Caracterização de padrões de eletroencefalografia com uso de aprendizado de máquina na identificação de patologias associadas ao sono

Detalhes bibliográficos
Autor(a) principal: Souza, Allan Paulo de
Data de Publicação: 2023
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UnB
Texto Completo: http://repositorio2.unb.br/jspui/handle/10482/49961
Resumo: Dissertação (mestrado) — Universidade de Brasília, Faculdade UnB Gama, Programa de Pós-Graduação em Engenharia Biomédica, 2023.
id UNB_3d4bd35ce2564c72a711c234aaebc4f9
oai_identifier_str oai:repositorio.unb.br:10482/49961
network_acronym_str UNB
network_name_str Repositório Institucional da UnB
repository_id_str
spelling Caracterização de padrões de eletroencefalografia com uso de aprendizado de máquina na identificação de patologias associadas ao sonoEletroencefalogramaDistúrbios do sonoAprendizado de máquinaMáquinas de vetores de suporteDissertação (mestrado) — Universidade de Brasília, Faculdade UnB Gama, Programa de Pós-Graduação em Engenharia Biomédica, 2023.O sono consiste de uma série de etapas fundamentais para a qualidade de vida em váriasespécies. Sua importância é comparável à alimentação e à prática de atividades físicas. No entanto,seu entendimento ainda tem lacunas que precisam ser estudadas.Nesse sentido, duas tecnologias podem contribuir, em particular, para o entendimento do sono.A primeira diz respeito ao eletroencefalograma (EEG), que tem relevância em diversos estudos daneurociência, inclusive para o sono. A outra tecnologia é a do aprendizado de máquina, que vemganhando espaço como ferramenta para identificação de padrões que auxiliam no diagnóstico; masainda há poucos trabalhos que utilizam essas técnicas na identificação de patologias associadas aosono.Diante disso, esse trabalho se propõe a comparar diferentes abordagens de aprendizado demáquina a partir de dados de EEG com a finalidade de automatizar análises para auxílio emdiagnósticos de patologias associadas ao sono. Para isso, foram comparadas a utilização demáquinas de vetor de suporte (SVM) e florestas aleatórias (Random Forest) com diferenteshiperparâmetros a partir de características obtidas por meio de cálculo de energias em bandas defrequência dos sinais.Nos experimentos com SVM, foram testadas abordagens com variação de kernels; comRandom Forests, profundidade máxima. Adicionalmente, esses resultados foram comparados comos obtidos com uso de redes neurais convolucionais (CNN), definindo característicasdinamicamente por meio das camadas dessa rede. Nestas arquiteturas de CNN, foram utilizadasdistintas camadas convolucionais e densas com alteração de hiperparâmetros.Para a realização desse trabalho, foram utilizados dados de polissonografia disponíveis noportal Physionet. A partir desses dados brutos, houve seleção de característica e, com exceção dosexperimentos que utilizaram CNN, extração de características utilizando transformada de Fourier,selecionando distintas derivações (eletrodos).No estudo piloto, foram implementados algoritmos para detectar o sinal de EEG de epilepsianoturna do lobo frontal. Os resultados obtidos com SVM e Random Forest sugerem que essesclassificadores podem identificar padrões relevantes a partir de sinais de EEG: a maior acurácia(média de 5 folds) foi de 60% em ambas as abordagens. Além disso, as comparações do trabalho com essas abordagem mostraram que a distribuição espacial da informação é homogênea. Por outrolado, não foi possível distinguir os sinais de EEG de participantes com epilepsia, ainda queutilizando-se diferentes arquiteturas, variando-se quantidade de camadas, funções de ativação,quantidade de neurônios e dropout.Em seguida, foram implementados novos experimentos utilizando os resultados dos estudospreliminares como direcionamento. Para isso, novos classificadores foram treinados com dados quepassaram por outras etapas de preparação a partir de janelamento do sinal e filtro dos sinais. Comisso, houve melhoria nas métricas de desempenho dos classificadores.Sleep consists of a series of fundamental stages for the quality of life in several species. Itsimportance is comparable to food and physical activity. However, their understanding still has gapsthat need to be studied.In this sense, two technologies can contribute, in particular, to the understanding of sleep. Thefirst concerns the electroencephalogram (EEG), which is relevant in several neuroscience studies,including sleep. The other technology is machine learning, which has been gaining ground as a toolfor identifying patterns that aid in diagnosis; but there are still few works that use these techniques toidentify pathologies associated with sleep.Therefore, this work proposes to compare different machine learning approaches from EEGdata in order to automate analyzes to aid in the diagnosis of sleep-associated pathologies. For this, theuse of support vector machines (SVM) and random forests (Random Forest) with differenthyperparameters from characteristics obtained by calculating energies in signal frequency bands werecompared.In experiments with SVM, approaches with grain variation were tested; with Random Forests,maximum depth. Furthermore, these results were compared with those obtained using convolutionalneural networks (CNN), defining characteristics dynamically through the layers of this network. Inthese CNN architectures, distinct convolutional and dense layers were used with changinghyperparameters.To carry out this work, polysomnography data available on the Physionet portal was used.From these raw data, there was feature selection and, with the exception of experiments that usedCNN, feature extraction using Fourier transform, selecting different derivations (electrodes).In the pilot study, algorithms were implemented to classify the EEG signal of nocturnal frontallobe epilepsy. The results obtained with SVM and Random Forest suggest that these classifiers canidentify relevant patterns from EEG signals: the highest accuracy (mean of 5 folds) was 60% in bothapproaches. In addition, comparisons of the work with these approaches showed that the spatialdistribution of information is spatially homogeneous. On the other hand, it was not possible todistinguish the EEG signals of participants with epilepsy, even using different architectures, varyingthe number of layers, activation functions, number of neurons and dropout. Then, new experiments were implemented using the results of preliminary studies as aguideline. For this, new classifiers were trained with data that went through other stages of preparationfrom signal windowing and signal filtering. As a result, there was an improvement in the performancemetrics of the classifiers.Faculdade UnB Gama (FGA)Programa de Pós-Graduação em Engenharia BiomédicaMendes, Cristiano Jacques Miosso RodriguesSouza, Allan Paulo de2024-08-16T17:20:23Z2024-08-16T17:20:23Z2024-08-162023-09-28info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfSOUZA, Allan Paulo de. Caracterização de padrões de eletroencefalografia com uso de aprendizado de máquina na identificação de patologias associadas ao sono. 2023. 93 f., il. Dissertação (Mestrado em Engenharia Biomédica) — Brasília, 2023.http://repositorio2.unb.br/jspui/handle/10482/49961porinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UnBinstname:Universidade de Brasília (UnB)instacron:UNB2024-08-17T20:36:08Zoai:repositorio.unb.br:10482/49961Repositório InstitucionalPUBhttps://repositorio.unb.br/oai/requestrepositorio@unb.bropendoar:2024-08-17T20:36:08Repositório Institucional da UnB - Universidade de Brasília (UnB)false
dc.title.none.fl_str_mv Caracterização de padrões de eletroencefalografia com uso de aprendizado de máquina na identificação de patologias associadas ao sono
title Caracterização de padrões de eletroencefalografia com uso de aprendizado de máquina na identificação de patologias associadas ao sono
spellingShingle Caracterização de padrões de eletroencefalografia com uso de aprendizado de máquina na identificação de patologias associadas ao sono
Souza, Allan Paulo de
Eletroencefalograma
Distúrbios do sono
Aprendizado de máquina
Máquinas de vetores de suporte
title_short Caracterização de padrões de eletroencefalografia com uso de aprendizado de máquina na identificação de patologias associadas ao sono
title_full Caracterização de padrões de eletroencefalografia com uso de aprendizado de máquina na identificação de patologias associadas ao sono
title_fullStr Caracterização de padrões de eletroencefalografia com uso de aprendizado de máquina na identificação de patologias associadas ao sono
title_full_unstemmed Caracterização de padrões de eletroencefalografia com uso de aprendizado de máquina na identificação de patologias associadas ao sono
title_sort Caracterização de padrões de eletroencefalografia com uso de aprendizado de máquina na identificação de patologias associadas ao sono
author Souza, Allan Paulo de
author_facet Souza, Allan Paulo de
author_role author
dc.contributor.none.fl_str_mv Mendes, Cristiano Jacques Miosso Rodrigues
dc.contributor.author.fl_str_mv Souza, Allan Paulo de
dc.subject.por.fl_str_mv Eletroencefalograma
Distúrbios do sono
Aprendizado de máquina
Máquinas de vetores de suporte
topic Eletroencefalograma
Distúrbios do sono
Aprendizado de máquina
Máquinas de vetores de suporte
description Dissertação (mestrado) — Universidade de Brasília, Faculdade UnB Gama, Programa de Pós-Graduação em Engenharia Biomédica, 2023.
publishDate 2023
dc.date.none.fl_str_mv 2023-09-28
2024-08-16T17:20:23Z
2024-08-16T17:20:23Z
2024-08-16
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 SOUZA, Allan Paulo de. Caracterização de padrões de eletroencefalografia com uso de aprendizado de máquina na identificação de patologias associadas ao sono. 2023. 93 f., il. Dissertação (Mestrado em Engenharia Biomédica) — Brasília, 2023.
http://repositorio2.unb.br/jspui/handle/10482/49961
identifier_str_mv SOUZA, Allan Paulo de. Caracterização de padrões de eletroencefalografia com uso de aprendizado de máquina na identificação de patologias associadas ao sono. 2023. 93 f., il. Dissertação (Mestrado em Engenharia Biomédica) — Brasília, 2023.
url http://repositorio2.unb.br/jspui/handle/10482/49961
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.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UnB
instname:Universidade de Brasília (UnB)
instacron:UNB
instname_str Universidade de Brasília (UnB)
instacron_str UNB
institution UNB
reponame_str Repositório Institucional da UnB
collection Repositório Institucional da UnB
repository.name.fl_str_mv Repositório Institucional da UnB - Universidade de Brasília (UnB)
repository.mail.fl_str_mv repositorio@unb.br
_version_ 1810580692502839296

Registros relacionados