Detecção de sinais anormais de EEG por meio de Microestados e Aprendizado de Máquina

Abstract

RESUMO: A detecção de sinais anormais de eletroencefalograma (EEG) é o primeiro passo para o auxílio na identificação de neuropatologias, tendo o potencial de reduzir consideravelmente o tempo entre a captura do sinal e o laudo médico. Uma técnica que ainda não foi explorada para esta tarefa específica, mas que tem mostrado boa capacidade na detecção de transtornos mentais, devido a sua capacidade de capturar informações espaciais e temporais, é a de análise de microestados de EEG. Neste trabalho é proposta uma metodologia para detecção dos sinais anormais que combina o uso de microestados e uma rede Learning Vector Quantization (LVQ) com a intenção de melhorar os protótipos dos microestados obtidos inicialmente pelo método comumente usado k-means modificado. Resultados experimentais em uma base de dados pública, sugerem que a análise de microestados, que utiliza as características topográficas do sinal, é promissora para a detecção de sinais anormais de EEG, independentemente de uma neuropatologia especificada a priori. Além disso, o uso de microestados com LVQ mostrou ser estatisticamente melhor do que o método tradicional de obtenção dos protótipos de microestados.