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
| Orientador | Pires, Ricardo | |
| Lattes do Orientador | http://lattes.cnpq.br/7621984053230170 | por |
| Autor | Santos, Kauê Reis dos | |
| Lattes do Autor | http://lattes.cnpq.br/1449845625874153 | por |
| Membro da banca | Pires, Ricardo | |
| Lattes membro da banca | http://lattes.cnpq.br/7621984053230170 | por |
| Segundo membro da banca | Costa, Eduardo Alves da | |
| Lattes segundo membro da banca | http://lattes.cnpq.br/0062274949550708 | por |
| Terceiro membro da banca | Souza, Maria Sigride Thome de | |
| Lattes terceiro membro da banca | http://lattes.cnpq.br/4265021017020044 | por |
| Data de Acesso | 2019-06-17T15:52:16Z | |
| Ano de publicação | 2018 | por |
| 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. | eng |
| Proveniência | Submitted by Kauê Santos (santoskaueatib@gmail.com) on 2019-03-12T22:01:50Z No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertacao.pdf: 4174753 bytes, checksum: 153bdcbefa1ddf9f0f30020d138f0cb9 (MD5) | eng |
| Proveniência | Approved for entry into archive by Raphael Vilas Boas (raphaelboas@ibict.br) on 2019-06-17T15:52:16Z (GMT) No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertacao.pdf: 4174753 bytes, checksum: 153bdcbefa1ddf9f0f30020d138f0cb9 (MD5) | eng |
| Proveniência | Made available in DSpace on 2019-06-17T15:52:16Z (GMT). No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertacao.pdf: 4174753 bytes, checksum: 153bdcbefa1ddf9f0f30020d138f0cb9 (MD5) Previous issue date: 2018 | eng |
| Região | Sudeste | por |
| 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. | por |
| Formato | application/pdf | * |
| URI | https://deposita.ibict.br/handle/deposita/41 | |
| Idioma | por | por |
| Instituição | Instituto Federal de Educação, Ciência e Tecnologia São Paulo (IFSP) | por |
| País | Brasil | por |
| Departamento | Instituto Federal de Educação, Ciência e Tecnologia São Paulo (IFSP) | por |
| Programa | Mestrado Profissional em Automação e Controle de Processos | por |
| Tipo de acesso | openAccess | por |
| URL dos Direitos | http://creativecommons.org/licenses/by/4.0/ | |
| Palavra Chave | Crises epilépticas | por |
| Palavra Chave | Transformada Wavelet Discreta (TWD) | por |
| Palavra Chave | Máquina de Vetores de Suporte (MVS) | por |
| Palavra Chave | Eletroencefalograma (EEG) | por |
| Palavra Chave | Crises não epilépticas psicogênicas (CNEP) | por |
| Palavra Chave | Supporting Vector Machine (SVM) | eng |
| Palavra Chave | Discrete Wavelet Transform (DWT) | eng |
| Palavra Chave | Electroencephalogram (EEG) | eng |
| Área de conhecimento CNPq | Engenharias | por |
| URL da Miniatura | http://deposita.ibict.br/retrieve/632/Dissertacao.pdf.jpg | * |
| 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 | por |
| Tipo | Dissertação | por |
Arquivos
Pacote original
1 - 1 de 1
Carregando...
- Nome:
- Dissertacao.pdf
- Tamanho:
- 3.98 MB
- Formato:
- Adobe Portable Document Format
- Descrição:
- Dissertação
Licença do pacote
1 - 1 de 1
Carregando...
- Nome:
- license.txt
- Tamanho:
- 1.83 KB
- Formato:
- Item-specific license agreed upon to submission
- Descrição: