SPFI 2026

Impulsionada pelo amplo sucesso da entropia de permutação na descrição da dinâmica de séries temporais, observa-se uma tendência crescente de analisar registros de eletroencefalografia em diferentes cenários clínicos por meio de padrões ordinais (Lehnertz, 2023). No entanto, os métodos atuais ainda apresentam limitações para abordar dados espaço-temporais de maneira integrada, muitas vezes dependendo de seleções espaciais arbitrárias. Neste trabalho, solucionamos esse problema ao introduzir as redes ordinais espaço-temporais, que codificam, nos pesos de suas arestas, tanto as transições temporais quanto a coocorrência de padrões ordinais. Aplicamos essa abordagem a sinais de eletroencefalografia de um grupo pediátrico composto por 44 indivíduos, dos quais metade tinha diagnóstico de autismo. Esse conjunto de dados representa um cenário no qual métodos tradicionais baseados na análise de potência espectral não foram capazes de produzir uma classificação satisfatória. Utilizando o algoritmo de aprendizado de máquina XGBoost, alcançamos uma acurácia de classificação de 81%. Além disso, por meio de valores SHAP para explicar as previsões do modelo, identificamos as coocorrências espaciais específicas que mais contribuíram para a classificação, com destaque para as conexões entre os sensores pré-frontais Fp1 e Fp2. Uma análise posterior da complexidade de acoplamento dessas interações espaciais localizadas revelou uma redução dessa complexidade no cérebro de indivíduos autistas.

• Lehnertz K. (2023, 02). Ordinal methods for a characterization of evolving functional brain networks. Chaos: An Interdisciplinary Journal of Nonlinear Science 33(2), 022101. URL: https://doi.org/10.1063/5.0136181, doi:10.1063/5.0136181.