Classificação de sinais de EEG para diagnóstico de epilepsia usando machine learning.

Abstract

A epilepsia é uma desordem neurológica crônica que impõe restrições à qualidade de vida dos pacientes, acarretando riscos físicos, como traumas decorrentes de quedas, e impactos psicossociais associados à imprevisibilidade das crises. O monitoramento contínuo apresenta-se como uma solução vital para a mitigação desses riscos, porém a análise manual prolongada de eletroencefalogramas (EEG) é inviável em larga escala. Este trabalho propõe e avalia comparativamente arquiteturas de Deep Learning (CNN 1D, CNN 2D com Transformada Wavelet Contínua e C-RNN com mecanismo de Atenção) frente a modelos de Machine Learning clássico (KNN e XGBoost). O objetivo central foi validar algoritmos capazes de operar com segurança clínica, priorizando a minimização da taxa de Falsos Negativos por Hora (FN/h). Utilizando o banco de dados CHB-MIT, em que os pacientes são majoritariamente pediátricos, os modelos foram submetidos a um protocolo de validação por janelas deslizantes em 10,6 horas de registros contínuos. Os resultados demonstraram a superioridade das abordagens baseadas em engenharia de características avançada: o modelo XGBoost, operando com limiar de decisão de 0,60 e alimentado por parâmetros de Hjorth e potência espectral, atingiu o melhor desempenho de segurança, registrando a menor taxa de omissões (3,12 FN/h) e a maior acurácia global (99,30%). Em comparação, arquiteturas profundas como a C-RNN com atenção, embora específicas, apresentaram taxas superiores (17,42 FN/h), comprometendo a detecção de eventos críticos. Conclui-se que o modelo XGBoost oferece o equilíbrio ideal entre segurança (alta sensibilidade) e usabilidade operacional, validando sua aplicação em dispositivos embarcados de alerta.