Comparação de técnicas computacionais de análise de EEG para a classificação de idosos em diferentes estágios da doença de Alzheimer

Abstract

A doença de Alzheimer (DA) pode ser entendida como uma demência degenerativa e progressiva do Sistema Nervoso Central, irreversível e de causa desconhecida. Tal patologia é caracterizada por sintomas neuropsiquiátricos, como: perda de memória, desorientação no tempo e no espaço e deterioração intelectual acelerada. Apesar de ser o tipo mais comum de doença neurodegenerativa, ainda não foi encontrada a cura para ela. Entretanto, há tratamentos que retardam a evolução da DA. Desse modo, seu diagnóstico precoce, ou seja, em seu estágio inicial (DA leve) ou ainda no estágio de transição entre o envelhecimento saudável e a DA, conhecido como Declínio Cognitivo Leve (DCL), são de extrema importância para que a vida cotidiana dos indivíduos atingidos por essas condições não seja significativamente alterada, proporcionando assim uma melhor qualidade de vida. Com isso em vista, a diferenciação entre o DCL e a DA desempenha um papel importante na detecção precoce da doença. Pesquisas recentes mostram que o eletroencefalograma (EEG) pode refletir mudanças funcionais sutis no córtex, consequentemente, a identificação do DCL e da DA a partir de dados de EEG tem sido alvo de vários estudos. Para o estudo desses dados, no atual projeto, foi utilizada a técnica de Mapeamento em Grafos de Quantis, que mapeia uma série temporal em redes complexas, tornando assim possível o estudo dessa série a partir de caracterizadores estruturais. Com base nos resultados, foi possível observar diferenças entre dois grupos de pacientes (portadores do DCL e da DA), evidenciando assim a eficiência da classificação dos indivíduos em diferentes condições patológicas.

Alzheimer’s disease (AD) can be understood as a degenerative and progressive dementia of the central nervous system, irreversible and of unknown cause. This pathology is characterized by neuropsychiatric symptoms such as memory loss, disorientation in time and space, and a rapid cognitive decline. Although it is the most common type of neurodegenerative disease, no cure has yet been found. However, there are treatments that slow the progression of AD. Therefore, early diagnosis — that is, at its initial stage (mild AD) or at the transitional stage between healthy aging and AD, known as Mild Cognitive Impairment (MCI) — is of extreme importance so that the daily lives of affected individuals are not significantly altered, thereby providing a better quality of life. With this in mind, differentiating between MCI and AD plays an important role in the early detection of the disease. Recent research shows that electroencephalography (EEG) can reflect subtle functional changes in the cortex; consequently, identifying MCI and AD from EEG data has been the subject of numerous studies. In the present project, the Quantile Graph Mapping technique was used to study these data: this method maps a time series into complex networks, making it possible to analyze the series through structural descriptors. Based on the results, differences between two patient groups (those with MCI and those with AD) were observed, thus demonstrating the effectiveness of classifying individuals into different pathological conditions.