Descripción
Este Trabajo Fin de Máster aplica técnicas de machine learning no supervisado, en particular clustering jerárquico, al análisis conjunto de datos de magnetoencefalografía (MEG) y resonancia magnética (MRI) para identificar patrones neuroanatómicos y electrofisiológicos asociados a la predisposición al consumo intensivo de alcohol en adolescentes. Los resultados muestran alteraciones específicas en bandas de frecuencia alfa y theta y en áreas relacionadas con el control inhibitorio, lo que sugiere marcadores tempranos de riesgo vinculados a la neuromaduración cerebral.