Please use this identifier to cite or link to this item: https://repositorio.ufu.br/handle/123456789/24923
Document type: Tese
Access type: Acesso Aberto
Title: Otimização multiobjetivo aplicada na identificação de parâmetros para análise eletroencefalográfica
Alternate title (s): Multiobjective optimization applied in the identification of parameters for electroencephalographic analysis
Author: Santos, Antônio Fernando Moura
First Advisor: Duarte, Marcus Antonio Viana
First member of the Committee: Brito, Jorge Nei
Second member of the Committee: Araujo, Cleudmar Amaral
Third member of the Committee: Lépore Neto, Francisco Paulo
Fourth member of the Committee: Nunez, Israel Jorge Cardenas
Summary: A medicina atualmente gasta um longo tempo na análise de exames que em sua maioria não apresentam alguma anomalia. Para o caso do neurologista, mais de 80% dos exames analisados são considerados bons. Outro problema para o neurologista é que o erro diagnóstico é muito comum. Em função dos tempos despendidos na análise de eletroencefalogramas EEG normais, a percentagem elevada de erros de análise e, principalmente, a consequência que um diagnóstico falso positivo pode afetar um ser humano, toda pesquisa visando a minimização de erros de diagnóstico deve ser bem-vinda e apoiada, principalmente aquelas envolvendo Inteligência Artificial. Neste trabalho, para auxiliar o especialista, é apresentada uma metodologia, baseada em inteligência artificial, capaz de separar os sinais cerebrais em sinais com e sem anomalias. Para isto, utilizou-se de um banco de dados disponível publicamente de Bern-Barcelona, que consiste em sinais com e sem a presença de ictal. Para avaliação dos procedimentos desenvolvidos, utilizou-se das métricas de sensibilidade, especificidade, precisão, valores positivos preditos, valores negativos preditos e coeficiente de correlação de Mathew. Utilizou-se dois procedimentos de classificação (QDA e SVM) e quatro algoritmos de otimização multiobjetivo (MOPSO, PESA2, SPEA2 e NSGA-II) para análise discriminante de 1180 parâmetros candidatos a sintomas para classificar os sinais de EEG em sinais focais e não focais. Já para o cálculo dos sintomas, utilizou-se de técnicas de análise de sinais, como a análise estatística clássica (valor RMS e curtose, por exemplo), Transformadas Wavelet e de Hilbert-Huang, análise envelope e cálculos de entropia e k-NEO. A utilização do NSGA-II e funções objetivo com penalização, propostas neste trabalho, resultaram em valores de sensibilidade iguais a 94%, especificidade iguais a 82% e uma acurácia de 87% para os bancos de dados de validação e de teste.
Abstract: In medicine experts currently spends a long time in the analysis of tests that do not present any anomalies. For the case of the neurologist, more than 80% of the exams are good. Another problem is that the diagnostic error is very common in the neurology. Due to the time spent in analysis of normal EEG, the high percentage of errors and the consequence that to false positive diagnosis can affect to human health and life quality, all research aimed at minimizing errors in EEG's diagnosis should be welcomed, especially those involving Artificial Intelligence. In this work, to aid the EEG expert, is presented a methodology based on artificial intelligence capable of separating EEG signals into signs with and without anomalies with a high probability of success. For this was used a public available database of Bern-Barcelona University consisting of signs with ictal presence and without the presence of ictal. For the evaluation of the developed procedures was used the metrics: sensitivity, specificity, accuracy, predicted positive values, predicted negative values and Mathew correlation coefficient. Two classification procedures (QDA and SVM) and four multi-objective optimization algorithms (MOPSO, PESA2, SPEA2 and NSGA-II) were used for discriminant analysis of 1180 symptom-seeking parameters to classify EEG signals into focal and non-focal ones. Signal analysis techniques, such as classical statistical analysis (RMS value and kurtosis, for example), Wavelet and Hilbert-Huang transforms, envelope analysis and entropy and k-NEO calculations were used to choice the best parameters to classification purpose. The use of the NSGA-II and objective functions with penalization, proposed in this work, resulted in sensitivity values of 94%, specificity of 82% and an accuracy of 87% for the validation and test databases.
Keywords: Análise discriminante múltipla
Eletroencefalografia
Máquina de vetores de suporte
Otimização multiobjetivo
Entropia
Engenharia mecânica
Electroencephalography
Multiple Discriminant Analysis
Supporting Vector Machines
Multi-objective Optimization
Entropy
Area (s) of CNPq: CNPQ::ENGENHARIAS::ENGENHARIA MECANICA
Language: por
Country: Brasil
Publisher: Universidade Federal de Uberlândia
Program: Programa de Pós-graduação em Engenharia Mecânica
Quote: SANTOS, Antônio Fernando Moura. Otimização multiobjetivo aplicada na identificação de parâmetros para análise eletroencefalográfica. 2019. 119 f. Tese (Doutorado em Engenharia Mecânica) - Universidade Federal de Uberlândia. 2019. Disponível em: http://dx.doi.org/10.14393/ufu.te.2019.324
Document identifier: http://dx.doi.org/10.14393/ufu.te.2019.324
URI: https://repositorio.ufu.br/handle/123456789/24923
Date of defense: 22-Feb-2019
Appears in Collections:TESE - Engenharia Mecânica

Files in This Item:
File Description SizeFormat 
OtimizaçãoMultiobjetivoAplicada.pdf2.97 MBAdobe PDFThumbnail
View/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.