NeuroYoga 3.0 y Bayesian Brain Theory

Tratamiento formal (Bayes completo)

1) Inferencia Bayesiana básica (cerebro como estimador)

El cerebro estima estados latentes $s$s (causas) a partir de observaciones $o$o (sensación/interocepción):$$p(s\mid o) = \frac{p(o\mid s)\,p(s)}{p(o)}$$p(s∣o)=p(o)p(o∣s)p(s)​

• Prior $p(s)$p(s): expectativas/creencias (jerárquicas).
• Likelihood $p(o\mid s)$p(o∣s): modelo sensorial (qué tan probable es lo observado si el estado es $s$s).
• Posterior $p(s\mid o)$p(s∣o): creencia actualizada.

NeuroYoga 3.0 se interpreta como un mecanismo entrenable para regular:

1. forma de los priors (sesgos),
2. precisión (confianza) asignada a priors vs evidencia,
3. dinámica de actualización (ganancia / learning rate).

---

2) Predictive Coding como Bayes aproximado (Jerarquía + errores)

Modelo jerárquico: niveles $l = 1..L$l=1..L. Cada nivel genera predicciones hacia abajo.

Error de predicción en nivel $l$l:$$\varepsilon^{(l)} = o^{(l)} – \hat{o}^{(l)}$$ε(l)=o(l)−o^(l)

Actualización de la creencia (forma general):$$\Delta \mu^{(l)} \propto \Pi^{(l)}\,\varepsilon^{(l)} – \text{(mensajes top-down)}$$Δμ(l)∝Π(l)ε(l)−(mensajes top-down)

Donde:

• $\mu^{(l)}$μ(l) = media del posterior en ese nivel (creencia).
• $\Pi^{(l)}$Π(l) = precisión (inversa de varianza) del error.

Clave: la psicopatología muchas veces no es “tener error”, sino ponderar mal el error (precisión disfuncional).

---

3) Precisión (precision weighting) como “perilla” central

Sea $\Sigma$Σ la covarianza del error; entonces precisión:$$\Pi = \Sigma^{-1}$$Π=Σ−1

En versión escalar:$$F \approx \Pi \,\mathbb{E}[\varepsilon^2] + \text{Complejidad}$$F≈ΠE[ε2]+Complejidad

• Si $\Pi$Π es demasiado alta, el sistema se vuelve hiperreactivo (ansiedad/hipervigilancia).
• Si $\Pi$Π es demasiado baja, el sistema se vuelve indiferente/apático (depresión).

NeuroYoga 3.0 (formalmente) busca mover $\Pi$Π hacia una región óptima por:

• regulación atencional (control de ganancia),
• entrenamiento interoceptivo,
• reestructuración semántica (priors más flexibles),
• coherencia oscilatoria (acoplamiento jerárquico).

---

4) Active Inference (acción como inferencia)

El agente no solo actualiza creencias; actúa para minimizar sorpresa. Política $\pi$π (plan/acción):$$\pi^* = \arg\min_\pi G(\pi)$$π∗=argπmin​G(π)

donde $G(\pi)$G(π) (Expected Free Energy) combina:

• riesgo (evitar estados no preferidos),
• ambigüedad (buscar información),
• preferencias.

Ansiedad/trauma suelen sesgar políticas hacia “evitar siempre” (minimización rígida de riesgo).
NeuroYoga 3.0 agrega un tercer recurso: modular precisión sin actuar compulsivamente, desacoplando error → reacción.

---

5) Priors “del self” y DMN (nivel narrativo)

Priors de alto nivel (identidad/narrativa) dominan inferencia:$$p(s) = p(s_{\text{self}}, s_{\text{world}})$$p(s)=p(sself​,sworld​)

En rumiación/trauma, $p(s_{\text{self}})$p(sself​) se vuelve rígido y/o amenazante.
NeuroYoga 3.0 trabaja en:

• debilitar la dominancia de priors narrativos en momentos de práctica (no eliminarlos),
• re-entrenarlos vía reestructuración semántica y exposición segura.

---

II) Modelo clínico: Ansiedad, Trauma, Depresión

(Predictive Coding + Precision + Priors) — operacional

Variables comunes

• $\Pi_o$Πo​: precisión de evidencia sensorial/interoceptiva (bottom-up)
• $\Pi_p$Πp​: precisión de priors (top-down)
• $p(s)$p(s): priors (amenaza, indefensión, culpa, etc.)
• $C$C: coherencia/estabilidad de acoplamiento jerárquico
• $A$A: activación autonómica (HPA/cortisol como proxy)
• $R$R: rigidez del modelo (resistencia a actualizar)
• $E$E: error medio $\mathbb{E}[\varepsilon^2]$E[ε2]

---

A) Ansiedad (hiperprecisión del error y/o de priors de amenaza)

Fenotipo computacional típico:$$\Pi_{\text{threat}} \uparrow,\quad \Pi_o \uparrow,\quad p(s=\text{amenaza}) \text{ rígido}$$Πthreat​↑,Πo​↑,p(s=amenaza) rıˊgido

Resultado: hiperactualización ante señales ambiguas, vigilancia y evitación.

Firma formal (simplificada):$$\Delta \mu \propto \Pi \varepsilon \quad\text{con}\quad \Pi \text{ demasiado alta}$$Δμ∝ΠεconΠ demasiado alta

Intervención NeuroYoga 3.0 (mapeo Bayes):

1. Regulación de precisión vía atención/respiración
   Reduce ganancia autonómica y la hiperprecisión interoceptiva: $$\Pi_o \downarrow,\quad A \downarrow$$Πo​↓,A↓
2. Coherencia (estabilidad jerárquica)
   Disminuye errores caóticos y la amplificación: $$C \uparrow \Rightarrow E \downarrow$$C↑⇒E↓
3. Reestructuración semántica (priors)
   Priors menos sobreconfiados: $$p(s) \to p'(s),\quad \Pi_p \downarrow\ \text{(solo hacia óptimo)}$$p(s)→p′(s),Πp​↓ (solo hacia oˊptimo)

Predicción falsable:

• baja de entropía de variabilidad autonómica disfuncional,
• menor reactividad a señales ambiguas,
• mejoras en tareas de incertidumbre (bandit tasks) por calibración de precisión.

---

B) Trauma (priors de amenaza + hiperprecisión en señales de peligro; memoria predictiva “intrusiva”)

Fenotipo:$$p(s=\text{peligro}) \uparrow \text{ y rígido},\quad \Pi_{\text{error}} \uparrow$$p(s=peligro)↑ y rıˊgido,Πerror​↑

El sistema interpreta señales neutras como amenaza por priors y por “gating” afectivo.

Modelo de reexperiencia (intrusiones)
Las memorias traumáticas funcionan como generadores de predicciones de alto peso:$$\hat{o}_{\text{trauma}} \approx f(s_{\text{memory}})$$o^trauma​≈f(smemory​)

y dominan el procesamiento → error persistente y acción defensiva.

Intervención NeuroYoga 3.0:

1. Desacople error → reacción (control de precisión) $$\Pi_{\text{trigger}} \downarrow$$Πtrigger​↓
2. Entrenamiento interoceptivo seguro
   Reaprender que arousal no implica amenaza: $$p(\text{arousal}\Rightarrow \text{peligro}) \downarrow$$p(arousal⇒peligro)↓
3. Protocolo de exposición jerárquica (semántica + cuerpo)
   Actualización gradual del prior: $$p(s=\text{amenaza}) \to p'(s) \ \text{(menos rígido)}$$p(s=amenaza)→p′(s) (menos rıˊgido)
4. Coherencia para integración
   Reduce fragmentación y disociación: $$C \uparrow,\quad R \downarrow$$C↑,R↓

Riesgo y límites (importante):

• Si se reduce demasiado la precisión del self sin contención, puede aumentar disociación.
  Condición de seguridad: $$\Pi_{\text{self}} \not\downarrow \text{ por debajo de umbral clínico}$$Πself​↓ por debajo de umbral clıˊnico
• No se debe inducir “silencios” que parezcan Samadhi si el paciente está inestable.

Predicción falsable:

• disminución de reactividad ante triggers (SCR, HRV),
• reducción de intrusiones,
• mejora en conectividad prefrontal–amígdala / salience network.

---

C) Depresión (hipoprecisión de recompensa + priors negativos rígidos; baja acción informativa)

Fenotipo computacional típico:$$p(s=\text{futuro negativo}) \uparrow,\quad \Pi_{\text{reward}} \downarrow,\quad \Pi_o \downarrow$$p(s=futuro negativo)↑,Πreward​↓,Πo​↓

Resultado: baja exploración, bajo aprendizaje por recompensa, anhedonia.

Modelo de política (Active Inference)
El agente elige políticas con bajo valor esperado:$$\pi^* \approx \arg\min_\pi G(\pi)\quad \text{pero con preferencias sesgadas y bajo info-seeking}$$π∗≈argπmin​G(π)pero con preferencias sesgadas y bajo info-seeking

Intervención NeuroYoga 3.0:

1. Restauración de precisión funcional (no suprimirla)
   En depresión el objetivo suele ser: $$\Pi_{\text{reward}} \uparrow \text{ hacia normalidad}$$Πreward​↑ hacia normalidad
2. Ciclos de activación cognitiva dosificada
   Evita fatiga y sobrecarga: $$A \uparrow \text{ leve/óptimo},\quad O(t) \not\uparrow \text{(evitar overdrive)}$$A↑ leve/oˊptimo,O(t)↑(evitar overdrive)
3. Reestructuración semántica
   Priors menos absolutistas: $$p(\text{“todo es inútil”}) \to p'(\text{“incertidumbre abierta”})$$p(“todo es inuˊtil”)→p′(“incertidumbre abierta”)
4. Coherencia y reducción de rumiación
   Menos dominancia DMN: $$C \uparrow \Rightarrow \text{rumiación} \downarrow$$C↑⇒rumiacioˊn↓

Predicción falsable:

• mejora en tareas de aprendizaje por recompensa,
• aumento gradual de motivación/exploración,
• reducción de conectividad DMN hiperestable.

---

III) Un modelo unificado: “Precision Homeostasis”

En los tres cuadros, NeuroYoga 3.0 se resume como un controlador que busca:$$\Pi \to \Pi_{optimal}, \quad p(s) \to p'(s)\ (\text{más flexible}), \quad C \uparrow \ (\text{integración})$$Π→Πoptimal​,p(s)→p′(s) (maˊs flexible),C↑ (integracioˊn)

Con restricciones de seguridad:$$\lambda_{max}(A) < \lambda_{critical},\quad SNR>SNR_{min},\quad \text{sin marcadores disociativos/epilépticos}$$λmax​(A)<λcritical​,SNR>SNRmin​,sin marcadores disociativos/epileˊpticos

---

IV) Diseño clínico mínimo (protocolizable)

3 capas (siempre en este orden):

1. Estabilidad autonómica (bajar ruido / calibrar interocepción)
2. Coherencia (acoplamiento jerárquico seguro)
3. Reestructuración semántica (priors; narrativa; políticas)

Nunca al revés en trauma.