Algoritmos genéticos e aprendizado profundo baseado em redes neurais recorrentes do tipo LSTM para auxílio ao diagnóstico médico
Exames de Eletroencefalograma (EEG) têm se tornado uma ferramenta essencial no diagnóstico e avaliação de diversas doenças neurológicas. A análise automática de exames de EEG por meio de algoritmos computacionais é uma importante ferramenta para auxiliar médicos especialistas no diagnóstico mais pre...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Estado: | Versión publicada |
| Fecha de publicación: | 2023 |
| País: | Brasil |
| Institución: | Universidade de São Paulo (USP) |
| Repositorio: | Biblioteca Digital de Teses e Dissertações da USP |
| Idioma: | portugués |
| OAI Identifier: | oai:teses.usp.br:tde-20062023-152537 |
| Acceso en línea: | https://www.teses.usp.br/teses/disponiveis/59/59143/tde-20062023-152537/ |
| Access Level: | acceso abierto |
| Palabra clave: | Acidente vascular cerebral Algoritmo genético Coma Convolutional neural network Convolutional neural networks Electroencephalogram Eletroencefalograma Genetic algorithm Long short term memory Stroke |
| Sumario: | Exames de Eletroencefalograma (EEG) têm se tornado uma ferramenta essencial no diagnóstico e avaliação de diversas doenças neurológicas. A análise automática de exames de EEG por meio de algoritmos computacionais é uma importante ferramenta para auxiliar médicos especialistas no diagnóstico mais preciso dessas doenças. Nesse sentido, neste trabalho, é proposto um modelo híbrido de Aprendizado Profundo baseado em Redes Neurais Recorrentes do tipo LSTM (Long Short Term Memory) para auxiliar na análise de sinais de EEG. O modelo híbrido proposto utiliza informações de duas diferentes fontes: i) camadas intermediárias do modelo CNN (Convolutional Neural Network) - LSTM; ii) características adicionais relacionadas a informações dos pacientes e extraídas de sinais de EEG. As saídas da camada LSTM e as características adicionais são inseridas como entradas para a primeira camada densa do modelo CNN - LSTM. O modelo é testado em sinais de EEG de pacientes em Coma e pacientes que sofreram Acidente Vascular Cerebral. Além disso, um Algoritmo Genético é utilizado para selecionar o melhor subconjunto de características e otimizar os hiper-parâmetros do modelo híbrido proposto. Os resultados dos experimentos sugerem que a inclusão de características relacionadas a informações dos pacientes e extraídas de sinais de EEG potencializou o desempenho do classificador. No entanto, nem todas as características contribuíram para aumentar o desempenho do classificador. A utilização do Algoritmo Genético na seleção das características mais relevantes foi capaz de produzir um modelo com resultados superiores aos modelos utilizados como referência. Adicionalmente, o Algoritmo Genético é capaz de encontrar a melhor arquitetura híbrida CNN - LSTM para classificar os sinais de EEG em cada base de dados testada. O modelo proposto apresenta novas possibilidades para auxiliar médicos na análise de sinais de EEG e no prognóstico e tratamento dos pacientes. |
|---|