Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/29911| Título: | Extração e seleção de características de sinais de eletroencefalograma para diagnóstico de crises epilépticas |
| Título(s) alternativo(s): | Feature extraction and selection from electroencephalograms signals for epileptic seizure diagnosis |
| Autor(es): | Vargas, Dionathan Luan de |
| Orientador(es): | Teixeira, Marcelo |
| Palavras-chave: | Eletroencefalografia Epilepsia Mineração de dados (Computação) Aprendizado do computador Processamento de sinais Electroencephalography Epilepsy Data mining Machine learning Signal processing |
| Data do documento: | 23-Set-2022 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Pato Branco |
| Citação: | VARGAS, Dionathan Luan de. Extração e seleção de características de sinais de eletroencefalograma para diagnóstico de crises epilépticas. 2022. Dissertação (Mestrado em Engenharia Elétrica) - Universidade Tecnológica Federal do Paraná, Pato Branco, 2022. |
| 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. |
| Abstract: | Epilepsy is one of the most common diseases and affects approximately 50 million people worldwide. Its diagnosis requires analyzing an electroencephalogram (EEG), which measures brain electrical activity represented by time series. The analysis of EEG segments depends on human interpretation, which may lead to divergent results, and be tedious, imprecise, and error-prone. Moreover, one estimates more than 80% of the epilepsy exams return no anomalies at all, wasting the effort of analysis. This paper proposes an automatic way to analyze EEG segments. The approach is based on the combination of multispectral analysis, feature selection and machine learning (ML) methods for dimensionality reduction in EEG classification. As our main contribution, we proposed a methodology to minimize the number of features required for classifier training, minimizing the interference of irrelevant measures. The selected features were used as input of five ML algorithms to classify EEG segments. A minimum set of features is chosen for each selection method, and the results are compared select the best feature subset. In this work, features based on statistics, energy, entropy and specific measures were extracted from the four representations of the EEG. These features were selected by feature selection techniques and used as input in ML algorithms. In the experimental evaluation, results statistically prove that this approach is as efficient as using the complete feature dataset for classifier building. The proposed classifiers improve the related literature, reaching an accuracy between 87.2 and 90.99%, and considerably reduce the number of features, from 285 to 30, under the same accuracy scores. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/29911 |
| Aparece nas coleções: | PB - Programa de Pós-Graduação em Engenharia Elétrica |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| extracaoselecaocaracteristicaseletroencegalograma.pdf | 3,16 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
