Use este identificador para citar ou linkar para este item: https://repositorio.ufu.br/handle/123456789/22949
Tipo do documento: Tese
Tipo de acesso: Acesso Aberto
Título: Inteligência Artificial Aplicada a Análise de Eletroencefalografia
Título(s) alternativo(s): Artificial Intelligence Applied to Electroencephalography Analysis
Autor(es): Duarte, Júlia Bertelli
Primeiro orientador: Duarte, Marcus Antônio Viana
Primeiro membro da banca: de Lima, Antonio Marcos Gonçalves
Segundo membro da banca: Lépore Neto, Francisco Paulo
Terceiro membro da banca: Menegaldo, Luciano Luporini
Quarto membro da banca: Barbieri, Nilson
Resumo: O desenvolvimento tecnológico da eletrônica, interligado ao crescimento no conhecimento científico sobre as causas das doenças humanas no final de século XX, possibilitou desenvolver novos equipamentos e técnicas diagnósticas e terapêuticas na Medicina. Um sistema de inteligência artificial deve ser capaz de armazenar conhecimento, aplicar este conhecimento na resolução de problemas e adquirir novos conhecimentos através da experiência. A medicina atualmente gasta um longo tempo na análise de exames neurológicos que em sua maioria não apresentam alguma anomalia. Para auxiliar o especialista, deseja-se desenvolver um programa, baseado em inteligência artificial, capaz de separar os sinais cerebrais em sinais com e sem anomalias. Sinais de eletroencefalograma serão utilizados neste trabalho devido à grande necessidade de programas para auxílio ao seu diagnóstico. Para isto, utilizou-se de um banco de dados disponível publicamente de Bern-Barcelona, que consiste em sinais com presença de ictal (evento no sinal causado por uma crise epilética) 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 seis procedimentos de classificação (kNN, WkNN, LDA, QDA, PNN e MLP-BP) e dois algoritmos de otimização (algoritmo genético e evolução diferencial) para testar a eficiência destes na classificação de 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. De uma pré-análise, os parâmetros que mais se repetiram como possíveis sintomas foram Valor RMS, fator de crista e curtose, com 15, 14 e 10 ocorrências respectivamente. Os melhores resultados observados foram utilizando evolução diferencial em conjunto com WkNN, que resultou numa precisão de aproximadamente 84%.
Abstract: The technological development of electronics, linked to growth of scientific knowledge on the causes of human diseases in the late twentieth century, made it possible to develop new equipment and diagnostic and therapeutic techniques in Medicine. An artificial intelligence system must be able to stock knowledge, applied this knowledge and acquire new knowledge through experience. The physics spend a large time in neurological exams analysis and most of all are not an anomaly. To assist the specialist, we want to develop a program, based on artificial intelligence, capable of separating the brain signals into signs with and without anomalies. Electroencephalogram signs are used in this work because of the great need for programs to aid in their diagnosis. To do this, an available database of Bern-Barcelona are used, which consists of signs with and without the presence of ictal (signal event caused by an epileptic seizure). For the evaluation of the developed processes, we used the metrics of sensitivity, specificity, accuracy, positive predictive values, negative predictive values and Mathew correlation coefficient. We used six classification procedures (kNN, WkNN, LDA, QDA, PNN and MLP-BP) and two optimization algorithms (genetic algorithm and differential evolution) to test an application of these in the classification of focal and non-focal signals. For calculation of symptoms, statistical analysis such as a classical statistical analysis (RMS value and kurtosis, for example), Wavelet and Hilbert-Huang Transforms, analysis envelope and entropy and k-NEO calculations are used. From a pre-analysis, the parameter that most repeat as possible symptoms as RMS value, crest factor and kurtosis, with 15, 14 and 10 occurrences respectively. The best results observed is using WkNN, with differential evolution, which resulted in an accuracy of approximately 84%.
Palavras-chave: Eletroencefalografia
Electroencephalography
Epilepsia
Epilepsy
Transformada Wavelet
Wavelet Transform
Transformada de Hilbert Huang
Hilbert Huang Transform
k-NEO. Entropia
k-NEO
Análise Envelope
Entropy
Análise Discriminante Linear
Envelope Analysis
Análise Discriminante Quadrática
Análise Discriminante Quadrática
k-Nearest Neighbor
k-Nearest Neighbor
WkNN
WkNN
Rede Neural Probabilística
Rede Neural Probabilística
Perceptron multicamadas
Perceptron multicamadas
Algoritmos Genéticos
Algoritmos Genéticos.
Evolução Diferencial
Evolução Diferencial
Área(s) do CNPq: CNPQ::ENGENHARIAS::ENGENHARIA MECANICA
Idioma: por
País: Brasil
Editora: Universidade Federal de Uberlândia
Programa: Programa de Pós-graduação em Engenharia Mecânica
Referência: DUARTE, Júlia Bertelli. Inteligência Artificial Aplicada a Análise de Eletroencefalografia - Uberlândia. 2018. 127f. Tese (Doutorado em Engenharia Mecânica) - Universidade Federal de Uberlândia, Uberlândia, 2018. DOI http://dx.doi.org/10.14393/ufu.te.2018.815
Identificador do documento: http://dx.doi.org/10.14393/ufu.te.2018.815
URI: https://repositorio.ufu.br/handle/123456789/22949
Data de defesa: 26-Fev-2018
Aparece nas coleções:TESE - Engenharia Mecânica

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
InteligenciaArtificialAplicada.pdf7.14 MBAdobe PDFThumbnail
Visualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.