Recent popularization of technologies such as Smartphones, Wearables, Internet of Things, Social Networks and Video streaming increased data creation. Dealing with extensive data sets led the creation of term big data, often defined as when data volume, acquisition rate or representation demands nontraditional approaches to data analysis or requires horizontal scaling for data processing. Analysis is the most important Big Data phase, where it has the objective of extracting meaningful and often hidden information. One example of Big Data hidden information is causality, which can be inferred with Delayed Transfer Entropy (DTE). Despite DTE wide applicability, it has a high demanding processing power which is aggravated with large datasets as those found in big data. This research optimized DTE performance and modified existing code to enable DTE execution on a computer cluster. With big data trend in sight, this results may enable bigger datasets analysis or better statistical evidence. / A recente popularização de tecnologias como Smartphones, Wearables, Internet das Coisas, Redes Sociais e streaming de Video aumentou a criação de dados. A manipulação de grande quantidade de dados levou a criação do termo Big Data, muitas vezes definido como quando o volume, a taxa de aquisição ou a representação dos dados demanda abordagens não tradicionais para analisar ou requer uma escala horizontal para o processamento de dados. A análise é a etapa de Big Data mais importante, tendo como objetivo extrair informações relevantes e às vezes escondidas. Um exemplo de informação escondida é a causalidade, que pode ser inferida utilizando Delayed Transfer Entropy (DTE). Apesar do DTE ter uma grande aplicabilidade, ele possui uma grande demanda computacional, esta última, é agravada devido a grandes bases de dados como as encontradas em Big Data. Essa pesquisa otimizou e modificou o código existente para permitir a execução de DTE em um cluster de computadores. Com a tendência de Big Data em vista, esse resultado pode permitir bancos de dados maiores ou melhores evidências estatísticas.

Recent popularization of technologies such as Smartphones, Wearables, Internet of Things, Social Networks and Video streaming increased data creation. Dealing with extensive data sets led the creation of term big data, often defined as when data volume, acquisition rate or representation demands nontraditional approaches to data analysis or requires horizontal scaling for data processing. Analysis is the most important Big Data phase, where it has the objective of extracting meaningful and often hidden information. One example of Big Data hidden information is causality, which can be inferred with Delayed Transfer Entropy (DTE). Despite DTE wide applicability, it has a high demanding processing power which is aggravated with large datasets as those found in big data. This research optimized DTE performance and modified existing code to enable DTE execution on a computer cluster. With big data trend in sight, this results may enable bigger datasets analysis or better statistical evidence. / A recente popularização de tecnologias como Smartphones, Wearables, Internet das Coisas, Redes Sociais e streaming de Video aumentou a criação de dados. A manipulação de grande quantidade de dados levou a criação do termo Big Data, muitas vezes definido como quando o volume, a taxa de aquisição ou a representação dos dados demanda abordagens não tradicionais para analisar ou requer uma escala horizontal para o processamento de dados. A análise é a etapa de Big Data mais importante, tendo como objetivo extrair informações relevantes e às vezes escondidas. Um exemplo de informação escondida é a causalidade, que pode ser inferida utilizando Delayed Transfer Entropy (DTE). Apesar do DTE ter uma grande aplicabilidade, ele possui uma grande demanda computacional, esta última, é agravada devido a grandes bases de dados como as encontradas em Big Data. Essa pesquisa otimizou e modificou o código existente para permitir a execução de DTE em um cluster de computadores. Com a tendência de Big Data em vista, esse resultado pode permitir bancos de dados maiores ou melhores evidências estatísticas.

Proprioception is the ability to sense body position necessary for coordinate precise movements. Despite the low complexity of insect neuronal systems, scientists are studying their motor control system. Researchers performed experiments in desert locusts by stimulating their apodeme and recording the neuronal response. Previous studies reported variations in neuronal spiking rates related to acceleration, velocity and position sensitivity. Their results led us to the assumption that either there are different kinds of sensory neurons, or there is only one type of neuron responding to various Physical quantities. Therefore, this research intends to investigate the different spiking rates. We also want to study the influence of apodemes excitations in sensory neurons with information theoretical measures. However, the way signals were recorded does not allow the calculation of delayed transfer entropy (DTE) between sensory neurons. To solve that problem we propose a method to estimate parameters of connections in such scenarios. Our analysis will model the time spent between spikes with survival functions. The influence of excitation in the neuronal response will be analyzed with DTE, which will also be used to validate the methods of simulation. Results show that there is evidence to support the assumption of different spiking rates among sensory neurons. DTE suggests the existence of intermediate processing nodes between excitation and some sensory neurons. A further simulation joining the methods proposed and neuronal signals showed that models considering intermediate pathways present a good fit to the data. We suggest that the different responses of sensory neurons are not due to various types of neurons, but to a preprocessing layer. / Propriocepção é a capacidade de monitorar a posição do corpo necessária para coordenar movimentos precisos. Apesar da baixa complexidade dos sistemas neuronais de insetos, cientistas têm estudado seu controle motor. Pesquisadores realizaram experimentos em gafanhotos estimulando mecanicamente seu apódema e registrando a resposta neuronal. Estudos anteriores relatam variações nas taxas de spiking, e as relacionam com sensibilidades à aceleração, à velocidade e à posição. Seus resultados nos levaram às suposições de que ou existem diferentes tipos de neurônios sensores ou há apenas um tipo de neurônio sensível à diferentes grandezas físicas. Portanto, esta pesquisa pretende investigar as diferentes taxas de spiking e estudar a influência das excitações do apódema em neurônios sensores com medidas de teoria da informação. No entanto, a forma como os sinais foram gravados não permite calcular-se a transferência de entropia atrasada (DTE) entre neurônios sensores. Para tanto, propôs-se um método de estimação de parâmetros para ligações em tais cenários. As análises modelarão o tempo gasto entre spikings com funções de sobrevida. Além disso, a influência da excitação sobre a resposta neuronal será analisada com DTE, a qual também será utilizada para validar os métodos de simulação. Os resultados mostram que há evidências para suportar a hipótese de diferentes taxas de spiking. A DTE sugere a existência de nós intermediários (entre excitação e alguns neurônios sensoriais). Posteriormente, uma simulação juntando os métodos propostos e os sinais neuronais mostrou que modelos considerando caminhos intermediários se ajustam bem aos dados. Por fim, os resultados sugerem que as diferentes respostas de neurônios sensores não acontecem devido a diferentes tipos de neurônios, mas sim à uma camada de pré-processamento.

Proprioception is the ability to sense body position necessary for coordinate precise movements. Despite the low complexity of insect neuronal systems, scientists are studying their motor control system. Researchers performed experiments in desert locusts by stimulating their apodeme and recording the neuronal response. Previous studies reported variations in neuronal spiking rates related to acceleration, velocity and position sensitivity. Their results led us to the assumption that either there are different kinds of sensory neurons, or there is only one type of neuron responding to various Physical quantities. Therefore, this research intends to investigate the different spiking rates. We also want to study the influence of apodemes excitations in sensory neurons with information theoretical measures. However, the way signals were recorded does not allow the calculation of delayed transfer entropy (DTE) between sensory neurons. To solve that problem we propose a method to estimate parameters of connections in such scenarios. Our analysis will model the time spent between spikes with survival functions. The influence of excitation in the neuronal response will be analyzed with DTE, which will also be used to validate the methods of simulation. Results show that there is evidence to support the assumption of different spiking rates among sensory neurons. DTE suggests the existence of intermediate processing nodes between excitation and some sensory neurons. A further simulation joining the methods proposed and neuronal signals showed that models considering intermediate pathways present a good fit to the data. We suggest that the different responses of sensory neurons are not due to various types of neurons, but to a preprocessing layer. / Propriocepção é a capacidade de monitorar a posição do corpo necessária para coordenar movimentos precisos. Apesar da baixa complexidade dos sistemas neuronais de insetos, cientistas têm estudado seu controle motor. Pesquisadores realizaram experimentos em gafanhotos estimulando mecanicamente seu apódema e registrando a resposta neuronal. Estudos anteriores relatam variações nas taxas de spiking, e as relacionam com sensibilidades à aceleração, à velocidade e à posição. Seus resultados nos levaram às suposições de que ou existem diferentes tipos de neurônios sensores ou há apenas um tipo de neurônio sensível à diferentes grandezas físicas. Portanto, esta pesquisa pretende investigar as diferentes taxas de spiking e estudar a influência das excitações do apódema em neurônios sensores com medidas de teoria da informação. No entanto, a forma como os sinais foram gravados não permite calcular-se a transferência de entropia atrasada (DTE) entre neurônios sensores. Para tanto, propôs-se um método de estimação de parâmetros para ligações em tais cenários. As análises modelarão o tempo gasto entre spikings com funções de sobrevida. Além disso, a influência da excitação sobre a resposta neuronal será analisada com DTE, a qual também será utilizada para validar os métodos de simulação. Os resultados mostram que há evidências para suportar a hipótese de diferentes taxas de spiking. A DTE sugere a existência de nós intermediários (entre excitação e alguns neurônios sensoriais). Posteriormente, uma simulação juntando os métodos propostos e os sinais neuronais mostrou que modelos considerando caminhos intermediários se ajustam bem aos dados. Por fim, os resultados sugerem que as diferentes respostas de neurônios sensores não acontecem devido a diferentes tipos de neurônios, mas sim à uma camada de pré-processamento.