1
Etapa 1
Limpeza
Normalização das transcrições
SynapSpeech
Escutando sinais por meio da linguagem
Pipeline completo para triagem e acompanhamento de sinais cognitivos associados ao Alzheimer a partir de fala espontânea em português brasileiro. Foco em pesquisa aplicada, acessível e de baixo custo.
Triagem
Resultados indicativos para apoio ao acompanhamento.
SynapSpeech
Visão geral
O SynapSpeech é um pipeline de pesquisa que aplica Processamento de Linguagem Natural e Aprendizado de Máquina para analisar narrativas espontâneas. A proposta é oferecer triagem e apoio ao acompanhamento de sinais linguísticos associados ao envelhecimento, ao Alzheimer e ao comprometimento cognitivo leve (MCI/TCL), sem substituir avaliação clínica.
- Foco em tarefas narrativas e memória episódica.
- Comparação entre grupos clínicos e controles.
- Pipeline binário em duas fases para análise refinada.
Princípios
Pesquisa aplicada e ética
A IA é usada como tecnologia assistiva, apoiando a pesquisa e o acompanhamento longitudinal. Os resultados são indicativos e sempre devem ser discutidos com profissionais de saúde.
Autor: João Pedro Madureira Sales (TCC - UTFPR, 2025).
Dados
DNLT-BP e narrativas
As transcrições vêm do repositório DNLT-BP (NILC/USP), com consentimento informado (TCLE). As histórias mais usadas são Cinderella e Dog Story.
- Cinderella: 60 amostras (20 Alzheimer, 20 MCI/TCL, 20 controles).
- Dog Story: 106 amostras (12 Alzheimer, 10 MCI/TCL, 84 controles).
Características do corpus
As narrativas preservam marcas linguísticas naturais (pausas, repetições, reformulações), essenciais para análise linguística e comparação entre grupos.
Repositório: github.com/nilc-nlp/DNLT-BP
Metodologia
Etapas principais
Processamento
- Pré-processamento: limpeza, tokenização, stopwords, normalização e lematização.
- Representações: BoW, TF-IDF, Word2Vec, FastText, GloVe, MiniLM e BERTimbau.
- Redução de dimensionalidade: PCA, t-SNE e autoencoders.
- Balanceamento: SMOTE, ADASYN, TomekLinks e estratégias combinadas.
- Avaliação: acurácia, precisão, revocação e F1 macro.
Modelagem
O estudo testa comitês e modelos clássicos (LightGBM, CatBoost, XGBoost) e utiliza validação cruzada estratificada para lidar com o desbalanceamento de classes. O objetivo é comparar abordagens de forma transparente e reprodutível.
Pipeline
Da limpeza aos relatórios
Fluxo completo
Etapas do pipeline SynapSpeech
Arraste ou navegue para ver cada fase detalhada.
Resultados
Resultados
Resultados Preliminares
Na avaliacao preliminar, a melhor configuração foi LightGBM com ADASYN e representações combinadas. Os números abaixo são indicativos e servem para acompanhar o desempenho do pipeline ao longo da pesquisa.
Sempre interpretar os resultados como triagem e apoio ao acompanhamento.
85%
F1 macro
Acurácia de 86% em avaliacao preliminar.
Precisão e revocação variam por grupo clínico.
85%
F1 macro
86%
Acurácia
88%
Precisão (saudável)
82%
Precisão (não saudável)
90%
Revocação (saudável)
79%
Revocação (não saudável)
ConnectSynap
Extensão do SynapSpeech no Telegram
O ConnectSynap é a vertente aplicada do SynapSpeech. Ele reúne tarefas curtas de narrativa, memória e fluência verbal em um bot no Telegram, facilitando a triagem e o acompanhamento em diferentes contextos.
- Fluxo guiado com consentimento informado.
- Tarefas rápidas e acessíveis em dispositivo móvel.
- Resultados indicativos, sem substituir avaliação clínica.
Conheça o ConnectSynap
Veja como o bot funciona, quais testes são aplicados e como acessar o FAQ dedicado.
FAQ
Perguntas sobre o SynapSpeech
No enfrentamento da Doença de Alzheimer, há um desafio silencioso: o da detecção precoce. Para muitas pessoas, especialmente em regiões com recursos limitados, esse passo inicial nem sempre acontece, seja por falta de acesso, de infraestrutura, ou mesmo de informação. É nesse cenário que o SynapSpeech propõe uma alternativa. Em vez de exames caros e restritivos, ele utiliza a fala espontânea como base para análise. Com o auxílio de técnicas de Processamento de Linguagem Natural (PLN) e Aprendizado de Máquina (AM), o sistema busca identificar padrões linguísticos que possam sinalizar alterações cognitivas associadas aos estágios iniciais da doença. Ou seja, a partir de um celular comum, uma gravação, pode-se iniciar um processo de triagem. A proposta não propõe a substituição do profissional especializado, e sim, uma potencialização na descoberta do diagnóstico antecipado.
Não. Os resultados são indicativos e sempre precisam de acompanhamento profissional.
Alzheimer, comprometimento cognitivo leve e controles, com pipeline binário em duas fases.
BoW, TF-IDF, Word2Vec, FastText, GloVe, MiniLM e BERTimbau.
- Base guarda-chuva: Casanova et al. (2020, LREC). “Evaluating Sentence Segmentation in Different Datasets of Neuropsychological Language Tests in Brazilian Portuguese”. ACL Anthology
- Narrativa (picture description / connected speech): Giles, Patterson e Hodges (1996). Perda de informação na descrição da “Cookie Theft” em Alzheimer. Taylor & Francis Online
- Narrativa (picture description / connected speech): Slegers, Filiou, Montembeault e Brambati (2018). Revisão sistemática sobre discurso em Alzheimer (AD) com “picture description”. PubMed
- Sequência de imagens (picture-sequence narrative): Casanova et al. (2020, LREC). Estímulos por sequência de cenas e livro ilustrado. ACL Anthology
- Sequência de imagens (picture-sequence narrative): Malcorra et al. (2022). “The Dog Story” como tarefa de sequência (BALE). Repositório PUCRS
- Sequência de imagens (picture-sequence narrative): Bateria de Avaliação da Linguagem no Envelhecimento (BALE). ResearchGate
- Sequência de imagens (picture-sequence narrative): Bose et al. (2022). Impacto do tipo de tarefa na fala conectada em demência. PMC
- Recordação verbal (lista de palavras / delayed recall): Zhao et al. (2012). “Short-Term Delayed Recall of Auditory Verbal Learning Test Is Equivalent to Long-Term Delayed Recall for Identifying Amnestic Mild Cognitive Impairment”. PLOS ONE
- Recordação verbal (lista de palavras / delayed recall): Xu et al. (2020). AVLT para predição de conversão em MCI. PubMed
- Recordação verbal (lista de palavras / delayed recall): Vyhnálek et al. (2022). Contribuição de testes de memória para identificação precoce. PMC
- Recordação verbal (lista de palavras / delayed recall): Takada et al. (2006). “Delayed recall” em demência em contexto comunitário (Brasil). SciELO
- Recordação verbal (lista de palavras / delayed recall): ABCD / “Wallet Story” (referências de uso clínico). ResearchGate
- Fluência verbal semântica (animais / 60s): Radanovic et al. (2009). Animais/frutas discriminando controles, MCI e Alzheimer. International Psychogeriatrics
- Fluência verbal semântica (animais / 60s): Tessaro et al. (2020). Fluência verbal em controles vs. MCI vs. AD (Brasil). SciELO
- Fluência verbal semântica (animais / 60s): Neves et al. (2020). Acurácia da fluência semântica para separar grupos (Brasil). SciELO
- Sentença ambígua (compreensão sintático-semântica): Kempler et al. (1998). Déficits de compreensão de sentenças em Alzheimer. PubMed
- Sentença ambígua (compreensão sintático-semântica): Grossman et al. (1998). Fatores gramaticais/semânticos na compreensão de sentenças em Alzheimer (AD). ScienceDirect
- Sentença ambígua (compreensão sintático-semântica): Grober et al. (1995). Correspondência sentença–figura em Alzheimer. Taylor & Francis Online
- Sentença ambígua (compreensão sintático-semântica): Liu et al. (2019). Piora da compreensão de sentenças em DAT/Alzheimer. PeerJ
- Sentença ambígua (compreensão sintático-semântica): van Boxtel e Hagoort (2021). Revisão sobre compreensão de sentenças no envelhecimento e em Alzheimer (AD). Compass