Авторы показали, что два свойства нейронных сигналов — временная автокорреляция (зависимость сигнала от его прошлых значений) и ограниченный объём выборки — могут формировать ложные признаки критичности. Для проверки была разработана модель мозговой активности без связей между областями. Даже в такой системе, где отсутствует механизм коллективной динамики, возникали масштабные закономерности, характерные для критического состояния.

Для устранения этих артефактов предложены три метода: рандомизация временных сдвигов, объединение данных от нескольких участников и сопоставление наблюдаемых показателей с предсказаниями модели. Это позволило отделить эффекты, связанные с истинной коллективной динамикой, от статистических искажений.

Метод был применён к данным функциональной магнитно-резонансной томографии (fMRI) из базы LEMON, включающей 136 участников. Анализ показал, что на уровне группы мозговая активность демонстрирует признаки критичности, однако система находится ниже критической точки. Такое состояние позволяет сохранять преимущества критичности без потери устойчивости, связанной с переходом в нестабильный режим.

Полученные результаты уточняют представления о динамике мозга и ограничениях методов анализа нейроданных. В дальнейшем планируется связать наблюдаемые эффекты с архитектурой мозга, а также изучить, как расстояние до критической точки меняется с возрастом, заболеваниями и когнитивными состояниями. Предложенные методы могут быть применены и к другим сложным системам, где изучаются признаки критической динамики.