Generalized tonic-clonic seizures detection using deep learning techniques

Página do item simplificado
dc.contributor.advisor-co1Ciarelli, Patrick Marques
dc.contributor.advisor1Salles, Evandro Ottoni Teatini
dc.contributor.advisor1IDhttps://orcid.org/0000-0002-8287-3045
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/5893731382102675
dc.contributor.authorMesa, Juan Sebastian Campos
dc.contributor.authorIDhttps://orcid.org/0009-0005-2242-3236
dc.contributor.authorLatteshttp://lattes.cnpq.br/8653324785414671
dc.contributor.referee1Côco, Klaus Fabian
dc.contributor.referee2Cavalieri, Daniel Cruz
dc.date.accessioned2025-06-18T16:58:54Z
dc.date.available2025-06-18T16:58:54Z
dc.date.issued2025-03-31
dc.description.abstractGeneralized Tonic-Clonic Seizure (GTCS) poses serious health risks, including an increased likelihood of sudden unexpected death in epilepsy (SUDEP), postictal pulmonary edema (PPE), and traumatic injuries from falls or jerking movements. However, GTCS detection remains challenging due to the complex and variable nature of EEG signals. Traditional methods struggle with these variations, while deep learning remains a gold standard for seizure detection, making it a powerful tool for GTCS detection. This study explores the detection of GTCS using EEG data from the Temple University Seizure (TUSZ) dataset. To achieve this, three deep learning architectures were employed: Diffusion Convolutional Recurrent Neural Network (DCRNN), Long Short-Term Memory (LSTM), and Convolutional Densely Connected Gated Recurrent Neural Network (C- DRNN). The research evaluated the impact of loss functions and data augmentation on model performance. Dice Entropy loss (DE) proved to be the most effective for DCRNN, while Cross-Entropy loss (CE) optimally enhanced LSTM and C-DRNN. Data augmentation played a crucial role in improving generalization and robustness across all models, improving their performance. As a consequence, DCRNN achieved the best performance, with AUC-ROC of 0.781, F1-score of 67.74%, and Sensitivity of 82.84%. The results obtained were close to or better than those found in the literature. This study highlights the potential for further research into alternative data augmentation techniques, deep learning architectures, and advanced methods to detect GTCS in EEG signals.
dc.description.resumoAs crises tónico-clónicas bilaterais (GTCS) representam sérios riscos à saúde, incluindo um aumento na probabilidade de morte súbita inesperada na epilepsia (SUDEP), edema pulmonar pós-ictal (EPN) e lesões traumáticas decorrentes de quedas ou movimentos bruscos. No entanto, a detecção de GTCS ainda representa um desafio devido à natureza complexa e variável dos sinais de EEG. Métodos tradicionais enfrentam dificuldades para lidar com essas variações, enquanto a aprendizagem profunda continua sendo a referência na detecção de crises epilépticas, consolidando-se como uma ferramenta poderosa para a identificação das GTCS. Este estudo investiga a detecção de GTCS utilizando dados de EEG da base de dados Temple University Seizure (TUSZ). Para isso, foram empregadas três arquiteturas de aprendizagem profunda: Diffusion Convolutional Recurrent Neural Network (DCRNN), Long Short-Term Memory (LSTM) e Convolutional Densely Connected Gated Recurrent Neural Network (C-DRNN). A pesquisa avaliou o impacto das funções de perda e do aumento de dados no desempenho dos modelos. A função de perda Dice Entropy (DE) mostrou-se a mais eficaz para o DCRNN, enquanto a função perda de Entropia Cruzada foi a que melhor otimizou o LSTM e o C-DRNN. O aumento de dados desempenhou um papel fundamental na melhora da generalização e da robustez de todos os modelos, melhorando o desempenho deles. Como resultado, o DCRNN apresentou o melhor desempenho, com AUC de 78.1%, F1-score de 67,74% e Sensibilidade de 82,84%. Os resultados obtidos foram próximos ou superiores aos relatados na literatura. Este estudo destaca o potencial para pesquisas futuras sobre técnicas alternativas de aumento de dados, novas arquiteturas de aprendizagem profunda e abordagens avançadas para a detecção de GTCS em sinais de EEG.
dc.description.sponsorshipConselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq)
dc.formatText
dc.identifier.urihttp://repositorio.ufes.br/handle/10/19780
dc.languagepor
dc.publisherUniversidade Federal do Espírito Santo
dc.publisher.countryBR
dc.publisher.courseMestrado em Engenharia Elétrica
dc.publisher.departmentCentro Tecnológico
dc.publisher.initialsUFES
dc.publisher.programPrograma de Pós-Graduação em Engenharia Elétrica
dc.rightsopen access
dc.subjectEEG
dc.subjectDetecção de GTCS
dc.subjectAprendizagem profunda
dc.subjectLSTM
dc.subjectC-DRNN
dc.subject.cnpqEngenharia Elétrica
dc.titleGeneralized tonic-clonic seizures detection using deep learning techniques
dc.typemasterThesis
Arquivos
Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
JuanSebastiánCamposMesa-2025-Dissertacao.pdf
Tamanho:
15.52 MB
Formato:
Adobe Portable Document Format
Descrição:
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
license.txt
Tamanho:
1.71 KB
Formato:
Item-specific license agreed upon to submission
Descrição:
Baixar
Coleções
Mestrado em Engenharia Elétrica