Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Oliva, Jefferson Tales | - |
Autor(es): dc.contributor | Oliva, Jefferson Tales | - |
Autor(es): dc.contributor | Fávero, Eliane Maria De Bortoli | - |
Autor(es): dc.contributor | Favarim, Fábio | - |
Autor(es): dc.creator | Pan, André Bamberg | - |
Data de aceite: dc.date.accessioned | 2025-08-29T12:29:02Z | - |
Data de disponibilização: dc.date.available | 2025-08-29T12:29:02Z | - |
Data de envio: dc.date.issued | 2025-07-23 | - |
Data de envio: dc.date.issued | 2025-07-23 | - |
Data de envio: dc.date.issued | 2025-06-23 | - |
Fonte completa do material: dc.identifier | http://repositorio.utfpr.edu.br/jspui/handle/1/37542 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1096166 | - |
Descrição: dc.description | Alzheimer’s disease (AD) is a progressive neurodegenerative disorder that impairs memory, cognition, and behavior, affecting millions of people worldwide. Diagnosing this condition can be challenging, as neuroimaging exams are often expensive or difficult to access. Electroencephalography (EEG), which records real-time brain electrical activity, emerges as a more accessible and low-cost alternative, capable of identifying alterations in brain waves in the frontotemporal region associated with the disease. This study proposes the use of deep learning models for the automatic classification of EEG signals. The dataset includes recordings from 88 individuals, comprising patients with Alzheimer’s disease, Frontotemporal Dementia, and healthy controls. Signal preprocessing involves the selection of frontotemporal channels, segmentation of EEG signals into 10-second windows, and application of the Fourier Transform to obtain the power spectrum. These data are used as input for the convolutional neural networks developed, aiming to classify individuals according to their diagnosis. The results indicated that the models performed well in distinguishing Alzheimer’s patients from healthy controls, achieving accuracies between 85% and 93%, and showed moderate performance in differentiating Alzheimer’s from Frontotemporal Dementia, achieving accuracies between 62% and 73%. | - |
Descrição: dc.description | A Doença de Alzheimer (DA) é um transtorno neurodegenerativo progressivo que compromete a memória, cognição e comportamento, afetando milhões de pessoas em todo o mundo. O diagnóstico dessa condição pode ser desafiador, já que exames de neuroimagem podem ser caros ou de difícil acesso. O Eletroencefalograma (EEG), que registra a atividade elétrica cerebral em tempo real, apresenta-se como uma alternativa mais acessível, de baixo custo, e pode identificar alterações nas ondas cerebrais na região frontotemporal associadas à doença. Este trabalho propõe a utilização de modelos de aprendizado profundo para a classificação automática de sinais de EEG. A base de dados utilizada contém registros de 88 indivíduos, incluindo pacientes com Alzheimer, Demência Frontotemporal e controles saudáveis. O pré-processamento dos sinais envolve a seleção de canais frontotemporais, segmentação dos sinais de EEG em 10 segundos e aplicação da transformada de Fourier para obtenção do espectro de potência. Esses dados servem como entrada para as redes neurais convolucionais desenvolvidas, com o objetivo de classificar os indivíduos de acordo com o diagnóstico. Os resultados indicaram que os modelos obtiveram um bom desempenho na diferenciação entre indivíduos com Alzheimer e controles saudáveis, apresentando acurácias entre 85% e 93%, e desempenho intermediário na diferenciação entre Alzheimer e Demência Frontotemporal, apresentando acurácias entre 62% e 73%. | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Publicador: dc.publisher | Universidade Tecnológica Federal do Paraná | - |
Publicador: dc.publisher | Pato Branco | - |
Publicador: dc.publisher | Brasil | - |
Publicador: dc.publisher | Departamento Acadêmico de Informática | - |
Publicador: dc.publisher | Engenharia de Computação | - |
Publicador: dc.publisher | UTFPR | - |
Direitos: dc.rights | openAccess | - |
Direitos: dc.rights | http://creativecommons.org/licenses/by/4.0/ | - |
Palavras-chave: dc.subject | Alzheimer, Doença de | - |
Palavras-chave: dc.subject | Eletroencefalografia | - |
Palavras-chave: dc.subject | Aprendizado do computador | - |
Palavras-chave: dc.subject | Redes neurais (Computação) | - |
Palavras-chave: dc.subject | Alzheimer's disease | - |
Palavras-chave: dc.subject | Electroencephalography | - |
Palavras-chave: dc.subject | Machine learning | - |
Palavras-chave: dc.subject | Neural networks (Computer science) | - |
Palavras-chave: dc.subject | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO | - |
Título: dc.title | Detecção de Alzheimer por meio de eletroencefalogramas utilizando aprendizado profundo | - |
Título: dc.title | Alzheimer’s detection by means of electroencephalograms using deep learning | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositorio Institucional da UTFPR - RIUT |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: