Titulo Estágio
Previsão de crises epiléticas: uma abordagem por multiclassificadores profundos
Áreas de especialidade
Sistemas Inteligentes
Local do Estágio
CISUC_DEI
Enquadramento
Cerca de 1% da população, sem distinção de idades, sexo ou etnias, sofre de epilepsia. Um terço dos epiléticos são insensíveis a medicação e não podem ser submetidos a cirurgia para extração do foco epilético no cérebro. Por isso têm que viver com as crises, que podem acontecer em qualquer momento, em qualquer circunstância, limitando assim a sua integração social e vida quotidiana. Há décadas que se faz investigação com o objetivo de desenvolver um dispositivo transportável que, recebendo em permanência sinais de EEG (Eletroencefalograma), os processe e classifique e alerte o doente quando se prevê que vem aí uma crise, a fim de que ele se possa preparar para a crise, posicionando-se em ambiente seguro e sem exposição social. Infelizmente os progressos alcançados não permitiram ainda a construção desse dispositivo e é necessário prosseguir a investigação com esse objetivo.
Objetivo
Na generalidade dos estudos publicados, a previsão de crises epiléticas baseia-se na extração de características (features) temporais ou de frequência dos sinais elétricos captados por elétrodos colados ao couro cabeludo ou implantados cirurgicamente na massa encefálica.
No presente projeto ambiciona-se seguir outra abordagem, usando os próprios sinais elétricos (raw data) como entradas de classificadores com aprendizagem profunda (deep learning).
Além disso, em vez de um classificador para todas as classes (normalmente 4) associadas ao estado cerebral do doente epilético, perspetiva-se uma arquitetura multi-classificador, em que cada um é especializado numa classe. Colocando os classificadores em paralelo recebendo os novos dados em tempo real simulado (com os dados de Base de Dados Europeia de Epilepsia), desenvolver-se-á uma estratégia de decisão de modo a que do conjunto de classificadores resulte uma resposta certa para cada estado.
O número de elétrodos a ter em conta (entre 4 e 32) será investigada experimentalmente, embora o objetivo seja conseguir uma boa classificação com um reduzido número de canais (elétrodos).
Usar-se-ão arquiteturas de redes neuronais profundas, para aprendizagem supervisionada, nomeadamente:
- autoencoders para pré-processarem os sinais elétricos a fim de preparar a informação a ser tratada por
- Redes Neuronais Convolucionais (CNN) como classificadores. Cada CNN será especializada numa classe, tendo por isso uma só saída da camada de classificação.
- camadas adicionais (por exemplo softmax+classificação) que receberão as saídas das CNN e tomarão a decisão sobre a que classe pertence a entrada atual.
Outra possibilidade eventualmente a explorar será encarar os sinais elétricos como séries temporais multidimensionais e classificá-los como LSTM (Long-Short Time Memory Neural Networks) e usar a mesma abordagem de LSTMs especializadas em cada classe.
Plano de Trabalhos - Semestre 1
Plano de trabalho:
1º semestre
- estudo bibliográfico
- construção de protótipos das arquiteturas dos classificadores.
- escrita do relatório intermédio.
Este plano de trabalho tem um forte conteúdo de investigação. Requer-se que o(a) aluno(a) tenha uma boa formação em Aprendizagem Computacional.
Plano de Trabalhos - Semestre 2
2º semestre
- aperfeiçoamento do protótipo do 1º semestre.
- aplicação aos doentes da Base de Dados de Epilepsia,
- aperfeiçoamento das arquiteturas de classificadores,
- teste em ambiente de tempo real simulado,
- escrita da tese.
Condições
Será montada uma arquitetura computacional suficientemente potente para o projeto.
Dependendo do CV do candidato, pode perspetivar-se a atribuição de uma bolsa de mestrado por 6 meses (2º semestre).
Observações
Orientadores:
António Dourado
César Teixeira
Orientador
António Dourado Pereira Correia
dourado@dei.uc.pt 📩