Título: Comparação de Técnicas de Classificação Unária para Detecção de Crises Epilépticas via EEG
Autores: Patrícia Tavares Leitão, Antonio Marcos da Silva Oliveira, Guilherme de Alencar Barreto & Charles Casimiro Cavalcante
Resumo: Este trabalho apresenta uma análise comparativa de algoritmos de detecção de anomalias, também chamada de classificação unária ( one-class classification ) aplicados a sinais de EEG com o objetivo de detectar crises epilépticas. Nesta tarefa, apenas os dados sem anomalias (classe negativa) são usados para construir o modelo de classificação. Foram avaliados sete métodos: distância euclidiana mínima ao centróide (DEMC), kernel DEMC (KDEMC), distância Mahalanobis mínima ao centróide (DMMC), PCA, kernel PCA (KPCA), one-class SVM (OC-SVM) e isolation forest (IF). Os experimentos utilizaram dados do conjunto CHB-MIT Scalp EEG Dataset , com diferentes hipóteses de extração dos segmentos com ocorrência de crises (EEG ictal) e sem ocorrência de crises (EEG não-ictal) para a geração dos conjuntos de treino, validação e teste. Para extração de atributos dos vários canais, usou-se o método do vetor de covariâncias aplicado a cada 2s de registro do EEG. Os resultados obtidos evidenciam o desempenho superior dos classificadores KDEMC e KPCA, com destaque a esteúltimo que atingiu acurácia de 97,27% e especificidade de 86,61%. Além disso, a análise das curvas ROC sugere que a Hipótese 3, uma dentre 7 estratégias propostas neste artigo para a montagem dos conjuntos de treino/teste conduz a um melhor desempenho dos classificadores em relaçãoàs demais.
Palavras-chave: epileptic seizures; electroencephalogram; anomaly detection; one-class classification; kernel methods.
Páginas: 8
Código DOI: 10.21528/CBIC2025-1130139
Artigo em PDF: CBIC_2025_paper1130139.pdf
Arquivo BibTeX:
CBIC_2025_1130139.bib