Competição de partículas paralelas para identificação de comunidades desbalanceadas com aplicação em redes cerebrais funcionais

• Ano de defesa: 2022
• Autor(a) principal: Paula, Paulo Henrique Lima de
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Aprendizado não-supervisionado.; Brain networks; Community detection; Detecção de comunidades; Redes cerebrais; Unsupervised learning
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/59/59143/tde-01072022-152719/

O cérebro humano pode ser considerado uma rede complexa, pois é dividido em regiões estruturais e funcionais que são interconectadas. A conectividade funcional tem sido usada para modelar regiões do cérebro que podem estar fisicamente (ou anatomicamente) separadas, através de dependência temporal dos padrões de ativação neural. Uma tarefa importante na aprendizagem não supervisionada é a detecção de comunidades em redes (SILVA; ZHAO, 2016). Embora muitas técnicas de detecção de comunidade tenham sido propostas, ainda existem alguns problemas, como detecção de comunidade desbalanceada e baixa eficiência. Encontrar estruturas comunitárias em redes é um campo que vem despertando atenção de diversas áreas de estudo. A neurociência inclui um interesse neste estudo, em que comunidades em redes cerebrais apresentam fatores consideráveis no desenvolvimento e na funcionalidade do cérebro, favorável à realização de análises de estruturas de comunidades em várias escalas. A teoria das redes complexas tem sido um mecanismo útil para o estudo do cérebro devido à sua possibilidade de lidar com sistemas que possuem propriedades de alta complexidade. Neste contexto, a teoria de redes complexas junto às técnicas de Imagem por Ressonância Magnética Funcional (do inglês fMRI - Functional Magnetic Resonance Imaging) são utilizadas para criar e mapear a rede cerebral. Foram analisados os padrões de conectividade da rede cerebral através de detecção de comunidades. Especificamente, propomos uma técnica de detecção de comunidade inspirada na propagação sequencial de sinais do modelo de competição de partículas e a propagação paralela inspirada nos Mapas Auto-Organizáveis (do inglês Self-Organizing Map - SOM). O modelo apresenta duas características salientes: 1) Ele pode detectar comunidades desbalanceadas; 2) É mais eficiente do que o modelo original de competição de partículas devido à introdução da propagação paralela. Nossos resultados demonstram uma alta precisão de detecção dos módulos em redes, além disso, é útil para encontrar comunidades desbalanceadas. Também se mostrou um método eficaz na caracterização de comunidades em redes cerebrais.