Please use this identifier to cite or link to this item: http://repositorio.ufpa.br:8080/jspui/handle/2011/12290
Full metadata record
DC FieldValueLanguage
dc.creatorFIEL, José de Santana-
dc.date.accessioned2020-02-14T14:12:04Z-
dc.date.available2020-02-14T14:12:04Z-
dc.date.issued2019-12-04-
dc.identifier.citationFIEL, 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:.pt_BR
dc.identifier.urihttp://repositorio.ufpa.br:8080/jspui/handle/2011/12290-
dc.description.abstractMillions 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.pt_BR
dc.description.sponsorshipCNPq - Conselho Nacional de Desenvolvimento Científico e Tecnológicopt_BR
dc.languageporpt_BR
dc.publisherUniversidade Federal do Parápt_BR
dc.rightsAcesso Abertopt_BR
dc.source1 CD-ROMpt_BR
dc.subjectAprendizado de máquinapt_BR
dc.subjecteletroencefalografiapt_BR
dc.subjectepilepsiapt_BR
dc.subjectdensidade espectral de potênciapt_BR
dc.subjectindice ponderado e defasado de atraso de fasept_BR
dc.subjectDebiased weighted phase-lag indexen
dc.subjectelectroencephalographyen
dc.subjectepilepsyen
dc.subjectmachine learningen
dc.subjectpower spectral densityen
dc.titleClassificação de eletroencefalogramas epiléticos em estado de repouso com aplicação de classificadores lineares e um atributo derivado da densidade espectral de potênciapt_BR
dc.title.alternativeClassification of resting epileptic electroencephalograms with application of linear classifiers and an attribute derived from the power spectral densitypt_BR
dc.typeDissertaçãopt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentInstituto de Tecnologiapt_BR
dc.publisher.initialsUFPApt_BR
dc.subject.cnpqCNPQ::ENGENHARIAS::ENGENHARIA ELETRICApt_BR
dc.contributor.advisor1PEREIRA JÚNIOR, Antonio-
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/3239362677711162pt_BR
dc.creator.Latteshttp://lattes.cnpq.br/7025214770746107pt_BR
dc.description.resumoMilhões 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.pt_BR
dc.publisher.programPrograma de Pós-Graduação em Engenharia Elétricapt_BR
dc.subject.linhadepesquisaPROCESSAMENTO DIGITAL DE SINAISpt_BR
dc.subject.areadeconcentracaoTELECOMUNICAÇÕESpt_BR
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