Você está na página 1de 94

UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL

ESCOLA DE ENGENHARIA
PROGRAMA DE PS-GRADUAO EM ENGENHARIA ELTRICA





CARLA DINIZ LOPES











ANLISE DE SINAIS DE EEG UTILIZANDO A
TRANSFORMADA WAVELET DISCRETA E AS REDES
NEURAIS ARTIFICIAIS
















Porto Alegre
2005


CARLA DINIZ LOPES










ANLISE DE SINAIS DE EEG UTILIZANDO A
TRANSFORMADA WAVELET DISCRETA E AS REDES
NEURAIS ARTIFICIAIS









Dissertao de Mestrado apresentada ao
Programa de Ps-Graduao em Engenharia Eltrica
(PPGEE), da Universidade Federal do Rio Grande do
Sul (UFRGS), como parte dos requisitos para a
obteno do ttulo de Mestre em Engenharia Eltrica.
rea de concentrao: Automao e
Instrumentao Eletro-Eletrnica.



ORIENTADOR: Altamiro Amadeu Susin










Porto Alegre
2005

CARLA DINIZ LOPES

ANLISE DE SINAIS DE EEG UTILIZANDO A
TRANSFORMADA WAVELET DISCRETA E AS REDES
NEURAIS ARTIFICIAIS


Esta dissertao foi julgada adequada para a obteno
do ttulo de Mestre em Engenharia Eltrica e aprovada
em sua forma final pelo Orientador e pela Banca
Examinadora.


Orientador: ____________________________________
Prof. Dr. Altamiro Amadeu Susin, UFRGS
Doutor pela Institut National Polytechnique de Grenoble
Grenoble, Frana
Banca Examinadora:
Prof. Dr. Alberto Antonio Rasia Filho, FFFCMPA
Doutor pela Universidade Federal do Rio Grande do Sul, Porto Alegre, Brasil

Prof. Dr. Dante Augusto Couto Barone, UFRGS
Doutor pela Institut National Polytechnique de Grenoble Grenoble, Frana

Prof. Dr. Marcelo Soares Lubaszewski, UFRGS
Doutor pela Institut National Polytechnique de Grenoble Grenoble, Frana

Prof. Dr. Romeu Reginatto, UFRGS
Doutor pela Universidade Federal de Santa Catarina, Florianpolis, Brasil

Coordenador do PPGEE: _______________________________
Prof. Dr. Carlos Eduardo Pereira
Porto Alegre, Maro de 2005.

DEDICATRIA
Dedico este trabalho aos meus pais, que me ensinaram a trabalhar arduamente pelos
meus objetivos.









Ningum pode construir em teu lugar as pontes que precisars passar, para
atravessar o rio da vida - ningum, exceto tu, s tu. Existem, por certo, atalhos sem nmeros,
e pontes, e semideuses que se oferecero para levar-te alm do rio; mas isso te custaria a tua
prpria pessoa; tu te hipotecarias e te perderias. Existe no mundo um nico caminho por
onde s tu podes passar. Onde leva? No perguntes, segue-o.
Nietzsche

AGRADECIMENTOS

Aos meus pais, Orlando e Ana Maria, pelo amor incondicional, apoio e incentivo que
sempre me deram. Pai, me, perdo pela dor que minha ausncia lhes causou.
Aos meus irmos Otvio e Michelle, os grandes amores da minha vida! Obrigada por
entenderem minha ausncia e por acreditarem no que fui, no que sou e no que poderei ser.
Carla Carvalho, amiga das horas mais alegres e, principalmente, das mais difceis.
Voc a irm que Deus me permitiu escolher.
Ao meu tio Mrcio, meu grande amigo e professor. Nada que eu faa ou lhe diga
corresponder ao profundo sentimento de gratido que lhe tenho pelo apoio e ensinamentos
que me deu nos momentos em que mais precisei.
Ao querido professor Altamiro Amadeu Susin pela orientao, pacincia, dedicao e
apoio.
Ao professor e amigo Milton Antnio Zaro, meu sincero agradecimento por todo
apoio e incentivo.
querida amiga Maria Isabel Timm, meu carinho e gratido.
Aos amigos do Lapsi: Letcia Vieira Guimares, Viviane Cordeiro da Silva, Marcos
Vinicius Bandeira, Marcelo Negreiros, Ado de Souza Antnio de Souza Jnior, Thiago Rosa
Figueiro e Nvea Schuch, pelo seu auxlio nas tarefas desenvolvidas durante o curso e apoio
na reviso deste trabalho.
Aos colegas e amigos do NMEAD (Ncleo de Multimdia e Ensino a Distncia) da
UFRGS. Foram extremamente valiosas as experincias que trocamos.

Aos funcionrios da Secretaria do PPGEE, Miriam Rosek e Manoel Eduardo
Hofmeister pelo auxlio prestado.
Ao Programa de Ps-Graduao em Engenharia Eltrica, PPGEE, pela oportunidade
de realizao de trabalhos em minha rea de pesquisa.
Ao CNPq pela proviso da bolsa de mestrado.





RESUMO

Este trabalho descreve uma aplicao das redes neurais artificiais (ANNs), as quais
usam o algoritmo de erro backpropagation no treinamento, usando sinais de EEG
juntamente com uma tcnica de extrao de caractersticas, a Transformada de Wavelets
(WT) para a classificao dos sinais de EEG. Duas classes de sinais de EEG foram obtidas de
indivduos com alto risco (AR) e baixo risco (BR) em desenvolver o alcoolismo. Depois do
treinamento, as ANNs foram capazes de classificar cerca de 70% dos sinais de EEG dos
indivduos com BR e AR.

Palavras-chaves: Classificao de EEG. Transformada de Wavelet, Rede Neural
Artificial, Alcoolismo.

ABSTRACT
This work describes the application of an artificial neural network (ANN), which uses
the error backpropagation training algorithm, using EEG data time series and with a feature
extraction technique, the wavelet transform, for the classification of EEG signals. Two classes
of EEG signals were obtained from individuals with high risk (HR) and (LR) for alcoholism.
After training, the ANNs were able to classify about 70% of the LR and HR EEG signals.

Keywords: EEG Classification, Wavelet Transform, Artificial Neural Network,
Alcoholism











SUMRIO
1 INTRODUO.......................................................................................................... 14
2 FUNDAMENTOS DOS SINAIS DE EEG................................................................ 17
2.1 O NEURNIO.................................................................................................................. 17
2.1.1 O impulso nervoso..................................................................................................... 19
2.2 OS SINAIS DE EEG........................................................................................................... 21
2.3 CARACTERSTICAS DO SINAIL DE EEG............................................................................ 22
2.4 COMPONENTES DO SINAL DE EEG................................................................................... 24
2.4.1 Atividade alfa ............................................................................................................ 24
2.4.2 Atividade beta............................................................................................................ 25
2.4.3 Atividade delta .......................................................................................................... 25
2.4.4 Atividade theta .......................................................................................................... 26
2.4.5 Atividade sigma ou beta 1......................................................................................... 26
2.4.6 Complexo K............................................................................................................... 27
2.4.7 Espculas isoladas ...................................................................................................... 27
2.4.8 Complexo espcula-onda ........................................................................................... 28
2.4.9 Fatores que podem influenciar os sinais de EEG..................................................... 28
2.5 CONSIDERAES SOBRE O EEG...................................................................................... 30
2.6 PROCESSO DE CAPITAO DO SINAL ELTRICO ............................................................. 33
3 PROCESSAMENTO DOS SINAIS DE EEG........................................................... 35
3.1 CARACTERIZAO E PR-PROCESSAMENTO DOS SINAIS ................................................ 35
3.2 TRANSFORMADA DE FOURIER........................................................................................ 38
3.3 TRANSFORMADA DO COSENO......................................................................................... 39
3.4 TRANSFORMADA DE WAVELETS..................................................................................... 41
4 REDES NEURAIS ARTIFICIAIS ............................................................................ 45
4.1 O QUE UMA REDE NEURAL ARTIFICIAL........................................................................ 45
4.2 MODELO DE UM NEURNIO ARTIFICIAL......................................................................... 47
4.3 TIPOS DE FUNES DE ATIVAO .................................................................................. 49
4.4 TOPOLOGIAS DAS REDES NEURAIS ARTIFICIAIS.............................................................. 50
4.5 TIPOS DE TREINAMENTO................................................................................................ 51
4.6 REDES MULTILAYER PERCEPTRON ................................................................................ 53
4.7 ALGORITMO DE APRENDIZADO PARA UMA MULTILAYER PERCEPTRON ......................... 55
5 DESENVOLVIMENTO PRTICO.......................................................................... 58
5.1 COGA............................................................................................................................. 58
5.2 PREDISPOSIO AO ALCOOLISMO.................................................................................. 59
5.3 GRAVAO DO BANCO DE SINAIS DE EEG....................................................................... 61
5.4 TAREFAS........................................................................................................................ 63
5.5 CONSTRUO E CONFIGURAO DA REDE NEURAL ....................................................... 64
5.6 TREINAMENTO DO SISTEMA E TESTE DE DESEMPENHO.................................................. 66
6 RESULTADOS .......................................................................................................... 68
6.1 RESULTADOS OBTIDOS .................................................................................................. 68
6.1.1 Extrao e Classificao do ERP visual ................................................................... 68
6.1.2 Classificao dos sinais de EEG atravs das ANNs ................................................. 71
7 CONCLUSES E DISCUSSES.............................................................................. 75

7.1 SUGESTES PARA TRABALHOS FUTUROS........................................................................ 76
REFERNCIAS................................................................................................................. 78
APNDICE 1: PROGRAMA EM MATLAB QUE IMPLEMENTA O ALGORITMO
"BACKPROPAGATION" ................................................................................................... 82
APNDICE 2: PROGRAMA EM MATLAB PARA EXTRAO DOS
COEFICIENTES WAVELETS.............................................................................................92


LISTA DE ILUSTRAES


Figura 2.1 Estrutura bsica de um neurnio.......................................................................... 18
Figura 2.2 Sentido do impulso nervoso e as sinapses. ........................................................... 18
Figura 2.3 Impulso nervoso transmitido atravs do axnio. .................................................. 20
Figura 2.4 Eletro-gnese do potencial cortical .............................................................. ....... 22
Figura 2.5 Ritmo alfa. .......................................................................................................... 24
Figura 2.6 Ritmo beta........................................................................................................... 25
Figura 2.7 Ritmo delta. ........................................................................................................ 25
Figura 2.8 Ritmo theta ........................................................................................................ 26
Figura 2.9 Rimo sigma ou beta 1.................................................................................. ....... 26
Figura 2.10 Espcula Isolada. ............................................................................................... 28
Figura 2.11 Complexo Espcula-onda.......................................................................................28
Figura 2.12 Colocao dos eletrodos para aquisio do EEG de acordo com o Sistema
Internacional de Posicionamento 10-20 ............................................................................... 31
Figura 3.1 Classificao dos sinais bioltricos de acordo com suas caractersticas............... 36
Figura 4.1 Modelo geral do neurnio artificial. .................................................................... 47
Figura 4.2 Funes de ativao mais utilizadas. (a) Funo Limiar. (b) Funo Linear por
partes. (c) Funo Sigmide com parmetro de inclinao varivel ...................................... 50
Figura 4.3 Arquitetura de uma Multilayer perceptron com duas camadas intermdirias. ....... 55
Figura 5.1 Ilustrao esquemtica da montagem dos eletrodos em seis grupos regionais
(frontal, central, parietal, occipital, temporal direito, temporal esquerdo), utilizada na
gravao dos sinais de EEG................................................... ..................................................62
Figura 6.1 Mdia total de ERPs obtida de todos os indivduos. Os grficos da direita so dos
indivduos com BR e da esquerda dos indivduos com AR......................................................70
Figura 6.2 Regio Parietal, percentual de acerto obtido pelas ANNs treinadas com
coeficientes Lemarie. Indivduos com AR e BR. ................................................................. 72
Figura 6.3 Regio Occipital, percentual de acerto obtido pelas ANNs treinadas com
coeficientes Lemarie. Indivduos com AR e BR................................................................... 72
Figura 6.4 Regio Temporal, percentual de acerto obtido pelas ANNs treinadas com
coeficientes Lemarie. Indivduos com AR e BR................................................................... 73
Figura 6.5 Indicao, no escalpo, dos eletrodos em que as ANNs treinadas classificaram
corretamente os sinais de EEG dos indivduos com e sem PA, com ndice igual ou superior a
60%..................................................................................................................................... 77



LISTA DE TABELAS

Tabela 2.1 Ritmos caracterstico do EEg normal e sua faixa de frequncias ......................... 23






LISTA DE ABREVIATURAS


AR : Alto Risco
BR: Baixo Risco
CT: Transformada do Coseno
DCT: Transformada Discreta do Coseno
DFT: Transformada Discreta de Fourier
DWT: Transformada Wavelet Discreta
ECG: Eletrocardiograma
ECoG: EletroCorticoGrafia
EEG: Eletroencefalografia ou Eletroencfalograma
ERP: Potencial Relacionado ao Evento
FDCT: Transformada Rpida Discreta do Coseno
FFT: Transformada Rpida de Fourier
FT: Transformada de Fourier
KLT: Karhunen-Love

PA: Predisposio ao Alcoolismo
STFT: Short Time Fourier Transform
TOC: Transtorno Obsessivo Compulsivo
WT: Transformada de Wavelet




14
1 INTRODUO
O alcoolismo uma doena complexa que ocorre com um alto ndice em vrias
famlias no mundo, com alto custo econmico e, notavelmente, com uma resposta ao
tratamento no significativa, ou seja, depois de tornar-se um alcolatra, o indivduo
dificilmente se recupera. Estudos em populaes genticas indicam que filhos de alcolatras
so quatro vezes mais suscetveis a desenvolver o alcoolismo quando comparados com filhos
de no alcolatras, ainda que estes filhos sejam separados de seus pais logo aps o nascimento
(PORJESZ, 1990).
Indivduos que tm alto risco em desenvolver o alcoolismo, freqentemente tm uma
necessidade de consumir maiores doses de lcool para sentir os efeitos do mesmo do que
outras pessoas. Estes indivduos apresentam um baixo de nvel de resposta ao lcool
(BIERUT, 2002).
A identificao de adequadas caractersticas biolgicas que so geneticamente
transmitidas podem ser valiosas na identificao de indivduos com predisposio ao
alcoolismo antes do incio da doena (BEGLEITER, 1987). Medidas eletrofisiolgicas podem
servir como marcadores fentipos para o alcoolismo, pois apresentam caractersticas que so
relacionadas predisposio em desenvolver a doena (BIERUT, 2002).
O objetivo deste trabalho foi o desenvolvimento de um sistema computacional de
classificao de sinais de EEG (eletroencefalograma) de indivduos com AR (Alto Risco) e
BR (Baixo Risco) em desenvolver o alcoolismo fazendo-se uso da Transformada Wavelet
Discreta (DWT) e das Redes Neurais Artificiais (ANNs). Nossa motivao principal nesta
pesquisa de mestrado foi dar incio ao processo de elaborao de um tipo de abordagem
clnica que auxilie na deteco precoce da predisposio ao alcoolismo.


15
Tem-se nesta pesquisa a expectativa de alcanar ndices corretos de classificao de
sinais de EEG de indivduos com AR e BR em desenvolver o alcoolismo, como foram obtidos
em trabalhos correlatos (HAZARIKA, 1997) e (KIM, 2004). As ANNs implementadas com
coeficientes wavelets classificaram corretamente 71% dos sinais de EEG de indivduos com
Esquizofrenia, 66% dos sinais de indivduos normais e 36% dos sinais de indivduos com
TOC (Transtorno obsessivo compulsivo) em (HAZARIKA, 1997). J em (KIM, 2004) foram
classificados corretamente 73,3% dos sinais de indivduos com Alzheimer e 88,1% dos sinais
de indivduos normais.
O sistema computacional desenvolvido baseado na tcnica de redes neurais
artificiais do tipo perceptron multicamadas, que consiste em uma srie de elementos de
processamento, denominados neurnios artificiais, ou ns, interligados, com um determinado
peso associado a cada conexo. A opo por este tipo de rede deu-se pelo fato de o problema
tratado ser basicamente uma classificao de amostras (sinais de EEG de indivduos com AR
e BR em desenvolver o alcoolismo), sendo esta a principal aplicao dos perceptrons.
O algoritmo de treinamento utilizado foi o do tipo backpropagation, que baseado
em uma anlise dos erros de resposta do sistema para os ajustes necessrios na rede. O
algoritmo backpropagation consiste na apresentao, a cada poca de treinamento, de um
conjunto de dados de entrada com seus respectivos resultados esperados; a cada erro obtido na
sada associado um valor que retorna pela rede para ser utilizado na correo dos pesos de
conexo entre os neurnios.
O processo de converter um sinal no domnio do tempo para o domnio da freqncia
obtido convencionalmente atravs da Transformada de Fourier (FT). A FT no fornece
informao suficiente quando se trabalha com sinais no-estacionrios, como os sinais de
EEG. A FT determina apenas os componentes de freqncia de um sinal, mas no determina
onde esta freqncia est localizada no tempo. Para superar esta desvantagem, a Short Time


16
Fourier Transform (STFT), usando a tcnica denominada de janelamento, foi proposta.
STFT mapeia o sinal em um espao bi-dimensional de tempo e freqncia usando uma janela
fixa. J a Transformada de Wavelet (WT) permite a anlise com janelas de mltipla durao,
o que permite uma perspectiva de anlise multiresoluo do sinal. Sendo assim, diferentes
caractersticas dos sinais podem ser extradas pela WT (KANDSAWAMY, 2004).
Avaliando as vantagens da WT em se tratando de processar sinais no-estacionrios,
optamos por realizar o pr-processamento dos sinais de EEG fazendo uso desta transformada.
Extramos coeficientes wavelets dos sinais e estes coeficientes eram injetados nas entradas
das redes neurais artificiais (ANNs). Avaliamos o desempenho de ANNs treinadas com trs
famlias de wavelets: Lemarie, Biorthogonal e Daubechies.
Esta dissertao vem apresentar os resultados obtidos nas pesquisas do mestrado.
No Captulo 2 encontram-se os fundamentos tericos deste trabalho. Uma introduo
sobre o EEG digital tratado como um sinal e a morfologia de suas formas de onda.
No Captulo 3 so explicitadas as caractersticas dos sinais de EEG que fazem parte do
escopo do trabalho. Avaliou-se tambm as caractersticas de 4 modalidades de transformao:
a FT, a STFT, a DCT e a DWT.
No captulo 4 apresentamos os conceitos bsicos sobre as ANNs.
No captulo 5 so avaliadas as caractersticas do banco de sinais de EEG utilizado
nesta pesquisa e a configurao das ANNs construdas.
No Captulo 6, so apresentados os resultados da aplicao da metodologia proposta.
Finalmente, no Captulo 7 apresentamos as discusses e concluses dos resultados
obtidos. So tambm apresentadas sugestes para trabalhos futuros e possveis caminhos para
a continuidade desta pesquisa.



17
2 FUNDAMENTOS DOS SINAIS DE EEG
O EEG reflete a atividade eltrica de uma populao de neurnios cerebrais. Os sinais
produzidos pela atividade eltrica dos neurnios so extremamente complexos, pois o EEG
gerado a partir da superposio de diferentes e simultneos sistemas dinmicos de ao. Antes
de avanarmos para o objetivo principal deste trabalho, faremos uma breve explanao sobre
o mais simples sistema dinmico do sistema nervoso, o neurnio.

2.1 O NEURNIO
Os tecidos cerebrais so compostos basicamente por duas linhagens celulares: os
neurnios e clulas da glia (ou neurglia). Os neurnios so os constituintes fundamentais
do sistema nervoso. Estima-se que no crebro humano existam aproximadamente 100 bilhes
de neurnios (BERNARDI, 1999).
Existem diversos tipos de neurnios, com diferentes funes dependendo da sua
localizao e estrutura morfolgica, mas em geral constituem-se dos mesmos componentes
bsicos:
corpo celular (soma) constitudo de ncleo e pericrio, que d suporte metablico
toda clula;
axnio (fibra nervosa) prolongamento nico e grande que aparece no soma.
responsvel pela conduo dos impulsos nervosos e possuem ramificaes na origem
e extremidade. Em toda sua extenso, o axnio envolvido por um tipo celular
denominado clula de Schwann. Em muitos axnios, as clulas de Schwann
determinam a formao da bainha de mielina - invlucro lipdico que atua como
isolante trmico e facilita a transmisso do impulso nervoso. Entre uma clula de


18
Schwann e outra existe uma regio de descontinuidade da bainha de mielina, que
acarreta a existncia de uma constrio (estrangulamento) denominada nodo de
Ranvier. A parte celular da bainha de mielina, onde esto o citoplasma e o ncleo da
clula de Schwann, constitui o neurilema.
Dendritos so prolongamentos menores em forma de ramificaes (arborizaes
terminais) que emergem do pericrio e do final do axnio, sendo, na maioria das
vezes, responsveis pela comunicao entre os neurnios atravs das sinapses.
Basicamente, cada neurnio possui uma regio receptiva e outra efetora em relao a
conduo da sinalizao.

Figura 2.1 Estruturas bsicas de um neurnio.
O percurso do impulso nervoso no neurnio sempre no sentido dendrito --- corpo
celular --- axnio, ver figura 2.2. A regio de passagem do impulso nervoso de um neurnio
para a clula adjacente chama-se sinapse.

Figura 2.2 Sentido do impulso nervoso e as sinapses.


19
2.1.1 O impulso nervoso
A membrana plasmtica do neurnio transporta alguns ons ativamente, do lquido
extracelular para o interior da fibra, e outros, do interior, de volta ao lquido extracelular.
Assim funciona a bomba de sdio e potssio, o mais importante mecanismo de transporte
ativo presente na membrana de clulas excitveis, que bombeia ativamente o sdio para fora,
enquanto o potssio bombeado ativamente para dentro da clula. Porm, esse bombeamento
no eqitativo: para cada trs ons sdio bombeados para o lquido extracelular, apenas dois
ons potssio so bombeados para o lquido intracelular. Isso acaba criando uma diferena de
cargas positivas entre o interior e o exterior da membrana plasmtica, criando-se assim um
gradiente eltrico na membrana. O potencial eletronegativo criado no interior da fibra,
conhecido como potencial de repouso da membrana. Na maioria das clulas tal potencial
equivale a algo em torno de -40mV a 90mV, mais negativo no interior da clula por
conveno (NORMANN, 1988). Dizemos, ento, que a membrana est polarizada.
Ao ser estimulada, uma pequena regio da membrana torna-se permevel ao sdio
(abertura dos canais de sdio). Como a concentrao desse on maior fora do que dentro da
clula, o sdio atravessa a membrana no sentido do interior da clula. A entrada de sdio
acompanhada pela pequena sada de potssio. Esta inverso vai sendo transmitida ao longo do
axnio, e todo esse processo considerado um impulso nervoso ou onda de despolarizao,
conforme pode ser observado na figura 2.3. Este efeito dura cerca de 1 ms, e neste perodo o
potencial da membrana passa do valor de repouso para cerca de +20 mV a +30 mV
(CAMPELO, 2003).
O que causa o potencial de ao uma troca de ons atravs da membrana. Uma vez
que um ponto em qualquer lugar do nervo se torne despolarizado, um impulso nervoso
propaga-se a partir dele em cada direo, e cada impulso assim mantido, propagando-se at
atingir as extremidades da fibra.


20

Figura 2.3 Impulso nervoso transmitido atravs do axnio.

Imediatamente aps a onda de despolarizao ter-se propagado ao longo da fibra
nervosa, o interior da fibra torna-se carregado positivamente, porque um grande nmero de
ons sdio difundiu-se para o interior. Essa positividade determina a parada do fluxo de ons
sdio para o interior da fibra, fazendo com que a membrana se torne novamente impermevel
a esses ons. Por outro lado, a membrana torna-se ainda mais permevel ao potssio, que
migra para o meio interno. Devido alta concentrao desse on no interior, muitos ons
difundem-se, ento, para o lado de fora. Isso cria novamente eletronegatividade no interior da
membrana e positividade no exterior processo chamado repolarizao, pelo qual se
restabelece a polaridade normal da membrana. A repolarizao normalmente se inicia no
mesmo ponto onde se originou a despolarizao, propagando-se ao longo da fibra. Aps a
repolarizao, a bomba de sdio bombeia novamente os ons sdio para o exterior da
membrana, criando um dficit extra de cargas positivas no interior da membrana, que se torna
temporariamente mais negativo do que o normal. A eletronegatividade excessiva no interior
atrai ons potssio de volta para o interior (por difuso e por transporte ativo). Assim, o
processo traz as diferenas inicas de volta aos seus nveis originais.


21

2.2 OS SINAIS DE EEG
O crebro humano apresenta uma camada externa de cor cinzenta (formada em sua
maior parte por corpos celulares) chamada crtex cerebral; j a parte interna formada pela
substncia branca. O crtex cobre inteiramente os dois hemisfrios.
Os neurnios do crtex esto distribudos em 6 camadas paralelas superfcie cortical
(estratificao por profundidade). Estes neurnios so de dois tipos: piramidais (camadas III e
V) e no-piramidais (I, II, IV e VI). As clulas piramidais da V camada so as que mais
contribuem nos sinais eltricos registrados no EEG.
As atividades eltricas do crtex podem decorrer do Potencial de Ao ou do Potencial
Ps - Sinptico.
Potencial de Ao: decorrente da transmisso dos impulsos eltricos pelos axnios,
pouco contribuem para o registro cortical, uma vez que ocorrem assincronamente e so de
curta durao.
Potencial Ps-Sinptico: aparecem sobre a membrana celular aps a repolarizao.
Esses potenciais so provavelmente os principais responsveis pela gerao dos campos
eltricos extra - celulares que vo influenciar na formao do EEG (LOPES, 1987). Conforme
sinapses excitatrias (dendritos com polaridade negativa em relao ao corpo celular) e
inibitrias (dendritos com polaridade positiva em relao ao corpo celular) alcanam os
dendritos de cada neurnio, flui corrente para os dendritos e soma celulares, respectivamente,
definindo dipolos eltricos, como pode ser observado na figura 2.4. Os dipolos mudam de
intensidade e sentido, produzindo flutuaes ondulares no potencial eltrico resultante no
volume condutor.


22
O fluxo de correntes extracelulares produzidos pelo potenciais ps-sinpticos e pelo
potencial de ao dos axnios podem disparar sincronamente para gerar potenciais corticais,
esta sincronizao pode ser entendida pela interconexo de sinapses dendrticas. Qualquer
mudana eltrica registrada na superfcie cortical causada pela resultante das atividades de
uma classe de clulas corticais.
O fluxo de ons no espao extracelular gerado pelos processos descritos acima so
acompanhados por campos eltricos que se propagam na superfcie, dando origem ao sinal de
EEG que captado sobre o escalpo.



Figura 2.4 Eletro-gnese do potencial cortical.


2.3 CARACTERSTICAS DO SINAL DE EEG
A descoberta da atividade eltrica cerebral humana deu-se em 1875 por Caton.
Acreditava-se que essa atividade apenas poderia ser medida sobre a membrana que recobre o
crebro, o crtex, mas devido ao trabalho pioneiro de Berger em 1929-1932 (BERGER, 19
29), tornou-se possvel registrar a atividade eltrica cerebral por meio de eletrodos
posicionados externamente sobre o crnio intacto, evitando-se assim um processo invasivo,
ou seja, cirrgico. Este registro, o EEG, tem mostrado ser um mtodo muito til para
pesquisas sobre estado funcional do crebro e no diagnstico de danos e distrbios funcionais.


23
Em seu trabalho, Berger fez uma completa e extensiva investigao das caractersticas
e propriedades do EEG. Naturalmente suas observaes eram baseadas no que podia ser visto
nos traos de EEG gravados em papel. Logo ficou bvio que o contedo de freqncia deste
sinal era de importncia crucial para a avaliao do EEG. Berger introduziu uma
nomenclatura para diferentes componentes no traado do EEG que ainda so usadas na
descrio clnica tradicional de um EEG. As formas de onda so classificadas de acordo com
sua freqncia, amplitude e forma de onda, assim como pela localizao dos eletrodos no
escalpo onde est ocorrendo a gravao do sinal.
Os registros dos sinais eltricos no escalpo indicam que a atividade eltrica no crebro
ocorre continuamente, e que a intensidade e o ritmo destes sinais dependem do nvel global de
excitao do crebro (COSTA, 1994). Ao contrrio de outros sinais bioeltricos como o
eletrocardiograma (ECG), o registro eletroencefalogrfico caracterizado por uma aparente
irregularidade. Contudo, existem vrias atividades distintas de funcionamento cerebral normal
que foram identificadas, estas atividades receberam a designao de ritmo. Na tabela 2.1 h a
designao de cada uma delas e sua respectiva faixa de freqncia.

Tabela 2.1: Ritmos caractersticos do sinal de EEG.
Ritmo Frequencia(Hz) Comentrios
Alfa () 8 - 13
Occipital, associado com indivduo desperto e relaxado, mais intenso
com os olhos fechados.
Beta () 14 - 30
Mais evidente nas derivaes frontais-parietais; melhor observado
com alfa bloqueado.
Delta () 1 3
Presente em crianas com menos de 1 ano; durante sono normal; em
doenas do crebro; em anestesia profunda.
Theta () 4 7
Predominante em crianas dos 2 aos 5 anos; mais evidentes nas
derivaes parietais-temporais.




24
2.4 COMPONENTES DO SINAL DE EEG
Em termos gerais a atividade de EEG pode ser dividida em ritmos regulares e eventos
paroxsmicos. Eventos paroxsmicos so definidos (KELLAWAY, 1973) como um
aparecimento sbito de uma freqncia no previamente presente ou minimamente presente
com ou sem um aumento sbito em voltagem. Paroxismos mudam em voltagem, ou
freqncia, ou ambos. Podem envolver eventos de onda-nica, trens de onda, ou transitrios.
Como os eventos paroxsmicos so freqentemente, com algumas excees notveis, vistos
em sono e como vrias formas de artefatos, achados anormais considerados, importante que
os sistemas de anlise automticos prestem ateno adequada separao e descoberta do
paroxismo. A seguir encontra-se uma breve discusso sobre as formas de onda diferentes e as
condies onde elas aparecem em adultos.
2.4.1 Atividade alfa
um dos ritmos mais importantes nos estudos de viglia, embora haja variao
significante na quantidade de ondas alfa entre indivduos no domnio normal. Freqentemente
o ritmo alfa claramente visvel nos canais occipitais do EEG, quando os olhos esto
fechados enquanto o indivduo est acordado. Alm de em viglia, a atividade alfa tambm
est presente em fases 1 e REM do sono, porm sua freqncia um pouco inferior, mas sua
proporo progressivamente diminui para as fases de sono mais fundas.

Figura 2.5 Ritmo Alfa (BERNARDI, 1999).




25
2.4.2 Atividade beta
Como acontece com a atividade alfa, a variao interindividual da atividade beta na
faixa de freqncia superior a 17.0 Hz (ou acima de 15 Hz) proeminente (HASAN, 1983). A
atividade beta no usada como um parmetro visual para o estagiamento do sono. Uma
explicao para isto o fato que nenhum pico de atividade beta significativo ser encontrado
durante fases de sono diferentes. A faixa de freqncia do ritmo beta, porm, importante por
ser o nico descritor do sono em EEG que permanece constante com idade crescente. Sendo
assim, aumentou-se o interesse nesse enfoque pelos projetistas de sistemas automticos.


Figura 2.6 Ritmo Beta (BERNARDI, 1999).
2.4.3 Atividade delta
Embora possa ser encontrada em todos os nveis de vigilncia, a atividade delta cresce
quando o indivduo passa para as fases de sono mais fundas que comeam na fase 2 e est
presente em mais de 50% do tempo na fase 4. Maiores informaes sobre a nomenclatura e
fases do sono podem ser encontradas em (RECHTSCHAFFEN, 1968).


Figura 2.7 Ritmo delta (BERNARDI, 1999).


26
2.4.4 Atividade theta
As ondas dente de serra presentes no sono REM (movimento rpido de olhos) esto
dentro da faixa da atividade theta, mas os valores determinsticos destas ondas geralmente
no so muito altos, porque um fenmeno comum em fases de sono leve. A faixa freqncia
4.0-7.0 Hz usada em anlise de perodo, porm, utilizada como critrio parcial de
separao da viglia dos outros estgios do sono.

Figura 2.8 Ritmo Theta (BERNARDI, 1999).
2.4.5 Atividade sigma ou beta 1
Atividade Sigma na faixa de freqncia de 13.0 a 17.0 Hz (ou 12.0 - 14.0 Hz)
freqentemente chamada de atividade beta 1. Embora os fusos sigma (surtos rtmicos nesta
faixa de freqncia) sejam talvez o indicador mais importante da fase 2 do sono
(RECHTSCHAFFEN, 1968), sua existncia em uma certa parte de gravao no exclui outras
fases de sono, porque eles tambm podem estar presentes nas fases 3 e 4. Alguns estudos
indicam que o nmero de fusos diminui ao final da noite, mas isto provavelmente pode ser
explicado pelo fato que a proporo de sono de REM (onde no so achados fusos) aumenta
simultaneamente.

Figura 2.9 Ritmo Sigma ou Beta 1 (BERNARDI, 1999).


27
2.4.6 Complexo K
bastante difcil de definir os complexos K exatamente e, ento a sua descoberta
automtica tambm freqentemente falha, pois os detectores falham ao separar os complexos
K de ondas delta. A definio em (RECHTSCHAFFEN, 1968) "Complexos K so... formas
de onda que tm um negativo bem delineado, onda afiada que seguida imediatamente por
um componente positivo". A durao total do complexo K no deveria exceder 0.5 segundos.
Como no conhecido se complexos K e ondas delta representam o mesmo ou fenmenos
diferentes, tentar separ-los automaticamente pode se mostrar uma tarefa intil.
2.4.7 Espculas isoladas
A definio de uma espcula epilptica por Chatrian (CHATRIAN, 1974) diz que uma
espcula um transitrio, claramente distinguido de atividade de fundo, com um pico
pontiagudo a velocidades de papel convencionais e uma durao de 20 a 70 ms. Esta
definio tambm poderia incluir as denominadas "ondas afiadas" que s vezes so
mencionadas separadamente. As ondas afiadas so s distintas por sua durao mais longa,
que esto entre 70 e 200 ms. Celestia (CELESTIA, 1976) estudou 600 espculas em 100
pacientes epilpticos e achou que 88% das espculas eram negativas, 98% deles eram pelo
menos 30% maior em amplitude que o fundo e que 75% foram seguidos por uma "onda lenta"
que dura 130 a 200 ms. Durao mdia de uma espcula de 45 ms de uma faixa que vai de 9
a 200 ms. Um exemplo de uma espcula interictal pode ser vista na Figura 2.10.




28

Figura 2.10 Espcula isolada (BERNARDI, 1999).
2.4.8 Complexo espcula-onda
O complexo espcula-onda, consiste de uma (usualmente bipolar) espcula e uma onda
na faixa de freqncia de 1.8 a 4.5 Hz, ou uma seqncia de combinao de ambas. Seu
aparecimento no EEG normalmente coincide com a observao de uma ausncia notvel no
paciente, mas isto no precisa ser o caso essencialmente. A relao entre a espcula e a onda
no precisa; s vezes a espcula achada movida em cima da onda. A forma de onda desses
complexos pode variar em diferentes estgios de sono e viglia.


Figura 2.11 Complexo Espcula-onda (BERNARDI, 1999).
2.4.9 Fatores que podem influenciar os sinais de EEG
Observa-se que o aparecimento de sinais de EEG depende da localizao dos eletrodos
no crnio e do estado de vigilncia. Porm, muitos outros fatores so conhecidos por
influenciar o carter dos sinais registrados. Eles podem ser resumidos a seguir:
* Idade do indivduo;
* Regio do crebro onde feita a captao do sinal;


29
* Estado mental do indivduo (grau de viglia, nvel de vigilncia);
* Fatores hereditrios;
* Influncias no crebro (drogas, perturbaes funcionais, doenas, etc.);
* Perturbaes (artefatos) que podem ser tcnicas (isto , causadas pelo equipamento
gravador ou ambiente) ou biolgicas (isto , produzidas pelo indivduo, como a
atividade muscular do escalpo, pulsaes arteriais, movimentos de olho, sinais do
corao).
Os primeiros quatro fatores de influncias so de interesse no EEG, j que esto
presentes sob circunstncias normais, o que implica que o conceito de "EEG normal" cobre
sinais com caractersticas muito diferentes.
O EEG normal de um adulto em um estado de viglia e relaxamento muscular,
normalmente dominado pela atividade rtmica da banda alfa, enquanto que as contribuies
de delta e theta so arrtmicas e muito menores. A atividade beta normalmente aparece, mas
no especialmente proeminente e mostra amplitudes muito mais baixas que a atividade alfa.
Mudanas no estado de vigilncia influenciam o sinal de EEG consideravelmente, e
assim tais mudanas podem ser caracterizadas em estgios de sono. O EEG tem um
aparecimento caracterstico para cada estgio do sono, portanto possui um papel importante
nas pesquisas relacionadas aos distrbios do sono.
A idade da pessoa um outro fator crucial. Em crianas, a aparncia do EEG bem
diferente da de adultos. Em geral pode-se dizer que quanto menor a idade, maior a quantidade
de atividades de baixa-freqncia. O EEG modifica-se gradualmente durante a infncia e o
perodo juvenil e no adquire seu carter de adulto at a idade de 15-20 anos. Alm disso,
possvel encontrar grandes variaes nas caractersticas bsicas do sinal de EEG entre
indivduos dentro de uma populao normal.


30
A maioria das doenas, danos e perturbaes funcionais que, principalmente ou
secundariamente, afetam o crebro tambm influenciam no EEG. Em geral o contedo de
freqncias do sinal de EEG deslocado para freqncias mais baixas. Um dano cerebral
mais severo causa uma atividade de mais baixa freqncia. Atravs do registro simultneo do
EEG de partes diferentes do crebro, isto , de regies diferentes do crnio, possvel
descobrir uma perturbao funcional no crebro e julgar seu grau de severidade, localizao, e
expanso. Estas concluses so baseadas nos contedos de freqncia dos sinais de EEG.
Neste contexto, importante ressaltar que muitas mudanas no EEG no so
especficas a um certo tipo de dano. Diferentes danos e doenas, por exemplo, tumores,
hemorragias, tromboses, e inflamaes, causam essencialmente o mesmo tipo de mudanas no
EEG. Alm disso, o mesmo tipo de dano pode afetar o EEG de modos diferentes, devido a
variaes individuais.

2.5 CONSIDERAES SOBRE O EEG
O sinal eltrico presente na superfcie do escalpo captado atravs de eletrodos que
so fixados no couro cabeludo por meio de uma pasta eletroltica condutora, em uma
disposio mundialmente aceita como sendo a do Sistema Internacional de Posicionamento
10-20, ilustrado na figura 2.13 (BERNARDI, 1999).


31

Figura 2.12 Colocao dos eletrodos para a aquisio do EEG, de acordo com o
sistema internacional de Posicionamento 10-20 (BERNADI, 1999).

A atividade dos eltrodos registrada de 10 a 30 minutos por meio de um registrador
multicanal variando entre 8 e 20 canais permitindo uma pesquisa simultnea da atividade
eltrica em partes diferentes do crebro. Normalmente o registro feito com o paciente
acordado e em repouso, mas freqentemente so usadas condies como sono,
hiperventilao, e estimulao atravs de flashes de luzes para revelar atividades
intermitentes como epilepsia ou outro mau funcionamento temporrio do crebro. Durante a
rotina clnica habitual, divergncias desta faixa "normal" so anotadas como "anormalidades".
O EEG tambm usado para monitorar operaes que direta ou indiretamente influenciam o
funcionamento do crebro, como parar o fluxo de sangue para o crebro durante operaes de
artrias do crebro ou para localizar reas epilpticas no crebro durante operaes
neurocirrgicas. Este ltimo procedimento normalmente chamado de EletroCorticoGrafia
(ECoG), pois neste caso o EEG registrado diretamente do crtex cerebral. Como exemplo
de aplicao do EEG possvel citar a investigao da influncia de drogas, e mais
recentemente foi usado para o estudo do efeito da poluio ambiental em seres humanos
(BERNARDI, 1999).


32
A quantidade de informao apresentada ao neurofisiologista enorme, e a sua
habilidade para descobrir padres especiais, mudanas e diferenas esto bastante limitadas.
Longas experincias e testes especficos mostraram claramente que aquela avaliao visual
envolve elementos fortemente subjetivos. Um exemplo tpico quando a atividade delta e
theta so mascaradas na presena de atividade alfa intensa com variabilidade alta, isto , um
pico espectral largo. Apesar da padronizao internacional, falta interpretao visual
preciso e objetividade que o profissional gostaria de ter. Conseqentemente, no
surpreendente que vm sendo feitas muitas tentativas para desenvolver mtodos objetivos
para quantificar gravaes de EEG. Alguns desses mtodos esto baseados numa anlise
estatstica dos sinais, enquanto outros vm sendo testados para encontrar e caracterizar formas
de onda especficas.
No princpio, a implementao era feita por meio de tcnicas analgicas que
envolviam elementos como filtros, amplificadores e detectores, mas ultimamente tcnicas
digitais vm sendo cada vez mais utilizadas. Ao mesmo tempo, as tcnicas de processamento
de sinais mais robustas tm influenciado enormemente este estudo.
O propsito primrio de todos os mtodos de anlise fornecer ao neurofisiologista
informaes que complementaro a avaliao visual e conseqentemente iro melhorar o seu
julgamento. Um procedimento, um pouco idealizado, pode ser descrito em trs passos.
Primeiramente, so selecionadas sees apropriadas de uma gravao para anlise adicional,
ou atravs de separao visual ou por procedimentos automticos baseado em algoritmos de
teste. Isto envolve eliminao de sees contaminadas por artefatos e rudos. Um segundo
passo inclui a extrao de caractersticas especficas do processo relevantes para o propsito
de anlise. Pode-se achar descries boas da atividade de fundo do EEG ou descobrir eventos
especficos e formas de ondas especficas, como espculas e ondas agudas. O passo final
classificar sees de gravaes de EEG e identificar o conjunto apropriado de classes. Isto


33
aponta freqentemente a ordenar EEG normal de forma singular e excluir sees
desinteressantes de registros de longa durao. O propsito tambm pode ser identificar os
estados funcionais do crebro, como em uma anlise dos estgios do sono.

2.6 PROCESSO DE CAPTAO DO SINAL ELTRICO
Os eletrodos so construdos de ligas especiais (prata, ouro, chumbo) em um formato
circular cncavo em um de seus lados e variando de 5 a 10 mm de dimetro.
No processo de instalao dos eletrodos no escalpo h a formao de uma juno
metal-lquido e uma outra juno pele-eletrlito. Isso provoca um potencial de eletrodo, com
nvel DC que minimizado ao mximo por amplificadores diferenciais e capacitores do
circuito de amplificao. O nvel DC atinge valores de 0,1 a 1,7 V (bem maiores que os sinais
de EEG) e gerado basicamente por fatores intrnsecos tais como as impurezas no metal,
impurezas no gel, diferena de concentrao no gel, temperatura e sudorese.
Um problema a ser considerado durante a aquisio do EEG a impedncia de
eletrodo. Considerando a impedncia de entrada dos amplificadores na ordem de M, as
impedncias dos eletrodos no devem ultrapassar a 10K. O mtodo de se calcular a
impedncia dos eletrodos consiste em se aplicar uma corrente com intensidade conhecida I
(da ordem de A, 30Hz) ao mesmo e obter uma tenso V. Calculando V/I obtemos a
impedncia de eletrodos Z (BERNARDI, 1999).
Cada um dos canais de captao deve possuir um amplificador prprio. Um ponto
comum entre eles constitui a referncia para todos os amplificadores. Tal ponto pode ser a
referncia Central (Cz), a Biauricular (ponto mdio de A1 e A2) ou Laplaciana (uma mdia
em relao aos pontos centrais).


34
Aps a correta amplificao e condicionamento do sinal deve-se fazer a sua converso
analgica/digital. Dois parmetros devem ser observados durante este processo: a taxa de
amostragem e a preciso do conversor AD.
Observando o primeiro ponto acima, a discretizao do sinal deve ser feita numa taxa
de amostragem que obedea ao critrio de Nyquist (freqncia de amostragem deve ser maior
que duas vezes a maior freqncia do sinal). A taxa de amostragem deve ento ser duas vezes
maior que a maior freqncia de entrada. Quando este critrio no obedecido, ocorre o
chamado efeito Aliasing, e o sinal de sada completamente distorcido.
O segundo parmetro a preciso que, expressa em bits, representa quantos nveis de
voltagem o conversor analgico-digital pode distinguir. Assim, se o conversor possui 12 bits
de preciso, 4096 nveis de tenso podem ser representados. No caso em que uma preciso de
8 bits utilizada (256 nveis) para uma variao de voltagem de 512 V (ou 256 V) , a
cada 2 V um nvel de voltagem registrado. Se para os mesmos 8 bits a variao de
voltagem fosse de 1024 V, um nvel registrado a cada 8 V, ou seja, o passo (ou "erro")
seria de 8 V.
O erro de quantizao pode ser minimizado para aplicaes em EEG, escolhendo-se
corretamente o fator de amplificao do sinal, a faixa de entrada e a preciso do conversor
AD.


35
3 PROCESSAMENTO DOS SINAIS DE EEG
O crebro humano um sistema extremamente complexo que, por sua vez, gera sinais
eletroencefalogrficos complexos. Esta caracterstica do sinal de EEG e sua importncia nas
pesquisas sobre o funcionamento cerebral, assim como suas aplicaes clnicas, tornou
imprescindvel a introduo de mtodos de anlise de sinais nos estudos de EEG. Neste
captulo sero explicitadas algumas caractersticas dos sinais de EEG, bem como algumas
possibilidades de processamento digital.

3.1 CARACTERIZAO E PR-PROCESSAMENTO DOS SINAIS
Os sinais biomdicos constituem uma classe especial de sinais que contm informao
a respeito de sistemas biolgicos. O processamento de sinais biomdicos apresenta problemas
tpicos, derivados da complexidade do sistema de origem, o corpo humano, e da necessidade
de realizar medidas indiretas no invasivas, na maior parte das aplicaes, como ocorre com
os sinais de EEG. Para selecionar a melhor alternativa de processamento deve-se conhecer as
condies de aquisio do sinal de interesse, as caractersticas bsicas desse sinal e qual o
objetivo final do processamento, ou seja, qual a informao desejada. O sinal biomdico de
interesse neste trabalho est agrupado na classe dos sinais bioeltricos, pois gerado pela
atividade nervosa e sua fonte so os potenciais da membrana celular.
Os sinais podem ser divididos genericamente em contnuos e discretos. Os sinais
bioeltricos so contnuos na sua grande maioria. Todavia, dada a existncia de grande
nmero de tcnicas para processamento de sinais discretos derivados do avano
computacional digital, geralmente esses sinais contnuos so amostrados e transformam-se em
discretos.


36
Outra forma de classificao dos sinais bioeltricos coloca-os em dois grandes grupos:
determinsticos e estocsticos, ver figura 3.1. Os sinais determinsticos so aqueles que podem
ser descritos por meio de tcnicas matemticas ou grficas. Os sinais bioeltricos reais nunca
so determinsticos, pois sempre existiro rudos e mudanas de parmetros no previsveis,
derivados de mudanas do prprio sistema biolgico sob anlise (CAMPELO, 2003). Apesar
disso, comum aproximar ou modelar um sinal estocstico (no determinstico) usando
funes determinsticas. Conforme pode ser observado na figura 3.1, os sinais determinsticos
so subdivididos em peridicos e no peridicos. Nos primeiros existe uma determinada
forma de onda com durao T, que se repete indefinidamente pelo tempo. O sinal pode ser
expresso por:
X(t) = x(t+nT) (3.1)
onde n um inteiro.
Muitas funes determinsticas no so peridicas e podem ser subdivididas como
quase-peridicas e transientes. Freqentemente durante a anlise de sinais bioeltricos,
funes no peridicas so consideradas quase-peridicas ou mesmo peridicas complexas.
Figura 3.1 Classificao dos sinais bioeltricos de acordo com suas caractersticas
(CAMPELO, 2003).
Sinal
Determinstico Estocstico
Peridico No-peridico Estacionrio No-estacionrio
Sinusoidal
Complexo
Quase-peridico
Transiente
Ergdico
No-ergdico
Especial


37
O segundo ramo principal da figura 3.1 evidencia os sinais estocsticos, de maior
interesse para a anlise de biopotenciais, principalmente EEG (LOPES, 1987). Um sinal
estocstico aquele proveniente de um processo estocstico, que no pode ser expresso
matematicamente de forma exata. A descrio de um sinal estocstico baseia-se nas suas
propriedades estatsticas. O sinal de EEG pose ser considerado como realizao de um
processo estocstico, uma vez que as caractersticas temporais do sinal so imprevisveis.
Vrios pesquisadores provaram que o EEG no tem natureza necessariamente randmica, mas
apresenta um grau de complexidade to grande que a anlise por ferramentas estatsticas
conveniente (CAMPELO, 2003). Um processo estocstico estacionrio aquele no qual os
parmetros estatsticos no variam no tempo. Se um determinado processo estacionrio gerar
uma srie de dados x(1), x(2), ... , x(n), a mdia, o desvio padro e a varincia calculados a
partir desses dados sero os mesmos para uma medida futura e tero sido os mesmos para
uma passada. Isto , o fator tempo no altera os parmetros. Mais rigorosamente, necessrio
que a distribuio conjunta de valores sucessivos do sinal seja constante e que a funo de
correlao do processo no varie durante o tempo em que a funo calculada. Mdia e
funo auto-correlao constantes so requisitos suficientes para classificar um sinal como
fracamente estacionrio, o que permite executar uma srie de anlises sobre sinais
bioeltricos. Processos realmente estacionrios so aqueles nos quais os momentos de ordem
mais alta permanecem constantes. Um processo estocstico, estacionrio e ergdico aquele
no qual as distribuies de probabilidades estatsticas de medidas sucessivas (pocas) so
iguais distribuio da mdia de todas as medidas.
Devido ao grande desenvolvimento dos sistemas digitais para a computao de dados,
os mtodos digitais ganharam preferncia, de forma que sinais contnuos so discretizados
antes de sofrer anlise.


38
Aps o sinal ter sido amostrado, o que existe na memria do sistema digital uma
seqncia de valores discretos, que podem se manipulados matematicamente. Mediante a
execuo de algoritmos especficos possvel realizar a extrao de caractersticas prprias
do sinal, analisar correlao entre sinais ou mesmo modific-los. As operaes de
processamento digital mais empregadas sobre sinais so a filtragem, aplicao de janelas
temporais, anlise espectral auto regressiva ou baseada na Transformada Rpida de Fourier
(FFT), anlise de correlao e anlise de coerncia.

3.2 TRANSFORAMADA DE FOURIER
No sculo XIX, o matemtico francs Jean B. Fourier mostrou que qualquer funo
peridica pode ser expressa como uma soma infinita de funes peridicas exponenciais
complexas.
O objetivo da Transformada de Fourier (FT) decompor um sinal complexo em um
conjunto de sinais senoidais bem localizados na freqncia. Desta forma, pode-se verificar a
quantidade de energia que o sinal possui distribuda nas diversas componentes de freqncia.
Muitos sinais bioeltricos possuem caractersticas no estacionrias, tais como os
sinais ECG, sinais de voz, sinais de EEG, dentre outros (AKAY, 1998). A anlise do sinal
utilizando-se a FT mais adequada para anlise de sinais estacionrios (BENDAT, 1986). Ao
aplicar-se a FT a um sinal, a informao de tempo perdida e apenas a informao de
freqncia est presente. A FT definida como:
( )

= = dt e t x t x F f X
t f j . . . 2 .
. )] ( [ ) (

(3.2)
o que a soma para todo o tempo do sinal x(t) multiplicado por uma exponencial
complexa.


39
Sabe-se que a FT ineficiente para representar eventos transientes em um sinal, j que
no capaz de discriminar os instantes em que ocorrem, isto , a FT no adequada a sinais
no estacionrios (sinais que tm um espectro de freqncia varivel no tempo), como o sinal
de EEG. Gabor em 1946 props, para resolver este problema, analisar o sinal em janelas, ou
seja, aplicar a FT em pequenos trechos que possam ser considerados quase-estacionrios. Isto
ficou conhecido na literatura como Transformada de Gabor, ou como Short Time Fourier
Transform (STFT), produzindo assim o espectograma. A equao da STFT descrita abaixo:
( )


= dt e t g t x f STFT
t f j . . . 2 .
). ( . ) , (

(3.3)
Entretanto, a STFT limitada devido interdependncia entre resolues no tempo e
em freqncia. Esta Transformada fornece a informao de quando e em qual freqncia
ocorreu um evento no sinal. Contudo, esta informao tem preciso limitada pelo tamanho da
janela. Uma vez escolhido o tamanho da janela, este ser o mesmo para todas as freqncias.
Uma janela muito estreita resulta em uma boa resoluo temporal. Mas um trecho estreito
(janela estreita) tem associado no espectro uma funo com lbulo principal largo, o que
reduz a resoluo entre freqncias contnuas.
Existem muitos sinais bioeltricos que possuem informaes importantes localizadas
na freqncia. E isso no pode ser feito simultaneamente, no tempo e na freqncia, pela FT e
pela STFT.

3.3 TRANSFORAMADA DE COSENO
A Transformada de Coseno (CT) uma tcnica que converte um sinal em suas
componentes elementares de freqncia. De forma similar a FT, a CT transforma o sinal no
domnio tempo para o domnio freqncia, mas usando somente nmeros reais.


40
Apesar da maior dificuldade de aplicao com relao FT, a CT vem sendo utilizada
com sucesso em muitas aplicaes, tais como na transformao de domnio, anlise espectral
de seqncias finitas de nmeros reais, determinao de valores limites e compresso de
sinais. As verses discretas da CT tm sido usadas no processamento digital de sinais,
especialmente em algoritmos de compresso de imagem (CAMPELO, 2003). Como a
Transformada Discreta de Fourier (DFT), a Transformada Discreta de Coseno (DCT) fornece
informaes sobre o sinal no domnio da freqncia, entretanto, diferentemente daquela, a
DCT de um sinal real um valor real (PORAT, 1997). A transformao linear, ento,
podemos express-la na forma matriz-vetor.
A adequabilidade de uma dada transformada para uma compresso de sinais, por
exemplo, depende da eficincia com a qual esta pode empacotar a energia de um sinal em um
escolhido nmero de coeficientes de transformao. Ao contrrio da DFT, a DCT fornece
uma melhor aproximao do sinal com um menor nmero de coeficientes. Uma excelente
anlise da DCT, transformadas relacionadas e suas aplicaes podem ser encontradas em
(TSAI, 1996).
No desenvolvimento da DFT, o sinal de tamanho finito estendido periodicamente a
fim de ser analisado. Para a DCT, alm da periodicidade, h uma simetria par entre as
extenses peridicas do sinal. H pelo menos quatro maneiras possveis de realizar-se essa
periodicidade simtrica, e cada maneira est associada a um tipo de DCT (PORAT, 1997),
(OPPENHEIM 1989). A diferena entre cada maneira o nmero total de pontos da
seqncia resultante e os pontos de simetria.
Mtodos tradicionais de anlise de sinal baseados na FT, como a CT, detectam a
variao de freqncias de um sinal, mas no geram a informao sobre a localizao espacial
destas, uma vez que estas tcnicas consideram que o sinal peridico.


41
A Transformada Wavelet (WT) supre estas falhas presentes na abordagem da FT e da
CT para anlise de sinais no peridicos, pois as wavelets so funes que decompem os
sinais em diferentes resolues.
Enquanto a FT utiliza senides complexas como funes base para a decomposio, a
WT no possui apenas uma funo base, e sim uma classe delas, desde que a mesma seja
ortonormal. Todas as classes de wavelets obedecem aos requisitos de localizao tempo-
freqncia do sinal, onde cada funo possui caractersticas prprias, que implicam numa
melhor ou pior distino das freqncias analisadas e a localizao destas.

3.4 TRANSFORAMADA DE WAVELETS
A teoria que suporta a WT foi formalizada em 1984 com o nome inicial de Ondelettes
(CAMPELO, 2003). Surgiu como uma alternativa STFT para anlise tempo - freqncia,
objetivando a superao da limitao de janela fixa existente na STFT, utilizando uma tcnica
de janelamento varivel, ou seja, a janela deslizante de tempo utilizada pela WT apresenta a
capacidade de mudar a sua largura conforme a banda de freqncia que est sendo analisada.
Atravs da Transformada Wavelet possvel analisar um sinal em diversas escalas (CHUI,
1992), (MALLAT, 1989). Produziu-se assim o escalograma, ou seja, diferente da anlise de
Fourier que usa a regio tempo - freqncia, este usa a regio tempo escala. Assim, a grande
vantagem da anlise Wavelet a habilidade de analisar uma rea localizada de um sinal, ou
seja, ela detecta a variao das freqncias presentes no sinal e a localizao destas
(CASTLEMAN ,1996).
Apesar da anlise wavelet ser um mtodo novo, Alfred Haar j havia utilizado este
conceito em seu trabalho de tese, hoje conhecida por wavelet Haar (STRANG, 1996). Em sua
forma terica atual, o conceito de Wavelet, foi primeiramente proposto por Jean Morlet do


42
Centro de Fsica Terica de Marseille, Frana. Atualmente, a anlise wavelet tem sido
estudada principalmente por Yves Meyer e sua equipe. O principal algoritmo devido a
Stephane Mallat de 1988. Desde ento, a pesquisa sobre wavelets tem se difundido
internacionalmente.
As funes wavelets mais conhecidas so: Haar, a primeira e a mais simples de todas
as funes wavelet; Daubechies, que so compactadamente suportadas e adequadas anlise
wavelet discreta; Symlet, uma simplificao das wavelets Daubechies; Coiflet; Biortogonal,
famlia de wavelets que exibe a propriedade de fase linear, portanto adequada ao
processamento de sinais; Meyer; Battle-Lemarie; Chapu Mexicano e Morlet (CUSTDIO,
1999).
Ao contrrio da FT e da CT, o ncleo da WT no especificado na sua definio
porque a wavelet pode ser qualquer funo matemtica que atenda a determinados critrios.
Podem ser usadas as vrias bases desenvolvidas nos ltimos anos, ou mesmo criar-se uma
base nova para uma determinada aplicao.
Para servir como wavelet, uma funo deve satisfazer a duas condies:
admissibilidade, expressa matematicamente pela equao (3.4), (o que implica a funo
apresentar alguma oscilao), e que tenha energia finita, expressa pela equao (3.5). Uma
terceira condio a de regularidade, ou seja, as wavelets devem possuir decaimento
exponencial, de modo que seus momentos das n+1 primeiras ordens sejam iguais a zero.
( ) 0 =


dt t (3.4)
( ) < =


M dt t
2
(3.5)
Ou seja, as funes wavelets so tipicamente funes pares oscilatrias atenuadas
exponencialmente at a amplitude zero nas extremidades e com largura e amplitudes variadas
(CAMPELO, 2003).


43
Como j foi mencionado anteriormente, a WT apresenta vantagens sobre outras
transformadas por apresentar uma boa resoluo tanto no domnio da freqncia quanto no
espacial-temporal. Isso quer dizer que ela capaz de localizar descontinuidades no tempo ou
espao, bem como distinguir diferentes componentes de freqncia do sinal (BENTLEY,
1994).
O clculo dos coeficientes de todas as possveis escalas requer um enorme esforo
computacional e gera informao redundante. A Transformada Wavelet Contnua de um sinal
de uma dimenso gera uma representao de duas dimenses no espao tempo-escala.
Uma forma de reduzir este esforo computacional a utilizao de parmetros de
escalonamento e translao discretos. A esta anlise d-se o nome de Discrete Wavelet
Transform (DWT) ou transformada Wavelet Discreta.
A DWT definida abaixo (BURROS, 1997), onde ) (n f uma funo discreta:
) ( ) ( ) , ( ) , (
,
n n f k j C b a C
Z n
k j

= = (3.6)
k j ,
uma wavelet discreta definida como:
) 2 ( 2 ) (
2 /
,
k n n
j j
k j
=

(3.7)
Os parmetros a,b so definidos de tal modo que k b a
j j
2 , 2 = = .
No caso da transformada wavelet discreta (DWT), alm da funo wavelet, usa-se uma
base de funes ( ) x
m
, chamada funo de escalonamento (scaling function), em um dado
nvel de detalhe m (ou dilatao). Assim, podemos decompor um sinal qualquer em termos da
( ) x
m
e ( ) x
m
, uma vez que uma condio necessria que essas funes sejam ortogonais
entre si e tambm dentro da mesma famlia ( ( ) x
m
ortogonal a ( ) x
n
se mn). Em
(MALLAT, 1989), demonstra-se a relao entre esse modelo matemtico e um banco de
filtros passa-baixas e passa-altas, mostrando ainda, que podemos decompor um sinal at um


44
certo nvel de resoluo e reconstru-lo a partir desses bancos de filtros. Este mtodo
conhecido na literatura como anlise Multiresoluo.
Enquanto a STFT mapeia o sinal de interesse no domnio tempo - freqncia, atravs
de um espectograma com distribuio uniforme, a WT apresenta distribuio no-uniforme,
permitindo analisar o sinal com diferentes nveis de detalhamento.



45
4 REDES NEURAIS ARTIFICIAIS
As redes neurais artificiais surgiram a partir do interesse de pesquisadores no
funcionamento do crebro humano, o sistema mais flexvel at hoje conhecido para
processamento de informao. Ainda que o uso das ANNs esteja em expanso, a sua
aplicao na medicina um fenmeno recente e muitas aplicaes esto sendo desenvolvidas.
Dada a fora das ANNs em tarefas que envolvam reconhecimento de padres, as aplicaes
clnicas das ANNs esto em fase de grande avano. As ANNs so usadas em pesquisas para
diagnstico de demncias, infarto do miocrdio, desordens psiquitricas, embolismo
pulmonar agudo, dentre outras (WEI, 1998).
A habilidade de uma ANN em aprender por exemplos, sua habilidade em reproduzir
arbitrariamente funes de entrada no-linear, e a estrutura regular e altamente paralela de
uma ANN fazem dela uma especialista adequada na tarefa de classificao.
Dependendo do tipo de problema ao qual so submetidas, as ANNs tm apresentado
um desempenho considerado superior aos mtodos estatsticos utilizados para o mesmo fim
(FALAS, 1995). Na pesquisa desenvolvida por (SUBRAMANIAN, 1993) comparou-se as
ANNs com determinados mtodos estatsticos de classificao. Concluiu-se que para as
diversas circunstncias estudadas, incluindo pequenos tamanhos de amostras e funes de
maior complexidade, que as ANNs apresentaram um melhor desempenho de classificao.

4.1 O QUE UMA REDE NEURAL ARTIFICIAL?
Uma Rede Neural Artificial (ANN) de acordo com (WEI, 1998) um modelo no-
linear, computacional e matemtico, para processamento de informaes, com arquiteturas
inspiradas na organizao neuronal. Elas fazem uma representao distribuda da
informao na forma de conexes entre um grande nmero de elementos simples, ou


46
neurnios artificiais. Todos estes elementos realizam operacionalmente a mesma funo,
como ser visto adiante, que executar a soma ponderada de suas entradas e executar uma
transformao (linear ou no-linear) sobre este valor.
A grande vantagem do uso das ANNs para a soluo de problemas complexos provm
de algumas propriedades e capacidades teis descritas a seguir, de acordo com (HAYKIN,
2001):
* Aprendizagem: a habilidade da ANN de aprender acerca de seu ambiente
atravs de um processo interativo de ajustes aplicados aos seus parmetros livres (ex: pesos
sinpticos);
* Generalizao: Corresponde ao fato da ANN apresentar uma sada adequada
para uma entrada no presente no processo de aprendizagem;
* No-linearidade: Uma ANN no-linear se esta for composta de neurnios
artificiais tambm no-lineares. Esta uma caracterstica importante, pois a maioria dos
sistemas fsicos responsveis pela gerao dos sinais de entrada para a rede neural so no-
linares;
* Adaptabilidade: a capacidade que as ANNs possuem de adaptar seus pesos
sinpticos perante modificaes do meio ambiente, ou seja, uma ANN treinada para operar
em um ambiente especfico pode ser facilmente re-treinada para absorver pequenas alteraes
no ambiente;
* Tolerncia a Falhas: O conhecimento distribudo pela ANN, desta forma,
uma parte das conexes da ANN pode estar inoperante, sem que haja mudanas significativas
no desempenho da rede;
* Resposta a Evidncias: Em sua utilizao como classificadora de padres, uma
ANN pode fornecer, em sua sada, no somente a informao relativa a qual conjunto a


47
entrada pertence, mas tambm uma informao sobre a confiana no resultado. Desta forma,
pode se utilizar destas informaes para rejeitar padres ambguos.
Estas caractersticas dotam as ANNs da capacidade de resolver problemas complexos
que no podem ser resolvidos da forma tradicional. o caso da tarefa de classificao de
padres, na qual deseja-se atribuir uma entre vrias classes pr-definidas para um
determinado sinal de entrada (representado um objeto fsico ou um evento) do qual no se
conhece seu modelo estatstico.

4.2 MODELO DE UM NEURNIO ARTIFICIAL
Os elementos processadores de uma ANN, os neurnios artificiais, funcionam
basicamente como elementos integradores. O neurnio artificial tem como funo coletar
sinais advindos de outros neurnios, ou mesmo sinais de entrada da rede, ponderar os dados
atravs de pesos especficos e repassar estes dados para outros neurnios ou para a sada da
rede.O esquema de neurnio artificial pode ser visualizado na figura 4.1.


Figura 4.1: Modelo geral do neurnio artificial (HAYKIN, 2001).


48
Com base na figura 4.1 possvel distinguir alguns elementos considerados
importantes na estrutura do neurnio:
Sinapses: So caracterizadas por um peso w, que pode representar a sua intensidade.
O papel do peso
kj
w multiplicar o sinal
j
x na entrada da sinapse j , conectada a um neurnio
k . O peso
kj
w positivo se a sinapse associada excitatria e negativo se a sinapse associada
inibitria;
Somatrio: Adiciona as entradas ponderadas pelos seus respectivos pesos, ou seja:

=
=
n
j
j kj k
x w u
1
(4.1)
Limiar (threshold,
k
): Tem um papel determinante na sada do neurnio. Sua funo
controlar a intensidade da funo de ativao para se obter o desempenho desejado da rede.
Se o valor de
k
u for menor que este limiar, ento, a sada do neurnio ficar inibida, em caso
contrrio, ficar ativa;
Funo de ativao: Funciona como um limitante amplitude da sada do neurnio,
ou seja, a entrada normalizada dentro de um intervalo fechado, geralmente [0, 1] ou [-1, 1];
Sada do neurnio: Representada por
k
y , sendo:
) (
k k k
u y = (4.2)
onde a funo de ativao.
A seguir so apresentadas algumas funes de ativao.






49
4.3 TIPOS DE FUNES DE ATIVAAO
Segundo (HAYKIN, 2001), existem trs tipos bsicos de funo de ativao utilizados
em ANNs, conforme podem ser vistas na Figura 4.2 e descritas a seguir:
Funo de limiar (a): Utilizada no neurnio de McCullochPitts, com a seguinte
definio:
= ) (v

0 , 0
0 , 1
v se
v se
(4.3)
Funo Linear por Partes (b): definida por:
= ) (v

> > +

2 / 1 , 0
2 / 1 2 / 1 ,
2 / 1 , 1
v se
v se v
v se

(4.4)
Funo Sigmide (c): a funo mais utilizada, definida por:
= ) (v
) . exp( 1
1
v +
(4.5)
onde o parmetro de inclinao da funo.
As funes de ativao acima descritas apresentam seu resultado em um intervalo
entre 0 e +1, no entanto, dependendo da aplicao, necessrio que este resultado fique entre
-1 e +1. Neste caso a funo de ativao utilizada deve ser mpar. Especificamente, para a
funo sigmide, sua correspondente mpar a funo tangente hiperblica.



50
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2
0
0.5
1
(a)

)
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2
0
0.5
1

)
-10 -8 -6 -4 -2 0 2 4 6 8 10
0
0.5
1
a=1
a=1/2
a=2

(b)
(c)

Figura 4.2: Funes de ativao mais utilizadas. (a) Funo Limiar. (b) Funo
Linear por partes. (c) Funo sigmide com parmetro de inclinao varivel.

4.4 TOPOLOGIAS DAS REDES NEURAIS ARTIFICIAIS
Basicamente, as vrias tolopologias das ANNs existentes, podem ser agrupadas em
duas classes:
* No-Recorrentes
* Recorrentes
As ANNs no-recorrentes no possuem realimentao de suas sadas para as entradas
e por isso so ditas tambm sem memria. A estrutura de ANNs ditas no-recorrentes so
em camadas, podendo estas ANNs serem formadas por uma ou mais camadas
(multicamadas).


51
As ANNs de uma s camada, tambm chamadas de perceptrons (HERTZ et. al.,
1991), no sero tratadas neste trabalho, por possurem um espectro limitado de
representaes. As ANNs multicamadas, por suprirem as deficincias das ANNs de uma
camada, so utilizadas neste trabalho e sero analisadas com mais detalhes no item 4.6.
As ANNs recorrentes contm realimentao das sadas para as entradas, sendo suas
sadas determinadas pelas entradas atuais e pelas sadas anteriores. Alm disso, suas estruturas
no so obrigatoriamente organizadas em camadas. Quando so, estas redes podem possuir
interligaes entre neurnios da mesma camada e entre camadas no consecutivas, gerando
interconexes bem mais complexas que as ANNs no-recorrentes.
Nas ANNs recorrentes os neurnios tm conexes com eles mesmos e com outros
neurnios, excitadores ou inibidores. Depois de um certo intercmbio de sinais os neurnios
que tm uma sada ativa ganham e permitem aos neurnios do seu mesmo grupo atualizar
seus pesos.

4.5 TIPOS DE TREINAMENTO
Segundo (HAYKIN, 2001), o aprendizado no contexto das ANNs pode ser definido
como:
Processo atravs do qual os parmetros livres de uma ANN so adaptados atravs
de um contnuo processo de estmulo pelo meio-ambiente. O tipo de aprendizado
determinado pela maneira atravs da qual a mudana dos parmetros efetivada.
Conseqentemente o processo de aprendizado implica na ocorrncia dos seguintes
eventos:
1. Ocorre estmulo pelo meio externo;
2. O estmulo provoca mudana nos parmetros da rede;


52
3. O comportamento da ANN muda em funo da mudana de parmetros.
Ao invs de especificar todos os detalhes de uma computao, tem-se a possibilidade
de treinar uma rede para fazer esta computao. Isto significa que se pode tratar problemas
onde regras apropriadas so muito difceis de se conhecer a priori.
O treinamento realizado pela aplicao seqencial dos vetores de entradas (e em
alguns casos tambm de sada), enquanto os pesos da rede so ajustados de acordo com um
procedimento de treinamento pr-determinado. Durante o treinamento, os pesos da rede
gradualmente convergem para determinados valores, de maneira tal que a aplicao dos
vetores de entrada produza as sadas necessrias. Os procedimentos que levam uma ANN a
aprender determinadas tarefas podem ser classificados em duas classes de treinamento:

* Supervisionado
* No-Supervisionado

O treinamento supervisionado necessita de um par de vetores composto do vetor de
entrada e do vetor alvo que se deseja como sada. Juntos, estes vetores so chamados de par
de treinamento
O procedimento de treinamento funciona da seguinte maneira: o vetor entrada
aplicado. A sada da rede calculada e comparada com o correspondente vetor alvo. O erro
encontrado ento realimentado atravs da rede e os pesos so atualizados de acordo com um
algoritmo determinado a fim de minimizar este erro. Este processo de treinamento repetido
at que se obtenha nveis baixos de erro.
Por sua vez, o treinamento no-supervisionado, no necessita de um vetor alvo para as
sadas e, obviamente, no faz comparaes para determinar a resposta ideal. O conjunto de
treinamento modifica os pesos da rede de forma a produzir sadas que sejam consistentes, isto


53
, tanto a apresentao de um dos vetores de treinamento, como a apresentao de um vetor
que suficientemente similar, iro produzir o mesmo padro de sadas. O processo de
treinamento extrai as propriedades estatsticas do conjunto de treinamento agrupa os vetores
similares em classes. A aplicao de um vetor de uma determinada classe entrada da rede ir
produzir um vetor de sada especfico, mas no existe maneira de se determinar, antes do
treinamento, qual o padro que ser produzido na sada para um vetor de entrada de uma
determinada classe.
No que diz respeito aos tipos de algoritmos usados, h uma grande variedade, tanto
para o treinamento supervisionado como para o no-supervisionado. Entre estes, um dos mais
difundidos o algoritmo utilizado neste trabalho, o backpropagation (retro-propagao).

4.6 REDES MULTILAYER PERCEPTRON
O perceptron de camada nica s capaz de classificar padres linearmente
separveis. Quando o problema a ser trabalhado envolve um alto grau de no-linearidade, faz-
se necessrio o uso de um perceptron multicamadas. Seu treinamento do tipo
supervisionado e utiliza um algoritmo muito popular chamado error backpropagation
(retro-propagao do erro). Este algoritmo baseado numa regra de aprendizagem que
corrige o erro durante o treinamento (HAYKIN, 2001). Geralmente, esta arquitetura
consiste em um conjunto de unidades sensoriais que formam uma camada de entrada, uma ou
mais camadas intermedirias (ou escondidas) de unidades computacionais e uma camada de
sada. Os sinais de entrada so propagados camada a camada pela rede em uma direo
positiva, ou seja, da entrada para a sada.
A camada de entrada utilizada para receber os dados de entrada da rede. Esta
camada, portanto, no realiza qualquer tipo de processamento, servindo apenas para receber e


54
armazenar o vetor de entrada, ou seja, o padro a ser classificado. O nmero de neurnios
desta camada pode ser obtido facilmente pelo nmero de componentes do vetor de entrada do
sistema.
A camada de sada tem o papel de coletar e armazenar as respostas da rede ao padro
inserido na entrada. Possui tambm uma estruturao relativamente simples, sendo composta
de tantos neurnios quantas forem as classes do problema.
Entre a camada de entrada e a de sada, podemos ter uma ou mais camadas ocultas,
assim denominadas por no possuir qualquer comunicao direta com os dados trabalhados.
A principal funo destas camadas a de propiciar complexidade e no-linearidade para a
rede. Redes sem camadas ocultas no conseguem resolver problemas no-lineares. A priori
no se conhece, um nmero timo de camadas ou de neurnios em camada, porm a escolha
desses parmetros muito importante e influencia diretamente o desempenho do sistema, pois
o tempo envolvido com o clculo da resposta e com o treinamento da rede aumenta
significativamente com o aumento do nmero de neurnios e conexes das camadas ocultas,
por outro lado, com muitas camadas ocultas ou com muitos neurnios nestas camadas. A
figura 4.3 apresenta uma estrutura de ANN do tipo perceptron de camada oculta.



55

Figura 4.3: Arquitetura de uma Multilayer Perceptron com duas camadas
intermedirias.

4.7 ALGORITMO DE APRENDIZADO PARA UMA REDE MULTILAYER PERCEPTRON
A regra de aprendizado utilizada para treinar uma rede Multilayer Perceptron
denominada Regra Delta Generalizada ou, mais comumente, backpropagation. Segundo
(HERTZ et al, 1991) o algoritmo backpropagation primordial para muitos trabalhos atuais
sobre aprendizado em redes neurais.
O treinamento utilizando esta regra consiste em fornecer rede um conjunto de pares
de entradas e sadas, onde a cada entrada do treinamento tem-se uma sada desejada. Este
algoritmo um mtodo de gradiente descendente, que no garante chegar ao mnimo erro
global, e que pode ser divido em 5 passos, (HAYKIN, 2001):
* Passo 1: Apresente um padro de entrada e sada desejada.
camadas intermedirias
camada de
sada
camada de
entrada
conexes


56
Utilizando uma determinada estratgia de apresentao coloque um dos padres de
entrada na camada de entrada e sada desejada nas suas respectivas camadas, ento ative o
passo calcule sada.
* Passo 2: Calcule sada
A partir da primeira camada, permita que cada camada produza os valores de sada at
atingir a camada de sada e, ento ative o passo ajuste pesos da camada de sada.
* Passo 3: Ajuste dos pesos da camada de sada
Para cada neurnio j da camada de sada, atualize todos os pesos
ij
w conforme
equao 4.6, ento ative o passo ajuste pesos das camadas escondidas.

i j ij
o w = (4.6)
onde:
: taxa de aprendizagem
i
o : sada do neurnio
j
: diferena (erro) entre a sada computada e a sada desejada do neurnio j , que
pode ser calculada segundo a equao 4.7 :
) 1 )( (
j j j j j
o o d o = (4.7)
onde:
j
d : sada desejada de
j
n
* Passo 4: Ajuste de pesos das camadas escondidas
Para ajustar os pesos de todas as camadas escondidas, atualize o peso
ki
w de um
neurnio
i
n de uma camada escondida que est ligado a outro
k
n na camada anterior conforme
a equao 4.8 :
i w
ki
/ =
k
o (4.8)
onde:


57
: taxa de aprendizagem
i / : erro relativo do neurnio
i
n , dado pela equao 5.6 :

j ij i i
w o o i = ) 1 ( / (4.9)
k
o : sada do
k
n , que estimula
i
n via
ik
w
Depois que todas as conexes tenham sido ajustadas ative o passo cheque magnitude
do erro.
* Passo 5: Cheque magnitude do erro
Para se checar a magnitude do erro, pode-se adotar vrias estratgias diferenciadas
quanto forma de aceitar o erro como desprezvel. Uma regra muito comum verificar se o
erro global de sada da rede em relao sada desejada menor que um dado erro pr-
definido. Se a condio adotada satisfeita, ento a rede aprendeu o conjunto de treinamento,
caso contrrio, volte a ativar o passo 1.

* Fim do algoritmo

Este algoritmo pode ser utilizado em uma arquitetura com qualquer nmero de
camadas. O passo 4 deve ser ativado recursivamente at atingir a camada de entrada. Para se
aumentar velocidade de convergncia possvel introduzir na equao 4.6 um multiplicador
chamado momentum, onde este valor representa o efeito dos ajustes anteriores no ajuste atual.


58
5 DESENVOLVIMENTO PRTICO
Como j citado, o objetivo deste trabalho foi o desenvolvimento de um sistema
computacional de apoio ao diagnstico precoce do alcoolismo, com o intuito principal de
verificar a validade da utilizao das redes neurais para este fim.
Neste item elucidamos a origem e as principais caractersticas do banco de sinais
utilizado nesta pesquisa de mestrado. Estes sinais so oriundos de um largo estudo que
examina a correlao do EEG com a predisposio gentica ao alcoolismo. Este banco de
sinais de propriedade do pesquisador Lester Ingber e est disponvel em (INGBER, 2004) e
no h restries para o seu uso.

5.1 COGA
O Estudo Colaborativo sobre a Gentica do Alcoolismo (COGA) uma fundao
federal norte americana constituda por seis diferentes ncleos de pesquisa. Estes centros so
localizados em (BIERUT, 2002), (HADA, 2001):
* Universidade do Estado de Nova Iorque Centro de Cincia da Sade do
Brooklyn;
* Centro da Sade da Universidade de Connecticut;
* Escola de Medicina da Universidade de Washington;
* Universidade da Califrnia em San Diego;
* Universidade de Iowa;
* Escola de medicina da Universidade de Indiana.


59
O COGA tem como objetivos principais identificar e caracterizar os fatores genticos
de risco ao alcoolismo. O estudo envolve mais de 1.000 alcolatras e suas famlias, com
pesquisadores buscando caractersticas, fisiolgicas e genticas dos participantes. Estas
anlises tm identificado muitas caractersticas, ou fentipos, que parecem ser geneticamente
determinadas, tal como a presena da dependncia do lcool, o nvel de resposta ao lcool, ou
o nmero mximo de doses que um indivduo consome em uma dada ocasio. A anlise
gentica tem identificado regies em vrios cromossomos que esto associados com estes
fentipos que vm sendo estudados.

5.2 PREDISPOSIO AO ALCOOLISMO
Evidncias sugerem que indivduos com predisposio ao alcoolismo (PA) podem ser
distinguidos daqueles indivduos que no tm predisposio atravs de seu EEG
(RANGASWAMY, 2004a) e do seu ERP, uma aplicao especial do EEG, (PORJESZ,
1997), (HADA, 2001). O EEG, um sinal altamente complexo, uma das fontes mais comuns
de informao usadas no estudo das funes cerebrais e desordens neurolgicas.
Evidncias substancias indicam que o alcoolismo biologicamente mediado por uma
predisposio gentica (HADA, 2001). Estudos indicam tambm que as variaes na
atividade eletrofisiolgica podem prever o desenvolvimento do alcoolismo. Por exemplo,
comparadas com pessoas sem histrico familiar de alcoolismo, alteraes em EEGs e ERPs
existem tambm em dependentes de lcool e em pessoas que no so alcolatras, mas tm o
risco de desenvolver o alcoolismo. Estas medidas eletrofisiolgicas representam, ento,
caractersticas que so relacionadas predisposio em desenvolver o alcoolismo (BIERUT,
2002).


60
Por exemplo, um componente ERP visual, denominado P300 ou P3, freqentemente
tem uma amplitude significativamente menor em indivduos com PA do que em indivduos
que no tem PA (POLICH, 1994), (HADA, 2001). Este dficit do componente P300 em
indivduos com PA pode ser mais facilmente observado em tarefas visuais, do que em tarefas
auditivas (PORJESZ, 1997).
O estudo (RANGASWAMY, 2004a) demonstrou um aumento na potncia beta em
EEG gravado em repouso de filhos (as) de alcolatras. Os filhos com alto risco (AR) em
desenvolver o alcoolismo demonstraram uma maior potncia beta 1 (12-16 Hz) e as filhas
com AR demonstraram um aumento nas potncias beta 2 (16-20 Hz) e beta 3 (20-28 Hz)
quando comparados com os indivduos do grupo de baixo risco (BR). Estes resultados
indicam que o aumento na potncia beta pode ser considerado como um provvel marcador de
risco para pessoas com risco em desenvolver o alcoolismo.
Deficincias neurofisiolgicas em alcolatras crnicos tm sido bem documentados,
especialmente em tarefas que envolvam memria espacial, soluo de problemas e
flexibilidade cognitiva. O suporte destas evidncias funcionais indicam que uma diminuio
na ativao do sistema cortical frontal provavelmente causadora das deficincias em tarefas
visuais e especiais em alcolatras crnicos (RANGASWAMY, 2004b). A atividade cortical,
por sua vez, pode se interrelacionar funcionalmente com estruturas subcorticais, como o
caso do complexo amigdalide (RANGASWAMY, 2004b), (RASIA-FILHO, 2000).
No caso de indivduos com, deficincias em tarefas visuais e espaciais, de
desempenho verbal, categorizao e organizao, de ateno e ndices de memria tm sido
consistentemente relatados (RANGASWAMY, 2004b). Estes detalhes tambm sugerem que
essas deficincias podem prever o uso abusivo do lcool. Claramente, essas manifestaes
clnicas e comportamentais tm por base alteraes morfolgicas, funcionais neuronais e
gliais, as quais tm sido estudadas com diversas tcnicas que podem contribuir, de forma


61
geral, para o entendimento da base neurofisiolgica dos dados aqui estudados (RASIA-
FILHO, 1999), (RASIA-FILHO, 2002), (RASIA-FILHO, 2004).
Existem poucos estudos de neuroanatomia feitos em indivduos com PA, e um deles,
feito por (HILL, 2001) identificou que o volume da amgdala esquerda menor em sujeitos
com AR e isto foi relacionado com a amplitude da onda P300.
De acordo com Begleiter (BEGLEITER, 1993) e (HERTZ et. al., 1994) a regio
occipital-temporal est fortemente envolvida no processo de reconhecimento e classificao
de objetos e figuras. Leses na regio temporal anterior prejudicam o padro de discriminao
visual, enquanto que leses mais posteriores, como leses nas regies temporal e occipital
produzem deficincias perceptuais mais severas.
Conclui-se, assim, que a identificao de adequadas caractersticas biolgicas que so
transmitidas geneticamente, dentre elas as medidas eletrofisiolgicas, poderiam ser valiosas
na identificao de indivduos que apresentam predisposio ao alcoolismo, antes do incio da
doena.

5.3 GRAVAO DO BANCO DE SINAIS DE EEG
Estes sinais de EEG foram coletados por Henri Begleiter, principal pesquisador do
COGA na Universidade do Estado de Nova York Centro de Cincia da Sade do Brooklyn,
e preparado por David Chorlian. Cento e vinte e dois (122) indivduos, dentre eles 75 com PA
e 47 sem PA, foram selecionados para a coleta dos sinais, realizando cada um durante esta
coleta 120 tarefas que sero explicadas em detalhes no item 5.4. Todos os indivduos eram
destros, com viso normal ou corrigida e no apresentavam desordens psiquitricas. O
tamanho aproximado deste banco de sinais de 700Mbytes.


62
Em cada indivduo usou-se 64 eletrodos para a captao do sinal de EEG. Os eletrodos
so: AF1, AF2, AF7, AF8, AFZ, C1, C2, C3, C4, C5, C6, CP1, CP2, CP3, CP4, CP5, CP6,
CPZ, CZ, F1, F2, F3, F4, F5, F6, F7, F8, FC1, FC2, FC3, FC4, FC5, FC6, FCZ, FP1, FP2,
FPZ, FT7, FT8, FZ, ND, O1, O2, OZ, P1, P2, P3, P4, P5, P6, P7, P8, PO1, PO2, PO7, PO8,
POZ, PZ, T7, T8, TP7, TP8, X e Y. (Nomenclatura padro dos eletrodos de posio,
Associao Americana de Eletroencefalografia). A figura 5.1 ilustra a montagem dos
eletrodos sobre o escalpo dos indivduos para a gravao dos sinais de EEG.


Figura 5.1: Ilustrao esquemtica da montagem dos eletrodos em seis grupos
regionais (frontal, central, parietal, occipital, temporal direito, temporal esquerdo),
utilizado na gravao dos sinais de EEG.
Todos os eletrodos colocados no escalpo foram referidos a Cz. O eletrodo usado como
terra foi colocado no nariz, e sua impedncia foi mantida em 5K. Duas derivaes
adicionais foram usadas para gravar sinais verticais e horizontais de eletrooculograma (EOG).
Regio Frontal
Regio Central
Regio Temporal
Esquerda
Regio Temporal
Direita
Regio Parietal
Regio Occipital


63
Os sinais foram amplificados com um ganho de 10.000 e com passa banda entre 0,02 a 50 Hz.
Os sinais amplificados foram amostrados a uma taxa de 256 Hz por segundo. Sinais com
excessivo movimento ocular e muscular (>73.3 V) foram rejeitados j durante a gravao.

5.4 TAREFAS
No experimento realizado por Henry Begleiter durante a gravao dos sinais de EEG,
os indivduos receberam estmulos visuais externos. O objetivo do experimento era o de obter
o ERP P300 ou P3, que extrado quando os indivduos esto engajados em uma tarefa visual
que requer ateno. Estes estmulos eram compostos por figuras que foram escolhidas do
Snodgradss e Vanderwat de 1980. Todas as figuras selecionadas representavam diferentes
objetos concretos e foram facilmente nomeadas. As figuras eram mostradas aos indivduos
que participaram do experimento em duas formas:

* Visualizar um nico objeto;
* Visualizar dois objetos: objeto um (S1) e o objeto dois (S2) mostrados em duas
condies: matching e nonmatching.

Na condio matching a primeira figura (S1) era idntica segunda figura (S2). J
na condio nonmatching, a figura (S1) era seguida por uma outra figura (S2) que era
completamente diferente de (S1) em termos de sua categoria semntica. A apresentao das
tarefas matching e nonmatching foi randomizada. Em metade das tarefas o estmulo teste
(S2) era idntico ao (S1), e na outra metade das tarefas, o estmulo teste (S2) foi diferente do
(S1).


64
A tarefa do indivduo era decidir se a figura (S2) apresentada a ele era a mesma do
primeiro estmulo (S1). A durao para a apresentao do primeiro (S1) e segundo (S2)
estmulo em cada tarefa teste foi de 300 ms. O intervalo entre cada tarefa foi fixado em 3.2 s.
A funo cerebral pode ser avaliada atravs da anlise dos ERPs. ERPs so mdias de
sinais de EEG com fase e tempo simultneos ao estmulo. Estes sinais so adquiridos atravs
do EEG com o sujeito respondendo a estmulos externos, sejam eles visuais ou auditivos, por
exemplo. A vantagem de se usar o ERP que se pode combinar eletrofisiologia com cognio
(PORJESZ, 1997).
O objetivo principal do experimento realizado era o de identificar e extrair o ERP
relacionado memria visual. Este ERP nomeado de Potencial de Memria Visual (VMP),
devido sua ligao com a memria visual e geralmente localizado na regio occipital-
temporal do crebro (MIKAMI, 1980), (MILLER, 1991).

5.5 CONSTRUO E CONFIGURAO DA REDE NEURAL
O sistema computacional desenvolvido neste trabalho baseou-se na tcnica de redes
neurais artificiais do tipo perceptron multicamadas, que consiste em uma srie de
elementos de processamento, denominados neurnios artificiais, ou ns, interligados entre si,
com um determinado peso associado a cada conexo.
A opo por este tipo de rede deu-se pelo fato de o problema tratado ser basicamente
uma classificao de amostras (sendo esta a principal aplicao dos perceptrons), de dois
padres de sinais de EEG:

* Sinais de EEG de indivduos com AR;
* Sinais de EEG de indivduos com BR.


65

Para o treinamento da rede, utilizou-se o paradigma da aprendizagem supervisionada,
atravs do algoritmo backpropagation, que baseado em uma anlise dos erros de resposta
do sistema para os ajustes necessrios na rede.
Vrios testes para diferentes configuraes da rede foram utilizados, mantendo-se
sempre o mesmo nmero de elementos na camada de entrada, ou seja, 256 neurnios. Na
camada de sada utilizou-se um neurnio e testou-se uma srie de variaes quanto ao nmero
de elementos ocultos.
Com relao ao nmero de camadas ocultas e de elementos nestas camadas, no foi
encontrada na literatura nenhuma regra bsica que defina os melhores valores. Nos trabalhos
pesquisados, estas quantidades so bem variadas, no apresentando nenhuma relao entre si.
Na maioria das publicaes verificadas, obteve-se como sugesto, iniciar o treinamento com
uma configurao de uma camada oculta com um pequeno nmero de elementos e ir
aumentando esta quantidade para se verificar as diferenas.
Partiu-se inicialmente com uma configurao de uma camada oculta composta de 16
elementos, e aumentou-se gradativamente esse nmero de elementos at alcanar 200
elementos. De todas as configuraes testadas, a que apresentou melhores resultados, e
portanto a escolhida, contm uma camada oculta com 200 neurnios promovendo a conexo
entre a camada de entrada e a de sada.
Construmos uma rede neural para cada canal de EEG selecionado, ou seja,
construmos 64 redes neurais usando os coeficientes wavelets calculados na etapa do pr-
processamento. Conseqentemente, cada canal foi avaliado independentemente com o
objetivo de compararmos seus respectivos desempenhos.


66
Nas duas unidades de sada,
(

1
0
representa indivduos com AR em desenvolver o
alcoolismo e
(

0
1
representa os indivduos com BR.
Para garantir que houvesse uma convergncia de forma estvel para um erro mnimo
local abaixo do erro mximo esperado, que foi de 5%, utilizamos um coeficiente de
treinamento adaptativo ) (t igual a 0,01 no algoritmo backpropagation. As unidades de
sada tiveram uma funo de ativao do tipo tangente hiperblica devido s variaes
positivas e negativas dos sinais de EEG.
O treinamento da rede foi realizado com 1000 iteraes, a fim de encontrar os valores
das conexes entre os neurnios. Este nmero foi obtido empiricamente, levando em
considerao que um nmero alto de iteraes faz com que a rede reconhea apenas as
amostras utilizadas durante o treinamento e um nmero baixo no suficiente para os pesos
sinpticos.

5.6 TREINAMENTO DO SISTEMA E TESTES DE DESEMPENHO
Como j citado anteriormente, o treinamento do sistema se deu atravs do algoritmo
backpropagation descrito no item 4.1. O algoritmo backpropagation foi implementado no
MATLAB e est no apndice 1. Os testes de desempenho da rede foram feitos utilizando
uma amostra de 60 sinais de EEG, com os indivduos respondendo a estmulos matching,
escolhidos aleatoriamente, da base de dados usada nesta pesquisa (INGBER, 2004). Sendo
que 30 amostras eram de indivduos com PA, e as outras 30 amostras restantes de indivduos
sem PA (denominado aqui de grupo controle).


67
Antes de realizar-se o treinamento da rede, eram separados 40 sinais de EEG, sendo 20
de indivduos com AR e 20 de indivduos com BR em desenvolver o alcoolismo, a rede era
treinada com os outros 20 registros de EEG restantes. Assim, os testes eram realizados com
amostras totalmente desconhecidas da rede no treinamento.





68
6 RESULTADOS
So apresentados, a seguir, alguns resultados obtidos nas diversas fases da pesquisa, e
so discutidos alguns de seus aspectos mais relevantes.

6.1 RESULTADOS OBTIDOS
6.1.1 Extrao e classificao do ERP visual
O principal objetivo desta pesquisa de mestrado que foi o de classificar sinais de EEG
de indivduos com e sem PA fazendo-se uso da DWT e das ANNs, mas antes disso, fez-se
uma anlise destes sinais de EEG atravs do ERP.
No trabalho (LOPES, 2004a) extramos, investigamos e classificamos o ERP visual
P300 que reflete o processo cerebral de reconhecimento de imagens. O objetivo de extrairmos
ERPs dos indivduos com e sem PA da base de dados utilizada nesta pesquisa (INGBER,
2004) foi o de verificar a baixa amplitude do ERP visual (P300 ou P3) de indivduos com BR
em desenvolver o alcoolismo em tarefas matching comparadas as tarefas nonmatching, e
verificar tambm se os ERPs de indivduos com AR no apresentariam esta diferena, de
acordo com (BEGLEITER, 1987), (PORJESZ, 1997), (PORJESZ, 1990), (HADA, 2001),
(BIERUT,.2002), (RANGASWAMY, 2004b). O processo de extrao produziu uma forma de
onda ERP que consiste em 3 componentes:

* Componente 1: c110, ocorre entre 100 e 125 ms;
* Componente 2: c175, ocorre entre 160 e 190 ms;
* Componente 3: c247, ocorre entre 220 e 260ms.


69
O ERP foi obtido para as condies matching e nonmatching para os eletros P7 e
P8 da regio parietal e T7 e T8 da regio temporal. Para extrairmos os ERPs utilizamos 22
amostras matching e outras 22 amostras nonmatching de cada um dos 60 indivduos
selecionados da base de dados (INGBER, 2004), sendo 30 indivduos com AR em
desenvolver o alcoolismo e outros 30 com BR. Na figura 6.1 temos a forma de onda ERP
mdia para os indivduos com AR e BR em desenvolver o alcoolismo.
Como pode ser visto na figura 6.1 observa-se, para indivduos com BR, uma diferena
significativa de amplitude dos ERPs nonmatching comparado ao ERP matching, no
componente c247, mas essa reduo na amplitude no foi observada nos ERPs dos indivduos
com AR. Estes resultados sugerem que alm de haver uma diferena entre os sinais de ERP
entre os dois grupos, os dois grupos apresentam diferenas entre seus ERPs.
Em um estudo recente (RANGASWAMY, 2004b) em que se trabalhou com o
potencial P300, demonstrou-se que indivduos com BR empregam redes neurais distribudas
para realizar uma tarefa visual, enquanto que indivduos com AR parecem utilizar substratos
neurais mnimos. Ainda de acordo com (RANGASWAMY, 2004b), sujeitos com AR
adotaram uma estratgia menos tima, ou uma estratgia diferente para executar estas tarefas,
e que os circuitos frontoparietais no so utilizados de modo otimizado, o que contribui para
um processamento neural menos eficiente (PORJESZ, 1997).
Estas deficincias cognitivas podem prever o uso crnico do lcool
(RANGASWAMY, 2004b), e a identificao de marcadores genticos como o P300 so
valiosos para que se identifique os sujeitos com PA.


70

--------- Nonmatching
______ Matching

Figura 6.1 Mdia total de ERPs obtida de todos os indivduos. Os grficos da
direita so dos indivduos com BR e da esquerda dos indivduos com AR.
P7 P7 Pico c247
Pico
c247

P8 P8
T8
T8
T7 T7


71
6.1.2 Classificao dos sinais de EEG atravs das ANNs
O principal objetivo desta pesquisa de mestrado foi de classificar sinais de EEG de
indivduos com AR e BR em desenvolver o alcoolismo. Neste trabalho, isto compreendeu
determinao dos coeficientes wavelets, alm da construo e treinamento das ANNs. O
algoritmo desenvolvido para a determinao dos coeficientes wavelets foi implementado no
MATLAB e est no apndice 2. Estes coeficientes foram calculados com o objetivo de
descrever as caractersticas dos sinais de EEG. Utilizamos as famlias Lemarie, Daubechies
e Biortogonal. Depois de calculados, os coeficientes wavelets na etapa de pr-processamento
eram alocados na entrada da ANN, a qual executava a classificao dos sinais.
Depois de treinadas, as ANNs em cujas entradas aplicaram-se os coeficientes wavelets
classificaram corretamente cerca de 70% de sinais de EEG e de ERP de indivduos com AR e
BR de desenvolver o alcoolismo (LOPES, 2004a), (LOPES, 2004b), (LOPES, 2005).
Nos trabalhos (LOPES, 2004b) e (LOPES, 2005) treinamos ANNs com coeficientes
wavelets Lemarie, Biorthogonal e Daubechies. No trabalho (LOPES, 2004b) usou-se a
wavelet Lemarie e no trabalho (LOPES, 2005) usou-se as wavelets Biorthogonal e
Daubechies. Em termos de desempenho de classificao, as ANNs treinadas com coeficientes
da funo wavelet Lemarie com ordem 5 para decomposio e 3 para reconstruo exibiram
melhores resultados (LOPES, 2004b) e sero mostrados a seguir. As figuras de 6.1 a 6.3
mostram o desempenho de classificao das redes neurais dos sinais de EEG dos eletrodos
das regies parietal, occipital e temporal dos indivduos com BR e AR em desenvolver o
alcoolismo.


72
0
20
40
60
80
100
CP1 CP3 CP4 CPZ PZ
Eletrodos
P
e
r
c
e
n
t
u
a
l

d
e

A
c
e
r
t
o
BR
AR

Figura 6.2: Regio Parietal, percentual de acerto obtido pelas ANNs treinadas
com coeficientes Lemarie. Indivduos com BR e AR.
0
20
40
60
80
100
O1 O2 OZ PO8 POZ
Eletrodos
P
e
r
c
e
n
t
u
a
l

d
e

A
c
e
r
t
o
BR
AR

Figura 6.3: Regio Occipital, percentual de acerto obtido pelas ANNs treinadas
com coeficientes Lemarie. Indivduos com BR e AR.


73
0
20
40
60
80
100
T7 TP7 CP5
Eletrodos
P
e
r
c
e
n
t
u
a
l

d
e

A
c
e
r
t
o
BR
AR

Figura 6.4: Regio Temporal, percentual de acerto obtido pelas ANNs treinadas
com coeficientes Lemarie. Indivduos com BR e AR.

As ANNs treinadas classificaram corretamente os sinais de indivduos com e sem PA
na maioria dos eletrodos das regies: parietal, occipital e temporal do escalpo, porm no se
obteve sucesso na classificao dos sinais das regies frontal e central. Fato este esperado,
pois a estratgia para processar o estmulo visual recebido no a mesma para indivduos
com AR e BR (RANGASWAMY, 2004b), (PORJEZS, 1997), ou seja, a forma de onda do
EEG e ERP no a mesma para este dois tipos de classe. Esta diferena em processar o
estmulo visual pode ser percebida nas regies parietal, occipital e temporal (MIKAMI,
1980), (MILLER, 1991), (RANGASWAMY, 2004b).
Observa-se nas figuras 6.1, 6.2 e 6.3 que as ANNs treinadas classificaram os sinais de
EEG de indivduos com AR, com um ndice de 90% acerto em um eletrodo, de 70% de acerto
em nove e outros dois com um ndice de 60% de acerto. J para os indivduos com BR,
obteve-se um ndice de 100% de acerto em quatro eletrodos, de 90% em sete eletrodos e de


74
70% em dois eletrodos. V-se tambm que estes ndices foram obtidos na maioria dos
eletrodos da regio temporal esquerda, occipital e parietal. Porm, no se obteve sucesso na
classificao dos sinais de EEG das regies frontal e central.
A figura 6.4 auxilia-nos a visualizar, no escalpo, os resultados obtidos nas figuras 6.1,
6.2 e 6.3, ou seja, em quais eletrodos as ANNs treinadas classificaram os sinais de EEG dos
indivduos com AR e BR com um ndice igual ou superior a 60%.


Figura 6.5: Indicao, no escalpo, dos eletrodos em que as ANNS treinadas
classificaram corretamente os sinais de EEG dos indivduos com e sem PA, com um
ndice igual ou superior a 60%.


75
7 CONCLUSES E DISCUSSES
Nossa motivao principal na pesquisa do mestrado foi o de dar incio ao processo de
elaborao de um tipo de abordagem clnica que auxilie na deteco precoce da predisposio
ao alcoolismo.
Na reviso de literatura encontramos trabalhos correlatos ao desenvolvido nesta
pesquisa de mestrado. Em (HAZARIKA, 1997) usou-se a mesma arquitetura de rede neural
que foi usada neste trabalho, isto , as redes neurais eram do tipo perceptron multicamadas,
as quais implementavam o algoritmo backpropagation. Depois de treinadas, as ANNs
implementadas com coeficientes wavelets classificaram corretamente 71% dos sinais de EEG
de indivduos com Esquizofrenia, 66% dos sinais de indivduos normais e 36% dos sinais de
indivduos com TOC (Transtorno obsessivo compulsivo). Em um trabalho mais recente
(KIM, 2004), usou-se a combinao de algoritmos genticos e ANNs (tambm do tipo
perceptron multicamadas implementadas com o algoritmo backpropagation), para
classificar sinais de EEG de indivduos com Alzheimer e indivduos normais. Para a
arquitetura implementada, foram classificados corretamente 73,3% dos sinais de indivduos
com Alzheimer e 88,1% dos sinais de indivduos normais.
Foi confirmada nossa expectativa de classificar corretamente sinais de indivduos com
AR e BR em desenvolver o alcoolismo com ndices semelhantes aos obtidos nos trabalhos
correlatos (HAZARIKA, 1997), (KIM, 2004). Depois de treinadas, as ANNs em cujas
entradas aplicaram-se os coeficientes wavelets classificaram corretamente, com ndice igual
ou superior a 60%, os sinais de EEG e de ERP de indivduos com AR e BR de desenvolver o
alcoolismo (LOPES, 2004a), (LOPES, 2004b), (LOPES, 2005).
Enquanto as medidas eletrofisiolgicas podem servir como marcadores fentipos para
o alcoolismo, isto no sugere que eles sejam necessariamente especficos para o alcoolismo,
nem sugere tambm que todos os indivduos que apresentam estes marcadores venham a usar


76
o lcool de forma abusiva. Como estas medidas eletrofisiolgicas so geneticamente
determinadas, estes dados implicam que a predisposio ou a vulnerabilidade ao alcoolismo
hereditria (PORJESZ, 1990).

7.1 SUGESTES PARA TRABALHOS FUTUROS
Como foi mencionado nos captulos anteriores, o principal escopo desta pesquisa de
mestrado foi classificar sinais de EEG de sujeitos com e sem PA.
Uma anlise estatstica dos sinais de EEG utilizados (INGBER, 2004a) dever ser o
prximo passo deste trabalho, pois julgamos necessrio descobrir, por exemplo, o tamanho
adequado da amostra de sinais de EEG para o treinamento das ANNs de uma a populao de
122 indivduos, cada um com 120 sinais de EEG gravados, que compe o banco de sinais que
temos disponvel (INGBER, 2004).
Estudar-se- a famlia wavelet mais adequada ao pr-processamento de sinais de EEG
e outras configuraes de ANNs com o objetivo de melhorar o resultado de classificao dos
sinais de EEG obtidos com a configurao atual (LOPES, 2004a), (LOPES, 2004b), (LOPES,
2005).
Pretende-se ainda, extrair novos tipos de informao dos sinais de EEG de indivduos
com e sem PA atravs da aplicao da Teoria do Caos.
A Teoria dos Sistemas Dinmicos No-Lineares oferece tcnicas para a anlise de
sinais onde no se sabe, ou no conhecido, o modelo detalhado do mecanismo de produo
desses sinais, como o caso dos sinais de voz, de EEG e dos sons pulmonares. A dinmica do
sinal avaliada e medidas qualitativas podem ser obtidas deste sistema. Essas medidas no
fornecem informaes especficas quanto ao modelamento do processo de produo do sinal
avaliado, isto , o modelo matemtico ainda inacessvel. Entretanto, pode-se inferir a


77
respeito de suas caractersticas qualitativas, como o nmero de graus de liberdade que esse
modelo apresenta, a taxa de perda de informao do modelo relativo s condies iniciais, ou
a estabilidade local de sua trajetria no espao de fase. Espera-se que as estimativas de
invariantes dinmicas como dimenso e expoentes de Lyapunov agreguem informao,
elevando a taxa de reconhecimento destes sistemas (PETRY, 2001), (PETRY, 2002).
Tem-se, ento, o propsito de analisar a produo do sinal de EEG como produto de
um sistema no-linear e com isso extrair informaes qualitativas desse sinal, de forma que
esses novos tipos de informao possam ajudar na diferenciabilidade de indivduos com PA.




78
REFERNCIAS

AKAY, M. Time Frequency and Wavelets in Biomedical Signal Processing. New York:
IEEE Press, 1998.

BEGLEITER, H.; PORJESZ, B.; ECKARDT, M. Auditory Recovery Function and P3 in
Boys at High Risk for Alcoholism. Alcohol, USA, v. 4, n. 4, p. 315-321, july./aug. 1987.

BEGLEITER, H.; PORJESZ, B; WANG, W. A Neurophysiologic Correlate of Visual Short-
term Memory in Humans. Electroenceph. Clin. Neurophysiol., Amsterdam, v. 87, n. 1, p.
46-53, july. 1993.

BENDAT, J. S.; PIERSOL, A. G. Random Data: analysis and measurement procedures.
2.ed. New York, NY, USA: John Wiley & Sons, Inc., 1986, 592 p. ISBN 0-471-04000-2

BENTLEY, P.; MCDONNELL, J. Wavelets Transforms: an introduction. Electronics &
Communication Engineering Journal, London, v. 6, n. 4, p. 175-186, aug. 1994.

BERGER, H. ber das Elektrekephalogramm des Menschen. Archiv fr Psychiatrie und
Nervenkrankheiten, Berlin, v. 87, p. 527-570, 1929.

BERNARDI, A. Filtros de Kalman no Levantamento de Caracterstica do Sinal de EEG.
1999. Dissertao (Mestrado em engenharia) - Programa de Ps-Graduao em Engenharia
Eltrica, Escola Federal de Engenharia de Itajub, Itajub, 1999.

BIERUT, L. J. et al. Defining Alcohol-Related Phenotypes in Humans. Alcohol Research &
Health, USA, v. 26, n. 3, p. 208-213, 2002.

BURROS, C. S.; GOPINATH, R. A. Introduction to Wavelets as Wavelets Transforms.
NJ, USA: Prentice Hall, 1997.

CAMPELO T, M. Aquisio e Processamento de Sinais Bioltricos Neurofisiolgicos
Intraoperatrios. 2003, 305 p. Tese (Doutorado em Engenharia Eltrica) - Programa de Ps-
Graduao em Engenharia Eltrica, Universidade Federal de Santa Catarina, Florianpolis,
2003.

CELESIA, G.; CHEN, R. Parameters of Spikes in Human Epilepsy. Diseases of the Nervous
System, New York, USA, v. 37, n. 5, p. 277, may. 1976.

CHATRIAN, G., et. al. A glossary of Terms Most Commonly used by Clinical
Electroencephalographers. Electroenceph. and Clin. Neurophysiol, Amsterdam, v. 37,
1974. p. 538-548.


79

CHUI, C. K. An Introduction to Wavelets. Boston, MA: Academic Press, 1992.

COSTA, M. H. Derivao da Fonte de Sinais de EEG: correlao e mapeamento cerebral.
1994. Dissertao (Mestrado em engenharia) Programa de Engenharia Biomdica, COPEE,
Universidade Federal do Rio de Janeiro, Rio de Janeiro, 1994.

CUSTDIO, R. F. Anlise No-Linear no Reconhecimento de Padres Sonoros: estudo
de caso para sons pulmonares. 1999. 119 p. Tese (Doutorado em Cincia da Computao)
Programa de Ps-graduao em Cincia da Computao, PPGC, Universidade Federal do Rio
Grande do Sul, Porto Alegre, 1999.

FALAS, T.; CHA, A. Neural Networks in Empirical Accounting Research: an alternative to
statistical models. Neural Network World, Czech Republic, v. 5, n. 4, p. 419-432, 1995.

HADA, M. et. al. Auditory P3a Deficits In Male Subjects at High Risk for Alcoholism.
Biological Psychiatry, New York, v. 49, n. 8, p. 726-738, 2001.

HASAN, J. et. al. Intra- and Intersubject Variability of EEG Waveforms Studied With a
Hybrid System. In: KOELLA, W. (Ed.) Sleep 1982. Switzerland, 1983. p. 171-173.

HAYKIN, S. Redes Neurais: princpios e prticas 2. ed. Porto Alegre: Bookman, 2001, 900p.
ISBN 85-7307-718-2.

HAZARIKA, N. et. al. Classification of EEG Signals Using the Wavelet Transform. Signal
Processing, Netherlandes, v. 59, n. 1, p. 61-72, may. 1997.

HERTZ, J.; KROGH, A.; PALMER, R. G. Introduction to the Theory of Neural
Computation. Redwood City: Adison-Wiley, 1991.

HERTZ, S. et. al. Event-Related Potentials to faces: the effects of priming and recognition.
Electroencephlografy Clinical Neurophysiology, Amsterdam, v. 92, n. 4, p. 342-351, july.
1994.

HILL, S. Y. et. al. Right Amygdala Volume in Adolescent and Young Adult from Families at
High risk for Developing Alcoholism. Biological Psychiatry, New York, v. 49, n. 11, p. 894-
905, june. 2001.

INGBER, L. Banco de dados de EEG. Disponvel em:
<http://kdd.ics.uci.edu/database/eeg/eeg-full.tar>. Acesso em: 10 abril de 2004.

KANDSAWAMY, A. et. al. Neural Classification of Lung Sounds Using Wavelet
Coefficients. Computers in Biology and Medicine, Elmsford, v. 34, n. 6, p. 523-537, sept.
2004.

KELLAWAY, P. Automation of Clinical Electroencephalography: the nature and scope of the
problem in kellaway. In: PETERSEN, I.; P. Automation of Clinical
Electroencephalography. Raven Press: New York, 1973. p. 18-19.



80
KIM, H. T. et. al. Computerized Recognition of Alzheimer Disease-EEG Using Genetic
Algorithms and Neural Network. Future Generation of Computing Systems, North-
Holland, 2004. Articles in press.

LOPES, C. D. et. al. Classification of Event Related Potentials in Individuals at Risk for
Alcoholism Using Wavelet Transform and Artificial Neural Network. In: SYMPOSIUM ON
COMPUTATIONAL INTELLIGENCE IN BIOINFORMATICS AND COMPUTATIONAL
BIOLOGY, CIBCB, 2004 San Diego, California. Proceedings San Diego, California:
IEEE, sept. 2004.

LOPES, C. D.; RASIA-FILHO A. A. R.; SUSIN, A. A. Nonlinear Methods in
ElectroEncephalographic Analysis: artificial neural networks and wavelets for classification
of EEG signals in individuals at risk for alcoholism. In: BRAZILIAN WORKSHOP ON
BIOINFORMATICS, WOB, 3., 2004, Braslia. Proceedings Braslia: WOB, oct. 2004

LOPES, C. D.; ZARO, M. A.; SUSIN, A. A. The use of Wavelet Transform as a Preprocessor
for the Neural Network Classification of EEG Signals. In: IASTED INTERNATIONAL
CONFERENCE ON BIOMEDICAL ENGINEERING, 2005, Innsbruck, Austria.
Proceedings Innsbruck, Austria. feb. 2005.

LOPES, F. H. S. Eletroencephalography: basic principles, clinical applications as related
fields. Baltimore: Urban & Schwarzenberg, 1987, p. 871-897.

MALLAT, S. G. A Theory for Multiresolution Signal Decomposition: the wavelet
representation. IEEE Trans Pat Anal Mach Intell, [S.l.], v. 11, p. 674-693, july. 1989.

MIKAMI, A.; KUBOTA, K. Inferotemporal Neuron Activities and Color Discrimination with
Delay. Brain Research, Amsterdam, n. 1, v. 182, p. 65-78, jan. 1980. Research Report.

MILLER, E. K.; LI, L.; DESIMONE, R. A Neural Mechanism for Working and Recognition
Memory in Inferior Temple Cortex. Science, Washington, v. 254, n. 5036, 1377-1379, nov.
1991.

NORMANN, R. A. Principles of Bioinstrumentation. New York: Wiley, 1988. 576 p.

OPPENHEIM, V. A.; SCHAFER W. R. Discrete-time Signal Processing. [S.l.], Prentice-
Hall signal processing series, 1989. 879 p. ISBN 0-13-216292-X.

PETRY, A.; BARONE, D. A. C. Fractal Dimension Applied to Speaker Identification. In:
IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS, SPEECH AND SIGNAL
PROCESSING, 1CASSP, 2001, Salt Lake City: 1CASSP. Proceedings Salt Lake City,
May 2001.

PETRY, A.; BARONE, D. A. C. Speaker Identification Using Nonlinear Dynamical Features.
Chaos, Solitons & Fractals, Amsterdam, v. 13, n. 2, p. 221-231, feb. 2002.

POLICH, J.; POLLOCK, V. E.; BLOOM, F. E. Meta analysis of P300 Amplitude From
Males at Risk for Alcoholism. Psychological Bulletin, Washington, v. 115, n. 1, p. 55-73,
1994.


81

PORAT, B. A Course in Digital Signal Processing. New York: John Wiley, 1997, p. 114-
120.

PORJESZ, B.; BEGLEITER, H. Event Relates Potentials in Individuals at Risk for
alcoholism. Alcohol, USA, v. 7, p. 465-469, 1990.

PORJESZ, B.; BEGLEITER, H. Event Related Potentials in COAS. Alcohol Health &
Research Worlds, [S.l.], v. 21, n. 3, p. 236240, 1997.

RANGASWAMY, M. et. al. A Functional MRI Study of Visual Oddball: evidence for
frontoparietal dysfunction in subjects at risk for alcoholism. Neuroimage, Amsterdam, v. 21,
n.1, p. 329-339, jan. 2004.

RANGASWAMY, M. et. al. Resting EEG in Offspring of Male Alcoholics: beta frequencies.
International Journal of Psychophysiology, Amsterdam, v. 51, n. 3, 2004, p. 239-251, feb.
2004.

RASIA-FILHO, A. A. et. al. Influence of Sex, Estrous Cycle and Motherhood on Dendritic
Spine Density in the Rat Medial Amygdala Revealed by the Golgi Method. Neuroscience,
Oxford, v. 126, n. 4, p. 839-847, 2004.

RASIA-FILHO, A. A.; LONDERO, R.G.; ACHAVAL, M. Effects of Gonadal Hormones on
the Morphology of Neurons from the Medial Amygdaloid Nucleus of Rats. Brain Research
Bulletin, Amsterdam, v. 48, p. 173-183, 1999.

RASIA-FILHO, A. A.; LONDERO, R.G.; ACHAVAL, M. On Some Functional Activities of
the Amygdala: an overview. Journal of Psychiatry and Neuroscience, Ottawa, v. 25, p. 14-
23, 2000.

RASIA-FILHO, A. A. et. al. Glial Fibrillary Acidic Protein Immunodetection and
Immunoreactivity in the Anterior and Posterior Medial Amygdala of Male and Female Rats.
Brain Research Bulletin, Amsterdam, v. 58, p. 67-75, 2002.

RECHTSCHAFFEN, A., KALES, A. A Manual of Standardized Terminology, Techniques
and Scoring System for Sleep Stages of Human Subjects. In: U.S. Public Health Service,
U.S. Washington D.C., USA ,Government Printing Office, 1968.

STRANG, G. Wavelets and Filter Banks. Wellesley: Cambridge Press, 1996.

SUBRAMARIAN, V.; HUNG, M. S.;HU, M. Y. An Experimental Evaluation of Neural
Networks for Classification. Computers & Operations Research, [S.l.], v. 20, n. 7, p. 769-
782, 1993
TSAI, M. J.; VILLASENOR, J.; CHEN, F. Stack-Run Image Coding. IEEE Transactions on
Circuits and Systems for Video Technology, New York, v. 6, p. 519-521, oct. 1996.

WEI, J. T. et. al. Understanding Artificial Neural Networks and Exploring their Potential
Applications for the Practicing Urologist. Urology, Ridgewood, v. 52, p. 161-172, 1998.


82













APNDICE 1:

Programa em MATLAB que implementa o algoritmo backpropagation.


















83
APNDICE 1: PROGRAMA DE IMPLEMENTAO DO ALGORITMO
BACKPROPAGATION
Parte 1: implementao do backpropagation:
function [netout, W1, W2,
erro]=jhnettrain(in,out,nneuron,nepochs,lr,finalerror)
%[netout W1 W2]=jhnet(in,out,nneuron,nepochs)
% in = matriz de entrada
% out = matriz com os valores desejados de sada
% nneuron = nmero de neurnios na camada intermediria
% nepochs = nmero de vezes que todos os padres so treinados
% lr coeficiente de aprendizagem - valor positivo ex. 0.2 ou 0.6
% o valor de lr define a convergncia do algoritmo de treinamento
% o valores de lr grandes fazem o algoritmo no convergir,
% em geral usa-se valore menores que um
% finalerror = erro mdio quadrtico aceitvel no final do treinamento
% netout sada da rede treinada excitada com os padres de treinamento
% W1 e W2 matrizes dos pesos sinpticos da camada de entrada e de sada

% a rede do tipo : netout=tanh([W2*(W1*[in;1]);1])

% O treinamento acaba quando o finalerror atingido ou aps o
% treinamento com o nmero de pocas especificadas em nepochs
% A funo retorna a sada da rede aps o treinamento e as matrizes da rede
% Para obter a sada da rede treinada para outros padres use a funo
jhnet

inrow=size(in,1);
incol=size(in,2);
outrow=size(out,1);
outcol=size(out,2);
inmin=min(min(in));
inmax=max(max(in));
mx=max(abs([inmin inmax]));

% Criando e inicializando a rede
A=mx/20;
W1=mx*(rand(nneuron,inrow+1)-0.5)/mx;
W2=mx*(rand(outrow,nneuron+1)-0.5)/mx;
%W1=A*ones(nneuron,inrow+1);
%W2=A*ones(outrow,nneuron+1);

fix=1;
% Treinando a rede
sqerror=0;
for ep=1:nepochs
sqerrorep=0;
x=round(rand*(incol-1)+1);
ind=[x:incol 1:x-1];

%if ep==10 lr=lr/2; end
%if ep==40 lr=lr/2; end


for y=1:incol
ii=ind(y);
% Calculando a sada da rede
IL=[tanh(W1*[in(:,ii);1])];


84
OL=tanh(W2*[IL;1]);
error=[out(:,ii)-OL];
sqerrorep=sqerrorep+(error'*error/incol);

% Calculando correo dos pesos sinpticos
dW2=(error.*(1-OL.^2))*[IL;1]';
dIL=(W2'*(error.*(1-OL.^2))); % derivada do erro quadrtico em
relao a sada da camada intermediria
dW1=(dIL(1:nneuron).*(1-IL.^2))*([in(:,ii);1]');

% Corrigindo os pesos
W1=W1+lr*dW1;
W2=W2+lr*dW2;

end

sqerror=sqerror+sqerrorep;
if ep==1 lri=lr; end
if ep>1 ant=meansqr; end
meansqr=sqrt(sqerror/ep)
%if ep>2 & ant==meansqr fix=0.9; end
%if ep>2&ant<=meansqr fix=(meansqr-ant)*10000+1.1; end

%if ep>2&ant<=meansqr lr=lri/fix; end
ep
%fprintf(fpm,'%d %7.5f\n',ep,meansqr);
erro_co(ep)=meansqr;
if meansqr < finalerror
netout=tanh(W2*[tanh(W1*[in;ones(1,incol)]);ones(1,incol)]);
%plot(in,out,in,netout,'x')
'fim: o erro final foi atingido'
return;
end

end
'fim: o erro final no foi atingido, mas todos os padres foram treinados
nepochs vezes'

netout=tanh(W2*[tanh(W1*[in;ones(1,incol)]);ones(1,incol)]);
%plot(in,out,in,netout,'o')
%fclose(fpm);
erro=meansqr;


Parte 2: treinamento das ANNs
%treina ANN para eletrodo OZ, por exemplo:
clear all;
close all;
%namostra eh o numero de pacientes patologicos + controle
namostra=40;
% para patologicos
pos=0;
for indi=1:namostra/2
indi
if indi==1

fid=fopen('\\Warrior\EEG\SinaisPatologicos\co2a0000364\Coeficientes\CoefOZ.
txt','r');
elseif indi==2


85

fid=fopen('\\Warrior\EEG\SinaisPatologicos\co2a0000368\Coeficientes\coefOZ.
txt','r');
elseif indi==3

fid=fopen('\\Warrior\EEG\SinaisPatologicos\co2a0000369\Coeficientes\coefOZ.
txt','r');
elseif indi==4

fid=fopen('\\Warrior\EEG\SinaisPatologicos\co2a0000370\Coeficientes\coefOZ.
txt','r');
elseif indi==5

fid=fopen('\\Warrior\EEG\SinaisPatologicos\co2a0000371\Coeficientes\coefOZ.
txt','r');
elseif indi==6

fid=fopen('\\Warrior\EEG\SinaisPatologicos\co2a0000372\Coeficientes\coefOZ.
txt','r');
elseif indi==7

fid=fopen('\\Warrior\EEG\SinaisPatologicos\co2a0000375\Coeficientes\coefOZ.
txt','r');
elseif indi==8

fid=fopen('\\Warrior\EEG\SinaisPatologicos\co2a0000377\Coeficientes\coefOZ.
txt','r');
elseif indi==9

fid=fopen('\\Warrior\EEG\SinaisPatologicos\co2a0000378\Coeficientes\coefOZ.
txt','r');
elseif indi==10

fid=fopen('\\Warrior\EEG\SinaisPatologicos\co2a0000379\Coeficientes\coefOZ.
txt','r');
elseif indi==11

fid=fopen('\\Warrior\EEG\SinaisPatologicos\co2a0000380\Coeficientes\coefOZ.
txt','r');
elseif indi==12

fid=fopen('\\Warrior\EEG\SinaisPatologicos\co2a0000381\Coeficientes\coefOZ.
txt','r');
elseif indi==13

fid=fopen('\\Warrior\EEG\SinaisPatologicos\co2a0000382\Coeficientes\coefOZ.
txt','r');
elseif indi==14

fid=fopen('\\Warrior\EEG\SinaisPatologicos\co2a0000385\Coeficientes\coefOZ.
txt','r');
elseif indi==15

fid=fopen('\\Warrior\EEG\SinaisPatologicos\co2a0000386\Coeficientes\coefOZ.
txt','r');
elseif indi==16

fid=fopen('\\Warrior\EEG\SinaisPatologicos\co2a0000387\Coeficientes\coefOZ.
txt','r');
elseif indi==17


86

fid=fopen('\\Warrior\EEG\SinaisPatologicos\co2a0000388\Coeficientes\coefOZ.
txt','r');
elseif indi==18

fid=fopen('\\Warrior\EEG\SinaisPatologicos\co2a0000392\Coeficientes\coefOZ.
txt','r');
elseif indi==19

fid=fopen('\\Warrior\EEG\SinaisPatologicos\co2a0000394\Coeficientes\coefOZ.
txt','r');
elseif indi==20

fid=fopen('\\Warrior\EEG\SinaisPatologicos\co2a0000395\Coeficientes\coefOZ.
txt','r');

end

B=fscanf(fid,'%f');
tam=size(B);
B1=B;
pos=pos+2;
for i=1:tam
entra(i,pos)=B1(i);
end
saida(pos)=1;%patologicos
fclose(fid);
clear B;
end
%para NORMAIS ou grupo de controle
pos=-1;kk=namostra/2+1;
for indi=kk:namostra
indi
if indi==kk

fid=fopen('\\Warrior\EEG\SinaisControle\co2c0000337\Coeficientes\CoefOZ.txt
','r');
elseif indi==kk+1

fid=fopen('\\Warrior\EEG\SinaisControle\co2c0000338\Coeficientes\coefOZ.txt
','r');
elseif indi==kk+2

fid=fopen('\\Warrior\EEG\SinaisControle\co2c0000339\Coeficientes\coefOZ.txt
','r');
elseif indi==kk+3

fid=fopen('\\Warrior\EEG\SinaisControle\co2c0000340\Coeficientes\coefOZ.txt
','r');
elseif indi==kk+4

fid=fopen('\\Warrior\EEG\SinaisControle\co2c0000341\Coeficientes\coefOZ.txt
','r');
elseif indi==kk+5

fid=fopen('\\Warrior\EEG\SinaisControle\co2c0000344\coeficientes\coefOZ.txt
','r');
elseif indi==kk+6

fid=fopen('\\Warrior\EEG\SinaisControle\co2c0000345\coeficientes\coefOZ.txt
','r');


87
elseif indi==kk+7

fid=fopen('\\Warrior\EEG\SinaisControle\co2c0000346\coeficientes\coefOZ.txt
','r');
elseif indi==kk+8

fid=fopen('\\Warrior\EEG\SinaisControle\co2c0000347\coeficientes\coefOZ.txt
','r');
elseif indi==kk+9

fid=fopen('\\Warrior\EEG\SinaisControle\co2c0000351\coeficientes\coefOZ.txt
','r');
elseif indi==kk+10

fid=fopen('\\Warrior\EEG\SinaisControle\co2c0000357\Coeficientes\CoefOZ.txt
','r');
elseif indi==kk+11

fid=fopen('\\Warrior\EEG\SinaisControle\co2c0000362\coeficientes\coefOZ.txt
','r');
elseif indi==kk+12

fid=fopen('\\Warrior\EEG\SinaisControle\co2c0000363\coeficientes\coefOZ.txt
','r');
elseif indi==kk+13

fid=fopen('\\Warrior\EEG\SinaisControle\co2c0000370\coeficientes\coefOZ.txt
','r');
elseif indi==kk+14

fid=fopen('\\Warrior\EEG\SinaisControle\co2c0000371\coeficientes\coefOZ.txt
','r');
elseif indi==kk+15

fid=fopen('\\Warrior\EEG\SinaisControle\co2c0000373\coeficientes\coefOZ.txt
','r');
elseif indi==kk+16

fid=fopen('\\Warrior\EEG\SinaisControle\co2c0000374\coeficientes\coefOZ.txt
','r');
elseif indi==kk+17

fid=fopen('\\Warrior\EEG\SinaisControle\co2c0000379\coeficientes\coefOZ.txt
','r');
elseif indi==kk+18

fid=fopen('\\Warrior\EEG\SinaisControle\co2c0000382\coeficientes\coefOZ.txt
','r');
elseif indi==kk+19

fid=fopen('\\Warrior\EEG\SinaisControle\co2c0000383\coeficientes\coefOZ.txt
','r');

end

B=fscanf(fid,'%f');
tam=size(B);
B1=B;
pos=pos+2;
for i=1:tam
entra(i,pos)=B1(i);


88
end
saida(pos)=-1;%normais
fclose(fid);
clear B;
end
%normalizacao do valores da entrada
%MCW valor maximo esperado para os Coeficientes Wavelet
MCW=max(max(abs(entra)));
entra=entra/MCW;
%treinamento
nneuron=200;
nepochs=1000;
lr=0.01;
finalerror=0.05;
[netout, W1, W2,
erro]=jhnettrain(entra,saida,nneuron,nepochs,lr,finalerror);
%teste de erro

for t=1:10
if t==1

fid=fopen('\\Warrior\EEG\SinaisPatologicos\co2a0000398\Coeficientes\coef
OZ.txt','r');
B=fscanf(fid,'%f');
MCW=max(max(abs(B)));
B1=B;
fclose(fid);
elseif t==2

fid=fopen('\\Warrior\EEG\SinaisPatologicos\co2a0000414\Coeficientes\coefOZ.
txt','r');
B=fscanf(fid,'%f');
MCW=max(max(abs(B)));
B1=B;
fclose(fid);
elseif t==3

fid=fopen('\\Warrior\EEG\SinaisPatologicos\co2a0000415\Coeficientes\coefOZ.
txt','r');
B=fscanf(fid,'%f');
MCW=max(max(abs(B)));
B1=B;
fclose(fid);
elseif t==4

fid=fopen('\\Warrior\EEG\SinaisPatologicos\co2a0000409\Coeficientes\coefOZ.
txt','r');
B=fscanf(fid,'%f');
MCW=max(max(abs(B)));
B1=B;
fclose(fid);
elseif t==5

fid=fopen('\\Warrior\EEG\SinaisPatologicos\co2a0000410\Coeficientes\coefOZ.
txt','r');
B=fscanf(fid,'%f');
MCW=max(max(abs(B)));
B1=B;
fclose(fid);
elseif t==6


89

fid=fopen('\\Warrior\EEG\SinaisPatologicos\co2a0000411\Coeficientes\coefOZ.
txt','r');
B=fscanf(fid,'%f');
B1=B;
MCW=max(max(abs(B)));
fclose(fid);
elseif t==7

fid=fopen('\\Warrior\EEG\SinaisPatologicos\co2a0000457\Coeficientes\coefOZ.
txt','r');
B=fscanf(fid,'%f');
B1=B;
MCW=max(max(abs(B)));
fclose(fid);
elseif t==8

fid=fopen('\\Warrior\EEG\SinaisPatologicos\co2a0000458\Coeficientes\coefOZ.
txt','r');
B=fscanf(fid,'%f');
B1=B;
MCW=max(max(abs(B)));
fclose(fid);
elseif t==9

fid=fopen('\\Warrior\EEG\SinaisPatologicos\co2a0000459\Coeficientes\coefOZ.
txt','r');
B=fscanf(fid,'%f');
B1=B;
MCW=max(max(abs(B)));
fclose(fid);

else

fid=fopen('\\Warrior\EEG\SinaisPatologicos\co2a0000412\Coeficientes\coefOZ.
txt','r');
B=fscanf(fid,'%f');
B1=B;
MCW=max(max(abs(B)));
fclose(fid);

end



for i=1:tam
gteste(i,1)=B(i);
end

[netout1]=jhnetout(gteste,W1,W2);

netout1
pause;

end




for t=1:10
if t==1


90

fid=fopen('\\Warrior\EEG\SinaisControle\co2c0000384\Coeficientes\coefOZ.
txt','r');
B=fscanf(fid,'%f');
MCW=max(max(abs(B)));
B1=B;
fclose(fid);
elseif t==2

fid=fopen('\\Warrior\EEG\SinaisControle\co2c0000387\Coeficientes\coefOZ.
txt','r');
B=fscanf(fid,'%f');
MCW=max(max(abs(B)));
B1=B;
fclose(fid);
elseif t==3

fid=fopen('\\Warrior\EEG\SinaisControle\co2c0000389\Coeficientes\coefOZ.
txt','r');
B=fscanf(fid,'%f');
MCW=max(max(abs(B)));
B1=B;
fclose(fid);
elseif t==4

fid=fopen('\\Warrior\EEG\SinaisControle\co2c0000392\Coeficientes\coefOZ.
txt','r');
B=fscanf(fid,'%f');
MCW=max(max(abs(B)));
B1=B;
fclose(fid);
elseif t==5

fid=fopen('\\Warrior\EEG\SinaisControle\co2c0000393\Coeficientes\coefOZ.
txt','r');
B=fscanf(fid,'%f');
MCW=max(max(abs(B)));
B1=B;
fclose(fid);
elseif t==6

fid=fopen('\\Warrior\EEG\SinaisControle\co2c0000395\Coeficientes\coefOZ.
txt','r');
B=fscanf(fid,'%f');
MCW=max(max(abs(B)));
B1=B;
fclose(fid);
elseif t==7

fid=fopen('\\Warrior\EEG\SinaisControle\co2c0000396\Coeficientes\coefOZ.
txt','r');
B=fscanf(fid,'%f');
MCW=max(max(abs(B)));
B1=B;
fclose(fid);
elseif t==8

fid=fopen('\\Warrior\EEG\SinaisControle\co2c0000397\Coeficientes\coefOZ.
txt','r');
B=fscanf(fid,'%f');
MCW=max(max(abs(B)));


91
B1=B;
fclose(fid);
elseif t==9

fid=fopen('\\Warrior\EEG\SinaisControle\co2c0000402\Coeficientes\coefOZ.
txt','r');
B=fscanf(fid,'%f');
MCW=max(max(abs(B)));
B1=B;
fclose(fid);
else

fid=fopen('\\Warrior\EEG\SinaisControle\co2c0000403\Coeficientes\coefOZ.
txt','r');
B=fscanf(fid,'%f');
B1=B;
MCW=max(max(abs(B)));
fclose(fid);

end



for i=1:tam
gteste(i,1)=B(i);
end

[netout2]=jhnetout(gteste,W1,W2);

netout2
pause;

end



























92












APNDICE 2:

Programa em MATLAB para extrao dos coeficientes wavelets:
















93
APNDICE 2: PROGRAMA PARA EXTRAO DOS COEFICIENTES
WAVELETS:

function [coef,C,S]=wtcmp(diretorio,nomeEletrodo,X, fam,ord, thr);
% Argumentos de entrada:
% X: sinal original
% fam: familia da wavelet a ser usada ('db2', 'bior5.3',...)
% ord: ordem de decomposiao da wavelet
% thr: nivel de threshold
% Argumentos de saida
% coef: coefiecientes obtidos
%
X=double(X);
dwtmode('per');
% Decomposiao wavelet: retorna coeficientes
[C,S]=wavedec(X,ord,fam);
% parametros funao wdencmp
[Xcmp,CXC,LXC,PERF0,PERFL2] = wdencmp('gbl',C,S,fam,ord,thr,'h',0.01);
Xcomp = WAVEREC(CXC,LXC,fam);
%
Exportar sinais para fora do MAtlab p
%save Sinaloriginal.mat X

%save Coeficientes.mat coef
aux=strcat(diretorio,'Coef',nomeEletrodo,'.txt');
fid = fopen(aux,'w');
fprintf(fid,'%3.4f\n',C);
fclose(fid);
%save VetorCoef.mat lcoef
%as variaveis estao armazenadas na pasta work do Matlab