Auxílio ao diagnóstico do Transtorno do Espectro Autista usando EEG e Análise de Vetores Independentes.
O Transtorno do Espectro Autista (TEA) é uma condição do neurodesenvolvimento caracterizada por ampla variabilidade clínica, o que motiva a investigação
de métodos quantitativos capazes de auxiliar seu diagnóstico. Nesse contexto, este
trabalho investigou o uso da Análise de Vetores Independentes (IVA) e de sua extensão discriminante, denominada DIVA, como etapas intermediárias para extração de
características visando a classificação de indivíduos com TEA e controles neurotípicos
a partir de sinais de eletroencefalograma (EEG) em repouso. A amostra foi composta
por 28 participantes, sendo 14 de cada grupo, representados por 15 canais comuns
de EEG. Os sinais foram pré-processados e a remoção de artefatos foi realizada por
meio do SOBI com auxílio do ICLabel. Na abordagem baseada em IVA, os dados de
treinamento foram organizados de acordo com os grupos diagnósticos, e cada participante foi projetado nos espaços latentes estimados para os grupos TEA e controle. Na
abordagem baseada em DIVA, as bandas delta, teta, alfa, beta e gama constituíram
os conjuntos de entrada, enquanto os rótulos dos participantes foram incorporados
à estimação das matrizes de separação por meio de um critério discriminante. A
partir das representações latentes, foram extraídos atributos temporais, espectrais
e não lineares, posteriormente selecionados pelo método de Mínima Redundância
e Máxima Relevância (mRMR) e classificados por uma Máquina de Vetores de
Suporte (SVM). A avaliação foi realizada por validação pareada em 14 partições,
reservando-se, em cada partição, um participante com TEA e um controle para teste.
A abordagem sem o IVA alcançou acurácia de 67,86%. A abordagem baseada em
IVA apresentou desempenho superior a essa configuração, alcançando acurácia de
75,4%. O melhor resultado entre as abordagens avaliadas foi obtido pelo DIVA, com
acurácia de 82,14%. Esses resultados indicam que a construção de representações
latentes pode contribuir para a discriminação entre os grupos e que a incorporação
das informações de classe mostrou-se promissora para aprimorar o desempenho
da classificação. Entretanto, devido ao tamanho reduzido da amostra e à seleção
das configurações experimentais utilizando a mesma base de dados empregada na
avaliação, os resultados devem ser interpretados como exploratórios e confirmados em
estudos futuros com amostras maiores e conjuntos de dados externos para validação.