Classificação de imagens de textura geradas por Gráficos de Recorrências no problema de pessoas sofrendo ataques epiléticos

• Autor(a) principal: Queiroz, Danielly de Moura Borba
• Data de Publicação: 2019
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório institucional da Universidade Federal Rural de Pernambuco (UFRPE) (RI-UFRPE)
• Texto Completo: https://repository.ufrpe.br/handle/123456789/1860
• topic: Software; Epilepsia; Algorítmos computacionais

A epilepsia é uma condição neurológica caracterizada pela ocorrência de crises epilépticas que se repetem em intervalos variáveis. Essas crises são manifestações clínicas de uma descarga anormal de neurônios, que são células que compõem o cérebro.Algumas particularidades tornam os diagnósticos precoces da epilepsia um grande desafio, até mesmo para clínicos mais experientes. Como auxilio médico, existem exames como o eletroencefalograma (EEG) representados por séries temporais bastante utilizado no diagnóstico da epilepsia. As séries temporais estão presentes em várias áreas de estudo, como a medicina, biologia, economia, entre outras. Seus gráficos expõem padrões ocultos e mudanças estruturais nos dados, como possuem padrões de textura bem definidos que podem ser identificados adequadamente por métodos de extração de textura. Além disso, existem diversas ferramentas para extração de informações das séries temporais, uma delas é a imagem de recorrência, que usualmente é utilizada para verificar a mudança de um padrão no sinal. Este trabalho apresenta um estudo de descritores de texturas e classificadores em imagens de pessoas saudáveis e epiléticas geradas por imagens de recorrências. Os descritores de texturas usando neste estudo foram: Padrões Binários Locais (LBP), Quantização de Fase Lo-cal (LPQ) e o Banco de Filtro de Gabor. Até o melhor do nosso conhecimento, ainda não foi realizado nenhum estudo aplicando-se esses descritores em imagens de recorrência na base utilizada neste trabalho. A avaliação é realizada através da taxa média de acerto, precisão, recall e f-measure resultante dos seguintes classificadores:Ran-dom Forest, eSupport Vector Machine(SVM). Os experimentos demonstraram que o classificador SVM usando o descritor LPQ mostrou resultados promissores, obtendo92,1% de média de acerto, recall e f-measure e para precisão obteve 92,26%.