Responsive image
Universidade Federal de Santa catarina (UFSC)
Programa de Pós-graduação em Engenharia, Gestão e Mídia do Conhecimento (PPGEGC)
Detalhes do Documento Analisado

Centro: Tecnológico

Programa de Pós-Graduação: Programa de Pós-Graduação em Engenharia Elétrica

Dimensão Institucional: Pós-Graduação

Dimensão ODS: Econômica

Tipo do Documento: Tese

Título: CONTRIBUIÇÃO AO RECONHECIMENTO AUTOMÁTICO DE PADRÕES EPILEPTIFORMES EM SINAIS DE ELETROENCEFALOGRAMA UTILIZANDO ANÁLISE MORFOLÓGICA

Orientador
  • FERNANDO MENDES DE AZEVEDO
Aluno
  • CHRISTINE FREDEL BOOS

Conteúdo

A análise do sinal de eletroencefalograma (eeg) pode ser uma importante ferramenta de auxílio à comprovação clínica do diagnóstico de epilepsia. esta análise é uma verificação visual criteriosa de registros de eeg na busca por uma atividade eletrográfica específica denominada descarga ou padrão epileptiformes. essa atividade, quando encontrada com determinada frequência, pode corroborar o diagnóstico de epilepsia. no entanto, como os registros analisados normalmente são resultado de longos períodos de monitoramento, a análise do eeg pode ser um processo demorado. diversos estudos propuseram metodologias ou sistemas para automatizar este tipo de análise, mas apesar dos esforços e relativo sucesso ainda não existe um algoritmo ou sistema para este reconhecimento automático que seja amplamente difundido no ambiente clínico, possua um desempenho de acordo com as necessidades dos especialistas na área e, do ponto de vista técnico, não possua restrição quanto aos dados de entrada. desta forma, com o intuito de contribuir para o estudo do reconhecimento automático de padrões epileptiformes o presente trabalho descreve uma proposta de metodologia baseada em análise morfológica e inspirada no comportamento dos especialistas humanos. a análise morfológica é realizada utilizando um conjunto de descritores morfológicos extraídos de sinais de eeg processados digitalmente. a avaliação da metodologia é realizada utilizando um grupo de classificadores computacionais e diferentes bases de dados de eeg. o desempenho da metodologia é analisado por métricas consolidadas na literatura e por uma comparação pareada com o desempenho de sensibilidade, especificidade e concordância de quatro neurofisiologistas clínicos. resultados obtidos mostraram que o classificador que apresentou o melhor desempenho geral foi uma rede neural combinada com a análise de componentes principais. a sensibilidade e a especificidade média atingida por essa rede foram, respectivamente 58,6 e 87,2%. a eficiência média obtida pela rede nas bases de dados foi de 89%. e a concordância dessa rede com os quatro especialistas foi de 45,7%. os resultados obtidos para a especificidade mostraram-se satisfatórios, uma vez que os valores médios obtidos foram compatíveis àqueles dos especialistas. apesar da sensibilidade e da concordância com os especialistas terem apresentado valores baixos, pode-se considerar que a metodologia proposta apresenta resultados promissores considerando a quantidade e natureza dos testes realizados.

Pós-processamento: Índice de Shannon: 3.9039

ODS 1 ODS 2 ODS 3 ODS 4 ODS 5 ODS 6 ODS 7 ODS 8 ODS 9 ODS 10 ODS 11 ODS 12 ODS 13 ODS 14 ODS 15 ODS 16
4,19% 4,66% 6,97% 7,13% 5,29% 4,59% 5,17% 6,35% 14,88% 5,74% 6,30% 5,24% 5,75% 4,28% 4,53% 8,94%
ODS Predominates
ODS 9
ODS 1

4,19%

ODS 2

4,66%

ODS 3

6,97%

ODS 4

7,13%

ODS 5

5,29%

ODS 6

4,59%

ODS 7

5,17%

ODS 8

6,35%

ODS 9

14,88%

ODS 10

5,74%

ODS 11

6,30%

ODS 12

5,24%

ODS 13

5,75%

ODS 14

4,28%

ODS 15

4,53%

ODS 16

8,94%