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

Abstract

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.