Banca de DEFESA: ARTHUR GONSALES DA SILVA

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: ARTHUR GONSALES DA SILVA
DATA: 19/04/2022
HORA: 14:30
LOCAL: Google Meet
TÍTULO:

Modelo Híbrido Inception-XGB para Discriminação de Padrões Artefatuais em Eletroencefalografia de Pacientes com Epilepsia

PALAVRAS-CHAVES:

epilepsia, aprendizado de máquina, classificação, série temporal, eletroencefalografia.

PÁGINAS: 42
GRANDE ÁREA: Ciências Humanas
ÁREA: Psicologia
RESUMO:

O objetivo deste trabalho foi comparar o desempenho de diferentes algoritmos de machine learning em uma tarefa de classificação de quatro tipos de padrões artefatuais comumente encontrados em registros de Eletroencefalografia (EEG). Os padrões foram processados usando uma Rede Neura Convolucional (CNN) do tipo Inception. Foram usados registros de pacientes portadores de Epilepsia de uma base pública de dados. Um total de 200 pacientes participaram do estudo, sendo 100 homens e 100 mulheres, com idades e comorbidades associadas variadas. Na engenharia de dados nós utilizamos a Transformada de Hilbert-Huang (HHT) para extração de potência e fase instantâneas de amostras correspondendo à 1 segundo de registro cada, distribuídas em quatro classes de padrões artefatuais. Sendo estas: a) movimento ocular, b) movimento muscular, c) ruído eletrostático, e d) tremores musculares. As amostras bidimensionais compostas por potência e fase foram processadas pela arquitetura Inception, reduzidas à um vetor unidimensional e então alimentaram quatro diferentes algoritmos de machine learning, sendo estes: a) Extreme Gradient Boosting (XGB), b) Random ssifier (RFC), c) K-Neighbors Classifier (k-NN) e d) Logistic Regression (LR). A média das acurácias de cada modelo, por instancia de treinamento (fold), foi comparada através do teste estatístico ANOVA, para verificar diferenças estatísticas entre os modelos. Os resultados mostraram que o algoritmo XGB obteve melhor performance, com acurácia de 94,82% superior em cerca de 13% ao modelo linha de base, que teve acurácia de 83,97% quando treinado nos dados brutos. Foi estabelecido assim um modelo final híbrido Inception-XGB inédito, em conjunto com um eficiente processo de extração de características. 

MEMBROS DA BANCA:
Externo ao Programa - 3299738 - ANTONIO PEREIRA JUNIOR
Presidente - 1713466 - BRUNO DUARTE GOMES
Interno - 2585501 - FERNANDO ALLAN DE FARIAS ROCHA
Interno - 1734253 - GIVAGO DA SILVA SOUZA