Extração e seleção de características de sinais de eletroencefalograma para diagnóstico de crises epilépticas
Ano de defesa: | 2022 |
---|---|
Autor(a) principal: | |
Orientador(a): | |
Banca de defesa: | , , |
Tipo de documento: | Dissertação |
Tipo de acesso: | Acesso aberto |
Idioma: | por |
Instituição de defesa: |
Universidade Tecnológica Federal do Paraná
Pato Branco |
Programa de Pós-Graduação: |
Programa de Pós-Graduação em Engenharia Elétrica
|
Departamento: |
Não Informado pela instituição
|
País: |
Brasil
|
Palavras-chave em Português: | |
Área do conhecimento CNPq: | |
Link de acesso: | http://repositorio.utfpr.edu.br/jspui/handle/1/29911 |
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. |
id |
UTFPR-12_c8e5e92f8e0a8645c155c249c6298c83 |
---|---|
oai_identifier_str |
oai:repositorio.utfpr.edu.br:1/29911 |
network_acronym_str |
UTFPR-12 |
network_name_str |
Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) |
repository_id_str |
|
spelling |
2022-10-13T11:14:03Z2022-10-13T11:14:03Z2022-09-23VARGAS, 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.http://repositorio.utfpr.edu.br/jspui/handle/1/29911A 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.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.Conselho Nacional do Desenvolvimento Científico e Tecnológico (CNPq)Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)Financiadora de Estudos e Projetos (FINEP)Fundação Araucária de Apoio ao Desenvolvimento Científico e Tecnológico do ParanáporUniversidade Tecnológica Federal do ParanáPato BrancoPrograma de Pós-Graduação em Engenharia ElétricaUTFPRBrasilhttps://creativecommons.org/licenses/by/4.0/info:eu-repo/semantics/openAccessCNPQ::ENGENHARIAS::ENGENHARIA ELETRICAEngenharia/Tecnologia/GestãoEletroencefalografiaEpilepsiaMineração de dados (Computação)Aprendizado do computadorProcessamento de sinaisElectroencephalographyEpilepsyData miningMachine learningSignal processingExtração e seleção de características de sinais de eletroencefalograma para diagnóstico de crises epilépticasFeature extraction and selection from electroencephalograms signals for epileptic seizure diagnosisinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisPato BrancoTeixeira, Marcelohttps://orcid.org/0000-0002-1008-7838http://lattes.cnpq.br/8925349327322997Oliva, Jefferson Taleshttp://orcid.org/0000-0003-1574-1293http://lattes.cnpq.br/5086431818930800Casanova, Dalcimarhttps://orcid.org/0000-0002-1905-4602http://lattes.cnpq.br/4155115530052195Rosa, João Luís Garciahttp://orcid.org/0000-0002-9491-9434http://lattes.cnpq.br/7514074129301673Teixeira, Marcelohttps://orcid.org/0000-0002-1008-7838http://lattes.cnpq.br/8925349327322997https://orcid.org/0000-0003-4482-280Xhttp://lattes.cnpq.br/6918607349821475Vargas, Dionathan Luan dereponame:Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT))instname:Universidade Tecnológica Federal do Paraná (UTFPR)instacron:UTFPRORIGINALextracaoselecaocaracteristicaseletroencegalograma.pdfapplication/pdf3239064http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/29911/1/extracaoselecaocaracteristicaseletroencegalograma.pdf2b7cef00383ef28e439109531c7b10a2MD51TEXTextracaoselecaocaracteristicaseletroencegalograma.pdf.txtextracaoselecaocaracteristicaseletroencegalograma.pdf.txtExtracted texttext/plain115234http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/29911/2/extracaoselecaocaracteristicaseletroencegalograma.pdf.txt06ea93e3635b90570f2d62a7a51e0e9aMD52THUMBNAILextracaoselecaocaracteristicaseletroencegalograma.pdf.jpgextracaoselecaocaracteristicaseletroencegalograma.pdf.jpgGenerated Thumbnailimage/jpeg1275http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/29911/3/extracaoselecaocaracteristicaseletroencegalograma.pdf.jpg83e60b6982f0e780afefbe4833e316b9MD531/299112022-10-14 03:07:00.435oai:repositorio.utfpr.edu.br:1/29911Repositório de PublicaçõesPUBhttp://repositorio.utfpr.edu.br:8080/oai/requestopendoar:2022-10-14T06:07Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) - Universidade Tecnológica Federal do Paraná (UTFPR)false |
dc.title.pt_BR.fl_str_mv |
Extração e seleção de características de sinais de eletroencefalograma para diagnóstico de crises epilépticas |
dc.title.alternative.pt_BR.fl_str_mv |
Feature extraction and selection from electroencephalograms signals for epileptic seizure diagnosis |
title |
Extração e seleção de características de sinais de eletroencefalograma para diagnóstico de crises epilépticas |
spellingShingle |
Extração e seleção de características de sinais de eletroencefalograma para diagnóstico de crises epilépticas Vargas, Dionathan Luan de CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA Eletroencefalografia Epilepsia Mineração de dados (Computação) Aprendizado do computador Processamento de sinais Electroencephalography Epilepsy Data mining Machine learning Signal processing Engenharia/Tecnologia/Gestão |
title_short |
Extração e seleção de características de sinais de eletroencefalograma para diagnóstico de crises epilépticas |
title_full |
Extração e seleção de características de sinais de eletroencefalograma para diagnóstico de crises epilépticas |
title_fullStr |
Extração e seleção de características de sinais de eletroencefalograma para diagnóstico de crises epilépticas |
title_full_unstemmed |
Extração e seleção de características de sinais de eletroencefalograma para diagnóstico de crises epilépticas |
title_sort |
Extração e seleção de características de sinais de eletroencefalograma para diagnóstico de crises epilépticas |
author |
Vargas, Dionathan Luan de |
author_facet |
Vargas, Dionathan Luan de |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Teixeira, Marcelo |
dc.contributor.advisor1ID.fl_str_mv |
https://orcid.org/0000-0002-1008-7838 |
dc.contributor.advisor1Lattes.fl_str_mv |
http://lattes.cnpq.br/8925349327322997 |
dc.contributor.advisor-co1.fl_str_mv |
Oliva, Jefferson Tales |
dc.contributor.advisor-co1ID.fl_str_mv |
http://orcid.org/0000-0003-1574-1293 |
dc.contributor.advisor-co1Lattes.fl_str_mv |
http://lattes.cnpq.br/5086431818930800 |
dc.contributor.referee1.fl_str_mv |
Casanova, Dalcimar |
dc.contributor.referee1ID.fl_str_mv |
https://orcid.org/0000-0002-1905-4602 |
dc.contributor.referee1Lattes.fl_str_mv |
http://lattes.cnpq.br/4155115530052195 |
dc.contributor.referee2.fl_str_mv |
Rosa, João Luís Garcia |
dc.contributor.referee2ID.fl_str_mv |
http://orcid.org/0000-0002-9491-9434 |
dc.contributor.referee2Lattes.fl_str_mv |
http://lattes.cnpq.br/7514074129301673 |
dc.contributor.referee3.fl_str_mv |
Teixeira, Marcelo |
dc.contributor.referee3ID.fl_str_mv |
https://orcid.org/0000-0002-1008-7838 |
dc.contributor.referee3Lattes.fl_str_mv |
http://lattes.cnpq.br/8925349327322997 |
dc.contributor.authorID.fl_str_mv |
https://orcid.org/0000-0003-4482-280X |
dc.contributor.authorLattes.fl_str_mv |
http://lattes.cnpq.br/6918607349821475 |
dc.contributor.author.fl_str_mv |
Vargas, Dionathan Luan de |
contributor_str_mv |
Teixeira, Marcelo Oliva, Jefferson Tales Casanova, Dalcimar Rosa, João Luís Garcia Teixeira, Marcelo |
dc.subject.cnpq.fl_str_mv |
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA |
topic |
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA Eletroencefalografia Epilepsia Mineração de dados (Computação) Aprendizado do computador Processamento de sinais Electroencephalography Epilepsy Data mining Machine learning Signal processing Engenharia/Tecnologia/Gestão |
dc.subject.por.fl_str_mv |
Eletroencefalografia Epilepsia Mineração de dados (Computação) Aprendizado do computador Processamento de sinais Electroencephalography Epilepsy Data mining Machine learning Signal processing |
dc.subject.capes.pt_BR.fl_str_mv |
Engenharia/Tecnologia/Gestão |
description |
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. |
publishDate |
2022 |
dc.date.accessioned.fl_str_mv |
2022-10-13T11:14:03Z |
dc.date.available.fl_str_mv |
2022-10-13T11:14:03Z |
dc.date.issued.fl_str_mv |
2022-09-23 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
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. |
dc.identifier.uri.fl_str_mv |
http://repositorio.utfpr.edu.br/jspui/handle/1/29911 |
identifier_str_mv |
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. |
url |
http://repositorio.utfpr.edu.br/jspui/handle/1/29911 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
https://creativecommons.org/licenses/by/4.0/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
https://creativecommons.org/licenses/by/4.0/ |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Tecnológica Federal do Paraná Pato Branco |
dc.publisher.program.fl_str_mv |
Programa de Pós-Graduação em Engenharia Elétrica |
dc.publisher.initials.fl_str_mv |
UTFPR |
dc.publisher.country.fl_str_mv |
Brasil |
publisher.none.fl_str_mv |
Universidade Tecnológica Federal do Paraná Pato Branco |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) instname:Universidade Tecnológica Federal do Paraná (UTFPR) instacron:UTFPR |
instname_str |
Universidade Tecnológica Federal do Paraná (UTFPR) |
instacron_str |
UTFPR |
institution |
UTFPR |
reponame_str |
Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) |
collection |
Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) |
bitstream.url.fl_str_mv |
http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/29911/1/extracaoselecaocaracteristicaseletroencegalograma.pdf http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/29911/2/extracaoselecaocaracteristicaseletroencegalograma.pdf.txt http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/29911/3/extracaoselecaocaracteristicaseletroencegalograma.pdf.jpg |
bitstream.checksum.fl_str_mv |
2b7cef00383ef28e439109531c7b10a2 06ea93e3635b90570f2d62a7a51e0e9a 83e60b6982f0e780afefbe4833e316b9 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) - Universidade Tecnológica Federal do Paraná (UTFPR) |
repository.mail.fl_str_mv |
|
_version_ |
1797044410671693824 |