@PHDTHESIS{ 2022:685174195,
 	title = {Caracterização das Hipsarritmias secundárias à Síndrome Congênita do Zika vírus e à Síndrome de West baseada em Momentos Conjuntos e Medidas de Entropia},
 	year = {2022},
 	url = "https://tedebc.ufma.br/jspui/handle/tede/tede/3840",
 	abstract = "A Síndrome de West é uma rara e severa forma de epilepsia da infância caracterizada
 pela tríade: presença de espamos, retardo no desenvolvimento cognitivo e o padrão de
 hipsarritmia no exame de eletroencefalograma (EEG). A hipsarritmia é uma morfologia
 caótica específica presente no período interictal do sinal de EEG, estudada e conhecida
 pelos neurologistas desde 1841, por meio da descrição da Síndrome de West (SW) e que,
 recentemente, também foi identificada nos exames dos pacientes com a Síndrome Congênita
 do Zika vírus (SCZV). A caracterização da hipsarritmia nos lactentes com microcefalia pelo
 Zika vírus ainda são bem superficiais. Então, levanta-se o questionamento se há diferença
 entre o padrão hipsarrítmico que ocorre nos nascidos com a SCZV daqueles provenientes
 da SW. Desde o surgimento dos casos de microcefalia SCZV, muitas questões sobre a
 caracterização desta doença ainda estão em aberto, dentre elas, determinar se a hipsarritmia
 na SCZV segue o mesmo padrão eletroencefalográfico da hipsarritmia da SW. Diante
 disto, neste trabalho se propõe o desenvolvimento de uma metodologia computacional
 para análise e diferenciação, baseada no domínio tempo-frequência, entre o padrão caótico
 de hipsarritmia encontrado nos sinais de EEG de pacientes com microcefalia causada pelo
 Zika vírus e também encontrado em pacientes diagnosticados com a Síndrome de West.
 A análise no domínio tempo-frequência é realizada a partir da Transformada Contínua
 Wavelet (TCW) que revela a distribuição de energia do sinal de EEG em diferentes escalas
 de frequência ao longo do tempo. Três funções wavelet-mãe são testadas para determinar
 a função mais apropriada para representar os sinais de EEG com hipsarritmia SCZV e
 hipsarritmia SW. Considerando os perfis de distribuição de energia gerados pela TCW,
 são obtidos quatro momentos conjuntos - média conjunta - μ(t,f)
 
 , variância conjunta -
 
 σ
 2
 (t,f)
 , assimetria conjunta - λ(t,f) e curtose conjunta - κ(t,f) - e quatro medidas de entropia
 - Shannon, Log Energia, Norma e Sure - para compor o vetor de atributos representativos
 dos sinais hipsarrítmicos em análise. A classificação entre os dois padrões em análise foi
 realizada a partir da verificação do desempenho de cinco tipos clássicos de algoritmos
 
 de aprendizagem de máquina, utilizando os métodos de validação cruzada k-fold e leave-
 one-patient-out. As métricas de acurácia, sensibilidade, especificidade, área sob a curva
 
 ROC, coeficiente Cohen’s kappa (κ) e Matthews correlation coefficient (MCC) são obtidas
 para estes algoritmos. Os resultados alcançados para o classificador Rede Neural Artificial
 foram 78,08% de acurácia, 85,55% de sensibilidade, 73,21% de especificidade, AUC = 0,89,
 κ = 0,5616 e MCC = 0,5765 para o método de validação leave-one-patient-out.",
 	publisher = {Universidade Federal do Maranhão},
 	scholl = {PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE ELETRICIDADE/CCET},
 	note = {DEPARTAMENTO  DE ENGENHARIA DA ELETRICIDADE/CCET}
}