Classificação de sinais de EEG: uma abordagem da visão computacional com redes neurais convolucionais para predição de crises epilépticas

dc.contributor.advisorAraújo, John Fontenele
dc.contributor.advisor-co1Medeiros, Inácio Gomes
dc.contributor.advisor-co1Latteshttp://lattes.cnpq.br/8450369742588953pt_BR
dc.contributor.advisorIDhttps://orcid.org/0000-0002-8022-2425pt_BR
dc.contributor.advisorLatteshttp://lattes.cnpq.br/3347815035685882pt_BR
dc.contributor.authorArruda, Hanna Carla Gurgel
dc.contributor.authorLatteshttp://lattes.cnpq.br/8417403092838797pt_BR
dc.contributor.referees1Laplagne, Diego Andres
dc.contributor.referees2Santos, Lucas Galdino Bandeira dos
dc.contributor.referees3Moioli, Renan Cipriano
dc.date.accessioned2023-12-05T00:04:54Z
dc.date.available2023-12-05T00:04:54Z
dc.date.issued2023-10-18
dc.description.abstractElectroencephalography (EEG) is a non-invasive technique for recording and monitoring brain electrical activity. The EEG signals obtained provide valuable information about cognitive processes, mental states, and neurological conditions such as epilepsy. EEG plays a fundamental role as a diagnostic tool in medicine and extends to various fields, including neuroscience and biomedical engineering. One crucial aspect of EEG study is related to the detection and prediction of epileptic seizures. According to the World Health Organization (WHO), epilepsy affects approximately 50 million people worldwide. The traditional diagnosis of epilepsy involves visual analysis, conducted by a neurologist, of hours of EEG recordings to identify electroencephalographic patterns associated with seizures. However, this process can be costly and is subject to human errors. Faced with this challenge, researchers have been dedicated to seeking alternatives that can reduce analysis time and thus assist in more efficient diagnosis. As an alternative to this scenario, the application of artificial intelligence (AI) techniques can aid in the diagnostic process. The objective of our work is to propose a methodology for EEG signal classification to detect epileptic seizures. We used the open-source EEG dataset from Boston Children's Hospital, consisting of recordings of 198 seizures in 24 patients aged between 1.5 and 22 years. The data were pre-processed to remove noise and artifacts using the MNE Python library, specifically designed for neurophysiological analyses. The data were transformed into images for input into a Convolutional Neural Network (CNN). We implemented a 19-layer CNN in the Python language using the free Google Colaboratory platform. We selected 6 patients for model training using cross-validation and used the remaining 18 patients for individual tests to assess the model's generalization capability. We conducted four training sessions using different techniques to address data imbalance. Due to class imbalance that biases accuracy metrics, we considered Recall for class 1 as the most important metric for model selection for test data application. We achieved an average Recall for class 1 of 73% with unbalanced data and 83% with balanced data in the training set. In the test set, the averages were 38% and 74%, respectively. Computational resources were a limiting factor, influencing the size of the training set and the variability of patterns to be learned by the network. Nevertheless, we consider that our classification achieved good performance, especially given the challenge of dealing with extreme class imbalance.pt_BR
dc.description.resumoA eletroencefalografia (EEG) é uma técnica não invasiva de registro e monitoramento da atividade elétrica cerebral. Os sinais EEG obtidos proporcionam informações valiosas sobre processos cognitivos, estados mentais e condições neurológicas, como a epilepsia. O EEG desempenha um papel fundamental como ferramenta de diagnóstico na medicina e se estende como ferramenta para pesquisa à diversas áreas, como neurociências e engenharia biomédica. Um dos aspectos cruciais do estudo do EEG está relacionado à detecção e previsão de crises epilépticas. Segundo a Organização Mundial da Saúde (OMS), a epilepsia afeta aproximadamente 50 milhões de pessoas em todo o mundo. O diagnóstico tradicional da epilepsia envolve a análise visual, realizada por um neurologista, de horas de registros EEG, com o objetivo de identificar padrões eletroencefalográficos associados às crises. No entanto, esse processo pode ser dispendioso e está sujeito a erros humanos. Diante desse desafio, pesquisadores têm se dedicado à busca por alternativas que possam reduzir o tempo de análise e, assim, auxiliar no diagnóstico de forma mais eficiente. Como alternativa a esse cenário existe a aplicação de técnicas de inteligência artificial (IA), que podem auxiliar no processo de diagnóstico. O objetivo do nosso trabalho é propor uma metodologia para classificação de sinal de EEG a fim de detectar crises epilépticas. Utilizamos a base de dados de EEG de código aberto do Hospital Infantil de Boston, composta por registros de 198 convulsões em 24 pacientes com idade entre 1,5 e 22 anos. Os dados foram pré-processados para remoção de ruídos e artefatos utilizando a biblioteca MNE Python, específica para análises neurofisiológicas. Os dados foram transformados em imagem para input em uma rede neural convolucional (CNN). Implementamos uma CNN de 19 camadas na linguagem Python usando a plataforma gratuita Google Colaboratory. Selecionamos 6 pacientes para treinar o modelo usando validação cruzada e usamos os 18 pacientes restantes para testes individuais, a fim de verificar a capacidade de generalização do modelo. Realizamos quatro treinamentos usando técnicas diferentes para lidar com o desbalanceamento dos dados. Devido ao desbalanceamento de classes que enviesa a métrica de acurácia, consideramos o Recall da classe 1 a métrica mais importante para selecionar um modelo para aplicar aos dados de teste. Obtemos média do Recall da classe 1 de 73% com os dados desbalanceados e 83% com dados balanceados. No conjunto de teste as médias foram 38% e 74% respectivamente. Os recursos computacionais foram um fator limitante, o que influenciou o tamanho do conjunto de treino e a variabilidade de padrões a serem aprendidos pela rede. Ainda assim, consideramos que nossa classificação atingiu uma boa performance, especialmente pelo desafio de lidar com o extremo desbalanceamento de classes.pt_BR
dc.description.sponsorshipCoordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPESpt_BR
dc.identifier.citationARRUDA, Hanna Carla Gurgel. Classificação de sinais de EEG: uma abordagem da visão computacional com redes neurais convolucionais para predição de crises epilépticas. Orientador: Dr. John Fontenelle Araújo. 2023. 57f. Dissertação (Mestrado em Psicobiologia) - Centro de Biociências, Universidade Federal do Rio Grande do Norte, Natal, 2023.pt_BR
dc.identifier.urihttps://repositorio.ufrn.br/handle/123456789/55590
dc.languagept_BRpt_BR
dc.publisherUniversidade Federal do Rio Grande do Nortept_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.initialsUFRNpt_BR
dc.publisher.programPROGRAMA DE PÓS-GRADUAÇÃO EM PSICOBIOLOGIApt_BR
dc.rightsAcesso Abertopt_BR
dc.subjectEletroencefalografia (EEG)pt_BR
dc.subjectClassificaçãopt_BR
dc.subjectCNNpt_BR
dc.subjectAprendizado profundopt_BR
dc.subjectPythonpt_BR
dc.subject.cnpqCNPQ::CIENCIAS BIOLOGICASpt_BR
dc.titleClassificação de sinais de EEG: uma abordagem da visão computacional com redes neurais convolucionais para predição de crises epilépticaspt_BR
dc.typemasterThesispt_BR

Arquivos

Pacote Original

Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
ClassificacaosinaisEEG_Arruda_2023.pdf
Tamanho:
1.6 MB
Formato:
Adobe Portable Document Format
Nenhuma Miniatura disponível
Baixar