📢 Disclosure

Este blog y el estudio que lo inspira se desarrollaron con el apoyo de tecnologías de Inteligencia Artificial (IA). La IA fue utilizada en dos niveles. En primer lugar, permitió redactar este resumen en un lenguaje accesible y adaptado al público general sin perder el rigor científico. En segundo lugar, y más importante aún, la IA fue empleada durante el desarrollo del estudio: apoyó la búsqueda y revisión de literatura especializada, la definición de las variables a medir, la estructuración del flujo de trabajo en software, y la optimización del procesamiento de señales electroencefalográficas.

El uso de IA se justifica tanto por razones de costo como de beneficio. Tradicionalmente, la investigación en neurociencia cognitiva depende de equipos de laboratorio con costos que oscilan entre cientos de miles y millones de dólares, lo que limita el acceso en contextos académicos locales como Puerto Rico. Integrar herramientas de IA permitió reducir esa dependencia de infraestructura costosa, reemplazando parte de la curva de aprendizaje técnico con análisis automatizados y codificación asistida. En términos prácticos, esto significó poder diseñar y validar un experimento de atención con un sistema EEG de bajo costo (OpenBCI), combinado con un pipeline de software abierto, logrando así un enfoque innovador y sostenible.

LINK PARA RESUMEN DEL ESTUDIO A TRAVES DE UN VIDEO POR NOTEBOOK LM: https://notebooklm.google.com/notebook/521d93d9-8c23-40ea-9bae-50783a1eb...

LINK PARA UN RESUMEN DEL ESTUDIO A TRAVES DE UN PODCAST POR NOTEBOOK LM: https://notebooklm.google.com/notebook/521d93d9-8c23-40ea-9bae-50783a1eb...

Si desea leerlo con mas detalle puede seguir este blog y se encuentran las imagenes detalladas en estilo whitepaper

🧠⚡ EEG de bajo costo: primeras validaciones en Puerto Rico

Introducción y marco teórico

La atención es una de las funciones cognitivas más estudiadas en neurociencia. Posner y Petersen (1990, 2005) describieron su arquitectura funcional en tres redes: alerta, orientación y control ejecutivo. Estas redes permiten, respectivamente, detectar estímulos de manera rápida, dirigir los recursos cognitivos hacia la ubicación relevante y regular la conducta cuando se presentan distractores o conflictos.

El paradigma de investigación más utilizado para estudiar estas redes es la Attention Network Test (ANT). Posteriormente, la doctora María Rosario Rueda y su equipo de la Universidad de Granada adaptaron este paradigma para población infantil, desarrollando la Attention Network Test for Children (ANT-C), una versión con estímulos más sencillos y adecuados para edades tempranas. Su implementación ha sido clave en el estudio del desarrollo atencional y de la autorregulación en la infancia, y ha permitido comprender cómo maduran los procesos de control cognitivo (Abundis-Gutiérrez, Checa, Castellanos & Rueda, 2014).

Más allá de la atención, autoras como Tracy Tokuhama-Espinosa han propuesto que la integración de la neurociencia en la educación requiere modelos experimentales accesibles, que conecten evidencia cerebral con la práctica pedagógica. En la misma línea, Mary Helen Immordino-Yang ha demostrado que procesos como la atención y la memoria no son independientes de la emoción, sino que están profundamente vinculados con la motivación y el aprendizaje social. Finalmente, aportes de investigadoras como Uta Frith han enriquecido la comprensión del desarrollo atencional en condiciones de neurodiversidad, como el autismo o la dislexia.

En este contexto, el presente estudio piloto se planteó como un primer paso hacia la democratización de la neurociencia cognitiva en Puerto Rico. A través del uso de EEG de bajo costo, el objetivo fue evaluar la presencia de tres componentes neurofisiológicos clásicos de los potenciales relacionados a eventos (ERPs): la Negatividad Relacionada con el Error (ERN), el componente N2, y el componente P300. Estos biomarcadores permiten observar de manera no invasiva cómo el cerebro detecta errores, procesa conflictos y actualiza su representación interna tras un estímulo.

📖 Definiciones operacionales

Para facilitar la comprensión, a continuación se presentan algunas definiciones en términos sencillos de los conceptos clave utilizados en este estudio:

• Electroencefalografía (EEG): técnica que mide la actividad eléctrica del cerebro a través de sensores colocados en el cuero cabelludo. Funciona como un “micrófono” que capta las señales neuronales en tiempo real.

• Potenciales relacionados a eventos (ERPs): ondas cerebrales que aparecen después de un estímulo o respuesta. Se obtienen al promediar muchas pruebas del mismo tipo y permiten observar cómo el cerebro procesa información.

• ERN (Error-Related Negativity): una señal negativa que ocurre unos 100 ms después de cometer un error. Es la forma en que el cerebro dice automáticamente: “me equivoqué”.

• N2: una onda negativa que aparece alrededor de los 200 ms. Refleja conflicto cognitivo, como cuando la respuesta no coincide con lo esperado o hay que inhibir un impulso.

• P300 (o P3): una onda positiva que surge entre 300 y 450 ms. Se interpreta como el momento en que el cerebro actualiza la información interna, ajustando lo que aprendió a partir del error o del estímulo.

• ANT-C (Attention Network Test for Children): versión adaptada de la clásica prueba de redes atencionales. Presenta flechas y distractores en pantalla, y se utiliza para medir alerta, orientación y control ejecutivo en niños de 3 a 5 años. En este estudio se aplicó a un adulto como modelo experimental.

• OpenBCI: sistema de EEG de bajo costo, accesible y abierto, que permite registrar señales cerebrales sin necesidad de equipos clínicos de alta gama.

• E-Prime: software especializado que presenta estímulos en computadora con precisión de milisegundos y registra la respuesta del participante.

• 📚 Revisión de literatura

  Los estudios de Posner y Petersen (1990, 2005) establecieron el marco de las tres redes atencionales: alerta, orientación y control ejecutivo. Sobre esa base, María Rosario Rueda y su equipo en la Universidad de Granada diseñaron la ANT-C para medir la atención en niños pequeños. Su aplicación ha demostrado que desde edades tempranas se pueden identificar diferencias individuales en autorregulación y en el desarrollo de funciones ejecutivas (Abundis-Gutiérrez, Checa, Castellanos & Rueda, 2014).

  En la literatura reciente, autores como Tracy Tokuhama-Espinosa han propuesto que la neurociencia debe estar al servicio de la educación, integrando herramientas accesibles en la formación de estudiantes y maestros. Por su parte, Mary Helen Immordino-Yang ha demostrado que la emoción y la cognición no son procesos separados: el aprendizaje ocurre cuando las experiencias emocionales se entrelazan con la atención y la memoria. Finalmente, investigadoras como Uta Frith han contribuido al entendimiento de cómo estas redes atencionales se ven moduladas en contextos de neurodiversidad, como el autismo y la dislexia, lo que resalta la importancia de contar con biomarcadores accesibles para el diagnóstico y la intervención.

  ---

  🎯 Justificación del estudio

  La mayoría de los estudios que miden los componentes neurofisiológicos de la atención —como el ERN, N2 y P300— requieren equipos de EEG clínicos o de investigación cuyo costo es prohibitivo para instituciones pequeñas y contextos locales. Esto genera una barrera para la formación investigativa de estudiantes de psicología, educación y ciencias cognitivas en Puerto Rico y en América Latina.

  El presente estudio se justifica porque demuestra que es posible capturar los mismos procesos de monitoreo de errores y control ejecutivo descritos en la literatura con un sistema de EEG de bajo costo (OpenBCI). Al integrar este hardware con un pipeline de software libre (E-Prime, LSL, LabRecorder, EEGLAB, MATLAB y R), se ofrece un modelo replicable y económico que puede ser implementado por universidades locales y proyectos de investigación estudiantil.

  Además, esta aproximación contribuye a la neuroeducación aplicada, permitiendo que los estudiantes no solo lean sobre atención y control cognitivo, sino que también puedan observar estos procesos directamente en sus propios datos o en experimentos de laboratorio accesibles. Con ello se fomenta la formación práctica en investigación, se fortalece la conexión entre teoría y aplicación, y se democratiza el acceso al conocimiento neurocientífico.

  ---

  🧩 Hipótesis

• Hipótesis nula (H₀): No habrá diferencias significativas en la amplitud o latencia de los componentes ERN, N2 y P300 entre respuestas correctas e incorrectas.

• Hipótesis alterna (H₁): Las respuestas incorrectas mostrarán una mayor negatividad en los componentes ERN y N2, así como una mayor amplitud en el componente P300, en comparación con las respuestas correctas.

• 👤 Selección del participante y naturaleza del estudio

  La selección del participante se realizó por disponibilidad. Se trató de un adulto zurdo de 40 años, voluntario único, sin antecedentes neurológicos reportados. El criterio de elección no respondió a un diseño muestral representativo, sino a la intención de ejecutar un estudio piloto que permitiera validar la viabilidad técnica del protocolo.

• 🧪 Metodología

  El estudio se estructuró como un piloto exploratorio orientado a evaluar la viabilidad de registrar componentes neurofisiológicos de la atención con un sistema de EEG de bajo costo. El protocolo se diseñó para integrar software especializado de presentación de estímulos, sincronización de eventos y análisis de señales, siguiendo un flujo de trabajo estandarizado en la literatura científica.

  Diseño experimental

  Se utilizó la Attention Network Test for Children (ANT-C), versión adaptada de la prueba de Posner y Petersen (1990) y desarrollada por Rueda y colegas en la Universidad de Granada. La tarea consiste en presentar en pantalla una flecha central que apunta hacia la izquierda o la derecha, acompañada por otras flechas congruentes (que apuntan en la misma dirección) o incongruentes (que apuntan en dirección opuesta). El participante debía responder lo más rápido y preciso posible presionando un botón correspondiente a la dirección de la flecha central. Este diseño permite medir tres redes atencionales: alerta, orientación y control ejecutivo/conflicto.

  Este trabajo se presenta en formato de white paper exploratorio, lo que significa que su objetivo principal no es establecer conclusiones definitivas, sino demostrar la factibilidad de un enfoque metodológico con equipos accesibles y software abierto. A diferencia de un artículo tradicional con una muestra amplia, este tipo de reporte se centra en documentar el flujo de trabajo, las herramientas utilizadas, las limitaciones encontradas y el potencial de replicación en estudios posteriores con grupos más grandes.

  Al enmarcar el estudio de esta manera, se reconoce explícitamente que los resultados no deben interpretarse como generalizables a la población, sino como evidencia preliminar de que un sistema EEG de bajo costo puede capturar patrones neurofisiológicos clásicos (ERN, N2, P300) en una tarea atencional. En este sentido, el valor del presente trabajo radica en abrir camino y generar un precedente para la investigación local, ofreciendo un modelo accesible y reproducible que puede ser aprovechado en futuros proyectos de bachillerato, maestría y programas de neuroeducación en Puerto Rico.

• Equipos y software

  El registro y análisis de datos se realizaron en un ordenador de escritorio Lenovo ThinkCentre M720s, con las siguientes especificaciones:

• Sistema operativo: Microsoft Windows 10 Pro (versión 1904, build 19045).

• Procesador: Intel(R) Core(TM) i3-8100 CPU @ 3.60 GHz (4 núcleos, 4 hilos lógicos).

• Memoria RAM instalada: 16 GB.

• Almacenamiento virtual: 19.1 GB de memoria virtual total.

• Arquitectura: x64.

• La configuración de este equipo fue suficiente para correr en paralelo tanto la presentación de estímulos como la adquisición y análisis de señales EEG sin latencia significativa.

  Los estímulos se programaron en E-Prime 2.0 (Psychology Software Tools, 2012), lo que garantizó precisión milisegundo en la presentación de las flechas del ANT-C. Los marcadores de evento se transmitieron mediante Lab Streaming Layer (LSL) y Virtual Serial Port Emulator (VSPE), integrándose de manera sincrónica con el registro de EEG. La adquisición de la señal electroencefalográfica se realizó a través del sistema OpenBCI Cyton Board, un dispositivo de bajo costo con capacidad para 8 canales de registro. Los datos crudos, junto con los marcadores de evento, fueron almacenados mediante LabRecorder.

  El procesamiento posterior se llevó a cabo en MATLAB R2025a (The MathWorks, Natick, MA), donde se implementaron rutinas de análisis estadístico (ANOVA de dos vías). Para el análisis especializado de potenciales relacionados a eventos (ERPs), se utilizó la herramienta EEGLAB (Delorme & Makeig, 2004), siguiendo lineamientos metodológicos ampliamente difundidos en la literatura. La interpretación de los componentes (ERN, N2 y P300) se basó en las guías prácticas de Steve J. Luck (2014), quien enfatiza la importancia del promediado, la limpieza de artefactos y la delimitación de ventanas temporales específicas para cada componente.

  Esta combinación de hardware accesible y software robusto permitió implementar un flujo de trabajo reproducible y económico, comparable con protocolos estándar en neurociencia cognitiva, pero adaptado a un contexto de bajo costo y de exploración piloto.

• Registro EEG

  La adquisición de datos EEG se concentró en tres posiciones estándar del sistema 10–20: Fz (frontal), Cz (central) y Pz (parietal). Estas localizaciones fueron seleccionadas porque los componentes de interés (ERN, N2 y P300) suelen observarse con mayor claridad en regiones fronto-centrales y parietales. Aunque la ANT-C fue diseñada para explorar diferencias hemisféricas, en este piloto el análisis se restringió al hemisferio izquierdo y a sitios centrales debido a la experiencia aún en consolidación en el procesamiento multicanal.

  Procesamiento de datos

  Los datos brutos fueron importados a EEGLAB (Delorme & Makeig, 2004) para la limpieza de artefactos (movimientos oculares, ruido eléctrico). Posteriormente se calcularon los potenciales relacionados a eventos (ERPs) promediando los ensayos correctos e incorrectos. Se analizaron las amplitudes y latencias de tres componentes: ERN (0–150 ms), N2 (150–300 ms) y P300 (250–450 ms). El análisis estadístico se realizó en MATLAB, aplicando un ANOVA de dos vías para comparar condiciones (correcto vs. incorrecto) en latencia y amplitud. Finalmente, se planificó extender el análisis en R para añadir pruebas de robustez en futuras fases.

  En resumen, la metodología combinó un paradigma clásico (ANT-C) con un pipeline técnico que integró hardware de bajo costo y software de libre acceso, siguiendo estándares internacionales en neurociencia cognitiva. El objetivo fue demostrar que incluso en un estudio piloto con un solo participante es posible registrar dinámicas cerebrales relevantes para la atención y el monitoreo de errores.

• 📊 Resultados

  El análisis de los datos EEG permitió observar los tres componentes de interés: ERN (0–150 ms), N2 (150–300 ms) y P300 (250–450 ms), en los electrodos Fz, Cz y Pz. Aunque las pruebas estadísticas no alcanzaron significancia, los patrones replicaron lo descrito en la literatura clásica (Abundis-Gutiérrez et al., 2014; Luck, 2014).

  ---

  Figura 1. Potenciales evocados promedio por condición (ERP)

• 

• Descripción: Se muestran las ondas promedio para respuestas correctas e incorrectas en Fz, Cz y Pz.

• En Fz y Cz, las respuestas incorrectas (azul) muestran una mayor negatividad temprana alrededor de los 100 ms (ERN).

• Posteriormente, entre 150–300 ms (N2), las respuestas incorrectas vuelven a ser más negativas que las correctas.

• Finalmente, en Pz se observa una onda positiva clara entre 300–400 ms (P3), con mayor amplitud en errores.

• Interpretación: El cerebro detectó errores de manera automática, generó un conflicto temprano y luego actualizó la representación interna de la tarea.

  ---

  Figura 2. Amplitud media de ERN, N2 y P3 por condición

  

  Descripción: Se comparan amplitudes (µV) de ensayos correctos e incorrectos.

• ERN: Fz incorrectas = –2.40 µV vs. correctas = –1.92 µV; Cz incorrectas = –3.04 µV vs. correctas = –2.66 µV.

• N2: Fz incorrectas = –3.90 µV vs. correctas = –2.30 µV.

• P3: Pz incorrectas = 1.87 µV vs. correctas = 0.60 µV.

• Interpretación: Aunque las diferencias no fueron significativas, la dirección de los efectos coincidió con las predicciones teóricas: mayor negatividad en errores (ERN y N2) y mayor positividad posterior (P3).

  ---

  Figura 3. Latencias promedio de ERN y P3

  

  Descripción:

• Latencia ERN: Fz incorrectas = 116 ms vs. correctas = 140 ms.

• Latencia P3: Fz ≈ 385 ms, Cz ≈ 375 ms, Pz ≈ 270 ms.

• Interpretación: Los errores se procesaron más rápido que los aciertos en la fase inicial (ERN). La P3 apareció en ventanas esperadas, con mayor rapidez en Pz, indicando actualización cognitiva posterior.

  ---

  Figura 4. Latencia y amplitud pico en Fz

  

  Descripción:

• Latencia pico: incorrectas = 427 ms; correctas = 419 ms.

• Análisis estadístico (ANOVA de dos vías):

• Latencia: F(1,47) = 0.03, p = .86 → no significativo.

• Amplitud: F(1,47) = –2.57 × 10^16, p = 1.00 → no significativo.

• Interpretación: Aunque no se hallaron diferencias significativas en latencia ni amplitud, los valores descriptivos mostraron tendencias consistentes con estudios previos en ERPs de atención y control de errores (Luck, 2014).

  ---

  En conjunto, los resultados sugieren que incluso con un solo participante y un sistema de EEG de bajo costo, es posible registrar los componentes clásicos del monitoreo de errores. Estos patrones replican, al menos de forma preliminar, los hallazgos de estudios más amplios realizados con equipamiento clínico y de laboratorio de alto costo.

• Amplitud pico: incorrectas = 0.45 µV; correctas = 0.43 µV

• ---

  🧩 Discusión clínica y teórica

  Los resultados obtenidos, aunque no alcanzaron significancia estadística, son consistentes con los patrones descritos en la literatura sobre redes atencionales y monitoreo de errores. La secuencia observada —ERN temprana, N2 más negativa en errores, y P3 más robusta tras equivocaciones— permite interpretar el procesamiento atencional desde varias perspectivas complementarias.

  Posner & Petersen (2012)

  El modelo de redes atencionales propone tres sistemas: alerta, orientación y control ejecutivo. Los resultados del presente estudio se alinean con la red de control ejecutivo, responsable de resolver conflictos y ajustar respuestas en presencia de distractores. El aumento de la N2 y la ERN en errores refleja precisamente el funcionamiento de este sistema.

  María Rosario Rueda (2021)

  En su libro Educar la atención con cerebro (2021), Rueda destaca la importancia de entrenar y cultivar la atención como una habilidad fundamental para el aprendizaje y la autorregulación. El hecho de que en este piloto los patrones de ERN, N2 y P3 aparezcan en un adulto realizando la ANT-C refuerza el argumento de que estos procesos pueden observarse y entrenarse a lo largo de la vida. Además, pone de relieve que con herramientas accesibles es posible acercar la neurociencia de la atención a contextos educativos reales.

  Tracy Tokuhama-Espinosa (2014)

  Desde la perspectiva de la neuroeducación, Tokuhama-Espinosa ha insistido en que la investigación neurocientífica debe ser accesible a educadores y estudiantes. Este estudio se inserta en esa visión: mostrar que con EEG económico y software abierto se pueden generar datos válidos que ilustran cómo los estudiantes —en un futuro— podrían aprender sobre atención y error no solo en teoría, sino observando su propia actividad cerebral.

  Mary Helen Immordino-Yang (2015)

  La P3 más robusta en errores tiene especial relevancia a la luz de los trabajos de Immordino-Yang, quien ha demostrado que la atención y la memoria no ocurren de manera aislada, sino profundamente ligadas a la emoción y a la motivación. La P3 puede interpretarse como el momento en que el cerebro no solo registra el error, sino que también integra esa experiencia para ajustar la conducta futura. En términos educativos, esta señal podría verse como un correlato de la capacidad de aprender de la retroalimentación.

  Uta Frith y Goswami (2020)

  Finalmente, desde el enfoque del neurodesarrollo y la neurodiversidad, Uta Frith ha enfatizado cómo las redes atencionales pueden variar en condiciones como autismo o dislexia. Este tipo de estudio piloto abre la puerta a explorar en Puerto Rico, con equipos accesibles, cómo se diferencian los perfiles de atención y monitoreo de errores en poblaciones clínicas, y cómo esos datos podrían usarse para diseñar intervenciones educativas más ajustadas a la diversidad.

• 🧩 Interpretación clínica y teórica (basada en el marco de redes atencionales)

  Los resultados de este estudio piloto se interpretan mejor dentro del marco de la teoría de las redes atencionales propuesta por Posner y Petersen (1990, 2005) y desarrollada en trabajos posteriores de Corbetta y Shulman (2002). Según este modelo, la atención se organiza en tres sistemas interconectados:

• Red de alerta: prepara al organismo para responder a estímulos entrantes.

• Red de orientación: dirige los recursos atencionales hacia la ubicación relevante.

• Red de control ejecutivo o conflicto: regula la conducta en presencia de distractores, permitiendo seleccionar la respuesta adecuada.

• Finalmente, María Rosario Rueda (2021, Educar la atención con cerebro) ha subrayado que la atención es una habilidad entrenable y en constante maduración, tanto en la infancia como en la vida adulta. Los resultados de este piloto, al mostrar la secuencia clásica de monitoreo de errores (ERN → N2 → P3), sugieren que incluso con herramientas accesibles es posible observar los mecanismos de autorregulación que sustentan el aprendizaje y la adaptación en contextos educativos.

  En conjunto, los hallazgos respaldan la validez del marco teórico de las redes atencionales y muestran cómo estas se pueden estudiar de manera práctica con un EEG de bajo costo, abriendo la puerta a su aplicación en programas de formación investigativa, educación y neurociencia cognitiva aplicada.

  En este piloto, la mayor negatividad en ERN y N2 durante los errores refleja directamente el funcionamiento de la red de control ejecutivo, encargada de detectar conflictos e inhibir impulsos automáticos. Por su parte, la P3 más robusta se alinea con la idea de que el cerebro actualiza de manera flexible su estado atencional para facilitar el aprendizaje de la tarea.

  La relevancia de estos resultados se amplía con los aportes de Mary K. Rothbart, quien ha demostrado que la atención está íntimamente ligada a la autorregulación emocional y cognitiva, y que su desarrollo en la infancia predice competencias sociales y académicas posteriores. Juan Lupiáñez, por su parte, ha aportado evidencia sobre la interacción entre orientación espacial y control ejecutivo, reforzando la importancia de estudiar los tres sistemas de manera integrada.

• ✅ Conclusión y futuras direcciones

  Este estudio piloto demuestra que es posible registrar los componentes clásicos del monitoreo de errores —ERN, N2 y P3— utilizando un sistema de EEG de bajo costo (OpenBCI) integrado con un pipeline de software accesible (E-Prime, LSL, LabRecorder, EEGLAB, MATLAB R2025a). Aun cuando los análisis estadísticos no alcanzaron significancia, los patrones observados replicaron lo descrito en la literatura internacional, validando la viabilidad de esta aproximación.

  La importancia de estos hallazgos radica en su valor formativo y democratizador. En lugar de depender exclusivamente de laboratorios con equipos millonarios, este modelo ofrece un camino para que universidades locales, estudiantes de bachillerato y programas de maestría en psicología y educación desarrollen proyectos de investigación en neurociencia cognitiva aplicada.

  Desde el marco de las redes atencionales (Posner, Petersen, Corbetta, Shulman, Rothbart, Lupiáñez y Rueda), los resultados observados reflejan el funcionamiento de la red de control ejecutivo, encargada de resolver conflictos e integrar errores en el proceso de aprendizaje. En términos de aplicación educativa, esto se traduce en la posibilidad de medir y entrenar habilidades de autorregulación y atención, competencias esenciales para el éxito académico y social.

  De cara al futuro, se plantean tres direcciones principales:

• Ampliar la muestra a participantes de diferentes edades, con énfasis en infancia y adolescencia, para explorar trayectorias de desarrollo atencional.

• Aplicar análisis más robustos en R y técnicas de procesamiento avanzado que fortalezcan la validez de los hallazgos.

• En resumen, este piloto no solo valida la factibilidad técnica de estudiar la atención con herramientas accesibles, sino que también abre la posibilidad de formar nuevas generaciones de investigadores y educadores capaces de unir ciencia y práctica pedagógica. La atención, como recuerdan Rueda y Rothbart, no es un rasgo fijo: es una capacidad entrenable. Y gracias a la combinación de IA + EEG accesible, su estudio y fortalecimiento está ahora al alcance de nuestras aulas y laboratorios locales.

• Vincular la neurociencia con la educación, integrando este tipo de estudios en programas de formación docente, talleres de neuroeducación y proyectos de investigación estudiantil en Puerto Rico.

P.S. Si quisieran acceder a my blog personal que esta bien limitado pero tiene basicamente lo mismo que en este blog pueden acceder aqui: https://rubricneuroed.weebly.com/estudios-piloto.html

📚 Referencias

1. Abundis-Gutiérrez, A., Checa, P., Castellanos, C., & Rueda, M. R. (2014). Electrophysiological correlates of attention networks in childhood and early adulthood. Neuropsychologia, 57, 78–92. https://doi.org/10.1016/j.neuropsychologia.2014.02.013

2. Corbetta, M., & Shulman, G. L. (2002). Control of goal-directed and stimulus-driven attention in the brain. Nature Reviews Neuroscience, 3(3), 201–215. https://doi.org/10.1038/nrn755

3. Delorme, A., & Makeig, S. (2004). EEGLAB: An open-source toolbox for analysis of single-trial EEG dynamics. Journal of Neuroscience Methods, 134(1), 9–21. https://doi.org/10.1016/j.jneumeth.2003.10.009

4. E-Prime (Version 2.0) [Computer software]. (2012). Psychology Software Tools, Inc. https://pstnet.com/products/e-prime

5. Immordino-Yang, M. H. (2016). Emotions, learning, and the brain: Exploring the educational implications of affective neuroscience. W. W. Norton & Company.

6. LabStreamingLayer. (n.d.). LabRecorder [Software]. https://github.com/labstreaminglayer/lslr

7. Luck, S. J. (2014). An introduction to the event-related potential technique (2nd ed.). MIT Press.

8. Lupiáñez, J. (2010). Inhibition of return: Twenty years after. Cognitive Neuropsychology, 27(2), 107–121. https://doi.org/10.1080/02643294.2010.513967

9. MATLAB (Version R2025a) [Computer software]. (2025). The MathWorks, Inc.

10. OpenBCI. (n.d.). Cyton biosensing board [Hardware]. https://openbci.com/products/

11. Posner, M. I., & Petersen, S. E. (1990). The attention system of the human brain. Annual Review of Neuroscience, 13(1), 25–42. https://doi.org/10.1146/annurev.ne.13.030190.000325

12. Posner, M. I., & Rothbart, M. K. (2007). Research on attention networks as a model for the integration of psychological science. Annual Review of Psychology, 58, 1–23. https://doi.org/10.1146/annurev.psych.58.110405.085516

13. R Core Team. (2024). R: A language and environment for statistical computing (Version 4.3.0) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/

14. Rueda, M. R. (2021). Educar la atención con cerebro. Madrid: Alianza Editorial.

15. Shulman, G. L., Corbetta, M., Buckner, R. L., Raichle, M. E., Fiez, J. A., Miezin, F. M., & Petersen, S. E. (1997). Common blood flow changes across visual tasks: II. Decreases in cerebral cortex. Journal of Cognitive Neuroscience, 9(5), 648–663. https://doi.org/10.1162/jocn.1997.9.5.648

16. Tokuhama-Espinosa, T. (2010). The new science of teaching and learning: Using the best of mind, brain, and education science in the classroom. Teachers College Press.

17. Virtual Serial Port Emulator (VSPE) [Computer software]. (n.d.). Eltima Software. https://www.eltima.com/products/vsp/

18. Weaver and Company. (2015). Safety data sheet: Ten20 conductive paste. Aurora, CO: Weaver and Company.

19. Woods, A. J., Antal, A., Bikson, P., Boggio, P. S., Brunoni, A. R., Celnik, P., … Nitsche, M. A. (2016). A technical guide to tDCS, and related non-invasive brain stimulation tools. Clinical Neurophysiology, 127(2), 1031–1048. https://doi.org/10.1016/j.clinph.2015.11.012

20. Yantis, S. (2008). The neural basis of selective attention: Cortical sources and targets of attentional modulation. Current Directions in Psychological Science, 17(2), 86–90. https://doi.org/10.1111/j.1467-8721.2008.00554.x