APRENDIZADO NÃO SUPERVISIONADO PARA O MAPEAMENTO DO COMPORTAMENTO TEMPORAL DE SINAIS CEREBRAIS EM EPILEPSIA

Resumo

Mapas auto-organizáveis (SOM) de Kohonen são um tipo de rede neural artificial não supervisionada capaz de agrupar dados de entrada de acordo com suas semelhanças. Esse processo permite mapear dados multidimensionais em um espaço de menor dimensionalidade, mas preservando sua informação topológica, o que facilita a sua visualização e análise. Tais características têm motivado a aplicação do SOM em problemas de diversas áreas. Na área da saúde, um tema de grande interesse é o estudo dos sinais cerebrais relacionados à epilepsia, distúrbio que se caracteriza por surtos resultantes de descargas elétricas cerebrais excessivas. A literatura médica categoriza as fases do sinal de eletroencefalograma (EEG) de pacientes com epilepsia em interictal, pré-ictal, ictal e pós-ictal, mas não define precisamente a duração de cada fase. Abordagens computacionais voltadas à epilepsia adotam definições arbitrárias para a duração das fases do sinal e deixam de analisar longos trechos do EEG para os quais há grande incerteza quanto a quais fases pertencem. Neste trabalho, vetores de características obtidos a partir da transformada Wavelet foram apresentados ao SOM para investigar o comportamento do EEG continuamente, sem descartar trechos ao longo do tempo. O SOM possibilitou visualizar a trajetória das características do sinal, revelando que ocorre uma transição suave e bem definida do período interictal para o pré-ictal. Além disso, o SOM mostrou que existem características particulares entre as crises de um mesmo paciente.

Palavras-chave: Algoritmo de agrupamento. Epilepsia. Mapa auto-organizável. Transformada Wavelet.

UNSUPERVISED LEARNING FOR MAPPING TEMPORAL BEHAVIOR OF BRAIN SIGNALS IN EPILEPSY

ABSTRACT

Kohonen self-organizing maps (SOM) are a type of unsupervised artificial neural network capable of clustering input data according to their similarities, mapping them into a smaller dimensionality space, which facilitates their visualization and analysis. Such characteristics have motivated the application of SOM in problems of several areas. In health area, a topic of great interest is the study of brain signals related to epilepsy, a disorder characterized by seizures resulting from excessive brain electrical discharges. Medical literature categorizes electroencephalogram (EEG) signal phases of patients with epilepsy in interictal, preictal, ictal, and postictal, but it does not precisely define the duration of each phase. Epilepsy-based computational approaches adopt arbitrary definitions for the duration of signal phases, but fail to analyze long stretches of EEG for which there is great uncertainty as to which phases they belong. In this research, characteristic vectors obtained from transformed Wavelet were presented to SOM to investigate EEG behavior continuously, without discarding sections over time. It was possible to observe that SOM enabled visualization of the trajectory of the signal characteristics, revealing a smooth and well-defined transition from interictal to preictal period. Moreover, SOM showed that there are particular characteristics among seizures of the same patient.

Key words: Clustering algorithm. Epilepsy. Self-organizing map. Wavelet transform.