O cérebro humano pode ser considerado uma rede complexa, pois é dividido em regiões estruturais e funcionais que são interconectadas. A conectividade funcional tem sido usada para modelar regiões do cérebro que podem estar fisicamente (ou anatomicamente) separadas, através de dependência temporal dos padrões de ativação neural. Uma tarefa importante na aprendizagem não supervisionada é a detecção de comunidades em redes (SILVA; ZHAO, 2016). Embora muitas técnicas de detecção de comunidade tenham sido propostas, ainda existem alguns problemas, como detecção de comunidade desbalanceada e baixa eficiência. Encontrar estruturas comunitárias em redes é um campo que vem despertando atenção de diversas áreas de estudo. A neurociência inclui um interesse neste estudo, em que comunidades em redes cerebrais apresentam fatores consideráveis no desenvolvimento e na funcionalidade do cérebro, favorável à realização de análises de estruturas de comunidades em várias escalas. A teoria das redes complexas tem sido um mecanismo útil para o estudo do cérebro devido à sua possibilidade de lidar com sistemas que possuem propriedades de alta complexidade. Neste contexto, a teoria de redes complexas junto às técnicas de Imagem por Ressonância Magnética Funcional (do inglês fMRI - Functional Magnetic Resonance Imaging) são utilizadas para criar e mapear a rede cerebral. Foram analisados os padrões de conectividade da rede cerebral através de detecção de comunidades. Especificamente, propomos uma técnica de detecção de comunidade inspirada na propagação sequencial de sinais do modelo de competição de partículas e a propagação paralela inspirada nos Mapas Auto-Organizáveis (do inglês Self-Organizing Map - SOM). O modelo apresenta duas características salientes: 1) Ele pode detectar comunidades desbalanceadas; 2) É mais eficiente do que o modelo original de competição de partículas devido à introdução da propagação paralela. Nossos resultados demonstram uma alta precisão de detecção dos módulos em redes, além disso, é útil para encontrar comunidades desbalanceadas. Também se mostrou um método eficaz na caracterização de comunidades em redes cerebrais.

The human brain can be considered a complex network, as it is divided into structural and functional regions that are interconnected. Functional connectivity has been used to model brain regions that may be physically (or anatomically) separated, through temporal dependence on neural activation patterns. An important task in unsupervised learning is the detection of communities in networks (SILVA; ZHAO, 2016). Although many community detection techniques have been proposed, there are still some challenging issues such as unbalanced community detection and low efficiency. Finding community structures in networks is a competence that has been attracting interest from several areas of study. Neuroscience includes an interest in this study, in which communities in brain networks have considerable factors in brain development and functionality, making it favorable to carry out analyzes of community structures at various scales. The theory of complex networks has been a useful mechanism for the study of the brain, due to its possibility to deal with systems in which they have properties of high complexity. In this context, the theory of complex networks together with the techniques of Functional Magnetic Resonance Imaging (fMRI) are used to create and map the brain network. The connectivity patterns of the brain network were analyzed through community detection. Specifically, we proposed a community detection technique that is inspired by the sequential propagation of signals from the particle competition model and by the parallel propagation inspired by the Self-Organizing Maps (SOM). The model has two salient features: 1) It can detect unbalanced communities; 2) It is much more efficient than the original particle competition model due to the introduction of parallel propagation. Our results demonstrate a high detection precision of modules in networks, in addition it is useful to find unbalanced communities. It has also been shown to be an effective method for characterizing communities in brain networks.