Modelagem estocástica de dados neurobiológicos

Abstract

Este relatório apresenta o desenvolvimento e a avaliação de métodos computacionais estocásticos para processamento e análise de dados neurobiológicos com foco em polissonografia. A pesquisa aborda os principais desafios no suporte à decisão médica para estadiamento do sono usando dados brutos de polissonografia, incluindo a subjetividade e as limitações da classificação tradicional do estágio do sono e a presença de artefatos fisiológicos nos sinais. As principais contribuições técnicas compreendem a implementação de um filtro baseado em Análise de Componentes Independentes (ICA) para remover artefatos eletrocardiográficos (ECG) de registros eletroencefalográficos (EEG) e a adaptação da métrica contínua Odds Ratio Product (ORP) para estimar a profundidade do sono. Uma ferramenta gráfica baseada em navegador também foi desenvolvida para visualização interativa de sinais processados e resultados computacionais. Os métodos foram validados em conjuntos de dados clínicos anonimizados contendo sinais de múltiplos canais de EEG e ECG, entre outras medidas fisiológicas. Os resultados mostram que o filtro ICA atenua artefatos cardíacos de forma confiável com impacto mínimo nas características do sinal neural. Ao mesmo tempo, a métrica ORP modificada fornece uma medida contínua e fisiologicamente relevante da profundidade do sono, alinhada com anotações clínicas. A estrutura computacional possibilita futuras extensões com modelagem probabilística e visa promover aplicações interdisciplinares em saúde e educação.

This report presents the development and evaluation of stochastic computational methods for processing and analysing neurobiological data with a focus on polysomnography. The research addresses key challenges in medical decision support for sleep staging using raw polysomnography data, including the subjectivity and limitations of traditional sleep stage classification and the presence of physiological artefacts in signals. The main technical contributions comprise the implementation of an Independent Component Analysis (ICA)-based filter to remove electrocardiographic (ECG) artefacts from electroencephalographic (EEG) recordings, and the adaptation of the continuous Odds Ratio Product (ORP) metric for estimating sleep depth. A browser-based graphical tool was also developed for interactive visualisation of processed signals and computational results. The methods were validated on anonymised clinical datasets containing multi-channel EEG and ECG signals, among other physiological measurements. Results demonstrate that the ICA filter reliably attenuates cardiac artefacts with minimal impact on neural signal features. At the same time, the modified ORP metric provides a continuous, physiologically relevant measure of sleep depth aligned with clinical annotations. The computational framework supports future extension with probabilistic modelling and aims to foster interdisciplinary applications in healthcare and educational outreach.