FACILITANDO O DIAGNÓSTICO DA EPILEPSIA COM UM SISTEMA DE EEG WEARABLE SEM FIOS

Tipo de publicação: Resumo do Artigo
Título original: Wireless and Wearable EEG Acquisition Platform for Ambulatory Monitoring
Data da publicação do artigo: Maio de 2014
Fonte: ResearchGate
Autores: Francisco Pinho, José Higino Correia, Nuno Sousa, João José Cerqueira & Nuno Sérgio Dias

Qual é o objetivo, público-alvo e áreas da saúde digital em que se enquadra?
     Esta investigação tem como objetivo desenvolver um sistema wearable sem fios para aquisição de sinais de eletroencefalograma (EEG), permitindo a monitorização ambulatória prolongada da epilepsia. O público-alvo inclui indivíduos com epilepsia ou outras doenças paroxísticas, bem como clínicos, neurologistas e investigadores biomédicos. Este projeto contribui para áreas-chave da saúde digital, incluindo neurotecnologia, dispositivos wearables, tecnologias avançadas de processamento de sinais, monitorização remota de doentes e análise de dados de saúde em tempo real.

Qual é o contexto?
     As doenças paroxísticas caracterizam-se por condições súbitas e episódicas que causam alterações temporárias no organismo. Entre elas, a epilepsia destaca-se por causar descargas neuronais síncronas e descontroladas, resultando em crises recorrentes e não provocadas. Estas crises podem envolver perda ou alteração do nível de consciência, movimentos anormais ou sintomas psicológicos. Outras condições, como enxaquecas, distúrbios do sono e crises não epilépticas psicogénicas, podem apresentar sintomas semelhantes, mas originam-se de mecanismos distintos e geralmente não apresentam anormalidades na atividade cerebral.

     O EEG é um exame não invasivo que regista a atividade elétrica cerebral e identifica padrões anormais, como picos e ondas associadas à epilepsia. É essencial para distinguir crises epilépticas de não epilépticas e garantir um diagnóstico preciso em casos de sintomas sobrepostos. Embora o EEG de curta duração seja muitas vezes o primeiro passo no diagnóstico da epilepsia, crises infrequentes ou resultados inconclusivos podem exigir uma monitorização prolongada para determinar se a origem das crises é focal (numa região específica do cérebro) ou generalizada (envolve ambos os hemisférios simultaneamente), informação essencial para o tratamento.

     De acordo com a American Clinical Neurophysiology Society, a monitorização prolongada de EEG requer entre 32 a 64 canais para uma localização precisa das descargas epilépticas, o registo contínuo durante 24 horas para capturar eventos raros e, preferencialmente, a inclusão de algoritmos de deteção de eventos para análise em tempo real. Outras especificações relevantes incluem a capacidade de detetar frequências elevadas para identificar os picos epilépticos, fornecer alta resolução do sinal e utilizar elétrodos confortáveis e de fácil aplicação para melhorar a usabilidade e minimizar o tempo de preparação.

Quais são as abordagens atuais?
     O diagnóstico da epilepsia baseia-se atualmente na monitorização hospitalar, que combina a gravação simultânea de vídeo e a utilização do EEG, ligado por fios a um computador para análise dos sinais elétricos. Este método é dispendioso, demorado e limita a mobilidade dos pacientes.

     A monitorização EEG ambulatória surge como uma alternativa conveniente, permitindo o registo contínuo da atividade cerebral durante as atividades diárias dos pacientes fora do ambiente hospitalar. Estes sistemas utilizam elétrodos no couro cabeludo para captar os sinais EEG analógicos, que são amplificados, convertidos para formato digital por conversores analógico-digitais (ADCs) e armazenados num dispositivo portátil antes de serem transmitidos sem fios para um computador para visualização e processamento.

     No entanto, os sistemas atuais de EEG sem fios enfrentam desafios significativos, como baixa densidade de canais (geralmente entre 3-16) e limitações tanto na deteção de frequências elevadas (< 512 Hz) quanto na resolução de sinal (< 24 bits). Embora alguns estudos tenham explorado EEGs sem fios com maior densidade de canais ou capacidade de detetar frequências mais elevadas, estas características raramente são combinadas num único dispositivo. Além disso, muitos sistemas utilizam elétrodos com gel condutor, que exigem uma preparação demorada e pode secar durante a monitorização prolongada, causando degradação no sinal e desconforto ao paciente. Outro problema é a utilização de largura de banda limitada (por exemplo, bluetooth) e a dependência de dispositivos externos para processamento e armazenamento, o que pode exigir proximidade ao computador responsável pela análise dos dados, restringindo a mobilidade dos pacientes.

Em que consiste a inovação? Como é que é avaliado o impacto deste estudo?
     Esta investigação foca-se no desenvolvimento de um sistema de EEG wearable sem fios, inovando no hardware, software e funcionalidades operacionais. A plataforma de EEG proposta destaca-se pela sua configuração de 32 canais, deteção de frequências elevadas (256 a 1000 Hz) e aquisição de sinais de alta resolução (24 bits por canal). Para garantir o backup dos dados e análises offline, o dispositivo inclui um cartão SD. Este dispositivo oferece 2 modos operacionais por WiFi: a transmissão contínua para monitorização em tempo real e a transmissão seletiva de eventos, que envia apenas segmentos EEG relevantes depois do processamento por algoritmos de deteção de eventos epiléticos. Além disso, projetado para a monitorização ambulatória de forma prolongada, o dispositivo possui baterias de 6600 mAh, garantindo até 25 horas de funcionamento contínuo.

     A arquitetura de hardware inclui elétrodos ativos secos, ADCs e uma unidade central de aquisição, processamento e transmissão. Estes elétrodos, sem gel, contêm contactos de fósforo-bronze banhados a ouro para maior estabilidade. O hardware utiliza 4 ADCs cada um responsável por 8 canais e pela amplificação principal do sinal analógico antes da digitalização. Os ADCs operam em modo cascata, compartilhando sinais comuns e transmitindo os dados EEG digitalizados de forma eficiente. A unidade central incorpora 2 componentes de software: um driver do kernel dentro do sistema operativo Linux, para controlar qual dos 4 ADCs está ativo e gerir a aquisição de dados digitais e uma aplicação userspace, para processamento, armazenamento e transmissão de dados.

     Quando novos dados de EEG estão disponíveis, a interrupção (sinal DRDY) é acionada no driver do kernel, garantindo prioridade imediata para o processamento de dados. Isso interrompe outras tarefas, armazena os dados num bloco de memória volátil, agrupa-os e transfere-os para o bloco de memória mapeada, onde permanecem até que a aplicação userspace os processe. A aplicação userspace começa por utilizar um filtro Butterworth para remover o ruído antes de iniciar o processamento: extração de características e deteção de eventos através dos algoritmos epilépticos. Se um evento for detetado, a aplicação transmite automaticamente os dados via WiFi. Caso contrário, os dados são armazenados no cartão SD, evitando transmissões desnecessárias e conservando energia. Para facilitar a visualização e análise em tempo real, uma aplicação em C# foi desenvolvida no ambiente .NET, permitindo que os clínicos revejam os sinais EEG de forma eficiente num computador.

     A avaliação do sistema incluiu métricas de desempenho técnico, analisando a eficiência na aquisição, processamento, armazenamento e transmissão de dados de EEG em tempo real, assim como o consumo energético e avaliações de usabilidade clínica para determinar a sua viabilidade na monitorização ambulatória de forma prolongada.

     No desempenho técnico, um aspeto-chave analisado foi a configuração da prioridade das tarefas, que afeta a capacidade do sistema de gerir operações simultâneas. Foram testadas duas configurações diferentes: uma prioridade padrão, onde o processamento dos dados EEG compete com outras tarefas em segundo plano, e uma prioridade imediata, onde a aquisição dos dados EEG recebe a mais alta prioridade de execução. Além disso, foi avaliada a eficiência da transferência interna de dados, focando-se na transição dos dados EEG do bloco de memória volátil, para o bloco de memória mapeada, bem como a sua recuperação pela aplicação userspace. O desempenho do armazenamento foi medido através da velocidade de leitura/escrita no cartão SD, garantindo a gravação e a recuperação oportuna dos dados EEG.  A eficiência da transmissão sem fios foi comparada entre o modo WiFi ad-hoc, que liga diretamente o dispositivo EEG a um recetor local (como um computador), e a comunicação baseada em infraestrutura, onde os dados são transmitidos através de uma rede centralizada (router), permitindo a distribuição para vários dispositivos. Por fim, foram analisados o consumo energético e a autonomia da bateria, medindo o desempenho em dois cenários: WiFi ativado, para streaming contínuo de dados, e WiFi desativado, para gravação offline.

     De uma perspetiva de usabilidade clínica, a avaliação examinou a capacidade do sistema de capturar sinais de EEG com precisão sob condições fisiológicas conhecidas. O dispositivo foi testado quanto à sua capacidade de registar ritmos alfa, um padrão de atividade cerebral bem definido que ocorre quando os olhos estão fechados e desaparece quando estão abertos. Além disso, foi avaliada sua sensibilidade a artefactos musculares, como os causados pelo apertar da mandíbula, que podem interferir na leitura do EEG.

Quais são os principais resultados? Qual é o futuro desta abordagem?
     Em termos de desempenho na aquisição de dados de EEG, atribuir prioridade imediata ao processamento de sinal reduziu o tempo de resposta em até 763 microssegundos no seu pico, em comparação com a prioridade padrão. Além disso, a transferência de dados do bloco de memória volátil para o bloco de memória mapeada variou entre 122 a 244 microssegundos, enquanto a aplicação userspace acedeu a este bloco de memória mapeada em 275 microssegundos. Estas velocidades garantiram um processamento rápido e eficiente. Já a velocidade de armazenamento no cartão SD atingiu 470 Mbps, permitindo uma recuperação eficiente dos dados e processamento em tempo real. Estes fatores garantem que o sistema possa lidar de forma fluida com grandes volumes de sinais cerebrais sem interrupções. A eficiência da transmissão sem fios melhora ainda mais o desempenho, com o modo WiFi ad-hoc a permitir a transferência rápida de dados a 11 Mbps, enquanto a transmissão via router WiFi é limitada a 2,6 Mbps devido à sobrecarga da rede e atrasos no encaminhamento, tornando as conexões sem fios diretas mais adequadas para a visualização em tempo real do EEG. Embora essencial para a monitorização em tempo real, o módulo WiFi aumenta significativamente o consumo de energia, exigindo 500 mAh em comparação com 250 mAh quando o WiFi está desligado. No entanto, com uma bateria de 6600 mAh, o sistema pode operar por 26,4 horas no modo de transmissão contínua e 52,8 horas no modo offline. Num contexto clínico real, onde os eventos de EEG não ocorrem continuamente, o modo de deteção de eventos pode prolongar a vida útil da bateria.

     O sistema demonstrou viabilidade clínica, tendo conseguido detetar ritmos alfa em diferentes condições e distinguir artefactos musculares, como os causados pelo apertar da mandíbula, confirmando a sua adequação para aplicações diagnósticas e a capacidade de distinguir sinais neurais de interferências musculares.

     Estes resultados têm um impacto significativo, pois o sistema apresenta-se como uma alternativa viável à monitorização hospitalar tradicional, permitindo um diagnóstico mais rápido da epilepsia. A sua portabilidade e facilidade de utilização tornam-no ideal para monitorização de forma prolongada e intervenções baseadas em eventos, apoiando abordagens da medicina personalizada para condições neurológicas crónicas. Ao reduzir a dependência de instalações hospitalares dispendiosas, a tecnologia democratiza o acesso a diagnósticos neurológicos avançados.

     O futuro desta tecnologia envolve miniaturização, otimização do consumo de energia e integração de análises avançadas, incluindo algoritmos de machine learning, para automatizar o reconhecimento de padrões e a deteção de anomalias, melhorando ainda mais suas capacidades de diagnóstico. Além da epilepsia, o sistema pode ser adaptado para outras aplicações como estudos do sono. Em última análise, esta tecnologia representa um passo em direção a melhores resultados para pacientes com doenças neurológicas, melhorando também a sua qualidade de vida mesmo durante a realização de diagnósticos.