Classification of Healthy People and Schizophrenics Using Time- Frequency Domain Features Extracted from Electroencephalogram Signals

Este estudo propõe um método automatizado para o diagnóstico de esquizofrenia utilizando sinais de eletroencefalograma, que alcançou 100% de precisão ao classificar pacientes e indivíduos saudáveis através da extração de características nos domínios temporal, frequencial e tempo-frequencial combinadas com diversos algoritmos de aprendizado de máquina.

O essencial

Imagine que o cérebro é como uma orquestra gigante. Quando tudo está saudável, os músicos (as células nervosas) tocam em harmonia, seguindo um ritmo claro e previsível. Mas, quando alguém tem esquizofrenia, é como se a partitura estivesse bagunçada: alguns instrumentos tocam muito alto, outros em silêncio, e o ritmo fica imprevisível.

O problema é que, hoje em dia, diagnosticar essa "desordem na orquestra" depende muito do que o médico ouve e vê durante uma conversa. É como tentar adivinhar a música apenas olhando para o maestro: é subjetivo, cansativo e às vezes o médico pode se enganar, confundindo com outras doenças.

Este artigo de pesquisa propõe uma solução brilhante: um "detetive digital" que ouve a música do cérebro diretamente.

Aqui está como eles fizeram isso, explicado de forma simples:

1. O Grampo de Ouvido (EEG)

Os pesquisadores usaram um aparelho chamado Eletroencefalograma (EEG). Pense nele como um microfone super sensível colocado na cabeça da pessoa. Ele grava as ondas elétricas do cérebro (a "música") enquanto a pessoa descansa com os olhos fechados. É barato, rápido e não dói nada.

2. Limpando a Áudio (Pré-processamento)

A gravação original tem muito "chiado" (ruído de movimento, piscar de olhos, batimentos cardíacos). Antes de analisar, eles usaram filtros digitais para limpar esse ruído, deixando apenas a música pura do cérebro.

3. Analisando a Música em Três Dimensões (Extração de Características)

Aqui está a parte genial. Eles não olharam para a música de apenas um jeito. Eles a analisaram de três perspectivas diferentes, como se tivessem três tipos de críticos musicais:

• Domínio do Tempo (O Ritmo): Olharam para a velocidade e a complexidade das ondas. É como medir se a música é rápida, lenta, ou se tem muitos "solos" estranhos.
• Domínio da Frequência (As Notas): Separaram a música em "faixas" (como graves, médios e agudos). Eles verificaram se os "graves" (ondas lentas) estavam muito altos e os "agudos" (ondas rápidas) muito baixos, o que é comum na esquizofrenia.
• Domínio Tempo-Frequência (A Partitura Completa): Usaram uma ferramenta matemática chamada "Wavelet" (uma espécie de lupa mágica) para ver como a música muda ao longo do tempo. É como analisar não só as notas, mas como a intensidade delas varia segundo a segundo.

4. Escolhendo os Melhores Instrumentos (Seleção de Recursos)

Eles coletaram 18 tipos diferentes de dados (como "quantas vezes a onda cruza a linha zero", "quanta energia tem em cada faixa", "quão imprevisível é a música").
Mas ter muitos dados é como ter uma orquestra com 1000 instrumentos: confuso!
Então, eles usaram um algoritmo inteligente (um "maestro digital") para escolher apenas os 10 melhores instrumentos que realmente faziam diferença. Esses 10 dados foram os que melhor conseguiam distinguir a "música saudável" da "música da esquizofrenia".

5. O Veredito (Classificação)

Com esses 10 dados em mãos, eles treinaram vários "juízes" (algoritmos de Inteligência Artificial), como:

• KNN: Um juiz que compara com casos anteriores.
• SVM: Um juiz que desenha uma linha perfeita para separar os dois grupos.
• Naive Bayes: Um juiz que calcula probabilidades.

O Resultado Final: A Mágica Aconteceu!

O resultado foi impressionante. Três desses "juízes" (especificamente o SVM Linear, o SVM Não-Linear e a Árvore de Decisão) conseguiram acertar 100% das vezes em testar quem era saudável e quem tinha esquizofrenia.

Por que isso é importante?

Imagine que você tem um auxiliar de diagnóstico. O psiquiatra continua sendo o especialista humano, mas agora ele tem uma ferramenta que olha para o cérebro e diz: "Olhe, a música do cérebro deste paciente tem 100% de chance de ser esquizofrenia, baseada nesses padrões matemáticos".

Isso torna o diagnóstico:

• Mais rápido: Não depende apenas de longas entrevistas.
• Mais preciso: Reduz o erro humano e a confusão com outras doenças.
• Mais barato: Usa equipamentos acessíveis (EEG) em vez de exames caros como ressonância magnética.

Em resumo: Os pesquisadores criaram um sistema que "ouve" a música do cérebro, limpa o ruído, escolhe as notas mais importantes e usa inteligência artificial para dizer com certeza absoluta se a orquestra está saudável ou não. É um passo gigante para ajudar milhões de pessoas a receberem o tratamento certo, mais cedo.

Resumo técnico

1. Problema e Motivação

A esquizofrenia (SZ) é um transtorno mental crônico e complexo, caracterizado por déficits neurobiológicos e sintomas heterogêneos (como alucinações, delírios e comportamento desorganizado). O diagnóstico atual depende inteiramente de avaliações clínicas e entrevistas psiquiátricas, um processo que é:

• Subjetivo e propenso a erros humanos.
• Custoso e demorado.
• Frequentemente sujeito a diagnósticos errôneos com outros transtornos (ex.: transtorno bipolar ou depressão maior).
• Ineficiente para triagem em larga escala, especialmente em países de baixa e média renda.

Há uma necessidade urgente de sistemas automatizados, precisos e de baixo custo que utilizem dados objetivos, como sinais de Eletroencefalograma (EEG), para auxiliar os psiquiatras no diagnóstico precoce e preciso.

2. Metodologia

O estudo propõe um esquema de diagnóstico automatizado baseado em aprendizado de máquina, seguindo as seguintes etapas:

A. Dataset e Pré-processamento

• Dados: Sinais de EEG registrados no Centro Clínico de Neurociência Atieh, contendo 14 indivíduos saudáveis e 14 pacientes com esquizofrenia (idade média de ~25-28 anos).
• Aquisição: 19 eletrodos (sistema 10-20), frequência de amostragem de 500 Hz, em estado de repouso com olhos fechados (5 minutos de dados utilizados).
• Pré-processamento:
  • Filtro Band-pass FIR (0,5–45 Hz) para remover interferência de linha de energia e ruídos de alta frequência.
  • Análise de Componentes Independentes (ICA) para remover artefatos não cerebrais (movimento ocular, batimentos cardíacos).

B. Extração de Características (Features)

Foram extraídas 18 modelos de características de três domínios distintos:

1. Domínio do Tempo:
   • Taxa de Cruzamento por Zero (ZCR).
   • Mobilidade e Complexidade de Hjorth.
   • Dimensão Fractal de Higuchi.
   • Complexidade de Lempel-Ziv (LZC).
2. Domínio da Frequência:
   • Potência média nas bandas Delta, Theta, Alpha, Beta e Gamma.
   • Razão de potência Delta/Alpha.
   • Entropia Espectral.
3. Domínio Tempo-Frequência:
   • Utilização da Transformada Wavelet Discreta (DWT) com a wavelet mãe Daubechies ordem 6.
   • Extração de Kurtose, Exponente de Hurst, Entropia de Shannon, Entropia de Energia Logarítmica, Entropia de Rényi e Entropia de Tsallis.

C. Seleção de Características

Para reduzir a dimensionalidade e evitar overfitting (dado o pequeno tamanho da amostra), foi utilizada uma abordagem híbrida:

1. Informação Mútua Escalar: Remoção inicial de características irrelevantes.
2. Seleção Sequencial de Recursos para Frente (SFFS): Seleção da combinação ótima de características baseada na máxima acurácia para cada classificador. Foram selecionados os 10 melhores recursos para cada modelo.

D. Classificação

Foram testados sete algoritmos de aprendizado de máquina supervisionado:

• K-Nearest Neighbors (KNN) e KNN Ponderado (WKNN).
• Máquinas de Vetor de Suporte (SVM) Linear e Não Linear (com kernel RBF).
• Árvore de Decisão (Decision Tree).
• Análise Discriminante Linear (LDA).
• Naive Bayes (NB).

E. Validação

Devido ao pequeno conjunto de dados (N=28), foram utilizadas duas técnicas robustas de validação cruzada:

• Validação Cruzada 10-fold.
• Leave-One-Out (LOO): Onde 27 amostras treinam e 1 testa, repetido 28 vezes.

3. Resultados Principais

Os resultados demonstraram que a integração de múltiplos domínios e a seleção rigorosa de características melhoraram significativamente o desempenho:

• Desempenho por Domínio: O domínio de frequência isolado obteve os melhores resultados iniciais para alguns classificadores (ex: LDA com 100% de acurácia), enquanto o domínio tempo-frequência também mostrou alta eficácia.
• Seleção de Recursos: As características mais comuns e eficazes selecionadas para todos os classificadores incluíram:
  • Complexidade de Lempel-Ziv (Tempo).
  • Entropia Espectral (Frequência).
  • Entropia de Energia Logarítmica (Tempo-Frequência).
• Acurácia Final (Após Seleção de Recursos):
  • Com a Validação Cruzada 10-fold, os classificadores SVM Linear, SVM Não Linear e Árvore de Decisão alcançaram 100% de acurácia.
  • Com a Validação Leave-One-Out, os mesmos três classificadores (SVM Linear, SVM Não Linear, Árvore de Decisão) também atingiram 100% de acurácia, com especificidade e sensibilidade de 100%.
  • O classificador Naive Bayes também performou excepcionalmente bem (95-100% dependendo da validação), enquanto o KNN padrão teve desempenho inferior.

4. Contribuições Chave

1. Abordagem Multidomínio: Diferente de estudos anteriores que focavam em apenas um domínio (tempo ou frequência), este trabalho integra características de tempo, frequência e tempo-frequência, capturando uma visão mais completa da dinâmica cerebral.
2. Estratégia Híbrida de Seleção: A combinação de Informação Mútua com SFFS permitiu identificar um subconjunto pequeno (10 características) altamente discriminativo, otimizando o modelo para conjuntos de dados pequenos.
3. Alta Precisão com Pequena Amostra: O sucesso em atingir 100% de acurácia em um conjunto de dados limitado (28 sujeitos) demonstra a robustez do método proposto para aplicações clínicas onde grandes bancos de dados podem não estar disponíveis inicialmente.
4. Identificação de Biomarcadores: O estudo destaca métricas específicas (como a razão Delta/Alpha e complexidades não lineares) como potenciais biomarcadores para a esquizofrenia.

5. Significado e Conclusão

O estudo conclui que a análise de sinais de EEG utilizando características de domínio tempo-frequência combinadas com técnicas avançadas de seleção de recursos e aprendizado de máquina pode fornecer uma ferramenta de diagnóstico altamente precisa e automatizada para a esquizofrenia.

• Impacto Clínico: O sistema proposto pode servir como um complemento objetivo às avaliações psiquiátricas tradicionais, reduzindo o tempo de diagnóstico, os custos e a taxa de erro, além de auxiliar na diferenciação entre esquizofrenia e outros transtornos psiquiátricos.
• Futuro: Os autores sugerem aplicar este método para classificar sintomas positivos vs. negativos da esquizofrenia, diferenciar subtipos da doença e validar o modelo em populações de adolescentes, caso novos dados se tornem disponíveis.

Em resumo, a pesquisa valida a viabilidade de um sistema de suporte à decisão clínica baseado em EEG para a esquizofrenia, alcançando desempenho perfeito em testes controlados através de uma engenharia de características rigorosa.