Classificação de sinal EEG entre focal e não-focal por meio de aprendizado profundo

Resumo

A Epilepsia é uma condição neurológica caracterizada pela ocorrência repetida de convulsões, que pode afetar gravemente a qualidade de vida dos pacientes. Para tanto, a classificação precisa dos sinais de Eletroencefalografia (EEG), que é um exame não invasivo, é de grande interesse nas pesquisas de IA em saúde. Neste projeto, pretendemos avançar na classificação de sinais de EEG para análise de Epilepsia. Iremos pesquisar uma nova estrutura de classificação baseada em aprendizado profundo que roda em grafos: um modelo de representação de dados amplamente utilizado por sua capacidade de representar relações funcionais e topológicas em dados e que tem sido empregado no estudo de redes cerebrais. Este campo recém-surgido é denominado Graph Neural Networks e tem obtido resultados estado da arte em muitas tarefas de classificação devido à sua capacidade de representar sistemas complexos relacionais (tal como Redes Cerebral) nativamente para tarefas de aprendizagem profunda. Investigaremos o desenvolvimento de redes cerebrais representativas e as combinaremos com dados estruturados de EEG para classificar se um determinado sinal de EEG é focal ou não focal. Os sinais focais (FEEG) estão relacionados à zona de início e são adquiridos de regiões onde as primeiras alterações ictais de EEG são observadas. Os sinais não focais de EEG (NFEEG) são obtidos de regiões do cérebro que não contribuem para o início das crises. A combinação de dados relacionais (Brain Network) e dados estruturados (gravações de EEG) pode ter vantagens inerentes na classificação dos sinais e possivelmente na identificação de sua localização inicial (zona de início) para cirurgia. (AU)