Detecção de Sinal EEG Epiléptico Utilizando Redes Neurais

Auto-Organizáveis com Base em Parâmetros Multifractais

Maykon R. P. da Silva, Flávio G. C. Rocha

Escola de Engenharia Elétrica, Mecânica e de Computação, Universidade Federal de Goiás (UFG)
74.605-010 - Goiânia, GO - Brasil
maykonrenan@discente.ufg.br, flaviogcr@ufg.br

RESUMO
O sinal de eletroencefalograma (EEG) é amplamente utilizado clinicamente para inves-
tigar distúrbios cerebrais. O estudo da atividade elétrica cerebral, através dos registros eletroence-
falográficos, é uma das ferramentas mais importantes para o diagnóstico de doenças neurológicas.
Entretanto, as gravações de sinais de EEG em sistemas ambulatoriais geram dados muito longos e
a detecção da atividade epiléptica requer uma análise demorada de todo o comprimento dos dados
de EEG por um especialista. Sendo os métodos tradicionais de análise tediosos, muitos sistemas
de diagnóstico automatizados para epilepsia surgiram nos últimos anos. Por este motivo, propõe-se
um sistema automatizado de detecção e classificação de sinais de EEG de pacientes com epilep-
sia baseado na rede neural SOM (Self Organizing Map), que utiliza cinco parâmetros multifractais
como recursos de entrada. Os resultados mostram que o sistema proposto alcança uma acurácia
média em torno de 98, 12% a 99, 01% na classificação de sinais de EEG de pacientes saudáveis e
com epilepsia.

PALAVRAS CHAVE. EEG, Epilepsia, Análise Multifractal, Rede Neural SOM

IC – Inteligência Computacional
EST&MP – Estatı́stica e Modelos Probabilı́sticos

ABSTRACT
The electroencephalogram (EEG) signal is widely used clinically to investigate brain
disorders. The study of brain electrical activity, through electroencephalographic records, is one of
the most important tools for the diagnosis of neurological diseases. However, EEG recordings in
outpatient systems generate very long data and the detection of epileptic activity requires a lengthy
analysis of the entire length of EEG data by a specialist. Since traditional methods of analysis are
tedious, many automated diagnostic systems for epilepsy have emerged in recent years. For this
reason, an automated system for detecting and classifying EEG signals from patients with epilepsy
is proposed, based on the SOM neural network (Self Organizing Map), which uses five multifractals
parameters as input resources. The results show that the proposed system achieves an accuracy close
to 98, 12%–99, 01% in the classification of EEG signals in healthy patients with epilepsy.

KEYWORDS. EEG, Epilepsy, Multifractal Analisys, SOM Neural Network

Computational Intelligence
Statistics and Probabilistic Models
1. Introdução
Aproximadamente 50 milhões de pessoas em todo o mundo têm epilepsia [WHO, 2020].
O sinal de eletroencefalograma (EEG – Electroencephalogram) pode ser usado com a finalidade
de detecção epiléptica, pois a epilepsia uma condição relacionada à atividade elétrica atı́pica do
cérebro [Andrzejak et al., 2001; Srinivasan et al., 2007]. A epilepsia é caracterizada pela ocorrência
de crises recorrentes que podem ser observadas no sinal de EEG. Na maioria dos casos, o inı́cio das
crises não pode ser previsto em um curto perı́odo, sendo necessário um registro contı́nuo do sinal de
EEG para detectar a epilepsia. Em um caso de epilepsia, duas categorias atı́picas são observadas no
sinal de EEG: ictal (durante uma crise epiléptica) e interictal (entre crises). A forma mais comum
de anormalidade interictal é a formação de picos no sinal de EEG. Esses picos são observados na
maioria dos pacientes epilépticos, enquanto apenas um número muito pequeno de pacientes não
epilépticos apresenta essa caracterı́stica. Por esse motivo, a detecção interictal de pico desempenha
um papel importante no diagnóstico da epilepsia. Um padrão EEG muito diferente é visto durante
o perı́odo ictal, consistindo em formas de onda rı́tmicas. Portanto, a detecção de epilepsia é ba-
sicamente o problema de reconhecer picos em sinais de eletroencefalograma e classificá-los como
epilépticos ou normais [Nigam e Graupe, 2004; Srinivasan et al., 2007].
Uma forma comum de gravação usada para extrair sinais de EEG é a gravação ambula-
torial que contém dados de sinais de EEG por um perı́odo muito longo de até uma semana, por
exemplo. Grandes quantidades de dados são geradas pelos sistemas de monitoramento EEG para
alterações eletroencefalográficas, e sua análise visual completa não é rotineiramente possı́vel, já que
envolve os esforços de um especialista em analisar todo o comprimento das gravações de EEG para
detectar traços de epilepsia, por este motivo, muitos sistemas automatizados de detecção de sinais
de EEG epiléptico foram desenvolvidos nos últimos anos [Nigam e Graupe, 2004; Srinivasan et al.,
2005; Subasi, 2007; Guo et al., 2009; Nicolaou e Georgiou, 2012; Samiee et al., 2015; Hartmann
et al., 2018; Fu et al., 2020].
Com o advento da tecnologia digital, é possı́vel armazenar e processar os dados de sinal de
EEG digitalmente. Os dados digitais do EEG podem ser alimentados a um automático de detecção
de sinais de EEG, a fim de detectar as crises presentes nos dados do EEG. Portanto, o neurologista
pode tratar mais pacientes em um determinado momento, pois o tempo necessário para revisar os
dados do EEG é consideravelmente reduzido devido à automação. Existe uma grande demanda pelo
desenvolvimento desses dispositivos automatizados, devido ao aumento do uso de longas gravações
de sinais de EEG para avaliação e tratamento adequados de doenças neurológicas. Utilizando-se
desses sistemas automatizados pode-se reduzir a possibilidade do especialista perder essa enorme
quantidade de dados e/ou fazer uma má interpretação dessa grande quantidade de informação.
Neste trabalho, propõe-se um sistema de automático de detecção de sinais de EEG com
epilepsia utilizando redes neurais auto-organizáveis, onde os parâmetros multifractais (obtidos através
da análise multifractal) são os recursos de entrada da rede SOM.
O restante do artigo está organizado da seguinte forma: a Seção 2 apresenta alguns dos
algoritmos de detecção e classificação de sinais de EEG epilépticos presentes na literatura; na Seção
3 é proposto um algoritmo de classificação de sinais de EEG epilépticos utilizando um mapa auto-
organizável (rede neural SOM) tendo como recursos de entrada parâmetros multifractais; na Seção 4
é avaliada a eficiência do sistema proposto em comparação a outros modelos presentes na literatura:
[Srinivasan et al., 2005], [Subasi, 2007], [Guo et al., 2009] e [Nicolaou e Georgiou, 2012]; na Seção
5 são apresentadas as conclusões obtidas.
2. Trabalhos Relacionados
Em [Srinivasan et al., 2005] é proposto um algoritmo para detecção epiléptica usando um
tipo especial de rede neural recorrente conhecida como rede Elman (EN – Elman Network). De
acordo com [Srinivasan et al., 2005], os resultados experimentais mostram que a EN produz uma
acurácia média elevada na classificação dos sinais em normais ou epilépticos. Mais detalhes podem
ser obtidos em [Srinivasan et al., 2005].
Em [Subasi, 2007], foi proposto um sistema baseado em uma rede neural ME (Mixture of
Experts) com o objetivo de detectar crises epilépticas em sinais de EEG. O algoritmo ME utilizado
para a detecção de crises epilépticas foi treinado através de parâmetros extraı́dos aplicando a DWT
(Discrete Wavelet Transform) nos sinais de EEG obtidos de indivı́duos saudáveis e indivı́duos com
epilepsia. Mais detalhes podem ser obtidos em [Subasi, 2007].
Em [Guo et al., 2009], os sinais de EEG foram analisados utilizando a transformada wa-
velet e, em seguida, um sistema baseado em uma rede neural foi implementado para classificar os
sinais de EEG em duas categorias: normal ou epiléptica. De acordo com [Guo et al., 2009], o sis-
tema alcançou precisão média elevada na classificação dos sinais de EEG em normais ou epilépticos.
Mais detalhes podem ser obtidos em [Guo et al., 2009].
Em [Nicolaou e Georgiou, 2012] investigou-se o uso da Entropia de Permutação (PE –
Permutation Entropy) como um recurso para detecção de crises epilépticas. Uma Máquina de Vetor
de Suporte (SVM – Support Vector Machine) é usada para classificar os sinais de EEG em normais
ou epilépticos com base nos valores da PE. O sistema proposto por [Nicolaou e Georgiou, 2012]
utiliza-se do fato de que o sinal de EEG durante a crise epiléptica é caracterizado por um valor de
entropia de permutação menor do que em um sinal de EEG de um paciente saudável. Mais detalhes
podem ser obtidos em [Nicolaou e Georgiou, 2012].
3. Materiais e Métodos
A Figura 1 ilustra o diagrama de blocos do sistema proposto para a detecção de picos
epilépticos em sinais de EEG.

Etapa 1 Etapa 2 Etapa 3 Etapa 4

Aquisição Extração Decisão
de de Classificação
do Diagnóstico
Dados Características por
pelo
(EEG) (Análise Rede Neural
Neurologista
e Pré- Multifractal) (SOM)
Processamento

Figura 1: Proposta de sistema automatizado de análise e classificação de sinais de EEG epilépticos.

O sistema proposto é dividido em quatro etapas:

• Etapa 1. Ocorre a aquisição dos dados (sinais de EGG) e o pré-processamento. O pré-
processamento dos sinais de EEG baseia-se na filtragem temporal e espacial dos sinais, ge-
rando sequências temporais com uma melhor relação sinal/ruı́do que o sinal original. Nesta
etapa também se atenuam as bandas de frequência não utilizadas na análise, com o objetivo
de não comprometer o processo de extração de caracterı́sticas;
• Etapa 2. Consiste em descrever o sinal de EEG utilizando um conjunto de parâmetros que
definem este sinal dentro de um espaço de caracterı́sticas. A classificação dos sinais é feita a
partir destas caracterı́sticas, e busca semelhanças entre este sinal e uma determinada classe já
conhecida. Neste trabalho utiliza-se a análise multifractal para a extração de caracterı́sticas
dos sinais de EEG. Nesta etapa, cinco parâmetros serão estimados para posteriormente servi-
rem como recursos de entrada para etapa de classificação;
 • Etapa 3. Consiste em associar as caracterı́sticas (parâmetros multifractais) calculadas anteri-
ormente, a partir dos sinais de EEG, a uma determinada classe, a qual pode corresponder a
um estado mental especı́fico. Nesta etapa utiliza-se a rede SOM com o objetivo de detectar e
classificar os sinais de EEG em epilépticos ou normais; e

• Etapa 4. Ocorre o diagnóstico final do neurologista com base nos resultados apresentados
pelo sistema proposto.

3.1. Aquisição de dados EEG e Pré-processamento

Neste trabalho utilizou-se os dados descritos em [Andrzejak et al., 2001; Epileptologie,
2001]. O conjunto de dados consiste em cinco grupos denotados de A, B, C, D e E, cada grupo
contém 100 séries temporais e cada série temporal é composta por 4097 amostras que representam
os sinais de EEG com 23, 6 segundos de duração. Neste artigo serão avaliados os grupos A, C, D e
E, como mostra a Figura 2. O grupo B não será utilizado por apresentar caracterı́sticas similares ao
grupo A.

A
100
0
-100
-200
0 5 10 15 20
C
Amplitude (micro Volts)

100
0
-100
0 5 10 15 20
D
100

-100
0 5 10 15 20
E
1000
0
-1000
-2000
0 5 10 15 20
Tempo (segundos)

Figura 2: Sinais de EEG de pessoas saudáveis (A) e pessoas com epilepsia (C, D e E).

Com o objetivo de eliminar o ruı́do causado pelos aparelhos de gravação e/ou extração
do sinal (eletrodos) é aplicado um filtro passa-banda de 0, 53 a 40 Hz (12 dB/oitava) [Andrzejak
et al., 2001]. O pré-processamento consiste de uma etapa prévia à extração de caracterı́sticas, com
o objetivo de minimizar interferências da rede elétrica e limitar a banda de frequência do sinal para
otimizar a extração de caracterı́sticas.
O grupo A é composto por sinais de EEG obtidos de voluntários saudáveis com os olhos
abertos (o grupo B também é composto de sinais obtidos de pacientes saudáveis, porém, com os
olhos fechados). Os grupos C e D são compostos por sinais de EEG obtidos de voluntários que
apresentam epilepsia, entretanto, as medições foram feitas em intervalos livres de crises. Essas
medições foram feitas na zona hipocampal (grupo C) e na zona epileptogênica (grupo D). O grupo
E contém sinais de EEG de voluntários que apresentam epilepsia, entretanto, as medições foram
feitas em intervalos de crises epilépticas (apresentaram convulsões). Os dados do grupo A foram
extraı́dos extra-cranialmente, enquanto os conjuntos C, D e E foram extraı́dos intra-cranialmente
[Andrzejak et al., 2001].
A análise dos sinais de EEG epilépticos por meio de eletrodos fornecem informações
importantes sobre o inı́cio das crises epilépticas, como por exemplo, as convulsões que são um dos
sintomas apresentados por quem possui epilepsia.
3.2. Análise Multifractal na Extração de Caracterı́sticas dos Sinais de EEG
A etapa de extração de caracterı́sticas é de extrema importância no desenvolvimento de um
sistema de detecção automática de epilepsia. Assim, um algoritmo para a extração de caracterı́sticas
deve ser capaz de evidenciar mudanças sutis no sinal devido à execução de uma determinada tarefa
mental, a qual pode estar associada a movimentos, por exemplo. Caso os algoritmos utilizados
nesta etapa não forneçam parâmetros que evidenciem caracterı́sticas especı́ficas em cada classe de
dados, a etapa de detecção pode ficar comprometida, reduzindo precisão na classificação dos sinais
que estão sob análise. A seguir é apresentada uma breve descrição sobre a teoria dos fractais e
multifractais e a estimação dos parâmetros que serão utilizados na etapa posterior.
A geometria fractal pode ser mais precisa na descrição de fenômenos reais que a geome-
tria euclidiana. Os fractais, ao serem definidos como objetos geométricos que possuem uma forma
irregular que persiste em várias resoluções de observação [Mandelbrot, 1990], tornam-se candidatos
a serem utilizados na descrição de fenômenos reais. De fato, a maioria dos sinais fractais conhe-
cidos possui a caracterıstica de autossimilaridade que pode ser observada, por exemplo, em uma
folha de samambaia ou em um floco de neve. Em outras palavras, o conceito de autossimilaridade
presente nos fractais está associado aos fenômenos e objetos cuja forma não muda em decorrência
da mudança de escala. Existem aplicações associadas aos comportamentos de natureza fractal em
diversas áreas da ciência, como por exemplo, análise e modelagem do tráfego de redes de computa-
dores [Tuberquia-David et al., 2016; Li, 2020a,b].
O parâmetro de Hurst (H) mede o grau de autossimilaridade do processo com carac-
terı́stica fractal, onde H está contido no intervalo (0 < H < 1, 0). Convém ressaltar que no
caso de processos assintoticamente autossimilares restringindo-se o parâmetro de Hurst ao intervalo
(0, 5 < H < 1, 0), autossimilaridade implica em longa dependência. Assim, diz-se que processos
autossimilares com H > 0, 5 apresentam dependência de longa duração [Mandelbrot, 1990].
Na análise multifractal verifica-se o comportamento em escala de momentos estatısticos
dos processos para estimar suas regularidades locais [Kantelhardt et al., 2002]. Através de fer-
ramentas da análise multifractal algumas propriedades encontradas em processos reais podem ser
verificadas.
A transformada wavelet é uma ferramenta poderosa para caracterização da regularidade
local de um sinal. Conceitualmente, a transformada wavelet é um produto-convolução do si-
nal analisado com a wavelet-mãe ψ. Ajustando-se a wavelet-mãe a uma determinada escala j e
transladando-a até um ponto 2j k de um sinal f (x), com j, k ∈ Z, onde k é o deslocamento no
tempo, os coeficientes wavelets Wj,k podem ser calculados pela seguinte equação [Mallat, 2008]:
Z ∞
Wj,k = 2−j f (x) ψ 2−j x − k dx,


(1)
−∞

tendo-se Wj,k , o estimador de momentos dos coeficientes wavelets µj (q) pode ser calculado pela
seguinte equação:
µj (q) = E [|Wj,k |q ] , (2)
onde q representa a ordem do momento estatı́stico.
Em um processo autossimilar, µj (q) segue uma lei de potência, sendo descrito por meio
da seguinte relação [Abry et al., 2000]:

E [|Wj,k |q ] = Cq 2j(αq +q/2) , (3)

onde Cq é uma constante que depende de q.

 Assim, a inclinação de log2 µj (q) em relação à escala j fornece uma estimativa de αq ,
parâmetro a partir do qual são definidas variáveis úteis na verificação de comportamento multifrac-
tal em séries temporais, sendo elas: ζq = αq − q/2 e hq = αq /q [Abry et al., 2000]. Assim,
uma caracterı́stica linear de ζq ou uma caracterı́stica constante de hq determina processos mono-
fractais, enquanto uma caracterı́stica não linear de ζq ou não constante de hq determina processos
multifractais [Kantelhardt et al., 2002]. Para processos monofractais, ζ(q) = qH e hq = H.
Em (3), quando q = 2, αq + q/2 = 2H − 1, onde 2H − 1 representa o expoente de
autossimilaridade. Logo, H pode ser estimado para o segundo momento estocástico, pela seguinte
equação [Abry et al., 2000]:

log2 (µj (2)) = (2H − 1)j + log2 (C2 ). (4)

Tendo-se hq , a função de escala τ (q) pode ser estimada pela seguinte equação:

τ (q) = qhq − 1, (5)

se τ (q) versus q tiver um comportamento linear, diz-se que este é um indı́cio de comportamento
monofractal do processo, caso contrário, diz-se que há um indı́cio de que o processo seja multifrac-
tal.
Processos multifractais contêm uma multiplicidade de expoentes de Hölder locais (θ) den-
tro de qualquer intervalo finito. O conceito de expoente de Hölder está relacionado com a singula-
ridade local de um processo, ou seja, caracteriza a sua suavidade (quantidade de rajadas) em certo
instante de tempo. A distribuição destes expoentes pode ser representada por uma densidade nor-
malizada chamada espectro multifractal. Em outras palavras, o espectro multifractal descreve a
dimensão fractal do conjunto de instantes possuindo um dado expoente local [Kantelhardt et al.,
2002]. O espectro multifractal f (θ) de um processo X(t) pode ser visto como a transformada de
Legendre de τ (q) (função de escala definida anteriormente) pela relação:
dτ
θ= f (θ) = min {qα − τ (q)} . (6)
dq q

Processos cujo espectro f (θ) é definido para apenas um ponto, apresentando um único
expoente de Hölder, são classificados como monofractais. Para processos multifractais, o espectro
geralmente apresenta uma forma parabólica côncava, cuja a largura do espectro multifractal (MSW
– Multifractal Spectrum Width) é proporcional a variabilidade dos expoentes de Hölder [Tuberquia-
David et al., 2016; Kantelhardt et al., 2002].
Os parâmetros apresentados nesta seção serão utilizados para classificação dos sinais de
EEG pela rede SOM, sendo eles: parâmetro de Hurst (H), diagrama multi escala (hq ), função de
escala (τ (q)), largura do espectro multifractal (MSW) e expoentes de Hölder (θ).
3.3. Classificação por Redes Neurais Auto-Organizáveis (SOM)
A etapa de classificação consiste em associar as caracterı́sticas calculadas anteriormente,
a partir dos sinais EEG, a uma determinada classe, a qual pode corresponder a um estado mental
especı́fico. A seguir é apresentada uma breve descrição sobre o mapa auto-organizável (SOM – Self
Organizing Map), algoritmo que será o responsável por fazer o agrupamento e classificação dos
sinais de EEG a partir dos parâmetros que serão estimados na Seção 4.
Um mapa auto-organizável (SOM) é uma rede neural não supervisionada [Haykin, 2009],
[van Veen, 2016]. O processo de aprendizagem da rede SOM é semelhante às propriedades de
representação de informações de muitas funções do cérebro. O SOM é um algoritmo de cluster
não supervisionado que fornece mecanismos para visualizar a distribuição complexa de estados
cognitivos. Os dados de alta dimensão são projetados para dados de baixa dimensão e, em seguida,
analisados facilmente através de sua organização topográfica. A projeção de dimensão no algoritmo
SOM é alcançada usando duas camadas: a camada de entrada e a camada de saı́da [Haykin, 2009],
como mostra a Figura 3:

Neurônios

Dados

Figura 3: Arquitetura de uma rede neural auto-organizável. Adaptado de [van Veen, 2016].

Na camada de entrada, cada neurônio no mapa contém um vetor de referência n-dimensional

(como nos dados de entrada). Em cada processo de aprendizagem, a distância euclidiana é calcu-
lada entre a amostra de treinamento e o neurônio. A amostra de treinamento é projetada no neurônio
com a menor distância. Esse neurônio é estimulado a se adaptar à amostra de treinamento projetada.
O aprendizado competitivo é uma caracterı́stica essencial do algoritmo SOM. O neurônio escolhido
e seus neurônios vizinhos são adaptados. O grau de adaptação depende da distância entre os dois
neurônios [Haykin, 2009].
Quando o processo de treinamento não supervisionado é concluı́do, a organização to-
pográfica do mapa representa adequadamente a distribuição dos dados. A rede SOM imita o me-
canismo de aprendizado do cérebro. O cérebro de uma criança, por exemplo, ao receber vários
tipos de estımulos, se organiza e neurônios com funções semelhantes são agrupados em regiões
especı́ficas do cérebro.
Há três passos básicos envolvidos na aplicação do algoritmo após a inicialização: amos-
tragem, casamento por similaridade e atualização. Estes três passos são repetidos até a formação do
mapa de caracterı́sticas estar completa. O Algoritmo 1 descreve cada um desses passos [Haykin,
2009].
4. Resultados
Nesta seção, será feita uma análise de desempenho do sistema proposto. Na Seção 4.1
será analisada a extração de caracterı́sticas dos sinais de EEG através da análise multifractal e serão
apresentados os valores dos cinco parâmetros que serão utilizados para classificação. Na Seção 4.2,
será feita a classificação dos sinais de EEG com base nos parâmetros multifractais e o desempenho
do algoritmo proposto será medido pela acurácia (%) na taxa de acerto na classificação de um
sinal de EEG em normal ou epiléptico, além disso, o método proposto será comparado com outros
métodos importantes presentes na literatura. Os resultados foram obtidos utilizando o software
Matlab R2020a, hardware com processador Intel core i5, 8 GB de memória RAM e placa de vı́deo
AMD Radeon R5 M230 com 2 GB de memória dedicada.
4.1. Análise Multifractal
A análise multifractal será utilizada para descrever o sinal de EEG utilizando um conjunto
de parâmetros que definem este sinal dentro de um espaço de caracterı́sticas. Nesta etapa, cinco
Algoritmo 1 Rede Neural SOM
1: Inicialização. Escolha valores aleatórios para os vetores de pesos iniciais wj (0). A única
restrição aqui é que os wj (0) sejam diferentes para j = 1, 2, ..., l,, onde l é o número de
neurônios na grade. Pode ser desejável manter a magnitude dos pesos pequena. Um outro
modo de inicializar o algoritmo é selecionar os vetores de peso {wj (0)}lj=1 a partir de um
conjunto disponı́vel de vetores de entrada {xi }N i=1 de uma maneira aleatória;
2: Amostragem. Retire uma amostra x do espaço de entrada com uma certa probabilidade; o vetor
x representa o padrão de ativação que é aplicado à grade. A dimensão do vetor x é igual a m.
3: Casamento por Similaridade. Encontre o neurônio com o melhor casamento (vencedor) i(x)
no passo de tempo n usando o critério da mı́nima distância euclidiana;

i (x) = arg min kx(n) − wj k , j = 1, 2, ..., l. (7)

4: Atualização. Ajuste os vetores de peso sináptico de todos os neurônios usando a fórmula de

atualização;
wj (n + 1) = wj (n) + η(n)hj,i(x) (n) (x(n) − wj (n)) , (8)
onde η(n) é o parâmetro de taxa de aprendizagem e hj,i(x) (n) é a função de vizinhança centrada
em torno do neurônio vencedor i(x); ambos η(n) e hj,i(x) (n) são variados dinamicamente
durante a aprendizagem para obter melhores resultados;
5: Continuação. Continue com o passo 2 até que não haja alterações na matriz de pesos ou até
que o número máximo de interações seja atingido, o que significa que não há modificações
significativas no mapa de caracterı́sticas.

parâmetros serão calculados para posteriormente servirem como recursos de entrada para etapa de
classificação. Para tanto, foram selecionados 50 sinais de EEG de cada grupo A, C, D e E, para
estimação média dos seguintes parâmetros: hq , τq (função de escala) e espectro multifractal, como
mostra a Figura 4.
Analisando a Figura 4, percebe-se que todos os grupos A, C, D e E apresentam carac-
terı́sticas multifractais, como por exemplo, hq não constante, função de escala não linear e espectro
multifractal côncavo e largo. Além disso, percebe-se que cada grupo pode ser distinguı́vel um do
outro, principalmente o grupo E, já que apresentou as curvas que mais destoaram dos outros grupos
de sinais (A, C e D), o que facilita a classificação.

0.9
7
Grupo A Grupo A 1
Grupo A
Grupo C 6 Grupo C Grupo C
0.8 Grupo D 0.9
Grupo D Grupo D
Grupo E 5 Grupo E 0.8 Grupo E
Espectro Multifractal
Função de Escala

0.7
4 0.7

3 0.6
hq

0.6
0.5
2
0.4
0.5
1
0.3
0
0.4 0.2

-1 0.1
0.3
0 2 4 6 8 10 -2 0
0 2 4 6 8 10 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8
Momentos (q) Momentos (q) Hölder ( )

(a) (b) (c)

Figura 4: a) Diagrama multiescala. b) Função de escala. c) Espectro multifractal.

 Logo os cinco parâmetros que serão utilizados pela rede SOM são os seguintes: o parâmetro
de Hurst (H); a diferença entre o máximo e o mı́nimo para a função hq ; o valor máximo do ex-
poente de Hölder (θ); largura do espectro multifractal (M SW ); e o Coeficiente Angular (CA) da
função τ (q). Esse parâmetros serão utilizadas em dois momentos da rede SOM: na construção do
vetor de referência (vetor de dados de entrada), onde este vetor armazenará os valores médios de
50 sinais de EEG para cada grupo A, C, D e E para o treinamento da rede; na construção do vetor
de pesos sinápticos (os neurônios), onde cada neurônio armazenará os valores dos cinco parâmetros
multifractais, porém, para um único sinal de EEG.
A Tabela 1 apresenta os vetores de referências para cada grupo A, C, D e E, que re-
presentam os valores médios de 50 sinais de EEG. Esse vetores serão utilizados como dados de
aprendizagem para rede SOM. Avaliando a Tabela 1, vale ressaltar os valores do parâmetros de
Hurst médios para cada grupo de sinais de EEG. O grupo E (pessoas epilépticas) possui um valor
médio de aproximadamente 0, 42, ou seja, com um baixo grau de autossimilaridade entre as amos-
tras, enquanto o grupo A (pessoas saudáveis), possui um valor médio de 0, 7930, ou seja, uma forte
dependência entre as amostras.

Tabela 1: Valores médios (E [·]) dos cinco parâmetros multifractais utilizados para o treinamento da Rede
SOM.
Grupos H̄ médio E [max (hq ) − min (hq )] E [max (θ)] ¯ médio
M SW CA médio de τ (q)
A 0,7939 0,4531 0,8922 1,1548 0,6102
C 0,7427 0,5056 0,9541 1,1324 0,7140
D 0,6760 0,7285 0,9293 1,1936 0,5650
E 0,4195 0,6761 0,7103 1,0968 0,4084

4.2. Classificação por meio da Rede Neural SOM

Nesta seção, os parâmetros médios da Tabela 1 serão os parâmetros de entrada, sendo os
parâmetros de referência de clusterização. O objetivo é que cada neurônio (que será representado
pelos cinco parâmetros multifractais estimados, porém, de um único sinal de EEG) ao longo das
interações, se aproxime desses parâmetros médios (Tabela 4.2) e o processo de clusterização se ini-
cie, e posteriormente, um mapa auto-organizável se forme, separando dois grupos distintos de sinais
de EEG, a serem classificados como epilépticos ou normais. A Tabela 2 apresenta os parâmetros de
simulação da rede neural SOM.

Tabela 2: Parâmetros de simulação da rede neural SOM.

Parâmetros Valores
Dimensão do Mapa Auto-Organizavél 14 × 14
Neurônios 196
Iterações para clusterização 60
Taxa de Aprendizagem (TA) 0, 175
Taxa decaimento exponencial da TA 0, 05
Variância da função Gaussiana (Função de Vizinhança) 50
Taxa de decaimento exponencial da variância 0, 05

A Figura 5 apresenta grades de 196 neurônios apenas para um dos cinco parâmetros, no
caso o parâmetro de Hurst (H), entre os grupos A-E, C-E e D-E. Os neurônios foram inicialmente
selecionados aleatoriamente, pois, a forma como os dados estão dispostos no mapa pode dificultar
ou facilitar a classificação pela rede SOM, já que como foi dito na Seção 3.3 o neurônio vencedor
atrai também os seus vizinhos mais próximos, ou seja, se os dados de um mesmo grupo de sinais
de EEG estiverem muito próximos, a clusterização tende a ser mais fácil, e a acurácia na taxa de
acerto tenda a ser mais alta, agora, quando os dados de um mesmo grupo estão muito espalhados,
isso tende a dificultar a clusterização e erros de classificação podem ocorrer. Analisando a Figura
5, percebe-se que os grupos foram efetivamente separados, em tons de amarelo os grupos A, C e
D, com um valor de H alto e em tons de azul o grupo E, como um valor de H baixo, a Tabela 3
corrobora essa afirmação.

14 14
0.8
0.7

12 12 0.68
0.7

0.66
10 10
0.6 0.64

8 8 0.62
0.5
0.6

6 6
0.4 0.58

0.56
4 4
0.3
0.54

2 2 0.52
0.2

2 4 6 8 10 12 14 2 4 6 8 10 12 14

(a) Mapa aleatório formado por sinais (b) Mapa organizado formado por si-
dos grupos A-E na primeira iteração. nais do grupo A-E na última iteração.

14 14 0.68
0.8
0.66
12 12
0.7 0.64

10 10
0.62
0.6

8 0.6
8
0.5
0.58
6 6
0.4 0.56

4 4 0.54
0.3
0.52
2 2
0.2
0.5

2 4 6 8 10 12 14 2 4 6 8 10 12 14

(c) Mapa aleatório formado por sinais (d) Mapa organizado formado por si-
dos grupos C-E na primeira iteração. nais do grupo C-E na última iteração.

14
14
0.62

0.8 12
12 0.6

0.7
10 10 0.58

0.6
8 8 0.56

0.5
0.54
6 6
0.4
0.52
4 4
0.3
0.5
2 2
0.2

2 4 6 8 10 12 14 2 4 6 8 10 12 14

(e) Mapa aleatório formado por sinais (f) Mapa organizado formado por si-
dos grupos D-E. nais do grupo D-E na última iteração.

Figura 5: Mapas de neurônios contendo os valores do parâmetro de Hurst (H), selecionados aleatoriamente
e organizados.

A Tabela 3 apresenta a acurácia mı́nima (pior desempenho), acurácia máxima (melhor

desempenho) e acurácia média (reflete o desempenho real do algoritmo) na classificação dos sinais
de EEG mostrados na grade de neurônios da Figura 5. Para o cálculo da acurácia, foram feitas 250
simulações, onde foi feito cálculo da acurácia média de clusterização da rede SOM em agrupar um
neurônio (sinal de EEG) em um determinado grupo ou em outro. A acurácia mı́nima e máxima
refletem o melhor e o pior desempenho em uma única simulação dentre as 250. O objetivo é
mostrar como o algoritmo se comporta em uma única simulação. Em relação a acurácia média,
o desempenho do método proposto é comparado à outros métodos da literatura que utilizaram os
mesmos sinais de EEG disponı́veis em [Epileptologie, 2001]. Os resultados mostram que o método
proposto obteve um desempenho superior em relação a maioria dos métodos do estado da arte.

Tabela 3: Desempenho do algoritmo proposto em relação ao estado da arte em termos de acurácia.

Autores EEG Acur. Mı́n. (%) Acur. Máx. (%) Acur. Média (%)
Proposto A-E 96,54 100,00 99,01
Srinivasan et al. [2005] A-E - - 99,60
Subasi [2007] A-E - - 95,00
Guo et al. [2009] A-E - - 95,20
Nicolaou e Georgiou [2012] A-E - - 93,50
Proposto E-C 93,25 100,00 98,12
Nicolaou e Georgiou [2012] E-C - - 88,00
Proposto E-D 91,78 100,00 98,82
Nicolaou e Georgiou [2012] E-D - - 79,90

5. Conclusões
Neste trabalho, foi proposto um algoritmo de detecção e classificação de sinais de EEG
em normais ou epilépticos. O algoritmo proposto utiliza a análise multifractal como ferramenta na
extração de caracterı́sticas (mais precisamente cinco parâmetros) que posteriormente são fornecidos
como dados de entrada para a rede neural SOM, com o objetivo de classificar os sinais em normais
ou epilépticos. O algoritmo proposto mostrou-se eficiente, e com apenas 60 interações conseguiu
obter uma acurácia média para todos os casos analisados entre 98, 12% e 99, 01%, sendo superior
há alguns dos métodos propostos na literatura que apresentam uma maior complexidade de análise
e classificação de sinais de EEG epilépticos.

Referências
Abry, P., Flandrin, P., Taqqu, M. S., e Veitch, D. (2000). Wavelets for the Analysis, Estimation,
and Synthesis of Scaling Data. Self-Similar Network Traffic and Performance Evaluation. Wiley
Online Library, 39–88.
Andrzejak, R. G., Lehnertz, K., Mormann, F., Rieke, C., David, P., e Elger, C. E. (2001). Indicati-
ons of nonlinear deterministic and finite-dimensional structures in time series of brain electrical
activity: Dependence on recording region and brain state. Physical Review E, 64(6).
Epileptologie (2001). Eeg time series download page. url: http://epileptologie-
bonn.de/cms/front content.php?idcat=193&lang=3. acesso: 25-03-2020.
Fu, R., Yongsheng Tian, P. S., e Bao, T. (2020). Automatic detection of epileptic seizures in eeg
using sparse csp and fisher linear discrimination analysis algorithm. Journal of Medical Systems,
44(43).
Guo, L., Rivero, D., Seoane, J. A., e Pazos, A. (2009). Classification of eeg signals using relative
wavelet energy and artificial neural networks. Proceedings of the First ACM/SIGEVO Summit on
Genetic and Evolutionary Computation, p. 177–184.
 Hartmann, K. G., Schirrmeister, R. T., e Ball, T. (2018). Eeg-gan: Generative adversarial networks
for electroencephalograhic (eeg) brain signals. ArXiv, 1806.01875.

Haykin, S. (2009). Neural Networks and Learning Machines. Pearson Prentice Hall, Hamilton,
Canadá, 3 edition.

Kantelhardt, J. W., Zschiegner, S. A., Koscielny-Bunde, E., Bunde, A., Havlin, S., e Stanley, H. E.
(2002). Multifractal detrended fluctuation analysis of nonstationary time series. Physica A:
Statistical Mechanics and its Applications, 316(1-4):87–114.

Li, M. (2020a). Long-range dependence and self-similarity of teletraffic with different protocols
at the large time scale of day in the duration of 12 years: Autocorrelation modeling. Physica
Scripta, 95(6):065222.

Li, M. (2020b). Multi-fractional generalized cauchy process and its application to teletraffic. Phy-
sica A: Statistical Mechanics and its Applications, 550(123982):1–14.

Mallat, S. (2008). A wavelet tour of signal processing. Academic Press, 3a edição edition.

Mandelbrot, B. B. (1990). Limit log normal multifractal measures. In Frontiers of Physics: Landau
Memorial Conference, (163):309–340.

Nicolaou, N. e Georgiou, J. (2012). Detection of epileptic electroencephalogram based on permuta-

tion entropy and support vector machines. Expert Systems with Applications, 2012(39):202–209.

Nigam, V. P. e Graupe, D. (2004). A neural-network-based detection of epilepsy. Neurological

Research, 26(1):55–60.

Samiee, K., Kovács, P., e Gabbouj, M. (2015). Epileptic seizure classification of eeg time-series
using rational discrete short-time fourier transform. IEEE Transactions on Biomedical Enginee-
ring, 62(2):541–552.

Srinivasan, V., Eswaran, C., e Sriraam, N. (2005). Artificial neural network based epileptic detection
using time-domain and frequency-domain features. Journal of Medical Systems, 29(6):647–660.

Srinivasan, V., Eswaran, C., e Sriraam, N. (2007). Approximate entropy-based epileptic eeg detec-
tion using artificial neural networks. IEEE Transactions on Information Technology in Biomedi-
cine, 11(3):288–295.

Subasi, A. (2007). Eeg signal classification using wavelet feature extraction and a mixture of expert
model. Expert Systems with Applications, 2007(32):1084–1093.

Tuberquia-David, M., Vela-Vargas, F., Lópes-Chávez, H., e Hernández, C. (2016). A multifractal

wavelet model for the generation of long-range dependency traffic traces with adjustable parame-
ters. Expert Systems With Applications, 62(2016):373–384.

van Veen, F. (2016). The asimov institute: The neural network zoo. url:
https://www.asimovinstitute.org/neural-network-zoo/. acesso: 25-03-2020.

WHO (2020). World health organization–epilepsy. url: https://www.who.int/health-

topics/epilepsytab=tab 1. acesso: 20-03-2020.

Powered by TCPDF (www.tcpdf.org)