Palestra 9: Modelando Dependência Extremal de Dados Cerebrais de EEGs Multicanais

Resumo: Eletroencefalogramas (EEGs) são sinais espaço-temporais multidimensionais que medem a atividade elétrica do cérebro a partir de eletrodos colocados no couro cabeludo. Os EEGs capturam mudanças nos sinais cerebrais decorrentes, por exemplo, de choques no sistema neural, como em casos de derrames, epilepsia e estímulos externos. Neste trabalho, desenvolvemos uma nova abordagem estatística para estudar perturbações, resultantes de uma convulsão epiléptica, nos valores extremos dos sinais de EEGs multicanais. Como uma convulsão epiléptica é um distúrbio elétrico abrupto e descontrolado, geralmente atingindo picos extremos quando comparados ao comportamento de EEGs padrão, podemos analisar os dados sob o ponto de vista da Teoria dos Valores Extremos. Assim, dado o cenário de uma convulsão epiléptica e inspirados no trabalho seminal de Heffernan e Tawn (2004), investigamos mudanças no comportamento da dependência extremal (nas caudas da distribuição dos dados) na rede de EEGs após a ocorrência de uma observação extrema em um eletrodo de referência. Para descobrir como a convulsão afeta a conectividade do cérebro ao longo do tempo, adicionamos uma estrutura temporal variável para a dependência extremal no modelo de Heffernan e Tawn. Para isso, utilizamos a abordagem Penalized Piecewise Constant (PPC) proposta por Ross et al. (2018). Resultados preliminares mostram que o comportamento da dependência difere nos momentos pré e pós-convulsão.