Detection of epileptic crises starting from signs of electroencephalogram / Detecção de crises epilépticas a partir de sinais eletroencefalográficos

AUTOR(ES)
DATA DE PUBLICAÇÃO

2006

RESUMO

A identificação de fenômenos epileptogênicos por meio de registros eletroencefalográficos (EEG) não invasivos se constitui numa área de pesquisa que apresenta grandes desafios devido a presença de diversos distúrbios (artefatos) que dificultam a análise destes registros. Tal tarefa é de extrema importância uma vez que o diagnóstico e o tratamento da epilepsia requer uma avaliação clínica baseada no EEG do paciente. Neste contexto, este trabalho apresenta alguns sistemas para melhorar a identificação dos sinais de crise epilépticas baseados em técnicas de processamento de sinais e de inteligência artificial. Estas propostas são baseadas em uma plataforma que permite a visualização e análise dos arquivos de EEG. Para a detecção de eventos patológicos, são propostas quatro arquiteturas. Na arquitetura com análise multi-resolução foram utilizadas duas famílias wavelet (WT) para a extração de características, 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 patológicos. A sensibilidade ficou em torno de 83,3%, a especificidade 70,5% e a precisão 76,9%. Já a arquitetura estatística é composta de ferramentas para extração de características 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 análise multi-resolução com modelo auto-regressivo (AR) possui duas etapas para extração de características: 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. Já para os resultados do modeloBurg", a melhor taxa de acerto foi de 88,5% com ordem 7. A última arquitetura é um modelo híbrido com várias ferramentas de extração de características no domínio do tempo, freqüência (FFT) e tempo-freqüência (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 fenômenos demarcados pelos eletroencefalografistas e aqueles revelados pelas arquiteturas. Dentre as propostas, a arquitetura híbrida apresentou o melhor desempenho.

ASSUNTO(S)

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

ACESSO AO ARTIGO

Documentos Relacionados