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

Abstract

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.

ABSTRACT : The main objective of this project is to develop a Business Intelligence (BI) methodology specifically designed for data visualization in the field of computational neuroscience. The focus is on facilitating the interpretation and analysis of large volumes of data generated in this field, providing researchers with accessible and effective tools to extract relevant information. To achieve this, the standard BIDS (Brain Imaging Data Structure) data storage format is transformed into more manageable formats, such as CSV, which are compatible with various BI platforms. This transformation not only simplifies data management but also enables integration with free interactive visualization tools. As a result, the Gruneco research group will be able to explore their data dynamically, detect patterns, and generate insights that support their scientific hypotheses. This methodology is presented as a scalable and adaptable solution, ideal for other areas facing similar challenges in managing complex datasets.