
Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
| Metadados | Descrição | Idioma |
|---|---|---|
| Autor(es): dc.contributor | Oliva, Jefferson Tales | - |
| Autor(es): dc.contributor | https://orcid.org/0000-0003-1574-1293 | - |
| Autor(es): dc.contributor | http://lattes.cnpq.br/5086431818930800 | - |
| Autor(es): dc.contributor | Casanova, Dalcimar | - |
| Autor(es): dc.contributor | http://lattes.cnpq.br/4155115530052195 | - |
| Autor(es): dc.contributor | Casanova, Dalcimar | - |
| Autor(es): dc.contributor | http://lattes.cnpq.br/4155115530052195 | - |
| Autor(es): dc.contributor | Denardin, Gustavo Weber | - |
| Autor(es): dc.contributor | http://lattes.cnpq.br/4251219281955392 | - |
| Autor(es): dc.contributor | Gertrudes, Jadson Castro | - |
| Autor(es): dc.contributor | https://orcid.org/0000-0002-0861-6681 | - |
| Autor(es): dc.contributor | http://lattes.cnpq.br/2870519332050607 | - |
| Autor(es): dc.contributor | Oliva, Jefferson Tales | - |
| Autor(es): dc.contributor | http://lattes.cnpq.br/5086431818930800 | - |
| Autor(es): dc.creator | Anghinoni, Luiz Antonio Nicolau | - |
| Data de aceite: dc.date.accessioned | 2025-08-29T13:15:20Z | - |
| Data de disponibilização: dc.date.available | 2025-08-29T13:15:20Z | - |
| Data de envio: dc.date.issued | 2025-04-16 | - |
| Data de envio: dc.date.issued | 2025-04-16 | - |
| Data de envio: dc.date.issued | 2025-03-06 | - |
| Fonte completa do material: dc.identifier | http://repositorio.utfpr.edu.br/jspui/handle/1/36556 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1110020 | - |
| Descrição: dc.description | Epilepsy, affecting approximately 50 million people globally, is characterized by abnormal brain activity and remains challenging to treat. The diagnosis of epilepsy relies heavily on electroencephalogram (EEG) data, where specialists manually analyze epileptiform patterns across pre-ictal, ictal, post-ictal, and interictal periods. However, the manual analysis of EEG signals is prone to variability between experts, emphasizing the need for automated solutions. Although previous studies have explored preprocessing techniques and machine learning approaches for seizure detection, there is a gap in understanding how the representation of EEG data (time, frequency, or time-frequency domains) impacts the predictive performance of deep learning models. This work addresses this gap by systematically comparing deep neural networks trained on EEG data in these three domains. Through the use of statistical tests, we identify the optimal data representation and model architecture for epileptic seizure detection. The results demonstrate that frequency-domain data achieves detection metrics exceeding 97%, providing a robust foundation for more accurate and reliable seizure detection systems. | - |
| Descrição: dc.description | A epilepsia, que afeta aproximadamente 50 milhões de pessoas em todo o mundo, é caracterizada por uma atividade cerebral anormal e continua sendo um desafio para o tratamento. O diagnóstico da epilepsia depende fortemente dos dados do eletroencefalograma (EEG), nos quais especialistas analisam manualmente padrões epileptiformes ao longo dos períodos pré-ictal, ictal, pós-ictal e interictal. No entanto, a análise manual dos sinais de EEG está sujeita a variabilidade entre especialistas, ressaltando a necessidade de soluções automatizadas. Embora estudos anteriores tenham explorado técnicas de pré-processamento e abordagens de aprendizado de máquina para a detecção de crises epilépticas, ainda há uma lacuna no entendimento de como a representação dos dados de EEG (nos domínios do tempo, frequência ou tempo-frequência) impacta o desempenho preditivo de modelos de aprendizado profundo. Este trabalho aborda essa lacuna ao comparar sistematicamente redes neurais profundas treinadas com dados de EEG nesses três domínios. Por meio de testes estatísticos, identificamos a representação de dados e a arquitetura de modelo mais adequadas para a detecção de crises epilépticas. Os resultados demonstram que os dados no domínio da frequência alcançam métricas de detecção superiores a 97%, fornecendo uma base robusta para sistemas de detecção de crises mais precisos e confiáveis. | - |
| Formato: dc.format | application/pdf | - |
| Idioma: dc.language | pt_BR | - |
| Publicador: dc.publisher | Universidade Tecnológica Federal do Paraná | - |
| Publicador: dc.publisher | Pato Branco | - |
| Publicador: dc.publisher | Brasil | - |
| Publicador: dc.publisher | Programa de Pós-Graduação em Engenharia Elétrica e de Computação | - |
| Publicador: dc.publisher | UTFPR | - |
| Direitos: dc.rights | openAccess | - |
| Direitos: dc.rights | https://creativecommons.org/licenses/by/4.0/ | - |
| Palavras-chave: dc.subject | Epilepsia | - |
| Palavras-chave: dc.subject | Eletroencefalografia | - |
| Palavras-chave: dc.subject | Aprendizado do computador | - |
| Palavras-chave: dc.subject | Epilepsy | - |
| Palavras-chave: dc.subject | Electroencephalography | - |
| Palavras-chave: dc.subject | Machine learning | - |
| Palavras-chave: dc.subject | CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA | - |
| Palavras-chave: dc.subject | Engenharia/Tecnologia/Gestão | - |
| Título: dc.title | Uso de representação multidomínio de eletroencefalogramas para a construção de modelos baseados em redes neurais convolucionais e recorrentes para a deteção de epilepsia | - |
| Título: dc.title | The use of multi-domain electroencephalogram representations in the building of models based on convolutional and recurrent neural networks for epilepsy detection | - |
| Tipo de arquivo: dc.type | livro digital | - |
| Aparece nas coleções: | Repositorio Institucional da UTFPR - RIUT | |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: