Título: Detecção de Artefatos em Eletroencefalografia usando Árvores de Decisão com Gradiente Impulsionado
Autores: Arthur Silva, Gabriel Damasceno, Adrielle Macedo, Fernando Rocha and Bruno Gomes
Resumo:
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 \textit{ensemble}, baseado em Árvores de Decisão (AD) para discriminação entre três tipos diferentes de padrões artefatuais nos seguimentos de dados.
Palavras-chave:
epilepsia, aprendizado de máquina, classificação, artefatos, eletroencefalografia.
Páginas: 7
Código DOI: 10.21528/CBIC2021-153
Artigo em pdf: CBIC_2021_paper_153.pdf
Arquivo BibTeX: CBIC_2021_153.bib