Análise de dados de eletroencefalograma para diminuição do número de canais

Detalhes bibliográficos
Autor(a) principal: Oliveira, Julia Costa Corrêa de
Data de Publicação: 2022
Tipo de documento: Trabalho de conclusão de curso
Idioma: por
Título da fonte: Repositório Institucional da UFRN
Texto Completo: https://repositorio.ufrn.br/handle/123456789/50444
Resumo: Nos dias atuais o número de pessoas que sofrem de epilepsia gira em torno de 50 milhões. Dessas pessoas, aproximadamente 70% consegue viver sem convulsões, as controlando a partir de medicamentos. Porém, pensando nos 30% restantes que ainda não conseguem controlar as crises, é preciso encontrar um método de diminuir o número de eletrodos necessários para identificar o início de uma crise epiléptica, a fim de tornar possível o uso de um equipamento de uso diário que avise ao indivíduo quando uma crise estiver por vir. Levando isto em consideração, este trabalho tem por objetivo verificar o impacto da diminuição de eletrodos na inferência do momento de crise. Para esse estudo, utilizou-se um dataset do centro médico da Universidade Americana de Beirute com dados das ondas eletromagnéticas, geradas pelo cérebro de um paciente epiléptico, captadas por um eletroencefalograma. Os seus dados foram, então, adaptados e repartidos em dados de treino e teste para serem utilizados por uma máquina de aprendizagem, chamada de floresta aleatória, na linguagem Pyhton. Nela foram colocados os dados com todos os 19 eletrodos e a partir do resultado obtido, selecionou-se apenas os 9 eletrodos mais relevantes para serem novamente aplicados na máquina. Os resultados encontrados em ambos os testes mostraram que a diferença de acurácia entre eles foi de 3.47% e as matrizes de confusão geradas foram similares entre si. Separou-se, então, janelas de 1 segundo (500 linhas) dos dados e tirou-se suas médias; em seguida, o mesmo procedimento foi feito com os novos dados obtidos. Como resultado, não só a acurácia aumentou em relação ao primeiro teste (com dados originais e 19 canais), como o resultado obtido com menos canais foi o maior já obtido, uma acurácia de 91.32%, contrariando as expectativas iniciais do trabalho. Em princípio, espera-se que a precisão do sistema seja maior com o uso de uma maior quantidade de eletrodos, dado que este aumento corresponde a uma maior quantidade de informações, porém, deve-se observar o objetivo do que se quer alcançar e realizar compromissos, se for necessário. Sabia-se de antemão que a acurácia seria prejudicada; todavia, não se esperava que com a média e poucos canais a acurácia fosse maior do que aquela obtida utilizando a média e todos os canais. No entanto, para o objetivo deste trabalho, ambos os resultados - de maior e menor precisão - foram satisfatórios e o objetivo alcançado.
id UFRN_1cd6404aff7a2f425cae6a4469bf2c69
oai_identifier_str oai:https://repositorio.ufrn.br:123456789/50444
network_acronym_str UFRN
network_name_str Repositório Institucional da UFRN
repository_id_str
spelling Oliveira, Julia Costa Corrêa deVieira, Jusciaane ChaconSantos, Mailson RibeiroOliveira, Luiz Affonso Henderson Guedes de2022-12-22T12:04:58Z2022-12-22T12:04:58Z2022-12-09OLIVEIRA, Júlia Costa Corrêa de. Análise de dados de eletroencefalograma para diminuição do número de canais. Orientador: Luiz Affonso Henderson Guedes de Oliveira. 2022. 28f. Trabalho de Conclusão de Curso (Graduação em Engenharia de Computação) - Departamento de Engenharia de Computação e Automação, Universidade Federal do Rio Grande do Norte, Natal, 2022.https://repositorio.ufrn.br/handle/123456789/50444Nos dias atuais o número de pessoas que sofrem de epilepsia gira em torno de 50 milhões. Dessas pessoas, aproximadamente 70% consegue viver sem convulsões, as controlando a partir de medicamentos. Porém, pensando nos 30% restantes que ainda não conseguem controlar as crises, é preciso encontrar um método de diminuir o número de eletrodos necessários para identificar o início de uma crise epiléptica, a fim de tornar possível o uso de um equipamento de uso diário que avise ao indivíduo quando uma crise estiver por vir. Levando isto em consideração, este trabalho tem por objetivo verificar o impacto da diminuição de eletrodos na inferência do momento de crise. Para esse estudo, utilizou-se um dataset do centro médico da Universidade Americana de Beirute com dados das ondas eletromagnéticas, geradas pelo cérebro de um paciente epiléptico, captadas por um eletroencefalograma. Os seus dados foram, então, adaptados e repartidos em dados de treino e teste para serem utilizados por uma máquina de aprendizagem, chamada de floresta aleatória, na linguagem Pyhton. Nela foram colocados os dados com todos os 19 eletrodos e a partir do resultado obtido, selecionou-se apenas os 9 eletrodos mais relevantes para serem novamente aplicados na máquina. Os resultados encontrados em ambos os testes mostraram que a diferença de acurácia entre eles foi de 3.47% e as matrizes de confusão geradas foram similares entre si. Separou-se, então, janelas de 1 segundo (500 linhas) dos dados e tirou-se suas médias; em seguida, o mesmo procedimento foi feito com os novos dados obtidos. Como resultado, não só a acurácia aumentou em relação ao primeiro teste (com dados originais e 19 canais), como o resultado obtido com menos canais foi o maior já obtido, uma acurácia de 91.32%, contrariando as expectativas iniciais do trabalho. Em princípio, espera-se que a precisão do sistema seja maior com o uso de uma maior quantidade de eletrodos, dado que este aumento corresponde a uma maior quantidade de informações, porém, deve-se observar o objetivo do que se quer alcançar e realizar compromissos, se for necessário. Sabia-se de antemão que a acurácia seria prejudicada; todavia, não se esperava que com a média e poucos canais a acurácia fosse maior do que aquela obtida utilizando a média e todos os canais. No entanto, para o objetivo deste trabalho, ambos os resultados - de maior e menor precisão - foram satisfatórios e o objetivo alcançado.Nowadays the number of people that suffer from epilepsy is around 50 million. Of these people, about 70 percent can live seizure-free, controling them with medication. However, thinking about the remaining 30% who still cannot control their seizures, it is necessary to find a method to decrease the number of electrodes needed to identify the beginning of a seizure, in order to make possible the use of a daily wear device that warns the individual when a seizure is coming. Taking this into consideration, this work aims to verify the impact of the decrease in electrodes on the inference of the moment of seizure. For this study, a dataset from the medical center of the American University of Beirut was used with data from the electromagnetic waves, generated by the brain of an epileptic patient, captured by an electroencephalogram. Their data is then adapted and broken down into training and test data to be used by a learning machine, called a random forest, in the Pyhton language. In it the data with all 19 leads were imputted, and from the obtained results, only the 9 most relevant leads were selected to be re-applied to the machine. The results found in both tests showed that the difference in accuracy between them was 3.47%, and the confusion matrices generated were similar to each other. Were separated 1 second windows (500 lines) of the data and took their averages; then, the same procedure was done with the new data obtained. As a result, not only the accuracy increased compared to the first test (with original data and 19 channels), but the result obtained with fewer channels was the highest ever obtained, an accuracy of 91.32%, contrary to the initial expectations of the work. In principle, it is expected that the accuracy of the system will be greater with the use of a larger number of electrodes, since this increase corresponds to a greater amount of information, but one must observe the objective of what one wants to achieve and make compromises if necessary. It was known beforehand that accuracy would suffer; however, it was not expected that with the average and few channels, accuracy would be higher than that obtained using the average and all channels. However, for the purpose of this work, both results - higher and lower accuracy - were satisfactory and the goal was achieved.Universidade Federal do Rio Grande do NorteEngenharia de ComputaçãoUFRNBrasilDepartamento de Engenharia de Computação e Automação (DCA)EpilepsiaEletroencefalogramaPythonFloresta aleatóriaEletrodoEpilepsyElectroencephalogramPythonRandom forestElectrodeAnálise de dados de eletroencefalograma para diminuição do número de canaisinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisporreponame:Repositório Institucional da UFRNinstname:Universidade Federal do Rio Grande do Norte (UFRN)instacron:UFRNinfo:eu-repo/semantics/openAccessLICENSElicense.txtlicense.txttext/plain; charset=utf-81484https://repositorio.ufrn.br/bitstream/123456789/50444/2/license.txte9597aa2854d128fd968be5edc8a28d9MD52ORIGINALTCC_JuliaCostaCDeOliveira.pdfTCC_JuliaCostaCDeOliveira.pdfTCC - Júlia Costa C. de Oliveiraapplication/pdf1275126https://repositorio.ufrn.br/bitstream/123456789/50444/1/TCC_JuliaCostaCDeOliveira.pdff6e2a3ede3f35fa7e73b0c0484ed60b0MD51123456789/504442022-12-22 09:04:58.811oai:https://repositorio.ufrn.br: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Repositório de PublicaçõesPUBhttp://repositorio.ufrn.br/oai/opendoar:2022-12-22T12:04:58Repositório Institucional da UFRN - Universidade Federal do Rio Grande do Norte (UFRN)false
dc.title.pt_BR.fl_str_mv Análise de dados de eletroencefalograma para diminuição do número de canais
title Análise de dados de eletroencefalograma para diminuição do número de canais
spellingShingle Análise de dados de eletroencefalograma para diminuição do número de canais
Oliveira, Julia Costa Corrêa de
Epilepsia
Eletroencefalograma
Python
Floresta aleatória
Eletrodo
Epilepsy
Electroencephalogram
Python
Random forest
Electrode
title_short Análise de dados de eletroencefalograma para diminuição do número de canais
title_full Análise de dados de eletroencefalograma para diminuição do número de canais
title_fullStr Análise de dados de eletroencefalograma para diminuição do número de canais
title_full_unstemmed Análise de dados de eletroencefalograma para diminuição do número de canais
title_sort Análise de dados de eletroencefalograma para diminuição do número de canais
author Oliveira, Julia Costa Corrêa de
author_facet Oliveira, Julia Costa Corrêa de
author_role author
dc.contributor.referees1.none.fl_str_mv Santos, Mailson Ribeiro
dc.contributor.author.fl_str_mv Oliveira, Julia Costa Corrêa de
dc.contributor.advisor-co1.fl_str_mv Vieira, Jusciaane Chacon
dc.contributor.advisor1.fl_str_mv Oliveira, Luiz Affonso Henderson Guedes de
contributor_str_mv Vieira, Jusciaane Chacon
Oliveira, Luiz Affonso Henderson Guedes de
dc.subject.por.fl_str_mv Epilepsia
Eletroencefalograma
Python
Floresta aleatória
Eletrodo
Epilepsy
Electroencephalogram
Python
Random forest
Electrode
topic Epilepsia
Eletroencefalograma
Python
Floresta aleatória
Eletrodo
Epilepsy
Electroencephalogram
Python
Random forest
Electrode
description Nos dias atuais o número de pessoas que sofrem de epilepsia gira em torno de 50 milhões. Dessas pessoas, aproximadamente 70% consegue viver sem convulsões, as controlando a partir de medicamentos. Porém, pensando nos 30% restantes que ainda não conseguem controlar as crises, é preciso encontrar um método de diminuir o número de eletrodos necessários para identificar o início de uma crise epiléptica, a fim de tornar possível o uso de um equipamento de uso diário que avise ao indivíduo quando uma crise estiver por vir. Levando isto em consideração, este trabalho tem por objetivo verificar o impacto da diminuição de eletrodos na inferência do momento de crise. Para esse estudo, utilizou-se um dataset do centro médico da Universidade Americana de Beirute com dados das ondas eletromagnéticas, geradas pelo cérebro de um paciente epiléptico, captadas por um eletroencefalograma. Os seus dados foram, então, adaptados e repartidos em dados de treino e teste para serem utilizados por uma máquina de aprendizagem, chamada de floresta aleatória, na linguagem Pyhton. Nela foram colocados os dados com todos os 19 eletrodos e a partir do resultado obtido, selecionou-se apenas os 9 eletrodos mais relevantes para serem novamente aplicados na máquina. Os resultados encontrados em ambos os testes mostraram que a diferença de acurácia entre eles foi de 3.47% e as matrizes de confusão geradas foram similares entre si. Separou-se, então, janelas de 1 segundo (500 linhas) dos dados e tirou-se suas médias; em seguida, o mesmo procedimento foi feito com os novos dados obtidos. Como resultado, não só a acurácia aumentou em relação ao primeiro teste (com dados originais e 19 canais), como o resultado obtido com menos canais foi o maior já obtido, uma acurácia de 91.32%, contrariando as expectativas iniciais do trabalho. Em princípio, espera-se que a precisão do sistema seja maior com o uso de uma maior quantidade de eletrodos, dado que este aumento corresponde a uma maior quantidade de informações, porém, deve-se observar o objetivo do que se quer alcançar e realizar compromissos, se for necessário. Sabia-se de antemão que a acurácia seria prejudicada; todavia, não se esperava que com a média e poucos canais a acurácia fosse maior do que aquela obtida utilizando a média e todos os canais. No entanto, para o objetivo deste trabalho, ambos os resultados - de maior e menor precisão - foram satisfatórios e o objetivo alcançado.
publishDate 2022
dc.date.accessioned.fl_str_mv 2022-12-22T12:04:58Z
dc.date.available.fl_str_mv 2022-12-22T12:04:58Z
dc.date.issued.fl_str_mv 2022-12-09
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/bachelorThesis
format bachelorThesis
status_str publishedVersion
dc.identifier.citation.fl_str_mv OLIVEIRA, Júlia Costa Corrêa de. Análise de dados de eletroencefalograma para diminuição do número de canais. Orientador: Luiz Affonso Henderson Guedes de Oliveira. 2022. 28f. Trabalho de Conclusão de Curso (Graduação em Engenharia de Computação) - Departamento de Engenharia de Computação e Automação, Universidade Federal do Rio Grande do Norte, Natal, 2022.
dc.identifier.uri.fl_str_mv https://repositorio.ufrn.br/handle/123456789/50444
identifier_str_mv OLIVEIRA, Júlia Costa Corrêa de. Análise de dados de eletroencefalograma para diminuição do número de canais. Orientador: Luiz Affonso Henderson Guedes de Oliveira. 2022. 28f. Trabalho de Conclusão de Curso (Graduação em Engenharia de Computação) - Departamento de Engenharia de Computação e Automação, Universidade Federal do Rio Grande do Norte, Natal, 2022.
url https://repositorio.ufrn.br/handle/123456789/50444
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv Universidade Federal do Rio Grande do Norte
dc.publisher.program.fl_str_mv Engenharia de Computação
dc.publisher.initials.fl_str_mv UFRN
dc.publisher.country.fl_str_mv Brasil
dc.publisher.department.fl_str_mv Departamento de Engenharia de Computação e Automação (DCA)
publisher.none.fl_str_mv Universidade Federal do Rio Grande do Norte
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFRN
instname:Universidade Federal do Rio Grande do Norte (UFRN)
instacron:UFRN
instname_str Universidade Federal do Rio Grande do Norte (UFRN)
instacron_str UFRN
institution UFRN
reponame_str Repositório Institucional da UFRN
collection Repositório Institucional da UFRN
bitstream.url.fl_str_mv https://repositorio.ufrn.br/bitstream/123456789/50444/2/license.txt
https://repositorio.ufrn.br/bitstream/123456789/50444/1/TCC_JuliaCostaCDeOliveira.pdf
bitstream.checksum.fl_str_mv e9597aa2854d128fd968be5edc8a28d9
f6e2a3ede3f35fa7e73b0c0484ed60b0
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFRN - Universidade Federal do Rio Grande do Norte (UFRN)
repository.mail.fl_str_mv
_version_ 1802117740340707328