Estudo do reconhecimento automático de eventos epileptiformes em sinais de eletroencefalografia utilizando redes de kohnen

Abstract

O presente estudo propõe a viabilidade da utilização de Mapas Auto-organizáveis de Kohonen (MAK) para o processo de detecção e classificação de eventos epileptiformes (EE) para o apoio ao diagnóstico de epilepsia, para tanto optou-se pelo desenvolvimento de um protótipo de sistema automatizado, utilizando técnicas de Inteligência Artificial baseado em MAK. O sistema protótipo proposto chamado de Sistema Classificador Kohonen para Eventos Epileptiformes (SCKEE) foi desenvolvido com o objetivo de obter um software protótipo com capacidade de realizar o processamento dos sinais de forma eficiente e classificar automaticamente EE em sinais de eletroencefalografia de longa duração. O SCKEE é composto por dois módulos (treinamento e teste), nos quais são utilizados uma camada de entrada com 512 neurônios e uma camada de saída com 3 possibilidades de tamanhos (100, 225 e 400 neurônios), e quatro funções de ativação de vizinhança (Discreta, Gaussiana, "Chapéu Mexicano" e "Chapéu Francês"), o qual seu funcionamento segue da seguinte forma, primeiramente, no módulo de treinamento é realizada a separação das classes de padrões apresentado ao sistema, gerando o conjunto de pesos treinados, no módulo de teste é utilizado o conjunto de pesos treinados para a classificação dos padrões a serem testados. A avalição dos dados de classificação gerados pelo SCKEE foi realizada com base nos índices de desempenho obtidos através da análise dos resultados gerados por este. Concluiu-se que a função de ativação de vizinhança "Chapéu Mexicano", no tamanho de rede de 225 neurônios, obteve os melhores resultados para os índices de desempenho avaliados: Sensibilidade de 100%, Especificidade de 91%, Seletividade Positiva e Seletividade Negativa de 90% e 100%, respectivamente e Eficiência de 95%. Com a utilização de MAK com apenas uma rede neural artificial na camada de saída, foi possível a separação e classificação dos EE com resultados promissores, no qual pode-se atribuir os excelentes resultados alcançados, ao desenvolvimento de um software exclusivo para a classificação dos EE em sinais de EEG, o que pode confirmar a viabilidade da utilização do MAK para apoio ao diagnóstico.<br>

Abstract: This study proposes the feasibility of using of Self-Organized Map (SOM) for process of detection and classification of epileptiform events (EE) to support the diagnosis of epilepsy, and opted for the development of a prototype automated system using artificial intelligence techniques based on SOM. The proposed prototype system called Kohonen Classifier System for Events Epileptiform (KCSEE) was development with the goal obtaining a prototype software capable of performing signal processing quickly and automatically classify EE in signals of electroencephalogram (EEG) of long-term. The KCSEE consists of two modules (training and test), in which are used an input layer with 512 neurons and an output layer with 3 sizes different (100, 225 and 400 neurons) and four neighborhood activation functions (Discrete, Gaussian, "Mexican Hat" and "French Hat"), which its operation is given as follows, first, in the training module is made the separation of the classes of patterns presented to the system, generating a set of trained weights, in the test module is used the set of trained weights for classification of the patterns that will be tested. The evaluation of date of classification obtained by KCSEE was performed based on the performance indices obtained by analyzing of the results generated from this. Was concluded that the "Mexican Hat" neighborhood activation function, with network size of 225 neurons, obtained the best results for performance indices evaluated: Sensitivity 100%, Specificity 91%, Positive Selectivity and Negative Selectivity 90% and 100%, respectively, and Efficiency 95%. Using SOM with only an artificial neural network in the output layer, was possible the separation and classification of EE with promising results, which can attribute the good results to the development of an exclusive software for classification of EE in signals of EEG, which can confirm the feasibility of using SOM to support the diagnosis.