Modelos de Decodificação do EEG para Detecção de Correlatos Neurais de Transtornos Mentais
Nome: LORRAINE MARQUES ALVES
Data de publicação: 23/03/2023
Resumo: O eletroencefalograma (EEG) é uma importante fonte de sinais para auxílio no diagnóstico
de transtornos mentais e, constantemente, novas pesquisas exploram maneiras de utilizar
esses sinais para aprimorar a qualidade do diagnóstico médico. Doenças como Esquizofrenia,
Epilepsia, Transtorno do Déficit de Atenção/Hiperatividade (TDAH), Depressão,
Demência, Alcoolismo, dentre outras, constituem exemplos de que a aplicação de técnicas
de leitura e decodificação do EEG é de grande valia para o apoio ao diagnóstico médico.
Estudos da dinâmica cerebral utilizando EEG revelaram que a atividade neural global
pode ser descrita por um número limitado de mapas topográficos de potencial elétrico do
escalpo, denominados microestados. Neste trabalho, são propostas novas metodologias para
decodificação do sinal do EEG e sua aplicação em bases de dados públicas para o diagnóstico
da Esquizofrenia, da Depressão e do TDAH, explorando a análise de microestados do
EEG, abordando o problema de classificação binária (transtorno versus controle saudável).
Além disso, uma terceira abordagem foi proposta para resolver um problema de classificação
multiclasse para detecção simultânea da Esquizofrenia, Depressão e Demência. As
metodologias propostas estão baseadas na Teoria de Redes Complexas e no processamento
de linguagem natural. Ambas as propostas permitem um entendimento de como os sinais
cerebrais de um indivíduo com um dos transtornos mentais mencionados se diferenciam
daqueles de uma pessoa saudável. A Teoria de Redes Complexas permitiu a determinação
de características importantes do ponto de vista topológico das redes de microestados
construídas, resultando em uma acurácia média de 100,0% para a Esquizofrenia e para a
Depressão; e, para o TDAH, as acurácias médias foram de 99,44% (TDAH versus Saudável)
e 98,61% (TDAH-D versus TDAH-C versus Saudável). A aplicação de processamento de
linguagem natural sobre sequências simbólicas de microestados revelou a importância da
informação contida em uma janela de vizinhanças da sequência simbólica dos microestados
na caracterização de pacientes com transtornos mentais, resultando em uma acurácia
média de 100,0% para a Esquizofrenia, 98,47% para a Depressão e, para o TDAH, as
acurácias médias foram de 99,38% (TDAH vs Saudável) e 98,19% (TDAH-D vs TDAH-C
vs Saudável). Uma terceira abordagem, derivada do processamento de linguagem natural,
permitiu a solução de um problema de classificação envolvendo múltiplos transtornos
resultando em uma acurácia média de 99,19% (Esquizofrenia versus Depressão versus
Demência versus Saudável). Essas propostas contribuem para o auxílio no processo de
diagnóstico de transtornos mentais, sendo uma ferramenta promissora no desenvolvimento
da psiquiatria baseada em inteligência artificial.
