DSpace
 
  Repositório Institucional da Universidade de Aveiro > Departamento de Electrónica, Telecomunicações e Informática > DETI - Dissertações de mestrado >
 Sistema de classificação de sinais de electroencefalograma
Please use this identifier to cite or link to this item http://hdl.handle.net/10773/2039

title: Sistema de classificação de sinais de electroencefalograma
authors: Reis, André Tiago Marques
advisors: Tomé, Ana Maria Perfeito
keywords: Engenharia electrónica
Electroencefalografia
Epilepsia
Processamento de sinal
issue date: 2008
publisher: Universidade de Aveiro
abstract: Este trabalho apresenta um método para detectar actividade epiléptica em sinais de Electroencefalograma (EEG). O sistema é constituído por dois blocos, o primeiro trata da extracção de características do sinal EEG e o segundo procede á classificação do sinal em 2 classes. As características são medidas (como energia média, máximo do sinal, entre outras) extraídas a partir das saídas da decomposição discreta em wavelet do sinal. A classificação será tratada como um problema binário, assumindo-se que os dois tipos de classes (Classe não epiléptica e Classe epiléptica), são lin- earmente separáveis. O classificador utilizado é do tipo Support Vector Machine (SVM). O desempenho do sistema é também apresentado segundo um método ex- perimental, onde diferentes estratégias para a organização do conjunto de treino são debatidas. Para avaliar a performance deste sistema, comparativamente a outros, utilizou-se uma base de dados publicada [1]. Os resultados obtidos usando um classificador linear apresentaram-se prometedores, com uma precisão situada entre 89,74% - 99.87%.

This work presents a method for detecting epileptic activity in Electroencephalogram (EEG) signals. The system is divided into two blocks, the first dealing with feature extraction from the EEG and the second with the classification problem. The features are measures (like energy, maximum and so on) taken into the outputs of the discrete wavelet decomposition of the signal. To perform the classification the support vector machine was chosen. This binary classifier was designed assuming that the two classes (epileptic and non-epileptic activity) are linearly separable. The performance of the system is also presented using an experimental study where diferent strategies to organize the training data sets are also discussed. The accuracy of the system is in range of 89,74% - 99,87% in a publicly available data set used by other works.
description: Mestrado em Engenharia Electrónica e Telecomunicações
URI: http://hdl.handle.net/10773/2039
appears in collectionsDETI - Dissertações de mestrado
UA - Dissertações de mestrado

files in this item

file description sizeformat
2009000963.pdf2.19 MBAdobe PDFview/open
statistics

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.

 

Valid XHTML 1.0! RCAAP OpenAIRE DeGóis
ria-repositorio@ua.pt - Copyright ©   Universidade de Aveiro - RIA Statistics - Powered by MIT's DSpace software, Version 1.6.2