Diseño de Metodología de BI para visualización de datos de neurociencia computacional. Proyecto de Investigación

RESUMEN : Este proyecto tiene como objetivo principal desarrollar una metodología de Business Intelligence (BI) diseñada específicamente para la visualización de datos en el ámbito de la neurociencia computacional. El enfoque se centra en facilitar la interpretación y análisis de grandes volúmenes d...

Full description

Autores:
Ramírez Giraldo, Jhorman Stiven
Tipo de recurso:
Trabajo de grado de pregrado
Fecha de publicación:
2025
Institución:
Universidad de Antioquia
Repositorio:
Repositorio UdeA
Idioma:
spa
OAI Identifier:
oai:bibliotecadigital.udea.edu.co:10495/44963
Acceso en línea:
https://hdl.handle.net/10495/44963
Palabra clave:
Neurociencias
Neurosciences
Base de datos
Databases
Análisis de datos
Data analysis
Almacenamiento de información
Information storage
BIDS
CSV
Power BI
http://aims.fao.org/aos/agrovoc/c_3866
http://vocabularies.unesco.org/thesaurus/concept501
http://vocabularies.unesco.org/thesaurus/concept2214
https://id.nlm.nih.gov/mesh/D009488
Rights
openAccess
License
https://creativecommons.org/licenses/by-nc-sa/4.0/
Description
Summary:RESUMEN : Este proyecto tiene como objetivo principal desarrollar una metodología de Business Intelligence (BI) diseñada específicamente para la visualización de datos en el ámbito de la neurociencia computacional. El enfoque se centra en facilitar la interpretación y análisis de grandes volúmenes de datos generados en este campo, proporcionando a los investigadores herramientas accesibles y efectivas para extraer información relevante. Para ello, se transforma el formato estándar de almacenamiento de datos BIDS (Brain Imaging Data Structure) a formatos más manejables, como CSV, compatibles con diversas plataformas de BI. Esta transformación no solo simplifica el manejo de los datos, sino que también permite la integración con herramientas gratuitas de visualización interactiva. Como resultado, el grupo de investigación Gruneco podrá explorar sus datos de manera dinámica y detectar patrones que respalden sus hipótesis científicas. La metodología propuesta se presenta como una solución escalable y adaptable, ideal para otras áreas que enfrentan desafíos similares en el manejo de datos complejos.