01
Fragmentación metodológica
Los estudios difieren en objetivos, estímulos, bioseñales y validación.
Tesis doctoral · Compendio de publicacionesEstado de la tesis: En desarrollo
Inteligencia Artificial para Neuromarketing basado en EEG con Canales Limitados y Datos Heterogéneos
Artificial Intelligence for EEG-Based Neuromarketing with Limited Channels and Heterogeneous Data
Una investigación sobre cómo aplicar inteligencia artificial al neuromarketing basado en EEG cuando la adquisición es limitada y los datos son heterogéneos.
Una tesis, tres problemas conectados
01
ComprenderEstructurar un dominio fragmentado
02
ReconstruirRecuperar información espacial EEG
03
EvaluarMedir la calidad antes de entrenar
3artículos
3preguntas
1hilo común
01El problema
La IA no empieza en el modelo
La tesis aborda el ciclo completo: comprender el dominio, trabajar con las restricciones reales de adquisición y saber si los datos son adecuados para entrenar y comparar modelos.
De la señal al conocimiento fiable
Esta tesis doctoral investiga el uso de la Inteligencia Artificial para el análisis de señales EEG en escenarios de neuromarketing. En lugar de centrarse únicamente en modelos predictivos, la tesis aborda tres aspectos complementarios: la estructura del dominio del neuromarketing, las limitaciones prácticas de la adquisición de EEG con pocos canales, y la calidad de los conjuntos de datos (datasets) utilizados en los pipelines de IA. El trabajo se presenta como una compilación de tres artículos publicados que cubren el estado del arte del neuromarketing basado en bioseñales, la reconstrucción de canales de EEG en BCIs de bajo coste, y la evaluación multidimensional de la calidad de los datasets de EEG.
Motivación
El EEG se ha convertido en una de las bioseñales más relevantes en neuromarketing debido a su naturaleza no invasiva, portabilidad, coste reducido y alta resolución temporal. Sin embargo, el campo presenta todavía tres grandes desafíos: la fragmentación metodológica, el número limitado de canales en dispositivos prácticos y ponibles (wearables), y la heterogeneidad de los conjuntos de datos utilizados para entrenar y evaluar soluciones basadas en IA. Esta tesis aborda estos tres problemas de forma progresiva.
02
Canales EEG limitados
Los dispositivos portátiles ganan usabilidad, pero pierden información espacial.
03
Datos heterogéneos
La calidad de los datasets condiciona el entrenamiento y el benchmarking.
Institución
Universidad de Murcia · Facultad de Informática
Dirección
Dr. Alberto Huertas Celdrán, Ph.D. · Dr. Lorenzo Fernández Maimó, Ph.D.
Financiación
Beca predoctoral de formación de personal investigador de la Fundación Séneca (2022-2026).
Formato
Tesis doctoral por compendio de publicaciones · 2026
02Preguntas de investigación
Tres preguntas guían toda la tesis
Cada pregunta se resuelve mediante una publicación y prepara la siguiente etapa del trabajo.
¿Cuáles son las principales etapas, conjuntos de datos, tendencias de investigación y retos abiertos que definen el estado del arte del neuromarketing basado en bioseñales?
Publicación 1
¿Qué relación entre el rendimiento de reconstrucción, la disponibilidad de canales y las restricciones de despliegue práctico puede alcanzarse mediante la reconstrucción de canales EEG basada en IA en BCIs con canales limitados para neuromarketing?
Publicación 2
¿Qué dimensiones de calidad de los conjuntos de datos EEG son más informativas para el benchmarking del análisis basado en IA en neuromarketing y cómo pueden relacionarse con el rendimiento posterior de los modelos?
Publicación 3
03Compendio de publicaciones
Tres artículos, una línea de investigación
Cada artículo resuelve una parte del problema y prepara la siguiente. Selecciona una publicación para explorar su pregunta, método, resultados y visualización.
Artículo 1 de 3 · Information Fusion
Del campo fragmentado a un ciclo de neuromarketing común
¿Qué etapas, datasets, tendencias y retos definen el estado del arte?
1ObjetivoQué se estudia
2HipótesisQué se mide
3EstímulosQué se presenta
4SeñalesQué se captura
5ProcesadoCómo se limpia
6VariablesQué se extrae
7ValidaciónCómo se contrasta
Método
Revisión de objetivos, estímulos, bioseñales, procesamiento, datasets y validación.
04Arquitectura de la investigación
De las preguntas al método
Cada pregunta activa dos objetivos específicos y una etapa metodológica que conduce a su publicación.
Pregunta
RQ1Estructurar el estado del arte
Objetivos
O1 · O2Analizar el campo e identificar sus principales brechas metodológicas.
Metodología
Etapa 1Revisión de objetivos, estímulos, bioseñales, procesamiento y validación.
Artículo 1 · Information FusionPregunta
RQ2Equilibrar reconstrucción y despliegue
Objetivos
O3 · O4Estudiar las limitaciones de los BCIs y proponer una CNN ligera.
Metodología
Etapa 2Reconstrucción de canales, pérdida temporal y más de 1.820 configuraciones.
Artículo 2 · Applied Soft ComputingPregunta
RQ3Relacionar calidad y rendimiento
Objetivos
O5 · O6Identificar los factores de calidad y definir un framework multidimensional.
Metodología
Etapa 3Ocho indicadores, Quality Score y benchmarking sobre seis datasets.
Artículo 3 · IEEE Access05Síntesis
Qué aporta la tesis y hacia dónde continúa
Conclusiones
- El neuromarketing con EEG basado en IA no debe entenderse únicamente como un problema de modelado predictivo.
- Requiere una comprensión estructurada del dominio.
- Exige soluciones prácticas para las limitaciones de adquisición del mundo real.
- Necesita métodos objetivos para evaluar la calidad de los datasets antes del entrenamiento y benchmarking.
Trabajo futuro
- Diseñar nuevos datasets orientados explícitamente a objetivos de neuromarketing, con estímulos más realistas, protocolos más consistentes y criterios de anotación más claros.
- Explorar escenarios más cercanos a entornos de consumo reales, incluyendo productos reales, distribuciones de tiendas e interacciones multimodales.
- Mejorar la generalización del modelo de reconstrucción de canales de EEG, especialmente las predicciones entre hemisferios y la dependencia de la densidad de canales.
- Evaluar el modelo de reconstrucción en una variedad más amplia de datasets y dispositivos, y avanzar hacia la integración en plataformas BCI prácticas.
- Extender el framework de calidad de datasets a más paradigmas, datasets y colecciones multimodales.
- Estudiar en mayor profundidad cómo deben guiar los indicadores de calidad las decisiones de preprocesamiento, entrenamiento y benchmarking.
Tribunal de tesis
Composición del tribunal y perfiles profesionales de sus miembros.
Pedro Miguel Sánchez Sánchez
Pedro Miguel Sánchez Sánchez es Data Scientist e investigador, doctor en Informática. Actualmente trabaja como Data Scientist en Roche. Sus líneas de investigación se centran en inteligencia artificial, aprendizaje federado y ciberseguridad.
Javier Pastor Galindo
Javier Pastor Galindo es profesor asociado de la Universidad de Murcia, adscrito al Departamento de Ingeniería de la Información y las Comunicaciones. Sus líneas de investigación se centran en inteligencia de fuentes abiertas (OSINT), ciberseguridad y privacidad.
Gérôme Bovet
Gérôme Bovet es el jefe del Grupo de Tecnologías de Ciberdatos y del Programa de Investigación en Ciberanálisis e Inteligencia en armasuisse (Oficina Federal de Adquisiciones para la Defensa de Suiza). Su investigación se centra en ciberseguridad y aprendizaje automático.