.

La métrica principal será la pérdida predictiva fuera de muestra para la transición conductual predefinida.

Prevención de fugas de información

Se separarán los datos por participante en la evaluación principal.

Ningún segmento de un mismo participante podrá aparecer simultáneamente en entrenamiento y prueba cuando se pretenda evaluar generalización a personas nuevas.

Las transformaciones, normalizaciones, selección de variables y reducción dimensional se ajustarán exclusivamente con los datos de entrenamiento.

También se realizará una evaluación temporal dentro de participante, claramente diferenciada de la generalización entre participantes. 

Simulador reproducible

Finalidad

El simulador permitirá estudiar si las cinco hipótesis pueden recuperarse cuando se conocen los mecanismos que generan los datos.

No constituye evidencia de que esos mecanismos existan necesariamente en el cerebro humano.

Se utilizará para:

  • Verificar el pipeline.

  • Evaluar la sensibilidad al ruido.

  • Comparar modelos.

  • Generar controles negativos.

  • Estudiar confusión entre variables.

  • Probar criterios de falsación.

Modelo generativo

El simulador producirá:

  1. Estados latentes cognitivos.

  2. Representaciones neuronales.

  3. Patrones de propagación.

  4. Variables fisiológicas.

  5. Excepciones.

  6. Cambios de estrategia.

  7. Respuestas conductuales.

Se manipularán independientemente la geometría representacional y la dinámica neuronal.

Código Python

Dependencias:

pip install numpy pandas scipy scikit-learn matplotlib

Código inicial:

import numpy as np
import pandas as pd

from sklearn.model_selection import GroupShuffleSplit
from sklearn.preprocessing import StandardScaler
from sklearn.pipeline import make_pipeline
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import log_loss, accuracy_score

SEED = 42
rng = np.random.default_rng(SEED)

def simulate(
    n_subjects=30,
    trials=200,
    n_features=24,
    noise=0.8,
    geometry_effect=0.8,
    wave_effect=0.6,
    physiology_effect=0.3
):
    """
    Generador sintético de transiciones cognitivas.

    Los parámetros son artificiales.
    No representan estimaciones fisiológicas humanas.
    """

    rows = []

    for subject in range(n_subjects):

        baseline = rng.normal(size=n_features)

        for trial in range(trials):

            exception = int(rng.random() < 0.20)

            # Estado representacional
            geometry = (
                baseline
                + geometry_effect * exception
                * rng.normal(size=n_features)
            )

            # Dinámica de propagación sintética
            wave = (
                wave_effect * exception
                + rng.normal(scale=noise)
            )

            # Estado fisiológico sintético
            physiology = (
                physiology_effect * exception
                + rng.normal(scale=noise)
            )

            # Estado conductual previo
            behavior = rng.normal(scale=noise)

            # Probabilidad de reorganización posterior
            logit = (
                -1.2
                + 0.65 * exception
                + 0.18 * geometry.mean()
                + 0.40 * wave
                + 0.25 * physiology
                + 0.15 * behavior
            )

            probability = 1 / (1 + np.exp(-logit))

            outcome = int(rng.random() < probability)

            row = {
                "subject": subject,
                "trial": trial,
                "exception": exception,
                "wave": wave,
                "physiology": physiology,
                "behavior": behavior,
                "outcome": outcome
            }

            for j, value in enumerate(geometry):
                row[f"g{j}"] = value

            rows.append(row)

    return pd.DataFrame(rows)

def evaluate(df, feature_sets):

    X_all = df.drop(
        columns=["subject", "trial", "outcome"]
    )

    y = df["outcome"].values
    groups = df["subject"].values

    splitter = GroupShuffleSplit(
        n_splits=1,
        test_size=0.30,
        random_state=SEED
    )

    train_idx, test_idx = next(
        splitter.split(X_all, y, groups)
    )

    results = []

    for name, features in feature_sets.items():

        X = df[features].values

        model = make_pipeline(
            StandardScaler(),
            LogisticRegression(
                max_iter=2000,
                class_weight="balanced"
            )
        )

        model.fit(X[train_idx], y[train_idx])

        probabilities = model.predict_proba(
            X[test_idx]
        )[:, 1]

        predictions = (
            probabilities >= 0.5
        ).astype(int)

        results.append({
            "model": name,
            "log_loss": log_loss(
                y[test_idx],
                probabilities
            ),
            "accuracy": accuracy_score(
                y[test_idx],
                predictions
            )
        })

    return pd.DataFrame(results)

if __name__ == "__main__":

    df = simulate()

    geometry = [
        c for c in df.columns
        if c.startswith("g")
    ]

    feature_sets = {
        "M0_behavior": [
            "behavior"
        ],

        "M1_behavior_wave": [
            "behavior", "wave"
        ],

        "M2_geometry": [
            "behavior"
        ] + geometry,

        "M3_geometry_waves": [
            "behavior", "wave"
        ] + geometry,

        "M4_multimodal": [
            "behavior", "wave",
            "physiology"
        ] + geometry
    }

    results = evaluate(
        df,
        feature_sets
    )

    print(results.to_string(index=False))

    df.to_csv(
        "cpea_tae_gda_simulated.csv",
        index=False
    )

    results.to_csv(
        "cpea_tae_gda_results.csv",
        index=False
    )

Interpretación del simulador

El código constituye una primera prueba de infraestructura, no una reproducción biológica de EEG, ondas viajeras o HRV.

El generador introduce una relación conocida entre excepciones y resultados para verificar que el pipeline pueda recuperar información sintética.

La siguiente versión deberá incorporar:

  • Series temporales neuronales.

  • Matrices de conectividad.

  • Ondas planas y espirales sintéticas.

  • Ruido espacial y temporal.

  • Señales ECG simuladas con intervalos RR.

  • Artefactos oculares y musculares.

  • Variaciones individuales.

  • Transiciones de reglas.

  • Ablación independiente de cada modalidad.

La comparación entre modelos deberá realizarse con múltiples semillas y particiones, informando media, dispersión e intervalos de incertidumbre. 

Plan de análisis estadístico 

Análisis primario

Evaluar si M4 mejora la predicción de transiciones conductuales respecto a M0.

La comparación se realizará mediante:

  • Diferencia de log-loss.

  • Intervalos de confianza.

  • Pruebas de permutación.

  • Comparación de calibración.

  • Evaluación por participante.

Análisis secundarios

  • Valor incremental de geometría.

  • Valor incremental de propagación.

  • Valor incremental de HRV.

  • Relación entre reorganización neuronal y coste de cambio.

  • Diferencias entre memoria y decisión.

  • Transferencia a reglas no entrenadas.

Análisis temporal

Se establecerá una secuencia:

T0: estado previo.

T1: aparición de una excepción.

T2: modificación neuronal.

T3: modificación conductual.

Se comprobará si las características en T2 mejoran la predicción de T3.

Los análisis temporales deberán controlar la autocorrelación y los efectos de anticipación inducidos por el propio diseño de la tarea.

No se interpretará precedencia temporal como causalidad.

Multiplicidad

Se establecerá una hipótesis primaria y un conjunto limitado de hipótesis secundarias.

Se utilizarán procedimientos de corrección por comparaciones múltiples, como Holm, cuando corresponda.

Se publicarán también los resultados negativos. 

Criterios de falsación

HipótesisResultado necesarioResultado que la debilita o refuta
H1Mejora incremental de geometríaAusencia de mejora fuera de muestra
H2Información adicional de propagaciónRedundancia respecto a potencia y fase
H3Cambios previos y reproduciblesCambios posteriores o no relacionados
H4Mejora multimodalAusencia de beneficio frente a controles
H5Validez independiente de autonomíaAusencia de validez discriminante

Se fijará antes de la recogida de datos el efecto mínimo relevante.

Una hipótesis no se considerará confirmada por obtener simplemente un valor p inferior a 0,05.

Se exigirá:

  • Reproducibilidad.

  • Tamaño de efecto.

  • Intervalos de confianza.

  • Generalización.

  • Ausencia de fugas de información.

  • Robustez ante controles negativos. 

Controles negativos

Se incorporarán:

  1. Permutación de etiquetas.

  2. Desalineación temporal de EEG y conducta.

  3. Desalineación de ECG y eventos.

  4. Sustitución de características fisiológicas por ruido.

  5. Eliminación de variables geométricas.

  6. Eliminación de variables de propagación.

  7. Comparación con modelos conductuales simples.

  8. Evaluación con datos de participantes no vistos.

También se comprobará que el sistema no identifica únicamente la identidad del participante, el orden de las tareas o la presencia de artefactos. 

Cronograma

FaseActividadEntregable
1Revisión bibliográfica y preregistroProtocolo definitivo
2Simulador sintéticoRepositorio v0.1
3Validación del pipelineInforme de calidad
4Piloto experimentalDataset piloto
5Análisis geométrico y temporalInforme H1–H3
6Modelos multimodalesComparación M0–M4
7Análisis de autonomíaInforme H5
8Replicación y publicaciónArtículo y repositorio final

Ética, seguridad y gobernanza

La investigación con participantes requerirá evaluación y aprobación ética previa, consentimiento informado y protección de datos conforme al RGPD y la legislación española.

Los registros EEG, ECG y HRV se tratarán como datos personales potencialmente sensibles.

Se aplicarán:

  • Seudonimización.

  • Almacenamiento cifrado.

  • Control de accesos.

  • Minimización de datos.

  • Retención limitada.

  • Separación entre identificadores y registros.

  • Documentación de incidencias.

La IA no tendrá capacidad para imponer decisiones ni modificar objetivos personales.

Las predicciones no se utilizarán para diagnosticar estados clínicos, inferir incapacidad decisoria o clasificar personas según supuestos grados de conciencia.

El participante conservará la posibilidad de rechazar cualquier recomendación. 

Reproducibilidad y estructura del repositorio 

Propuesta:

CPEA-TAE-GDA/
│
├── README.md
├── LICENSE
├── CITATION.cff
├── requirements.txt
│
├── docs/
│   ├── especificacion_experimental.md
│   ├── protocolo_EEG_ECG_HRV.md
│   ├── hipotesis_y_falsacion.md
│   └── diccionario_variables.md
│
├── simulator/
│   ├── generative_model.py
│   ├── neural_geometry.py
│   ├── traveling_waves.py
│   ├── physiology.py
│   └── experiments.py
│
├── acquisition/
│   ├── event_markers.py
│   ├── synchronization.py
│   └── quality_control.py
│
├── preprocessing/
│   ├── eeg_pipeline.py
│   ├── ecg_pipeline.py
│   └── hrv_pipeline.py
│
├── features/
│   ├── representational_geometry.py
│   ├── wave_dynamics.py
│   └── physiological_features.py
│
├── models/
│   ├── behavioral_baseline.py
│   ├── multimodal_model.py
│   └── agency_metrics.py
│
├── evaluation/
│   ├── cross_validation.py
│   ├── ablation.py
│   ├── permutation_tests.py
│   └── falsification.py
│
├── tests/
│   ├── test_simulator.py
│   ├── test_synchronization.py
│   └── test_temporal_leakage.py
│
├── data/
│   ├── synthetic/
│   └── README.md
│
└── results/
    └── figures/

Los datos reales no se publicarán sin verificar previamente consentimiento, autorización y condiciones de uso.

El repositorio deberá incluir versiones de dependencias, semillas, parámetros, metadatos de ejecución y procedimientos para reconstruir cada resultado. 

Resultados esperados y posibles  interpretaciones 

Escenario A: geometría y dinámica aportan información independiente

Se respaldaría la hipótesis de que las representaciones y su organización temporal ofrecen información complementaria para anticipar transiciones conductuales.

Escenario B: geometría aporta información, pero las ondas no

La arquitectura debería priorizar la organización representacional y reducir el peso de la dinámica de propagación.

Escenario C: la fisiología mejora la predicción, pero no la autonomía

Se habría demostrado una utilidad adaptativa de las señales fisiológicas, sin demostrar que estas informen sobre la volición.

Escenario D: no existe mejora multimodal

La hipótesis de superioridad de la arquitectura integrada quedaría debilitada. Sería necesario investigar si las modalidades son redundantes o si la calidad de medición resulta insuficiente.

Escenario E: los indicadores de autonomía no son independientes

Habría que revisar la operacionalización de la agencia y evitar utilizar un índice compuesto sin suficiente validez. 

Conclusión

CPEA–TAE-GDA propone investigar una transición conceptual importante: pasar de arquitecturas que predicen respuestas a arquitecturas que identifican cambios en la organización funcional del agente humano y adaptan su interacción a ellos.

El proyecto no presupone que la geometría neuronal genere autonomía, que las ondas cerebrales expliquen por sí solas la memoria ni que la información fisiológica permita identificar directamente estados volitivos.

Su contribución consiste en transformar estas posibilidades en hipótesis independientes, medibles y falsables.

La pregunta experimental central será:

¿La geometría representacional y la dinámica neuronal permiten anticipar reorganizaciones cognitivas y mejorar la adaptación humano–IA más allá de lo que permiten las variables conductuales convencionales?

La respuesta deberá proceder de comparaciones experimentales reproducibles, controles negativos y validación independiente.

Principio rector: la arquitectura humano–IA debe ampliar la capacidad de adaptación del agente humano, preservar su capacidad de elección y distinguir rigurosamente entre predicción, reorganización funcional y autonomía. 

Referencias

  1. Verschure. The architecture of Responsible Autonomy in biological and artificial systems: the Distributed Adaptive Control of volition and agency. Philosophical Transactions of the Royal Society B.
    https://royalsocietypublishing.org/rstb/article/381/1962/20250156/484166/The-architecture-of-Responsible-Autonomy-in

  2. Ruff et al. Information formatting in neuronal populations predicts differential functional contributions to behavior. Nature Neuroscience.
    https://www.nature.com/articles/s41593-026-02514-7

  3. Das et al. Planar, spiral, and concentric traveling waves distinguish behavioral states in human memory. Nature Communications.
    https://doi.org/10.1038/s41467-026-71386-z

  4. Gramfort, A. et al. (2013). MEG and EEG data analysis with MNE-Python. Frontiers in Neuroscience. https://doi.org/10.3389/fnins.2013.00267

  5. Delorme, A. & Makeig, S. (2004). EEGLAB: an open source toolbox for analysis of single-trial EEG dynamics. Journal of Neuroscience Methods. https://doi.org/10.1016/j.jneumeth.2003.10.009

  6. Task Force of the European Society of Cardiology and the North American Society of Pacing and Electrophysiology (1996). Heart rate variability: standards of measurement, physiological interpretation and clinical use. Circulation. https://doi.org/10.1161/01.CIR.93.5.1043

  7. Pernet, C. R. et al. (2020). EEG-BIDS, an extension to the brain imaging data structure for electroencephalography. Scientific Data. https://doi.org/10.1038/s41597-019-0104-8

Fin de la especificación experimental v1.0.

 

Una corrección importante para la implementación

Antes de utilizar el simulador como referencia, hay que ajustar una línea del generador para que el efecto geométrico sea identificable estadísticamente.

En el código anterior, sustituye:

geometry = (    baseline    + geometry_effect * exception    * rng.normal(size=n_features))

Por:

geometry = (    baseline    + geometry_effect * exception    * np.ones(n_features)    + rng.normal(scale=noise, size=n_features))

Así el simulador introduce una señal geométrica controlada y separable del ruido. Sigue siendo un generador artificial, no un modelo biológico validado.

 

Comentarios

Entradas populares