APLICAÇÃO DE MÁQUINA DE VETORES DE SUPORTE EM MODO REGRESSÃO À PREVISÃO DE SURTOS EPILÉPTICOS

Resumo

A previsão de surtos epilépticos vem sendo amplamente estudada na engenharia com a intenção de prover maior qualidade de vida aos milhões de pacientes detentores desse distúrbio cerebral. O avanço das técnicas de aprendizagem de máquina tem contribuído para a investigação de diferentes métodos para essa finalidade. Contudo, a maioria deles concentra-se em distinguir os períodos interictal (longe do surto) e pré-ictal (próximo ao surto) a partir dos sinais de eletroencefalograma (EEG) do paciente. Mas a possível indicação de um surto a partir de um método binário é imprecisa em relação ao tempo que falta para o surto acontecer. Por essa razão, neste trabalho, é investigado um método alternativo baseado em máquinas de vetores de suporte (SVM) no modo regressão (SVR), o qual permite à máquina aprender a relação entre duas funções do tempo e indicar um valor real em sua saída associado ao tempo restante para o surto. Para isso, foram testados quatro métodos de montagem de vetores da SVR, sendo eles: amostras temporais do EEG médio; análise espectral; Wavelet Haar e Wavelet Daubechies db4. Os três primeiros apresentaram baixa correlação entre a função de previsão e a função aprendida pela SVR. O quarto método, por outro lado, obteve correlações de até 100%, indicando a capacidade da SVR prever a proximidade de um surto, porém a acurácia não foi mantida quando o método foi aplicado em outros surtos do mesmo paciente, o que requer ainda novos aperfeiçoamentos em trabalho futuro. 

Palavras-chave: EEG. Epilepsia. Previsão de surtos. Regressão. SVR. 

APPLICATION OF SUPPORT VECTOR MACHINE IN REGRESSION MODE TO EPILEPTIC SEIZURES PREDICTION

ABSTRACT 

Epileptic seizure prediction has been widely studied in engineering intending to provide greater quality of life to the millions of patients with this brain disorder. Advanced machine learning techniques have contributed to the investigation of different methods for this purpose. However, most of them focus on distinguishing the interictal (away from the seizure) and pre-ictal (close to the seizure) periods from the patient's electroencephalogram (EEG) signals. Nevertheless, the possible indication of an outbreak from a binary method is inaccurate in relation to the time left for the crisis to happen. For this reason, the objective of this paper is to investigate an alternative method based on support vector machines (SVM) in regression mode (SVR) which allows the machine to learn the relationship between two-time functions and indicate a real value in its output associated with the time left for the seizure. Four SVR vector assembly methods were tested, namely: temporal samples of average EEG; spectral analysis; Wavelet Haar and Wavelet Daubechies db4. The first three ones showed low correlation between forecasting function and the function learned by SVR. The fourth method, on the other hand, showed correlations of up to 100%, indicating the SVR's ability to predict the proximity of a seizure, but the accuracy was not maintained when the method was applied to other seizures of the same patient, which still requires further improvements in future researches.  

Keywords: EEG. Epilepsy. Seizure prediction. Regression. SVR.