Linha de pesquisa: Inteligência Artificial

Resumo: O prognóstico de pacientes em coma (PPC) a partir de sinais de eletroencefalograma (EEG) representa um desafio clínico e computacional devido à complexidade espaço temporal dos sinais, à variabilidade interpaciente e à limitação amostral. Nesse contexto, esta pesquisa tem como objetivo investigar uma abordagem híbrida para a classificação do PPC a partir de sinais EEG, integrando modelos de aprendizado profundo e classificação baseada em conformidade de padrão em redes complexas. A abordagem proposta, denomi nada EEG-CBCP, combina os modelos EEG-CNN, EEG-LSTM e EEG-Transformer com um componente topológico capaz de avaliar se uma nova amostra preserva ou perturba a organização estrutural das classes. Para isso, os sinais de EEG foram pré-processados e utilizados no treinamento e otimização dos modelos profundos. Em seguida, foram ex traídos descritores estatísticos, neurofisiológicos e representações latentes, empregados na construção de redes complexas por diferentes métodos de caracterização dos vértices, me didas de proximidade, estratégias de vizinhança e medidas topológicas. Também foram realizadas análises por t-SNE, para avaliar a separabilidade dos descritores, e por técnicas de Inteligência Artificial Explicável, para examinar padrões espaço-temporais associados às decisões dos modelos. Os resultados obtidos até o momento indicam que a integra ção entre predição profunda e predição topológica produziu ganhos de desempenho em relação aos modelos profundos isolados, especialmente para EEG-LSTM e EEG-CNN. As representações latentes extraídas por esses modelos apresentaram maior recorrência em configurações com ganhos preditivos relevantes. Em suma, a arquitetura EEG-CBCP apresenta potencial como estratégia complementar para a classificação do PPC, ao com binar padrões aprendidos diretamente dos sinais com informações estruturais derivadas da organização topológica dos descritores.

Link para a defesa: https://teams.microsoft.com/dl/launcher/launcher.html?url=%2F_%23%2Fmeet...