Uma nova abordagem para a predição de crises epilépticas baseada nas técnicas de padrões espaciais comuns e aprendizagem de máquina

• Ano de defesa: 2022
• Autor(a) principal: Silva, Carolline Victor Gomes da
• Orientador(a): Agulhari, Cristiano Marcos
• Banca de defesa: Takahata, André Kazuo , Agulhari, Cristiano Marcos , Lizzi, Elisângela Aparecida da Silva , Oliva, Jefferson Tales , Scalassara, Paulo Rogerio
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Tecnológica Federal do Paraná; Cornelio Procopio
• Programa de Pós-Graduação: Programa de Pós-Graduação em Engenharia Elétrica
• País: Brasil
• Palavras-chave em Português: Eletroencefalografia; Wavelets (Matemática); Kalman, Filtragem de; Electroencephalography; Wavelets (Mathematics); Kalman filtering
• Área do conhecimento CNPq: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
• Link de acesso: http://repositorio.utfpr.edu.br/jspui/handle/1/30253

A epilepsia é uma das doenças neurológicas mais comuns, caracterizada por convulsões recorrentes causadas por breves distúrbios nas funções elétricas do cérebro. Em 30% dos casos, esta condição não pode ser tratada com sucesso por medicação ou ressecção, impactando diretamente na qualidade de vida do paciente. Assim, há um interesse significativo em desenvolver ferramentas confiáveis para prever convulsões, permitindo a tomada de decisões, ou pelo menos alertar os pacientes para estarem preparados quando uma convulsão se aproxima. O método proposto para previsão de convulsões é baseado na análise tempo-frequência do eletroencefalograma de escalpo (EEG) e no uso de técnicas de filtragem espacial para extrair características capazes de discriminar as atividades intercital e preictal. Os coeficientes dos ritmos teta, alfa e beta do EEG, obtidos pela decomposição da Transformada Discreta Wavelet, são submetidos à técnica de filtragem dos Padrões Espaciais Comuns. Atributos estatísticos e relacionados à entropia são extraídos e, em seguida, as características são selecionadas e aplicadas no classificador SVM com kernel Gaussiano, a fim de discriminar o estado cerebral como preictal ou não-preictal. O algoritmo proposto é avaliado em registros de superfície multicanal de 17 sujeitos com epilepsia refratária do banco de dados do Children's Hospital Boston and Massachusetts Institute of Technology (CHB-MIT). Duas técnicas, Filtro de Kalman e o Filtro de Mediana, são também comparadas em uma etapa de pós-processamento para suavizar os resultados do classificador. Uma decisão final de cada época do EEG foi tomada após um processo de nivelamento. Os melhores resultados mostraram uma precisão média de 68,8% para a classificação da amostra. O gerador de alarme reportou uma taxa de falso-positivo de 0,334 por hora.