Engenharia
Biomédica
Resumo
O projeto CogniFala investigou o uso da inteligência artificial para decodificar padrões da atividade elétrica cerebral (EEG), visando superar limitações na comunicação assistiva e no diagnóstico precoce de doenças neurológicas. O desafio está na complexidade dos sinais, que dificultam a interpretação em pacientes com deficiências motoras graves, como esclerose lateral amiotrófica (ELA), e na detecção sutil de doenças como epilepsia, Alzheimer e Parkinson. Foram usadas bases públicas de EEG: o PhysioNet EEG Motor Movement/Imagery (EEGMMI), focado em intenções motoras imaginadas, e o Siena Scalp EEG, com dados de pacientes com epilepsia. Os sinais passaram por pré-processamento, com filtragem entre 1 e 45 hertz e remoção de artefatos por análise de componentes independentes (ICA). Foram extraídas potências espectrais nas bandas delta, teta, alfa, beta e gama. Modelos de Aprendizado Profundo, como CNN, LSTM e EEGNet, foram treinados para classificar os padrões neurais. Os experimentos simularam a decodificação de intenções motoras para comunicação assistiva e a previsão de crises epilépticas em janela pré-ictal de 30 min. A validação entre sujeitos e pacientes garantiu a generalização dos modelos. Os resultados mostraram a viabilidade da IA na interpretação dos padrões cerebrais. Na decodificação motora, a acurácia média foi de 93%. Na previsão de crises, a acurácia média atingiu 88%. Conclui-se que os objetivos do CogniFala foram alcançados, comprovando o potencial do sistema para ampliar a autonomia comunicacional e auxiliar no diagnóstico precoce de alterações neurológicas, integrando neurociência e tecnologia.
Palavras-chave: Inteligência Artificial, Eletroencefalografia, Comunicação Assistiva