Conclusões e Discussões

O uso de sinais sem um pré-processamento na entrada de uma rede neural artificial é questionável, principalmente nos casos dos sinais do EEG. Estes sinais, apesar de possuírem morfologia característica são muito variáveis e imprevisíveis. Em adição, devido à presença de artefatos, alguns sinais podem ser confundidos entre si dificultando sua identificação pela rede. Mesmo com o melhor resultado obtido, a taxa de acertos é considerada pequena.

Nas Tabelas 3.7 e 3.8 estão destacadas as melhores representações para as redes usando o sinal sem pré-processamento como entrada. Observa-se em cada caso a utilização da melhor configuração para o número de neurônios na camada oculta.

Tabela 3.7- Melhores resultados, quanto a porcentagem de acertos, número de verdadeiros

positivos e negativos e número de falsos positivos e negativos, fornecidos pelas redes treinadas com sinais sem pré-processamento.

Rede Acertos Valor absoluto e percentual Valores Indefinidos VP VN FP FN Sem caracterização dos sinais 11 N. Ocultos 100.000 Interações 28 53% 12 19 15 8 11 Sem caracterização dos sinais 13 N. Ocultos Normalizada por Evento Epileptogênico 85.453 Interações 34 64% 11 25 17 6 5 Com caracterização dos sinais 12 N. Ocultos 100.000 Interações 30 67% 10 18 20 5 2 Com caracterização dos sinais 12 N. Ocultos Normalizada por Evento Epileptogênico 15.871 Interações 24 53% 10 17 15 10 3

Tabela 3.8- Melhores resultados, quanto à sensibilidade, especificidade, valor preditivo

positivo e valor preditivo negativo, fornecidos pelas redes treinadas com sinais sem pré- processamento.

Rede Sensibilidade Especificidade VPP VPN

Sem caracterização dos sinais 11 N. Ocultos

100.000 Interações

0,63 0,65 0,70 0,58

Sem caracterização dos sinais 13 N. Ocultos

Normalizada por Evento Epileptogênico 85.453 Interações

0,83 0,74 0,81 0,78

Com caracterização dos sinais 12 N. Ocultos

100.000 Interações

0,90 0,80 0,78 0,91

Com caracterização dos sinais 12 N. Ocultos

Normalizada por Evento Epileptogênico 15.871 Interações

0,85 0,60 0,63 0,85

Os resultados quanto a sensibilidade e a especificidade (Tabela 3.8) confirmam que a rede treinada usando a caracterização prévia dos sinais de entrada é a melhor opção para as aplicações de sinais sem pré-processamento.

Pode-se ressaltar o resultado em que as entradas normalizadas segundo a amplitude máxima de um evento epileptogênico apresentam melhores resultados do que as entradas normalizadas segundo a amplitude máxima apresentada por todos os sinais. Os valores de falsos positivos contribuíram para este resultado, diminuindo a especificidade. O número elevado de falsos positivos revela que as redes identificam sinais contendo eventos não- epileptogênicos como se fossem eventos epileptogênicos.

A maior dificuldade encontrada pela rede é distinguir os ruídos dos eventos epileptogênicos, uma vez que ela define arquivos com ruídos como contendo eventos epileptogênicos, refletindo no grande número de falsos positivos, repercutidos nos baixos valores para a especificidade. Na Figura 3.9 é observada a semelhança do sinal com ruídos (em (b)) e um evento epileptogênico (em (a)). Em alguns trechos, os sinais com ruídos apresentam morfologias semelhantes às dos eventos epileptogênicos. O mesmo pode-se dizer da semelhança desses eventos com as piscadas, embora saiba-se que estas aparecem somente em alguns canais e que possuem morfologia bem característica, como mostra o item (c) da Figura 3.9.

Figura 3.9- Sinais encontrados nos registros do EEG que podem estar juntamente

presentes com um evento epileptogênico. Em (a), sinal com um evento epileptogênico. Em (b), sinal com ruídos, cuja morfologia pode ser confundida com a forma espicular. Em (c),

uma piscada cuja morfologia pode ser confundida com a morfologia de um evento epileptogênico. [µV] (c) [µV] (a) (b) [µV]

Existem também eventos epileptogênicos com morfologia semelhante a das ondas alfa acompanhadas de longos trechos do EEG de fundo, podendo gerar erros nas respostas da rede, como pode ser observado na Figura 3.10. As dimensões desses eventos, sem considerar a forma espicular, os tornam semelhantes.

Figura 3.10- Ondas alfa encontradas nos registros do EEG que podem estar presentes

juntamente com um evento epileptogênico. Em (a), sinal com evento epileptogênico de amplitude reduzida. Em (b), sinal com ondas alfa cuja morfologia pode ser confundidas

com a morfologia do evento epileptogênico.

Alguns eventos epileptogê nicos de dimensões reduzidas podem passar pelo EEG de fundo, como os eventos apresentados na Figura 3.11. Este fato pode gerar falsos negativos.

Contudo, os resultados, em geral, não foram muito satisfatórios, o que sugere o uso de um pré-processamento dos sinais na entrada da rede.

(a)

(b)

[µV]

Para reduzir-se a taxa de falsos positivos, ao utilizar-se redes sem pré- processamento, é sugerida a retirada de sinais com amplitudes maiores que a faixa de

amplitude dos eventos epileptogênicos, isto é, 200 µV, em módulo. Um esquema desta

proposta é mostrado na Figura 3.12.

Figura 3.11- Em (a), trecho de 15 segundos de um sinal do EEG contendo eventos

epileptogênicos. Em (b) trechos de 15 segundos de sinais do EEG contendo o EEG normal de fundo. As dimensões reduzidas dos eventos epileptogênicos podem fazer com que estes

eventos sejam confundidos com sinais normais do EEG de fundo.

Figura 3.12- Sugestão para o uso de redes neurais para identificar os eventos

epileptogênicos tendo como entradas os trechos dos sinais do EEG sem pré-processamento. Amplitude Máxima Absoluta ≤ 200µV RNA Evento Não Epileptogênico Amplitude Máxima Absoluta > 200µV Trechos de Sinais do EEG (a) (b) µV µV

CAPÍTULO 4

4. RNA’S COM ENTRADAS PRÉ-PROCESSADAS PELA

FFT UTILIZANDO-SE JANELAS

A análise de sinais bioelétricos constitui-se do uso de métodos e ferramentas para sua investigação e pesquisa. Então, é extremamente importante conhecer as limitações e as aplicações de cada um. A confiabilidade dos resultados é diretamente proporcional à satisfação das hipóteses sobre as quais o método foi baseado. Deve-se satisfazer as condições como estacionaridade, dimensionalidade apropriada, localização no tempo e freqüência ou distribuição de energia, antes da aplicação de um determinado método.

Os sinais bioelétricos de interesse neste trabalho são essencialmente não- estacionários, estando classificados no ramo pertencente aos sinais estocásticos da Figura 4.1. Portanto, para se utilizar determinado tipo de método matemático no processamento de sinais não-estacionários é necessário adequar-se a forma com que este sinal deve ser processado.

Figura 4.1- Organização usada na classificação de sinais, destacando-se a posição do sinal

estocástico não-estacionário, por representar a linha de características dos sinais do EEG [52]. Sinal Determinístico Estocástico Periódico Não Periódico Estacionário Não Estacionário

Sinusoidal Complexo Quase Periódico

Transiente Ergódigo Não Ergódigo

O uso do tratamento matemático baseado em definições no domínio da freqüência e na determinação dos espectros é um método de análise utilizada para sinais bioelétricos, devido ao fato de alguns eventos apresentarem freqüências bem características. Estudos relativos ao espectro de freqüências são bastante encontrados nos casos de análise de sinais do eletrocardiograma (ECG), devido, talvez, à sua relativa periodicidade. Dentre os estudos envolvendo a análise espectral de sinais de ECG, pode-se citar os desenvolvidos por: Silva [53], que fez uma comparação entre a Transformada Rápida de Fourier (Fast Fourier Transform : (FFT)) e o sinal sem pré-processamento; Pinna [54], fez uma comparação entre a FFT e o método Auto-Regressivo; Chen [55], usou a FFT para sinais de batimento cardíacos; Brennan [56], fez uma detalhada análise da transformada de Fourier discreta e Minami [57], usou diretamente a FFT sobre o sinal de interesse.

Estudos relacionados às freqüências características de certos eventos encontrados em sinais do EEG são relatados em diversas publicações e, na maioria das vezes, é marcante o uso das formas de Fourier, sobretudo da FFT. Bokehi [4] usou a técnica da FFT com periodogramas (algoritmo de Blackman- Tukey) e a modelagem Auto-Regressiva, para determinar freqüências dos sinais no EEG, mostrando que a modelagem auto-regressiva consegue detectar componentes de freqüências bem próximas. Muthuswamy [5] fez um estudo dos métodos de análise espectral usando a FFT com a janela de Hamming e o método Auto Regressivo, ressaltando as vantagens do método auto-regressivo em relação à FFT. Glaria [58] usou a FFT junto a Densidade Espectral de Potência e a janela de Hamming para analisar sinais do EEG, em uma avaliação de técnicas anestésicas. Simpson [59] fez uma análise das janelas retangular e de Hamming para aplicação em sinais do EEG. Ferdjallah [60] fez um estudo sobre a análise do EEG utilizando a FFT truncada através de uma função sinc. Pilla [35] calculou através da FFT as freqüências que seriam utilizadas como padrões nos mapas de Kohonen. Garoosi [61] apresentou um método baseado na Densidade Espectral de Potência junto com a FFT para o cálculo da freqüência máxima e mínima dos sinais do EEG. Hansson [62] fez uma extensiva comparação entre o espectro obtido pelo método de múltiplas janelas e janelas de Hamming, bem como o espectro obtido usando os algoritmos auto-regressivo de média móvel (autoregressive moving average (ARMA)) e média ponderada de segmentos sobrepostos (weighted overlapped segment averaging (WOSA)). Vários estudos já publicados (Celka [63], Ramos [64,65], Ortolani [66], Rezek [67], Conradt [68]) utilizam algum método de análise espectral para investigações em sinais do EEG.

Este capítulo descreve as representações de Fourier, a representação de Fourier com janela, a definição de uma janela adequada para sinais do EEG contendo eventos epileptogênicos, as entradas e as saídas das redes com pré-processamento utilizando a Transformada de Fourier com janela, o treinamento e os testes das RNA’s com entradas pré-processadas pela Transformada de Fourier com janelas e finalmente são mostrados os resultados obtidos e é realizada uma análise desses resultados.