| Summary: | Dissertação (mestrado)—Universidade de Brasília, Faculdade de Tecnologia,
Departamento de Engenharia Mecânica, 2012. === Submitted by Alaíde Gonçalves dos Santos (alaide@unb.br) on 2013-03-26T12:25:57Z
No. of bitstreams: 1
2012_LynwoodLivideSouza.pdf: 3283291 bytes, checksum: bad0af51e42f936c999d812381f18ea1 (MD5) === Approved for entry into archive by Guimaraes Jacqueline(jacqueline.guimaraes@bce.unb.br) on 2013-03-26T13:54:38Z (GMT) No. of bitstreams: 1
2012_LynwoodLivideSouza.pdf: 3283291 bytes, checksum: bad0af51e42f936c999d812381f18ea1 (MD5) === Made available in DSpace on 2013-03-26T13:54:38Z (GMT). No. of bitstreams: 1
2012_LynwoodLivideSouza.pdf: 3283291 bytes, checksum: bad0af51e42f936c999d812381f18ea1 (MD5) === O presente trabalho apresenta uma nova metodologia para caracterização, detecção e classificação de sinais de exames de eletroencefalografia (EEG), visando o aprimoramento e agilidade na obtenção de diagnósticos com o objetivo de auxiliar o profissional de saúde, uma vez que os exames de EEG são caracterizados por longos trechos de registros temporais da atividade elétrica do cérebro, que devem ser minuciosamente examinados pelos médicos. Devido à dificuldade associada à caracterização e à detecção de sinais epileptiformes e à importância do diagnóstico, existem na literatura vários métodos desenvolvidos para abordar este problema, tais como: Métodos Auto-Regressivos (AR), Aproximação da Energia (TEO), Análise de Domínio de Freqüência, Análise de Tempo-Frequência, Transformada de Wavelets e Métodos Não- Lineares como os modelos estatísticos. Porém, nenhum modelo não foi capaz de atingir uma performance inteiramente confiável em seus resultados, onde a média de acertos entre os trabalhos expostos na literatura fica em torno de 80,7%, um índice de acertos que apesar de significativo, ainda não é satisfatório para este tipo de exame. A fim de contribuir para o estudo do problema, propôs-se neste trabalho a aplicação da Dinâmica Simbólica para caracterização dos sinais, que se baseia na representação por seqüências de símbolos do estado do sistema e operadores de mudança de estado, e algoritmos genéticos para a otimização da representação, de forma que os sinais epileptiformes pudessem ser distinguidos dos sinais considerados normais por uma rede neural artificial, treinada para este fim. Os resultados obtidos demonstram que a metodologia fornece 92,4% de precisão e 96% de acerto. _______________________________________________________________________________________ ABSTRACT === This paper presents a new technique for characterization and classification of signals of tests electroencephalography (EEG), seeking to improve agility and make a diagnosis in order to assist the professional, since the EEG tests are characterized by long stretches of time records electrical activity of the brain that should be thoroughly examined by doctors. Due to the difficulty associated with the characterization and detection of epileptiform signs and the importance of diagnosis exist in literature several methods developed to address this problem, such as autoregressive method (AR), Energy Approach (TEO), Domain Analysis Frequency, Time-Frequency Analysis, Wavelet Transform and Non-Linear methods such as statistical models. But no model has not been able to achieve a performance fully confident in their results, where the mean score among the works exhibited in the literature is around 80.7%, although a number is not a significant acceptable value for this type of examination. To contribute to the study of the problem, proposed in this paper the application of symbolic dynamics for the characterization of signals, which is based on representation by sequences of symbols of the state of the system and operators of state change, and genetic algorithms for optimization of the representation, so that the signals could be distinguished from epileptiform signals considered normal for an artificial neural network trained for this purpose. The results demonstrate that the method provides 92.4% precision and 96% accuracy.
|
|---|
