TÉCNICAS DE PROCESSAMENTO PARA INTERFACE CÉREBRO-COMPUTADOR DE IMAGÉTICA MOTORA EM PROTOCOLOS DE NEURORREABILITAÇÃO PÓS- AVC

Autores

Resumo

Introdução: O Acidente Vascular Cerebral (AVC) decorre da interrupção de fluxo sanguíneo em regiões do cérebro, o que pode se desdobrar em isquemia, lesão tecidual e morte celular. Em 2024, foi a condição que mais levou brasileiros a óbito, chegando próximo aos 90 mil casos. Para além dos óbitos, o AVC merece atenção porque é uma das principais causas de incapacidade motora crônica no mundo [1]. Neste cenário, a Interface Cérebro-Computador (BCI, Brain Computer Interface) vem sendo testada como estratégia de neurorreabilitação. Fazendo uso de Eletroencefalografia (EEG), a BCI de Imagética Motora (MI, Motor Imagery) consegue mapear, em tempo real, a intenção de movimento através de sinais elétricos corticais, uma vez que o protocolo de MI estimula a mesma região sensório-motora responsável pelo controle do movimento. Considerando que a MI-BCI induz a neuroplasticidade, as regiões afetadas pelo AVC podem criar sinapses e passar por uma reorganização dos circuitos neurais, o que influencia a reabilitação e a autonomia de pacientes nas atividades de vida diária [2]. Objetivo: Diante disso, o presente estudo procurou desenvolver e otimizar uma sequência de processamento de sinais de EEG, avaliando o impacto de diferentes janelas de tempo do sinal e de diferentes métodos de Aprendizado de Máquina (ML, Machine Learning), para a identificação de estados mentais associados à imagética motora das mãos esquerda e direita, com enfoque na acurácia dos modelos, uma vez que uma realimentação precisa é essencial para estimular a neuroplasticidade em pacientes pós-AVC. Materiais e métodos: Para este trabalho, os dados foram extraídos de um banco de dados público, composto por 50 pacientes pós-AVC que realizaram duas tarefas de imagética motora, as intenções de movimento da mão esquerda e da mão direita, durante o registro de EEG. Foram 40 sessões para cada paciente (20 de cada tarefa) com duração de 6 segundos (s) cada, sendo 2 s de preparação e 4 s de execução da tarefa, resultando em 2000 registros no total. A captura de EEG seguiu o padrão internacional 10-20 de posicionamento dos eletrodos, usando 29 canais de EEG e 2 de eletro-oculografia, com frequência de amostragem de 500 Hz [3]. A sequência de processamento dos sinais foi implementada em linguagem Python, com o auxílio das bibliotecas NumPy, SciPy e Scikit-Learn, considerando uma análise por indivíduo. A primeira etapa consistiu em uma filtragem passa-alta (2 Hz) para remoção da linha de base do sinal. Os dados foram então segmentados em janelas de 1, 2 e 4 s, de forma a simular um processamento em tempo real. Cada segmento passou por um banco de filtros passa-banda, entre 4 Hz e 32 Hz, com intervalos de 4 Hz, para a decomposição do sinal em ritmos cerebrais. A etapa de extração de características consistiu no cálculo do logaritmo da variância da saída do banco de filtros, para cada segmento obtido dos eletrodos [4]. Para a etapa de classificação, os cinco modelos testados foram o K-Vizinhos Próximos (KNN, K-Nearest Neighbors), a Regressão Logística (LR, Logistic Regression), a Floresta Aleatória (RF, Random Forest), a Análise do Discriminante Linear (LDA, Linear Discriminant Analysis) e a Máquina de Vetores-Suporte (SVM, Support Vector Machine), sendo todos eles otimizados através de busca em grade por hiperparâmetros e avaliados através de validação cruzada com 10 partições [5]. Resultados: Observou-se uma relação direta entre o tamanho das janelas de tempo e a acurácia dos modelos de ML, sendo o segmento de 4 s o que apresentou as maiores acurácias. Os modelos tiveram um desempenho muito semelhante, com valores médios entre todos os indivíduos variando entre 58% e 61%, evidenciando que a etapa de filtragem e extração parece ser mais determinante do que o modelo de classificação em si. O KNN alcançou a maior média geral, 61%, com desempenhos individuais entre 85%, para pacientes aptos ao protocolo de reabilitação, e 50%, em pacientes que necessitam de sessões de treinamento adicionais, dado que as tarefas de MI-BCI são habilidades que podem ser adquiridas por meio da prática. Conclusão: A sequência de processamento de EEG voltada à MI-BCI se mostrou promissora à aplicação em protocolos de neurorreabilitação pós-AVC, ainda que em caráter preliminar. Para aprimorar os resultados, os próximos passos preveem o uso de um filtro baseado em Padrões Espaciais Comuns (CSP, Common Spatial Patterns), de um método de seleção de característica para identificar eletrodos informativos, e de redes neurais profundas, como a EEGNet, para aprimorar a detecção das classes de imagética motora. Referências: [1] MARTIN, Seth S. et al., 2025. doi: 10.1161/CIR.0000000000001303 [2] MANE, Ravikiran et al., 2020. doi: 10.1088/1741-2552/aba162 [3] LIU, Haijie et al., 2024. doi: 10.1038/s41597-023-02787-8 [4] LOTTE, Fabien et al., 2018. doi: 10.1088/1741-2552/aab2f2 [5] LOTTE, Fabien et al., 2007. doi: 10.1088/1741-2560/4/2/R01