A predição de crises epilépticas tem sido objeto de muitas pesquisas há décadas, porém, apesar do interesse na área, muitos dos resultados promissores obtidos na teoria ainda não se replicaram na prática. Muito se deve à falta de dados confiáveis e padronização entre pesquisas, mas também pela falta de uma boa definição do período pré-ictal. Há evidências clínicas da relação entre estresse e o desencadeamento de crises epilépticas. Este trabalho propõe o desenvolvimento de um modelo de classificação de emoções a partir de sinais de eletroencefalografia (EEG) na base de dados do DEAP (Database for Emotion Analysis using Physiological Signals) e sua aplicação em pacientes com epilepsia, com o objetivo de caracterizar eventos de estresse emocional anteriores a crise. A motivação é desenvolver modelos, que futuramente aprimorados, possam contribuir para a predição e prevenção dessas crises epilépticas. Para emoções da classe negativa e excitada, o classificador implementado nesta dissertação forneceu uma acurácia de 70,2%, que é um resultado comparável aos da literatura, entre 73,1% e 83,1%. Em relação às emoções específicas de estresse, atingiu-se uma acurácia de 80,9% e uma sensibilidade de 51,0% com o classificador desta dissertação, o que foi um avanço em relação a resultados anteriores de 86,3% de acurácia, mas apenas 28,3% de sensibilidade. O classificador de estresse foi aplicado em dados de pacientes pediátricos com epilepsia e foram encontrados picos de classificação de estresse em períodos de algumas horas anteriores à crise. Esse resultado valida a observação clínica da relação entre estresse e o desencadeamento de crises em pacientes com epilepsia e contribui com o potencial de predizê-las por intermédio de um classificador de sinais de EEG.

The prediction of epileptic seizures has been the subject of extensive research for decades. However, despite the interest in this area, many of the promising results obtained in theory have not yet been replicated in practice. This is largely due to the lack of reliable data and standardization among studies, as well as the absence of a clear definition of the pre-ictal period. There is clinical evidence of the relationship between stress and the onset of epileptic seizures. This work proposes the development of an emotion classification model using electroencephalography (EEG) signals from the DEAP database (Database for Emotion Analysis using Physiological Signals) and its application in epilepsy patients, aiming at the characterization of emotional stress events preceding a seizure. The motivation is to develop models that, when further improved, could contribute to the prediction and prevention of epileptic seizures. For emotions in the negative and excited class, the classifier implemented in this dissertation achieved an accuracy of 70.2%, which is comparable to results in the literature, ranging from 73.1% to 83.1%. Regarding the specific stress emotion, an accuracy of 80.9% and a sensitivity of 51.0% were achieved with the classifier in this dissertation, which represents an advancement compared to previous results of 86.3% accuracy but only 28.3% sensitivity. The stress classifier was applied to pediatric epilepsy patient data, revealing stress classification peaks in a few hours preceding seizures. This result validates the clinical observation of the relationship between stress and the triggering of seizures in epilepsy patients, and contributes with the possibility of predicting them through an EEG signal classifier.