Detecção de esquizofrenia por meio de aprendizado de máquina a partir da análise de ERP em dados de EEG

A esquizofrenia é um transtorno que atinge mais de 27 milhões de pessoas ao redor do mundo, e tem no seu diagnóstico uma das maiores dificuldades para o tratamento. O uso da inteligência artificial e do aprendizado de máquina pode ser um grande aliado para auxiliar em um diagnóstico mais rápido, barato e assertivo. Através da análise de potenciais de eventos relacionados (ERP) durante exame de eletroencefalograma (EEG) com mais de 70 canais, 81 indivíduos tiveram suas atividades cerebrais medidas ao longo da execução de 3 tarefas distintas. Destes 81 indivíduos, 49 possuíam diagnóstico para esquizofrenia e 32 não, sendo chamados de controles saudáveis. Através da análise dos dados e extração de características dos sinais medidos, foi possível atingir uma taxa de acerto média de 70,58% para o método Árvore de Decisão, 64,70% para Redes Neurais Artificiais e Máquina de Vetores de Suporte e apenas 47,06% para o método Floresta Aleatória aplicando a análise de componentes principais (PCA). A técnica de PCA se mostrou promissora para redução de dimensionalidade, atingindo 88,41% de razão de variância explicada dos dados com apenas 5 componentes principais. A remoção de parâmetros por meio do estudo do coeficiente de correlação entre variáveis, apesar de obter êxito na redução desses parâmetros, apresentou resultados inferiores para todas topologias, com exceção das aplicando Redes Neurais. O desempenho dos modelos, porém, pode ser incrementado através do aumento do conjunto de dados, possibilitando um maior treinamento e uma validação dos resultados mais adequada, e através de outras combinações de métodos, hiperparâmetros, técnicas de extração de características e de pré-processamento dos dados.Schizophrenia is a disorder that affects over 27 million people worldwide, and its diagnosis poses one of the greatest challenges for treatment. The use of artificial intelligence and machine learning can be a significant ally in facilitating a quicker, more cost-effective, and accurate diagnosis. Through the analysis of event-related potentials (ERP) during electroencephalogram (EEG) exams with more than 70 channels, the brain activities of 81 individuals were measured during the execution of three distinct tasks. Out of these 81 individuals, 49 were diagnosed prior with schizophrenia, while 32 were considered healthy controls. Through data analysis and feature extraction from the measured signals, it was possible to achieve an accuracy of 70.58% using the Decision Tree method, 64.70% for Artificial Neural Networks and Support Vector Machines, and only 47.06% for the Random Forest method when applying Principal Component Analysis (PCA). The PCA technique showed promise for dimensionality reduction, reaching 88.41% of explained variance ratio with only 5 principal components. The removal of parameters through the study of the correlation coefficient between variables, while successful in reducing these parameters, yielded inferior results for all topologies except when applying Neural Networks. The performance of the models, however, can be improved by increasing the dataset samples, allowing for more extensive training and more appropriate result validation. Additionally, different combinations of methods, hyperparameters, feature extraction techniques and data preprocessing can improve performance