Extração e seleção de características de sinais de eletroencefalograma para diagnóstico de crises epilépticas
Ano de defesa: | 2022 |
---|---|
Autor(a) principal: | |
Orientador(a): | |
Banca de defesa: | , , |
Tipo de documento: | Dissertação |
Tipo de acesso: | Acesso aberto |
Idioma: | por |
Instituição de defesa: |
Universidade Tecnológica Federal do Paraná
Pato Branco |
Programa de Pós-Graduação: |
Programa de Pós-Graduação em Engenharia Elétrica
|
Departamento: |
Não Informado pela instituição
|
País: |
Brasil
|
Palavras-chave em Português: | |
Área do conhecimento CNPq: | |
Link de acesso: | http://repositorio.utfpr.edu.br/jspui/handle/1/29911 |
Resumo: | A epilepsia é uma das doenças mais comuns e afeta aproximadamente 50 milhões de pessoas em todo o mundo. Seu diagnóstico requer a análise de um eletroencefalograma, que mede a atividade elétrica cerebral representada por séries temporais. A análise dos segmentos do eletroencefalograma depende da interpretação humana, o que pode levar a resultados divergentes, ser tedioso, impreciso e propenso a erros. Além disso, estima-se que mais de 80% dos exames de epilepsia não retornam nenhuma anomalia, desperdiçando o esforço de análise. Este artigo propõe uma maneira automática de analisar segmentos de eletroencefalograma. A abordagem é baseada na combinação de métodos de análise multiespectral, seleção de características e aprendizado de máquina para redução de dimensionalidade na classificação de eletroencefalograma. Como nossa principal contribuição, propusemos uma metodologia para minimizar o número de características necessários para o treinamento do classificador, minimizando a interferência de medidas irrelevantes. As características selecionadas foram utilizadas como entrada de cinco algoritmos de aprendizado de máquina para classificar segmentos de eletroencefalograma. Um conjunto mínimo de características é escolhido para cada método de seleção, e os resultados são comparados selecionando o melhor subconjunto de características. Neste trabalho, características baseadas em estatística, energia, entropia e medidas específicas foram extraídas das quatro representações do eletroencefalograma. Essas características foram selecionados por técnicas de seleção de características e usadas como entrada em algoritmos de aprendizado de máquina. Na avaliação experimental, os resultados comprovam estatisticamente que essa abordagem é tão eficiente quanto usar o conjunto de dados de características completo para a construção do classificador. Os classificadores propostos superam as métricas avaliativas de trabalhos já publicados na literatura, alcançando uma precisão entre 87,2 e 90,99%, além de reduzirem consideravelmente a quantidade de características necessárias, de 285 para 30, mantendo a acurácia do modelo. |