Prompt para escribir un ensayo sobre Ingeniería Neural

Indique el tema del ensayo sobre «Ingeniería Neural»:
{additional_context}

═══════════════════════════════════════════════════════════════════════════════
PLANTILLA ESPECIALIZADA DE ENSAYO ACADÉMICO EN INGENIERÍA NEURAL
═══════════════════════════════════════════════════════════════════════════════

Esta plantilla constituye una guía exhaustiva y disciplinariamente rigurosa para la producción de ensayos académicos en el campo de la Ingeniería Neural (Neural Engineering). Siga cada sección con precisión, adaptando las indicaciones al tema específico proporcionado por el usuario en el contexto adicional.

─────────────────────────────────────────────────────────────────────────────
1. ANÁLISIS DEL CONTEXTO Y DEFINICIÓN DEL ENFOQUE
─────────────────────────────────────────────────────────────────────────────

1.1. LECTURA CRÍTICA DEL CONTEXTO PROPORCIONADO

Antes de redactar, analice meticulosamente la información suministrada por el usuario:

- Identifique el TEMA PRINCIPAL y delimite con precisión el alcance del ensayo dentro de la Ingeniería Neural.
- Formule una TESIS CENTRAL que sea específica, argumentable y situada dentro de los debates actuales de la disciplina. La tesis debe responder directamente al tema propuesto y reflejar comprensión de los fundamentos ingenieriles aplicados a los sistemas neurales.
- Determine el TIPO DE ENSAYO requerido: argumentativo, analítico, comparativo, descriptivo, de revisión de literatura, de investigación empírica o de propuesta tecnológica.
- Extraiga los REQUISITOS formales: extensión en palabras (por defecto, 1500-2500 palabras si no se especifica), audiencia objetivo (estudiantes de pregrado, posgrado, investigadores, público especializado), guía de citación (por defecto, estilo IEEE o APA 7.ª edición, que son los predominantes en esta ingeniería), nivel de formalidad y fuentes obligatorias.
- Detecte ÁNGULOS ESPECÍFICOS, puntos clave o fuentes que el usuario haya mencionado.
- Confirme la DISCIPLINA de intersección predominante: neurociencia computacional, bioingeniería, ingeniería biomédica, ciencias de la computación aplicadas, ciencias de materiales para interfaces neuronales, entre otras.

1.2. COMPRENSIÓN DISCIPLINAR DE LA INGENIERÍA NEURAL

La Ingeniería Neural es una disciplina interdisciplinaria que aplica principios de la ingeniería —especialmente de la ingeniería eléctrica, biomédica, de computación y de materiales— para comprender, reparar, reemplazar, mejorar y modelar sistemas neurales. Sus dominios principales incluyen:

- Interfaces cerebro-computadora (BCI, por sus siglas en inglés): sistemas que permiten la comunicación directa entre la actividad cerebral y dispositivos externos.
- Prótesis neurales y neuroprótesis: dispositivos que restauran o sustituyen funciones sensoriales, motoras o cognitivas mediante estimulación eléctrica o química.
- Estimulación neuromoduladora: técnicas como la estimulación cerebral profunda (DBS), la estimulación magnética transcraneal (TMS) y la estimulación transcraneal por corriente directa (tDCS).
- Procesamiento de señales neurales: análisis de electroencefalografía (EEG), magnetoencefalografía (MEG), potenciales evocados, registros de unidades múltiples y señales electrocorticográficas (ECoG).
- Neurociencia computacional y modelado: simulación de redes neuronales biológicas, modelos de Hodgkin-Huxley, modelos de disparo de neuronas integrate-and-fire y modelos de campo medio.
- Biomateriales neurales: desarrollo de electrodos biocompatibles, hidrogeles conductores y andamios para regeneración axonal.
- Rehabilitación neurotecnológica: sistemas de rehabilitación asistida por robótica y realimentación sensorial para pacientes con lesiones del sistema nervioso central o periférico.

─────────────────────────────────────────────────────────────────────────────
2. DESARROLLO DE LA TESIS Y ESQUEMA ESTRUCTURAL
─────────────────────────────────────────────────────────────────────────────

2.1. FORMULACIÓN DE LA TESIS

La tesis debe cumplir los siguientes criterios disciplinares:

- Especificidad técnica: Evite generalidades. En lugar de «Las interfaces cerebro-computadora son importantes», formule algo como: «Las interfaces cerebro-computadora no invasivas basadas en EEG de alta densidad han demostrado una mejora del 30-40% en la tasa de información transferida respecto a sistemas convencionales, lo que abre vías viables para la comunicación asistida en pacientes con esclerosis lateral amiotrófica».
- Argumentabilidad: La tesis debe permitir evidencia empírica, datos cuantitativos y análisis crítico.
- Relevancia contemporánea: Conecte con debates actuales del campo, como la escalabilidad de implantes neurales, la biocompatibilidad a largo plazo, los marcos éticos para la modificación neural, o la integración de aprendizaje automático en sistemas de decodificación neural.
- Originalidad parcial: Aunque no se requiera una contribución absolutamente novedosa, la tesis debe ofrecer una perspectiva o síntesis que aporte valor analítico.

Ejemplos de formulaciones de tesis adecuadas para Ingeniería Neural:

- «Si bien los implantes neurales intracorticales ofrecen una resolución espacial superior a los sistemas no invasivos, los avances recientes en algoritmos de aprendizaje profundo aplicados a señales EEG de alta densidad están cerrando esta brecha de rendimiento, lo que sugiere que la próxima generación de BCI podría priorizar la no invasividad sin sacrificar funcionalidad.»
- «La estimulación cerebral profunda adaptativa, basada en biomarcadores de circuito en tiempo real, representa una evolución paradigmática respecto a la DBS convencional de circuito abierto, al reducir significativamente los efectos adversos motores y cognitivos en pacientes con enfermedad de Parkinson.»
- «El desarrollo de electrodos flexibles de grafeno para registros neurales crónicos ha demostrado una reducción de la respuesta inflamatoria glial del 60% comparado con electrodos de silicio rígidos, lo que posiciona a los biomateriales bidimensionales como la tecnología más prometedora para interfaces neuronales a largo plazo.»

2.2. ESQUEMA JERÁRQUICO DEL ENSAYO

Construya una estructura lógica y jerárquica. A continuación se presenta un esquema estándar adaptable:

I. INTRODUCCIÓN (150-300 palabras)
   A. Gancho inicial: cita relevante, dato estadístico impactante, caso clínico emblemático o anécdota tecnológica.
   B. Contextualización histórica y disciplinar: breve reseña de hitos en la Ingeniería Neural (por ejemplo, el trabajo seminal de Hodgkin y Huxley sobre el potencial de acción, los primeros experimentos de estimulación cerebral de Penfield, el desarrollo de los primeros BCI en la década de 1970).
   C. Planteamiento del problema o pregunta de investigación.
   D. Tesis central.
   E. Mapa de ruta: descripción concisa de las secciones del ensayo.

II. MARCO TEÓRICO Y FUNDAMENTOS (200-400 palabras)
   A. Conceptos clave y definiciones operativas.
   B. Modelos teóricos relevantes: modelo de Hodgkin-Huxley, teoría de control en sistemas neurales, teoría de la información aplicada a canales neurales, marcos de procesamiento de señales (transformada de Fourier, filtros espaciales comunes, CSP).
   C. Revisión de literatura pertinente: síntesis de hallazgos de investigación reciente (posterior a 2015 preferentemente).
   D. Identificación del vacío o tensión que el ensayo abordará.

III. CUERPO ARGUMENTAL - SECCIÓN PRINCIPAL 1: Fundamento o argumento central (200-400 palabras)
   A. Oración temática que avance la tesis.
   B. Evidencia empírica: datos cuantitativos, resultados experimentales, hallazgos de estudios clínicos.
   C. Análisis crítico: interpretación de la evidencia, conexión explícita con la tesis.
   D. Transición hacia la siguiente sección.

IV. CUERPO ARGUMENTAL - SECCIÓN PRINCIPAL 2: Análisis comparativo o tecnológico (200-400 palabras)
   A. Comparación de enfoques, tecnologías o metodologías.
   B. Tablas o descripciones de datos comparativos (por ejemplo, tasa de éxito de diferentes paradigmas BCI: P300 vs. ritmo motor vs. potencial de estado estable).
   C. Evaluación de ventajas y limitaciones.
   D. Análisis de implicaciones prácticas.

V. CUERPO ARGUMENTAL - SECCIÓN PRINCIPAL 3: Contraargumentos y refutaciones (150-300 palabras)
   A. Presentación honesta de posiciones contrarias o limitaciones reconocidas.
   B. Refutación fundamentada en evidencia.
   C. Matización de la tesis original si es necesario.

VI. CUERPO ARGUMENTAL - SECCIÓN PRINCIPAL 4: Estudios de caso, aplicaciones o datos empíricos (200-400 palabras)
   A. Caso de estudio concreto: paciente, dispositivo, ensayo clínico o prototipo.
   B. Descripción metodológica breve.
   C. Resultados y su relevancia para la tesis.

VII. DISCUSIÓN E IMPLICACIONES (150-250 palabras)
   A. Síntesis de los argumentos principales.
   B. Implicaciones para la práctica clínica, la investigación futura o la política tecnológica.
   C. Limitaciones del análisis presentado.
   D. Recomendaciones para investigación futura.

VIII. CONCLUSIÓN (150-250 palabras)
   A. Reafirmación de la tesis a la luz de la evidencia presentada.
   B. Síntesis integradora de los hallazgos clave.
   C. Perspectivas a futuro y llamado a la acción o reflexión final.

─────────────────────────────────────────────────────────────────────────────
3. INTEGRACIÓN DE EVIDENCIA Y FUENTES DISCIPLINARES
─────────────────────────────────────────────────────────────────────────────

3.1. FUENTES PRIMARIAS Y SECUNDARIAS RECOMENDADAS

La Ingeniería Neural exige un manejo riguroso de fuentes empíricas y teóricas. Priorice los siguientes tipos de fuentes:

FUENTES PRIMARIAS:
- Artículos de investigación empírica publicados en revistas arbitradas (peer-reviewed).
- Datos experimentales de registros neurales (EEG, ECoG, potenciales de campo local, registros de espigas).
- Ensayos clínicos registrados y sus resultados publicados.
- Patentes de dispositivos neurales.
- Informes técnicos de instituciones de referencia (por ejemplo, informes del National Institutes of Health —NIH—, de la Defense Advanced Research Projects Agency —DARPA—, o de la Comisión Europea en proyectos de neurotecnología).

FUENTES SECUNDARIAS:
- Revisiones sistemáticas y metaanálisis.
- Libros de texto especializados y monografías.
- Capítulos de libros editados por expertos reconocidos.
- Documentos de posición de sociedades científicas.

3.2. REVISTAS CIENTÍFICAS DE REFERENCIA EN INGENIERÍA NEURAL

Utilice exclusivamente revistas reales y verificables:

- Journal of Neural Engineering (IOP Publishing): revista líder dedicada específicamente a la ingeniería neural.
- IEEE Transactions on Neural Systems and Rehabilitation Engineering (IEEE): publicación de referencia en sistemas neurales y rehabilitación.
- Frontiers in Neuroscience (Frontiers Media): revista de acceso abierto con secciones dedicadas a ingeniería neural y neurotecnología.
- Neural Computation (MIT Press): revista de alto impacto en computación neural y modelado.
- Journal of Neuroscience Methods (Elsevier): publicación especializada en metodologías neurocientíficas.
- IEEE Transactions on Biomedical Engineering (IEEE): revista interdisciplinaria de ingeniería biomédica.
- Brain-Computer Interfaces (Taylor & Francis): revista dedicada específicamente a interfaces cerebro-computadora.
- NeuroImage (Elsevier): revista de referencia en neuroimagen.
- PLoS Computational Biology (Public Library of Science): revista de acceso abierto en biología computacional.
- Nature Neuroscience y Nature Biomedical Engineering: revistas de alto impacto con publicaciones relevantes en neurotecnología.
- eLife: revista de acceso abierto con creciente presencia en neurociencia experimental.
- Journal of Neurophysiology (American Physiological Society): publicación histórica en fisiología neural.

3.3. BASES DE DATOS Y PLATAFORMAS DE BÚSQUEDA

- PubMed / MEDLINE: base de datos principal para literatura biomédica y neurocientífica.
- IEEE Xplore: plataforma indispensable para literatura de ingeniería eléctrica, biomédica y computacional aplicada a sistemas neurales.
- Web of Science: base de datos multidisciplinaria con índices de citación.
- Scopus: base de datos bibliográfica de Elsevier con amplia cobertura en ingeniería.
- Google Scholar: motor de búsqueda académica para identificación preliminar de literatura.
- arXiv (sección q-bio.NC y eess.SP): repositorio de preprints en neurociencia computacional y procesamiento de señales.
- bioRxiv y medRxiv: repositorios de preprints en ciencias biológicas y médicas.
- ClinicalTrials.gov: registro de ensayos clínicos relevantes para dispositivos neurales.

3.4. FIGURAS FUNDAMENTALES Y CONTEMPORÁNEAS

Mencione únicamente investigadores cuya existencia y relevancia en el campo esté verificada:

- Alan Hodgkin y Andrew Huxley: formuladores del modelo matemático del potencial de acción neuronal (1952), piedra angular de la neurociencia computacional.
- José Delgado: pionero en estimulación cerebral profunda y control neural, conocido por sus experimentos en la década de 1960.
- Philip Kennedy: inventor del primer neurotrodo para BCI invasivo en humanos y desarrollador del «tren de pensamiento» (thought translation device).
- John Donoghue: cofundador de BrainGate y líder en el desarrollo de interfaces neuronales intracorticales para pacientes paralizados.
- Andrew Schwartz: investigador en control neural de prótesis robóticas en la Universidad de Pittsburgh.
- Bin He: investigador en BCI no invasivas, procesamiento de señales EEG y neuroimagen funcional en la Universidad Carnegie Mellon (anteriormente en la Universidad de Minnesota).
- Nitish Thakor: investigador en neuroprótesis, interfaces neurales y procesamiento de señales biomédicas en la Universidad Johns Hopkins.
- José Carmena: investigador en plasticidad neural y BCI adaptativas en la Universidad de California, Berkeley.
- Robert Kass: figura influyente en el análisis estadístico de datos neurales.
- Richard Andersen: investigador en interfaces neurales basadas en señales de la corteza parietal posterior en Caltech.
- Edward Boyden: desarrollador de la optogenética y la expansión cerebral, herramientas revolucionarias en neuroingeniería en el MIT.
- Karl Deisseroth: pionero de la optogenética en la Universidad Stanford.
- Krishna Shenoy: investigador en decodificación neural en tiempo real para BCI en la Universidad Stanford (fallecido en 2023, legado continuado por su equipo).

3.5. INSTITUCIONES Y CENTROS DE INVESTIGACIÓN DE REFERENCIA

- BrainGate Consortium: consorcio multidisciplinario que desarrolla interfaces neuronales para personas con parálisis.
- Wyss Center for Bio and Neuroengineering (Ginebra, Suiza): centro dedicado a traducir descubrimientos neurocientíficos en tecnologías clínicas.
- Neural Engineering Lab, Universidad de Pittsburgh.
- Center for Neural Engineering, Universidad de Michigan.
- Institute for Neural Computation, Universidad de California, San Diego.
- Janelia Research Campus (Howard Hughes Medical Institute): centro de investigación en neurociencia y tecnología neural.
- Instituto Cajal (CSIC, España): institución histórica en neurociencia.
- Kavli Institute for Systems Neuroscience (Noruega): liderado por Edvard y May-Britt Moser, ganadores del Nobel.

─────────────────────────────────────────────────────────────────────────────
4. METODOLOGÍAS DE INVESTIGACIÓN Y MARCOS ANALÍTICOS
─────────────────────────────────────────────────────────────────────────────

4.1. METODOLOGÍAS CUANTITATIVAS PREDOMINANTES

La Ingeniería Neural es una disciplina fundamentalmente empírica y cuantitativa. Los ensayos deben reflejar familiaridad con:

- Diseño experimental: variables independientes y dependientes, grupos de control, aleatorización, cegamiento.
- Procesamiento de señales neurales: filtrado (pasa banda, notch, filtros adaptativos), transformada de Fourier de tiempo corto (STFT), descomposición en componentes independientes (ICA), filtros espaciales comunes (CSP).
- Análisis estadístico: pruebas t, ANOVA, análisis de regresión, modelos lineales generalizados, análisis de supervivencia para estudios de durabilidad de implantes.
- Aprendizaje automático aplicado: redes neuronales artificiales (ANN), máquinas de soporte vectorial (SVM), redes neuronales convolucionales (CNN) para clasificación de señales EEG, redes recurrentes (RNN, LSTM) para series temporales neurales.
- Modelado computacional: simulación de redes neuronales biológicas con herramientas como NEURON, NEST, Brian2; modelos de campo medio; modelos de campo neural.
- Análisis de conectividad funcional: coherencia espectral, correlación cruzada, transferencia de información grangeriana, análisis de componentes principales dinámicos.

4.2. MARCOS TEÓRICOS ESPECÍFICOS

- Modelo de Hodgkin-Huxley: descripción cuantitativa del potencial de acción neuronal mediante ecuaciones diferenciales que modelan la conductancia iónica de sodio y potasio.
- Teoría de control: aplicación de principios de retroalimentación y control óptimo a sistemas de estimulación neural adaptativa.
- Teoría de la información: cuantificación de la capacidad de canal de interfaces neuronales, entropía de señales neurales, tasa de información mutua.
- Teoría de la codificación neural: hipótesis de tasa, codificación temporal, codificación poblacional, codificación eficiente (efficient coding hypothesis).
- Plasticidad sináptica y reglas de aprendizaje: regla de Hebb, potenciación a largo plazo (LTP), depresión a largo plazo (LTD), plasticidad dependiente de tiempo de disparo (STDP).
- Biocompatibilidad e interacción material-tejido: respuesta inflamatoria a implantes, encapsulación fibrosa, degradación electroquímica de electrodos.

4.3. TIPOS DE ENSAYO FRECUENTES EN LA DISCIPLINA

- Ensayo de revisión narrativa: síntesis de la literatura sobre un tema específico (por ejemplo, «Estado actual de las interfaces cerebro-computadora no invasivas»).
- Ensayo argumentativo tecnológico: defensa de una posición sobre el desarrollo o implementación de una tecnología neural.
- Ensayo comparativo: análisis sistemático de dos o más tecnologías, enfoques o metodologías (por ejemplo, comparación de paradigmas BCI invasivos vs. no invasivos).
- Ensayo de propuesta de diseño: descripción y justificación de un dispositivo o sistema neural propuesto.
- Ensayo ético-filosófico: análisis de implicaciones éticas de la neurotecnología (consentimiento informado, privacidad neural, equidad en el acceso).
- Ensayo de caso de estudio: análisis detallado de un caso clínico, dispositivo o experimento emblemático.

─────────────────────────────────────────────────────────────────────────────
5. REDACCIÓN DEL CONTENIDO CENTRAL
─────────────────────────────────────────────────────────────────────────────

5.1. INTRODUCCIÓN (150-300 palabras)

La introducción debe cumplir las siguientes funciones:

- Gancho inicial: Comience con un elemento que capte la atención y sitúe al lector en el contexto de la Ingeniería Neural. Puede ser:
  * Un dato estadístico impactante (por ejemplo, la prevalencia de lesiones medulares o enfermedades neurodegenerativas que podrían beneficiarse de neurotecnología).
  * Una referencia histórica a un hito del campo.
  * Una descripción de un caso clínico emblemático.
  * Una cita de un investigador reconocido.
- Contextualización: Proporcione 2-3 oraciones de antecedentes que sitúen el tema dentro del panorama científico actual. Mencione brevemente el estado del arte.
- Planteamiento del problema: Identifique claramente la pregunta, el vacío o la tensión que el ensayo abordará.
- Tesis: Presente la tesis central de forma inequívoca.
- Mapa de ruta: Describa brevemente la estructura del ensayo («En primer lugar, se analizará... En segundo lugar, se comparará... Finalmente, se discutirán las implicaciones...»).

5.2. PÁRRAFOS DEL CUERPO (150-250 palabras cada uno)

Cada párrafo debe seguir la estructura «evidencia-sándwich»:

1. ORACIÓN TEMÁTICA: Introduzca la idea principal del párrafo y su conexión con la tesis.
   Ejemplo: «Los algoritmos de aprendizaje profundo han transformado la decodificación de señales neurales al superar consistentemente a los métodos tradicionales de clasificación en tareas de BCI motoras.»

2. CONTEXTO DE EVIDENCIA: Proporcione el marco necesario para interpretar la evidencia.
   Ejemplo: «En un estudio comparativo realizado por [Autor, Año], se evaluaron tres arquitecturas de redes neuronales profundas frente al método de referencia basado en filtros espaciales comunes (CSP) y máquinas de soporte vectorial.»

3. EVIDENCIA: Presente datos, resultados, citas o hallazgos específicos.
   Ejemplo: «Los resultados mostraron que las redes neuronales convolucionales alcanzaron una precisión de clasificación del 92,3% en tareas de discriminación de movimientos imaginados de mano derecha e izquierda, frente al 84,7% del método CSP-SVM.»

4. ANÁLISIS CRÍTICO: Interprete la evidencia y explique su relevancia para la tesis.
   Ejemplo: «Esta mejora del 7,6% en precisión no solo es estadísticamente significativa (p < 0,01), sino que tiene implicaciones prácticas directas: una mayor tasa de clasificación se traduce en una mejor experiencia de usuario y una mayor viabilidad clínica para pacientes que dependen de BCI para la comunicación.»

5. TRANSICIÓN: Conecte con el siguiente párrafo o sección.
   Ejemplo: «Sin embargo, la superioridad de los modelos de aprendizaje profundo plantea desafíos computacionales que deben considerarse para su implementación en tiempo real.»

5.3. MANEJO DE CONTRAARGUMENTOS

Dedique al menos un párrafo o sección a:

- Reconocer honestamente las limitaciones, críticas o posiciones contrarias.
- Presentar evidencia que sustente la posición contraria.
- Refutar o matizar con evidencia adicional.
- Ejemplo: «Algunos críticos señalan que las BCI invasivas conllevan riesgos quirúrgicos significativos, incluyendo infección, desplazamiento del electrodo y encapsulación tisular. Si bien estos riesgos son reales, los datos del ensayo clínico BrainGate2, con más de [X] años de seguimiento, demuestran una tasa de complicaciones graves inferior al [X]%, comparable a otros procedimientos neuroquirúrgicos electivos.»

5.4. CONCLUSIÓN (150-250 palabras)

La conclusión debe:

- Reafirmar la tesis, reformulándola a la luz de la evidencia presentada (no simplemente copiarla).
- Sintetizar los argumentos principales sin repetir textualmente el cuerpo.
- Señalar implicaciones para la práctica, la política o la investigación futura.
- Proponer direcciones para investigación futura.
- Cerrar con una reflexión que deje una impresión duradera.

─────────────────────────────────────────────────────────────────────────────
6. DEBATES ACTUALES Y PREGUNTAS ABIERTAS
─────────────────────────────────────────────────────────────────────────────

Los ensayos en Ingeniería Neural deben estar al tanto de los debates contemporáneos:

- Invasividad vs. no invasividad: ¿Pueden las BCI no invasivas alcanzar el rendimiento de las invasivas? ¿Es justificable el riesgo quirúrgico?
- Escalabilidad de implantes neurales: ¿Cómo pasar de prototipos de laboratorio a dispositivos comerciales viables?
- Biocompatibilidad a largo plazo: ¿Cómo garantizar la estabilidad de registros neurales durante décadas?
- Privacidad neural y «neuro-derechos»: ¿Qué protección legal requieren los datos cerebrales? ¿Es necesario un nuevo marco de derechos humanos?
- Aprendizaje automático y explicabilidad: ¿Cómo equilibrar el rendimiento predictivo de modelos de caja negra con la necesidad de interpretabilidad clínica?
- Equidad y acceso: ¿Quién tendrá acceso a las neurotecnologías avanzadas? ¿Podrían amplificar las desigualdades sociales?
- Estimulación cerebral profunda adaptativa: ¿Es superior a la DBS de circuito abierto? ¿Cuáles son los biomarcadores óptimos para el control en tiempo real?
- Integración sensorial en prótesis: ¿Cómo restaurar la sensación táctil realista en miembros protésicos?
- Regulación: ¿Cómo deben las agencias regulatorias (FDA, EMA) evaluar y aprobar dispositivos neurales que incorporan algoritmos de aprendizaje que evolucionan?
- Ética de la mejora neural: ¿Dónde está la línea entre tratamiento y mejora? ¿Es ético usar neurotecnología para aumentar capacidades cognitivas en personas sanas?

─────────────────────────────────────────────────────────────────────────────
7. CONVENCIONES DE CITACIÓN Y FORMATO
─────────────────────────────────────────────────────────────────────────────

7.1. ESTILOS DE CITACIÓN PREDOMINANTES

- IEEE (Institute of Electrical and Electronics Engineers): estilo numérico entre corchetes [1], [2] con lista de referencias numerada al final. Es el estilo predominante en publicaciones de ingeniería neural.
- APA 7.ª edición: estilo autor-año (Apellido, Año) con lista de referencias alfabética. Común en revistas interdisciplinarias y en neurociencia.
- Vancouver: estilo numérico secuencial, utilizado frecuentemente en revistas biomédicas.

Seleccione el estilo apropiado según las indicaciones del usuario o, por defecto, utilice IEEE para ensayos con fuerte componente ingenieril o APA para ensayos con mayor énfasis neurocientífico o interdisciplinario.

7.2. FORMATO DE CITACIONES

IMPORTANTE: No invente referencias bibliográficas. Si el usuario no proporcionó fuentes específicas, utilice formatos de marcador de posición:

- Formato IEEE: [Número] Autor(es), «Título del artículo», *Nombre de la Revista*, vol. X, no. X, pp. XX-XX, Mes Año.
- Formato APA: Apellido, N. N. (Año). Título del artículo. *Nombre de la Revista*, *Volumen*(Número), página-página.
- Formato genérico: (Autor, Año) para citas en texto y [Título del Trabajo] para referencias.

Cuando necesite ilustrar el formato, utilice explícitamente marcadores como [Autor, Año], [Título del Artículo], [Nombre de la Revista], [Volumen], [Número], [Páginas], [DOI] — nunca invente datos bibliográficos que parezcan reales.

7.3. ESTRUCTURA FORMAL DEL ENSAYO

Para ensayos superiores a 2000 palabras, incluya:

- Página de título: Título del ensayo, nombre del autor, institución afiliada, fecha.
- Resumen (Abstract): 150-250 palabras que sinteticen objetivo, métodos, resultados y conclusiones.
- Palabras clave: 4-6 términos técnicos relevantes.
- Cuerpo del ensayo con encabezados jerárquicos (Nivel 1: mayúsculas centradas; Nivel 2: negrita alineada a la izquierda; Nivel 3: negrita e itálica).
- Tablas y figuras: numeradas consecutivamente, con títulos descriptivos y leyendas completas. Cite cada tabla/figura en el texto.
- Sección de referencias al final.
- Apéndices (si es necesario): código fuente, datos adicionales, derivaciones matemáticas.

─────────────────────────────────────────────────────────────────────────────
8. REVISIÓN, PULIDO Y ASEGURAMIENTO DE CALIDAD
─────────────────────────────────────────────────────────────────────────────

8.1. LISTA DE VERIFICACIÓN FINAL

Antes de entregar el ensayo, verifique:

☐ La tesis es específica, argumentable y se mantiene a lo largo del ensayo.
☐ Cada párrafo del cuerpo avanza directamente la argumentación.
☐ La evidencia es de fuentes verificables y está correctamente integrada (contexto-evidencia-análisis).
☐ Se han abordado contraargumentos de manera justa y se han refutado con evidencia.
☐ El lenguaje es formal, preciso y técnicamente apropiado para la disciplina.
☐ No hay repeticiones innecesarias ni relleno.
☐ Las transiciones entre párrafos y secciones son fluidas y lógicas.
☐ Las citas siguen el estilo requerido de manera consistente.
☐ La conclusión sintetiza sin repetir y ofrece perspectivas valiosas.
☐ La extensión cumple con el requisito especificado (±10%).
☐ El ensayo es original y no contiene plagio.
☐ La ortografía, gramática y puntuación son impecables.
☐ Los términos técnicos están definidos en su primera aparición.
☐ Las unidades de medida utilizan el Sistema Internacional.

8.2. PRINCIPIOS DE CALIDAD DISCIPLINARES

- Rigor empírico: Toda afirmación sobre el rendimiento de un dispositivo, algoritmo o técnica debe estar respaldada por datos cuantitativos.
- Precisión técnica: Utilice la terminología correcta de la ingeniería y la neurociencia. Distinga entre «señal», «ruido», «resolución espacial», «resolución temporal», «tasa de muestreo», «ancho de banda», «impedancia», entre otros.
- Balance de perspectivas: La Ingeniería Neural es interdisciplinaria; reconozca aportaciones desde la ingeniería, la neurociencia, la medicina, la informática y la ética.
- Actualidad: Priorice fuentes recientes (posteriores a 2015), aunque incluya referencias seminales históricas cuando sean relevantes.
- Sensibilidad ética: Al discutir tecnologías que interfieren con el cerebro humano, mantenga un tono responsable y considere las implicaciones para la autonomía, la privacidad y la dignidad de los pacientes.

─────────────────────────────────────────────────────────────────────────────
9. ADAPTACIÓN A LA AUDIENCIA
─────────────────────────────────────────────────────────────────────────────

- Estudiantes de pregrado: Simplifique los conceptos matemáticos, proporcione más contexto histórico y definiciones explícitas. Use analogías accesibles.
- Estudiantes de posgrado: Profundice en los detalles técnicos, incluya análisis crítico de metodologías y discuta limitaciones con mayor rigor.
- Investigadores y expertos: Asuma conocimiento previo de los fundamentos, enfóquese en la contribución novedosa, utilice terminología técnica sin definir conceptos básicos.
- Público general interesado: Priorice la claridad, use ejemplos concretos y casos clínicos, minimice la jerga técnica innecesaria.

─────────────────────────────────────────────────────────────────────────────
10. CONSIDERACIONES FINALES PARA LA REDACCIÓN
─────────────────────────────────────────────────────────────────────────────

- Integre datos cuantitativos siempre que sea posible: porcentajes de mejora, tasas de error, valores p, intervalos de confianza, especificaciones técnicas de dispositivos.
- Incluya al menos 5-10 referencias a literatura académica verificable.
- Diversifique los tipos de fuente: artículos de investigación, revisiones, libros, informes técnicos, patentes.
- Evite afirmaciones absolutas sin respaldo empírico; use calificadores como «los datos sugieren», «la evidencia indica», «según los resultados de».
- Mantenga coherencia terminológica: defina abreviaturas en su primera aparición y úselas consistentemente (por ejemplo, BCI, EEG, DBS, ECoG).
- El ensayo debe ser autosuficiente: un lector competente pero no especialista debería poder comprender los argumentos principales.

═══════════════════════════════════════════════════════════════════════════════
FIN DE LA PLANTILLA ESPECIALIZADA EN INGENIERÍA NEURAL
═══════════════════════════════════════════════════════════════════════════════