DEFESA DE TESE DE DOUTORADO Nº 40

Aluno: Flávio Secco Fonseca

Título: “Estratégias Computacionais Baseadas em Inteligência Artificial para Apoio ao Diagnóstico do Transtorno do Espectro Autista com EEG de Baixa Densidade"

Orientador: Wellington Pinheiro dos Santos

Coorientadora: Cristine Martins Gomes de Gusmão (UFPE)

Examinador Externo: Allan Kardec Duailibe Barros Filho (UFMA)

Examinador Externo: Roberto José Bittencourt (UCB)

Examinadora Externa: Maíra Araújo de Santana (UFPE)

Examinador Interno: Carlo Marcelo Revoredo da Silva

Data-hora: 22 de abril de 2026 às 14h

Local: formato híbrida - Sala CSEC

---

Resumo:

         " O Transtorno do Espectro Autista (TEA) é uma condição do neurodesenvolvimento caracterizada por alterações na comunicação social e por padrões restritos e repetitivos de comportamento. O diagnóstico permanece predominantemente clínico, baseado em avaliações comportamentais e escalas padronizadas, o que pode introduzir subjetividade e atrasos na identificação precoce. Nesse contexto, sinais de eletroencefalografia (EEG) têm sido investigados como potenciais biomarcadores objetivos capazes de auxiliar no processo diagnóstico por meio de técnicas de Inteligência Artificial. Esta tese propõe e avalia uma arquitetura comparativa para apoio ao diagnóstico do TEA baseada na modelagem computacional de sinais de EEG, explorando cinco estratégias distintas de representação do sinal: atributos explícitos, representações wavelet, imagens estruturais ASTERI, DWNN e de mapeamento cerebrais. Os experimentos foram conduzidos em uma base de dados adulta da Universidade de Sheffield e uma base infantil do Mendeley, permitindo analisar o impacto da variabilidade etária e neurofisiológica sobre o desempenho dos modelos. A metodologia adotada incluiu pré-processamento padronizado dos sinais, segmentação temporal, organização dos dados e separação por indivíduo entre os conjuntos de treinamento e teste, mitigando vazamento de dados. Foram avaliados classificadores estatísticos clássicos, árvores de decisão, florestas aleatórias e Máquinas de Vetor de Suporte, além de estratégias híbridas integrando arquiteturas profundas. Os resultados demonstraram que a representação do sinal exerce impacto direto no desempenho classificatório. Na abordagem baseada em topomapas, o modelo SVM com kernel polinomial de grau 2 atingiu 97,04% de acurácia na etapa de treinamento da base Sheffield, com índice Kappa de 0,94, mantendo desempenho consistente no conjunto de teste independente. Já a abordagem baseada em DWNN apresentou os resultados mais robustos, alcançando 97,4% de acurácia e Kappa de 0,948 na base Mendeley, com elevada estabilidade entre treinamento e teste. Em cenários com seleção de atributos, foram observadas acurácias superiores a 98%, evidenciando alto poder discriminativo de subconjuntos compactos de características. De forma consolidada, os resultados evidenciam que a representação do sinal é determinante para o desempenho dos classificadores, sendo possível alcançar elevados níveis de acurácia quando há alinhamento entre modelagem e técnica de aprendizado. Observou-se que métodos clássicos combinados com seleção de atributos podem atingir desempenho comparável a arquiteturas mais complexas. Conclui-se que modelos de aprendizado de máquina aplicados a sinais de EEG apresentam potencial como ferramenta complementar no apoio ao diagnóstico do TEA, contribuindo para maior objetividade diagnóstica. "