Banca de QUALIFICAÇÃO: JÉSSICA FRANZON CRUZ DO ESPÍRITO SANTO

Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE : JÉSSICA FRANZON CRUZ DO ESPÍRITO SANTO
Data: 25/08/2026
HORA: 09:00
LOCAL: https://conferenciaweb.rnp.br/sala/aline-14
TÍTULO:

Auxílio ao diagnóstico do Transtorno do Espectro Autista usando EEG e Análise de Vetores Independentes.

PÁGINAS: 62
RESUMO:

O Transtorno do Espectro Autista (TEA) é uma condição do neurodesenvolvimento caracterizada por ampla variabilidade clínica, cognitiva e comportamental,

o que dificulta a identificação de padrões comuns entre os indivíduos. Estudos

neurofisiológicos indicam que o transtorno pode estar associado a diferenças na atividade oscilatória, na organização funcional e na dinâmica cerebral. Nesse contexto,

o eletroencefalograma (EEG) constitui um exame complementar de investigação,

por meio do qual a atividade elétrica cerebral é registrada de forma não invasiva e

com elevada resolução temporal. Entretanto, os registros de EEG são suscetíveis a

interferências elétricas e artefatos fisiológicos, como piscadas, movimentos oculares

e atividade muscular, que podem comprometer a extração de informações relevantes. Para reduzir essas influências, foram avaliados métodos de Separação Cega de

Fontes (BSS), com ênfase no FastICA e no SOBI, sendo este último adotado no

pré-processamento das análises posteriores. Além da redução de artefatos, estudos

envolvendo múltiplos sujeitos requerem técnicas capazes de identificar padrões estatísticos comuns entre os diferentes registros. A Análise de Vetores Independentes

(IVA) estende a Análise de Componentes Independentes (ICA) ao processamento

simultâneo de múltiplos conjuntos de dados, buscando preservar a independência

entre componentes distintas de um mesmo conjunto e explorar dependências entre

componentes correspondentes de diferentes conjuntos. Diante disso, este trabalho

investigou o uso do IVA como etapa intermediária de representação na classificação

de indivíduos com TEA e controles neurotípicos, com base em sinais de EEG em

repouso. A partir das representações do IVA, foram extraídos atributos temporais,

espectrais e não lineares. Em seguida, esses atributos foram selecionados pelo método

de Mínima Redundância e Máxima Relevância (mRMR) e submetidos à classificação

por uma Máquina de Vetores de Suporte (SVM). A melhor configuração, obtida com

49 atributos, método de Newton, 300 iterações, passo igual a 1,0 e SVM com núcleo

RBF e C=10, alcançou acurácia de 75,4%, precisão de 76,9%, sensibilidade de 71,4%

para a classe TEA e F1-score de 74,1%. Na configuração sem IVA, a acurácia foi

de 67,8%, valor inferior aos 75,4% obtidos com o uso do método. Esses resultados

sugerem que, no contexto experimental analisado, a representação conjunta por IVA

pode ter acrescentado informações discriminativas ao sistema que colaboraram para

um melhor desempenho de classificação.

MEMBROS DA BANCA:
Presidente - Interno ao Programa - 1544392 - ALINE DE OLIVEIRA NEVES PANAZIO
Membro Titular - Examinador(a) Interno ao Programa - 1761107 - RICARDO SUYAMA
Membro Titular - Examinador(a) Externo à Instituição - MARCELO BEZERRA GRILO JUNIOR
Membro Suplente - Examinador(a) Interno ao Programa - 2356637 - KENJI NOSE FILHO