Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/30630| Título: | Detecção de epilepsia por meio de análise de eletroencefalograma utilizando aprendizado de máquina |
| Título(s) alternativo(s): | Epilepsy detection using EEG-based machine-learning analysis |
| Autor(es): | Kurpel, Fabio Henrique |
| Orientador(es): | Oliva, Jefferson Tales |
| Palavras-chave: | Aprendizado de máquinas Eletroencefalografia Epilepsia Machine learning Electroencephalography Epilepsy |
| Data do documento: | 8-Dez-2022 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Pato Branco |
| Citação: | KURPEL, Fabio Henrique. Detecção de epilepsia por meio de análise de eletroencefalograma utilizando aprendizado de máquina. 2022. Trabalho de Conclusão de Curso (Bacharelado em Engenharia de Computação) - Universidade Tecnológica Federal do Paraná, Pato Branco, 2022. |
| Resumo: | A epilepsia é uma enfermidade que atinge mais de 50 milhões de pessoas no mundo e seu diagnóstico é realizado, principalmente, por meio do eletroencefalograma. Devido a falta de profissionais capacitados e da complexidade de interpretação do exame, há um alto índice de erro atrelado ao diagnóstico da epilepsia. Para contornar esse problema é possível utilizar métodos de aprendizado de máquina, de forma a automatizar a análise de exames e auxiliar os profissionais da saúde na tomada de decisão. Nesse trabalho foi desenvolvido um modelo que classifica a base de dados de Bonn, que contém eletroencefalogramas divididos em 5 classes. A extração de características é feita utilizando a Transformada Wavelet e as instâncias são classificadas com várias técnicas, com o objetivo de compara-las. Foram utilizados os seguintes classificadores: redes neurais artificiais, máquinas de vetores de suporte, K vizinhos mais próximos, Naive Bayes gaussiano, árvore de decisão e análise do discriminante quadrático. Os resultados indicaram um comportamento semelhante, de acurácia competitiva, nos casos de classificação binária, com acurácia média de 99,63% no caso B-E, e 95,85% no caso D-E. Todavia, na classificação multiclasse A-B-C-D-E, as técnicas baseadas em redes neurais e árvores de decisão se destacaram em desempenho, e obtiveram as acurácias 82,4% e 82,2%, respectivamente. |
| Abstract: | Epilepsy affects over 50 million people all over the world, its diagnosis is made mainly through the use of electroencephalogram. Due to the lack of qualified professionals and the complexity of the exam’s interpretation, there’s a high inaccuracy in the diagnosis of epilepsy. Many papers have proposed the use of machine learning techniques to help health professionals in their decision-making. In the present study, a classifier model was developed and tested using Bonn’s Database, which contains electroencephalograms divided into 5 groups. Wavelet Transform is used for feature extraction, and classification is done using many techniques. The following classifiers are used: Artificial Neural Networks, Support Vector Machine, K Nearest Neighbours, Gaussian Naive Bayes, Decision Tree, and Quadratic Discriminant Analysis. The results indicate similar performance in the binary classification cases, with mean accuracy of 99.63% on case B-E, and 95.85% on case D-E.In the multiclass classification case A-B-C-D-E the neural network-based technique and the decision tree resulted in better accuracy, 82.4% and 82.2%, respectively. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/30630 |
| Aparece nas coleções: | PB - Engenharia de Computação |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| epilepsiaeegaprendizadomaquina.pdf | 9,39 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
