Integración, segregación y metaestabilidad cerebral

Dos regiones pueden mantener un desfase estable sin alcanzar sus máximos al mismo tiempo. Una red puede mostrar poca sincronización global precisamente porque contiene grupos muy coordinados que oscilan en oposición de fase. La configuración aparente de una red también puede cambiar de manera continua por efecto del ruido de medición, sin que el sistema subyacente haya cambiado. Estas posibilidades obligan a precisar qué se quiere decir cuando se describe la integración, la segregación o la metaestabilidad de una dinámica cerebral.

El vocabulario sugiere propiedades intuitivas. Integración alude a coordinación entre componentes; segregación, a diferenciación entre conjuntos; metaestabilidad, a permanencias transitorias que no llegan a fijarse. Cada término admite varias definiciones operacionales. Calcular cualquiera de ellas exige elegir señales, escalas temporales y reglas de resumen. Dos estudios que emplean la misma palabra pueden estar midiendo cantidades distintas. Revisiones recientes han documentado que la literatura neurocientífica usa la noción de metaestabilidad a menudo de manera heurística y a veces imprecisa (Hancock et al., 2025), con formulaciones que no siempre coinciden entre sí (Rossi et al., 2025).

Los modelos de osciladores permiten examinar estos problemas en condiciones controladas, porque en ellos las fases y los acoplamientos son conocidos. Shanahan (2010) construyó una red modular de osciladores idénticos capaz de generar configuraciones transitorias en las que algunas comunidades se sincronizan mientras otras permanecen desincronizadas. Ese resultado ofrece una construcción matemática útil para pensar la coordinación variable. Su aplicación al cerebro requiere especificar qué osciladores y qué observaciones representan las variables del modelo.

Un sistema de cuatro unidades basta para mostrar que varias medidas razonables pueden discrepar entre sí. A partir de él se introducen las nociones de permanencia y transición, con el propósito de describir un repertorio dinámico sin convertir una cifra alta de variabilidad en una conclusión automática sobre flexibilidad cognitiva o salud.

406.1. Una fase necesita una oscilación interpretable

Para un oscilador bien definido, la fase $\phi_i(t)$ indica su posición dentro de un ciclo. Dos unidades presentan sincronización de fase si su diferencia de fases permanece acotada o aproximadamente constante bajo una definición adecuada. La coincidencia exacta de fases es solo un caso particular. Un desfase de media vuelta puede ser tan estable como uno cercano a cero.

En datos empíricos, la fase suele estimarse a partir de una señal filtrada en banda y de su representación analítica, habitualmente obtenida con la transformada de Hilbert. El procedimiento depende de la banda seleccionada y de la calidad de la oscilación. Una señal de banda ancha, con amplitud casi nula o con varios componentes superpuestos puede producir fases difíciles de interpretar. El algoritmo siempre devuelve números, aunque la existencia de un número no garantiza que corresponda a una variable fisiológica bien definida.

La fase es además una variable circular. El paso de $2\pi$ a cero representa continuidad dentro del ciclo, aunque una resta ordinaria lo haga parecer un salto grande. Por eso las diferencias deben tratarse mediante funciones circulares, como $e^{i\phi}$, o mediante un procedimiento de desenvolvimiento justificado. Un promedio aritmético de ángulos cercanos a cero y a $2\pi$ puede apuntar hacia la dirección opuesta a la que comparten.

La amplitud y la fase contienen información distinta. Dos señales pueden tener fases coordinadas y amplitudes muy diferentes. Un cambio de amplitud puede modificar la precisión con que se estima la fase sin que cambie el acoplamiento real. Por eso los cambios concurrentes de potencia complican la interpretación de las estimaciones de bloqueo de fase (Muthukumaraswamy & Singh, 2011). Conviene examinar ambas magnitudes antes de interpretar cambios de sincronización. En una simulación con fases conocidas este problema desaparece, lo que permite estudiar primero las propiedades de cada métrica.

406.2. Orden global y coordinación entre pares

El parámetro de orden de Kuramoto para una población de $N$ osciladores (Acebrón et al., 2005) se define como

$R$ mide la concentración de las fases alrededor de una dirección común y varía entre cero y uno. Cuando todas las fases coinciden, $R=1$. Cuando los vectores unitarios se cancelan, $R=0$. Esa cancelación es compatible con organizaciones muy distintas, como una dispersión irregular, dos grupos en oposición o un conjunto distribuido simétricamente alrededor del círculo.

Para un par de señales, una medida habitual es el valor de bloqueo de fase (PLV, por phase-locking value), propuesto para señales neuroeléctricas por Lachaux et al. (1999), que se define como

Esta magnitud aumenta cuando el desfase entre ambas señales es estable. Un desfase constante de cero, de $\pi/2$ o de $\pi$ produce en todos los casos una PLV igual a uno. Por tanto, la PLV y la concentración global responden preguntas diferentes. Confundirlas puede hacer que una organización estable parezca ausencia de coordinación.

La PLV depende también de la longitud de la muestra y de la dependencia temporal entre observaciones. Con pocas observaciones, fases independientes producen valores positivos por azar. Si las $T$ diferencias de fase son independientes y uniformes, el valor esperado de la PLV es aproximadamente $\sqrt{\pi/(4T)}$, cerca de 0.089 para $T=100$. Ese sesgo motivó estimadores alternativos, como la consistencia de fase por pares, cuyo valor esperado no está sesgado por el número de observaciones (Vinck et al., 2010). Cuando las observaciones sucesivas están muy autocorrelacionadas, el número de datos informativos es menor que el número de puntos. En ese caso el sesgo supera al calculado bajo independencia. Un contraste estadístico necesita un modelo nulo que conserve las propiedades que no pretende poner a prueba.

406.3. Cuatro osciladores bastan para mostrar la diferencia

Dividamos cuatro unidades en dos grupos de dos. Dentro de cada grupo las fases coinciden. Fijemos las del primer grupo en cero y las del segundo en $\delta(t)$. Entonces

Cuando $\delta=0$, toda la red está alineada y $R=1$. Cuando $\delta=\pi$, los grupos están en oposición y $R=0$, aunque cada grupo conserva una coordinación interna perfecta. Si además ese desfase permanece fijo, la PLV entre cualquier unidad de un grupo y cualquier unidad del otro vale uno. Un orden global nulo, por lo tanto, no expresa independencia entre las partes.

Construyamos ahora dos registros. En el registro A, el desfase alterna entre cero y $\pi$ y permanece la mitad del tiempo en cada configuración. En el registro B, el desfase se mantiene fijo en $2\pi/3$. En A, $R$ alterna entre uno y cero; en B vale siempre $1/2$. Ambos registros tienen un promedio de $R$ igual a 0.5.

Si se define como índice de variabilidad de la sincronización $M_R=\operatorname{SD}_t[R(t)]$, con desviación estándar poblacional, se obtiene 0.5 para A y cero para B. La PLV entre grupos vale cero para A, siempre que ambas configuraciones ocupen exactamente el mismo número de muestras, mientras que para B vale uno. Una misma sincronización media acompaña así organizaciones temporales radicalmente distintas.

La desviación estándar temporal de $R$ es una de las operacionalizaciones más usadas de la metaestabilidad en modelos de cerebro completo. Deco et al. (2017), por ejemplo, la emplean con ese nombre siguiendo a Wildie y Shanahan (2012). Shanahan (2010) había propuesto una variante distinta, que calcula la varianza temporal de la sincronía interna de cada comunidad y la promedia entre comunidades. Conviene conservar el nombre matemático del índice cuando el contexto pueda sugerir una interpretación más amplia. Lo que mide es la variación de una concentración de fases. Por sí sola no demuestra visitas a estados cuasiestables, organización cognitiva ni capacidad de cambiar de manera apropiada ante una tarea.

El ejemplo contiene fases asignadas directamente. Se trata de una construcción para comparar métricas, sin relación con la trayectoria de un circuito neuronal. Explicar por qué una red cambia de configuración exigiría una dinámica generativa. Mantener presente esta distinción impide atribuir un mecanismo a una secuencia que solo fue diseñada para exhibir una propiedad estadística.

406.4. Integración y segregación dependen del objeto

La integración puede definirse como comunicación potencial en un grafo, como dependencia estadística entre señales o como efecto conjunto de una perturbación. Estas nociones no son equivalentes. Un camino anatómico ofrece una ruta posible, cuya utilización depende del estado y de la dinámica. Una correlación puede aparecer por una entrada común sin transmisión directa entre las regiones. Una respuesta distribuida puede resultar de un acoplamiento específico sin producir una correlación basal alta.

La segregación también admite distintas operaciones. Pueden medirse módulos estructurales, conjuntos de señales con mayor semejanza interna o especialización funcional durante una tarea. Si los grupos se eligen con el mismo criterio que luego se informa como evidencia de segregación, el procedimiento incorpora una circularidad. La comparación con referencias nulas o con datos independientes ayuda a evaluar cuánto añade el resultado a esa construcción.

En la red de cuatro unidades, la sincronización interna es siempre perfecta. Los grupos quedan bien diferenciados cuando sus fases divergen, aunque pueden conservar una relación estable entre sí. La coexistencia de diferenciación y coordinación no requiere que una métrica única alcance su máximo. Ambas propiedades pueden describirse con medidas complementarias, siempre que se aclare qué relación resume cada una.

Las escalas temporales modifican la conclusión. Un promedio largo puede indicar independencia entre grupos cuyo desfase alterna entre dos valores estables, mientras que una ventana corta detecta coordinación dentro de cada período. La elección de la ventana decide qué variación aparece como estado y cuál queda promediada. No existe una duración universalmente correcta. Debe justificarse en relación con la dinámica estudiada, la frecuencia de muestreo y la pregunta.

En señales lentas, ventanas muy cortas producen estimaciones de correlación muy variables por falta de datos. Esa fluctuación puede parecer una sucesión de estados. Antes de atribuirla a cambios del sistema, conviene compararla con procesos estacionarios que reproduzcan el espectro y la longitud del registro. La variabilidad del estimador es una explicación rival de la variabilidad cerebral.

406.5. Permanencia, repertorio y transición

Supongamos que se han definido dos configuraciones, A y B, mediante una regla previa. Es posible contar cuánto tiempo ocupa cada una y cuánto dura cada visita. La ocupación resume proporciones; la permanencia describe intervalos continuos. Una secuencia con diez segundos en A seguidos de diez en B tiene la misma ocupación que otra que alterna cada décima de segundo, aunque su organización temporal sea muy diferente.

La entropía de ocupación es

Con dos configuraciones igualmente frecuentes vale un bit. Ese valor no distingue los bloques largos de la alternancia rápida. Para incorporar el orden temporal pueden calcularse probabilidades de transición y una entropía condicional, aunque incluso entonces hay que especificar la escala temporal con que se construye la secuencia.

Consideremos una cadena de Markov simétrica con probabilidad de permanecer $p=0.9$ y de cambiar $1-p=0.1$ en cada paso de 10 ms. Su ocupación estacionaria se reparte por mitades. La duración media de una visita, contando el primer paso, es $1/(1-p)=10$ pasos, es decir, 100 ms. La entropía de transición por paso es

Una alternancia determinista A, B, A, B cambia en cada paso y tiene, sin embargo, entropía de transición nula, porque conocido el estado actual el siguiente es seguro. Una alta frecuencia de cambios no equivale a una alta imprevisibilidad. Una secuencia independiente con probabilidades iguales tiene un bit de entropía por paso y una permanencia media de dos pasos. Estas comparaciones permiten interpretar cada medida sin recurrir a adjetivos generales.

La hipótesis de Markov supone que el estado siguiente depende del actual y no de una historia más larga. Puede fallar si la probabilidad de salida cambia con el tiempo transcurrido en el estado o si existen estados ocultos. Examinar las distribuciones de duración y las dependencias adicionales ayuda a valorar esa aproximación. Un modelo semimarkoviano permite introducir duraciones que no sean geométricas.

La definición de los estados influye en todas estas cantidades. Si una configuración se divide en dos etiquetas muy parecidas, aumentan las transiciones aparentes y puede crecer la entropía. Si se fusionan estados distintos, el repertorio disminuye. El número de estados es una decisión del modelo de representación que necesita evaluarse por su estabilidad y por su capacidad predictiva.

406.6. Metaestabilidad como problema dinámico

En una interpretación dinámica más estricta, un sistema metaestable permanece durante cierto tiempo cerca de configuraciones que no lo retienen indefinidamente. Rossi et al. (2025) proponen entender estos regímenes como épocas de actividad prolongadas pero transitorias, con propiedades dinámicas propias. En el mismo trabajo analizan distintos mecanismos capaces de generarlos. La duración de las visitas debe compararse con los tiempos de cambio interno. Sin esa separación de escalas, llamar estado a cada fluctuación puede resultar arbitrario.

La proximidad a un atractor estable y la permanencia cerca de una estructura transitoria tienen consecuencias distintas. En el primer caso, sin ruido ni perturbaciones, el sistema puede quedar retenido. En otros mecanismos la trayectoria abandona la región por su propia dinámica, como ocurre en las secuencias de puntos de silla conectados por órbitas heteroclínicas, propuestas como modelo de transitorios neuronales robustos (Rabinovich & Varona, 2011). Observar visitas y salidas no basta para distinguir estas posibilidades. Las perturbaciones experimentales y los modelos generativos pueden ayudar a compararlas.

El modelo de Shanahan (2010) pertenece al segundo tipo. Está formado por ocho comunidades de 32 osciladores de Kuramoto idénticos con retardo de fase, sin término de ruido. Genera estados transitorios en los que la sincronización y la desincronización coexisten y cambian entre comunidades. Sus índices de metaestabilidad y de estados quimera alcanzan valores máximos cuando el retardo de fase está cerca de $\pi/2$ sin igualarlo. El resultado demuestra que ciertas reglas deterministas producen repertorios transitorios. No establece que cualquier variación de la sincronización cerebral tenga ese origen. Evaluar una aplicación concreta exige contrastar tiempos, patrones y respuestas a entradas, además de un promedio global.

Una dinámica con cambios abundantes puede ser poco útil para una tarea que exige mantener una configuración, mientras que una dinámica muy estable puede dificultar los cambios de contexto. La relación entre repertorio y desempeño debe establecerse con una variable conductual y un diseño apropiado. No se deduce del valor de una métrica. El mismo patrón temporal puede tener consecuencias diferentes según la tarea y la escala de análisis.

La estabilidad de la medición también condiciona las interpretaciones individuales. Si el índice varía considerablemente entre sesiones por error o por condiciones de adquisición, una diferencia entre personas puede resultar poco reproducible. Conviene estimar la variabilidad dentro de cada persona y compararla con la variación relevante entre condiciones. Una asociación grupal no asegura que el índice permita seguir cambios fiables en un individuo.

406.7. Construir y comprobar los ejemplos

El siguiente código reproduce la comparación de fases. Como las configuraciones se asignan directamente, los resultados verifican las métricas y no un mecanismo de transición. Las últimas líneas comprueban también la invariancia frente a permutaciones y los valores de la cadena de Markov usados más adelante.

import numpy as np

n = 200
delta_A = np.r_[np.zeros(n//2), np.full(n//2, np.pi)]
delta_B = np.full(n, 2*np.pi/3)

def medidas(delta):
    phi = np.column_stack([np.zeros(len(delta)),
                           np.zeros(len(delta)), delta, delta])
    R = np.abs(np.exp(1j*phi).mean(axis=1))
    plv = abs(np.exp(1j*(phi[:,0]-phi[:,2])).mean())
    return R.mean(), R.std(ddof=0), plv

print('A:', medidas(delta_A))
print('B:', medidas(delta_B))
assert np.allclose(medidas(delta_A), [0.5,0.5,0.0])
assert np.allclose(medidas(delta_B), [0.5,0.0,1.0])

def racha_media(delta):
    etiqueta = (delta > 1).astype(int)
    cortes = np.flatnonzero(np.diff(etiqueta)) + 1
    return np.diff(np.r_[0, cortes, len(etiqueta)]).mean()

rng = np.random.default_rng(1)
delta_perm = rng.permutation(delta_A)
assert np.allclose(medidas(delta_perm), medidas(delta_A))
print('Racha media, A original:', racha_media(delta_A))
print('Racha media, A permutado:', racha_media(delta_perm))

p = .9
entropia = -(p*np.log2(p)+(1-p)*np.log2(1-p))
print('Permanencia media, ms:', 10/(1-p))
print('Entropía de transición, bits/paso:', entropia)

P = np.array([[p, 1-p], [1-p, p]])
P10 = np.linalg.matrix_power(P, 10)
print('Constante de autocorrelación, ms:', -10/np.log(2*p-1))
print('Permanencia aparente con submuestreo, ms:', 100/(1-P10[0,0]))

La permutación del orden de las muestras de A no cambia la media, la desviación ni la PLV, aunque la racha media pasa de 100 muestras a unas pocas. El ejercicio demuestra una limitación exacta. Las tres medidas utilizadas ignoran el orden temporal de las muestras. Si la hipótesis se refiere a cuánto persiste una configuración, hace falta una medida que conserve esa información.

Para estimar duraciones a partir de datos se definen criterios de entrada y de salida. Un único umbral puede producir cambios rápidos cuando la señal fluctúa cerca del límite. Una regla de histéresis utiliza umbrales distintos para entrar y para salir. Una permanencia mínima, por su parte, elimina las visitas breves. Ambas decisiones estabilizan las etiquetas, aunque también modifican la distribución de duraciones. Deben someterse a análisis de sensibilidad y declararse en el informe.

Un modelo nulo estacionario puede generarse preservando la autocorrelación o el espectro, según la hipótesis. Mezclar al azar todos los puntos destruye las dependencias temporales y produce una referencia demasiado fácil de superar. La referencia apropiada conserva las propiedades que podrían explicar el resultado por sí mismas. Su construcción forma parte del argumento científico.

406.8. La parcelación también modifica el orden global

El parámetro $R$ asigna el mismo peso a cada oscilador de la representación. Si cada nodo corresponde a una región de tamaño diferente, esa igualdad matemática no equivale a ponderar por tejido, por número de neuronas ni por intensidad de señal. La elección puede ser adecuada, pero debe mantenerse al comparar parcelaciones. Dividir una región en varias copias idénticas cambia su peso en el promedio global.

Consideremos dos grupos perfectamente sincronizados internamente y opuestos en fase. Con dos nodos en cada grupo, $R=0$. Si la representación asigna tres nodos al primer grupo y uno al segundo, sin cambiar sus fases, se obtiene $R=|3-1|/4=0.5$. La coordinación física idealizada es la misma. Lo único que cambió es cuántas veces se cuenta cada conjunto.

Pueden usarse pesos $a_i\geq0$ que sumen uno y definirse $R_a=|\sum_i a_i e^{i\phi_i}|$. Así la ponderación queda explícita. Asignar pesos proporcionales al volumen o repartir el mismo peso entre módulos responde a preguntas diferentes. La comparación debe conservar la regla elegida y examinar si la conclusión depende de ella. Ninguna ponderación resuelve por sí sola todos los problemas de agregación.

Un promedio basado en las fases medias de los módulos necesita otra precaución. Si un módulo está internamente desincronizado, su fase media puede ser inestable o poco informativa. Usar solo su ángulo y descartar la magnitud interna puede tratar como coordinado un conjunto cuyo vector promedio casi se anula. Conservar el vector complejo completo permite representar tanto la dirección como la concentración interna.

Esta conexión con el capítulo 401 muestra que las métricas dinámicas heredan decisiones estructurales. Antes de interpretar un cambio longitudinal conviene comprobar que se mantuvieron los nodos, las ponderaciones y la calidad de la estimación de fase. Un índice comparable requiere más que repetir la misma fórmula sobre matrices de dimensiones distintas.

406.9. Correlaciones móviles en un proceso estacionario

Imaginemos dos series independientes, cada una con autocorrelación elevada. Aunque su correlación poblacional sea cero, una ventana corta puede contener tendencias que se alinean por azar. Al deslizar la ventana, la estimación cambia de manera suave porque las ventanas vecinas comparten muchos puntos. Esa suavidad puede parecer una dinámica de conectividad aunque el generador sea estacionario. Leonardi y Van De Ville (2015) mostraron que las correlaciones de ventana deslizante fluctúan de manera espuria cuando la ventana es más corta que la longitud de onda más larga presente en ambas señales, incluso si la relación entre ellas es fija.

Para dos procesos autorregresivos de primer orden, independientes y con el mismo coeficiente $a$, una aproximación clásica del número efectivo de observaciones que determina la varianza de la correlación muestral, cuyo origen Afyouni et al. (2019) sitúan en Bartlett (1935), es $n_{\mathrm{ef}}\approx n(1-a^2)/(1+a^2)$. Con $a=0.9$, cien puntos equivalen a unas 10.5 observaciones independientes bajo esa aproximación. El número de filas del archivo sobrestima mucho la información disponible.

La fórmula descansa en supuestos fuertes y no debe aplicarse automáticamente a cualquier señal filtrada. Afyouni et al. (2019) mostraron que las correcciones globales de este tipo pueden sesgar la inferencia en datos de resonancia funcional y propusieron un estimador que considera la autocorrelación de cada serie junto con sus correlaciones cruzadas instantáneas y retardadas. Su papel aquí es mostrar que longitud nominal y precisión son cosas distintas. Una ventana de cien observaciones puede ser insuficiente para estimar con estabilidad una relación entre series que cambian lentamente. Aumentar el solapamiento entre ventanas produce más estimaciones, pero no crea información en la misma proporción.

Un modelo nulo debe conservar esa estructura temporal si la hipótesis se refiere a cambios de dependencia. Una permutación completa de los puntos elimina la autocorrelación y genera estimaciones artificialmente estables, de modo que compararse con ella exagera la evidencia de cambios. Los generadores autorregresivos y los sustitutos espectrales permiten construir contrastes más exigentes cuando sus supuestos son apropiados. Hindriks et al. (2016) encontraron, con simulaciones y datos de macacos y humanos, que en sesiones típicas de reposo de diez minutos resulta casi imposible detectar conectividad dinámica a nivel de sesión individual mediante correlaciones de ventana deslizante sometidas a contrastes adecuados, aunque promediar entre sesiones o entre sujetos aumenta considerablemente la potencia de detección.

La aleatorización independiente de las fases de Fourier conserva el espectro de amplitud de cada señal, pero destruye las relaciones entre señales. Si se pretende conservar también la estructura lineal multivariada, se necesita un procedimiento que respete los espectros cruzados. La solución de Prichard y Theiler (1994) consiste en sumar la misma fase aleatoria a todas las señales en cada frecuencia. En cualquier caso el sustituto debe corresponder a la hipótesis nula concreta. El tratamiento de la simetría del espectro y de los bordes debe garantizar señales reales.

Superar una referencia estacionaria adecuada aporta evidencia solo contra esa referencia. Los sustitutos por aleatorización de fases y los modelos autorregresivos generan datos estacionarios, lineales y gaussianos. Un rechazo puede deberse entonces a falta de estacionariedad, a no linealidad o a una distribución no gaussiana. La estacionariedad tampoco excluye la existencia de estados discretos (Liégeois et al., 2017). Un proceso oculto de Markov se define habitualmente como una cadena de Markov homogénea en el tiempo observada a través de un canal sin memoria e invariante (Ephraim & Merhav, 2002). Si además la cadena latente se inicia en su distribución estacionaria, el proceso observado es estacionario aunque alterne entre estados discretos. Cuando las probabilidades de transición cambian con el tiempo, o la cadena parte de otra distribución, esa propiedad deja de estar garantizada.

Después del contraste todavía queda identificar qué mecanismo produjo la diferencia, ya sea un cambio de acoplamiento, una entrada compartida variable o una modificación de la observación. La prueba estadística y la explicación dinámica cumplen funciones distintas y se desarrollan de manera sucesiva, sin que una sustituya a la otra.

406.10. Permanencia y autocorrelación no miden el mismo tiempo

La cadena de Markov simétrica con probabilidad de permanencia $p=0.9$ tiene la matriz de transición

Sus valores propios son uno y $2p-1=0.8$. Si los estados se codifican como $\pm1$, la autocorrelación estacionaria decae como $0.8^k$. Con pasos de 10 ms, el tiempo característico de ese decaimiento exponencial es $-10/\ln0.8\approx44.81$ ms, mientras que la permanencia media calculada antes era de 100 ms. Ambos números describen el mismo proceso y responden a propiedades diferentes.

La permanencia cuenta cuánto dura una visita antes del primer cambio. La autocorrelación incorpora también las trayectorias que salen y regresan. Evalúa la semejanza entre estados separados por cierto retardo. Interpretar una constante de autocorrelación como duración media de los estados produce errores incluso en este modelo elemental. En procesos con más configuraciones la relación puede ser todavía menos directa.

Si el muestreo se hace más espaciado, algunas visitas breves desaparecen del registro. La matriz de transición observada corresponde a varios pasos de la original y las duraciones detectadas cambian. Una comparación entre modalidades con distintas frecuencias de adquisición tiene que considerar esa transformación. La ausencia de transiciones rápidas en una señal lenta no demuestra que el sistema carezca de ellas.

Interesa también la censura de las visitas al principio y al final del registro. Una permanencia que comenzó antes de iniciar la medición, o que termina después de ella, no está observada por completo. Tratarla como una duración completa sesga la distribución, sobre todo en registros cortos o con estados persistentes. Puede excluirse con una justificación explícita o manejarse con métodos para datos censurados que conserven la información sobre el límite.

406.11. Un mecanismo de visitas transitorias

Un ejemplo continuo ayuda a distinguir entre estadística y mecanismo. Consideremos una variable que se mueve en el potencial de doble pozo

Los mínimos están en $x=\pm1$ y la barrera central tiene altura $\Delta U=1/4$. Sin ruido, una trayectoria típica permanece en el mínimo hacia el que converge. Con ruido puede escapar y visitar el otro pozo. Para ruido débil en comparación con la barrera, la teoría de Kramers aproxima el tiempo medio de escape por

de modo que la dependencia dominante es exponencial en el cociente entre la barrera y la intensidad del ruido (Kramers, 1940; Hänggi et al., 1990). Reducir $D$ a la mitad eleva al cuadrado el factor exponencial.

El mecanismo produce visitas prolongadas y transiciones relativamente breves cuando las escalas temporales están separadas. Si $D$ aumenta mucho, el movimiento puede dejar de organizarse como permanencias nítidas alrededor de dos configuraciones. Una mayor frecuencia de cruces no significa necesariamente un repertorio mejor organizado, porque puede reflejar la pérdida de separación entre estados.

Pueden definirse etiquetas según el signo de $X$, aunque cerca de cero aparecerán cruces repetidos. Una regla de histéresis que exija alcanzar regiones próximas a los mínimos describe mejor las visitas completas para ciertas preguntas. Esa decisión cambia los tiempos medidos y debe contrastarse con la dinámica que se pretende resumir. El estado estadístico es una construcción apoyada en el mecanismo y depende de las decisiones del observador.

Este modelo puede generar una ocupación aproximadamente equilibrada tanto con visitas muy largas como con visitas más cortas. Un índice basado solo en proporciones no distinguirá esos regímenes. La distribución de permanencias y la respuesta a una inclinación del potencial sí aportan información adicional. Un conjunto de mediciones bien elegido permite pasar de una descripción amplia de la variabilidad a una comparación entre mecanismos de transición.

406.12. Observar más lentamente cambia las permanencias aparentes

La cadena de dos estados de la sección 406.10, con la matriz $P$ definida a intervalos de diez milisegundos, permite calcular exactamente qué ocurre al reducir la frecuencia de observación. Una visita tiene duración geométrica con probabilidad de salida 0.1 por paso. Su duración media, incluido el intervalo ocupado antes de salir, es de diez pasos, equivalentes a cien milisegundos. Esta definición se refiere a la secuencia completa de estados en la resolución original.

Supongamos ahora que se conserva una observación de cada diez. La matriz que relaciona las muestras registradas es $P^{10}$. Debido a la simetría del modelo, su probabilidad diagonal es

El observador verá rachas de una misma etiqueta con una probabilidad de salida aproximada de 0.446313 por muestra. Si calcula la permanencia como cien milisegundos divididos por esa probabilidad, obtendrá unos 224.06 ms. La dinámica original no cambió, aunque el tiempo inferido a partir de las rachas observadas supera en más del doble el tiempo medio de visita conocido.

La explicación está en las transiciones ocultas. Encontrar el mismo estado al comienzo y al final de un intervalo no demuestra que el sistema haya permanecido en él, porque pudo salir y regresar entre ambas muestras. En este ejemplo, la probabilidad de no salir durante los diez pasos es $0.9^{10}\approx0.348678$, bastante menor que la probabilidad de terminar en el mismo estado. La diferencia corresponde a trayectorias con un número par y positivo de cambios.

El cálculo distingue dos observables que pueden recibir informalmente el mismo nombre. Una permanencia real bajo el modelo cuenta visitas continuas a un estado, mientras que una racha de etiquetas cuenta coincidencias entre muestras. Al reducir la resolución, la segunda deja de aproximar bien a la primera. Un informe debe indicar cuál de las dos estimó y qué información temporal permite sostener esa interpretación.

En este caso especial puede recuperarse la escala de la autocorrelación, porque se sabe que el proceso es simétrico, tiene dos estados y se observó a intervalos regulares. El segundo valor propio de $P^{10}$ es $0.8^{10}$. Al relacionarlo con el intervalo de cien milisegundos se obtiene la misma constante de decaimiento que antes, aproximadamente 44.81 ms. La recuperación depende de la familia de modelos supuesta y no restituye las transiciones faltantes de cada trayectoria particular.

Con varios estados, errores de clasificación o duraciones no geométricas, esa inversión resulta menos directa. Dos mecanismos pueden producir matrices parecidas entre muestras y diferir en sus recorridos internos. Aumentar el tiempo total de registro mejora la estimación de la matriz observada, pero no reconstruye una estructura temporal que el muestreo suprimió.

La segmentación también puede imponer duraciones mínimas. Si un algoritmo elimina los estados que aparecen durante una sola muestra, modifica la distribución de rachas antes de calcularla. Ese filtrado puede ser apropiado para reducir errores de etiquetado, siempre que se evalúe su efecto. Aplicarlo a simulaciones con visitas conocidas permite estimar qué duraciones desaparecen y qué estados se fusionan con sus vecinos.

Para comparar grupos o condiciones conviene mantener el mismo intervalo de muestreo y el mismo procedimiento de segmentación. Si difiere la calidad de la señal, incluso un procedimiento idéntico puede tener tasas de error distintas. Este problema puede estudiarse degradando simulaciones o registros de referencia hasta niveles comparables y repitiendo el análisis. La pregunta concreta es qué parte del cambio de permanencia puede aparecer sin que se modifique el mecanismo de transición.

Las nociones de visita y de repertorio adquieren así un significado más preciso. Una mayor permanencia observada puede reflejar una dinámica más lenta, una observación más espaciada o una clasificación que elimina episodios breves. Distinguir esas posibilidades exige relacionar el estadístico con el proceso que lo genera. La cadena pequeña ofrece un control exacto para practicar esa relación antes de interpretar los estados de una red cerebral extensa.

406.13. Un informe que conserve las diferencias relevantes

En lugar de informar simplemente que aumentó la metaestabilidad, puede describirse qué cambió. Tal vez la desviación del orden global pasó de un valor a otro, el repertorio de configuraciones se amplió o las visitas se acortaron. A continuación se especifican la banda de la señal, la ventana y la regla que define los estados. Una descripción así permite examinar las interpretaciones sin hacerlas depender de una palabra ambigua.

Si el cambio se asocia con el desempeño cognitivo, hay que precisar si la comparación se hace entre personas, entre sesiones o dentro de una tarea. Esas escalas pueden mostrar relaciones diferentes. Una persona con mayor variabilidad basal no necesariamente mejora cuando su variabilidad aumenta durante una intervención. Confundir los niveles de análisis convierte una asociación en una recomendación que el diseño no respalda.

La interpretación se fortalece al comparar modelos. Modelos tan distintos como una red con acoplamientos variables o una red con ruido estacionario y entradas comunes pueden reproducir parte de los mismos índices. Lo que se busca son observaciones que las separen, como la duración de las visitas, las respuestas evocadas o las relaciones entre fases y amplitudes. Plataformas de simulación de redes cerebrales completas como The Virtual Brain, que construyen modelos a partir de conectividad estructural y generan señales comparables con las de resonancia funcional, EEG o MEG, facilitan este tipo de comparación entre mecanismos (Sanz Leon et al., 2013). Un conjunto de métricas complementarias es útil cuando cada una descarta alternativas distintas.

La concentración global y la estabilidad de los desfases describen aspectos distintos de la coordinación. Las permanencias añaden una dimensión temporal que ninguna de las dos recoge. Los ejemplos construidos muestran casos en que algunas cifras coinciden mientras otras discrepan. Esa experiencia permite leer un índice cerebral como una operación sobre señales y formular con mayor precisión qué organización dinámica podría haberlo producido.

Referencias

• Acebrón, J. A., Bonilla, L. L., Pérez Vicente, C. J., Ritort, F., & Spigler, R. (2005). The Kuramoto model: A simple paradigm for synchronization phenomena. Reviews of Modern Physics, 77(1), 137–185. doi:10.1103/RevModPhys.77.137
• Afyouni, S., Smith, S. M., & Nichols, T. E. (2019). Effective degrees of freedom of the Pearson's correlation coefficient under autocorrelation. NeuroImage, 199, 609–625. doi:10.1016/j.neuroimage.2019.05.011
• Bartlett, M. S. (1935). Some aspects of the time-correlation problem in regard to tests of significance. Journal of the Royal Statistical Society, 98(3), 536. doi:10.2307/2342284
• Deco, G., Kringelbach, M. L., Jirsa, V. K., & Ritter, P. (2017). The dynamics of resting fluctuations in the brain: Metastability and its dynamical cortical core. Scientific Reports, 7, 3095. doi:10.1038/s41598-017-03073-5
• Ephraim, Y., & Merhav, N. (2002). Hidden Markov processes. IEEE Transactions on Information Theory, 48(6), 1518–1569. doi:10.1109/TIT.2002.1003838
• Hancock, F., Rosas, F. E., Luppi, A. I., Zhang, M., Mediano, P. A. M., Cabral, J., Deco, G., Kringelbach, M. L., Breakspear, M., Kelso, J. A. S., & Turkheimer, F. E. (2025). Metastability demystified: The foundational past, the pragmatic present and the promising future. Nature Reviews Neuroscience, 26(2), 82–100. doi:10.1038/s41583-024-00883-1
• Hänggi, P., Talkner, P., & Borkovec, M. (1990). Reaction-rate theory: Fifty years after Kramers. Reviews of Modern Physics, 62(2), 251–341. doi:10.1103/RevModPhys.62.251
• Hindriks, R., Adhikari, M. H., Murayama, Y., Ganzetti, M., Mantini, D., Logothetis, N., & Deco, G. (2016). Can sliding-window correlations reveal dynamic functional connectivity in resting-state fMRI? NeuroImage, 127, 242–256. doi:10.1016/j.neuroimage.2015.11.055
• Kramers, H. A. (1940). Brownian motion in a field of force and the diffusion model of chemical reactions. Physica, 7(4), 284–304. doi:10.1016/S0031-8914(40)90098-2
• Lachaux, J.-P., Rodriguez, E., Martinerie, J., & Varela, F. J. (1999). Measuring phase synchrony in brain signals. Human Brain Mapping, 8(4), 194–208. doi:10.1002/(SICI)1097-0193(1999)8:4<194::AID-HBM4>3.0.CO;2-C
• Leonardi, N., & Van De Ville, D. (2015). On spurious and real fluctuations of dynamic functional connectivity during rest. NeuroImage, 104, 430–436. doi:10.1016/j.neuroimage.2014.09.007
• Liégeois, R., Laumann, T. O., Snyder, A. Z., Zhou, J., & Yeo, B. T. T. (2017). Interpreting temporal fluctuations in resting-state functional connectivity MRI. NeuroImage, 163, 437–455. doi:10.1016/j.neuroimage.2017.09.012
• Muthukumaraswamy, S. D., & Singh, K. D. (2011). A cautionary note on the interpretation of phase-locking estimates with concurrent changes in power. Clinical Neurophysiology, 122(11), 2324–2325. doi:10.1016/j.clinph.2011.04.003
• Prichard, D., & Theiler, J. (1994). Generating surrogate data for time series with several simultaneously measured variables. Physical Review Letters, 73(7), 951–954. doi:10.1103/PhysRevLett.73.951
• Rabinovich, M. I., & Varona, P. (2011). Robust transient dynamics and brain functions. Frontiers in Computational Neuroscience, 5, 24. doi:10.3389/fncom.2011.00024
• Rossi, K. L., Budzinski, R. C., Medeiros, E. S., Boaretto, B. R. R., Muller, L., & Feudel, U. (2025). Dynamical properties and mechanisms of metastability: A perspective in neuroscience. Physical Review E, 111(2), 021001. doi:10.1103/PhysRevE.111.021001
• Sanz Leon, P., Knock, S. A., Woodman, M. M., Domide, L., Mersmann, J., McIntosh, A. R., & Jirsa, V. (2013). The Virtual Brain: A simulator of primate brain network dynamics. Frontiers in Neuroinformatics, 7, 10. doi:10.3389/fninf.2013.00010
• Shanahan, M. (2010). Metastable chimera states in community-structured oscillator networks. Chaos, 20(1), 013108. doi:10.1063/1.3305451
• Vinck, M., van Wingerden, M., Womelsdorf, T., Fries, P., & Pennartz, C. M. A. (2010). The pairwise phase consistency: A bias-free measure of rhythmic neuronal synchronization. NeuroImage, 51(1), 112–122. doi:10.1016/j.neuroimage.2010.01.073
• Wildie, M., & Shanahan, M. (2012). Metastability and chimera states in modular delay and pulse-coupled oscillator networks. Chaos, 22(4), 043131. doi:10.1063/1.4766592