Uma abordagem de deep learning para detecção de comprometimento cognitivo leve a partir de sinais de eletroencefalograma

O comprometimento cognitivo leve (Mild Cognitive Impairment – MCI) é uma condição importante que pode evoluir para doença de Alzheimer (DA) ou outros tipos de demência. Se o MCI for detectado precocemente, intervenções oportunas poderão ser implementadas. Os métodos diagnósticos tradicionais baseiam-se em testes neuropsicológicos e estudos de imagem, mas apresentam limitações quanto à eficiência e à acessibilidade. Nesse contexto, abordagens de deep learning baseadas em eletroencefalograma (EEG) representam avanços promissores, capazes de oferecer novos modelos para o diagnóstico precoce do MCI.

Objetivo:  Este estudo teve como objetivo desenvolver uma arquitetura baseada em memória de longo e curto prazo (Long Short-Term Memory – LSTM) para a classificação de MCI utilizando sinais de EEG. Artefatos presentes nos dados de EEG podem revelar propriedades temporais que possibilitam aprimorar a classificação.

Métodos:  Foi utilizado um conjunto de dados público de EEG composto por 27 indivíduos (11 com MCI; 16 normais). Os sinais brutos de EEG foram pré-processados por meio de filtragem passa-faixa, Análise de Componentes Independentes (Independent Component Analysis – ICA) e segmentação. O modelo LSTM com 64 nós foi treinado utilizando segmentos processados de EEG para classificação binária. O desempenho do modelo foi avaliado por métricas padrão.

Resultados:  O modelo proposto baseado em LSTM alcançou acurácia de 98,14% para a classificação entre MCI e indivíduos normais, superando algoritmos convencionais, como K-Nearest Neighbors (KNN) e Support Vector Machine (SVM). O modelo também apresentou elevada precisão (99,21%), recall (98,69%) e escore F1 (98,95%). A matriz de confusão demonstrou 4.774 segmentos normais e 3.257 segmentos com MCI classificados corretamente, com número muito reduzido de classificações incorretas, evidenciando forte capacidade discriminativa.

Conclusão:  Este estudo destaca o potencial das redes LSTM para a detecção precoce de MCI. Os achados sugerem que a análise de EEG orientada por deep learning pode constituir uma ferramenta valiosa para avaliações da saúde cognitiva não invasivas e escaláveis.

Palavras-chave:
Disfunção Cognitiva; Aprendizado de Máquina; Eletroencefalografia