Banca de QUALIFICAÇÃO: KAUÊ DE OLIVEIRA FRASSÃO

Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
STUDENT : KAUÊ DE OLIVEIRA FRASSÃO
DATE: 07/06/2024
TIME: 09:00
LOCAL: https://conferenciaweb.rnp.br/webconf/francisco-156
TITLE:

Aplicação de Aprendizado de Máquina em Potencial Relacionado a Eventos e Perturbação Espectral Relacionada a Eventos para Classificação de Portadores da Apolipoproteína E alelo ϵ4 em Idosos Saudáveis e com Doença de Alzheimer

PAGES: 35
BIG AREA: Engenharias
AREA: Engenharia Biomédica
SUBÁREA: Bioengenharia
SPECIALTY: Processamento de Sinais Biológicos
SUMMARY:

A Doença de Alzheimer (DA) é predominantemente manifestada em idosos. Com o aumento da expectativa de vida, é esperado que a incidência da doença cresça com o tempo. Estudos demostram que a informação genética pode ser também um indicativo de tendência ao desenvolvimento da DA. Pessoas que são portadoras do alelo ε4 da Apolipoproteína E (APOE ε4) têm maior chance de desenvolverem DA. A Eletroencefalografia (EEG) é uma metodologia relativamente barata e não invasiva que pode ajudar no diagnóstico da doença. Análise de Potenciais Relacionados a Eventos (ERP) é uma ferramenta de EEG que estudos mostram auxiliar na identificação da DA e de portadores do alelo APOE ε4, para o último caso, tanto pessoas com DA como saudáveis. Neste estudo foi acrescentada a ferramenta de Perturbação Espectral Relacionada a Eventos (ERSP), inédita no que se refere a identificação de portadores do alelo APOE ε4. A extração das características de ERP e ERSP de um exame EEG pode ser analisada através de classificadores com técnicas de Aprendizado de Máquina (ML), visando a classificação automática. Esse trabalho busca, através de dados coletados em estudo prévio, classificar indivíduos em diferentes grupos levando em conta se o mesmo tem ou não DA e é ou não portador do alelo APOE ε4. Utilizou-se a ferramenta EEGLAB para o pipeline de preparação de dados e features. Também foi utilizado a linguagem de programação Python com auxílio da biblioteca scikit-learn, a fim de realizar rotinas de feature selection e classificação dos indivíduos, com base nas features extraídas. Buscamos diferenças nas performances de cada indivíduo no teste auditory oddball a que foram submetidos, e também nas features selecionadas dependendo da comparação entre grupos realizada. Dos classificadores que utilizamos, identificamos uma maior precisão e vantagem técnica na utilização de Support Vector Machine (SVM), onde esse classificador alcançou melhores resultados em 61% das classificações, se comparado aos outros dois algoritmos utilizados nesse trabalho. Também trazemos como resultado a maior eficácia na utilização do ERSP em relação ao ERP quando falamos de precisão de ML, porém é possível concluir que, ao levarmos em consideração as features apresentadas em ambas as análises (ERP e ERSP), tivemos uma melhora relativa no desempenho dos algoritmos de ML. Para ERSP tivemos uma variação de precisão utilizando SVM de 79% a 90% dentro das seis classificações realizadas. No ERP tivemos 56% a 80% de variação de precisão no mesmo cenário. Quanto a feature selection,podemos tirar conclusões sobre regiões cerebrais que mais aparentam diferenças nas classificações realizadas. Vemos que para ERP temos os eletrodos C3, FP2, FPZ e FZ, e no caso do ERSP, C3, FPZ e O2. Um resultado interessante que esse trabalho também observou é que diferentes leituras da faixa de frequência beta do EEG, podem indicar se um indivíduo é ou não portador do alelo APOE ε4 dentro do grupo DA. Já a diferença que aparece na faixa de frequência gama, pode indicar se o indivíduo é ou não portador de APOE ε4, sendo um idoso saudável.

COMMITTEE MEMBERS:
Presidente - Interno ao Programa - 1545987 - FRANCISCO JOSE FRAGA DA SILVA
Membro Titular - Examinador(a) Interno ao Programa - 1761107 - RICARDO SUYAMA
Membro Titular - Examinador(a) Interno ao Programa - 1544392 - ALINE DE OLIVEIRA NEVES PANAZIO
Membro Suplente - Examinador(a) Interno ao Programa - 2334927 - ANDRE KAZUO TAKAHATA