Use este identificador para citar ou linkar para este item:
https://repositorio.ufu.br/handle/123456789/34941
Tipo do documento: | Dissertação |
Tipo de acesso: | Acesso Aberto |
Término do embargo: | 2024-04-06 |
Título: | Aprendizado de padrões EEG para prognóstico precoce de pacientes em coma usando redes echo state e redes neurais convolucionais |
Título(s) alternativo(s): | Learning of EEG patterns to the prognostic of comatose patients using echo state networks and convolutional neural networks |
Autor(es): | Bissaro, Lucas Zago |
Primeiro orientador: | Carneiro, Murillo Guimarães |
Primeiro coorientador: | Destro Filho, João Batista |
Primeiro membro da banca: | Nascimento, Marcelo Zanchtta do |
Segundo membro da banca: | Liang, Zhao |
Resumo: | O exame de Eletroencefalograma (EEG) capta os sinais elétricos do cérebro utilizando eletrodos posicionados ao longo do escalpo. Tais sinais podem ser utilizados na medicina para diversos fins, tais como o prognóstico de doenças. Especificamente, este trabalho investiga arquiteturas de aprendizado recorrente e profundo para o prognóstico de pacientes em coma (PPC) considerando dados EEG coletados em um hospital público brasileiro. Duas formulações para o problema são consideradas aqui. A primeira divide a base de dados em dois desfechos: favorável e desfavorável. A segunda considera também um terceiro desfecho relacionado ao prognóstico de morte encefálica, o qual pode contribuir com protocolos clínicos voltados para doação e gestão de órgãos. Diferente das abordagens mais utilizadas na literatura, as quais são baseadas na extração de atributos dos sinais EEG a partir de quantificadores, nessa dissertação, nós desenvolvemos modelos de aprendizado baseados em redes \emph{echo state} (ESN) capazes de considerar os padrões sequenciais do exame a partir de arquiteturas de processamento mono e multi-sequenciais do EEG. Além disso, foi desenvolvido um modelo de representação espacial que se aproveita da posição dos eletrodos no exame enquanto mantém a resolução temporal e, os quais foram posteriormente utilizados nas arquiteturas de aprendizado profundo baseadas em redes neurais convolucionais (CNN). Vários experimentos foram realizados para avaliar as arquiteturas desenvolvidas. Do ponto de vista da análise de padrões sequenciais, os resultados mostram que nossa abordagem baseada em ESN profunda possui o melhor desempenho preditivo médio para dois e três desfechos quando comparada com as outras arquiteturas ESN desenvolvidas. Em relação à análise da representação espacial, os resultados evidenciam um progresso considerável dessa abordagem, sendo que as CNNs foram capazes de superar abordagens do estado-da-arte tanto para dois quanto para três desfechos. Assim, o presente trabalho estende a literatura relacionada ao PPC e abre novas perspectivas de apoio a equipe médica nessa tarefa. |
Abstract: | The electroencephalogram (EEG) exam registers the brain's electrical signals using positioned electrodes over the scalp. The signals can be used in many medicine applications, such as the prognosis of diseases. In this research we investigate recurrent neural networks and deep learning architectures for the prognosis of comatose patients (PPC) from their EEG data, which were collected in a Brazilian public hospital. We considered two formulations for such a problem. The first aims to divide the target class into two outcomes: favorable and unfavorable. The second also considers a third outcome related to brain death, which have great potential to contribute to organ donation procedures. Unlike most common approaches in the literature, which use quantifiers to extract features of the EEG signals, in this dissertation we develop learning models based on echo state networks (ESN) capable of considering the sequential patterns of the exam by processing architectures mono and multi-sequential of EEG signals. In addition, a spatial representation model that takes advantage of the position of the electrodes during the exam while maintaining temporal resolution was developed and later used in our deep learning architectures based on convolutional neural networks (CNN). Several experiments were carried out to evaluate the developed architectures. From the viewpoint of sequential pattern analysis, the results showed that our deep ESN-based approach has the best average predictive performance for two and three outcomes when compared to other developed ESN architectures. Regarding the analysis of spatial representation, the results demonstrated considerable progress as our CNNs were able to outperform state-of-the-art approaches for both two and three outcomes. Moreover, the present work extends the literature related to PPC and opens new perspectives for supporting the medical team in this task. |
Palavras-chave: | Aprendizado profundo Aprendizado recorrente Computação de reservatório Eletroencefalograma Prognóstico de coma Morte encefálica Deep Learning recurrent learning reservoir computing electroencephalogram comatose outcome brain death |
Área(s) do CNPq: | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO |
Assunto: | Computação Morte cerebral - Prognóstico Eletroencefalografia Coma - Prognóstico |
Idioma: | por |
País: | Brasil |
Editora: | Universidade Federal de Uberlândia |
Programa: | Programa de Pós-graduação em Ciência da Computação |
Referência: | BISSARRO, Lucas Zago. Aprendizado de padrões EEG para prognóstico precoce de pacientes em coma usando redes echo state e redes neurais convolucionais. 2021. 120 f. Dissertação (Mestrado em Computação) - Universidade Federal de Uberlândia, Uberlândia, 2021. DOI http://doi.org/10.14393/ufu.di.2022.5019 |
Identificador do documento: | http://doi.org/10.14393/ufu.di.2022.5019 |
URI: | https://repositorio.ufu.br/handle/123456789/34941 |
Data de defesa: | 11-Ago-2021 |
Aparece nas coleções: | DISSERTAÇÃO - Ciência da Computação |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
AprendizadopadrõesEEG.pdf | Dissertação | 2.71 MB | Adobe PDF | Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons