Apoio ao diagnóstico de demências em estágios iniciais a partir de eletroencefalografia (EEG) e técnicas de aprendizado de máquina

Abstract

A detecção precoce de demências em estágio inicial é um desafio clínico relevante, especialmente no diagnóstico do Transtorno Cognitivo Menor (TCM), condição que representa um estágio inicial de declínio cognitivo. Entre os métodos não invasivos disponíveis, o Eletroencefalograma (EEG) tem se destacado por capturar alterações neurofisiológicas sutis associadas ao processo de deterioração cognitiva. Este estudo investiga a aplicação de técnicas de Aprendizado de Máquina para prever se um indivíduo apresenta ou não TCM a partir de sinais de EEG registrados durante a execução de tarefas cognitivas. A base de dados utilizada é composta por 39 participantes, sendo 21 indivíduos saudáveis (grupo Controle – CTR) e 18 pacientes diagnosticados com TCM. Os sinais foram adquiridos com 21 eletrodos posicionados segundo o sistema internacional 10–20, com taxa de amostragem de 256 Hz, resultando em registros brutos de amplitude temporal para cada canal em arquivos individuais. O processamento incluiu extração de atributos tempo-espectrais, seleção de características (ANOVA, Lasso, RFECV e Informação Mútua) e avaliação de classificadores tradicionais, como SVM, KNN, Naive Bayes, Regressão Logística, Random Forest e MLP. A validação foi realizada utilizando o método Leave-One-Subject-Out (LOSO) e métricas como acurácia, sensibilidade e F1-score. Os resultados mostram que a seleção de atributos melhora o desempenho dos classificadores, destacando o SVM com kernel RBF como o melhor modelo, com acurácia de 0,9477 e métricas equilibradas. Embora alguns algoritmos se beneficiassem do uso de todas as características, a abordagem com seleção de atributos apresentou maior estabilidade e generalização. Além disso, a análise da distribuição dos atributos evidenciou maior relevância de canais frontais, temporais e occipitais, bem como de métricas baseadas em variação de amplitude. Esses achados reforçam o potencial do EEG aliado ao Aprendizado de Máquina como suporte ao diagnóstico precoce de demências.