Please use this identifier to cite or link to this item: http://repositorio.unicamp.br/jspui/handle/REPOSIP/331276
Type: TESE DIGITAL
Degree Level: Mestrado
Title: High-performance detectors for epileptic seizure by machine learning techniques = Detectores de alto desempenho para crises epilépticas por técnicas de aprendizado de máquina
Title Alternative: Detectores de alto desempenho para crises epilépticas por técnicas de aprendizado de máquina
Author: Beserra, Fernando dos Santos, 1993-
Advisor: Von Zuben, Fernando José, 1968-
Abstract: Resumo: Entre os vários nichos de pesquisa em epilepsia, cientistas e engenheiros de computação têm procurado contribuir junto a métodos de detecção e previsão de crises, assim como na localização de focos epilépticos. Um desafio comum revela-se no caráter de variabilidade da doença e da escassez de dados que contenham os instantes de crises, fazendo com que a maioria das soluções otimizadas encontradas para um determinado paciente tenham geralmente baixo desempenho quando aplicadas a outros pacientes. Isso aponta para a necessidade de desenvolvimento de métodos de extração de atributos e algoritmos inteligentes que sejam capazes de discriminar estados cerebrais em diversas condições e que, também, idealmente, sejam capazes de transmitir informação entre tarefas de predição disjuntas. Este trabalho inicialmente compara múltiplas representações de sinais eletroencefalográficos. Essas representações dão origem a vetores de atributos, a respeito dos fenômenos por trás dos possíveis estados cerebrais, com interpretações distintas. Compara-se neste trabalho decomposições do tipo Fourier, wavelet e baseadas em propriedades de grafos, que correspondem a atributos que codificam energias do sinal de entrada em diferentes escalas temporais, similaridades da forma de onda com a de uma motherwave pré-fixada e correlações entre múltiplas regiões cerebrais, respectivamente. Finalmente, múltiplos métodos que poderiam ser úteis em casos em que condições experimentais não são ideais, havendo uma escassez de dados devidamente rotulados, são avaliados. Esta dificuldade é inicialmente tratada por um autoencoder, o qual somente aprende perfis de estados cerebrais normais, os quais não contêm instantes de crises, e detecta novas crises através de uma medida de divergência destas instâncias em relação às instâncias previamente vistas, assim evitando uma necessidade de conjuntos de treino que contenham marcações de crises cerebrais. Algoritmos que fazem parte da comunidade de métodos de aprendizado por transferência, em ciência da computação, também são estudados em contextos em que dados rotulados de pacientes distintos são reaproveitados para melhorar a performance de detecção de uma tarefa de predição para um dado paciente-alvo

Abstract: Among the various research niches in epilepsy, scientists and computer engineers have been contributing with methods for the detection and prediction of seizures, as well as with the location of epileptic foci. A common challenge is represented by the inherent variability of the disease and the scarcity of data containing seizure onset time and length, usually making most optimized solutions found for a particular patient of poor performance when applied to other patients. It highlights the need for developing more robust feature extraction strategies and predictive intelligent algorithms, capable of discriminating cerebral states under diverse conditions, as well as, ideally, being able to convey information across disjoint predictive tasks. This work addresses, first, a comparison of multiple representations of electroencephalographic signals. These representations yield feature vectors of the underlying phenomena which have intrinsic distinct interpretations. We compare Fourier, wavelet and graph-based decompositions of the incoming signal, which correspond to features encoding energies of the signal at various time scales, the similarity of the waveform to that of a given motherwave function and the correlation between multiple cerebral areas, respectively. Finally, we evaluate multiple methods that could prove to be useful when experimental conditions are not ideal, in which there is a lack of properly labeled data. This difficulty is initially handled by an autoencoder, which solely learns the profiles of normal cerebral states, not containing seizure timestamps, and detects seizures through a measure of their divergences with respect to normal timestamps, thus avoiding the need for experimental training sets that contain seizure labels. Algorithms that are part of a community of transfer learning methods, in computer science, are also studied in contexts in which we try to use distinct patients' labeled instances aiming at improving a detection task for a given target patient
Subject: Electroencefalograma
Aprendizado de máquina
Inteligência artificial
Sistemas inteligentes
Epilepsia
Language: Inglês
Editor: [s.n.]
Date Issue: 2018
Appears in Collections:FEEC - Tese e Dissertação

Files in This Item:
File SizeFormat 
Beserra_FernandoDosSantos_M.pdf8.01 MBAdobe PDFView/Open


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