Sabemos que a ciência pode ser apresentada de diferentes formas no intuito de oferecer uma melhor compreensão sobre o assunto ou abordado para diferentes tipos de leitores. A principal ferramenta utilizada para isso é a comunicação científica, que possui um grande impacto social. Nesse contexto, a Brain Support criou vários mascotes que tentam transmitir assuntos relacionados à neurociência de forma mais lúdica, divertida e de fácil entendimento por meio de blogs, memes, vídeos e desenhos experimentais. São nossos mascotes: Brainlly, Olmeca, Iam, Yagé e Math. Cada um desses mascotes possui uma representação científica, abrangendo diferentes campos da neurociência. Aqui, vamos falar um pouco de Math e de sua relação com com a importância da matemática para neurociência que utiliza inteligência artificial e machine learning. Mas antes disso, vamos conhecer melhor Math.
![](https://brainlatam.com/uploads/tinymce/math-matematica-e-neurociencia-inteligencia-artificial-e-machine-learning-2.webp)
Math é uma espécie de robô que representa aspectos tecnológicos avançados ao mesmo tempo que traz conceitos de civilizações antigas. Ele possui características tecnológicas e que trazem referências matemáticas, como seus braços e pernas robóticos com mãos do símbolo da soma e outros símbolos matemáticos espalhados pelo corpo, representando a importância dessa ciência para o avanço científico no campo da neuroengenharia. Além disso, ele também apresenta características de culturas pré-colombianas, como seu corpo no formato de pirâmides escalonadas, como as grande ruínas de pirâmides astecas e maias, e possui rosto inspirado nas cabeças colossais olmecas, na qual o conceito se trata da representações de deuses ou entidades supraterrenais olmecas em que a sua aparência corresponde à própria imagem desses seres. Essas características de Math se tornam vigentes visto a necessidade de atribuir um maior fator cultural latino americano a neurociência levando em consideração a predominância de aspectos eurocêntricos relacionados a essa área. Dessa forma, a cultura se torna uma ferramenta importante para em estudos neurocientíficos associados com a cognição e comportamento, e que podem ter um cunho importante no desenvolvimento de estudos relacionados a tecnologia, sendo essa a principal proposta de Math.
A matemática sempre tem estado presente no desenvolvimento e evolução da ciência básica e aplicada interagindo com diversas áreas e estado presente principalmente naquelas que possuem menos compatibilidade de conteúdos, mas que utilizam os cálculos como ferramenta primordial para sua metodologia. Não poderia ser diferente na neurociência, seja através da estatística, fórmulas estequiométricas laboratoriais ou através de um script de linguagem de programação, a matemática se tornou algo imprescindível para várias áreas desse. Um exemplo simples e bem claro, é o uso da estatística na neuropolítica, onde candidatos conseguem modificar o ponto de vista partidário de uma população apenas manipulando testes estatísticos para mostrar um dado de diferentes formas, interpretando e demonstrando resultados favoráveis ao seu partido. Abordagens matemáticas modernas são utilizadas para entender os padrões de atividade cerebral vistos em experimentos e modelos de comportamento neuronal, usando sistemas numéricos, analíticos e dinâmicos para produzir um método que sugerem tipos de equações modelo para responder perguntas relacionadas a essa temática, é o que estuda a neurociência computacional. Os métodos computacionais incluem simulações de computador, matemática, estatística e abstrações que são usadas em muitas subáreas da neurociência, incluindo estrutura, fisiologia, desenvolvimento e habilidades cognitivas do sistema nervoso. Explica como o cérebro representa e processa as informações disponíveis através dos sinais elétricos e químicos. Nesse contexto, surge a inteligência artificial (IA) e a machine learning (ML), técnicas utilizadas na neurociência tanto para o estudo da melhora de condições patológicas quanto para potencialização de condições cognitivas e físicas de indivíduos saudáveis.
![](https://brainlatam.com/uploads/tinymce/math-matematica-e-neurociencia-inteligencia-artificial-e-machine-learning-3.webp)
A IA é um área da ciência da computação que tem por objetivo o desenvolvimento de máquinas inteligentes semelhantes à inteligência humana. O conceito por trás da IA foi desenvolvida por Alan Turing durante o desenvolvimento do teste de Turing (Imagem ao lado), onde um humano (Interrogador) deve se comunicar por texto em um ambiente separado com um computador ou outro humano. O interrogador deve ser capaz de descobrir com quem está falando, seja um humano ou uma máquina. Se o interrogador não descobrir, significa que a máquina passou no teste de Turing e, portanto, assume que o computador possui inteligência artificial. Uma das subáreas estudadas pela IA é o machine learning (ML). As técnicas de ML são específicas para reconhecimento de padrões (Imagem abaixo) e podem ser aplicadas em qualquer área do conhecimento, como, na medicina para diagnosticar patologias, mercado financeiro para prever quedas nas bolsas de valores, nos esportes para melhorar desempenho dos atletas, bem como nas ICMs para reconhecer os padrões cerebrais. Por meio do ML é possível identificar com maior detalhes o padrão rítmico de uma onda cerebral e assim diferenciar entre elas para uma melhor classificação. Dessa maneira, é possível por exemplo diferenciar a imagética motora da mão e dos dedos e assim fornecer maior graus de liberdade no controle de uma interface cérebro máquina (ICM). As principais técnicas utilizadas de ML para uma ICM são o linear discriminant analysis (LDA), support vector machine (SVM), redes neurais artificiais (NN), reinforcement learning e transfer learning. Estas, são capazes de criar hiperplanos e assim por meio de análise nos padrões das ondas cerebrais são capazes de classificá-las em diferentes grupos e classes, podendo ser utilizada para movimentar um braço robótico ou uma cadeira de rodas eletrônica com mais precisão, por exemplo.
![](https://brainlatam.com/uploads/tinymce/math-matematica-e-neurociencia-inteligencia-artificial-e-machine-learning-4.webp)
Outro exemplo da utilização de ML foram estudos que aplicaram dados coletados por EEG a redes neurais de modo a tentar identificar padrões que notificassem alterações no estado emocional dos sujeitos do teste. As redes foram capazes de identificar na comparação entre a situação estressante e a situação controle, corroborando com a literatura preexistente, alterações em pares específicos dos eletrodos no EEG, especificamente do córtex frontal, indicando a presença de estresse no emocional desses indivíduos, podendo assim criar novos marcadores eletrofisiológicos emocionais. Além disso, A ML também pode fornecer marcadores eletrofisiológicos patológicos, como no caso da Doença de Alzheimer (DA). Utilizando EEG de 20 canais, algoritmos de aprendizado de máquina e parâmetros de Hjorth, trabalhos mostraram a uma acurácia de 97.64 na detecção de DA, indicando que a doença pode ser prevista a partir do processamento de dados antes e após estágios iniciais do transtorno. O diagnóstico precoce é essencial para rápida intervenção e tratamento, prevenindo a progressão da degeneração, retardando sintomas e garantindo qualidade de vida estendida.
Desenho experimental
Inserindo math nesse contexto, como poderíamos utilizar os conceitos matemáticos por trás da IA e ML para correlacionar os impactos culturais restritos ou multiculturais sobre a cognição relacionada ao estresse? Aqui vamos sugerir um desenho experimental na tentativa de se alcançar esse objetivo. Para isso, seria interessante a utilização de um grupo exposto a uma única cultura e outro grupo de uma população multicultural, exposto a várias culturas distintas. Utilizando machine learning, poderíamos avaliar padrões da atividade elétrica cerebral por meio do EGG relacionadas ao estresse, correlacionando os resultados com uma uma avaliação cognitiva comportamental e observar se existe correlação entre a exposição cultural e os padrões eletroencefalográficos de estresse (Imagem abaixo).
Referencias:
Jangid, Aisha, Laxmi Chaudhary, and Komal Sharma. "Computational neuroscience and its applications: a review." Intelligent Energy Management Technologies (2021): 159-169.
Mareschal, Denis. "The neuroscience of conceptual learning in science and mathematics." Current Opinion in Behavioral Sciences 10 (2016): 114-118.
Ermentrout, Bard, and David H. Terman. Mathematical foundations of neuroscience. Vol. 35. New York: springer, 2010.
Toward direct Brain computer communication. Jaques J. Vidal. Retirado de:
Adaptive multi-degree of freedom Brain Computer Interface using online feedback: Towards novel methods and metrics of mutual adaptation between humans and machines for BCI. Chuong H. Nguyen, George K. Karavas, Panagiotis ArtemiadisID. 2019.
Manual Diagnóstico e Estatístico de Transtornos Mentais [recurso eletrônico] : DSM-5 / [American Psychiatric Association ; tradução: Maria Inês Corrêa Nascimento ... et al.] ; revisão técnica: Aristides Volpato Cordioli ... [et al.]. – 5. ed. – Dados eletrônicos. – Porto Alegre : Artmed, 2014.
Safi, M. S. & Safi, S. M. M. Early Detection of Alzheimer’s Disease from EEG Signals Using Hjorth Parameters. Biomedical Signal Processing and Control 65 (2021) 102338.
Halim Z; Rehan M. (2020) On identification of driving-induced stress using electroencephalogram signals: A framework based on wearable safety-critical scheme and machine learning. Information Fusion 53:66-79.
James L. (2020) Road Rage and Aggressive Driving. Prometheus Books, Amherst, NY.