Banca de DEFESA: HANNA CARLA GURGEL ARRUDA

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : HANNA CARLA GURGEL ARRUDA
DATA : 18/10/2023
HORA: 09:00
LOCAL: Sala da Pós Graduação Psicobiologia
TÍTULO:

CLASSIFICAÇÃO DE SINAIS DE EEG: UMA ABORDAGEM DA VISÃO COMPUTACIONAL COM REDES NEURAIS CONVOLUCIONAIS PARA PREDIÇÃO DE CRISES EPILÉPTICAS

PALAVRAS-CHAVES:

EEG; Classification; CNN; Deep Learning; Python

PÁGINAS: 57
RESUMO:

A eletroencefalografia (EEG) é uma técnica não invasiva de registro e monitoramento da atividade elétrica cerebral. Os sinais EEG obtidos proporcionam informações valiosas sobre processos cognitivos, estados mentais e condições neurológicas, como a epilepsia. O EEG desempenha um papel fundamental como ferramenta de diagnóstico na medicina e se estende como ferramenta para pesquisa à diversas áreas, como neurociências e engenharia biomédica. Um dos aspectos cruciais do estudo do EEG está relacionado à detecção e previsão de crises epilépticas. Segundo a Organização Mundial da Saúde (OMS), a epilepsia afeta aproximadamente 50 milhões de pessoas em todo o mundo. O diagnóstico tradicional da epilepsia envolve a análise visual, realizada por um neurologista, de horas de registros EEG, com o objetivo de identificar padrões eletroencefalográficos associados às crises. No entanto, esse processo pode ser dispendioso e está sujeito a erros humanos. Diante desse desafio, pesquisadores têm se dedicado à busca por alternativas que possam reduzir o tempo de análise e, assim, auxiliar no diagnóstico de forma mais eficiente. Como alternativa a esse cenário existe a aplicação de técnicas de inteligência artificial (IA), que podem auxiliar no processo de diagnóstico. O objetivo do nosso trabalho é propor uma metodologia para classificação de sinal de EEG a fim de detectar crises epilépticas. Utilizamos a base de dados de EEG de código aberto do Hospital Infantil de Boston, composta por registros de 198 convulsões em 24 pacientes com idade entre 1,5 e 22 anos. Os dados foram pré-processados para remoção de ruídos e artefatos utilizando a biblioteca MNE Python, específica para análises neurofisiológicas. Os dados foram transformados em imagem para input em uma rede neural convolucional (CNN). Implementamos uma CNN de 19 camadas na linguagem Python usando a plataforma gratuita Google Colaboratory. Selecionamos 6 pacientes para treinar o modelo usando validação cruzada e usamos os 18 pacientes restantes para testes individuais, a fim de verificar a capacidade de generalização do modelo. Realizamos quatro treinamentos usando técnicas diferentes para lidar com o desbalanceamento dos dados. Devido ao desbalanceamento de classes que enviesa a métrica de acurácia, consideramos o Recall da classe 1 a métrica mais importante para selecionar um modelo para aplicar aos dados de teste. Obtemos média do Recall da classe 1 de 73% com os dados desbalanceados e 83% com dados balanceados. No conjunto de teste as médias foram 38% e 74% respectivamente. Os recursos computacionais foram um fator limitante, o que influenciou o tamanho do conjunto de treino e a variabilidade de padrões a serem aprendidos pela rede. Ainda assim, consideramos que nossa classificação atingiu uma boa performance, especialmente pelo desafio de lidar com o extremo desbalanceamento de classes.

MEMBROS DA BANCA:
Interno - 1216466 - JOHN FONTENELE ARAUJO
Externo ao Programa - 2069422 - DIEGO ANDRES LAPLAGNE - UFRNExterno ao Programa - 3083298 - RENAN CIPRIANO MOIOLI - UFRNExterno à Instituição - LUCAS GALDINO BANDEIRA DOS SANTOS