˜ dos estagios ´ ´ Identificac¸ao do sono em um sinal de EEG usando Transformada Rapida ∗ de Fourier e Random Forest Luana da Silva1, Giovani Baratto2 Universidade Federal de Santa Maria ˆ Jornada Academica Integrada da UFSM ˜ Introduc¸ao
Resultados
Um grande numero de pessoas tem dificuldade em levar uma vida regular por possu´ırem ´ ˆ doenc¸as relacionadas com o sono, como, por exemplo, a apneia, a insonia ou a narcolepsia. ´ Sistemas que possam reconhecer a vig´ılia e os estagios do sono ajudariam estas pessoas a terem um ritmo normal de vida. Neste trabalho, pesquisamos um algoritmo para o reconhecimento dos estados de vig´ılia e ˜ do sono, usando sinais de eletroencefalografia (EEG). O sinal de EEG e´ a medida da tensao, ´ ˜ dos neuronios, ˆ resultado da soma dos impulsos eletricos dos potenciais de ac¸ao captado por ˜ espec´ıficas na cabec¸a. Os sinais de EEG foram processados eletrodos colocados em regioes ´ usando a transformada rapida de Fourier e um classificador tipo Random Forest [1]. ´ ˜ que sao ˜ O classificador Random Forest e´ composto por um conjunto de arvores de decisao constru´ıdas selecionando aleatoriamente alguns dos atributos dentro do conjunto de carac˜ calcula-se a entropia apresentada por cada atributo e aquele que possuir a ter´ısticas. Entao ˜ da arvore. ´ maior e´ escolhido para separar as classes naquela posic¸ao A sa´ıda do classificador ´ e´ dada pela classe que foi retornada como resposta pela maioria das arvores pertencentes a` floresta.
˜ para um unico Na Tabela 1, apresentamos a matriz de confusao paciente (2650 amostras do ´ arquivo SC4001E0).
Objetivo ´ O objetivo principal deste trabalho e´ desenvolver um algoritmo, usando a transformada rapida de Fourier e o classificador Random Forest, para o reconhecimento dos estados de sono do sinal de EEG de um paciente.
s1 s2 s3 s4 REM
1986 17 6 1 0 2
7 2 0 0 2 8 13 0 0 20 1 222 17 2 2 0 28 54 18 0 0 1 23 95 0 9 6 0 0 108
˜ podem ser extra´ıdas informac¸oes ˜ de taxa de acerto, que e´ dada em Da matriz de confusao ˜ das amostras que foram corretamente classificadas em suas respectivas classes (True func¸ao ´ dada ˜ foram corretamente classificadas (True Negative = TN). E Positive = TP) e das que nao ˜ pela seguinte equac¸ao: TP TP = (4) TP + TN ´ Foi observado que, em media, para um unico paciente a taxa de acerto e´ de 92,5 % quando ´ ˜ usados os dois canais de EEG (Fpz-Cz e Pz-Oz). A taxa de acerto media ´ sao cai para 91,1 % ˜ usados apenas os 4 atributos relacionados ao canal Pz-Oz e para 89,9 % quando quando sao usados somente os atributos relacionados ao canal Fpz-Cz do EEG. ˜ apresentados os resultados obtidos com a classificac¸ao ˜ dos atributos de Na Tabela 2 sao um conjunto de 39 pacientes.
Metodologia
Canal
Foram usados os sinais EEG do banco dados da PhysioNet [2]. Esse banco de dados e´ pu˜ amostrados a blicamente acess´ıvel pela internet. Os sinais EEG deste banco de dados sao ˜ de cada estagio ´ uma taxa de 100 amostras/s e possuem marcac¸oes do sono feita por especi˜ informam se a medida no intervalo e´ valida alistas a cada intervalo de 30 s. Estas marcac¸oes ´ e se o paciente esta´ acordado ou em um dos estagios do sono. Foram realizadas medidas ˜ pares de eletrodos colocados em posic¸oes ˜ com os canais Pz-Oz e Fpz-Cz. Esses canais sao ˆ espec´ıficas da cabec¸a, de acordo com a norma 10-20, que melhor identificam as frequencias relacionadas ao sono. ˜ foi realizada utiliNeste trabalho, foram extra´ıdas um conjunto de atributos e a classificac¸ao zando o classificador Random Forest. Para cada intervalo de 30 s de medida foram extra´ıdos ˆ 8 atributos: as energias associadas as frequencias δ (1 - 3,8 Hz), θ (4 - 7,8 Hz), α (8 - 12,8 Hz) e β (13 - 30 Hz), para os canais Pz-Oz e Fpz-Cz dos sinais EEG. A taxa de acerto do ˜ com as marcac¸oes ˜ dos esclassificador foi definida comparando o resultado da classificac¸ao pecialistas. ˜ dos atributos usados pelo classifiA seguir e´ apresentada a metodologia usada na extrac¸ao cador Random Forest. 1. O arquivo foi dividido em janelas de 30 s, ou seja, 3000 amostras do canal Pz-Oz e 3000 i,j ˜ amostras do canal Fpz-Cz. As amostras de uma janela serao denominadas de xk : amostra ˜ de um k do canali e da janela j. Associada a cada uma destas janelas, temos a marcac¸ao especialista, indicando a vig´ılia ou um dos estados do sono. 2. Para cada um dos canais, de cada uma das janelas, foram adicionadas amostras nulas i,j ˆ (xk = 0.0), para completar 4096 amostras (potencia de 2) requeridas pela FFT. 3. y i,j (t) e´ a janela de Hamming sobre as N amostras estendidas dos canais de cada uma das janelas. 4. Aplicamos a transformada de Fourier sobre y i,j Y i,j (ω) = f f t(y i,j (t))
(1)
˜ foram calculadas as densidades de potencia ˆ 5. Entao espectral de Y i,j (ω) i,j
W
∗i,j
Yk ∗ Yk i,j pk = N
` faixas de frequencia ˆ 6. E a energia espectral associada as δ, θ, α e β. X i,j i,k Ez = pk
(2)
TP rate
Todas as energias sem Eβ sem Eδ Fpz-Cz e Pz-Oz sem Eθ sem Eα
89,1% 87,8% 87,6% 86,2% 85,2%
Pz-Oz
Todas as energias sem Eδ sem Eβ sem Eα sem Eθ
82,6% 80,7% 80,2% 77,6% 76,8%
Fpz-Cz
Todas as energias sem Eβ sem Eδ sem Eα sem Eθ
76,0% 73,6% 71,1% 70,5% 68,8%
A taxa de acerto diminui quando usamos somente um canal do sinal EEG. No entanto, esta ˜ pode ser tolerada em muitas aplicac¸oes. ˜ reduc¸ao O uso do canal Pz-Oz conduz a melhores ˜ tambem ´ resultados se comparamos com o canal Fpz-Cz. A taxa de acerto na classificac¸ao diminui quando comparado aos resultados de um unico paciente, como ja´ era o esperado. No ´ ˜ tambem ´ pode ser tolerada em muitas aplicac¸oes. ˜ ˜ entanto, esta reduc¸ao Isto significa que nao ´ ˜ do metodo. ´ e´ necessario um ajuste individual para a aplicac¸ao ˜ Conclusao ˜ de um conjunto de sinais EEG de um conjunto de paciA taxa de acerto na classificac¸ao ´ em media, ´ ´ entes e, igual a 89,1%. Este resultado e´ comparavel a` resultados encontrados na ´ literatura [5, 6], usando diferentes tecnicas. ˜ podem ser usadas somente a aquisic¸ao ˜ de um unico Dependendo da aplicac¸ao, canal de ´ ˜ de aproximadamente 3 % na taxa de acerto. EEG, com a reduc¸ao ˜ modificadas as faixas de frequencias ˆ Dando continuidade a este trabalho, serao para o ´ calculo da energia espectral e utilizados outros classificadores. ˆ Referencias
(3)
f 1≤f ≤f 2
O classificador Random Forest do software Weka [3] foi utilizado para o treino e teste do classificador. Foram realizados dois experimentos: ˜ dos sinais EEG de um unico • Classificac¸ao paciente ´ ˜ dos sinais EEG de um conjunto de 20 pacientes • Classificac¸ao ˜ foi utilizada a seguinte metodologia: Para a classificac¸ao, 1. O arquivo de atributo foi dividido em um arquivo de treino e um arquivo de teste. O arquivo ˜ de teste foi criado com reposic¸ao. ˆ ´ 2. Os parametros do classificador Random Forest foram um numero de 90 arvores [4] e o ´ ´ metodo 10-fold Cross-Validation. Nos experimentos, foram modificados o numero de canais e os atributos usados na ´ ˜ Para cada um dos experimentos usamos o procedimento acima apresentado classificac¸ao. ˜ da taxa de acerto do classificador. Foram realizados experimentos com os para determinac¸ao ˆ dois canais EEG, com um dos canais EEG e suprimindo o atributo associado a frequencia δ, θ, α ou β, dos dois canais ou de um dos canais do EEG.
˜ Modificac¸ao
[1] Random forest, Machine Learning, Leo Breiman, 2001. [2] Physionet. The Sleep EDF-X database. Online. http://physionet.org/ physiobank/database/sleep-edfx/ [3] Weka: Data Mining Software. http://www.cs.waikato.ac.nz/ml/weka/ [4] How many trees in a Random Forest. 2012. Springer-Verlag Berlin Heidelberg. [5] Feature Extraction and Classification of Eletroencephalogram Signals for Vigilance level Detection. 2013 International Conference on Control, Automation, Robotics and Embedded Systems (CARE). [6] Alertness monitoring based on time evolution of eletroencephalographic signal’s power spectral density. Eletronics, Computers and Artificial Intelligence. 24-25 October, 2014, ˆ Bucharest, Romania. Contatos: 1
˜ bolsista FAPERGS - UFSM -
[email protected] Graduanda em Engenharia de Controle e Automac¸ao, 2 ˆ ˜ - UFSM -
[email protected] Departamento de Eletronica e Computac¸ao ∗ Trabalho desenvolvido com apoio financeiro (bolsa) do Edital FAPERGS/UFSM/2015
