Artificial intelligence system for the automatic detection of Alzheimer disease through electroencephalographic signals

Resumo

A Doença de Alzheimer (DA) destaca-se como uma das principais causas de demência. Esta doença neurodegenerativa é caracterizada pela deterioração das funções cognitivas humanas – a acumulação de substâncias tóxicas no cérebro causa a morte progressiva das células neuronais. A nível mundial, a DA representa cerca de 65% de todos os casos de demência, afetando principalmente as pessoas idosas. Esta doença é composta por quatro fases evolutivas e o período assintomático pode durar até 20 anos. No que diz respeito à comunidade de investigadores, este tópico continua a ser um enorme desafio, uma vez que é crucial criar uma ferramenta para auxiliar o diagnóstico nas fases iniciais, com o objetivo de travar a progressão da doença. Desta forma, o principal propósito desta dissertação é desenvolver um sistema que seja capaz de diferenciar cada fase da doença. Assim, foi realizada uma análise não linear multibanda dos Sinais Eletroencefalográficos (EEG), permitindo o estudo do seu comportamento e a extração de várias características de cada grupo de estudo. Após uma seleção de características por elétrodo, foi realizada, através de métodos de Machine Learning (ML) Clássico e Deep Learning (DL), a classificação dos dados através de um processo de validação cruzada de leave-one-out. As precisões máximas obtidas foram 78,9% (C vs MCI), 81,0% (C vs ADM), 84,2% (C vs ADA), 88,9% (MCI vs ADM), 93,8% (MCI vs ADA), 77,8% (ADM vs ADA) e 56,8% (All vs All). Atendendo aos mapas topográficos, pode concluir-se que as regiões do cérebro central e parietal são as que apresentam diferenças mais significativas quando se discriminam os grupos de estudo. Em conclusão, pode-se afirmar que as características de entropia são as mais relevantes e que DL não apresentou resultados superiores ao ML Clássico. Relativamente ao estado da arte com a mesma base de dados EEG, o método proposto supera em 2% na comparação binária MCI vs ADM. Esta melhoria reflete o desempenho desta poderosa ferramenta na detecção da AD.

Data do prémio	9 dez. 2021
Idioma original	English
Instituição de premiação	Universidade Católica Portuguesa
Supervisor	Pedro Miguel Rodrigues (Supervisor) & João Paulo Ramos Teixeira (Co-Orientador)