Otimização do Número de Canais de EEG para Auxílio ao Diagnóstico da Doença de Alzheimer utilizando Técnicas de Mineração de Dados e Aprendizado de Máquina

Detalhes bibliográficos
Autor(a) principal: Santos, Guilherme Tavares dos
Data de Publicação: 2019
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UFABC
Texto Completo: http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=121752
Resumo: Orientador: Prof. Dr. Francisco José Fraga da Silva
id UFBC_6374cd89082328928e8ef33feb975776
oai_identifier_str oai:BDTD:121752
network_acronym_str UFBC
network_name_str Repositório Institucional da UFABC
repository_id_str
spelling Otimização do Número de Canais de EEG para Auxílio ao Diagnóstico da Doença de Alzheimer utilizando Técnicas de Mineração de Dados e Aprendizado de MáquinaELETROENCEFALOGRAFIADOENÇA DE ALZHEIMERAPRENDIZADO COMPUTACIONALREDUÇÃO DE ATRIBUTOSELECTROENCEPHALOGRAPHY (EEG)ALZHEIMER'S DISEASE (AD)MACHINE LEARNINGFEATURE SELECTIONPROGRAMA DE PÓS-GRADUAÇÃO EM NEUROCIÊNCIA E COGNIÇÃO - UFABCOrientador: Prof. Dr. Francisco José Fraga da SilvaCo-orientador: Prof. Dr. João Ricardo SatoDissertação (mestrado) - Universidade Federal do ABC, Programa de Pós-graduação em Neurociência e Cognição, São Bernardo do Campo, 2019.Com o aumento da expectativa de vida da população observado nos países em desenvolvimento, uma maior incidência de doenças neurodegenerativas tem sido observada, como a Doença de Alzheimer (DA), a mais frequente dentre as demências. Caracterizada pela perda de memória e pelo comprometimento de pelo menos alguma função cognitiva (capacidade visuoespacial, afasia, etc.), a DA tende a piorar em seus sintomas com o passar do tempo. Logo, de extrema importância, é a realização de um procedimento diagnóstico que seja precoce, preciso, de baixo custo, de amplo uso e de fácil aplicação clínica. A eletroencefalografia quantitativa (EEGq) é uma abordagem que pode atender tais requisitos. O presente trabalho visa buscar uma otimização no processo de classificação automática de pacientes com DA, como atributos algumas características do sinal de EEG extraídas por meio de EEGq. Tal otimização busca obter uma forte redução do número de canais de EEG necessários, sem que haja perda significativa de desempenho em relação ao EEG de alta densidade (128 canais). Para tanto, utilizamos técnicas de Mineração de Dados, como seleção de atributos, em conjunto com algoritmos de classificação de Aprendizado de Máquina para de forma satisfatória reconhecer padrões no EEG da patologia sob investigação. Os benefícios pretendidos com a otimização descrita são: barateamento dos dispositivos usados na aquisição do EEG como ferramenta de auxílio ao diagnóstico da DA e maior facilidade em sua utilização. Essa otimização é decorrente do número menor de eletrodos, da consequente diminuição no tempo de treinamento e dos requisitos computacionais (processamento e memória), assim como uma redução na possibilidade de ocorrer overfitting nos modelos de aprendizado, dada a menor quantidade de ''ruídos'' presente nos dados após a otimização.With the increase in life expectancy of the population observed in developing countries, a higher incidence of neurodegenerative diseases has been observed, such as Alzheimer's Disease (AD), the most frequent among dementias. Characterized by loss of memory and impairment of at least some cognitive function (visuospatial ability, aphasia, etc.), AD tends to worsen in its symptoms over time. Therefore, it is extremely important to carry out a diagnostic procedure that is precocious, precise, inexpensive, widely used and easy to apply clinically. Quantitative electroencephalography (EEGq) is an approach that can meet such requirements. The present work aims to search for an optimization in the process of automatic classification of patients with AD, as attributes some characteristics of EEG signal extracted through EEGq. Such optimization seeks to achieve a strong reduction in the number of EEG channels required, without any significant loss of performance over the high density EEG (128 channels). in this regard, we use Data Mining techniques, such as atribute selection, in conjunction with Machine Learning classification algorithms to satisfactorily recognize patterns in the EEG of the pathology under investigation. The desired benefits with the optimization described are: lowering of the devices used in the EEG acquisition as a tool to aid in the diagnosis of AD and greater ease of use. This optimization is due to the lower number of electrodes, the consequent decrease in training time and computational requirements (processing and memory), as well as a reduction in the possibility of overfitting in the learning models given the smaller amount of noise present in the data after the optimization.Silva, Francisco José Fraga daSato, João RicardoAttux, Romis Ribeiro de FaissolBoccato, LevySantos, Guilherme Tavares dos2019info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdf105 f.http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=121752http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=121752&midiaext=78399http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=121752&midiaext=78400Cover: http://biblioteca.ufabc.edu.br/php/capa.php?obra=121752porreponame:Repositório Institucional da UFABCinstname:Universidade Federal do ABC (UFABC)instacron:UFABCinfo:eu-repo/semantics/openAccess2022-03-24T16:44:09Zoai:BDTD:121752Repositório InstitucionalPUBhttp://www.biblioteca.ufabc.edu.br/oai/oai.phpopendoar:2022-03-24T16:44:09Repositório Institucional da UFABC - Universidade Federal do ABC (UFABC)false
dc.title.none.fl_str_mv Otimização do Número de Canais de EEG para Auxílio ao Diagnóstico da Doença de Alzheimer utilizando Técnicas de Mineração de Dados e Aprendizado de Máquina
title Otimização do Número de Canais de EEG para Auxílio ao Diagnóstico da Doença de Alzheimer utilizando Técnicas de Mineração de Dados e Aprendizado de Máquina
spellingShingle Otimização do Número de Canais de EEG para Auxílio ao Diagnóstico da Doença de Alzheimer utilizando Técnicas de Mineração de Dados e Aprendizado de Máquina
Santos, Guilherme Tavares dos
ELETROENCEFALOGRAFIA
DOENÇA DE ALZHEIMER
APRENDIZADO COMPUTACIONAL
REDUÇÃO DE ATRIBUTOS
ELECTROENCEPHALOGRAPHY (EEG)
ALZHEIMER'S DISEASE (AD)
MACHINE LEARNING
FEATURE SELECTION
PROGRAMA DE PÓS-GRADUAÇÃO EM NEUROCIÊNCIA E COGNIÇÃO - UFABC
title_short Otimização do Número de Canais de EEG para Auxílio ao Diagnóstico da Doença de Alzheimer utilizando Técnicas de Mineração de Dados e Aprendizado de Máquina
title_full Otimização do Número de Canais de EEG para Auxílio ao Diagnóstico da Doença de Alzheimer utilizando Técnicas de Mineração de Dados e Aprendizado de Máquina
title_fullStr Otimização do Número de Canais de EEG para Auxílio ao Diagnóstico da Doença de Alzheimer utilizando Técnicas de Mineração de Dados e Aprendizado de Máquina
title_full_unstemmed Otimização do Número de Canais de EEG para Auxílio ao Diagnóstico da Doença de Alzheimer utilizando Técnicas de Mineração de Dados e Aprendizado de Máquina
title_sort Otimização do Número de Canais de EEG para Auxílio ao Diagnóstico da Doença de Alzheimer utilizando Técnicas de Mineração de Dados e Aprendizado de Máquina
author Santos, Guilherme Tavares dos
author_facet Santos, Guilherme Tavares dos
author_role author
dc.contributor.none.fl_str_mv Silva, Francisco José Fraga da
Sato, João Ricardo
Attux, Romis Ribeiro de Faissol
Boccato, Levy
dc.contributor.author.fl_str_mv Santos, Guilherme Tavares dos
dc.subject.por.fl_str_mv ELETROENCEFALOGRAFIA
DOENÇA DE ALZHEIMER
APRENDIZADO COMPUTACIONAL
REDUÇÃO DE ATRIBUTOS
ELECTROENCEPHALOGRAPHY (EEG)
ALZHEIMER'S DISEASE (AD)
MACHINE LEARNING
FEATURE SELECTION
PROGRAMA DE PÓS-GRADUAÇÃO EM NEUROCIÊNCIA E COGNIÇÃO - UFABC
topic ELETROENCEFALOGRAFIA
DOENÇA DE ALZHEIMER
APRENDIZADO COMPUTACIONAL
REDUÇÃO DE ATRIBUTOS
ELECTROENCEPHALOGRAPHY (EEG)
ALZHEIMER'S DISEASE (AD)
MACHINE LEARNING
FEATURE SELECTION
PROGRAMA DE PÓS-GRADUAÇÃO EM NEUROCIÊNCIA E COGNIÇÃO - UFABC
description Orientador: Prof. Dr. Francisco José Fraga da Silva
publishDate 2019
dc.date.none.fl_str_mv 2019
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=121752
url http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=121752
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=121752&midiaext=78399
http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=121752&midiaext=78400
Cover: http://biblioteca.ufabc.edu.br/php/capa.php?obra=121752
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
105 f.
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFABC
instname:Universidade Federal do ABC (UFABC)
instacron:UFABC
instname_str Universidade Federal do ABC (UFABC)
instacron_str UFABC
institution UFABC
reponame_str Repositório Institucional da UFABC
collection Repositório Institucional da UFABC
repository.name.fl_str_mv Repositório Institucional da UFABC - Universidade Federal do ABC (UFABC)
repository.mail.fl_str_mv
_version_ 1813263951714058240

Registros relacionados