wavelet analysis, nonlinear metrics, EEG, neurodiagnostics, entropy‑based metrics

Analýza mozgových signálov predstavuje jednu z kľúčových výziev súčasnej neurotechnológie. Neurálna aktivita je inherentne nepravidelná, nelineárna a nestacionárna, čo výrazne limituje možnosti tradičných lineárnych prístupov, ako je amplitúdová či výkonová spektrálna analýza. Rýchle a prechodné zmeny mozgových oscilácií možno spoľahlivo zachytiť len pokročilými metódami spracovania signálov. Waveletová analýza poskytuje multirezolučný rámec umožňujúci simultánne sledovať časové aj frekvenčné charakteristiky neurálnej aktivity. Nelineárne metriky, vrátane teórie chaosu, entropických ukazovateľov a fraktálnej dimenzie, dopĺňajú tento prístup kvantifikáciou komplexity a nepravidelnosti mozgových procesov, čím odhaľujú informácie, ktoré lineárne techniky nedokážu zachytiť. Elektroencefalografia zostáva jedným z najdôležitejších nástrojov neurovedy a klinickej neurológie, no jej plný diagnostický potenciál sa naplno prejavuje až pri využití týchto moderných analytických stratégií. Kombinácia waveletovej analýzy s nelineárnymi ukazovateľmi umožňuje presnejšie charakterizovať neurálnu dynamiku, identifikovať patologicky významné vzorce a monitorovať progresiu neurologických ochorení či odpoveď na terapeutické intervencie. Tieto metodologické inovácie predstavujú zásadný posun smerom k vysoko presnej, dátovo riadenej neurodiagnostike. Transformujú komplexnú dynamiku mozgu na objektívne, kvantifikovateľné ukazovatele, ktoré dopĺňajú tradičné klinické a zobrazovacie metódy. Výsledkom je presnejšie a individualizované hodnotenie funkčného stavu mozgu, podporujúce hlbšie porozumenie mechanizmom regulácie motorických, senzorických a kognitívnych procesov. Táto interdisciplinárna výskumná platforma vytvára robustný základ pre budúcu integráciu metód strojového učenia, umelej inteligencie a pokročilej štatistickej validácie biomarkerov, a bola aktuálne zaradená aj do výučby na INP – Université Grenoble Alpes ako spoločný ročníkový projekt.

Analysis of brain signals represents one of the key challenges of modern neurotechnology. Neural activity is inherently irregular, nonlinear, and non‑stationary, which significantly limits the capabilities of traditional linear approaches such as amplitude or power spectral analysis. Rapid and transient changes in brain oscillations can be reliably captured only through advanced signal‑processing methods.Wavelet analysis provides a multiresolution framework that enables simultaneous tracking of the temporal and frequency characteristics of neural activity. Nonlinear metrics—including measures derived from chaos theory, entropy indicators, and fractal dimension—complement this approach by quantifying the complexity and irregularity of brain processes, thereby revealing information that linear techniques cannot capture.Electroencephalography remains one of the most important tools in neuroscience and clinical neurology, yet its full diagnostic potential becomes evident only when these modern analytical strategies are applied. The combination of wavelet analysis with nonlinear indicators allows for more precise characterization of neural dynamics, identification of clinically relevant pathological patterns, and monitoring of disease progression or response to therapeutic interventions.These methodological innovations represent a significant shift toward highly accurate, data‑driven neurodiagnostics. They transform the complex dynamics of the brain into objective, quantifiable indicators that complement traditional clinical and imaging methods. The result is a more precise and individualized assessment of brain functional state, supporting deeper understanding of the mechanisms underlying motor, sensory, and cognitive processes.This interdisciplinary research platform provides a robust foundation for future integration of machine learning, artificial intelligence, and advanced statistical biomarker validation, and it has recently been incorporated into teaching at INP – Université Grenoble Alpes as a joint year‑long project.