Detecção de transtorno mental via EEG, microestados e redes neurais de grafos

Página do item simplificado
dc.contributor.advisor1Ciarelli, Patrick Marques
dc.contributor.advisor1IDhttps://orcid.org/0000-0003-3177-4028
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/1267950518719423
dc.contributor.authorCandeia, Daniel Ribeiro
dc.contributor.authorIDhttps://orcid.org/0009-0001-4427-7496
dc.contributor.authorLatteshttp://lattes.cnpq.br/2696632870728316
dc.contributor.referee1Côco, Klaus Fabian
dc.contributor.referee1IDhttps://orcid.org/0000-0001-7793-0693
dc.contributor.referee1Latteshttp://lattes.cnpq.br/1374499533178055
dc.contributor.referee2Tello, Richard Junior Manuel Godinez
dc.contributor.referee2IDhttps://orcid.org/0000-0003-1428-0990
dc.contributor.referee2Latteshttp://lattes.cnpq.br/3966230569744918
dc.date.accessioned2025-11-19T17:39:41Z
dc.date.available2025-11-19T17:39:41Z
dc.date.issued2025-05-27
dc.description.abstractElectroencephalogram (EEG) is a non-invasive and cost-effective technique widely used to study brain activity and diagnose neurological disorders. However, visual analysis of EEG signals is complex and requires expertise, highlighting the need for automated diagnostic support systems. In this context, this study proposes a graph-based neural network model for detecting mental disorders using EEG signals, leveraging microstate analysis. The proposed model integrates graph neural networks (GNNs) with microstate analysis, which captures transient and stable patterns of brain activity. The TUH Abnormal EEG Corpus (TUAB) dataset, containing normal and abnormal EEG signals, was used. The process included the extraction of microstates, the construction of graphs based on Spearman correlation between EEG channels, the extraction of features from EEG signals, and the application of Principal Component Analysis (PCA) to reduce the dimensionality of these features. Three GNNs were trained, each associated with signals from each microstate, and their outputs were combined using an ensemble technique. The final model achieved an accuracy of 97.46% on the test set, outperforming existing results of methods in the literature. The results highlight the effectiveness of the proposed approach, demonstrating the potential of GNNs and microstate analysis for detecting mental disorders from EEG signals
dc.description.resumoO eletroencefalograma (EEG) é uma técnica não invasiva e de baixo custo, amplamente utilizada para o estudo da atividade cerebral e diagnóstico de doenças neurológicas. No entanto, a análise visual de sinais de EEG é complexa e demanda expertise, o que justifica a necessidade de sistemas automatizados para auxiliar no diagnóstico. Neste contexto, o presente trabalho propõe um modelo de rede neural baseado em grafos para a detecção de transtornos mentais a partir de sinais de EEG, utilizando a análise de microestados. O modelo proposto combina redes neurais de grafos (GNN) com a análise de microestados, que representam padrões transitórios e estáveis da atividade cerebral. A base de dados utilizada foi a TUH Abnormal EEG Corpus (TUAB), contendo sinais de EEG normais e anormais. O processo incluiu a extração de microestados, a criação de grafos a partir da correlação de Spearman entre os canais de EEG, a extração de características dos sinais de EEG e a aplicação da Análise de Componentes Principais (PCA) para reduzir a dimensionalidade dessas características. Três redes neurais de grafos foram treinadas, cada uma associada a sinais de cada microestado, e os resultados foram combinados por meio de uma técnica de ensemble. O modelo final alcançou uma acurácia de 97,46% no conjunto de testes, superando os resultados de outros métodos existentes na literatura. Os resultados demonstram a eficácia da abordagem proposta, destacando o potencial das GNN e da análise de microestados para a detecção de transtornos mentais a partir de sinais de EEG
dc.description.sponsorshipCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)
dc.formatText
dc.identifier.urihttp://repositorio.ufes.br/handle/10/20640
dc.languagepor
dc.language.isopt
dc.publisherUniversidade Federal do Espírito Santo
dc.publisher.countryBR
dc.publisher.courseMestrado em Engenharia Elétrica
dc.publisher.departmentCentro Tecnológico
dc.publisher.initialsUFES
dc.publisher.programPrograma de Pós-Graduação em Engenharia Elétrica
dc.rightsopen access
dc.rights.urihttps://creativecommons.org/licenses/by/4.0/
dc.subjectRede Neural de Grafos
dc.subjectMicroestados de EEG
dc.subjectGrafos
dc.subjectEletroencefalograma
dc.subjectTranstornos Mentais
dc.subjectGraph Neural Network
dc.subjectEEG Microstates
dc.subjectGraphs
dc.subjectElectroencephalogram
dc.subjectMental Disorders
dc.subject.cnpqEngenharia Elétrica
dc.titleDetecção de transtorno mental via EEG, microestados e redes neurais de grafos
dc.typemasterThesis
Arquivos
Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
DanielRibeiroCandeia-2025-Dissertacao.pdf
Tamanho:
4.3 MB
Formato:
Adobe Portable Document Format
Descrição:
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
license.txt
Tamanho:
1.71 KB
Formato:
Item-specific license agreed upon to submission
Descrição:
Baixar
Coleções
Mestrado em Engenharia Elétrica