Sistema de Submissão de Resumos, I Encontro de Iniciação Científica - 2011 (ENCERRADO)

Tamanho da fonte: 
EEGMining: desenvolvimento e aplicação da toolbox na doença de Alzheimer
Renato Anguinah, Lucas Remoaldo Trambaiolli, Joao Ricardo Sato

Última alteração: 2011-09-08

Resumo


Introdução: O eletroencefalograma (EEG) é um exame que registra diferentes tensões e ritmos elétricos proveniente do córtex, e é muito útil no diagnóstico de doenças como epilepsia, doença de Alzheimer (DA), etc. Nas últimas décadas, ferramentas como a EEGLAB vêm sendo desenvolvidas no âmbito de permitir a extração do mais variado tipo de informações do EEG. Contudo, nenhuma das ferramentas disponíveis permite que o usuário realize avaliações grupais, como a análise estatística (AE) ou a classificação dos dados

.
Objetivos: Desenvolver uma toolbox capaz de permitir a análise de EEG de grupos de indivíduos, com a AE, a seleção de atributos relevantes, e principalmente, a classificação por meio das Support Vector Machines (SVM).


Metodologia: Para avaliar a toolbox desenvolvida, dois grupos de voluntários foram selecionados, sendo o primeiro composto por 8 indivíduos normais (N), e o segundo por 16 indivíduos com DA provável. 10 épocas, de 10s cada, foram selecionadas de forma automática (SA) e por um especialista (SE). A coerência do sinal foi calculada para as combinações: Fp1:F7, Fp2:F8, Fp1:F3, Fp2:F4, Fp1:C3, Fp2:C4, F7:C3, F8:C4, F3:C3 e F4:C4. O pico de espectro foi obtido para os canais: F7-F8, F3-F4, T3-T4, C3-C4, P3-P4, T5-T6, O1-O2). A avaliação das SVMs foi realizada utilizando quatro tipos de Kernel (linear, RBF, sigmóide e polinomial), com as combinações possíveis de parâmetros: custo variando entre 10e-5 e 10e5, sigma entre 10e-5 e 10e5 e o expoente entre 0,01 e 4. A AE foi realizada, assim como a seleção de atributos relevantes.


Resultados: A AE de coerência apresentou relevância para as bandas alfa para a SE e beta para a SA, com quase todos os canais selecionados. A execução das SVMs apresentou 77,50% de acerto na SA e 85,42% na SE antes da seleção de atributos. Após a seleção, o acerto reduziu para 79,58% na SE e 71,25% na SA. Para o uso de picos de espectro, a AE apresentou relevância para a banda alfa, tendo todos os canais selecionados para SA e SE. As SVMs apresentaram acerto de 87,50% para SE e 77,92% para SA, sendo que com o uso de apenas quatro atributos selecionados, o acerto de SE aumentou para 87,92%.


Conclusão: Uma vez que os resultados obtidos para a amostra DAxN foram congruentes com os encontrados na literatura, pode-se dizer que a EEGMining apresenta estrutura consistente, e que promete ser uma ferramenta extremamente útil na análise de EEG.