Please use this identifier to cite or link to this item: https://repositorio.ufrn.br/jspui/handle/123456789/24209
Title: Utilização de técnicas de aprendizado de máquina para predição de crises epiléticas
Authors: Santos, Kelyson Nunes dos
Keywords: Predição de eventos;Predição de crises epiléticas;Epilepsia;Comitês de classificadores
Issue Date: 28-Jul-2016
Citation: SANTOS, Kelyson Nunes dos. Utilização de técnicas de aprendizado de máquina para predição de crises epiléticas. 2016. 73f. Dissertação (Mestrado em Sistemas e Computação) - Centro de Ciências Exatas e da Terra, Universidade Federal do Rio Grande do Norte, Natal, 2016.
Portuguese Abstract: A predição de eventos a partir de dados neurofisiológicos possui muitas variáveis que devem ser analisadas em diferentes momentos, desde a aquisição e registro de dados até o pós-processamento dos mesmos. Assim, a escolha do algoritmo que irá processar esses dados é uma etapa muito importante, pois o tempo de processamento e a acurácia do resultado são fatores determinantes para uma ferramenta de auxílio de diagnóstico. A tarefa de classificação e predição também auxilia no entendimento das interações realizadas pelas redes de células cerebrais. Este trabalho realiza o estudo de técnicas de Aprendizado de Máquina com diferentes características para analisar seu impacto na tarefa de predição de eventos a partir de dados neurofisiológicos e propõe o uso de comitês de classificadores de forma a otimizar o desempenho da tarefa de predição através do uso de técnicas de baixo custo computacional
Abstract: Event prediction from neurophysiological data has many variables which must be analyzed in di erent moments, since data acquisition and registry to its post-processing. Hence, choosing the algorithm that will process these data is a very important step, for processing time and accuracy of results are determinant factors for a diagnosis auxiliary tool. Tasks of classi cation and prediction also help in understanding brain cell's networks interactions. This work uses Supervised Machine Learning techniques with different features to analyze their impact on the task of epileptic seizure prediction from canine neurophysiological data and purposes using of ensembles to optimize the performance of event prediction task through computational low-cost techniques. Epileptic dogs' EEG data were preprocessed throug Fourier transform and only significant frequencies were considered (1 to 30Hz). It was applied a dimensionality reductor and then data was submitted to supervised machine learning techniques. Two scenarios were evaluated: first used raw data resulted from Fourier transform, as the second one transform these data. Algorithms evaluation was made through area under ROC curve (AUC) measure. Best results were to scenario A (a) an heterogeneous ensemble formed by a KNN, a decision tree and a bayesian classifier, scoring 0.7074 and (b) an example of decision tree evaluated in 0.687, and, for scenario B, best results were (a) a setup of decision tree which obtained 0.620 and (b) an heterogeneous ensemble composed by a KNN, a decision tree and a bayesian classifier, scoring 0.612.
URI: https://repositorio.ufrn.br/jspui/handle/123456789/24209
Appears in Collections:PPGSC - Mestrado em Sistemas e Computação

Files in This Item:
File Description SizeFormat 
KelysonNunesDosSantos_DISSERT.pdf1,04 MBAdobe PDFThumbnail
View/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.