High-performance detectors for epileptic seizure by machine learning techniques

Autor(es)

Fernando dos Santos Beserra

• Tipo de documento: Dissertação de Mestrado
• Imprenta: Campinas, SP.
• Instituição: Universidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Elétrica e de Computação
• Data de defesa: 2018-01-30

Membros da banca

Fernando José Von Zuben; Romis Ribeiro de Faissol Attux; Guilherme Palermo Coelho

• Orientador: Fernando José Von Zuben

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. Isso aponta para a necessidade de desenvolvimento de métodos de extração de atributos e algoritmos inteligentes que sejam capazes de discriminar estados cerebrais em diversas condições e que, também, idealmente, sejam capazes de transmitir informação entre tarefas de predição disjuntas. Este trabalho inicialmente compara múltiplas representações de sinais eletroencefalográficos. Essas representações dão origem a vetores de atributos, a respeito dos fenômenos por trás dos possíveis estados cerebrais, com interpretações distintas. Compara-se neste trabalho decomposições do tipo Fourier, wavelet e baseadas em propriedades de grafos, que correspondem a atributos que codificam energias do sinal de entrada em diferentes escalas temporais, similaridades da forma de onda com a de uma motherwave pré-fixada e correlações entre múltiplas regiões cerebrais, respectivamente. Finalmente, múltiplos métodos que poderiam ser úteis em casos em que condições experimentais não são ideais, havendo uma escassez de dados devidamente rotulados, são avaliados. Esta dificuldade é inicialmente tratada por um autoencoder, o qual somente aprende perfis de estados cerebrais normais, os quais não contêm instantes de crises, e detecta novas crises através de uma medida de divergência destas instâncias em relação às instâncias previamente vistas, assim evitando uma necessidade de conjuntos de treino que contenham marcações de crises cerebrais. Algoritmos que fazem parte da comunidade de métodos de aprendizado por transferência, em ciência da computação, também são estudados em contextos em que dados rotulados de pacientes distintos são reaproveitados para melhorar a performance de detecção de uma tarefa de predição para um dado paciente-alvo (AU)

• Processo FAPESP: 16/19080-2 - Otimização de detectores de crises epilépticas através de técnicas de aprendizado de máquina
• Beneficiário: Fernando dos Santos Beserra
• Modalidade de apoio: Bolsas no Brasil - Mestrado