Epilepsy seizure detection based on artificial neural networks using time-frequency signal processing

• Ano de defesa: 2021
• Autor(a) principal: Cristina Natalia Espinosa Martínez
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Instituição de defesa: Universidade Federal de Minas Gerais; Brasil; ENG - DEPARTAMENTO DE ENGENHARIA MECÂNICA; Programa de Pós-Graduação em Engenharia Mecanica; UFMG
• Palavras-chave em Português: Epilepsy detection; Convolutional neural network; Feedforward neural network; Short Time Fourier transform; Fast Fourier transform; Electroencephalogram; Engenharia mecânica; Fourier, Transformações de; Epilepsia
• Link de acesso: http://hdl.handle.net/1843/38241; https://orcid.org/0000-0003-0945-4896

A epilepsia é uma doença neural crônica que afeta 50 milhões de pessoas no mundo. Devido às crises epilépticas serem espontâneas, em alguns casos não podem ser controladas. Portanto, um método ou uma tecnologia para prever e identificar os episódios é altamente requerido. Neste estudo apresenta-se o desenvolvimento de dois métodos baseados em aprendizado de máquina. O primeiro método está baseado na Rede Neural Feedforward (FNN) com backpropagation (BP) que funciona com um canal de eletroencefalografia (EEG), onde as entradas da rede são adquiridas mediante Transformada Discreta de Wavelet (DWT) e Transformada Rápida de Fourier (FFT). No segundo método aplicou-se Redes Neurais Convulsionais (CNN) usando 21 canais de EEG, sendo analisado para três entradas diferentes como domínio do tempo, domínio da frequência usando FFT e domínio do tempo-frequência aplicando-se a Transformada de Fourier em Tempo Curto (STFT). Tanto o modelo FNN quanto o CNN fazem uma classificação binaria, onde 1 representa atividade ictal e 0 simboliza um período livre de crises. Para testar ambos modelos foi usado oito EEG da base de dados Temple University Hospital Seizure Corpus (TUH-SC). Além disso, aplicou-se dois casos de treinamento para avaliar o rendimento dos modelos. Para o caso 1 criou-se um modelo treinado com o conjunto de treinamento de cada paciente. No caso 2, gerou-se um conjunto de treinamento que contém diferentes tipos de crises para treinar um modelo único. Os resultados mostraram que o treinamento 1, utilizando o modelo CNN com entrada no domínio de tempo-frequência reporta uma acurácia de 95.3%, recall de 81.6%, precisão de 92.5%, F-score de 85.7%, e um erro de 4.7%. No caso do treinamento 2, foi aplicado o modelo CNN com entrada no domínio do tempo-frequência, dado que este foi capaz de detectar atividade ictal em todos os pacientes testados, obtendo uma acurácia, recall, precisão, F-score, e erro de 78.1%, 76.9%, 66.2%, 65.4%, e 21.9%, respectivamente. Conforme os resultados obtidos e demonstrados, conclui-se que os métodos desenvolvidos atendem ao objetivo de detectar atividade ictal, sendo que o modelo CNN mostrou melhor solução proposta. Diante disso, o modelo CNN foi utilizado para desenvolver um protótipo de uma aplicação que facilita o monitoramento de um paciente com epilepsia.