Sistema computacional automatizado para a identificação e contagem de eventos epileptiformes em sinais de eletroencefalografia de longa duração

Abstract

Este trabalho teve como objetivo o desenvolvimento de um sistema automatizado para a identificação e contagem de eventos epileptiformes em sinais de eletroencefalografia (EEG) do tipo interictal e de longo termo. Como diferencial este trabalho propôs a utilização da transformada wavelet como um filtro específico para atenuar oscilações de baixa frequência que a atividade de fundo do EEG apresenta, bem como, outras interferências de alta frequência presentes nos sinais de EEG. Foram utilizadas combinações de sinais decompostos e reconstruídos, através das aproximações que a transformada wavelet disponibiliza. O filtro desenvolvido utiliza a função wavelet Db4, como função base para o filtro. Foi proposta uma faixa específica de trabalho para a localização dos eventos epileptiformes entre 5 e 25 Hz. Após o processamento pelo filtro wavelet, os picos dos eventos epileptiformes tem uma amplitude relativamente alta, em relação à atividade normal de fundo do EEG. Dessa forma, a metodologia baseia-se na localização dos picos dos eventos epileptiformes, através do pré-processamento dos sinais de EEG. Depois de processados, os canais de EEG apresentam picos de sinal marcados, e pela comparação em uma janela de amplitudes entre -40µV e -400µV, eliminando segmentos de sinal que não compreendam esta faixa. Caso não sejam eliminados, os sinais marcados são direcionados para o classificador neural, responsável por classificar os segmentos de sinal em eventos epileptiformes ou em outra categoria, entre piscadas, atividade normal de fundo do EEG ou ruídos. Através deste estudo foi possível comprovar que a função wavelet mais adequada para o processamento dos registros de EEG é a função Db4. Também foi possível comprovar a viabilidade do desenvolvimento de um sistema classificador de eventos epileptiformes utilizando apenas uma rede neural artificial como classificador, desde que ela seja bem treinada. O classificador neural obtido apresentou uma taxa de sensibilidade de 97,45%, taxa de especificidade de 97,28%, valor preditivo positivo de 98,83%, valor preditivo negativo de 94,21% e um índice de desempenho de 97,40%. A metodologia desenvolvida possibilitou alcançar uma taxa de falsos positivos por minuto de 0,064 FP/min, ficando abaixo de muitas metodologias encontradas na literatura.<br>

Abstract: In this work it was developed a system for the automatic identification and counting of epileptiform events applied in long term electroencephalography signals. This paper proposes the use of the wavelet transform as a digital filter using a combination of decomposed and reconstructed signals through the wavelet transform approximations. Thus, it was possible to create a specific digital filter to attenuate low frequency oscillations in the background activity of the EEG signals, as well as, other high-frequency interferences present in EEG signals. The filter uses the Db4 wavelet function, as the base function for the filter. A specific working range for the filter was proposed, between 5 and 25 Hz for the epileptiform events identification. After processing by wavelet filter, the peaks of epileptiform events has a higher amplitude in relation to the normal EEG background activity. Thus, the method is based on the location of the peaks of epileptiform events through the pre-processing of EEG signals. Once processed, the marked peaks of the EEG signals are compared with a window of amplitudes between -40µV and -400µV, eliminating signal segments out of this band. If not eliminated, the marked signals are sent to the neural classifier and the signal segments are classified in epileptiform events, eye blinks, EEG background activity or noise. Through this study it was possible to prove that the Db4 wavelet function is most suitable for processing EEG records and it is also possible to develop a classifier system of epileptiform events using only an artificial neural network as a classifier, since it is well trained. The used neural classifier showed a sensitivity rate of 97.45%, a specificity rate of 97.28%, positive predictive value 98.83%, negative predictive value of 94.21% and a performance index of 97.40 %. The developed methodology achieved a false positive rate of 0,064 FP/min, below of many methodologies reported in the literature.