CLASSIFICAÇÃO DE SINAIS DE EEG PARA DETECÇÃO E IDENTIFICAÇÃO DE DISTÚRBIOS DE EPILEPSIA

Abstract

O sinal de eletroencefalograma (EEG) é um recurso importante para prover um diagnóstico de epilepsia. Os registros de longa duração de pacientes epilépticos provêem uma quantidade substancial de dados de EEG. Durante um intervalo de tempo, uma região específica do cérebro emite sinais fora do padrão. A inspeção apenas visual para se detectar as atividades de crises epilépticas de dados de EEG consome muito tempo, é passível de erros e também requer um especialista no assunto. Neste trabalho, é feita uma classificação automatizada desses sinais para detectar e identificar crises epilépticas, através de filtros digitais FIR e do algoritmo de classificação K-NN ({\it K-Nearest Neighbors}). Foi usado um conjunto de dados de EEG pertencentes a dois grupos: pessoas saudáveis sem o distúrbio da epilepsia, e pessoas epilépticas com o distúrbio, durante a crise. A análise é feita com base nas quatro faixas de frequências que caracterizam a ausência ou presença do distúrbio (bandas delta, teta, alfa e beta). Utilizou-se um conjunto de 100 amostras para cada classe, sendo 50 amostras usadas como dados de treinamento e 50 amostras usadas como dados de teste. Com base nos resultados obtidos, o algoritmo K-NN apresentou comportamento satisfatório na classificação desses sinais, em cada faixa de frequência. Foi considerado um vetor de características com os atributos de desvio padrão e de relação sinal-ruído. A implementação foi feita pelo software Matlab.