Avaliação de descritores morfológicos na identificação de eventos epileptiformes

Abstract

O desenvolvimento de técnicas computacionais auxiliadas por inteligência artificial para o processamento e análise de sinais eletroencefalográficos é uma das linhas de pesquisa do Instituto de Engenharia Biomédica da Universidade Federal de Santa Catarina (IEB-UFSC). Neste contexto, os sistemas de identificação automática de eventos epileptiformes em sinais de eletroencefalografia ainda apresentam elevado índice de detecções falso positivo, provocado principalmente pelo artefato piscada palpebral. Este trabalho contribui para esta linha de pesquisa através da: a) análise estatística dos eventos epileptiformes (espícula e onda aguda) e evento não epileptiforme (piscada palpebral); b) avaliação de descritores morfológicos aplicados em um classificador neural binário; c) avaliação de desempenho do classificador neural através de curvas ROC e seus índices (AUC, EER, DIC, SnSpO e SpSnO); d) e avaliação dos índices de desempenho de classificadores (eficiência, índice de Youden, coeficiente de correlação de Matthews e correlação aproximada). No desenvolvimento deste trabalho pluridisciplinar de Engenharia Biomédica, sub-área: Informática Médica, foram utilizados conhecimentos de Neurologia (Epileptologia), Análise Estatística, Bioestatística e Epidemiologia (Teste-Diagnóstico), Validação Cruzada, Inteligência Artificial (Redes Neurais, Classificadores), Modelamento Matemático, Otimização (Mineração de Dados), Processos Estocásticos, Processamento Digital de Sinais Biomédicos e Teoria de Detecção de Sinais (Análise ROC), interagindo com áreas da Medicina, da Estatística, da Engenharia da Computação e da Engenharia Elétrica. No primeiro estudo, foram utilizadas épocas de sinal de EEG com eventos epileptiformes e piscada palpebral como entrada do classificador neural binário. Utilizando o critério de taxa de erro igual (EER), o classificador neural apresentou desempenho de 90,91% de sensibilidade, 89,11% de especificidade, 89,11% de seletividade positiva e 90,91% de seletividade negativa, e resultou na curva ROC com índice AUC de 0,9419 com o critério de fronteira ROC. No estudo principal, foram avaliados 30 descritores morfológicos em eventos epileptiformes e na piscada palpebral, sendo selecionados 25 descritores morfológicos para o estudo. Os valores dos descritores morfológicos serviram como entrada de um classificador neural binário. Seguindo o critério de taxa de erro igual (EER), o classificador neural com descritores morfológicos apresentou desempenho de 91,92% de sensibilidade, 91,09% de especificidade, 91,00% de seletividade positiva e 92,00% de seletividade negativa, e resultou na curva ROC com índice AUC de 0,9810 com o critério de fronteira ROC. Comparando os resultados dos estudos, observa-se que o classificador neural binário com descritores morfológicos apresentou desempenho superior ao classificador neural com épocas de EEG.