Previsão de surtos epiléticos usando Mapas Auto Organizáveis executados diretamente em hardware
Resumo
A epilepsia é uma condição neurológica que afeta o cérebro e torna os pacientes mais suscetíveis a convulsões recorrentes. Este trabalho tem como objetivo implementar um circuito lógico em FPGA (Field Programmable Gate Array) para execução de Self-Organizing Maps (SOM) aplicado na previsão de surtos epiléticos a partir de sinais de eletroencefalograma (EEG). Embora similares, as etapas de processamento executadas em hardware não são necessariamente idênticas às executadas em software. Os resultados obtidos foram comparados ao trabalho anterior, o qual implementou os Self-Organizing Maps em software. Os resultados foram similares e o circuito proposto atingiu uma acurácia de 94,53%.
Referências
Churiwala, S., & Hyderabad, I. (2017). Designing with Xilinx® FPGAs. Springer.
Da Silva Zanin, L. G. (2008). AOSE-Analisador de Ocorrência de Surtos Epilépticos (Doctoral dissertation, Universidade Positivo).
Dantas, F. G., Medeiros, J. L. A., Nogueira, B. N. F., & Figueiredo, A. R. D. (2005). Papel do EEG em casos de suspeita ou diagnóstico de epilepsia. Journal of Epilepsy and Clinical Neurophysiology, 11(2), 77-78.
De Sousa, M. A. D. A., Pires, R., & Del-Moral-Hernandez, E. (2020). SOMprocessor: A high throughput FPGA-based architecture for implementing Self-Organizing Maps and its application to video processing. Neural Networks.
Duncan, J. S., Sander, J. W., Sisodiya, S. M., & Walker, M. C. (2006). Adult epilepsy. The Lancet, 367(9516), 1087-1100.
Freitag, H. (2019). Neuropsychology of depression in people with epilepsy. Swiss Archives of Neurology, Psychiatry and Psychotherapy, 170(06).
Fernandes, P. T., & Li, L. M. (2006). Percepção de estigma na epilepsia. Journal of epilepsy and clinical neurophysiology, 12(4), 207-218.
Goldberger, A. L., Amaral, L. A., Glass, L., Hausdorff, J. M., Ivanov, P. C., Mark, R. G., ... & Stanley, H. E. (2000). PhysioBank, PhysioToolkit, and PhysioNet: components of a new research resource for complex physiologic signals. circulation, 101(23), e215-e220.
Kitano, L. A. S., Sousa, M. A. A., Santos, S. D., Pires, R., Thome-Souza, S., & Campo, A. B. (2018, October). Epileptic seizure prediction from EEG signals using unsupervised learning and a polling-based decision process. In International Conference on Artificial Neural Networks (pp. 117-126). Springer, Cham.
Liga Brasileira de Epilepsia. O que é Epilepsia. LBE 2020. Disponível em https://epilepsia.org.br/ Acesso em 24/06/2020
Oja, M., Kaski, S., & Kohonen, T. (2003). Bibliography of self-organizing map (SOM) papers: 1998–2001 addendum. Neural computing surveys, 3(1), 1-156.
Silva, I. D., Spatti, D. H., & Flauzino, R. A. (2010). Redes neurais artificiais para engenharia e ciências aplicadas. São Paulo: Artliber, 23(5), 33-111.
Sousa, M. A. D. A. D. Metodologias para desenvolvimento de mapas auto-organizáveis de Kohonen executados em FPGA (Doctoral dissertation, Universidade de São Paulo).
Thijs, R. D., Surges, R., O'Brien, T. J., & Sander, J. W. (2019). Epilepsy in adults. The Lancet, 393(10172), 689-701.
Torres, N. M. C., & Rodríguez, J. J. Q. (2014). Notificación de las reacciones adversas a los medicamentos antiepilépticos en Bogotá (Colombia, 2008–2012). Revista Cubana de Neurología y neurocirugía, 4(2), 117-123.
Zuchini, M. H. (2003). Aplicações de mapas auto-organizáveis em mineração de dados e recuperação de informação. Dissertação (Mestrado) Universidade de Campinas. Campinas, 227.