Aplicação de aprendizado de máquina na detecção de convulsões epiléptica em sinais de EEG

Silva, Vanessa Machado

Por favor, use este identificador para citar o enlazar este ítem: https://repositorio.ufu.br/handle/123456789/46749

Registro completo de metadatos

Campo DC	Valor	Lengua/Idioma
dc.creator	Silva, Vanessa Machado	-
dc.date.accessioned	2025-09-03T19:57:40Z	-
dc.date.available	2025-09-03T19:57:40Z	-
dc.date.issued	2025-05-05	-
dc.identifier.citation	SILVA, Vanessa Camargo. Aplicação de aprendizado de máquina na detecção de convulsões epiléptica em sinais de EEG. 2025. 65 f. Trabalho de Conclusão de Curso ( Graduação em Sistema de Informação) - Universidade Federal de Uberlândia. Uberlândia. 2025.	pt_BR
dc.identifier.uri	https://repositorio.ufu.br/handle/123456789/46749	-
dc.language	por	pt_BR
dc.publisher	Universidade Federal de Uberlândia	pt_BR
dc.rights	Acesso Aberto	pt_BR
dc.subject	Epilepsia	pt_BR
dc.subject	EEG	pt_BR
dc.subject	Aprendizado de maquina	pt_BR
dc.subject	Aprendizado profundo	pt_BR
dc.title	Aplicação de aprendizado de máquina na detecção de convulsões epiléptica em sinais de EEG	pt_BR
dc.type	Trabalho de Conclusão de Curso	pt_BR
dc.contributor.advisor1	Carvalho, Daniele Oliveira	-
dc.contributor.advisor1Lattes	http://lattes.cnpq.br/0858402708122364	pt_BR
dc.contributor.referee1	Rocha, Adriano Mendonça	-
dc.contributor.referee1Lattes	http://lattes.cnpq.br/9672436935373713	pt_BR
dc.contributor.referee2	Caetano, Daniel Stefany Duarte	-
dc.contributor.referee2Lattes	http://lattes.cnpq.br/8584154563547427	pt_BR
dc.creator.Lattes	http://lattes.cnpq.br/8764635868888995	pt_BR
dc.description.degreename	Trabalho de Conclusão de Curso (Graduação)	pt_BR
dc.description.resumo	A epilepsia é uma doença neurológica que afeta cerca de 50 milhões de pessoas no mundo, sendo caracterizada pela ocorrência de crises epilépticas. O uso de técnicas de inteligência artificial tem-se mostrado uma ferramenta promissora na detecção e classifi- cação de sinais neurais. Neste trabalho, foram utilizados dados de eletroencefalograma (EEG) de 22 pacientes, com aproximadamente 23 canais por registro. Devido à longa duração das gravações e à curta duração das crises, foi necessário balancear as classes por meio do recorte de períodos específicos de cada estado. Os sinais foram filtrados e segmentados em janelas de 15 segundos para extração e seleção de características, com o objetivo de reduzir informações irrelevantes à predição. Na etapa de classificação, foram realizados diversos testes para definir os melhores parâmetros e otimizar o desempenho dos modelos. O objetivo foi identificar os períodos de transição das crises epilépticas, incluindo os estados ictal, interictal e pré-ictal. Foram avaliados algoritmos de aprendi- zado de máquina, como Random Forest (RF), Decision Tree (DT), K-Nearest Neighbors (KNN), Support Vector Machine (SVM) e Logistic Regression (LR), além de modelos de aprendizado profundo, como Convolutional Neural Network (CNN) e Long Short-Term Memory (LSTM). Os melhores resultados foram obtidos na classificação das classes in- terictal e ictal, com destaque para a CNN, que atingiu 95,27% de acurácia, seguida pela RF (94%) e pela LSTM (93,32%). A LR obteve 91%, a DT 89%, o SVM 88,3% e o KNN 83%. Os resultados evidenciam o bom desempenho dos métodos propostos, especialmente os modelos de aprendizagem profunda, além de permitirem uma comparação clara entre as diferentes abordagens.	pt_BR
dc.publisher.country	Brasil	pt_BR
dc.publisher.course	Sistemas de Informação	pt_BR
dc.sizeorduration	65	pt_BR
dc.subject.cnpq	CNPQ::CIENCIAS EXATAS E DA TERRA	pt_BR
Aparece en las colecciones:	TCC - Sistemas de Informação (Monte Carmelo)

Ficheros en este ítem:

Fichero	Descripción	Tamaño	Formato
AplicaçãoAprendizadoMáquina.pdf		14.56 MB	Adobe PDF	Visualizar/Abrir

Mostrar el registro sencillo del ítem