Análise de modulação de amplitude para diagnóstico semi-automático da Doença de Alzheimer baseado em EEG

• Processo: 12/14793-0
• Modalidade de apoio: Auxílio à Pesquisa - Publicações científicas - Artigo
• Vigência: 01 de agosto de 2012 - 28 de fevereiro de 2014
• Área do conhecimento: Engenharias - Engenharia Biomédica - Bioengenharia
• Pesquisador responsável: Francisco José Fraga da Silva
• Beneficiário: Francisco José Fraga da Silva
• Instituição Sede: Centro de Engenharia, Modelagem e Ciências Sociais Aplicadas (CECS). Universidade Federal do ABC (UFABC). Ministério da Educação (Brasil). Santo André , SP, Brasil
• Assunto(s): Eletroencefalografia Doença de Alzheimer Processamento de sinais Análise espectral Máquinas de vetores de suporte Publicações de divulgação científica Artigo científico
• Palavra(s)-Chave do Pesquisador: Alzheimer's Disease | electroencephalogram | modulation spectrum | spectral peak | support vector machine | Processamento de Biosinais

Resumo

Evidências experimentais recentes têm sugerido um déficit neuromodulatório na Doença de Alzheimer (DA). Neste artigo, apresentamos uma nova métrica com base no eletroencefalograma (EEG), para caracterizar quantitativamente a atividade neuromodulatória. Mais especificamente, a taxa de mudança na modulação de amplitude do EEG de tempo curto (isto é, a frequência modulante) é calculada para cinco sub-bandas de EEG. Para testar o desempenho da métrica proposta, foi realizada uma tarefa de classificação em um banco de dados de 32 participantes, dividido em três grupos de tamanho aproximadamente igual: idosos saudáveis (controle), pacientes diagnosticados com DA leve e outros idosos com os graus entre moderado e grave da doença. Para avaliar os benefícios do novo método, os resultados de desempenho foram comparados com os obtidos usando parâmetros espectrais (pico de espectro) do EEG, que recentemente têm se mostrado superiores a outros métodos convencionais de EEG quantitativo. Usando um algoritmo de seleção de atributos baseado na maximização da área sob a curva de distribuição dos dados e um classificador utilizando máquinas de vetores de suporte, os parâmetros propostos apresentaram ganhos de precisão, em relação aos parâmetros de pico espectral, de 21,3% para discriminar os três grupos e de 50% quando os dois grupos com DA (leve e moderada a severa) foram fundidos em um único grupo. Os resultados preliminares aqui relatados nos dão a promissora perspectiva de que ferramentas automatizadas podem ser desenvolvidas para ajudar os médicos no diagnóstico precoce da DA, bem como fornecer aos pesquisadores uma ferramenta para automaticamente caracterizar interações entre bandas de frequência do EEG e suas mudanças com a evolução da doença. (AU)