Otimização de detectores de crises epilépticas através de técnicas de aprendizado de máquina

• Processo: 16/19080-2
• Modalidade de apoio: Bolsas no Brasil - Mestrado
• Data de Início da vigência: 01 de janeiro de 2017
• Data de Término da vigência: 30 de abril de 2017
• Área de conhecimento: Engenharias - Engenharia Elétrica - Eletrônica Industrial, Sistemas e Controles Eletrônicos
• Pesquisador responsável: Fernando José von Zuben
• Beneficiário: Fernando dos Santos Beserra
• Instituição Sede: Faculdade de Engenharia Elétrica e de Computação (FEEC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Vinculado ao auxílio: 13/07559-3 - Instituto Brasileiro de Neurociência e Neurotecnologia - BRAINN, AP.CEPID
• Assunto(s): Aprendizado computacional Transferência (aprendizagem) Softwares Epilepsia
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Aprendizado Multitarefa | aprendizado por transferência | epilepsia | Aprendizado de máquina

Resumo

Entre os vários nichos de pesquisa em epilepsia, cientistas e engenheiros de computação têm procurado contribuir junto a métodos de detecção e previsão de crises, assim como na localização de focos epilépticos. Um desafio comum revela-se no caráter de variabilidade da doença e da escassez de dados que contenham os instantes de crises, fazendo com que a maioria das soluções otimizadas encontradas para um determinado paciente tenham geralmente baixo desempenho quando aplicadas a outros pacientes, apontando para a necessidade de criar softwares com maior capacidade de generalização interindividual e que necessitem cada vez menos dados para se adaptar a novos portadores da doença. Com o objetivo de promover uma condição inicial de uso mais adaptada e de acelerar o progresso inicial de treinamento de detectores de crises epilépticas para novos pacientes, este projeto vai recorrer a duas estratégias de aprendizado de máquina: (1) aprendizado por transferência, que procura explorar aspectos do aprendizado realizado junto a pacientes-fonte na melhoria de desempenho de detecção de crises de um paciente-alvo; (2) seleção de características para extração automática de atributos com alto poder discriminatório de instantes com atividade normal e anormal, considerando também atributos de caráter topológico das conexões cerebrais, como grafos de sincronização. Não faz parte desta proposta, portanto, estratégias para previsão de crises. Inicialmente, serão consideradas as bases de dados abertas e disponíveis para uso científico da plataforma Physionet, mas não estão descartadas parcerias com outros grupos de pesquisa vinculados ao CEPID/Fapesp BRAINN, junto ao qual se insere esta proposta de pesquisa. (AU)

Publicações científicas

(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)

RAIMUNDO, MARCOS M.; DRUMOND, THALITA F.; MARQUES, ALAN CAIO R.; LYRA, CHRISTIANO; ROCHA, ANDERSON; VON ZUBEN, FERNANDO J.. Exploring multiobjective training in multiclass classification. Neurocomputing, v. 435, p. 307-320, MAY 7 2021. (16/19080-2, 14/11125-1, 14/13533-0, 17/12646-3)

Publicações acadêmicas

(Referências obtidas automaticamente das Instituições de Ensino e Pesquisa do Estado de São Paulo)

BESERRA, Fernando dos Santos. High-performance detectors for epileptic seizure by machine learning techniques. 2018. Dissertação de Mestrado - Universidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Elétrica e de Computação Campinas, SP.