fNIRS e Deep Learning: Controle Automático de Qualidade em Sinais NIRS

A fNIRS vem crescendo porque permite estudar o cérebro em situações mais naturais: bebês, adultos, interação social, fala, música, aprendizagem, repouso, clínica e hyperscanning. Mas antes de qualquer interpretação sobre oxi-hemoglobina, desoxi-hemoglobina, ativação cortical ou conectividade, existe uma pergunta básica: o sinal tem qualidade suficiente para ser analisado?

O artigo de Guglielmini, Chen e Wolf enfrenta exatamente esse problema. Ele apresenta o DL-QC-fNIRS, uma ferramenta de deep learning para controle automático de qualidade em sinais fNIRS, avaliando canal por canal se o sinal é de alta ou baixa qualidade. A proposta é substituir parte da inspeção manual e dos limiares arbitrários por um método mais padronizado, escalável e reprodutível.

O ponto de partida do estudo é muito importante: métricas tradicionais como CV — coeficiente de variação — e SCI — scalp coupling index — são úteis, mas dependem de limiares definidos pelo usuário. Isso pode gerar erros: alguns canais ruins passam como bons, enquanto canais ainda aproveitáveis podem ser descartados. Para uma ciência que quer ser confiável, esse é um problema sério.

A pergunta científica do artigo pode ser colocada assim: um modelo de deep learning consegue identificar a qualidade dos sinais fNIRS melhor do que métricas tradicionais baseadas em índices fixos? Para responder, os autores usaram sinais de dois bancos de dados independentes de repouso com fNIRS, combinando registros feitos com NIRSport 1 e NIRSport 2, ambos da NIRx Medical Technologies.

O estudo trabalhou com dois conjuntos de dados. O primeiro tinha 40 registros de adultos saudáveis com NIRSport 1, 20 canais longos e 8 canais curtos na região frontal. O segundo veio de um estudo de hyperscanning com 92 registros usando NIRSport 2, com canais pré-frontais e temporo-parietais, além de canais curtos. Ao juntar os dois bancos, os autores chegaram a 10.660 segmentos de canais, com distribuição quase equilibrada entre alta e baixa qualidade.

O método é elegante. Primeiro, os sinais brutos foram convertidos para densidade óptica e depois para oxi-hemoglobina. Em seguida, os autores usaram continuous wavelet transform para gerar imagens tempo-frequência, chamadas escalogramas. A ideia é observar se a pulsação cardíaca aparece de forma contínua e estável no sinal. Quando a pulsação cardíaca está clara, isso sugere bom acoplamento optodo-couro cabeludo. Quando está ausente, fragmentada ou mascarada por artefatos, o canal tende a ser de baixa qualidade.

Um detalhe forte do artigo é que o modelo não usa uma banda cardíaca fixa para todos. Ele identifica a frequência cardíaca de cada sujeito por meio de um algoritmo de ajuste espectral. Isso torna o processo mais fisiologicamente específico, porque diferentes pessoas podem ter ritmos cardíacos diferentes. A figura 2 do artigo mostra esse processo: detecção do pico cardíaco, definição da banda individual e transformação do sinal em escalograma para entrada na rede neural.

Os autores testaram quatro arquiteturas de CNN: GoogLeNet, ResNet-50, SqueezeNet e EfficientNet-B0. A melhor performance geral veio da GoogLeNet, especialmente no banco combinado. Na validação cruzada, ela atingiu cerca de 93,10% de acurácia e F1-score de 92,71% no conjunto combinado. No teste independente combinado, o DL-QC-fNIRS chegou a 91,89% de acurácia, superando CV e SCI em equilíbrio entre sensibilidade e especificidade.

A comparação com métodos tradicionais é o coração do artigo. O CV foi conservador demais: preservava muitos sinais bons, mas falhava ao detectar muitos sinais ruins. O SCI detectava melhor os canais ruins, mas descartava muitos canais bons. O deep learning conseguiu um equilíbrio melhor: detectou canais de baixa qualidade sem destruir excessivamente os dados úteis.

Isso é fundamental para a BrainLatam2026. Não existe neurociência decolonial séria sem qualidade material do dado. A gente pode falar de Mente Damasiana, APUS, Jiwasa, Eus Tensionais, Zona 2 e pertencimento, mas tudo começa antes: o optodo está bem acoplado? O sinal tem pulsação? O canal está saturado? O movimento contaminou o dado? A IA está classificando com equilíbrio? O pesquisador consegue auditar o processo?

A lente-avatar deste blog pode ser Brainlly, como guardião metodológico. Brainlly lembra que criatividade científica precisa de rigor. Uma pergunta bonita com sinal ruim vira interpretação frágil. Uma pergunta bem feita com sinal confiável pode virar ciência reprodutível.

Também entra APUS, como corpo-território. A qualidade do sinal fNIRS nasce no contato entre equipamento e corpo: cabelo, pele, couro cabeludo, suor, formato da cabeça, conforto da touca, pressão dos optodos e movimento. O artigo mostra que o dado não começa no software; ele começa no corpo. O deep learning ajuda depois, mas a materialidade do corpo-território vem primeiro.

A crítica decolonial generosa é que modelos de IA precisam ser treinados com diversidade real. Um classificador treinado com determinados tipos de pele, cabelo, idade, equipamento e protocolo pode não generalizar igualmente para todos os corpos. Por isso, a BrainLatam2026 perguntaria: esse modelo foi treinado com quais populações? Com quais cabelos? Com quais tons de pele? Com quais idades? Com quais equipamentos? Com quais tarefas?

Um próximo desenho experimental latino-americano poderia criar uma base regional de qualidade de sinal fNIRS. A gente poderia coletar dados com NIRSport2, EEG, GSR, respiração, PPG, EMG e sensores de movimento, incluindo crianças, adolescentes, adultos, diferentes tons de pele, diferentes tipos de cabelo e tarefas de linguagem, música, educação, clínica e interação social. Depois, especialistas rotulariam segmentos bons, ruins e duvidosos para treinar modelos mais ajustados à realidade latino-americana.

A pergunta experimental seria: um modelo de deep learning treinado com diversidade latino-americana melhora o controle automático de qualidade em sinais fNIRS quando comparado a CV, SCI e inspeção manual? Essa pergunta é técnica, científica e política. Técnica, porque melhora pipelines. Científica, porque aumenta reprodutibilidade. Política, porque impede que a neuroimagem global seja calibrada apenas por corpos do Norte Global.

Para estudos de hyperscanning, o impacto é ainda maior. Quando a gente mede professor e alunos, mãe e bebê, músicos, grupos terapêuticos ou equipes em interação, há muitos canais e muito mais chance de movimento, suor, desalinhamento e ruído. Um sistema automático como o DL-QC-fNIRS pode ajudar a identificar rapidamente quais canais são confiáveis, quais segmentos devem ser excluídos e quais participantes precisam de ajuste.

A ponte com o DREX Cidadão aparece no nível da infraestrutura científica. Uma política pública baseada em neurociência precisa de dados confiáveis. Medir mal pode gerar interpretações ruins sobre atenção, aprendizagem, sofrimento social, saúde mental e pertencimento. Medir bem é parte da ética da evidência. O controle automático de qualidade, portanto, não é só uma etapa técnica: é um cuidado com a verdade do corpo medido.

O artigo também entrega algo prático: uma interface gráfica em MATLAB, de código aberto, que permite aplicar modelos pré-treinados ou treinar modelos customizados. A ferramenta aceita arquivos em formatos usados na área, permite segmentação, visualização dos sinais, rotulagem manual, treinamento e comparação com CV e SCI. As figuras 4 a 9 mostram esse fluxo operacional, desde o carregamento dos dados até a avaliação final do modelo.

Fechamento:
O futuro da fNIRS não será apenas ter equipamentos melhores. Será ter sinais mais confiáveis, pipelines transparentes, modelos auditáveis e bases diversas. O deep learning pode ajudar a transformar o controle de qualidade em uma etapa mais objetiva e reprodutível. Para a BrainLatam2026, isso significa unir rigor técnico e consciência decolonial: medir melhor o cérebro, respeitando o corpo-território que torna cada sinal possível.

Referência única
Guglielmini, S., Chen, Z., & Wolf, M. (2026). DL-QC-fNIRS: a deep learning tool for automated quality control in functional near-infrared spectroscopy signals. Neurophotonics, 13(1), 015001. doi:10.1117/1.NPh.13.1.015001.