Detecção de epilepsia em eletroencefalogramas utilizando redes neurais convolucionais reduzidas
DOI:
https://doi.org/10.59681/2175-4411.v16.iEspecial.2024.1279Palavras-chave:
Aprendizado Profundo, Eletroencefalografia, EpilepsiaResumo
Objetivo: Criação e comparação de modelos de aprendizado profundo a partir de segmentos de eletroencefalogramas (EEG) representados no domínio de tempo e de frequência para a detecção de epilepsia. Método: Foram implementados e avaliados dois modelos de Redes Neurais Convolucionais, sendo cada um alimentado por dados de eletroencefalografia em diferentes domínios (tempo e frequência). Resultados: Os modelos avaliados apresentaram acurácia média entre 73,37% e 82,08%. O modelo treinado a partir de EEG representado no domínio de frequência atingiu maiores valores para todas as métricas. Com a aplicação do teste estatístico de hipótese U de Mann-Whitney, considerando um nível de significância de 5%, foi evidenciado diferença estatisticamente significativa entre os modelos. Conclusão: Os resultados apontam que o modelo treinado com segmentos EEG representados em frequência teve desempenho promissor na detecção de crises epilépticas. Adicionalmente, mesmo que a arquitetura dos modelos desenvolvidos sejam mais simples em comparação com trabalhos relacionados, foram atingidos resultados competitivos.
Referências
World Health Organization. Epilepsy: a public health imperative. 2019.
Shin HW, Jewells V, Hadar E, Fisher T, Hinn A. Review of epilepsy-etiology, diagnostic evaluation and treatment. Int J Neurorehabilitation. 2014;1(130):2376-0281.
Freeman W, Quiroga RQ. Imaging brain function with EEG: advanced temporal and spatial analysis of electroencephalographic signals. Springer Science & Business Media; 2012 Oct 28. DOI: https://doi.org/10.1007/978-1-4614-4984-3
Oliva JT, Rosa JL. Classification for EEG report generation and epilepsy detection. Neurocomputing. 2019 Mar 28;335:81-95. DOI: https://doi.org/10.1016/j.neucom.2019.01.053
Alotaiby TN, Alshebeili SA, Alshawi T, Ahmad I, Abd El-Samie FE. EEG seizure detection and prediction algorithms: a survey. Journal on Advances in Signal Processing. 2014:1-21. DOI: https://doi.org/10.1186/1687-6180-2014-183
Craik A, He Y, Contreras-Vidal JL. Deep learning for electroencephalogram (EEG) classification tasks: a review. Journal of neural engineering. 2019 Apr 9;16(3):031001. DOI: https://doi.org/10.1088/1741-2552/ab0ab5
Li Z, Liu F, Yang W, Peng S, Zhou J. A survey of convolutional neural networks: analysis, applications, and prospects. IEEE transactions on neural networks and learning systems. 2021 Jun 10;33(12):6999-7019. DOI: https://doi.org/10.1109/TNNLS.2021.3084827
Yu Y, Si X, Hu C, Zhang J. A review of recurrent neural networks: LSTM cells and network architectures. Neural computation. 2019 Jul 1;31(7):1235-70. DOI: https://doi.org/10.1162/neco_a_01199
Xu C, Zhao P, Liu Y, Xu J, S. Sheng VS, Cui Z, Zhou X, Xiong H. Recurrent convolutional neural network for sequential recommendation. In The world wide web conference 2019 (pp. 3398-3404). DOI: https://doi.org/10.1145/3308558.3313408
Jana R, Mukherjee I. Deep learning based efficient epileptic seizure prediction with EEG channel optimization. Biomedical Signal Processing and Control. 2021 Jul 1;68:102767. DOI: https://doi.org/10.1016/j.bspc.2021.102767
Sharan RV, Berkovsky S. Epileptic seizure detection using multi-channel EEG wavelet power spectra and 1-D convolutional neural networks. In2020 42nd Annual International Conference of the IEEE Engineering in Medicine & Biology Society (EMBC) 2020 Jul 20 (pp. 545-548). DOI: https://doi.org/10.1109/EMBC44109.2020.9176243
Brigham EO. The fast Fourier transform and its applications. Prentice-Hall, Inc.; 1988 Jul 1.
Daubechies I. The wavelet transform, time-frequency localization and signal analysis. IEEE transactions on information theory. 1990 Sep;36(5):961-1005. DOI: https://doi.org/10.1109/18.57199
Yao X, Li X, Ye Q, Huang Y, Cheng Q, Zhang GQ. A robust deep learning approach for automatic classification of seizures against non-seizures. Biomedical Signal Processing and Control. 2021 Feb 1;64:102215. DOI: https://doi.org/10.1016/j.bspc.2020.102215
Thodoroff P, Pineau J, Lim A. Learning robust features using deep learning for automatic seizure detection. In Machine learning for healthcare conference 2016 Dec 10 (pp. 178-190).
Guttag J. CHB-MIT Scalp EEG Database. PhysioNet. 2010. doi: 10.13026/C2K01R.
Monard MC, Baranauskas JA. Conceitos sobre aprendizado de máquina. Sistemas inteligentes-Fundamentos e aplicações. 2003;1(1):32.
Sokolova M, Lapalme G. A systematic analysis of performance measures for classification tasks. Information processing & management. 2009 Jul 1;45(4):427-37. DOI: https://doi.org/10.1016/j.ipm.2009.03.002
Xu QS, Liang YZ. Monte Carlo cross validation. Chemometrics and Intelligent Laboratory Systems. 2001 Apr 16;56(1):1-1. DOI: https://doi.org/10.1016/S0169-7439(00)00122-2
Mann HB, Whitney DR. On a test of whether one of two random variables is stochastically larger than the other. The annals of mathematical statistics. 1947 Mar 1:50-60. DOI: https://doi.org/10.1214/aoms/1177730491
Günther F, Fritsch S. Neuralnet: training of neural networks. The R Journal. 2010 Jun 2(1):30-38. DOI: https://doi.org/10.32614/RJ-2010-006
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
A submissão de um artigo ao Journal of Health Informatics é entendida como exclusiva e que não está sendo considerada para publicação em outra revista. A permissão dos autores para a publicação de seu artigo no J. Health Inform. implica na exclusiva autorização concedida aos editores para incluí-lo na revista. Ao submeter um artigo, ao autor será solicitada a permissão eletrônica de um Termo de Transferência de Direitos Autorais. Uma mensagem eletrônica será enviada ao autor correspondente confirmando o recibo do manuscrito e o aceite da Declaração de Direito Autoral.