http://repositorio2.unb.br/jspui/handle/10482/49961
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
AllanPauloDeSouza_DISSERT.pdf | 2,39 MB | Adobe PDF | Visualizar/Abrir |
Título: | Caracterização de padrões de eletroencefalografia com uso de aprendizado de máquina na identificação de patologias associadas ao sono |
Autor(es): | Souza, Allan Paulo de |
Orientador(es): | Mendes, Cristiano Jacques Miosso Rodrigues |
Assunto: | Eletroencefalograma Distúrbios do sono Aprendizado de máquina Máquinas de vetores de suporte |
Data de publicação: | 16-Ago-2024 |
Data de defesa: | 28-Set-2023 |
Referência: | SOUZA, Allan Paulo de. Caracterização de padrões de eletroencefalografia com uso de aprendizado de máquina na identificação de patologias associadas ao sono. 2023. 93 f., il. Dissertação (Mestrado em Engenharia Biomédica) — Brasília, 2023. |
Resumo: | O sono consiste de uma série de etapas fundamentais para a qualidade de vida em váriasespécies. Sua importância é comparável à alimentação e à prática de atividades físicas. No entanto,seu entendimento ainda tem lacunas que precisam ser estudadas.Nesse sentido, duas tecnologias podem contribuir, em particular, para o entendimento do sono.A primeira diz respeito ao eletroencefalograma (EEG), que tem relevância em diversos estudos daneurociência, inclusive para o sono. A outra tecnologia é a do aprendizado de máquina, que vemganhando espaço como ferramenta para identificação de padrões que auxiliam no diagnóstico; masainda há poucos trabalhos que utilizam essas técnicas na identificação de patologias associadas aosono.Diante disso, esse trabalho se propõe a comparar diferentes abordagens de aprendizado demáquina a partir de dados de EEG com a finalidade de automatizar análises para auxílio emdiagnósticos de patologias associadas ao sono. Para isso, foram comparadas a utilização demáquinas de vetor de suporte (SVM) e florestas aleatórias (Random Forest) com diferenteshiperparâmetros a partir de características obtidas por meio de cálculo de energias em bandas defrequência dos sinais.Nos experimentos com SVM, foram testadas abordagens com variação de kernels; comRandom Forests, profundidade máxima. Adicionalmente, esses resultados foram comparados comos obtidos com uso de redes neurais convolucionais (CNN), definindo característicasdinamicamente por meio das camadas dessa rede. Nestas arquiteturas de CNN, foram utilizadasdistintas camadas convolucionais e densas com alteração de hiperparâmetros.Para a realização desse trabalho, foram utilizados dados de polissonografia disponíveis noportal Physionet. A partir desses dados brutos, houve seleção de característica e, com exceção dosexperimentos que utilizaram CNN, extração de características utilizando transformada de Fourier,selecionando distintas derivações (eletrodos).No estudo piloto, foram implementados algoritmos para detectar o sinal de EEG de epilepsianoturna do lobo frontal. Os resultados obtidos com SVM e Random Forest sugerem que essesclassificadores podem identificar padrões relevantes a partir de sinais de EEG: a maior acurácia(média de 5 folds) foi de 60% em ambas as abordagens. Além disso, as comparações do trabalho com essas abordagem mostraram que a distribuição espacial da informação é homogênea. Por outrolado, não foi possível distinguir os sinais de EEG de participantes com epilepsia, ainda queutilizando-se diferentes arquiteturas, variando-se quantidade de camadas, funções de ativação,quantidade de neurônios e dropout.Em seguida, foram implementados novos experimentos utilizando os resultados dos estudospreliminares como direcionamento. Para isso, novos classificadores foram treinados com dados quepassaram por outras etapas de preparação a partir de janelamento do sinal e filtro dos sinais. Comisso, houve melhoria nas métricas de desempenho dos classificadores. |
Abstract: | Sleep consists of a series of fundamental stages for the quality of life in several species. Itsimportance is comparable to food and physical activity. However, their understanding still has gapsthat need to be studied.In this sense, two technologies can contribute, in particular, to the understanding of sleep. Thefirst concerns the electroencephalogram (EEG), which is relevant in several neuroscience studies,including sleep. The other technology is machine learning, which has been gaining ground as a toolfor identifying patterns that aid in diagnosis; but there are still few works that use these techniques toidentify pathologies associated with sleep.Therefore, this work proposes to compare different machine learning approaches from EEGdata in order to automate analyzes to aid in the diagnosis of sleep-associated pathologies. For this, theuse of support vector machines (SVM) and random forests (Random Forest) with differenthyperparameters from characteristics obtained by calculating energies in signal frequency bands werecompared.In experiments with SVM, approaches with grain variation were tested; with Random Forests,maximum depth. Furthermore, these results were compared with those obtained using convolutionalneural networks (CNN), defining characteristics dynamically through the layers of this network. Inthese CNN architectures, distinct convolutional and dense layers were used with changinghyperparameters.To carry out this work, polysomnography data available on the Physionet portal was used.From these raw data, there was feature selection and, with the exception of experiments that usedCNN, feature extraction using Fourier transform, selecting different derivations (electrodes).In the pilot study, algorithms were implemented to classify the EEG signal of nocturnal frontallobe epilepsy. The results obtained with SVM and Random Forest suggest that these classifiers canidentify relevant patterns from EEG signals: the highest accuracy (mean of 5 folds) was 60% in bothapproaches. In addition, comparisons of the work with these approaches showed that the spatialdistribution of information is spatially homogeneous. On the other hand, it was not possible todistinguish the EEG signals of participants with epilepsy, even using different architectures, varyingthe number of layers, activation functions, number of neurons and dropout. Then, new experiments were implemented using the results of preliminary studies as aguideline. For this, new classifiers were trained with data that went through other stages of preparationfrom signal windowing and signal filtering. As a result, there was an improvement in the performancemetrics of the classifiers. |
Unidade Acadêmica: | Faculdade UnB Gama (FGA) |
Informações adicionais: | Dissertação (mestrado) — Universidade de Brasília, Faculdade UnB Gama, Programa de Pós-Graduação em Engenharia Biomédica, 2023. |
Programa de pós-graduação: | Programa de Pós-Graduação em Engenharia Biomédica |
Aparece nas coleções: | Teses, dissertações e produtos pós-doutorado |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.