Um Modelo CNN-LSTM Unidimensional para Reconhecimento de Crises Epilépticas Usando Análise de Sinal EEG

Crises epilépticas frequentes causam danos ao cérebro humano, resultando em comprometimento da memória, declínio mental, entre outros. Portanto, é importante detectar as crises epilépticas e fornecer tratamento médico em tempo hábil. Atualmente, especialistas médicos reconhecem a atividade de crises epilépticas por meio da inspeção visual dos registros de sinais eletroencefalográficos (EEG) dos pacientes com base em sua experiência, o que exige muito tempo e esforço. Em vista disso, este artigo propõe um modelo de rede neural convolucional unidimensional-memória de longo curto prazo (1D CNN-LSTM) para reconhecimento automático de crises epilépticas por meio da análise do sinal EEG. Primeiramente, os dados brutos do sinal EEG são pré-processados e normalizados. Em seguida, uma rede neural convolucional unidimensional (CNN) é projetada para extrair efetivamente as características dos dados da sequência EEG normalizada. Além disso, as características extraídas são então processadas pelas camadas LSTM para extrair ainda mais as características temporais. Após isso, as características de saída são alimentadas em várias camadas totalmente conectadas para o reconhecimento final da crise epiléptica. O desempenho do modelo 1D CNN-LSTM proposto é verificado no conjunto de dados público UCI para reconhecimento de crises epilépticas. Os resultados dos experimentos mostram que o método proposto alcança altas precisões de reconhecimento de 99,39% e 82,00% nas tarefas de reconhecimento binário e de cinco classes de crises epilépticas, respectivamente. A comparação dos resultados com métodos tradicionais de aprendizado de máquina, incluindo k-vizinhos mais próximos, máquinas de vetor de suporte e árvores de decisão, bem como outros métodos de aprendizado profundo, incluindo rede neural profunda padrão e CNN, verificam ainda mais a superioridade do método proposto.