Modelos de Decodificação do EEG para Detecção de Correlatos Neurais de Transtornos Mentais
Nome: LORRAINE MARQUES ALVES
Tipo: Tese de doutorado
Data de publicação: 23/03/2023
Orientador:
Nome |
Papel |
|---|---|
| PATRICK MARQUES CIARELLI | Orientador |
Banca:
| Nome |
Papel |
|---|---|
| ELIAS SILVA DE OLIVEIRA | Examinador Externo |
| JUGURTA ROSA MONTALVÃO FILHO | Examinador Externo |
| KARIN SATIE KOMATI | Examinador Externo |
| PATRICK MARQUES CIARELLI | Orientador |
| RODRIGO VAREJÃO ANDREÃO | Examinador Externo |
Resumo: O eletroencefalograma (EEG) é uma importante fonte de sinais para auxílio no diagnóstico de transtornos mentais e, a cada dia, mais pesquisas buscam por maneiras de utilizar tais sinais para a melhoria da qualidade do diagnóstico médico. Doenças como Esquizofrenia, Epilepsia, Transtorno do Déficit de Atenção com Hiperatividade (TDAH), Depressão, Alcoolismo, dentre outras, são exemplos de que a aplicação de técnicas de leitura e decodificação do EEG é de grande valia no 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 duas novas metodologias para decodificação do sinal do EEG e sua aplicação em bases de dados públicas para a detecção da Esquizofrenia, da Depressão e do TDAH explorando abordagens aplicadas sobre os microestados do Eletroencefalograma (EEG). Uma das propostas é baseada na teoria de redes complexas e a outra 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 grafos 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 vs Saudável) e 98,61% (TDA vs TDAH-C vs Saudável). A aplicação de processamento de linguagem natural sobre sequências simbólicas de microestados revelou a importância da informação contextual do ponto de vista semântico 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% (TDA vs TDAH-C vs Saudável). Essas propostas contribuem para o auxílio no processo de diagnóstico de doenças mentais, sendo uma ferramenta promissora no desenvolvimento da psiquiatria baseada em inteligência artificial.
