Epileptic Seizure Prediction Using Machine Learning Techniques - Dissertação de Mestrado em Bioengenharia

Aug 3, 2026

Crises epiléticas afetam cerca de 1% da população mundial e constituem uma das doenças neurológicas mais comuns, associadas à atividade anormal do cérebro. Uma parcela dos doentes não recorre a tratamento por ausência de benefício efetivo, enquanto os danos das convulsões imprevisíveis atingem tanto o paciente quanto os seus conviventes. A dissertação propõe, com métodos de Machine Learning, um algoritmo para prever crises antes da sua ocorrência a partir de eletroencefalograma (EEG), usando apenas 8 dos 23 canais disponíveis e classificando fases pré-ictal, ictal, pós-ictal e interictal.

IdiomaPortuguese

CategoriaSaúde e Cuidados

FormatoPDF

Páginas124

Tempo de leitura3 h 11 min

AcessoDownload gratuito

Índice

Resumo

Contexto e problema

Objetivo e abordagem

Dados e metodologia (EEG e canais)

Fases analisadas

Classificação e impacto esperado

Epileptic seizure prediction using machine learning techniques Versão Final após defesa Carolina Duarte Salvador Disertação para obtenção do grau de Mestre em Bioengenharia. Bioengenharia (2o Ciclo de Estudos) Orientador: Prof. Doutor Nuno Manuel Garcia dos Santos Co-orientador: Doutora Virginie dos Santos Felizardo, Doutor Mehran Pourvahab Julho de 2023. ii Declaração de Integridade Eu, Carolina Duarte Salvador, que abaixo assino, estudante com o número de inscrição M11847 do Mestrado em Bioengenharia da Faculdade de Engenharia, declaro ter desenvolvido o presente trabalho e elaborado o presente texto em total consonância com o Código de Integridades da Universidade da Beira Interior. Mais concretamente afirmo não ter incorrido em qualquer das variedades de Fraude Académica, e que aqui declaro conhecer, que em particular atendi à exigida referenciação de frases, extratos, imagens e outras formas de trabalho intelectual, e assumindo assim na íntegra as responsabilidades da autoria. Universidade da Beira Interior, Covilhã 26 /07/2023 Dedication Dedico esta tese à minha família, que sempre esteve pronta para me ajudar. ” Não deves deixar ninguém definir os teus limites por causa de onde vens. O teu único limite é a tua alma.” -Ratatouille vi Acknowledgements Ao terminar este meu percurso, quero deixar aqui os meus sinceros agradecimentos a todosaqueles que me apoiaram ao longodestes anos. Nãosó na realizaçãodesta dissertação, mas ao longo deste percurso. Queroagradecer, em primeiro lugar, ao meu orientador e coorientadores, Professor Doutor Nuno Garcia, Faculdade de Ciências da Universidade de Lisboa, à Doutora Virginie Felizardo, Instituto de Telecomunicações, e ao Doutor Mehran Pourvahab, Universidade da Beira interior. Agradeço todo o apoio, disponibilidade e valiosas contribuições feitas ao longo destes anos. Quero também expressar a minha gratidão aos meus amigos por todo o apoio, noites deestudo e momentos compartilhados ao longo destes 5 anos. Sem eles, esses 5 anos teriamsido um pouco mais difíceis. Por fim, mas não menos importante, quero agradecer à minha família pelo apoio, compreensão e palavras de incentivo quando mais precisei. Sem eles, eu não estaria aqui. viii Resumo Crises epiléticas afetam cerca de 1% da população mundial, tornando-a assim a quartadoençaneurológica mais comum. Esta é considerada uma doençacaracterizada pela atividade anormal do cérebro. Partedapopulação quesofredesta condiçãonão consegue recorrer a qualquer tratamento, pois este não apresenta qualquer efeito benéfico no paciente. Uma das principais preocupações associadas com este problema são os danos causados pelas convulsões imprevisíveis. Estes danos nãoafetamsomente o próprio paciente, como também as pessoas que o rodeiam. Com esta situação em mente, o objetivo desta dissertação consiste em, através de métodos de Machine Learning, criar um algoritmo capaz de prever as crises epiléticas antes da sua ocorrência. Para proceder à previsão destas convulsões, será utilizado o eletroencefalograma (EEG), uma vez que é o método mais usado para o diagnóstico de epilepsia. Serão utilizados apenas 8 dos 23 canais disponíveis, devido à sua localização. Quando ocorre uma crise, além das alterações visíveis no sinal EEG, não só no momentoda crise, são também notáveis alterações antes e após a convulsão. A estas fases a literatura nomeou: • Pre-ictal: momento anterior à crise epilética; • Ictal: momento da convulsão; • Pós-ictal: momento posterior à crise; • Interictal: espaço de tempo entre convulsões. O objetivodo algoritmo preditivo será fazer a classificação das diferentes classes e o estudode diferentes problemas de classificação, através do uso de técnicas de machine learning, mais precisamente um classificador. Ao realizar esta classificação, quando forem detetados indícios de que uma possível crise epilética irá ocorrer, o paciente será então avisado, podendo assim preparar

Perguntas frequentes

Qual é o objetivo principal da dissertação sobre epilepsia?

Criar, com métodos de Machine Learning, um algoritmo capaz de prever crises epiléticas antes de ocorrerem, permitindo aviso e preparação do paciente.

Por que o eletroencefalograma (EEG) é usado na previsão?

O EEG é o método mais utilizado para o diagnóstico de epilepsia e apresenta alterações visíveis no sinal durante as diferentes fases relacionadas com a crise.

Quais fases do sinal EEG são consideradas no estudo?

A literatura descrita no documento define pre-ictal (antes), ictal (durante), pós-ictal (após) e interictal (entre crises), que orientam a classificação do problema.

Aug 3, 2026

Carregar por Emma Wilson