Uma análise entrópica da dinâmica cortical via quantificadores de recorrência e aprendizado de máquina

Abstract

Resumo: Neste trabalho, utilizamos dados de eletroencefalograma (EEG) de 19 indivíduos sub metidos a quatro condições experimentais distintas, repouso e pedalar, com olhos abertos ou fechados, a fim de investigar a dinâmica cortical sob diferentes estados motores e sensoriais. Aplicamos dois quantificadores entrópicos inspirados na teoria de sistemas dinâmicos: a entropia de microestados de recorrência e um quantificador de desordem recentemente proposto, visando caracterizar a complexidade, no sentido de variabilidade e imprevisibilidade dos padrões de atividade cerebral ao longo do tempo, dos sinais de EEG em diferentes regiões corticais. Utilizando esses quantificadores como features, implementamos um classificador do tipo Random Forest com 100 ár vores e validação por 50 repetições para cada cenário experimental. A acurácia da classificação foi avaliada em diferentes combinações de canais (1, 2, 4 ou 8 canais), considerando as condições de movimento e o estado visual. Os resultados indicaram que pedalar reduz significativamente a complexidade cortical, como previsto por Ferré et al. (2024), e que essa redução favorece a classificação dos estados comportamentais. Oquantificador de desordem com tamanho de microestado N =4alcançou acurácias de até 82% na classificação do estado visual durante o movimento e 79% em repouso, superando a entropia de recorrência. Observamos também assimetrias entre regiões parietais e occipitais, e confirmamos que o uso conjunto dos 8 canais melhora subs tancialmente a performance do modelo em relação ao uso isolado de canais. Esses achados sugerem que a complexidade cortical influencia diretamente a capacidade preditiva de modelos computacionais, e que o quantificador de desordem oferece uma alternativa promissora para análises de sinais neurais em diferentes estados cognitivos e motores

Abstract: In this work, we used electroencephalogram (EEG) data from 19 individuals under four distinct experimental conditions, resting and cycling, with eyes open or closed, to investigate cortical dynamics under different motor and sensory states. We applied two entropy-based quantifiers inspired by dynamical systems theory: the recurrence microstate entropy and a recently proposed disorder quantifier, aiming to characterize the complexity, in the sense of variability and unpredictability of brain activity patterns over time, of EEG signals across different cortical regions. These quantifiers were used as features in a Random Forest classifier with 100 trees, evaluated across 50 repetitions for each experimental scenario. Classification accuracy was assessed for different channel combinations (1, 2, 4, or 8 EEG channels), considering both movement and visual state conditions. Results showed that cycling significantly reduces cortical complexity, as originally suggested by Ferré et al. (2024), and that this reduction en hances behavioral state classification. The disorder quantifier with microstate size N =4 achieved accuracies of up to 82% for classifying visual state during movement, and 79% during rest, outperforming the recurrence entropy. We also observed asymmetries between parietal and occipital regions, and confirmed that using all 8 channels together significantly improves model performance compared to using isolated channels. These f indings suggest that cortical complexity directly influences the predictive power of computational models, and that the disorder quantifier provides a promising alternative for neural signal analysis across various cognitive and motor states