Aplicação de aprendizado de máquina em sinais de EEG para o diagnóstico do Transtorno do Espectro Autista

• Ano de defesa: 2024
• Autor(a) principal: SILVA, Adrielly Sayonara de Oliveira
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Pernambuco; UFPE; Brasil; Programa de Pos Graduacao em Engenharia Biomedica
• Palavras-chave em Português: Random Forest; Eletroencefalograma (EEG); Transtorno do Espectro Autista (TEA); Diagnóstico precoce; Aprendizado de máquina
• Link de acesso: https://repositorio.ufpe.br/handle/123456789/62786

O Transtorno do Espectro Autista (TEA) é uma condição complexa e heterogênea, com uma pre- valência estimada de aproximadamente 1 em cada 44 crianças. O diagnóstico precoce é essencial para otimizar a qualidade de vida dos indivíduos afetados, pois possibilita a implementação de intervenções terapêuticas eficazes durante os períodos críticos do desenvolvimento infantil. Este estudo visa realizar validações algorítmicas para o desenvolvimento da ferramenta para apoio ao diagnóstico precoce baseado em sinais de eletroencefalograma (EEG) e aprendizado de máquina, com o objetivo de identificar características associadas ao TEA. Para isso, foram utilizados sinais de EEG de 56 indivíduos extraídos da base de dados de Sheffield. Posteriormente, foi realizada uma seleção manual dos dados de EEG para adequação às análises. Diversos métodos de aprendizado de máquina foram empregados, resultando em um desempenho de classificação elevado para os dois conjuntos de dados analisados: um com 9 eletrodos e outro com 15 eletrodos. Os resultados preliminares indicam que a análise dos sinais de EEG com configurações de 9 e 15 eletrodos apresenta um potencial significativo para a identificação de padrões associados ao TEA. Em particular, o modelo Random Forest com 500 árvores se destacou em ambas as bases de dados, alcançando uma acurácia de 98,06% na base com a configuração de 9 eletrodos e 98,49% na base com 15 eletrodos. Esses achados sugerem que o modelo proposto pode servir como uma ferramenta promissora no suporte ao diagnóstico clínico do TEA, proporcionando uma análise mais rápida e precisa dos sinais cerebrais. A eficácia observadas nos modelos destacam a viabilidade do uso de EEG combinado com técnicas de aprendizado de máquina para aprimorar o diagnóstico precoce do TEA.