Predição de crises com EEG de canal único usando aprendizado profundo

Por que prever crises importa

Para muitas pessoas com epilepsia, as crises ocorrem sem aviso, interrompendo trabalho, escola e a rotina diária. Um sistema que pudesse avisar de forma confiável sobre uma crise iminente, mesmo que apenas alguns minutos antes, daria aos pacientes tempo para sentar ou deitar em segurança, pedir ajuda ou interromper uma atividade perigosa como dirigir ou cozinhar. Este estudo investiga se avisos desse tipo podem ser gerados a partir de um único sensor de ondas cerebrais pequeno, em vez de uma touca completa de eletrodos hospitalares, usando uma forma compacta de inteligência artificial que poderia, no futuro, rodar em um dispositivo vestível.

Uma forma mais simples de monitorar a atividade cerebral

A maior parte da pesquisa em predição de crises tem se baseado em registros complexos com muitos eletrodos distribuídos pelo couro cabeludo. Esses sistemas funcionam bem em laboratório, mas são volumosos, gastam muita energia e são difíceis de usar o dia todo. Os pesquisadores, em vez disso, focaram em gravações “de canal único”, que capturam a atividade cerebral de apenas um local por vez. Eles escolheram seis posições de eletrodos na testa, na têmpora e na parte de trás da cabeça que seriam práticas para uma faixa leve ou um patch. A questão central era saber se um único sensor bem posicionado poderia ainda detectar as mudanças sutis na atividade cerebral que frequentemente se acumulam antes de uma crise.

Treinando um leitor de ondas cerebrais diminuto

Para transformar as ondas cerebrais brutas em algo que um computador pudesse aprender, a equipe dividiu os dados em segmentos de 10 segundos e converteu cada fatia em uma espécie de imagem que mostra como a intensidade do sinal varia em diferentes frequências ao longo do tempo. Essas imagens foram então alimentadas em um modelo de aprendizado profundo enxuto inspirado no MobileNet, uma família de redes neurais projetadas para funcionar em telefones e outros dispositivos de baixa potência. Ao aparar cuidadosamente camadas e conexões, os autores reduziram o modelo para pouco menos de 38.000 parâmetros ajustáveis, uma fração diminuta do tamanho de muitos sistemas modernos de reconhecimento de imagem, mantendo a capacidade de aprender padrões úteis relacionados às crises.

Definindo um tempo de aviso útil

Do ponto de vista do paciente, nem toda detecção correta é igualmente útil. Um alerta que chega tarde demais oferece pouca proteção, enquanto um que venha cedo demais pode causar preocupação desnecessária. O estudo, portanto, adotou regras de tempo claras que espelham necessidades do mundo real. Para cada crise, os pesquisadores definiram uma zona de “sem aviso” cobrindo os 2 minutos imediatamente anteriores ao início, quando já seria difícil reagir. Os 30 minutos anteriores a essa zona foram tratados como a janela de predição verdadeira, onde um aviso é considerado bem-sucedido se a crise ocorrer dentro desse intervalo. Apenas dados dessa janela e de períodos claramente normais, distantes de qualquer crise, foram usados para treinar e testar o modelo.

Desempenho do sistema

O modelo foi testado em dois grupos de pacientes: adultos com epilepsia focal resistente a medicamentos tratados no Hospital da Universidade Nacional de Seul, e crianças e jovens em um conjunto de dados público amplamente usado. Para cada pessoa, o sistema foi treinado e avaliado apenas com os dados daquele indivíduo, refletindo como um dispositivo futuro poderia se adaptar ao seu usuário. Entre os pacientes, o modelo classificou corretamente cerca de 86 a 91 por cento dos segmentos de 10 segundos, com taxas relativamente baixas de falsos alarmes. Quando avaliado ao nível de crises inteiras e usando as regras de tempo estritas, ele previu com sucesso cerca de 95 por cento das crises no grupo hospitalar e 98 por cento no conjunto de dados público. Curiosamente, eletrodos na testa tendiam a funcionar melhor, e estar mais próximo da zona de início de crise identificada clinicamente nem sempre melhorava a precisão.

O que isso pode significar para o dia a dia

Esses resultados sugerem que um único pequeno sensor de ondas cerebrais, emparelhado com um algoritmo de aprendizado altamente eficiente, pode fornecer alertas precoces confiáveis para muitas crises dentro de uma janela de 30 minutos praticamente útil. Embora sejam necessários mais estudos para testar a abordagem em grupos maiores e mais variados de pacientes e para refinar como os canais são escolhidos para cada pessoa, o estudo aponta para sistemas de predição de crises que poderiam ser usados confortavelmente por longos períodos e rodar com bateria limitada. Tais ferramentas não preveniriam crises, mas poderiam dar às pessoas com epilepsia mais controle e confiança para planejar suas atividades diárias.

Citação: Jang, D., Jung, KY., Jeon, YG. et al. Single-channel EEG-based seizure prediction using deep learning. Sci Rep 16, 15888 (2026). https://doi.org/10.1038/s41598-026-44670-7

Palavras-chave: epilepsia, predição de crise, EEG, dispositivos vestíveis, aprendizado profundo