Análise comparativa de modelos ANN, TabNet e FT-Transformer na classificação de transtornos neuropsiquiátricos específicos utilizando sinais de EEG
Resumo
Este estudo avalia redes neurais na classificação de sinais de EEG para diagnóstico de transtornos mentais, usando dados de 945 pacientes, densidade espectral de potência (PSD) e conectividade funcional (FC) em 19 canais. Três modelos foram comparados: perceptron multicamada (ANN), TabNet e FT-Transformer. A acurácia média foi 91,93%, com TabNet melhor em depressão e bipolaridade, ANN em pânico e adaptação, e FTT em estresse pós-traumático. Apesar de limitações como amostras reduzidas e heterogeneidade, os resultados indicam que redes neurais superam métodos tradicionais, apontando para abordagens de dados multimodais.
Referências
Ay, B., Yildirim, O., Talo, M., Baloglu, U. B., Aydin, G., Puthankattil, S. D., and Acharya, U. R. (2019). Automated depression detection using deep representation and sequence learning with eeg signals. Journal of Medical Systems, 43:1–12.
Brownlee, J. (2021). Tour of evaluation metrics for imbalanced classification. Acessado em: 27 nov. 2024.
Júnior, S. B. (2023). Algoritmos genéticos e aprendizado profundo baseado em redes neurais recorrentes do tipo lstm para auxílio ao diagnóstico médico.
Olatinwo, D., Abu-Mahfouz, A., and Myburgh, H. (2025). Mental disorder assessment in iot-enabled wban systems with dimensionality reduction and deep learning. Journal of Sensor and Actuator Networks, 14(3).
Park, S. M. (2021). Eeg machine learning. Retrieved August 16, 2021, from [link].
Park, S. M., Jeong, B., Oh, D. Y., Choi, C. H., Jung, H. Y., Lee, J. Y., Lee, D., and Choi, J. S. (2021). Identification of major psychiatric disorders from resting-state electroencephalography using a machine learning approach. Frontiers in Psychiatry, 12:707581.
Parsa, M., Rad, H. Y., Vaezi, H., Hossein-Zadeh, G.-A., Setarehdan, S. K., Rostami, R., Rostami, H., and Vahabie, A.-H. (2023). Eeg-based classification of individuals with neuropsychiatric disorders using deep neural networks: A systematic review of current status and future directions. Computer Methods and Programs in Biomedicine, 240:107683.
Shah, S. J. H., Albishri, A., Kang, S. S., Lee, Y., Sponheim, S. R., and Shim, M. (2023). Etsnet: A deep neural network for eeg-based temporal–spatial pattern recognition in psychiatric disorder and emotional distress classification. Computers in Biology and Medicine, 158:106857.
Siuly, S., Li, Y., and Zhang, Y. (2016). Eeg signal analysis and classification. IEEE Trans Neural Syst Rehabilit Eng, 11:141–144.
Wang, Z., Feng, J., Jiang, R., Shi, Y., Li, X., Xue, R., Du, X., Ji, M., Zhong, F., Meng, Y., et al. (2022). Automated rest eeg-based diagnosis of depression and schizophrenia using a deep convolutional neural network. IEEE Access, 10:104472–104485.
World Health Organization (2022). Mental disorders. Accessed: 2024-10-10.
Brownlee, J. (2021). Tour of evaluation metrics for imbalanced classification. Acessado em: 27 nov. 2024.
Júnior, S. B. (2023). Algoritmos genéticos e aprendizado profundo baseado em redes neurais recorrentes do tipo lstm para auxílio ao diagnóstico médico.
Olatinwo, D., Abu-Mahfouz, A., and Myburgh, H. (2025). Mental disorder assessment in iot-enabled wban systems with dimensionality reduction and deep learning. Journal of Sensor and Actuator Networks, 14(3).
Park, S. M. (2021). Eeg machine learning. Retrieved August 16, 2021, from [link].
Park, S. M., Jeong, B., Oh, D. Y., Choi, C. H., Jung, H. Y., Lee, J. Y., Lee, D., and Choi, J. S. (2021). Identification of major psychiatric disorders from resting-state electroencephalography using a machine learning approach. Frontiers in Psychiatry, 12:707581.
Parsa, M., Rad, H. Y., Vaezi, H., Hossein-Zadeh, G.-A., Setarehdan, S. K., Rostami, R., Rostami, H., and Vahabie, A.-H. (2023). Eeg-based classification of individuals with neuropsychiatric disorders using deep neural networks: A systematic review of current status and future directions. Computer Methods and Programs in Biomedicine, 240:107683.
Shah, S. J. H., Albishri, A., Kang, S. S., Lee, Y., Sponheim, S. R., and Shim, M. (2023). Etsnet: A deep neural network for eeg-based temporal–spatial pattern recognition in psychiatric disorder and emotional distress classification. Computers in Biology and Medicine, 158:106857.
Siuly, S., Li, Y., and Zhang, Y. (2016). Eeg signal analysis and classification. IEEE Trans Neural Syst Rehabilit Eng, 11:141–144.
Wang, Z., Feng, J., Jiang, R., Shi, Y., Li, X., Xue, R., Du, X., Ji, M., Zhong, F., Meng, Y., et al. (2022). Automated rest eeg-based diagnosis of depression and schizophrenia using a deep convolutional neural network. IEEE Access, 10:104472–104485.
World Health Organization (2022). Mental disorders. Accessed: 2024-10-10.
Publicado
12/11/2025
Como Citar
MOTA, Mateus Balda; OLIVEIRA, Alessandro Bof de; BOF, Patricia; BARONE, Dante Augusto Couto.
Análise comparativa de modelos ANN, TabNet e FT-Transformer na classificação de transtornos neuropsiquiátricos específicos utilizando sinais de EEG. In: ESCOLA REGIONAL DE APRENDIZADO DE MÁQUINA E INTELIGÊNCIA ARTIFICIAL DA REGIÃO SUL (ERAMIA-RS), 1. , 2025, Porto Alegre/RS.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2025
.
p. 120-123.
DOI: https://doi.org/10.5753/eramiars.2025.16706.
