{"id":693,"date":"2026-02-26T18:16:13","date_gmt":"2026-02-26T18:16:13","guid":{"rendered":"https:\/\/globalsolidarity.live\/maitreyamusic\/?p=693"},"modified":"2026-02-26T18:16:16","modified_gmt":"2026-02-26T18:16:16","slug":"neuroyoga-3-0-y-bayesian-brain-theory","status":"publish","type":"post","link":"https:\/\/globalsolidarity.live\/maitreyamusic\/neuroyoga\/neuroyoga-3-0-y-bayesian-brain-theory\/","title":{"rendered":"NeuroYoga 3.0 y Bayesian Brain Theory"},"content":{"rendered":"\n

Tratamiento formal (Bayes completo)<\/h3>\n\n\n\n

1) Inferencia Bayesiana b\u00e1sica (cerebro como estimador)<\/h3>\n\n\n\n

El cerebro estima estados latentes s<\/mi><\/mrow>s<\/annotation><\/semantics><\/math>s (causas) a partir de observaciones o<\/mi><\/mrow>o<\/annotation><\/semantics><\/math>o (sensaci\u00f3n\/interocepci\u00f3n):p<\/mi>(<\/mo>s<\/mi>\u2223<\/mo>o<\/mi>)<\/mo>=<\/mo>p<\/mi>(<\/mo>o<\/mi>\u2223<\/mo>s<\/mi>)<\/mo>\u2009<\/mtext>p<\/mi>(<\/mo>s<\/mi>)<\/mo><\/mrow>p<\/mi>(<\/mo>o<\/mi>)<\/mo><\/mrow><\/mfrac><\/mrow>p(s\\mid o) = \\frac{p(o\\mid s)\\,p(s)}{p(o)}<\/annotation><\/semantics><\/math>p(s\u2223o)=p(o)p(o\u2223s)p(s)\u200b<\/p>\n\n\n\n
    \n
  • Prior<\/strong> p<\/mi>(<\/mo>s<\/mi>)<\/mo><\/mrow>p(s)<\/annotation><\/semantics><\/math>p(s): expectativas\/creencias (jer\u00e1rquicas).<\/li>\n\n\n\n
  • Likelihood<\/strong> p<\/mi>(<\/mo>o<\/mi>\u2223<\/mo>s<\/mi>)<\/mo><\/mrow>p(o\\mid s)<\/annotation><\/semantics><\/math>p(o\u2223s): modelo sensorial (qu\u00e9 tan probable es lo observado si el estado es s<\/mi><\/mrow>s<\/annotation><\/semantics><\/math>s).<\/li>\n\n\n\n
  • Posterior<\/strong> p<\/mi>(<\/mo>s<\/mi>\u2223<\/mo>o<\/mi>)<\/mo><\/mrow>p(s\\mid o)<\/annotation><\/semantics><\/math>p(s\u2223o): creencia actualizada.<\/li>\n<\/ul>\n\n\n\n

    NeuroYoga 3.0 se interpreta como un mecanismo entrenable<\/strong> para regular:<\/p>\n\n\n\n

      \n
    1. forma de los priors (sesgos),<\/li>\n\n\n\n
    2. precisi\u00f3n (confianza) asignada a priors vs evidencia,<\/li>\n\n\n\n
    3. din\u00e1mica de actualizaci\u00f3n (ganancia \/ learning rate).<\/li>\n<\/ol>\n\n\n\n
      \n\n\n\n

      2) Predictive Coding como Bayes aproximado (Jerarqu\u00eda + errores)<\/h3>\n\n\n\n

      Modelo jer\u00e1rquico: niveles l<\/mi>=<\/mo>1..<\/mn>L<\/mi><\/mrow>l = 1..L<\/annotation><\/semantics><\/math>l=1..L. Cada nivel genera predicciones hacia abajo.<\/p>\n\n\n\n

      Error de predicci\u00f3n en nivel l<\/mi><\/mrow>l<\/annotation><\/semantics><\/math>l:\u03b5<\/mi>(<\/mo>l<\/mi>)<\/mo><\/mrow><\/msup>=<\/mo>o<\/mi>(<\/mo>l<\/mi>)<\/mo><\/mrow><\/msup>\u2212<\/mo>o<\/mi>^<\/mo><\/mover>(<\/mo>l<\/mi>)<\/mo><\/mrow><\/msup><\/mrow>\\varepsilon^{(l)} = o^{(l)} – \\hat{o}^{(l)}<\/annotation><\/semantics><\/math>\u03b5(l)=o(l)\u2212o^(l)<\/p>\n\n\n\n

      Actualizaci\u00f3n de la creencia (forma general):\u0394<\/mi>\u03bc<\/mi>(<\/mo>l<\/mi>)<\/mo><\/mrow><\/msup>\u221d<\/mo>\u03a0<\/mi>(<\/mo>l<\/mi>)<\/mo><\/mrow><\/msup>\u2009<\/mtext>\u03b5<\/mi>(<\/mo>l<\/mi>)<\/mo><\/mrow><\/msup>\u2212<\/mo>(mensajes top-down)<\/mtext><\/mrow>\\Delta \\mu^{(l)} \\propto \\Pi^{(l)}\\,\\varepsilon^{(l)} – \\text{(mensajes top-down)}<\/annotation><\/semantics><\/math>\u0394\u03bc(l)\u221d\u03a0(l)\u03b5(l)\u2212(mensajes top-down)<\/p>\n\n\n\n

      Donde:<\/p>\n\n\n\n

        \n
      • \u03bc<\/mi>(<\/mo>l<\/mi>)<\/mo><\/mrow><\/msup><\/mrow>\\mu^{(l)}<\/annotation><\/semantics><\/math>\u03bc(l) = media del posterior en ese nivel (creencia).<\/li>\n\n\n\n
      • \u03a0<\/mi>(<\/mo>l<\/mi>)<\/mo><\/mrow><\/msup><\/mrow>\\Pi^{(l)}<\/annotation><\/semantics><\/math>\u03a0(l) = precisi\u00f3n<\/strong> (inversa de varianza) del error.<\/li>\n<\/ul>\n\n\n\n

        Clave:<\/strong> la psicopatolog\u00eda muchas veces no es \u201ctener error\u201d, sino ponderar mal<\/strong> el error (precisi\u00f3n disfuncional).<\/p>\n\n\n\n

        \n\n\n\n

        3) Precisi\u00f3n (precision weighting) como \u201cperilla\u201d central<\/h3>\n\n\n\n

        Sea \u03a3<\/mi><\/mrow>\\Sigma<\/annotation><\/semantics><\/math>\u03a3 la covarianza del error; entonces precisi\u00f3n:\u03a0<\/mi>=<\/mo>\u03a3<\/mi>\u2212<\/mo>1<\/mn><\/mrow><\/msup><\/mrow>\\Pi = \\Sigma^{-1}<\/annotation><\/semantics><\/math>\u03a0=\u03a3\u22121<\/p>\n\n\n\n

        En versi\u00f3n escalar:F<\/mi>\u2248<\/mo>\u03a0<\/mi>\u2009<\/mtext>E<\/mi>[<\/mo>\u03b5<\/mi>2<\/mn><\/msup>]<\/mo>+<\/mo>Complejidad<\/mtext><\/mrow>F \\approx \\Pi \\,\\mathbb{E}[\\varepsilon^2] + \\text{Complejidad}<\/annotation><\/semantics><\/math>F\u2248\u03a0E[\u03b52]+Complejidad<\/p>\n\n\n\n
          \n
        • Si \u03a0<\/mi><\/mrow>\\Pi<\/annotation><\/semantics><\/math>\u03a0 es demasiado alta, el sistema se vuelve hiperreactivo (ansiedad\/hipervigilancia).<\/li>\n\n\n\n
        • Si \u03a0<\/mi><\/mrow>\\Pi<\/annotation><\/semantics><\/math>\u03a0 es demasiado baja, el sistema se vuelve indiferente\/ap\u00e1tico (depresi\u00f3n).<\/li>\n<\/ul>\n\n\n\n

          NeuroYoga 3.0<\/strong> (formalmente) busca mover \u03a0<\/mi><\/mrow>\\Pi<\/annotation><\/semantics><\/math>\u03a0 hacia una regi\u00f3n \u00f3ptima por:<\/p>\n\n\n\n
            \n
          • regulaci\u00f3n atencional (control de ganancia),<\/li>\n\n\n\n
          • entrenamiento interoceptivo,<\/li>\n\n\n\n
          • reestructuraci\u00f3n sem\u00e1ntica (priors m\u00e1s flexibles),<\/li>\n\n\n\n
          • coherencia oscilatoria (acoplamiento jer\u00e1rquico).<\/li>\n<\/ul>\n\n\n\n
            \n\n\n\n

            4) Active Inference (acci\u00f3n como inferencia)<\/h3>\n\n\n\n

            El agente no solo actualiza creencias; act\u00faa para minimizar sorpresa. Pol\u00edtica \u03c0<\/mi><\/mrow>\\pi<\/annotation><\/semantics><\/math>\u03c0 (plan\/acci\u00f3n):\u03c0<\/mi>\u2217<\/mo><\/msup>=<\/mo>arg<\/mi>\u2061<\/mo>min<\/mi>\u2061<\/mo><\/mrow>\u03c0<\/mi><\/munder>G<\/mi>(<\/mo>\u03c0<\/mi>)<\/mo><\/mrow>\\pi^* = \\arg\\min_\\pi G(\\pi)<\/annotation><\/semantics><\/math>\u03c0\u2217=arg\u03c0min\u200bG(\u03c0)<\/p>\n\n\n\n

            donde G<\/mi>(<\/mo>\u03c0<\/mi>)<\/mo><\/mrow>G(\\pi)<\/annotation><\/semantics><\/math>G(\u03c0) (Expected Free Energy) combina:<\/p>\n\n\n\n
              \n
            • riesgo (evitar estados no preferidos),<\/li>\n\n\n\n
            • ambig\u00fcedad (buscar informaci\u00f3n),<\/li>\n\n\n\n
            • preferencias.<\/li>\n<\/ul>\n\n\n\n

              Ansiedad\/trauma suelen sesgar pol\u00edticas hacia \u201cevitar siempre\u201d (minimizaci\u00f3n r\u00edgida de riesgo).
              NeuroYoga 3.0 agrega un tercer recurso: modular precisi\u00f3n sin actuar compulsivamente<\/strong>, desacoplando error \u2192 reacci\u00f3n.<\/p>\n\n\n\n

              \n\n\n\n

              5) Priors \u201cdel self\u201d y DMN (nivel narrativo)<\/h3>\n\n\n\n

              Priors de alto nivel (identidad\/narrativa) dominan inferencia:p<\/mi>(<\/mo>s<\/mi>)<\/mo>=<\/mo>p<\/mi>(<\/mo>s<\/mi>self<\/mtext><\/msub>,<\/mo>s<\/mi>world<\/mtext><\/msub>)<\/mo><\/mrow>p(s) = p(s_{\\text{self}}, s_{\\text{world}})<\/annotation><\/semantics><\/math>p(s)=p(sself\u200b,sworld\u200b)<\/p>\n\n\n\n

              En rumiaci\u00f3n\/trauma, p<\/mi>(<\/mo>s<\/mi>self<\/mtext><\/msub>)<\/mo><\/mrow>p(s_{\\text{self}})<\/annotation><\/semantics><\/math>p(sself\u200b) se vuelve r\u00edgido y\/o amenazante.
              NeuroYoga 3.0 trabaja en:<\/p>\n\n\n\n
                \n
              • debilitar la dominancia<\/strong> de priors narrativos en momentos de pr\u00e1ctica (no eliminarlos),<\/li>\n\n\n\n
              • re-entrenarlos<\/strong> v\u00eda reestructuraci\u00f3n sem\u00e1ntica y exposici\u00f3n segura.<\/li>\n<\/ul>\n\n\n\n
                \n\n\n\n

                II) Modelo cl\u00ednico: Ansiedad, Trauma, Depresi\u00f3n<\/h2>\n\n\n\n

                (Predictive Coding + Precision + Priors) \u2014 operacional<\/h3>\n\n\n\n

                Variables comunes<\/h3>\n\n\n\n
                  \n
                • \u03a0<\/mi>o<\/mi><\/msub><\/mrow>\\Pi_o<\/annotation><\/semantics><\/math>\u03a0o\u200b: precisi\u00f3n de evidencia sensorial\/interoceptiva (bottom-up)<\/li>\n\n\n\n
                • \u03a0<\/mi>p<\/mi><\/msub><\/mrow>\\Pi_p<\/annotation><\/semantics><\/math>\u03a0p\u200b: precisi\u00f3n de priors (top-down)<\/li>\n\n\n\n
                • p<\/mi>(<\/mo>s<\/mi>)<\/mo><\/mrow>p(s)<\/annotation><\/semantics><\/math>p(s): priors (amenaza, indefensi\u00f3n, culpa, etc.)<\/li>\n\n\n\n
                • C<\/mi><\/mrow>C<\/annotation><\/semantics><\/math>C: coherencia\/estabilidad de acoplamiento jer\u00e1rquico<\/li>\n\n\n\n
                • A<\/mi><\/mrow>A<\/annotation><\/semantics><\/math>A: activaci\u00f3n auton\u00f3mica (HPA\/cortisol como proxy)<\/li>\n\n\n\n
                • R<\/mi><\/mrow>R<\/annotation><\/semantics><\/math>R: rigidez del modelo (resistencia a actualizar)<\/li>\n\n\n\n
                • E<\/mi><\/mrow>E<\/annotation><\/semantics><\/math>E: error medio E<\/mi>[<\/mo>\u03b5<\/mi>2<\/mn><\/msup>]<\/mo><\/mrow>\\mathbb{E}[\\varepsilon^2]<\/annotation><\/semantics><\/math>E[\u03b52]<\/li>\n<\/ul>\n\n\n\n
                  \n\n\n\n

                  A) Ansiedad (hiperprecisi\u00f3n del error y\/o de priors de amenaza)<\/h3>\n\n\n\n

                  Fenotipo computacional t\u00edpico:\u03a0<\/mi>threat<\/mtext><\/msub>\u2191<\/mo>,<\/mo><\/mspace>\u03a0<\/mi>o<\/mi><\/msub>\u2191<\/mo>,<\/mo><\/mspace>p<\/mi>(<\/mo>s<\/mi>=<\/mo>amenaza<\/mtext>)<\/mo> r<\/mtext>\u0131<\/mtext>\u02ca<\/mo><\/mover>gido<\/mtext><\/mrow><\/mrow>\\Pi_{\\text{threat}} \\uparrow,\\quad \\Pi_o \\uparrow,\\quad p(s=\\text{amenaza}) \\text{ r\u00edgido}<\/annotation><\/semantics><\/math>\u03a0threat\u200b\u2191,\u03a0o\u200b\u2191,p(s=amenaza) r\u0131\u02cagido<\/p>\n\n\n\n

                  Resultado: hiperactualizaci\u00f3n ante se\u00f1ales ambiguas, vigilancia y evitaci\u00f3n.<\/p>\n\n\n\n

                  Firma formal (simplificada):<\/strong>\u0394<\/mi>\u03bc<\/mi>\u221d<\/mo>\u03a0<\/mi>\u03b5<\/mi><\/mspace>con<\/mtext><\/mspace>\u03a0<\/mi> demasiado alta<\/mtext><\/mrow>\\Delta \\mu \\propto \\Pi \\varepsilon \\quad\\text{con}\\quad \\Pi \\text{ demasiado alta}<\/annotation><\/semantics><\/math>\u0394\u03bc\u221d\u03a0\u03b5con\u03a0 demasiado alta<\/p>\n\n\n\n

                  Intervenci\u00f3n NeuroYoga 3.0 (mapeo Bayes):<\/strong><\/p>\n\n\n\n

                    \n
                  1. Regulaci\u00f3n de precisi\u00f3n v\u00eda atenci\u00f3n\/respiraci\u00f3n<\/strong>
                    Reduce ganancia auton\u00f3mica y la hiperprecisi\u00f3n interoceptiva: \u03a0<\/mi>o<\/mi><\/msub>\u2193<\/mo>,<\/mo><\/mspace>A<\/mi>\u2193<\/mo><\/mrow>\\Pi_o \\downarrow,\\quad A \\downarrow<\/annotation><\/semantics><\/math>\u03a0o\u200b\u2193,A\u2193<\/li>\n\n\n\n
                  2. Coherencia<\/strong> (estabilidad jer\u00e1rquica)
                    Disminuye errores ca\u00f3ticos y la amplificaci\u00f3n: C<\/mi>\u2191<\/mo>\u21d2<\/mo>E<\/mi>\u2193<\/mo><\/mrow>C \\uparrow \\Rightarrow E \\downarrow<\/annotation><\/semantics><\/math>C\u2191\u21d2E\u2193<\/li>\n\n\n\n
                  3. Reestructuraci\u00f3n sem\u00e1ntica (priors)<\/strong>
                    Priors menos sobreconfiados: p<\/mi>(<\/mo>s<\/mi>)<\/mo>\u2192<\/mo>p<\/mi>\u2032<\/mo><\/msup>(<\/mo>s<\/mi>)<\/mo>,<\/mo><\/mspace>\u03a0<\/mi>p<\/mi><\/msub>\u2193<\/mo> <\/mtext>(solo hacia <\/mtext>o<\/mtext>\u02ca<\/mo><\/mover>ptimo)<\/mtext><\/mrow><\/mrow>p(s) \\to p'(s),\\quad \\Pi_p \\downarrow\\ \\text{(solo hacia \u00f3ptimo)}<\/annotation><\/semantics><\/math>p(s)\u2192p\u2032(s),\u03a0p\u200b\u2193\u00a0(solo\u00a0hacia\u00a0o\u02captimo)<\/li>\n<\/ol>\n\n\n\n

                    Predicci\u00f3n falsable:<\/strong><\/p>\n\n\n\n

                      \n
                    • baja de entrop\u00eda de variabilidad auton\u00f3mica disfuncional,<\/li>\n\n\n\n
                    • menor reactividad a se\u00f1ales ambiguas,<\/li>\n\n\n\n
                    • mejoras en tareas de incertidumbre (bandit tasks) por calibraci\u00f3n de precisi\u00f3n.<\/li>\n<\/ul>\n\n\n\n
                      \n\n\n\n

                      B) Trauma (priors de amenaza + hiperprecisi\u00f3n en se\u00f1ales de peligro; memoria predictiva \u201cintrusiva\u201d)<\/h3>\n\n\n\n

                      Fenotipo:p<\/mi>(<\/mo>s<\/mi>=<\/mo>peligro<\/mtext>)<\/mo>\u2191<\/mo> y r<\/mtext>\u0131<\/mtext>\u02ca<\/mo><\/mover>gido<\/mtext><\/mrow>,<\/mo><\/mspace>\u03a0<\/mi>error<\/mtext><\/msub>\u2191<\/mo><\/mrow>p(s=\\text{peligro}) \\uparrow \\text{ y r\u00edgido},\\quad \\Pi_{\\text{error}} \\uparrow<\/annotation><\/semantics><\/math>p(s=peligro)\u2191 y r\u0131\u02cagido,\u03a0error\u200b\u2191<\/p>\n\n\n\n

                      El sistema interpreta se\u00f1ales neutras como amenaza por priors y por \u201cgating\u201d afectivo.<\/p>\n\n\n\n

                      Modelo de reexperiencia (intrusiones)<\/strong>
                      Las memorias traum\u00e1ticas funcionan como generadores de predicciones de alto peso:o<\/mi>^<\/mo><\/mover>trauma<\/mtext><\/msub>\u2248<\/mo>f<\/mi>(<\/mo>s<\/mi>memory<\/mtext><\/msub>)<\/mo><\/mrow>\\hat{o}_{\\text{trauma}} \\approx f(s_{\\text{memory}})<\/annotation><\/semantics><\/math>o^trauma\u200b\u2248f(smemory\u200b)<\/p>\n\n\n\n

                      y dominan el procesamiento \u2192 error persistente y acci\u00f3n defensiva.<\/p>\n\n\n\n

                      Intervenci\u00f3n NeuroYoga 3.0:<\/strong><\/p>\n\n\n\n

                        \n
                      1. Desacople error \u2192 reacci\u00f3n (control de precisi\u00f3n)<\/strong> \u03a0<\/mi>trigger<\/mtext><\/msub>\u2193<\/mo><\/mrow>\\Pi_{\\text{trigger}} \\downarrow<\/annotation><\/semantics><\/math>\u03a0trigger\u200b\u2193<\/li>\n\n\n\n
                      2. Entrenamiento interoceptivo seguro<\/strong>
                        Reaprender que arousal no implica amenaza: p<\/mi>(<\/mo>arousal<\/mtext>\u21d2<\/mo>peligro<\/mtext>)<\/mo>\u2193<\/mo><\/mrow>p(\\text{arousal}\\Rightarrow \\text{peligro}) \\downarrow<\/annotation><\/semantics><\/math>p(arousal\u21d2peligro)\u2193<\/li>\n\n\n\n
                      3. Protocolo de exposici\u00f3n jer\u00e1rquica (sem\u00e1ntica + cuerpo)<\/strong>
                        Actualizaci\u00f3n gradual del prior: p<\/mi>(<\/mo>s<\/mi>=<\/mo>amenaza<\/mtext>)<\/mo>\u2192<\/mo>p<\/mi>\u2032<\/mo><\/msup>(<\/mo>s<\/mi>)<\/mo> <\/mtext>(menos r<\/mtext>\u0131<\/mtext>\u02ca<\/mo><\/mover>gido)<\/mtext><\/mrow><\/mrow>p(s=\\text{amenaza}) \\to p'(s) \\ \\text{(menos r\u00edgido)}<\/annotation><\/semantics><\/math>p(s=amenaza)\u2192p\u2032(s)\u00a0(menos\u00a0r\u0131\u02cagido)<\/li>\n\n\n\n
                      4. Coherencia para integraci\u00f3n<\/strong>
                        Reduce fragmentaci\u00f3n y disociaci\u00f3n: C<\/mi>\u2191<\/mo>,<\/mo><\/mspace>R<\/mi>\u2193<\/mo><\/mrow>C \\uparrow,\\quad R \\downarrow<\/annotation><\/semantics><\/math>C\u2191,R\u2193<\/li>\n<\/ol>\n\n\n\n

                        Riesgo y l\u00edmites (importante):<\/strong><\/p>\n\n\n\n

                          \n
                        • Si se reduce demasiado la precisi\u00f3n del self sin contenci\u00f3n, puede aumentar disociaci\u00f3n.
                          Condici\u00f3n de seguridad: \u03a0<\/mi>self<\/mtext><\/msub>\u2193\u0338<\/mo> por debajo de umbral cl<\/mtext>\u0131<\/mtext>\u02ca<\/mo><\/mover>nico<\/mtext><\/mrow><\/mrow>\\Pi_{\\text{self}} \\not\\downarrow \\text{ por debajo de umbral cl\u00ednico}<\/annotation><\/semantics><\/math>\u03a0self\u200b\ue020\u2193\u00a0por\u00a0debajo\u00a0de\u00a0umbral\u00a0cl\u0131\u02canico<\/li>\n\n\n\n
                        • No se debe inducir \u201csilencios\u201d que parezcan Samadhi si el paciente est\u00e1 inestable.<\/li>\n<\/ul>\n\n\n\n

                          Predicci\u00f3n falsable:<\/strong><\/p>\n\n\n\n

                            \n
                          • disminuci\u00f3n de reactividad ante triggers (SCR, HRV),<\/li>\n\n\n\n
                          • reducci\u00f3n de intrusiones,<\/li>\n\n\n\n
                          • mejora en conectividad prefrontal\u2013am\u00edgdala \/ salience network.<\/li>\n<\/ul>\n\n\n\n
                            \n\n\n\n

                            C) Depresi\u00f3n (hipoprecisi\u00f3n de recompensa + priors negativos r\u00edgidos; baja acci\u00f3n informativa)<\/h3>\n\n\n\n

                            Fenotipo computacional t\u00edpico:p<\/mi>(<\/mo>s<\/mi>=<\/mo>futuro negativo<\/mtext>)<\/mo>\u2191<\/mo>,<\/mo><\/mspace>\u03a0<\/mi>reward<\/mtext><\/msub>\u2193<\/mo>,<\/mo><\/mspace>\u03a0<\/mi>o<\/mi><\/msub>\u2193<\/mo><\/mrow>p(s=\\text{futuro negativo}) \\uparrow,\\quad \\Pi_{\\text{reward}} \\downarrow,\\quad \\Pi_o \\downarrow<\/annotation><\/semantics><\/math>p(s=futuro negativo)\u2191,\u03a0reward\u200b\u2193,\u03a0o\u200b\u2193<\/p>\n\n\n\n

                            Resultado: baja exploraci\u00f3n, bajo aprendizaje por recompensa, anhedonia.<\/p>\n\n\n\n

                            Modelo de pol\u00edtica (Active Inference)<\/strong>
                            El agente elige pol\u00edticas con bajo valor esperado:\u03c0<\/mi>\u2217<\/mo><\/msup>\u2248<\/mo>arg<\/mi>\u2061<\/mo>min<\/mi>\u2061<\/mo><\/mrow>\u03c0<\/mi><\/munder>G<\/mi>(<\/mo>\u03c0<\/mi>)<\/mo><\/mspace>pero con preferencias sesgadas y bajo info-seeking<\/mtext><\/mrow>\\pi^* \\approx \\arg\\min_\\pi G(\\pi)\\quad \\text{pero con preferencias sesgadas y bajo info-seeking}<\/annotation><\/semantics><\/math>\u03c0\u2217\u2248arg\u03c0min\u200bG(\u03c0)pero con preferencias sesgadas y bajo info-seeking<\/p>\n\n\n\n

                            Intervenci\u00f3n NeuroYoga 3.0:<\/strong><\/p>\n\n\n\n

                              \n
                            1. Restauraci\u00f3n de precisi\u00f3n funcional (no suprimirla)<\/strong>
                              En depresi\u00f3n el objetivo suele ser: \u03a0<\/mi>reward<\/mtext><\/msub>\u2191<\/mo> hacia normalidad<\/mtext><\/mrow>\\Pi_{\\text{reward}} \\uparrow \\text{ hacia normalidad}<\/annotation><\/semantics><\/math>\u03a0reward\u200b\u2191\u00a0hacia\u00a0normalidad<\/li>\n\n\n\n
                            2. Ciclos de activaci\u00f3n cognitiva dosificada<\/strong>
                              Evita fatiga y sobrecarga: A<\/mi>\u2191<\/mo> leve\/<\/mtext>o<\/mtext>\u02ca<\/mo><\/mover>ptimo<\/mtext><\/mrow>,<\/mo><\/mspace>O<\/mi>(<\/mo>t<\/mi>)<\/mo>\u2191\u0338<\/mo>(evitar overdrive)<\/mtext><\/mrow>A \\uparrow \\text{ leve\/\u00f3ptimo},\\quad O(t) \\not\\uparrow \\text{(evitar overdrive)}<\/annotation><\/semantics><\/math>A\u2191\u00a0leve\/o\u02captimo,O(t)\ue020\u2191(evitar\u00a0overdrive)<\/li>\n\n\n\n
                            3. Reestructuraci\u00f3n sem\u00e1ntica<\/strong>
                              Priors menos absolutistas: p<\/mi>(<\/mo>\u201ctodo es in<\/mtext>u<\/mtext>\u02ca<\/mo><\/mover>til\u201d<\/mtext><\/mrow>)<\/mo>\u2192<\/mo>p<\/mi>\u2032<\/mo><\/msup>(<\/mo>\u201cincertidumbre abierta\u201d<\/mtext>)<\/mo><\/mrow>p(\\text{\u201ctodo es in\u00fatil\u201d}) \\to p'(\\text{\u201cincertidumbre abierta\u201d})<\/annotation><\/semantics><\/math>p(\u201ctodo\u00a0es\u00a0inu\u02catil\u201d)\u2192p\u2032(\u201cincertidumbre\u00a0abierta\u201d)<\/li>\n\n\n\n
                            4. Coherencia y reducci\u00f3n de rumiaci\u00f3n<\/strong>
                              Menos dominancia DMN: C<\/mi>\u2191<\/mo>\u21d2<\/mo>rumiaci<\/mtext>o<\/mtext>\u02ca<\/mo><\/mover>n<\/mtext><\/mrow>\u2193<\/mo><\/mrow>C \\uparrow \\Rightarrow \\text{rumiaci\u00f3n} \\downarrow<\/annotation><\/semantics><\/math>C\u2191\u21d2rumiacio\u02can\u2193<\/li>\n<\/ol>\n\n\n\n

                              Predicci\u00f3n falsable:<\/strong><\/p>\n\n\n\n

                                \n
                              • mejora en tareas de aprendizaje por recompensa,<\/li>\n\n\n\n
                              • aumento gradual de motivaci\u00f3n\/exploraci\u00f3n,<\/li>\n\n\n\n
                              • reducci\u00f3n de conectividad DMN hiperestable.<\/li>\n<\/ul>\n\n\n\n
                                \n\n\n\n

                                III) Un modelo unificado: \u201cPrecision Homeostasis\u201d<\/h2>\n\n\n\n

                                En los tres cuadros, NeuroYoga 3.0 se resume como un controlador que busca:\u03a0<\/mi>\u2192<\/mo>\u03a0<\/mi>o<\/mi>p<\/mi>t<\/mi>i<\/mi>m<\/mi>a<\/mi>l<\/mi><\/mrow><\/msub>,<\/mo><\/mspace>p<\/mi>(<\/mo>s<\/mi>)<\/mo>\u2192<\/mo>p<\/mi>\u2032<\/mo><\/msup>(<\/mo>s<\/mi>)<\/mo> <\/mtext>(<\/mo>m<\/mtext>a<\/mtext>\u02ca<\/mo><\/mover>s flexible<\/mtext><\/mrow>)<\/mo>,<\/mo><\/mspace>C<\/mi>\u2191<\/mo> <\/mtext>(<\/mo>integraci<\/mtext>o<\/mtext>\u02ca<\/mo><\/mover>n<\/mtext><\/mrow>)<\/mo><\/mrow>\\Pi \\to \\Pi_{optimal}, \\quad p(s) \\to p'(s)\\ (\\text{m\u00e1s flexible}), \\quad C \\uparrow \\ (\\text{integraci\u00f3n})<\/annotation><\/semantics><\/math>\u03a0\u2192\u03a0optimal\u200b,p(s)\u2192p\u2032(s) (ma\u02cas flexible),C\u2191 (integracio\u02can)<\/p>\n\n\n\n

                                Con restricciones de seguridad:\u03bb<\/mi>m<\/mi>a<\/mi>x<\/mi><\/mrow><\/msub>(<\/mo>A<\/mi>)<\/mo><<\/mo>\u03bb<\/mi>c<\/mi>r<\/mi>i<\/mi>t<\/mi>i<\/mi>c<\/mi>a<\/mi>l<\/mi><\/mrow><\/msub>,<\/mo><\/mspace>S<\/mi>N<\/mi>R<\/mi>><\/mo>S<\/mi>N<\/mi>R<\/mi>m<\/mi>i<\/mi>n<\/mi><\/mrow><\/msub>,<\/mo><\/mspace>sin marcadores disociativos\/epil<\/mtext>e<\/mtext>\u02ca<\/mo><\/mover>pticos<\/mtext><\/mrow><\/mrow>\\lambda_{max}(A) < \\lambda_{critical},\\quad SNR>SNR_{min},\\quad \\text{sin marcadores disociativos\/epil\u00e9pticos}<\/annotation><\/semantics><\/math>\u03bbmax\u200b(A)<\u03bbcritical\u200b,SNR>SNRmin\u200b,sin marcadores disociativos\/epile\u02capticos<\/p>\n\n\n\n
                                \n\n\n\n

                                IV) Dise\u00f1o cl\u00ednico m\u00ednimo (protocolizable)<\/h2>\n\n\n\n

                                3 capas (siempre en este orden):<\/strong><\/p>\n\n\n\n

                                  \n
                                1. Estabilidad auton\u00f3mica<\/strong> (bajar ruido \/ calibrar interocepci\u00f3n)<\/li>\n\n\n\n
                                2. Coherencia<\/strong> (acoplamiento jer\u00e1rquico seguro)<\/li>\n\n\n\n
                                3. Reestructuraci\u00f3n sem\u00e1ntica<\/strong> (priors; narrativa; pol\u00edticas)<\/li>\n<\/ol>\n\n\n\n

                                  Nunca al rev\u00e9s<\/strong> en trauma.<\/p>\n","protected":false},"excerpt":{"rendered":"

                                  Tratamiento formal (Bayes completo) 1) Inferencia Bayesiana b\u00e1sica (cerebro como estimador) El cerebro estima estados latentes sss (causas)<\/p>\n","protected":false},"author":1,"featured_media":204,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[22,10],"tags":[],"class_list":["post-693","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-neuroscience","category-neuroyoga"],"jetpack_featured_media_url":"https:\/\/globalsolidarity.live\/maitreyamusic\/wp-content\/uploads\/2026\/02\/neuromeditation.png","_links":{"self":[{"href":"https:\/\/globalsolidarity.live\/maitreyamusic\/wp-json\/wp\/v2\/posts\/693","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/globalsolidarity.live\/maitreyamusic\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/globalsolidarity.live\/maitreyamusic\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/globalsolidarity.live\/maitreyamusic\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/globalsolidarity.live\/maitreyamusic\/wp-json\/wp\/v2\/comments?post=693"}],"version-history":[{"count":1,"href":"https:\/\/globalsolidarity.live\/maitreyamusic\/wp-json\/wp\/v2\/posts\/693\/revisions"}],"predecessor-version":[{"id":694,"href":"https:\/\/globalsolidarity.live\/maitreyamusic\/wp-json\/wp\/v2\/posts\/693\/revisions\/694"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/globalsolidarity.live\/maitreyamusic\/wp-json\/wp\/v2\/media\/204"}],"wp:attachment":[{"href":"https:\/\/globalsolidarity.live\/maitreyamusic\/wp-json\/wp\/v2\/media?parent=693"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/globalsolidarity.live\/maitreyamusic\/wp-json\/wp\/v2\/categories?post=693"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/globalsolidarity.live\/maitreyamusic\/wp-json\/wp\/v2\/tags?post=693"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}