Please use this identifier to cite or link to this item: http://repositorio.ufpa.br/jspui/handle/2011/12290
metadata.dc.type: Dissertação
Issue Date: 4-Dec-2019
metadata.dc.creator: FIEL, José de Santana
metadata.dc.contributor.advisor1: PEREIRA JÚNIOR, Antonio
Title: Classificação de eletroencefalogramas epiléticos em estado de repouso com aplicação de classificadores lineares e um atributo derivado da densidade espectral de potência
Other Titles: Classification of resting epileptic electroencephalograms with application of linear classifiers and an attribute derived from the power spectral density
metadata.dc.description.sponsorship: CNPq - Conselho Nacional de Desenvolvimento Científico e Tecnológico
Citation: FIEL, José de Santana. Classificação de eletroencefalogramas epiléticos em estado de repouso com aplicação de classificadores lineares e um atributo derivado da densidade espectral de potência. Orientador: Antonio Pereira Júnior. 2019. 99 f. Dissertação (Mestrado em Engenharia Elétrica) - Instituto de Tecnologia, Universidade Federal do Pará, Belém, 2019. Disponível em: http://repositorio.ufpa.br:8080/jspui/handle/2011/12290. Acesso em:.
metadata.dc.description.resumo: Milhões de brasileiros são afetados pela epilepsia e o acesso ao diagnóstico precoce é crucial para o seu tratamento adequado. No entanto, o diagnóstico de epilepsia depende da avaliação de registros eletroencefalográficos (EEG) de longa duração realizados por profissionais treinados, transformando-o em um processo oneroso que não está imediatamente disponível para muitos pacientes no Brasil. Assim, o presente trabalho propõe uma metodologia para a classificação automática do EEG de indivíduos epiléticos, que utiliza registros de EEG de curta duração obtidos com o paciente em repouso. O sistema é baseado em algoritmos de aprendizado de máquina que usam um atributo extraído da densidade espectral de potência dos sinais de EEG. Esse atributo é uma estimativa da conectividade funcional entre os pares de canais de EEG e é chamado debiased weighted phase-lag index (dWPLI). Os algoritmos de classificação foram análise discriminante linear (LDA) e máquinas de vetores de suporte (SVM). Os sinais de EEG foram adquiridos durante o estado interictal, isto é, entre convulsões e não tinham atividade epileptiforme. Registros EEG 11 pacientes epiléticos e 7 indivíduos saudáveis foram utilizados para avaliar o desempenho do método proposto. Ambos os algoritmos atingiram seu desempenho máximo de classificação, 100 % de precisão e área sob a curva de característica de operação do receptor (AUROC), quando um vetor de característica com 190 atributos foi usado como entrada. Os resultados mostram a eficácia do sistema proposto, dado seu alto desempenho de classificação.
Abstract: Millions of Brazilians are affected with epilepsy and the access to early diagnosis is crucial for their adequate treatment. However, epilepsy diagnosis depends on the evaluation of longduration electroencephalographic (EEG) recordings performed by trained professionals, turning it in a time-consuming process which is not readily available for many patients. Thus, the present work proposes a methodology for automatic EEG classification of epileptic subjects which uses short-duration EEG recordings obtained with the patient at rest. The system is based on machine learning algorithms that use an attribute extracted from the power spectral density of EEG signals. This attribute is an estimate of functional connectivity between EEG channel pairs and is called debiased weighted phase-lag index. The classification algorithms were linear discriminant analysis (LDA) and support vector machines (SVM). EEG signs were acquired during the interictal state, i.e., between seizures and had no epileptiform activity. Recordings of 11 epileptic patients and 7 healthy subjects were used to evaluate the method’s performance. Both algorithms reached their maximum classification performances, 100 % accuracy and area under the receiver operating characteristic (AUROC) curve, when a feature vector with 190 attributes was used as input. The results show the efficacy of the proposed system, given its high classification performance.
Keywords: Aprendizado de máquina
eletroencefalografia
epilepsia
densidade espectral de potência
indice ponderado e defasado de atraso de fase
metadata.dc.subject.cnpq: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
metadata.dc.publisher.country: Brasil
Publisher: Universidade Federal do Pará
metadata.dc.publisher.initials: UFPA
metadata.dc.publisher.department: Instituto de Tecnologia
metadata.dc.publisher.program: Programa de Pós-Graduação em Engenharia Elétrica
metadata.dc.rights: Acesso Aberto
metadata.dc.source: 1 CD-ROM
Appears in Collections:Dissertações em Engenharia Elétrica (Mestrado) - PPGEE/ITEC

Files in This Item:
File Description SizeFormat 
Dissertacao_ClassificacaoEletroencefalogramasEpileticos.pdf6,26 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons