Uma abordagem baseada em redes neurais artificiais sobre o espectro de potência de eletroencefalogramas para o auxílio médico na classificação de crises epiléticas

Neste artigo propomos o uso da transformada wavelet continua para analisar alguns sinais específicos obtidos via eletroencelalograma (EEG). O EEG é um exame muito utilizado para análise da atividade elétrica cerebral e, através dele, é possível detectar, em determinadas bandas de frequência, se essa atividade elétrica está de acordo com as normas estabelecidas. Para atingir este objetivo, primeiramente explicaremos um pouco sobre o funcionamento do EEG e depois utilizaremos a transformada wavelet contínua, por meio de um programa escrito na linguagem python, para analisar o comportamento de sinais de EEG nos domínios do tempo e da frequência. São dois tipos específicos de sinais estudados: de pessoas saudáveis e de pessoas em crise epiléptica, conhecidos como sinais ictais. Foram utilizados sinais de uma base de dados consolidada da Universidade de Bonn. Os principais resultados foram a obtenção dos dados estatísticos obtidos dos sinais e de seus respectivos escalogramas, em que foram comparados a diferença entre os valores máximos, média de valores e outros parâmetros de cada sinal e escalograma.

show abstract

“…Foram captados dados estatísticos do sinal e do escalograma como a média e o desvio padrão e entre outros (Vargas et al, 2021).…”

Section: Experimentosunclassified

Estudo da Transformada Wavelet Contínua para análise de sinais EEG normais e ictais

Silva

Campos²

2023

J. Eng. Exact Sci.

View full text Add to dashboard Cite

show abstract

Feature extraction and selection from electroencephalogram signals for epileptic seizure diagnosis

Vargas

Oliva

Teixeira

et al. 2023

Neural Comput & Applic

View full text Add to dashboard Cite

A novel method for optimizing epilepsy detection features through multi-domain feature fusion and selection

Kong,

Ma,

Zhao

et al. 2024

Front. Comput. Neurosci.

View full text Add to dashboard Cite

BackgroundThe methods used to detect epileptic seizures using electroencephalogram (EEG) signals suffer from poor accuracy in feature selection and high redundancy. This problem is addressed through the use of a novel multi-domain feature fusion and selection method (PMPSO).MethodDiscrete Wavelet Transforms (DWT) and Welch are used initially to extract features from different domains, including frequency domain, time-frequency domain, and non-linear domain. The first step in the detection process is to extract important features from different domains, such as frequency domain, time-frequency domain, and non-linear domain, using methods such as Discrete Wavelet Transform (DWT) and Welch. To extract features strongly correlated with epileptic classification detection, an improved particle swarm optimization (PSO) algorithm and Pearson correlation analysis are combined. Finally, Support Vector Machines (SVM), Artificial Neural Networks (ANN), Random Forest (RF) and XGBoost classifiers are used to construct epileptic seizure detection models based on the optimized detection features.ResultAccording to experimental results, the proposed method achieves 99.32% accuracy, 99.64% specificity, 99.29% sensitivity, and 99.32% score, respectively.ConclusionThe detection performance of the three classifiers is compared using 10-fold cross-validation. Surpassing other methods in detection accuracy. Consequently, this optimized method for epilepsy seizure detection enhances the diagnostic accuracy of epilepsy seizures.

show abstract

Uma abordagem baseada em redes neurais artificiais sobre o espectro de potência de eletroencefalogramas para o auxílio médico na classificação de crises epiléticas

Cited by 3 publications

References 16 publications

Estudo da Transformada Wavelet Contínua para análise de sinais EEG normais e ictais

Estudo da Transformada Wavelet Contínua para análise de sinais EEG normais e ictais

Feature extraction and selection from electroencephalogram signals for epileptic seizure diagnosis

A novel method for optimizing epilepsy detection features through multi-domain feature fusion and selection

Contact Info

Product

Resources

About