Rilevare anomalie in dati di serie temporali rappresenta una sfida cruciale in numerosi settori, tra cui la cybersicurezza, la sanità, la finanza e il monitoraggio industriale. Questa tesi indaga l’efficacia di algoritmi ispirati alla corteccia cerebrale—nello specifico la Hierarchical Temporal Memory (HTM) e lo Sparse LSTM AutoEncoder for Anomaly Detection in Time-Series (SLADiT)—per l’individuazione di anomalie in serie temporali univariate. I metodi statistici e di deep learning tradizionali incontrano spesso difficoltà in presenza di dati sparsi, comportamenti non stazionari e costi computazionali elevati, specialmente in scenari real-time. Per superare queste limitazioni, HTM sfrutta meccanismi di ispirazione biologica come le Sparse Distributed Representations (SDR), il pooling spaziale e la memoria temporale.