| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 4.76 MB | Adobe PDF |
Orientador(es)
Resumo(s)
Através da análise dos dados obtidos por eletroencefalogramas intracranianos (iEEG), pretende-se a identificação dos períodos com maior probabilidade de ocorrência de convulsões, permitindo dessa forma uma deteção e previsão mais eficaz dos sistemas baseados em iEEG. Sendo, com a análise dos iEEG, possível a deteção destes períodos, os pacientes apenas terão de se medicar em situações de convulsões iminentes, resultando numa redução geral dos efeitos secundários associados a este tipo de medicação.
O objetivo deste trabalho é desenvolver uma metodologia usando algoritmos de deep learning capaz de classificar sinais resultantes do iEEG, para deteção e previsão de convulsões epiléticas em humanos.
Pretende-se ainda que seja elaborado um estudo sobre as diferentes técnicas descritas por outros autores, de forma a avaliar a possibilidade de aplicação de algumas dessas metodologias. Pretende-se ainda comparar resultados obtidos por trabalhos já publicados com os resultados obtidos neste trabalho.
Through the analysis of the data obtained by intracranial electroencephalograms, we intend to identify the periods of high probability of occurrence of seizures, achieving a more effective detection and prediction by iEEG based systems. If these periods can be detected with iEEG analysis, patients only have to be medicated in imminent seizures, resulting in a general reduction of the side effects associated with this type of medication. The goal of this work is to develop a methodology using deep learning algorithms capable of classifying signals resulting from iEEG for the detection and prediction of epileptic seizures in humans. We also intend to study different techniques used by other authors, in order to analyze and understand if it is possible to apply some of the methodologies already used and compare our results with the ones obtained by works already published.
Through the analysis of the data obtained by intracranial electroencephalograms, we intend to identify the periods of high probability of occurrence of seizures, achieving a more effective detection and prediction by iEEG based systems. If these periods can be detected with iEEG analysis, patients only have to be medicated in imminent seizures, resulting in a general reduction of the side effects associated with this type of medication. The goal of this work is to develop a methodology using deep learning algorithms capable of classifying signals resulting from iEEG for the detection and prediction of epileptic seizures in humans. We also intend to study different techniques used by other authors, in order to analyze and understand if it is possible to apply some of the methodologies already used and compare our results with the ones obtained by works already published.
Descrição
Palavras-chave
Deep Learning Convolutional Neural Networks Eletroencefalograma intracranial Epilepsia Previsão de convulsões Intracranial Electroencephalogram Epilepsy Seizure Prediction