Um sistema inteligente baseado em eletroencefalografia para apoio ao diagnóstico do transtorno do espectro autista

Detalhes bibliográficos
Ano de defesa: 2025
Autor(a) principal: SILVA, Maria Euclécia Albuquerque da
Orientador(a): SANTOS, Wellington Pinheiro dos
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade Federal de Pernambuco
Programa de Pós-Graduação: Programa de Pos Graduacao em Engenharia Biomedica
Departamento: Não Informado pela instituição
País: Brasil
Palavras-chave em Português:
Transtorno do espectro autista
Aprendizado de máquina
Eletroencefalografia
Link de acesso: https://repositorio.ufpe.br/handle/123456789/63602
Resumo: O trabalho aborda o uso de um sistema inteligente baseado em eletroencefalografia (EEG) para apoiar o diagnóstico do Transtorno do Espectro Autista (TEA). O TEA apresenta desafios no diagnóstico devido à variabilidade de sintomas e à ausência de biomarcadores objetivos, sendo o EEG uma alternativa promissora por identificar padrões de atividade cerebral associados ao transtorno. A metodologia incluiu a análise de um conjunto de dados com 56 indivíduos (28 com TEA e 28 controles neurotípicos), utilizando técnicas de aprendizado de máquina, como Redes Bayesianas, Naive Bayes e SVMs. Os sinais de EEG foram pré-processados e 34 atributos foram extraídos para análise. Os dados foram obtidos de base pública vinculada à Universidade de Sheffield, descrita por Dickinson et al. (2022). A análise contou com validação cruzada e repetição de experimentos para garantir robustez estatística. Os melhores resultados foram alcançados com o modelo SVM com kernel RBF (gama = 0,5), atingindo 98,22% de acurácia com 9 eletrodos. O estudo destaca o potencial do uso combinado de EEG e aprendizado de máquina para melhorar a precisão e a rapidez do diagnóstico clínico do TEA. Como desdobramentos, a pesquisa sugere o desenvolvimento de modelos mais generalizáveis, a ampliação da base de dados e a aplicação de sistemas inteligentes na prática clínica com vistas a diagnósticos precoces e intervenções personalizadas.
id UFPE_a95f1c50fc8f7ca15244d6139ddf37a1
oai_identifier_str oai:repositorio.ufpe.br:123456789/63602
network_acronym_str UFPE
network_name_str Repositório Institucional da UFPE
repository_id_str
spelling SILVA, Maria Euclécia Albuquerque dahttp://lattes.cnpq.br/2340233679274031http://lattes.cnpq.br/6413917211782026SANTOS, Wellington Pinheiro dos2025-06-05T15:33:43Z2025-06-05T15:33:43Z2025-03-28SILVA, Maria Euclécia Albuquerque da. Um sistema inteligente baseado em eletroencefalografia para apoio ao diagnóstico do transtorno do espectro autista. 2025. Dissertação (Mestrado em Engenharia Biomédica) - Universidade Federal de Pernambuco, Recife, 2025.https://repositorio.ufpe.br/handle/123456789/63602O trabalho aborda o uso de um sistema inteligente baseado em eletroencefalografia (EEG) para apoiar o diagnóstico do Transtorno do Espectro Autista (TEA). O TEA apresenta desafios no diagnóstico devido à variabilidade de sintomas e à ausência de biomarcadores objetivos, sendo o EEG uma alternativa promissora por identificar padrões de atividade cerebral associados ao transtorno. A metodologia incluiu a análise de um conjunto de dados com 56 indivíduos (28 com TEA e 28 controles neurotípicos), utilizando técnicas de aprendizado de máquina, como Redes Bayesianas, Naive Bayes e SVMs. Os sinais de EEG foram pré-processados e 34 atributos foram extraídos para análise. Os dados foram obtidos de base pública vinculada à Universidade de Sheffield, descrita por Dickinson et al. (2022). A análise contou com validação cruzada e repetição de experimentos para garantir robustez estatística. Os melhores resultados foram alcançados com o modelo SVM com kernel RBF (gama = 0,5), atingindo 98,22% de acurácia com 9 eletrodos. O estudo destaca o potencial do uso combinado de EEG e aprendizado de máquina para melhorar a precisão e a rapidez do diagnóstico clínico do TEA. Como desdobramentos, a pesquisa sugere o desenvolvimento de modelos mais generalizáveis, a ampliação da base de dados e a aplicação de sistemas inteligentes na prática clínica com vistas a diagnósticos precoces e intervenções personalizadas.This study addresses the use of an intelligent system based on electroencephalography (EEG) to support the diagnosis of Autism Spectrum Disorder (ASD). ASD presents diagnostic challenges due to symptom variability and the lack of objective biomarkers, with EEG emerging as a promising alternative by identifying brain activity patterns associated with the disorder. The methodology involved analyzing a dataset with 56 individuals (28 with ASD and 28 neurotypical controls), using machine learning techniques such as Bayesian Networks, Naive Bayes, and SVMs. EEG signals were preprocessed, and 34 features were extracted for analysis. The data was obtained from a public dataset linked to the University of Sheffield, as described by Dickinson et al. (2022). The analysis included cross-validation and multiple experiment repetitions to ensure statistical robustness. The best results were achieved with the SVM model using RBF kernel (gamma = 0.5), reaching 98.22% accuracy with 9 electrodes. The study highlights the potential of combining EEG and machine learning to improve the accuracy and speed of ASD clinical diagnosis. As further developments, the research suggests the construction of more generalizable models, expanding the dataset, and applying intelligent systems in clinical practice to enable early diagnoses and personalized interventions.porUniversidade Federal de PernambucoPrograma de Pos Graduacao em Engenharia BiomedicaUFPEBrasil-1https://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccessTranstorno do espectro autistaAprendizado de máquinaEletroencefalografiaUm sistema inteligente baseado em eletroencefalografia para apoio ao diagnóstico do transtorno do espectro autistainfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesismestradoreponame:Repositório Institucional da UFPEinstname:Universidade Federal de Pernambuco (UFPE)instacron:UFPEORIGINALDISSERTAÇÃO Maria Euclécia Albuquerque da Silva.pdfDISSERTAÇÃO Maria Euclécia Albuquerque da Silva.pdfapplication/pdf2347915https://repositorio.ufpe.br/bitstream/123456789/63602/1/DISSERTA%c3%87%c3%83O%20Maria%20Eucl%c3%a9cia%20Albuquerque%20da%20Silva.pdffc842187d5de346146a7a8608c06f833MD51LICENSElicense.txtlicense.txttext/plain; charset=utf-82362https://repositorio.ufpe.br/bitstream/123456789/63602/2/license.txt5e89a1613ddc8510c6576f4b23a78973MD52TEXTDISSERTAÇÃO Maria Euclécia Albuquerque da Silva.pdf.txtDISSERTAÇÃO Maria Euclécia Albuquerque da Silva.pdf.txtExtracted texttext/plain78236https://repositorio.ufpe.br/bitstream/123456789/63602/3/DISSERTA%c3%87%c3%83O%20Maria%20Eucl%c3%a9cia%20Albuquerque%20da%20Silva.pdf.txt8de4862a0b01e00166bbff3d36388ccaMD53THUMBNAILDISSERTAÇÃO Maria Euclécia Albuquerque da Silva.pdf.jpgDISSERTAÇÃO Maria Euclécia Albuquerque da Silva.pdf.jpgGenerated Thumbnailimage/jpeg1236https://repositorio.ufpe.br/bitstream/123456789/63602/4/DISSERTA%c3%87%c3%83O%20Maria%20Eucl%c3%a9cia%20Albuquerque%20da%20Silva.pdf.jpg73273135dc07918c4385bf5997d7c1b8MD54123456789/636022025-06-15 14:36:35.24oai:repositorio.ufpe.br:123456789/63602VGVybW8gZGUgRGVww7NzaXRvIExlZ2FsIGUgQXV0b3JpemHDp8OjbyBwYXJhIFB1YmxpY2l6YcOnw6NvIGRlIERvY3VtZW50b3Mgbm8gUmVwb3NpdMOzcmlvIERpZ2l0YWwgZGEgVUZQRQoKCkRlY2xhcm8gZXN0YXIgY2llbnRlIGRlIHF1ZSBlc3RlIFRlcm1vIGRlIERlcMOzc2l0byBMZWdhbCBlIEF1dG9yaXphw6fDo28gdGVtIG8gb2JqZXRpdm8gZGUgZGl2dWxnYcOnw6NvIGRvcyBkb2N1bWVudG9zIGRlcG9zaXRhZG9zIG5vIFJlcG9zaXTDs3JpbyBEaWdpdGFsIGRhIFVGUEUgZSBkZWNsYXJvIHF1ZToKCkkgLSBvcyBkYWRvcyBwcmVlbmNoaWRvcyBubyBmb3JtdWzDoXJpbyBkZSBkZXDDs3NpdG8gc8OjbyB2ZXJkYWRlaXJvcyBlIGF1dMOqbnRpY29zOwoKSUkgLSAgbyBjb250ZcO6ZG8gZGlzcG9uaWJpbGl6YWRvIMOpIGRlIHJlc3BvbnNhYmlsaWRhZGUgZGUgc3VhIGF1dG9yaWE7CgpJSUkgLSBvIGNvbnRlw7pkbyDDqSBvcmlnaW5hbCwgZSBzZSBvIHRyYWJhbGhvIGUvb3UgcGFsYXZyYXMgZGUgb3V0cmFzIHBlc3NvYXMgZm9yYW0gdXRpbGl6YWRvcywgZXN0YXMgZm9yYW0gZGV2aWRhbWVudGUgcmVjb25oZWNpZGFzOwoKSVYgLSBxdWFuZG8gdHJhdGFyLXNlIGRlIG9icmEgY29sZXRpdmEgKG1haXMgZGUgdW0gYXV0b3IpOiB0b2RvcyBvcyBhdXRvcmVzIGVzdMOjbyBjaWVudGVzIGRvIGRlcMOzc2l0byBlIGRlIGFjb3JkbyBjb20gZXN0ZSB0ZXJtbzsKClYgLSBxdWFuZG8gdHJhdGFyLXNlIGRlIFRyYWJhbGhvIGRlIENvbmNsdXPDo28gZGUgQ3Vyc28sIERpc3NlcnRhw6fDo28gb3UgVGVzZTogbyBhcnF1aXZvIGRlcG9zaXRhZG8gY29ycmVzcG9uZGUgw6AgdmVyc8OjbyBmaW5hbCBkbyB0cmFiYWxobzsKClZJIC0gcXVhbmRvIHRyYXRhci1zZSBkZSBUcmFiYWxobyBkZSBDb25jbHVzw6NvIGRlIEN1cnNvLCBEaXNzZXJ0YcOnw6NvIG91IFRlc2U6IGVzdG91IGNpZW50ZSBkZSBxdWUgYSBhbHRlcmHDp8OjbyBkYSBtb2RhbGlkYWRlIGRlIGFjZXNzbyBhbyBkb2N1bWVudG8gYXDDs3MgbyBkZXDDs3NpdG8gZSBhbnRlcyBkZSBmaW5kYXIgbyBwZXLDrW9kbyBkZSBlbWJhcmdvLCBxdWFuZG8gZm9yIGVzY29saGlkbyBhY2Vzc28gcmVzdHJpdG8sIHNlcsOhIHBlcm1pdGlkYSBtZWRpYW50ZSBzb2xpY2l0YcOnw6NvIGRvIChhKSBhdXRvciAoYSkgYW8gU2lzdGVtYSBJbnRlZ3JhZG8gZGUgQmlibGlvdGVjYXMgZGEgVUZQRSAoU0lCL1VGUEUpLgoKIApQYXJhIHRyYWJhbGhvcyBlbSBBY2Vzc28gQWJlcnRvOgoKTmEgcXVhbGlkYWRlIGRlIHRpdHVsYXIgZG9zIGRpcmVpdG9zIGF1dG9yYWlzIGRlIGF1dG9yIHF1ZSByZWNhZW0gc29icmUgZXN0ZSBkb2N1bWVudG8sIGZ1bmRhbWVudGFkbyBuYSBMZWkgZGUgRGlyZWl0byBBdXRvcmFsIG5vIDkuNjEwLCBkZSAxOSBkZSBmZXZlcmVpcm8gZGUgMTk5OCwgYXJ0LiAyOSwgaW5jaXNvIElJSSwgYXV0b3Jpem8gYSBVbml2ZXJzaWRhZGUgRmVkZXJhbCBkZSBQZXJuYW1idWNvIGEgZGlzcG9uaWJpbGl6YXIgZ3JhdHVpdGFtZW50ZSwgc2VtIHJlc3NhcmNpbWVudG8gZG9zIGRpcmVpdG9zIGF1dG9yYWlzLCBwYXJhIGZpbnMgZGUgbGVpdHVyYSwgaW1wcmVzc8OjbyBlL291IGRvd25sb2FkIChhcXVpc2nDp8OjbykgYXRyYXbDqXMgZG8gc2l0ZSBkbyBSZXBvc2l0w7NyaW8gRGlnaXRhbCBkYSBVRlBFIG5vIGVuZGVyZcOnbyBodHRwOi8vd3d3LnJlcG9zaXRvcmlvLnVmcGUuYnIsIGEgcGFydGlyIGRhIGRhdGEgZGUgZGVww7NzaXRvLgoKIApQYXJhIHRyYWJhbGhvcyBlbSBBY2Vzc28gUmVzdHJpdG86CgpOYSBxdWFsaWRhZGUgZGUgdGl0dWxhciBkb3MgZGlyZWl0b3MgYXV0b3JhaXMgZGUgYXV0b3IgcXVlIHJlY2FlbSBzb2JyZSBlc3RlIGRvY3VtZW50bywgZnVuZGFtZW50YWRvIG5hIExlaSBkZSBEaXJlaXRvIEF1dG9yYWwgbm8gOS42MTAgZGUgMTkgZGUgZmV2ZXJlaXJvIGRlIDE5OTgsIGFydC4gMjksIGluY2lzbyBJSUksIGF1dG9yaXpvIGEgVW5pdmVyc2lkYWRlIEZlZGVyYWwgZGUgUGVybmFtYnVjbyBhIGRpc3BvbmliaWxpemFyIGdyYXR1aXRhbWVudGUsIHNlbSByZXNzYXJjaW1lbnRvIGRvcyBkaXJlaXRvcyBhdXRvcmFpcywgcGFyYSBmaW5zIGRlIGxlaXR1cmEsIGltcHJlc3PDo28gZS9vdSBkb3dubG9hZCAoYXF1aXNpw6fDo28pIGF0cmF2w6lzIGRvIHNpdGUgZG8gUmVwb3NpdMOzcmlvIERpZ2l0YWwgZGEgVUZQRSBubyBlbmRlcmXDp28gaHR0cDovL3d3dy5yZXBvc2l0b3Jpby51ZnBlLmJyLCBxdWFuZG8gZmluZGFyIG8gcGVyw61vZG8gZGUgZW1iYXJnbyBjb25kaXplbnRlIGFvIHRpcG8gZGUgZG9jdW1lbnRvLCBjb25mb3JtZSBpbmRpY2FkbyBubyBjYW1wbyBEYXRhIGRlIEVtYmFyZ28uCg==Repositório InstitucionalPUBhttps://repositorio.ufpe.br/oai/requestattena@ufpe.bropendoar:22212025-06-15T17:36:35Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE)false
dc.title.pt_BR.fl_str_mv Um sistema inteligente baseado em eletroencefalografia para apoio ao diagnóstico do transtorno do espectro autista
title Um sistema inteligente baseado em eletroencefalografia para apoio ao diagnóstico do transtorno do espectro autista
spellingShingle Um sistema inteligente baseado em eletroencefalografia para apoio ao diagnóstico do transtorno do espectro autista
SILVA, Maria Euclécia Albuquerque da
Transtorno do espectro autista
Aprendizado de máquina
Eletroencefalografia
title_short Um sistema inteligente baseado em eletroencefalografia para apoio ao diagnóstico do transtorno do espectro autista
title_full Um sistema inteligente baseado em eletroencefalografia para apoio ao diagnóstico do transtorno do espectro autista
title_fullStr Um sistema inteligente baseado em eletroencefalografia para apoio ao diagnóstico do transtorno do espectro autista
title_full_unstemmed Um sistema inteligente baseado em eletroencefalografia para apoio ao diagnóstico do transtorno do espectro autista
title_sort Um sistema inteligente baseado em eletroencefalografia para apoio ao diagnóstico do transtorno do espectro autista
author SILVA, Maria Euclécia Albuquerque da
author_facet SILVA, Maria Euclécia Albuquerque da
author_role author
dc.contributor.authorLattes.pt_BR.fl_str_mv http://lattes.cnpq.br/2340233679274031
dc.contributor.advisorLattes.pt_BR.fl_str_mv http://lattes.cnpq.br/6413917211782026
dc.contributor.author.fl_str_mv SILVA, Maria Euclécia Albuquerque da
dc.contributor.advisor1.fl_str_mv SANTOS, Wellington Pinheiro dos
contributor_str_mv SANTOS, Wellington Pinheiro dos
dc.subject.por.fl_str_mv Transtorno do espectro autista
Aprendizado de máquina
Eletroencefalografia
topic Transtorno do espectro autista
Aprendizado de máquina
Eletroencefalografia
description O trabalho aborda o uso de um sistema inteligente baseado em eletroencefalografia (EEG) para apoiar o diagnóstico do Transtorno do Espectro Autista (TEA). O TEA apresenta desafios no diagnóstico devido à variabilidade de sintomas e à ausência de biomarcadores objetivos, sendo o EEG uma alternativa promissora por identificar padrões de atividade cerebral associados ao transtorno. A metodologia incluiu a análise de um conjunto de dados com 56 indivíduos (28 com TEA e 28 controles neurotípicos), utilizando técnicas de aprendizado de máquina, como Redes Bayesianas, Naive Bayes e SVMs. Os sinais de EEG foram pré-processados e 34 atributos foram extraídos para análise. Os dados foram obtidos de base pública vinculada à Universidade de Sheffield, descrita por Dickinson et al. (2022). A análise contou com validação cruzada e repetição de experimentos para garantir robustez estatística. Os melhores resultados foram alcançados com o modelo SVM com kernel RBF (gama = 0,5), atingindo 98,22% de acurácia com 9 eletrodos. O estudo destaca o potencial do uso combinado de EEG e aprendizado de máquina para melhorar a precisão e a rapidez do diagnóstico clínico do TEA. Como desdobramentos, a pesquisa sugere o desenvolvimento de modelos mais generalizáveis, a ampliação da base de dados e a aplicação de sistemas inteligentes na prática clínica com vistas a diagnósticos precoces e intervenções personalizadas.
publishDate 2025
dc.date.accessioned.fl_str_mv 2025-06-05T15:33:43Z
dc.date.available.fl_str_mv 2025-06-05T15:33:43Z
dc.date.issued.fl_str_mv 2025-03-28
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.citation.fl_str_mv SILVA, Maria Euclécia Albuquerque da. Um sistema inteligente baseado em eletroencefalografia para apoio ao diagnóstico do transtorno do espectro autista. 2025. Dissertação (Mestrado em Engenharia Biomédica) - Universidade Federal de Pernambuco, Recife, 2025.
dc.identifier.uri.fl_str_mv https://repositorio.ufpe.br/handle/123456789/63602
identifier_str_mv SILVA, Maria Euclécia Albuquerque da. Um sistema inteligente baseado em eletroencefalografia para apoio ao diagnóstico do transtorno do espectro autista. 2025. Dissertação (Mestrado em Engenharia Biomédica) - Universidade Federal de Pernambuco, Recife, 2025.
url https://repositorio.ufpe.br/handle/123456789/63602
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv https://creativecommons.org/licenses/by-nc-nd/4.0/
info:eu-repo/semantics/openAccess
rights_invalid_str_mv https://creativecommons.org/licenses/by-nc-nd/4.0/
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv Universidade Federal de Pernambuco
dc.publisher.program.fl_str_mv Programa de Pos Graduacao em Engenharia Biomedica
dc.publisher.initials.fl_str_mv UFPE
dc.publisher.country.fl_str_mv Brasil
publisher.none.fl_str_mv Universidade Federal de Pernambuco
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFPE
instname:Universidade Federal de Pernambuco (UFPE)
instacron:UFPE
instname_str Universidade Federal de Pernambuco (UFPE)
instacron_str UFPE
institution UFPE
reponame_str Repositório Institucional da UFPE
collection Repositório Institucional da UFPE
bitstream.url.fl_str_mv https://repositorio.ufpe.br/bitstream/123456789/63602/1/DISSERTA%c3%87%c3%83O%20Maria%20Eucl%c3%a9cia%20Albuquerque%20da%20Silva.pdf
https://repositorio.ufpe.br/bitstream/123456789/63602/2/license.txt
https://repositorio.ufpe.br/bitstream/123456789/63602/3/DISSERTA%c3%87%c3%83O%20Maria%20Eucl%c3%a9cia%20Albuquerque%20da%20Silva.pdf.txt
https://repositorio.ufpe.br/bitstream/123456789/63602/4/DISSERTA%c3%87%c3%83O%20Maria%20Eucl%c3%a9cia%20Albuquerque%20da%20Silva.pdf.jpg
bitstream.checksum.fl_str_mv fc842187d5de346146a7a8608c06f833
5e89a1613ddc8510c6576f4b23a78973
8de4862a0b01e00166bbff3d36388cca
73273135dc07918c4385bf5997d7c1b8
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE)
repository.mail.fl_str_mv attena@ufpe.br
_version_ 1862741818231226368

Registros relacionados