Discriminação de Padrões Artefatuais em Eletroencefalografia de Pacientes com Epilepsia usando Algoritmo do Tipo Ensemble
epilepsia, aprendizado de máquina, classificação, série temporal, eletroencefalografia.
Em estudos de processamento digital de sinais e aprendizado de máquina aplicados a registros de Eletroencefalografia (EEG) de pacientes portadores de epilepsia, pesquisadores normalmente necessitam de um método automatizado e acurado para detectar e/ou discriminar padrões artefatuais em seguimentos de dados, uma vez que métodos manuais e baseados em conhecimento de domínio são altamente passíveis de erro e viés. Muitos métodos vem sendo empregados em tarefas de detecção e classificação de sinais de EEG, porém a grande maioria destas estratégias, quando consideradas de alta eficiência, requerem considerável poder de armazenamento e processamento computacionais, uma vez que dados de atividade neuronal possuem grande complexidade associada. Como uma alternativa à abordagens mais complexas, neste trabalho visamos desenvolver um método de mais baixo custo computacional para discriminação de padrões artefatuais em registros de EEG de pacientes com epilepsia, utilizando a Transformada de Hilbert-Huang (HHT) e um conjunto de estatísticas paramétricas e não paramétricas para extração de informação das amostras, juntamente com um modelo ensemble, baseado em Árvores de Decisão (AD) para discriminação entre três tipos diferentes de padrões artefatuais nos seguimentos de dados.