Algoritmos genéticos e aprendizado profundo baseado em redes neurais recorrentes do tipo LSTM para auxílio ao diagnóstico médico (2023)
- Authors:
- Autor USP: BALDO JÚNIOR, SERGIO - FFCLRP
- Unidade: FFCLRP
- Sigla do Departamento: 595
- DOI: 10.11606/D.59.2023.tde-20062023-152537
- Subjects: ACIDENTE VASCULAR CEREBRAL; ALGORITMOS GENÉTICOS; COMA; REDES NEURAIS; MEMÓRIAS
- Keywords: Convolutional neural network; Electroencephalogram; Eletroencefalograma; Genetic algorithm; Long short term memory; Stroke
- Agências de fomento:
- Language: Português
- Abstract: Exames de Eletroencefalograma (EEG) têm se tornado uma ferramenta essencial no diagnóstico e avaliação de diversas doenças neurológicas. A análise automática de exames de EEG por meio de algoritmos computacionais é uma importante ferramenta para auxiliar médicos especialistas no diagnóstico mais preciso dessas doenças. Nesse sentido, neste trabalho, é proposto um modelo híbrido de Aprendizado Profundo baseado em Redes Neurais Recorrentes do tipo LSTM (Long Short Term Memory) para auxiliar na análise de sinais de EEG. O modelo híbrido proposto utiliza informações de duas diferentes fontes: i) camadas intermediárias do modelo CNN (Convolutional Neural Network) - LSTM; ii) características adicionais relacionadas a informações dos pacientes e extraídas de sinais de EEG. As saídas da camada LSTM e as características adicionais são inseridas como entradas para a primeira camada densa do modelo CNN - LSTM. O modelo é testado em sinais de EEG de pacientes em Coma e pacientes que sofreram Acidente Vascular Cerebral. Além disso, um Algoritmo Genético é utilizado para selecionar o melhor subconjunto de características e otimizar os hiper-parâmetros do modelo híbrido proposto. Os resultados dos experimentos sugerem que a inclusão de características relacionadas a informações dos pacientes e extraídas de sinais de EEG potencializou o desempenho do classificador. No entanto, nem todas as características contribuíram para aumentar o desempenho do classificador. A utilização do Algoritmo Genético na seleção das características mais relevantes foi capaz de produzir um modelo com resultados superiores aos modelos utilizados como referência. Adicionalmente, o Algoritmo Genético é capaz de encontrar a melhor arquitetura híbrida CNN - LSTM para classificar os sinais de EEG em cada base de dados testada. O modelo proposto apresenta novas possibilidades para auxiliarmédicos na análise de sinais de EEG e no prognóstico e tratamento dos pacientes
- Imprenta:
- Publisher place: Ribeirão Preto
- Date published: 2023
- Data da defesa: 22.05.2023
- Este periódico é de acesso aberto
- Este artigo é de acesso aberto
- URL de acesso aberto
- Cor do Acesso Aberto: gold
- Licença: cc-by-nc-sa
-
ABNT
BALDO JÚNIOR, Sérgio. Algoritmos genéticos e aprendizado profundo baseado em redes neurais recorrentes do tipo LSTM para auxílio ao diagnóstico médico. 2023. Dissertação (Mestrado) – Universidade de São Paulo, Ribeirão Preto, 2023. Disponível em: https://www.teses.usp.br/teses/disponiveis/59/59143/tde-20062023-152537/. Acesso em: 30 abr. 2024. -
APA
Baldo Júnior, S. (2023). Algoritmos genéticos e aprendizado profundo baseado em redes neurais recorrentes do tipo LSTM para auxílio ao diagnóstico médico (Dissertação (Mestrado). Universidade de São Paulo, Ribeirão Preto. Recuperado de https://www.teses.usp.br/teses/disponiveis/59/59143/tde-20062023-152537/ -
NLM
Baldo Júnior S. Algoritmos genéticos e aprendizado profundo baseado em redes neurais recorrentes do tipo LSTM para auxílio ao diagnóstico médico [Internet]. 2023 ;[citado 2024 abr. 30 ] Available from: https://www.teses.usp.br/teses/disponiveis/59/59143/tde-20062023-152537/ -
Vancouver
Baldo Júnior S. Algoritmos genéticos e aprendizado profundo baseado em redes neurais recorrentes do tipo LSTM para auxílio ao diagnóstico médico [Internet]. 2023 ;[citado 2024 abr. 30 ] Available from: https://www.teses.usp.br/teses/disponiveis/59/59143/tde-20062023-152537/
Informações sobre o DOI: 10.11606/D.59.2023.tde-20062023-152537 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
