Criticità neurale EEG e metodi pedagogici

Cos'è

Pipeline di analisi della criticità neurale su dati EEG, costruita per testare se metodi pedagogici diversi mantengano l'attività cerebrale a punti distinti rispetto allo stato critico (σ ≈ 1.0). Lo studio integra rilevamento di valanghe neurali (Beggs & Plenz 2003), branching ratio diretto e corretto per subsampling (MR estimator di Wilting & Priesemann 2018), fit di leggi di potenza ed indice κ. È in fase di Pipeline Validation Complete: la pipeline è validata su dati simulati e pronta per i dataset OpenNeuro ds004148 e ds005385.

Materiale

Il pacchetto eeg_criticality_analysis.zip contiene:

Artefatto	File	Descrizione
Modulo core	eeg_criticality.py	Funzioni: detect_events, detect_avalanches, branching_ratio_direct, branching_ratio_MR, fit_power_law, kappa_index
Simulatore stati	simulate_states.py	Generazione branching process e validazione su 5 stati cognitivi sintetici
Workflow OpenNeuro	analyze_openneuro.py	Caricamento BIDS via MNE-Python e confronto cross-state
Piano di analisi	EEG_CRITICALITY_ANALYSIS_PLAN.md	Metodologia completa: dataset, pipeline, ipotesi H0-H4, roadmap 6 settimane
Report preliminare	NEURAL_CRITICALITY_REPORT.md	Risultati di validazione e interpretazione EAR
Risultati simulazione	results/simulated_criticality.json	Output JSON dei 5 stati simulati

Risultati principali

Validazione su dati sintetici (MR estimator), pattern in linea con Fagerholm et al. (2015):

Stato cognitivo	σ_MR	Interpretazione
Occhi chiusi (riposo)	0.999	Quasi-critico
Occhi aperti (riposo)	0.973	Lievemente subcritico
Ascolto musicale (passivo)	0.965	Lievemente subcritico
Task di memoria	0.902	Subcritico
Aritmetica mentale	0.879	Profondamente subcritico

• Pattern confermato: i task cognitivi focalizzati inducono dinamiche subcritiche.
• Gap di letteratura identificato: nessuno studio PubMed misura criticità in funzione del metodo pedagogico — opportunità di ricerca originale.
• Dataset target pronti: ds004148 (60 partecipanti, 5 stati) e ds005385 (608 partecipanti, pre/post task, 5-year follow-up).

Connessione all'ontologia

Lo studio fornisce il riferimento empirico per la mappatura criticità ↔ attributi EAR documentata in /ontologia/aila/empirico/empirical-reference.md: σ = 1.0 corrisponde all'equilibrio Δ ∥ ⇄ ∥ ⟳, σ < 1 a soppressione di ⇄, σ > 1 a dominanza di ⟳. La transizione di fase intorno a σ = 1 è l'incarnazione neurofisiologica della soglia critica K_crit: superata in un verso si ha rigidità, nell'altro instabilità.

Come usarlo

• Eseguire python simulate_states.py per riprodurre la validazione sintetica.
• Lanciare python analyze_openneuro.py su dati BIDS scaricati via DataLad (datalad install di ds004148 / ds005385).
• Citare come base per il disegno di studi pedagogici su lezione frontale vs apprendimento attivo Ray-style.

Note

Versione 1.0, 25 gennaio 2026. Stato: pipeline validata, applicazione su dati reali in roadmap. Dipendenze: Python 3.10+, mne ≥1.6, mne-bids ≥0.14, scipy. Distribuzione CC-BY-SA-4.0.