Otimização de detectores de crises epilépticas através de técnicas de aprendizado de máquina

Resumo

Entre os vários nichos de pesquisa em epilepsia, cientistas e engenheiros de computação têm procurado contribuir junto a métodos de detecção e previsão de crises, assim como na localização de focos epilépticos. Um desafio comum revela-se no caráter de variabilidade da doença e da escassez de dados que contenham os instantes de crises, fazendo com que a maioria das soluções otimizadas encontradas para um determinado paciente tenham geralmente baixo desempenho quando aplicadas a outros pacientes, apontando para a necessidade de criar softwares com maior capacidade de generalização interindividual e que necessitem cada vez menos dados para se adaptar a novos portadores da doença. Com o objetivo de promover uma condição inicial de uso mais adaptada e de acelerar o progresso inicial de treinamento de detectores de crises epilépticas para novos pacientes, este projeto vai recorrer a duas estratégias de aprendizado de máquina: (1) aprendizado por transferência, que procura explorar aspectos do aprendizado realizado junto a pacientes-fonte na melhoria de desempenho de detecção de crises de um paciente-alvo; (2) seleção de características para extração automática de atributos com alto poder discriminatório de instantes com atividade normal e anormal, considerando também atributos de caráter topológico das conexões cerebrais, como grafos de sincronização. Não faz parte desta proposta, portanto, estratégias para previsão de crises. Inicialmente, serão consideradas as bases de dados abertas e disponíveis para uso científico da plataforma Physionet, mas não estão descartadas parcerias com outros grupos de pesquisa vinculados ao CEPID/Fapesp BRAINN, junto ao qual se insere esta proposta de pesquisa. (AU)