Contribuição ao reconhecimento automático de padrões epileptiformes em sinais de eletroencefalograma utilizando análise morfológica

Tese (doutorado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia Elétrica, Florianópolis, 2015.A análise do sinal de eletroencefalograma (EEG) pode ser uma importante ferramenta de auxílio à comprovação clínica do diagnóstico de epilepsia. Esta análise é uma verificação visual criteriosa de registros de EEG na busca por uma atividade eletrográfica específica denominada descarga ou padrão epileptiformes. Essa atividade, quando encontrada com determinada frequência, pode corroborar o diagnóstico de epilepsia. No entanto, como os registros analisados normalmente são resultado de longos períodos de monitoramento, a análise do EEG pode ser um processo demorado. Diversos estudos propuseram metodologias ou sistemas para automatizar este tipo de análise, mas apesar dos esforços e relativo sucesso ainda não existe um algoritmo ou sistema para este reconhecimento automático que seja amplamente difundido no ambiente clínico, possua um desempenho de acordo com as necessidades dos especialistas na área e, do ponto de vista técnico, não possua restrição quanto aos dados de entrada. Desta forma, com o intuito de contribuir para o estudo do reconhecimento automático de padrões epileptiformes o presente trabalho descreve uma proposta de metodologia baseada em análise morfológica e inspirada no comportamento dos especialistas humanos. A análise morfológica é realizada utilizando um conjunto de descritores morfológicos extraídos de sinais de EEG processados digitalmente. A avaliação da metodologia é realizada utilizando um grupo de classificadores computacionais e diferentes bases de dados de EEG. O desempenho da metodologia é analisado por métricas consolidadas na literatura e por uma comparação pareada com o desempenho de sensibilidade, especificidade e concordância de quatro neurofisiologistas clínicos. Resultados obtidos mostraram que o classificador que apresentou o melhor desempenho geral foi uma rede neural combinada com a Análise de Componentes Principais. A sensibilidade e a especificidade média atingida por essa rede foram, respectivamente 58,6 e 87,2%. A eficiência média obtida pela rede nas bases de dados foi de 89%. E a concordância dessa rede com os quatro especialistas foi de 45,7%. Os resultados obtidos para a especificidade mostraram-se satisfatórios, uma vez que os valores médios obtidos foram compatíveis àqueles dos especialistas. Apesar da sensibilidade e da concordância com os especialistas terem apresentado valores baixos, pode-se considerar que a metodologia proposta apresenta resultados promissores considerando a quantidade e natureza dos testes realizados.Abstract : The analysis of the EEG signal (EEG) can be an important support tool to the clinical confirmation of the diagnosis of epilepsy. This analysis is a thorough visual inspection of EEG recordings in the search for a specific electrographic activity called epileptiform pattern or discharge. This activity, when found with a certain frequency, can corroborate the diagnosis of epilepsy. However, as the analyzed recordings are usually the result of long term monitoring, the EEG analysis can be a time consuming process. Several studies have proposed methodologies and/or systems to automate this type of analysis however despite the efforts and relative success, there is still no solution for the automatic recognition that is widely disseminated in the clinical environment, has a performance according to the needs of specialists in the field and, from a technical point of view has no restriction about the input data. Thus, in order to contribute to the study of automatic recognition of epileptiform patterns this work describes a methodology proposal based on morphological analysis and inspired by the behavior of human experts. The morphological analysis is performed using a set of morphological descriptors extracted from digitally processed EEG signals. The evaluation of the methodology is performed using a group of computational classifiers and different EEG databases. The methodology?s performance is analyzed by metrics consolidated in the literature and by a pairwise comparison of the sensitivity, specificity and agreement of four clinical neurophysiologists. Obtained results show that the classifier that presented the best overall performance was a neural network combined with the Principal Component Analysis. The average sensitivity and specificity achieved by this network were respectively 58.6 and 87.2%. The network?s average efficiency obtained in the databases was 89%. And the agreement of the network with four experts was 45.7%. The results for specificity were satisfactory, since the average values obtained were consistent to those of the experts. Despite the low values of sensitivity and agreement with the experts presented by the classifiers, it can be considered that the proposed methodology shows promising results considering the amount and nature of the tests performed in this work