| dc.contributor | Azevedo, Fernando Mendes de | |
| dc.contributor | Universidade Federal de Santa Catarina | |
| dc.creator | Sala, Felipe Andrade | |
| dc.date | 2013-07-16T01:10:18Z | |
| dc.date | 2013-07-16T01:10:18Z | |
| dc.date | 2005 | |
| dc.date | 2005 | |
| dc.date.accessioned | 2017-04-03T21:57:28Z | |
| dc.date.available | 2017-04-03T21:57:28Z | |
| dc.identifier | 213664 | |
| dc.identifier | http://repositorio.ufsc.br/handle/123456789/102520 | |
| dc.identifier.uri | http://repositorioslatinoamericanos.uchile.cl/handle/2250/719187 | |
| dc.description | Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico. Programa de Pós-Graduação em Engenharia Elétrica. | |
| dc.description | O presente trabalho está relacionado ao desenvolvimento de técnicas computacionais para auxílio no diagnóstico de epilepsia. O sistema proposto é baseado em uma classe de redes neurais artificiais com aprendizado não-supervisionado, os Mapas Auto-Organizáveis de Kohonen (MAK) e tem por finalidade detectar automaticamente eventos epileptogênicos (espícula e ondas agudas) em sinais de EEG. Utiliza quatro redes neurais, treinadas separadamente, cada uma responsável por identificar um tipo específico de padrão do EEG, quais sejam: paroxismos epileptogênicos, atividade de fundo normal, piscadas e ruídos muscular ou de eletrodo. O conjunto de sinais para teste e treinamento foi retirado de nove registros, com duração total de 12 horas, obtido de sete pacientes comprovadamente epilépticos. Os padrões utilizados para treinamento e testes do sistema têm duração de um segundo e não sofreram pré-processamento. O sistema foi capaz de detectar espículas e ondas agudas com aproximadamente 82% de especificidade, 58,0% de sensibilidade e valores preditivo positivo e preditivo negativo de 65,4% e 76,7%, respectivamente. O resultado é aceitável, se comparado ao índice de concordância entre dois especialistas (em torno 50%). O desempenho médio do sistema desenvolvido com as redes MAK é equivalente ao desempenho de um sistema similar baseado em redes feedforward com a vantagem, no primeiro caso, de além do treinamento ser não-supervisionado não necessita de um vetor alvo. | |
| dc.format | x, 112 f.| il., tabs., grafs. | |
| dc.language | por | |
| dc.publisher | Florianópolis, SC | |
| dc.subject | Engenharia eletrica | |
| dc.subject | Engenharia biomedica | |
| dc.subject | Epilepsia | |
| dc.subject | Diagnostico | |
| dc.subject | Redes neurais (Computação) | |
| dc.subject | Mapas auto-organizáveis | |
| dc.title | Mapas de Kohonen na detecção de eventos epileptogênicos | |
| dc.type | Tesis | |
