{"title":"利用机器学习对癫痫发作和心智性非癫痫发作进行自动分类","authors":"K. Santos, Ricardo Pires","doi":"10.32640/TASJ.2019.1.15","DOIUrl":null,"url":null,"abstract":"Este artigo aborda o estudo e aplicação do classificador do tipo Máquina de Vetores de Suporte (SVM) na diferenciação entre crises epilépticas e crises não epilépticas psicogênicas (CNEP). Um banco de dados com exames de eletroencefalograma (EEG) contendo 117 crises epilépticas e 42 crises não epilépticas psicogênicas foram coletados na Unidade de Videoeletroencefalografia do Instituto de Psiquiatria do Hospital das Clínicas da Faculdade de Medicina da Universidade de São Paulo (IPq-HCFMUSP). Baseando-se nos registros dos 18 canais do EEG durante cada crise, foram gerados vetores de características com quatro atributos: média, desvio padrão, valor máximo e valor mínimo. Estes vetores de características foram utilizados na fase de treinamento e avaliação do classificador SVM em quatro configurações de kernels disponíveis: Linear, Polinomial, Função de Base Radial (RBF) e Sigmoide. Como resultado, o kernel Polinomial apresentou melhor desempenho com a taxa de acerto (acurácia) de 78,7%, sensibilidade de 100% e especificidade de 2,4%. Com base nos vetores de características utilizados, foi possível concluir que o classificador SVM é adequado para a detecção de crises epilépticas, sendo inadequado para os casos de CNEP. Estes resultados podem ser otimizados com a aplicação da Transformada de Fourier ou Transformada Wavelet no tratamento prévio dos sinais de EEG, além da geração de vetores de características com atributos distintos.","PeriodicalId":227717,"journal":{"name":"The Academic Society Journal","volume":"1 1","pages":"0"},"PeriodicalIF":0.0000,"publicationDate":"2019-03-01","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"1","resultStr":"{\"title\":\"Classificação automática de crises epilépticas e crises não epilépticas psicogênicas utilizando aprendizado de máquina\",\"authors\":\"K. Santos, Ricardo Pires\",\"doi\":\"10.32640/TASJ.2019.1.15\",\"DOIUrl\":null,\"url\":null,\"abstract\":\"Este artigo aborda o estudo e aplicação do classificador do tipo Máquina de Vetores de Suporte (SVM) na diferenciação entre crises epilépticas e crises não epilépticas psicogênicas (CNEP). Um banco de dados com exames de eletroencefalograma (EEG) contendo 117 crises epilépticas e 42 crises não epilépticas psicogênicas foram coletados na Unidade de Videoeletroencefalografia do Instituto de Psiquiatria do Hospital das Clínicas da Faculdade de Medicina da Universidade de São Paulo (IPq-HCFMUSP). Baseando-se nos registros dos 18 canais do EEG durante cada crise, foram gerados vetores de características com quatro atributos: média, desvio padrão, valor máximo e valor mínimo. Estes vetores de características foram utilizados na fase de treinamento e avaliação do classificador SVM em quatro configurações de kernels disponíveis: Linear, Polinomial, Função de Base Radial (RBF) e Sigmoide. Como resultado, o kernel Polinomial apresentou melhor desempenho com a taxa de acerto (acurácia) de 78,7%, sensibilidade de 100% e especificidade de 2,4%. Com base nos vetores de características utilizados, foi possível concluir que o classificador SVM é adequado para a detecção de crises epilépticas, sendo inadequado para os casos de CNEP. Estes resultados podem ser otimizados com a aplicação da Transformada de Fourier ou Transformada Wavelet no tratamento prévio dos sinais de EEG, além da geração de vetores de características com atributos distintos.\",\"PeriodicalId\":227717,\"journal\":{\"name\":\"The Academic Society Journal\",\"volume\":\"1 1\",\"pages\":\"0\"},\"PeriodicalIF\":0.0000,\"publicationDate\":\"2019-03-01\",\"publicationTypes\":\"Journal Article\",\"fieldsOfStudy\":null,\"isOpenAccess\":false,\"openAccessPdf\":\"\",\"citationCount\":\"1\",\"resultStr\":null,\"platform\":\"Semanticscholar\",\"paperid\":null,\"PeriodicalName\":\"The Academic Society Journal\",\"FirstCategoryId\":\"1085\",\"ListUrlMain\":\"https://doi.org/10.32640/TASJ.2019.1.15\",\"RegionNum\":0,\"RegionCategory\":null,\"ArticlePicture\":[],\"TitleCN\":null,\"AbstractTextCN\":null,\"PMCID\":null,\"EPubDate\":\"\",\"PubModel\":\"\",\"JCR\":\"\",\"JCRName\":\"\",\"Score\":null,\"Total\":0}","platform":"Semanticscholar","paperid":null,"PeriodicalName":"The Academic Society Journal","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.32640/TASJ.2019.1.15","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
Classificação automática de crises epilépticas e crises não epilépticas psicogênicas utilizando aprendizado de máquina
Este artigo aborda o estudo e aplicação do classificador do tipo Máquina de Vetores de Suporte (SVM) na diferenciação entre crises epilépticas e crises não epilépticas psicogênicas (CNEP). Um banco de dados com exames de eletroencefalograma (EEG) contendo 117 crises epilépticas e 42 crises não epilépticas psicogênicas foram coletados na Unidade de Videoeletroencefalografia do Instituto de Psiquiatria do Hospital das Clínicas da Faculdade de Medicina da Universidade de São Paulo (IPq-HCFMUSP). Baseando-se nos registros dos 18 canais do EEG durante cada crise, foram gerados vetores de características com quatro atributos: média, desvio padrão, valor máximo e valor mínimo. Estes vetores de características foram utilizados na fase de treinamento e avaliação do classificador SVM em quatro configurações de kernels disponíveis: Linear, Polinomial, Função de Base Radial (RBF) e Sigmoide. Como resultado, o kernel Polinomial apresentou melhor desempenho com a taxa de acerto (acurácia) de 78,7%, sensibilidade de 100% e especificidade de 2,4%. Com base nos vetores de características utilizados, foi possível concluir que o classificador SVM é adequado para a detecção de crises epilépticas, sendo inadequado para os casos de CNEP. Estes resultados podem ser otimizados com a aplicação da Transformada de Fourier ou Transformada Wavelet no tratamento prévio dos sinais de EEG, além da geração de vetores de características com atributos distintos.