PROCESSAMENTO DE SINAIS DE ALTA-ORDEM E SUAS APLICAÇÕES À ANÁLISE DE REDES CEREBRAIS.
fMRI. Conectividade funcional de alta-ordem. Processamento de sinais sobre hipergrafo. Processamento de sinais topológicos. Neurociência.
A teoria de redes se tornou um pilar fundamental para a modelagem e análise da conectividade funcional cerebral. No entanto, as representações tradicionais baseadas em grafos são inerentemente limitadas a interações diádicas e podem falhar em capturar as estruturas de ordem superior do cérebro, que emergem de dependências multivariadas complexas entre regiões de interesse. Avanços recentes introduziram hipergrafos e complexos simpliciais como alternativas poderosas para representar tais interações de ordem superior; contudo, muitas abordagens existentes ainda dependem de aproximações pareadas ou de construções algébricas simplificadas, o que limita sua capacidade de caracterizar de forma fidedigna relações funcionais genuinamente de ordem superior. Esta tese desenvolve e aplica estruturas de processamento de sinais de ordem superior, fundamentadas em princípios matemáticos, para modelar, inferir e analisar a conectividade funcional cerebral além das interações pareadas. Primeiramente, introduzimos um novo framework de detecção de comunidades baseado em processamento de sinais sobre hipergrafos (do inglês hypergraph signal processing, HGSP) e métricas multivariadas da teoria da informação, com o objetivo de identificar comunidades funcionais cerebrais de ordem superior. Ao comparar os resultados de clusterização baseados em hipergrafos e grafos em conjuntos de dados de fMRI empíricos, nulos e sintéticos, demonstramos que as representações do hipergrafo revelam padrões comunitários integrativos que permanecem amplamente ocultos em modelos convencionais baseados em grafos. Em particular, modos distintos do hipergrafo cerebral expõem interações entre redes funcionais consistentes com o balanço redundância-sinergia que caracteriza a organização cerebral em larga escala, oferecendo novas perspectivas sobre a arquitetura multivariada da conectividade funcional. Em segundo lugar, esta tese representa um dos primeiros esforços sistemáticos para caracterizar interações cerebrais de ordem superior sob a perspectiva do processamento topológico de sinais (do inglês topological signal processing, TSP). Ao representar dados cerebrais como sinais definidos sobre complexos simpliciais, desenvolvemos duas abordagens distintas para inferir a topologia cerebral a partir de sinais neurais: a primeira baseada em métricas estatísticas de interação de ordem superior, e a segunda fundamentada em um processo de otimização conjunta que aprende simultaneamente a topologia cerebral e representações espectrais esparsas dos componentes solenoidais e harmônicos dos sinais. Explorando operadores-chave do TSP, como divergência e rotacional, extraímos características fisicamente interpretáveis do fluxo de informação, identificando fontes, sumidouros e padrões de circulação que refletem princípios fundamentais de segregação e integração funcional. As proposições teóricas e as observações computacionais acima mencionadas foram validadas utilizando a base de dados Human Connectome Project (HCP), composta por sinais reais de ressonância magnética funcional (fMRI) adquiridos em estado de repouso de voluntários adultos saudáveis. Em conjunto, essas contribuições estabelecem um arcabouço unificado de processamento de sinais de ordem superior para a análise de redes cerebrais, integrando representações baseadas em hipergrafos e complexos simpliciais. As metodologias propostas fornecemferramentas interpretáveis e orientadas por dados para caracterizar a organização funcional multivariada do cérebro humano, avançando a compreensão da conectividade funcional de ordem superior e abrindo caminhos promissores para aplicações translacionais no estudo de distúrbios neurológicos e psiquiátricos marcados por padrões complexos e alterados de conectividade.