Caracterização de padrões de eletroencefalografia com uso de aprendizado de máquina na identificação de patologias associadas ao sono

Abstract

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.