Publicação: Plataforma computacional para análise de sinais EEG baseada em python aplicada a indivíduos em coma e estimulação musical de indivíduos normais
Carregando...
Tipo do documento
Data
Direito de acesso
Coleções
Área do conhecimento
CNPQ::ENGENHARIAS::ENGENHARIA BIOMEDICA, CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
Título da Revista
ISSN da Revista
Título de Volume
Orientador
Coorientador
Carneiro, Murillo Guimarães
Resumo
O eletroencefalograma (EEG) permite o registro não invasivo da dinâmica elétrica cerebral a partir do escalpo, sendo crucial para investigar processos cerebrais. No entanto, a complexidade dos sinais e a necessidade de ampliar o acesso às análises motivaram a migração de um software de processamento originalmente desenvolvido em uma plataforma computacional para Python, uma linguagem openSource.
Durante a transcrição foram incorporadas melhorias funcionais, incluindo rotinas customizadas de pré-processamento, critérios para descarte de canais ruidosos, seleção de quantificadores e parâmetros ajustáveis, além do desenvolvimento de uma interface gráfica que facilitou a adoção e o treinamento de pesquisadores com diferentes níveis de experiência.
Embora a versão da plataforma computacional tenha apresentado desempenho superior na etapa de pré e processamento, chegando a ser cerca de 60 vezes mais rápida, e tenha gerado arquivos de dados processados cinco vezes menores, a versão em Python garantiu equivalência funcional nos quantificadores calculados, com erro relativo irrelevante (da ordem de 10^(-12)), exceto para o quantificador de coerência, que possui um algoritmo ligeiramente distinto. Foram desenvolvidas rotinas estatísticas para avaliar efeitos da estimulação musical, nas quais o quantificador porcentagem de contribuição de potência (PCP), especialmente nas bandas delta e alfa, revelou-se mais informativo que a frequência mediana (FM).
Ao aplicar técnicas de inteligência artificial para classificar sinais em tarefas clínicas e musicais. Na base de dados do prognóstico do coma, obteve-se F1 Score (macro) de 90%; para a classificação da etiologia do coma, 63% de acurácia, que aumentou para 70% ao remover exames da categoria “outros”; e na classificação de estímulos musicais, com 67% de precisão.
Este trabalho contribui para a disseminação de ferramentas abertas e reprodutíveis em análise de sinais neurofisiológicos e abre caminhos para futuras melhorias e pesquisas na área.
Abstract
The electroencephalogram (EEG) allows the non-invasive recording of brain electrical dynamics from the scalp, being crucial for investigating cerebral processes. However, the complexity of the signals and the need to broaden access to analyses motivated the migration of a processing software originally developed on a computational platform to Python, an openSource programming language.
During the transcription, functional improvements were incorporated, including customized preprocessing routines, criteria for discarding noisy channels, selection of quantifiers, adjustable parameters, and the development of a graphical interface that facilitated adoption and training for researchers with different levels of experience.
Although the computational platform version presented superior performance in the preprocessing and processing stages, being about 60 times faster, and generated processed data files five times smaller, the Python version guaranteed functional equivalence in the calculated quantifiers, with negligible relative error (on the order of 10^(-12)), except for the coherence quantifier, which has a slightly different algorithm. Statistical routines were developed to evaluate the effects of musical stimulation, in which the percentage of power contribution (PCP) quantifier, especially in the delta and alpha bands, proved to be more informative than the median frequency.
Artificial intelligence techniques were applied to classify signals in clinical and musical tasks. In the coma prognosis database, a macro F1 Score of 90% was obtained; for coma etiology classification, 63% accuracy was achieved, increasing to 70% after removing exams in the "others" category; and in musical stimulus classification, 67% accuracy was reached.
This work contributes to the dissemination of open and reproducible tools in neurophysiological signal analysis and paves the way for future improvements and research in the field.
Palavras-chave
EEG, Processamento, Processing, Estimulação Sonora, Sound Stimulation, Reconhecimento de Padrões, Pattern Recognition, Inteligência Artificial, Artificial Intelligence
Citação
BARBOSA, João Ludovico Maximiano. Plataforma computacional para análise de sinais EEG baseada em python aplicada a indivíduos em coma e estimulação musical de indivíduos normais. 2025. 248 f. Tese (Doutorado em Engenharia Biomédica) - Universidade Federal de Uberlândia, Uberlândia, 2025. DOI http://doi.org/10.14393/ufu.te.2025.724.