Modelo Híbrido Inception-XGB para Discriminação de Padrões Artefatuais em Eletroencefalografia de Pacientes com Epilepsia

O objetivo deste trabalho foi comparar o desempenho de diferentes algoritmos de aprendizado de máquina em uma tarefa de classificação de quatro tipos de padrões artefatuaiscomumente encontrados em registros de Eletroencefalografia (EEG). Os padrões foramprocessados usando uma Rede Neural Convolucional (CNN) do tipo Inception. Foram usados registros de pacientes portadores de Epilepsia de uma base pública de dados. Um total de 200 pacientes participaram do estudo, sendo 100 homens e 100 mulheres, comidades e comorbidades associadas variadas. Na engenharia de dados nós utilizamos a Transformada de Hilbert-Huang (HHT) para extração de potência e fase instantâneas de amostras correspondendo à 1 segundo de registro cada, distribuídas em quatro classes de padrões artefatuais. Sendo estas: a) movimento ocular, b) movimento muscular, c) ruído eletrostático, e d) tremores musculares. As amostras bidimensionais compostas por potência e fase foram processadas pela arquitetura Inception, reduzidas à um vetor unidimensional e então alimentaram quatro diferentes algoritmos de aprendizado de máquina, sendo estes: a) Extreme Gradient Boosting (XGB), b) Random Forest Classifier (RFC), c) K-Neighbors Classifier (k-NN) e d) Logistic Regression (LR). A média das acurácias de cada modelo, por instancia de treinamento (fold), foi comparada através do teste estatístico ANOVA, para verificar diferenças estatísticas entre os modelos. Os resultados mostraram que o algoritmo XGB obteve melhor performance, com acurácia de 94.82% aproximadamente 13% mais preciso que o modelo linha de base, que teve acurácia de 83.97% quando treinado nos dados brutos. Foi estabelecido assim um modelo final híbrido Inception-XGB inédito, em conjunto com um eficiente processo de extração de características.