Predição de Crise Epiléptica pelo uso de Técnicas de Aprendizado de Máquinas em Sinais de Eletroencefalograma
Nome: JADE BARBOSA KILL
Tipo: Tese de doutorado
Data de publicação: 18/04/2022
Orientador:
Nome |
Papel |
|---|---|
| PATRICK MARQUES CIARELLI | Orientador |
Banca:
| Nome |
Papel |
|---|---|
| EVANDRO OTTONI TEATINI SALLES | Examinador Interno |
| JUGURTA ROSA MONTALVÃO FILHO | Examinador Externo |
| LUIZ ALBERTO PINTO | Examinador Externo |
| PATRICK MARQUES CIARELLI | Orientador |
| RODRIGO VAREJÃO ANDREÃO | Examinador Interno |
Resumo: A epilepsia é um distúrbio cerebral caracterizado por convulsões recorrentes não provocadas. A imprevisibilidade das convulsões afeta negativamente a vida dos pacientes, causando insegurança nas atividades diárias e pode causar lesões ou mesmo a morte. Sua predição pode prevenir, por meio de
medicação ou preparação segura, uma série de problemas psicológicos, sociais e físicos que são consequências diretas dessa doença, como acidentes e transtornos mentais. Neste trabalho é apresentada uma proposta de predição on-line e generalizada de crises usando a abordagem de análise de microestados e banco de filtros com Wavelet Packet nos sinais de Eletroencefalograma (EEG). Ambos os métodos explorados foram analisados com redução do número de canais do EEG. Nos experimentos realizados com
apenas oito eletrodos no escalpo, os melhores resultados alcançados com 10 pacientes da base de dados CHB-MIT foram de 100,00% de sensibilidade e FPR de 0,00 h -1, sendo possível predize um evento epiléptico com média de 1,88 hora de antecedência. Essa proposta tem potencial para contribuir significativamente para o desenvolvimento de dispositivos portáteis, com a redução do número de eletrodos, capazes de predizer quando uma crise epiléptica ocorrerá, aumentando a qualidade de vida desses pacientes.
