Dissertação
Model-Based Clustering Applied to Sleep Macrostructure Analysis EVALUATED
O trabalho desenvolvido consistiu na aplicação de métodos de aprendizagem automática à análise da macroestrutura da noite de sono (SM), sendo o seu objetivo propor uma divisão do sono baseada na interpretação do computador e independente da atualmente realizada pelo sistema de Rechtschaffen e Kales (R&K). Para tal foi utilizada uma representação simbólica do eletroencefalograma (EEG), na qual foram aplicadas diferentes técnicas de partição – clustering – de dados, com motivação estatística, baseadas em Model-Based Agglomerative Hierarchical Clustering (MBAHC) e Expectation-Maximization (EM), utilizando ainda Bayes factors para seleção de modelos. As partições obtidas para vários registos foram estudadas utilizando as representações gráficas propostas – “cluster fingerprint” e “clustergram” – e comparadas entre si com recurso ao método de alinhamento de partições proposto. Os resultados mostram a consistência da macroestrutura proposta e indicam que a noite de sono é estatisticamente melhor dividida em nove partições. O alinhamento de partições mostrou ainda que esta análise personalizada do sono é viável, conseguindo identificar partições altamente semelhantes nos diferentes registos, o que permitiu uma caracterização geral da macroestrutura proposta. A validação das partições resultantes foi feita com recurso a dois classificadores propostos, que utilizam a macroestrutura obtida para realizar a classificação do sono segundo o sistema de R&K. Observam-se semelhanças substanciais com os estados de sono hoje em dia utilizados, como fica patente no desempenho dos classificadores propostos – 75.28% e 73.88% – que é comparável à apresentada por outros métodos automáticos concebidos especificamente para a classificação do sono segundo o sistema de R&K.
outubro 29, 2012, 11:0
Documentos da dissertação ainda não disponíveis publicamente