Pesquisas recentes indicam um crescente número de crianças diagnosticadas com o transtorno do espectro autista (TEA), doença caracterizada por sintomas que impactam diretamente os campos de comportamento, comunicação e interação social. Segundo o centro de controle de prevenção de doenças (CDC), 1 em cada 36 crianças de 8 anos são autistas nos Estados Unidos, número 22% maior em relação à pesquisa anterior, de 2021. Estes fatos têm impulsionado o desenvolvimento de novas ferramentas para o diagnóstico da doença, o qual é essencialmente clínico (observação comportamental e entrevista), uma vez que não há exigência de exame específico. O presente trabalho explora uma abordagem com CNN e RNN, combinadas com técnicas de pré-processamento de sinais, tal como a ordenação por diferença percentual, com o objetivo de auxiliar no diagnóstico do TEA, a partir da classificação de sinais de eletroencefalograma (EEG). Utilizando-se a base de dados dos estudos de Milne et al., da Universidade de Sheffield, mostra-se que o melhor modelo proposto alcançou uma acurácia de classificação de 99, 63%, o que corrobora a capacidade do sistema em distinguir entre indivíduos com TEA e tipicamente desenvolvidos.
|
