Dissertação
{en_GB=Analysis of Electrocardiographic Patterns for Epileptic Seizure Prediction} {} EVALUATED
{pt=O Gold-standard para o diagnóstico, deteção e previsão automática de crises epiléticas é baseado em dados adquiridos por aquisição EEG (Electroencefalografia) de longa duração. Esta modalidade requer um hardware altamente intrusivo, com aspetos limitativos como um número elevado de elétrodos posicionados no couro cabeludo do paciente. Por esta razão, é tipicamente elaborado em ambiente clínico, e é frequentemente visto como demasiado intrusivo pelos utilizadores. Existe, por isso uma necessidade para uma solução em ambulatório e mais confortável para controlar as crises, consistindo num método preditivo baseado na aquisição por ECG single lead (Electrocardiografia). O grande objectivo do trabalho é avaliar algumas das metodologias necessárias ao desenvolvimento de um método preditivo de crises. É um método que reúne a aplicação de técnicas de remoção de ruído, deteção de pontos fiduciais e computação robusta de padrões morfológicos e rítmicos. O trabalho culmina na aplicação de algoritmos de classificação supervisionados como SVM's (Support Vector Machines), KNN (K-Nearest Neighbours) e GaussNB (Gaussian Naive Bayes). O estudo compreende 25 crises adquiridas de 5 pacientes admitidos no hospital de Santa Maria em Lisboa., en=The gold standard for the diagnosis, automatic detection, and prediction of epileptic seizures is based on data gathered by long-term EEG (Electroencephalography). This modality requires highly intrusive hardware setup, with limiting aspects such as a great number of electrodes placed on the subject's scalp, usually 64 to 128. For this reason, it is typically performed in clinical settings, and it is often seen as too intrusive by the users. There is, therefore, a need for an ambulatory and comfortable monitoring system to manage seizures, consisting of a seizure prediction method and possibly a monitoring application based on single lead ECG (Electrocardiography) which can be performed with a more user-friendly hardware, and which can easily be integrated into a wearable system. The purpose of this work is to evaluate some of the required methodologies to support the development of a seizure prediction algorithm based on ECG data from signals acquired in a lead-I setup. It involves the application of noise and baseline wander removal techniques, detection of fiducial points and robust computation of morphological and rhythmical features. The work culminates in the attempt to distinguish between inter-ictal and pre-ictal moments, with the use of supervised learning classifiers such as SVM's (Support Vector Machines), KNN (K-Nearest Neighbours) and GaussNB (Gaussian Naive Bayes). This study comprises 25 seizures acquired from 5 patients admitted at Santa Maria's Hospital in Lisbon. }
novembro 26, 2018, 10:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
