Use este identificador para citar ou linkar para este item: http://repositorio.ufes.br/handle/10/9597
Título: Classificação de estágios do sono pela análise do sinal de EEG
Autor(es): Rossow, Alex Brandão
Orientador: Salles, Evandro Ottoni Teatini
Coorientador: Côco, Klaus Fabian
Palavras-chave: Processamento de Sinais
Reconhecimento de Padrões
Eletroencefalografia
Data do documento: 7-Dez-2010
Editor: Universidade Federal do Espírito Santo
Resumo: Este trabalho trata do problema da classificação automática de estágios do sono pela análise de um canal do sinal de eletroencefalograma (EEG). O estudo foi desenvolvido com a utilização do banco de dados MIT-BIH Polysomnographic Database, disponibilizado pela PhysioNet. Os principais aspectos envolvidos neste trabalho são extração de características de um sinal e classificação de padrões. Neste sentido, duas técnicas adaptativas de caracterização de sinais são testadas: a primeira baseando-se na transformada wavelet packet e a segunda empregando filtro de Kalman. Para o primeiro caso, avaliou-se três técnicas de classificação: Máquina de Vetores de Suporte, K Vizinhos mais Próximos e Rede Neural Perceptron Multicamadas. Já para o segundo caso, selecionou-se os Modelos Ocultos de Markov a fim de se realizar a classificação. Para cada situação, o resultado da classificação é comparado com o resultado da classificação feita por um especialista, empregando-se métricas comumente utilizadas nas áreas de análise automática de EEG e Reconhecimento de Padrões. Os resultados obtidos, apresentados e discutidos, encorajam o emprego de sistemas automáticos na classificação de estágios do sono.
This paper addresses the problem of automatic classification of sleep stages by analyzing a signal channel electroencephalogram (EEG). The study was conducted using the MIT-BIH Polysomnographic Database, available from Physionet. The main aspects of this work are feature extraction and classification of signal patterns. In this sense, two adaptive techniques, commonly for characterization of signals, are tested: the first one based on wavelet packet and the second one using the Kalman filter. For the first case it was evaluated three classification techniques: Support Vector Machine, K-Nearest Neighbors and Multilayer Perceptron Neural Network. For the second case, it was selected the Hidden Markov Models in order to perform the classification. For each situation, the classification results are compared with the ratings given by a specialist, using metrics commonly used in the areas of automatic analysis of EEG and Pattern Recognition. The results, here presented and discussed, reinforcing the use of automatic classification of sleep stages.
URI: http://repositorio.ufes.br/handle/10/9597
Aparece nas coleções:PPGEE - Dissertações de mestrado

Arquivos associados a este item:
Arquivo TamanhoFormato 
tese_3573_DissertacaoMestradoAlexBrandaoRossow.pdf1.83 MBAdobe PDFVisualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.