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...

Descripción completa

Detalles Bibliográficos
Autor: Baldo Júnior, Sergio
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
id BR_d8f1b76285df2c4eae7e3ce65d46db3e
oai_identifier_str oai:teses.usp.br:tde-20062023-152537
network_acronym_str BR
network_name_str Brasil
repository_id_str
dc.title.none.fl_str_mv Algoritmos genéticos e aprendizado profundo baseado em redes neurais recorrentes do tipo LSTM para auxílio ao diagnóstico médico
Genetic algorithms and deep learning based on recurrent neural networks of the LSTM type to aid medical diagnostic
title Algoritmos genéticos e aprendizado profundo baseado em redes neurais recorrentes do tipo LSTM para auxílio ao diagnóstico médico
spellingShingle Algoritmos genéticos e aprendizado profundo baseado em redes neurais recorrentes do tipo LSTM para auxílio ao diagnóstico médico
Baldo Júnior, Sergio
Acidente vascular cerebral
Algoritmo genético
Coma
Coma
Convolutional neural network
Convolutional neural networks
Electroencephalogram
Eletroencefalograma
Genetic algorithm
Long short term memory
Long short term memory
Stroke
title_short Algoritmos genéticos e aprendizado profundo baseado em redes neurais recorrentes do tipo LSTM para auxílio ao diagnóstico médico
title_full Algoritmos genéticos e aprendizado profundo baseado em redes neurais recorrentes do tipo LSTM para auxílio ao diagnóstico médico
title_fullStr Algoritmos genéticos e aprendizado profundo baseado em redes neurais recorrentes do tipo LSTM para auxílio ao diagnóstico médico
title_full_unstemmed Algoritmos genéticos e aprendizado profundo baseado em redes neurais recorrentes do tipo LSTM para auxílio ao diagnóstico médico
title_sort Algoritmos genéticos e aprendizado profundo baseado em redes neurais recorrentes do tipo LSTM para auxílio ao diagnóstico médico
dc.creator.none.fl_str_mv Baldo Júnior, Sergio
author Baldo Júnior, Sergio
author_facet Baldo Júnior, Sergio
author_role author
dc.contributor.none.fl_str_mv Tinós, Renato
dc.subject.por.fl_str_mv Acidente vascular cerebral
Algoritmo genético
Coma
Coma
Convolutional neural network
Convolutional neural networks
Electroencephalogram
Eletroencefalograma
Genetic algorithm
Long short term memory
Long short term memory
Stroke
topic Acidente vascular cerebral
Algoritmo genético
Coma
Coma
Convolutional neural network
Convolutional neural networks
Electroencephalogram
Eletroencefalograma
Genetic algorithm
Long short term memory
Long short term memory
Stroke
description 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.
publishDate 2023
dc.date.none.fl_str_mv 2023-05-22
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://www.teses.usp.br/teses/disponiveis/59/59143/tde-20062023-152537/
url https://www.teses.usp.br/teses/disponiveis/59/59143/tde-20062023-152537/
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv
dc.rights.driver.fl_str_mv Liberar o conteúdo para acesso público.
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Liberar o conteúdo para acesso público.
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.coverage.none.fl_str_mv
dc.publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
dc.source.none.fl_str_mv
reponame:Biblioteca Digital de Teses e Dissertações da USP
instname:Universidade de São Paulo (USP)
instacron:USP
instname_str Universidade de São Paulo (USP)
instacron_str USP
institution USP
reponame_str Biblioteca Digital de Teses e Dissertações da USP
collection Biblioteca Digital de Teses e Dissertações da USP
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)
repository.mail.fl_str_mv virginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.br
_version_ 1853666775465459712
spelling Algoritmos genéticos e aprendizado profundo baseado em redes neurais recorrentes do tipo LSTM para auxílio ao diagnóstico médicoGenetic algorithms and deep learning based on recurrent neural networks of the LSTM type to aid medical diagnosticAcidente vascular cerebralAlgoritmo genéticoComaComaConvolutional neural networkConvolutional neural networksElectroencephalogramEletroencefalogramaGenetic algorithmLong short term memoryLong short term memoryStrokeExames 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.In recent years, Electroencephalogram (EEG) exams have become an essential tool in the diagnosis and evaluation of various neurological diseases. Automatic analysis of EEG exams through computational algorithms is an important tool to assist medical experts in the more precise diagnosis of these diseases. In this work, we propose a hybrid Deep Learning model based on Long Short-Term Memory (LSTM) Recurrent Neural Network to aid in the analysis of EEG signals. The proposed hybrid model uses information from two different sources: i) intermediate layers of the Convolutional Neural Network (CNN) - LSTM model; ii) additional features related to patient information and extracted from EEG signals. The outputs of the LSTM layer and additional features are inserted as inputs to the first dense layer of the CNN - LSTM model. The model is tested on EEG signals from Coma patients and patients who have suffered a Stroke. Additionally, a Genetic Algorithm is used to select the best subset of features and optimize the hyper-parameters of the proposed hybrid model. The experimental results suggest that the inclusion of features related to patient information and extracted from EEG signals enhanced the classifier\'s performance. However, not all features contributed to increasing the classifier\'s performance. The use of the Genetic Algorithm in selecting the most relevant features was able to produce a model with superior results to the reference models used. Furthermore, the Genetic Algorithm is capable of finding the best CNN - LSTM hybrid architecture to classify EEG signals in each tested database. The proposed model presents new possibilities to assist medical professionals in the analysis of EEG signals and the prognosis and treatment of patients.Biblioteca Digitais de Teses e Dissertações da USPTinós, Renato2023-05-22info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://www.teses.usp.br/teses/disponiveis/59/59143/tde-20062023-152537/reponame:Biblioteca Digital de Teses e Dissertações da USPinstname:Universidade de São Paulo (USP)instacron:USPLiberar o conteúdo para acesso público.info:eu-repo/semantics/openAccessporBaldo Júnior, Sergio2025-05-13T13:30:46Zoai:teses.usp.br:tde-20062023-152537Biblioteca Digital de Teses e Dissertaçõeshttp://www.teses.usp.br/PUBhttp://www.teses.usp.br/cgi-bin/mtd2br.plvirginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.bropendoar:27212025-05-13T13:30:46Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false
score 15,300724

Similares en LA Referencia