Um método para conversão de sinais de EEG de sistemas de alta densidade de eletrodos em sinais de sistemas clínicos para apoio ao diagnóstico do TEA

Resumo

O Transtorno do Espectro Autista (TEA) é um distúrbio do sistema nervoso que afeta o cérebro e resulta em dificuldades na fala, na interação social, déficit de comunicação, comportamentos repetitivos e atrasos no desenvolvimento das habilidades motoras, como descrito por Frith e Happé (2005). O diagnóstico desse quadro é, portanto, de extrema importância, tanto para indivíduos jovens, quanto para adultos que passaram despercebidos. Sendo assim, este trabalho propõe uma abordagem de diagnóstico diferencial do autismo, baseado na análise de sinais de eletroencefalografia (EEG), como apoio aos diagnósticos clínicos, predominantes hoje em dia (Heinsfeld et al.,2017). A computação surge aqui como uma ferramenta promissora de suporte a identificação do TEA, principalmente com a utilização de redes profundas, tal qual mostrado por Khodatars et al. 2021 e Mellema et al., 2019. Nesta pesquisa, foi realizado o pré-processamento da base de dados pública de assinaturas eletrofisiológicas no TEA da Universidade de Sheffield (Dickinson, Jeste e Milne, 2022), que será utilizada como prova de conceito para validação desta abordagem. Essa base possui um total de 56 participantes, sendo 28 no espectro autista e 28 no grupo de controle, fora do espectro. É importante salientar que a base foi construída no padrão 10-10 de 64 eletrodos, seguindo duas nomenclaturas diferentes de posicionamento de canais. É um sistema que difere muito dos sistemas clínicos, de menor custo e com menos eletrodos, sendo assim, o primeiro passo foi relacionar cada eletrodo/canal desconhecido ao padrão de nomenclatura clínica, baseando-se no mapa da posição de cada canal. Na segunda etapa foi feito o tratamento de canais faltantes, tendo em vista que dos 56 arquivos, apenas dois possuíam sinais nos 64 eletrodos. Inicialmente, esse tratamento se deu por meio da interpolação de sinais dos quatro eletrodos vizinhos mais próximos ao respectivo eletrodo faltante. Como alguns desses vizinhos eram, em alguns casos, também faltantes, foram necessárias quatro interpolações seguidas para se completar todos os sinais em toda a base de dados. Em cada sinal da base agora completa, foi feito um janelamento de 2 segundos com sobreposição de 0,5 segundos e frequência de amostragem de 512 Hz. De cada janela, foram extraídos 34 atributos explícitos ao sinal, tais como valor médio, amplitude máxima, frequência média e desvio padrão. Para as primeiras classificações foram utilizadas um modelo Bayes Ingênuo, uma Arvore de Decisão Aleatória e uma Maquina de Vetor de Suporte (SVM). Todos os modelos foram treinados e testados 30 vezes com validação cruzada de 10 folds. O modelo Bayes Ingênuo atingiu uma acurácia de 61,63%, com sensibilidade de 29,52%, especificidade de 92,60%. Os modelos Árvore de Decisão Aleatória e SVM atingiram resultados muito próximos, com acurácia na casa dos 98,5%, sensibilidade, especificidade e área sob a curva ROC acima de 98% e índice Kappa próximos a 97%. As próximas etapas desse trabalho incluem a seleção de atributos mais significativos, ou seja, quais eletrodos seriam fundamentais para a clasificação do TEA, a fim de viabilizar a avaliação de uma solução clínica, e propor um método de conversão de um sistema de EEG de alta densidade de eletrodos (10-10) em um sistema clínico (10-20). Espera-se que essa metodologia, além de diminuir consideravelmente a complexidade computacional de espaço, ou seja, o uso intenso de memória típico desses classificadores, permita que arquiteturas possam ser rapidamente retreinadas, aumentando a acurácia, a sensibilidade e a especificidade do sistema de apoio ao diagnóstico. Por fim, do ponto de vista da aplicação, espera-se que essa abordagem seja útil tanto para a construção de uma tecnologia para o diagnóstico precoce do TEA, quanto para ferramentas de apoio que auxiliariam inclusive na democratização do diagnóstico e de intervenções terapêuticas.