Modelos de aprendizado de máquina no estudo e previsão de crises epilépticas

• Ano de defesa: 2021
• Autor(a) principal: Giovanaz, Gabriel
• Orientador(a): Idiart, Marco Aurelio Pires
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Epilepsia resistente a medicamentos; Epilepsia; Aprendizado de máquina; Previsões
• Link de acesso: http://hdl.handle.net/10183/248642

A epilepsia é uma doença que afeta em torno de 50 milhões de pessoas em todo o mundo. É caracterizada por crises recorrentes que podem ser de diferentes tipos podendo levar a prejuízos à vida dessas pessoas. Estima-se que cerca de um terço dos pacientes com epilepsia tenham crises refratária aos medicamentos, disponíveis. Epilepsia refratária pode causar danos cerebrais afetando a qualidade de vida do paciente. Às vezes o tratamento para cessar as crises destes pacientes é cirúrgico com a remoção do tecido cerebral afetado. Para estes pacientes com epilepsia refratária, a previsão das crises poderia ser importante para que atuações possam ser feitas no intuito de impedir a ocorrência das mesmas. Técnicas de previsão de crises usando modelagem matemática e aprendizado de máquina têm sido exploradas com bons resultados, embora nem sempre com um modelo online que possa prever essas crises em tempo real. Neste trabalho avaliamos o desempenho de um modelo de aprendizado profundo treinado com dados de EEG de conjuntos de dados abertos, utilizando diferentes técnicas de pré-processamento para prever a ocorrência das crises. Os modelos foram treinados para que a previsão pudesse ser feita em um intervalo de até 30 minutos antes de sua ocorrência. Diferentes modelos foram treinados com 4 métodos de pré-processamento: transformada de onduletas, transformada de onduletas + filtro AR, transformada de onduletas + filtro de onduletas e acoplamento fase-amplitude. Todos os modelos usaram a mesma rede neural convolucional, com entradas adaptadas. A performance m´edia (AUC) dos modelos atingiu 81,5%, 80,5%, 80,7% e 94,3%, respectivamente, e o último modelo atingiu 100% de performance para alguns indivíduos. Os resultados mostram que é possível prever essas crises com precisão e em tempo real, possibilitando que a engenharia de dispositivos possa ser utilizadas por pessoas e auxiliá-las na identificaççao e no manejo das crises.