DEFESA DE DISSERTAÇÃO DE MESTRADO Nº 317

Aluna: Camila Fragoso Siqueira Campos

Título: “Major Depressive Disorder Presiction from EEG data using Machine Learning Models"

Orientador: João Fausto Lorenzato de Oliveira

Coorientador: Fernando Buarque de Lima Neto

Examinador Externo: Manoel Henrique da Nóbrega Marinho (UPE)

Examinador Interno: Patrícia Takako Endo

Data-hora: 26 de fevereiro de 2025, às 09h.
Local: Formato Remoto.

Resumo:

"O Transtorno Depressivo Maior (MDD, na sigla em inglês) representa uma significativa carga para a saúde global, caracterizado por angústia emocional generalizada e prejuízo funcional. Apesar de sua prevalência, o diagnóstico de MDD ainda depende de avaliações clínicas subjetivas, o que pode levar a resultados inconsistentes. Esta tese propõe uma abordagem inovadora para o diagnóstico de MDD por meio de um sistema híbrido de aprendizado de máquina utilizando dados de eletroencefalograma (EEG). O estudo utiliza o conjunto de dados MODMA, composto por registros de EEG de pacientes com MDD e controles saudáveis, complementado por dados sintéticos gerados usando GANs Condicionais e Modelos de Mistura Gaussiana. Técnicas abrangentes de extração de características capturam atributos lineares, não lineares e do domínio tempo-frequência dos sinais de EEG, permitindo que o modelo aproveite a complexidade das dinâmicas neurais. O modelo híbrido proposto combina múltiplos algoritmos de aprendizado de máquina usando votação por maioria, alcançando um equilíbrio entre precisão e robustez. O sistema híbrido demonstra alta precisão, comparável aos algoritmos separadamente. Ao abordar as limitações das abordagens diagnósticas tradicionais e aproveitar os avanços em aprendizado de máquina, esta tese contribui para o desenvolvimento de ferramentas escaláveis, confiáveis e explicáveis para a saúde mental, abrindo caminho para intervenções precoces e personalizadas no diagnóstico de MDD. Por fim, outra contribuição da pesquisa é a integração de interpretabilidade utilizando o SHAP, que destaca as características e os canais de EEG mais relevantes para as previsões do modelo. Essa interpretabilidade garante transparência e promove confiança nos resultados do sistema, tornando-o adequado para aplicações clínicas."