O diagnóstico definitivo da Doença de Alzheimer (DA) só é estabelecido pela análise histológica post mortem, entretanto novas técnicas estão sendo desenvolvidas para aumentar a eficácia dos diagnósticos durante a vida dos pacientes. Uma das ferramentas mais utilizadas no diagnóstico clínico da DA é o eletroencefalograma (EEG), que é o registro da atividade neural através de eletrodos colocados no escalpo. A DA pode ser diagnosticada pelas ondas de EEG analisadas por profissionais especializados, porém os registros de EEG são longos e contaminados por artefatos, demandando muito tempo e atenção por parte do neurologista. O objetivo deste projeto é empregar técnicas de processamento de sinais na análise de dados de EEG provenientes de pacientes normais, pacientes com DA inicial e DA moderada. A ideia principal é a de tentar obter um marcador da Doença de Alzheimer baseado no EEG, que promova um auxílio no diagnóstico de DA no seu estágio inicial, a fim de desacelerar o avanço da doença por meio de medicação adequada, melhorando assim significativamente a qualidade de vida do paciente.

Foram utilizados os registros de EEG de 21 pacientes com DA (10 com DA em estágio inicial e 11 em estágio moderado) e 11 pacientes normais; para cada paciente foram extraídas 40 épocas de análise com 8 segundos de duração cada. De cada uma destas épocas foram extraídas características de modulação espectro-temporal, que medem a taxa de variação das oscilações nas envoltórias dos sinais de EEG, separados nas bandas de frequência delta, teta, alfa e beta. Para analisar a eficiência  destes atributos como um possível marcador para diferenciação entre pacientes normais e os pacientes com o DA inicial, foram utilizadas ferramentas de Inteligência Artificial da área de Aprendizado de Máquina, mais especificamente o algoritmo de classificação baseado em Support Vector Machines (SVM). Neste projeto utilizamos características de modulação espectro-temporal como atributos no Aprendizado de Máquina para tentar classificar automaticamente os pacientes em 3 classes: normais, pacientes com DA em estágio inicial e com DA em estágio moderado.

Os resultados iniciais obtidos promoveram uma total diferenciação entre os grupos dos pacientes normais e dos pacientes com DA, inclusive distinguindo perfeitamente os pacientes com DA inicial daqueles no estágio moderado da doença. Ou seja, todos os pacientes foram diagnosticados corretamente pelo algoritmo de SVM.

Estes resultados sugerem que os atributos baseados em características de modulação nas bandas de EEG como entrada para uma SVM mostraram-se muito eficientes, sendo assim um possível candidato a marcador para diferenciar um paciente normal de um com DA. É importante observar que estes atributos foram eficientes também para distinguir pacientes com diferentes estágios desta demência, pois não houve falsos positivos entre os diferentes estágios da doença. Entretanto, a fim de consolidar os promissores resultados iniciais obtidos, faz-se necessário utilizar um banco de dados maior, i.e., envolvendo um número maior de pacientes em cada um dos 3 grupos.