Classificação de sinais de epilepsia utilizando redes complexas

Abstract

Contexto: Epilepsia não é uma única doença, mas uma família de síndromes que compartilham a recorrência de crises. Estima-se que 3% da população em geral terá epilepsia em algum momento em suas vidas. A detecção de crises epiléticas é frequentemente feita através da análise de exames de eletroencefalografia. Há várias dificuldades na detecção de crises, variabilidade entre pessoas, localização do conteúdo espectral, interferências, dentre outras. Motivação: Há um crescente uso com bons resultados de redes complexas para análise de séries temporais, mas poucos destes são voltados à análise de sinais de epilepsia. Os trabalhos que analisam epilepsia, em geral, negligenciam uma análise estatística rigorosa. Ainda há dúvida quanto à utilização de algoritmos prospectivos para predição de crises. Métodos: As séries temporais são analisadas utilizando 7 tamanhos diferentes de janelas, 256, 303, 512, 910, 1.024, 2.048, e 2.730 pontos. São utilizados 6 algoritmos de conversão de série temporal em rede complexa, redes de k vizinhos mais próximos, redes de k vizinhos mais próximos adaptativos, redes de epsilon vizinhança, redes cíclicas, redes de transição, e grafos de visibilidade. Cada um desses algoritmos têm seus parâmetros, e no total são realizadas 75 conversões. Para cada rede complexa gerada, são extraídas 21 medidas que as caracterizam. Com a extração dessas medidas, um novo conjunto de dados é formado e utilizado para treinar 37 classificadores diferentes, divididos em 4 classes, análise de discriminante linear, árvore de decisão, k vizinhos mais próximos, e máquina de vetores de suporte. É utilizada uma validação cruzada com 10-folds numa parte do conjunto de dados separada para o treino dos classificadores, e apenas o melhor classificador dentre os 37 foi selecionado em cada conversão realizada. No conjunto de teste, é feita a estimativa de desempenho do melhor classificador, que é então comparado à um preditor aleatório e ao estado da arte. Resultados: A rede de epsilon vizinhança obteve o melhor resultado, com 100% de acurácia no conjunto de teste em quase todos os cenários, com janelas de tamanho pequeno e com a análise de discriminante linear. As outras redes também tiveram bons resultados, comparáveis ao estado da arte, exceto a rede de transição cujo desempenho foi ruim. Conclusão: Foi possível desenvolver um algoritmo prospectivo com classificador linear utilizando a rede de epsilon vizinhança, com desempenho comparável ao estado da arte e com rigorosa avaliação estatística, e não apenas utilizando a acurácia como medida de desempenho. Palavras-chave: Classificação, Redes Complexas, EEG, Epilepsia. ABSTRACT CESTARI, D. M. Classification of epileptic signals using complex networks. 2017. 192 p. Dissertação (Mestrado em Ciências -Context: Epilepsy is not a single disease, but a family of syndromes that share recurrent seizures. It is estimated that 3% of the population will have epilepsy at some moment of their life. Seizure detection is frequently done through EEG analysis. There are several difficulties i...

Diagnóstico de doenças mentais baseado em mineração de dados e redes complexas

“…17)onde A i j são os elementos da matriz da adjacência; k out,J , é o grau da saída do vértice J; N, o número de páginas da internet; e, q, o damping factor, que indica a probabilidade do usuário parar a navegação seguindo os links da página que ele navegando e começar uma nova navegação em outra página inserindo seu endereço(CESTARI, 2017).…”