Use este identificador para citar ou linkar para este item:
http://repositorio.ufc.br/handle/riufc/63471| Tipo: | Dissertação |
| Título: | Parametrização de sinais de eletroencefalograma para classificação de padrões via matrizes de kernel |
| Autor(es): | Barbosa, Paulo Cirillo Souza |
| Orientador: | Barreto, Guilherme de Alencar |
| Palavras-chave: | Eletroencefalograma;Parametrização de sinais;Matrizes de kernel;Esparsificação de modelos |
| Data do documento: | 2021 |
| Citação: | BARBOSA, Paulo Cirillo Souza. Parametrização de sinais de eletroencefalograma para classificação de padrões via matrizes de kernel. 2021. 155 f. Dissertação (Mestrado em Engenharia de Teleinformática) – Universidade Federal do Ceará, Centro de Tecnologia, Programa de Pós-Graduação em Engenharia de Teleinformática, Fortaleza, 2021. |
| Resumo: | Eletroencefalogramas (EEGs) fazem parte de uma categoria de sinais biopotenciais amplamente utilizados para auxílio em diagnósticos relacionados a distúrbios neurológicos. Entretanto, estes sinais possuem características complexas, que comumente acarretam diagnósticos errôneos. Por isso, sinais de EEG são objeto de estudo em pesquisas que buscam um melhor entendimento de tais características e suas correlações com determinadas patologias e estados mentais. Isto posto, esta dissertação trata do processo de extração de atributos nos sinais de EEG para fins de classificação. Esta tarefa, também conhecida como parametrização do sinal, é amplamente utilizada na área de aprendizado de máquinas e possui diversos métodos clássicos para extrair informações úteis do sinal. Neste contexto, o presente trabalho introduz novas estratégias de parametrização dos sinais EEG, a partir do uso de matrizes de kernel para construção de vetores de atributos rotulados. Para tal, utilizam-se métodos de esparsificação de modo a reduzir a dimensão das matrizes de kernel. A construção do vetor de atributos segue duas diferentes estratégias: (i) modo intercanais, em que os sinais de EEG dos vários canais são processados conjuntamente; e (ii) modo intracanal, em que os canais são processados individualmente. Os métodos propostos na presente dissertação são comparados com dois métodos lineares clássicos, a saber: vetor de covariâncias e vetor de coeficientes de codificação linear preditiva (linear predictive coding, LPC). Utilizam-se apenas discriminantes lineares para a tarefa de classificação, uma vez que o objetivo é avaliar a qualidade dos métodos de extração e não realizar um amplo estudo comparativo entre classificadores. Uma extensa avaliação de desempenho dos métodos propostos a partir da variação dos seus hiperparâmetros é executada. Para isso, dois conjuntos de dados são utilizados para gerar os resultados do presente trabalho. A partir da análise e discussão dos resultados obtidos, foi possível verificar que os métodos propostos são promissores, apresentando desempenho equivalente ou superior aos gerados pelos métodos clássicos de extração de atributos de sinais de EEG. |
| Abstract: | Electroencephalograms (EEGs) belong to a category of biopotential signals widely used in healthcare for the diagnosis of neurological disorders. However, these signals have complex characteristics that commonly lead to misdiagnosis. Hence, EEG signals are the object of study in researches that seek a better understanding of those characteristics and their correlations with certain pathologies and mental states. That said, the present master thesis addresses the process of extracting attributes from EEG signals for classification purposes. This task, also known as signal parameterization, is widely used in machine learning and has several classical methods to extract useful information from the signal. In this context, the present work introduces new EEG signal parameterization strategies, from the use of kernel matrices to build labeled attribute vectors. For that, sparsification methods are used in order to reduce the dimension of the kernel matrices. The construction of the attribute vector follows two different strategies: (i) interchannel mode, in which the EEG signals of the various channels are processed together; and (ii) intrachannel mode, in which channels are processed individually. The methods proposed in this master thesis are compared with two classical linear methods, namely: vector of covariances and vector of linear predictive coding coefficients (LPCC). Only linear discriminants are used for the classification task, since the objective is to assess the quality of the extraction methods and not to evaluate classifiers per se. A comprehensive comparative study evaluating the performance of the proposed methods from the variation of their hyperparameters is carried out. For this purpose, two benchmarking data sets are used to generate the results of the present work. From the analysis and discussion of the results obtained, it was possible to infer that the proposed methods are promising, with performance equivalent or superior to those generated by the classical methods of attribute extraction of EEG signals. |
| URI: | http://www.repositorio.ufc.br/handle/riufc/63471 |
| Aparece nas coleções: | DETE - Dissertações defendidas na UFC |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| 2021_dis_pcsbarbosa.pdf | 11,62 MB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.