Modelos de decodificação do EEG para detecção de correlatos neurais de transtornos mentais

Página do item simplificado
dc.contributor.advisor1Ciarelli, Patrick Marques
dc.contributor.advisor1IDhttps://orcid.org/0000000331774028
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/1267950518719423
dc.contributor.authorAlves, Lorraine Marques
dc.contributor.authorLatteshttp://lattes.cnpq.br/4871905118775803
dc.contributor.referee1Komati, Karin Satie
dc.contributor.referee2Oliveira, Elias Silva de
dc.contributor.referee2Latteshttp://lattes.cnpq.br/2210356035827181
dc.contributor.referee3Montalvão Filho, Jugurta Rosa
dc.date.accessioned2024-05-29T20:55:06Z
dc.date.available2024-05-29T20:55:06Z
dc.date.issued2023-03-23
dc.description.abstractThe electroencephalogram (EEG) is an important source of signals for assisting in the diagnosis of mental disorders, and new research is constantly exploring ways to use these signals to improve the quality of medical diagnosis. Diseases such as schizophrenia, epilepsy, attention-deficit/hyperactivity disorder (ADHD), depression, dementia, and alcoholism, among others, are examples of how the application of EEG reading and decoding techniques can be of great value in supporting medical diagnosis. Studies of brain dynamics using EEG have revealed that global neural activity can be described by a limited number of scalp topographic electric potential maps, called microstates. This work proposes new methodologies for decoding EEG signals and their application to public databases for the detection of schizophrenia, depression, and ADHD by exploring approaches applied to EEG microstates addressing the problem of binary classification (disorder vs. healthy control). In addition, a third approach was proposed to solve a multiclass classification problem for the simultaneous detection of schizophrenia, depression, and dementia. The proposed methodologies are based on complex network theory and natural language processing. Both proposals allow an understanding of how the brain signals of an individual with one of the mentioned mental disorders differ from those of a healthy person. The complex network theory allowed the determination of important topological characteristics of the constructed microstate networks, resulting in an average accuracy of 100.0% for schizophrenia and depression, and for ADHD, the average accuracies were 99.44% (ADHD vs. healthy) and 98.61% (ADHD-I vs. ADHD-C vs. healthy). The application of natural language processing on symbolic sequences of microstates revealed the importance of the information contained in a window of neighborhoods of the microstate symbolic sequence in characterizing patients with mental disorders, resulting in an average accuracy of 100.0% for schizophrenia, 98.47% for depression, and for ADHD, the average accuracies were 99.38% (ADHD vs. healthy) and 98.19% (ADHD-I vs. ADHD-C vs. healthy). A third approach derived from natural language processing allowed the solution of a classification problem involving multiple disorders, resulting in an average accuracy of 99.19% (schizophrenia vs. depression vs. dementia vs. healthy). These proposals contribute to the assistance in the process of diagnosing mental disorders, being a promising tool in the development of AI-based psychiatry.
dc.description.resumoO 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.
dc.formatText
dc.identifier.urihttp://repositorio.ufes.br/handle/10/12278
dc.languagepor
dc.publisherUniversidade Federal do Espírito Santo
dc.publisher.countryBR
dc.publisher.courseDoutorado em Engenharia Elétrica
dc.publisher.departmentCentro Tecnológico
dc.publisher.initialsUFES
dc.publisher.programPrograma de Pós-Graduação em Engenharia Elétrica
dc.rightsopen access
dc.subjectTranstornos mentais
dc.subjectEEG
dc.subjectMicroestados
dc.subjectTeoria de Redes Complexas
dc.subjectProcessamento de Linguagem Natural
dc.subject.cnpqEngenharia Elétrica
dc.titleModelos de decodificação do EEG para detecção de correlatos neurais de transtornos mentais
dc.typedoctoralThesis
Arquivos
Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
LorraineMarquesAlves-2023-trabalho.pdf
Tamanho:
6.63 MB
Formato:
Adobe Portable Document Format
Descrição:
Baixar
Coleções
Doutorado em Engenharia Elétrica