DetecÃÃo de crises epilÃpticas a partir de sinais eletroencefalogrÃficos / Detection of epileptic crises starting from signs of electroencephalogram

AUTOR(ES)
DATA DE PUBLICAÇÃO

2006

RESUMO

A identificaÃÃo de fenÃmenos epileptogÃnicos por meio de registros eletroencefalogrÃficos (EEG) nÃo invasivos se constitui numa Ãrea de pesquisa que apresenta grandes desafios devido Âa presenÃa de diversos distÃrbios (artefatos) que dificultam a anÃlise destes registros. Tal tarefa à de extrema importÃncia uma vez que o diagnÃstico e o tratamento da epilepsia requer uma avaliaÃÃo clÃnica baseada no EEG do paciente. Neste contexto, este trabalho apresenta alguns sistemas para melhorar a identificaÃÃo dos sinais de crise epilÃpticas baseados em tÃcnicas de processamento de sinais e de inteligÃncia artificial. Estas propostas sÃo baseadas em uma plataforma que permite a visualizaÃÃo e anÃlise dos arquivos de EEG. Para a detecÃÃo de eventos patolÃgicos, sÃo propostas quatro arquiteturas. Na arquitetura com anÃlise multi-resoluÃÃo foram utilizadas duas famÃlias wavelet (WT) para a extraÃÃo de caracterÃsticas, redes neurais artificiais e sistema especialista para o reconhecimento dos sinais de crise. Com essa arquitetura, o melhor resultado conseguido foi uma taxa de acerto de 71,6% no reconhecimento dos sinais patolÃgicos. A sensibilidade ficou em torno de 83,3%, a especificidade 70,5% e a precisÃo 76,9%. Jà a arquitetura estatÃstica à composta de ferramentas para extraÃÃo de caracterÃsticas diretamente do sinal. A melhor taxa de acerto ficou em torno de 85,3%, o erro obtido foi de 14,3% e os indefinidos em torno de 1%. A sensibilidade foi de 97,4%, a especificidade 82,1% e a precisÃo 89,75%. A arquitetura de anÃlise multi-resoluÃÃo com modelo auto-regressivo (AR) possui duas etapas para extraÃÃo de caracterÃsticas: a wavelet" (WT), seguida do modelo AR. Para essa arquitetura foram utilizados dois modelos AR. A melhor taxa de acerto para o modelo Yule-Walker" ficou em torno de 87,9%, com ordem 10. Jà para os resultados do modeloBurg", a melhor taxa de acerto foi de 88,5% com ordem 7. A Ãltima arquitetura à um modelo hÃbrido com vÃrias ferramentas de extraÃÃo de caracterÃsticas no domÃnio do tempo, freqÃÃncia (FFT) e tempo-freqÃÃncia (WT). Nessa arquitetura a taxa de acerto ficou em 95,1%, o erro em 4,1% e os indefinidos em 5,5%. A especificidade foi de 91,5%, a sensibilidade obtida foi de 90,5% e a precisÃo em torno de 91,1%. Todos os sistemas desenvolvidos apresentaram resultados coerentes com os fenÃmenos demarcados pelos eletroencefalografistas e aqueles revelados pelas arquiteturas. Dentre as propostas, a arquitetura hÃbrida apresentou o melhor desempenho.

ASSUNTO(S)

wavelet detecÃÃo autoregressive model (ar) engenharia eletrica epilepsia fft redes neurais electroencephalogram wavelet transform detection eletroencefalografia eletroencefalograma modelo auto-regressivo epilepsy neural networks engenharia biomÃdica

ACESSO AO ARTIGO

Documentos Relacionados