Classificação de sinais eletroencefalográficos utilizando Transformada Wavelet Discreta e Máquina de Vetores de Suporte: uma aplicação na diferenciação entre crises epilépticas e crises não epilépticas psicogênicas

• Ano de defesa: 2018
• Autor(a) principal: Santos, Kauê Reis dos
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Instituto Federal de Educação, Ciência e Tecnologia São Paulo (IFSP)
• Palavras-chave em Português: Crises epilépticas; Transformada Wavelet Discreta (TWD); Máquina de Vetores de Suporte (MVS); Eletroencefalograma (EEG); Crises não epilépticas psicogênicas (CNEP); Supporting Vector Machine (SVM); Discrete Wavelet Transform (DWT); Electroencephalogram (EEG); Engenharias
• Link de acesso: https://deposita.ibict.br/handle/deposita/41

O presente trabalho aborda o estudo e aplicação da Transformada Wavelet Discreta (DWT) em conjunto com o classificador do tipo Máquina de Vetores de Suporte (SVM) na diferenciação entre crises epilépticas e crises não epilépticas psicogênicas (CNEP). Um banco de dados com exames de eletroencefalograma (EEG) contendo crises epilépticas e crises não epilépticas psicogênicas foi coletado na Unidade de Videoeletroencefalografia do Instituto de Psiquiatria do Hospital das Clínicas da Faculdade de Medicina da Universidade de São Paulo (IPq-HCFMUSP). No processamento do sinal EEG, foi utilizada a Transformada Wavelet Discreta (DWT) baseada nas famílias Coiflet 1 e Daubechies 4 e a extração direta do sinal (sem usar DWT). A partir desses processamentos, foram gerados vetores de características para o treinamento e avaliação do classificador SVM. Na análise do desempenho do classificador, foram realizados testes modificando-se o número de vetores de características para o treinamento do classificador, a origem do vetor de características (Coiflet 1, Daubechies 4 e extração direta) e o tipo de kernel (Linear, Polinomial, Função de Base Radial - RBF - e Sigmoide). Como resultado, no caso do emprego de janelas de 1 segundo no processamento do sinal EEG, o classificador foi capaz de atingir uma taxa de acerto (acurácia) de até 100% usando o kernel Linear e as famílias Coiflet 1 e Daubechies 4. No caso da utilização do tempo total de cada crise, o classificador obteve uma taxa de acerto de até 100% nos quatro tipo de kernel usando a família Coiflet 1. Desse modo, com base nos vetores de características utilizados, foi possível concluir que o classificador SVM é eficiente e o seu uso é viável na diferenciação entre crise epiléptica e CNEP.