Use este identificador para citar ou linkar para este item: http://deposita.ibict.br/handle/deposita/41
Tipo do documento: mastherThesis
Título: Classificação de sinais eletroencefalográficos utilizando Transformada Wavelet Discreta e Máquina de Vetores de Suporte: uma aplicação na diferenciação entre crises epilépticas e crises não epilépticas psicogênicas
Autor: Santos, Kauê Reis dos 
Orientador: Pires, Ricardo
Primeiro membro da banca: Pires, Ricardo
Segundo membro da banca: Costa, Eduardo Alves da
Terceiro membro da banca: Souza, Maria Sigride Thome de
Resumo: O presente trabalho aborda o estudo e aplicação da Transformada Wavelet Discreta (DWT) em conjunto com o classificador do tipo Máquina de Vetores de Suporte (SVM) na diferenciação entre crises epilépticas e crises não epilépticas psicogênicas (CNEP). Um banco de dados com exames de eletroencefalograma (EEG) contendo crises epilépticas e crises não epilépticas psicogênicas foi coletado na Unidade de Videoeletroencefalografia do Instituto de Psiquiatria do Hospital das Clínicas da Faculdade de Medicina da Universidade de São Paulo (IPq-HCFMUSP). No processamento do sinal EEG, foi utilizada a Transformada Wavelet Discreta (DWT) baseada nas famílias Coiflet 1 e Daubechies 4 e a extração direta do sinal (sem usar DWT). A partir desses processamentos, foram gerados vetores de características para o treinamento e avaliação do classificador SVM. Na análise do desempenho do classificador, foram realizados testes modificando-se o número de vetores de características para o treinamento do classificador, a origem do vetor de características (Coiflet 1, Daubechies 4 e extração direta) e o tipo de kernel (Linear, Polinomial, Função de Base Radial - RBF - e Sigmoide). Como resultado, no caso do emprego de janelas de 1 segundo no processamento do sinal EEG, o classificador foi capaz de atingir uma taxa de acerto (acurácia) de até 100% usando o kernel Linear e as famílias Coiflet 1 e Daubechies 4. No caso da utilização do tempo total de cada crise, o classificador obteve uma taxa de acerto de até 100% nos quatro tipo de kernel usando a família Coiflet 1. Desse modo, com base nos vetores de características utilizados, foi possível concluir que o classificador SVM é eficiente e o seu uso é viável na diferenciação entre crise epiléptica e CNEP.
Abstract: The present work deals with the study and application of the Discrete Wavelet Transform (DWT) in conjunction with the Supporting Vector Machine (SVM) classifier in the differentiation between epileptic seizures and psychogenic non-epileptic seizures (PNES). A database with electroencephalogram (EEG) tests containing epileptic seizures and psychogenic non-epileptic seizures was collected at the Videoelectroencephalography Unit of the Institute of Psychiatry of the Hospital das Clínicas of the Medical School of the University of São Paulo (IPq-HCFMUSP). In the EEG signal processing, the Wavelet Discrete Transform (DWT) based on the Coiflet 1 and Daubechies 4 families and the direct signal extraction (without DWT) were used. From these processing, characteristic vectors were generated for the training and evaluation of the SVM classifier. In the analysis of the performance of the classifier, tests were performed by modifying the number of characteristics vectors for the classifier training, the origin of the characteristic vector (Coiflet 1, Daubechies 4 and direct extraction) and the kernel type (Linear, Polynomial , Radial Base Function - RBF - and Sigmoid). As a result, in the case of the use of 1-second windows in the EEG signal processing, the classifier was able to achieve a hit rate (accuracy) of up to 100% using the Linear kernel and the Coiflet 1 and Daubechies 4 families. In the case of the use of the total time of each crisis, the classifier obtained a hit rate of up to 100% in the four kernel types using the Coiflet 1 family. Thus, based on the feature vectors used, it was possible to conclude that the classifier SVM is efficient and its use is feasible in the differentiation between epileptic seizures and PNES.
Palavras-chave: Crises epilépticas
Transformada Wavelet Discreta (TWD)
Máquina de Vetores de Suporte (MVS)
Eletroencefalograma (EEG)
Crises não epilépticas psicogênicas (CNEP)
Supporting Vector Machine (SVM)
Discrete Wavelet Transform (DWT)
Electroencephalogram (EEG)
Área(s) do conhecimento: Engenharias
Idioma: por
País: Brasil
Instituição: Instituto Federal de Educação, Ciência e Tecnologia São Paulo (IFSP)
Departamento: Instituto Federal de Educação, Ciência e Tecnologia São Paulo (IFSP)
Programa: Mestrado Profissional em Automação e Controle de Processos
Tipo de acesso: openAccess
Endereço da licença: http://creativecommons.org/licenses/by/4.0/
URI: http://deposita.ibict.br/handle/deposita/41
Data de publicação: 2018
Aparece nas coleções:Sudeste

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
Dissertacao.pdfDissertação4,08 MBAdobe PDFThumbnail

Baixar/Abrir Pré-Visualizar


Este item está licenciada sob uma Licença Creative Commons Creative Commons

Ferramentas do administrador