ISSN 1984-8218

Uma caracterização de sonolência via um único canal de

eletroencefalografia através da transformada wavelet discreta

Tiago da Silveira Alice Kozakevicius Cesar R. Rodrigues

Universidade Federal de Santa Maria – Grupo de Microeletrônica,
97105-900, Cidade Universitária, Camobi, Santa Maria, RS
E-mail: {tiagodasilveira, alice.kozakevicius, cesar.ufsm}@gmail.com,

RESUMO

Um grande número de acidentes de trânsito é causado pela sonolência em motoristas. Na ten-

tativa de reduzir esse número, a análise da atividade cerebral via wavelets ou espectro de Fourier
tem sido aplicada em novas metodologias para sua detecção automática [1]. Na classificação do
sono proposta por Rechtschaffen e Kales [2], um indivı́duo mentalmente ativo possui atividade
cerebral predominante no ritmo beta (13–30Hz) e a sonolência ocorre quando menos de 20% do
sinal cerebral analisado possui alguma atividade no ritmo alfa (8–13Hz), com predominância
do ritmo teta (4–8Hz).
Neste trabalho, propõe-se uma caracterização da sonolência através da transformada wavelet
aplicada a um único canal de eletroencefalografia (EEG), selecionando os coeficientes desta
transformação que representem satisfatoriamente os ritmos teta, alfa e beta. Os sinais utilizados
provêm do banco de dados do Hospital Pulido Valente, de Lisboa, obtidos por leitura referencial
(auricular) do canal Fpz do sistema 10-20. Foram selecionados para este estudo 34 segmentos
de 30s com transições bem definidas do estado alerta para sonolência.
É empregada a seguinte metodologia: (a) dado S = CJ = (s0 , ...sNmax −1 ), sinal de entrada,
S̃ = T W D(S) = {CI , DI , DI+1 , ..., DJ−1 } é a fatoração via transformada wavelet discreta, sendo
CI o conjunto dos coeficientes de escala do último nı́vel e Dj , j = I, I +1, ..., J −1, representando
os coeficientes wavelets nos demais L = J −I nı́veis [3]; (b) Em B(S̃) = {CI , D̄I , D̄I+1 , ..., D̄J−1 }
são mantidos apenas os primeiros m (m << Nmax ) coeficientes wavelets de maior módulo
da expansão de S (best m-term approximation), e os demais substituı́dos por zero [4]; (c)
R = T W I(B(S̃)) é a aproximação obtida via transformada wavelet inversa de B(S̃); (d) as com-
ponentes de frequência de R são verificadas através da Short Time Fourier Transform (STFT).
Para as análises foram utilizadas transformadas com funções da famı́lia de wavelets ortonor-
mais de Daubechies com 2 momentos nulos (DB2). Cada intervalo de 30s do sinal amostrado
a 200Hz gera 6000 pontos, aos quais foram adicionados 2192 pontos nulos de modo a totalizar
Nmax = 213 valores no nı́vel mais fino de representação do sinal (J = 13).
Os m maiores coeficientes wavelets selecionados pela estratégia de best m-term approximation
são denominados coeficientes significativos. Ao aplicar-se essa estratégia em 34 sinais de teste,
verificou-se que as frequências dos sinais originais foram preservadas, até mesmo para escolhas
de m << Nmax . No entanto para valores muito pequenos de m ocorreram atenuações em
frequências maiores do que 30Hz.
Cada nı́vel da decomposição wavelet é associado a uma determinada faixa de frequências
fc
através da pseudo-frequência fα = αT s
, sendo fc a frequência central da wavelet utilizada
(frequência de uma senoide equivalente à wavelet escolhida), α a escala do respectivo nı́vel
e Ts o perı́odo de amostragem do sinal. Para este estudo, as pseudo-frequências para os nı́veis
de interesse j = 6, ..., 11 são {1.04, 2.08, 4.16, 8.33, 16.66, 33.33}Hz. É importante observar que
há uma sobreposição nas faixas de frequência representadas por cada nı́vel. Assim, o ritmo

738
 ISSN 1984-8218

beta concentra-se nos nı́veis j = 10 e 11; os nı́veis j = 9 e 10 representam o ritmo alfa; e a

representação do ritmo teta é distribuı́da entre os nı́veis j = 6, ..., 9.
Na Fig.1(a) estão sobrepostos o sinal original (transição de vigı́lia para sonolência de uma
das amostras, no intervalo de 5 a 35s) e o sinal resultante após a análise via transformada
wavelet e best m-term approximation, com m = 200. Na Fig.1(b) estão dispostos os coeficientes
significativos após a aplicação da estratégia de best m-term approximation, de tal forma que a
posição no tempo e na escala de cada coeficiente wavelet significativo fique evidenciada.
Na Fig.1(b), verifica-se que nos intervalos de tempo (em (s)) [5, 10] e [15, 20] há predominância
de atividade alfa no sinal. Já no intervalo subsequente, [20, 35], os coeficientes significativos
estão mais distribuı́dos nos nı́veis j = 5, ..., 8, indicando o estágio de sonolência. Esta análise é
confirmada pelo espectro de frequências. Comparando-se as Fig.1(c) e Fig.1(d) observa-se que,
mesmo com um número muito reduzido de coeficientes wavelets, a informação de frequência na
faixa de interesse do EEG é preservada pelo best m-term approximation.
Aplicada ao sinal de EEG, a metodologia desenvolvida permite verificar em que faixa de
frequência concentra-se a atividade cerebral do indivı́duo através da localização de seus coefi-
cientes wavelets significativos. Considerando-se um indivı́duo inicialmente em estado alerta, a
sonolência pode então ser caracterizada (i) pela ausência de coeficientes significativos nos nı́veis
j = 10, 11 (sem atividade no ritmo beta); (ii) concentração e posterior redução de coeficientes
significativos nos nı́veis j = 9, 10, indicando a atividade alfa que precede a sonolência.
Na continuação desse estudo, a heurı́stica proposta – baseada na análise de um conjunto
muito reduzido de coeficientes wavelets em relação aos dados iniciais – será validada para um
conjunto maior de sinais através da comparação com outras técnicas disponı́veis na literatura.

Fig. 1: Sinal de transição do estado alerta (5s a 20s) para sonolência (20s a 35s). Em (a) sinal original em preto,
sinal reconstruı́do em azul; (b) coeficientes significativos após o best approximation; (c) espectro de frequências
do sinal original e (d) espectro de frequências do sinal resultante.

Palavras-chave: Wavelet, Sonolência, Sinais Cerebrais, Best m-Term Approximation

Referências
[1] A. Picot et al, On-line automatic detection of driver drowsiness using a single electroen-
cephalographic channel. IEEE Engineering in Medicine and Biology Society, 2008.
[2] M. Akay, K.J. Blinowska, P.J. Durka. Electroencephalography. Wiley Encyclopedia of Elec-
trical and Electronics Engineering Vol. 6, pp.394-402. John Wiley & Sons, 1999.
[3] O. M. Nielsen, Wavelets in Scientific Computing, Tese de Doutorado, Technical University
of Denmark. Denmark, 1998.
[4] V. N. Temlyakov, Nonlinear Methods of Approximation. Foundations of Computational
Mathematics. Vol. 3, pp.33-107, 2003.
[5] S. Mallat, A Wavelet Tour of Signal Processing. 2nd Ed. Academic Press, 1998.
739