Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico. Programa de Pós-Graduação em Engenharia Elétrica. / Made available in DSpace on 2012-10-22T10:17:45Z (GMT). No. of bitstreams: 1
232766.pdf: 1361063 bytes, checksum: 53a0ce36debe115f6f7581a29868d37f (MD5) / Essa dissertação tem o objetivo de analisar a capacidade da rede CMLP de separar as espículas das piscadas em sinais de EEG (Eletroencefalograma). Já existe um grande número de trabalhos desenvolvidos com MLP#s utilizando o algoritmo backpropagation real, visando à detecção de padrões epilépticos. A opção de utilizar a rede MLP (Perceptron Multicamadas) com algoritmo backpropagation-complexo para essa verificação, está baseada em fatos tais como: (a) A média da velocidade de aprendizado da MLP com algoritmo backpropagationcomplexo é superior à velocidade média de aprendizado da rede MLP com algoritmo
backpropagation-real. (b) O número de pesos e bias necessários para a MLP com algoritmo backpropagation-complexo fica em torno da metade daqueles necessários na MLP com backpropagation-real. (c) Alguns valores matemáticos reais são melhor entendidos quando considerados no plano complexo, pois considera-se um maior número de informações, que não seriam levadas em conta no plano real. Focou-se este trabalho na diferenciação entre espículas e piscadas, pois é um dos casos críticos encontrados na detecção automática de padrões em EEG (eletroencefalograma). Para a realização do mesmo, utilizou-se um banco de dados fornecido pelo MNI (Montreal Neurological Institute), de pacientes comprovadamente epilépticos, onde as espículas e piscadas foram marcadas por especialistas da área médica. O treinamento foi realizado utilizando-se 120 épocas de um segundo de duração. Os testes específicos foram feitos a partir de 600 épocas, marcadas exclusivamente para este fim. A validação dos dados foi feita através dos indicadores estatísticos sensibilidade e especificidade, onde foram obtidas taxas simultâneas em torno de 55% na classificação; e também pela análise comparativa do desempenho de redes MLP que utilizam backpropagation-real e da rede MLP com backpropagation-complexo, a qual demonstrou um desempenho superior a RMLP (Rede Perceptron Multicamadas com algoritmo backpropagation-Real) no que se refere à velocidade de treinamento, dentro da metodologia aplicada nesta análise. Também se mostrou mais eficiente na classificação de eventos espículas e piscadas, quando comparada a RMLP, dentro do parâmetro estabelecido pelas curvas ROC (Receiver Operating Characteristic).
This work analises the behavior of the complex MLP (multilayer Perceptron) neural network, trained with complex backpropagation, in tasks of epileptiform patterns classification (in particular, of spikes and eye-blinks events), in electroencephalogram (EEG) signals. Despite of the development of several real MLP-based approaches to automatically detect epileptiform patterns, these systems are still jeopardized by very frequent false-positive detections, caused for example by ocular movements. Potentially, the MLP neural network with complex backpropagation presents interesting features to this application, as follows: (a) the learning speed is several times faster than in the conventional technique (real MLP); (b) the space complexity (i.e. the number of learnable parameters) is only about the half of the demanded by the real MLP; (c) and comprehension of many mathematical objects is more substantial when they are considered in the complex plane (e.g., by using the Hilbert Transform), because part of its related-information is fundamentally complex, such as the phase. In fact, we have noted that spikes and eye-blinks, which are patterns of difficult differentiation using real tools, could be separated by using a complex MLP, maybe due to this complex information, usually excluded in conventional analysis. This work uses the MNI (Montreal Neurological Institute) data bank, which is formed from seven epileptic patients.
Three electroencephalographers marked the spikes and blinks events of the EEG signals. The complex MLP was trained with 120 epochs of one-second of duration, and was tested with 600 different epochs. The results have been validated with sensitivity and specificity statistical parameters, obtaining simultaneous rates of about 55% in classification. Also a qualitative comparison between results with the real MLP and the complex MLP is evaluated, showing the approach#s suitability in terms of velocity and the parameters of the ROC, (Receiver Operating Characteristic), graphics.
Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.ufsc.br:123456789/88538 |
Date | January 2006 |
Creators | Travessa, Sheila Santisi |
Contributors | Universidade Federal de Santa Catarina, Argoud, Fernanda Isabel Marques |
Publisher | Florianópolis, SC |
Source Sets | IBICT Brazilian ETDs |
Language | Portuguese |
Detected Language | Portuguese |
Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
Format | 100 f.| il., tabs., grafs. |
Source | reponame:Repositório Institucional da UFSC, instname:Universidade Federal de Santa Catarina, instacron:UFSC |
Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0025 seconds