@MASTERSTHESIS{ 2025:103831199,
 	title = {ANÁLISE DA CLASSIFICAÇÃO DE CRISES EPILÉPTICAS COM BASE EM CARACTERÍSTICAS ESTATÍSTICAS DOS MOMENTOS CONJUNTOS DA DISTRIBUIÇÃO TEMPO-FREQUÊNCIA DE SINAIS EEG UTILIZANDO TRANSFORMADA WAVELET CONTÍNUA E REDES NEURAIS PROFUNDAS},
 	year = {2025},
 	url = "https://tedebc.ufma.br/jspui/handle/tede/6494",
 	abstract = "A epilepsia é uma condição neurológica crônica caracterizada por crises recorrentes,
 decorrentes de descargas elétricas cerebrais anormais, excessivas e sincrônicas. A adequada
 classificação dessas crises é essencial para a acurácia diagnóstica e a definição de condutas
 terapêuticas eficazes. Contudo, a análise visual de sinais de eletroencefalograma (EEG)
 permanece um procedimento laborioso, sujeito à subjetividade e à variabilidade entre
 observadores. Neste contexto, esta dissertação propõe uma abordagem automatizada baseada
 em aprendizado profundo para a classificação de quatro tipos de crises epilépticas:
 Generalized Non-Specific Seizure (GNSZ) – crise epiléptica generalizada não específica,
 Complex Partial Seizure (CPSZ) – crise parcial complexa, Focal Non-Specific Seizure (FNSZ)
 – crise epiléptica focal não específica e Tonic-Clonic Seizure (TCSZ) – crise tônico-clônica, a
 partir de características estatísticas extraídas de representações tempo-frequência obtidas por
 meio da Transformada Wavelet Contínua, aplicada a sinais da base pública Temple University
 Hospital Seizure Corpus (TUSZ). Foram utilizadas três funções wavelet (Morse, Morlet e
 Bump), e extraíram-se os momentos estatísticos de média, variância, assimetria e curtose nos
 domínios temporal, espectral e conjunto, os quais serviram de entrada para modelos baseados
 em Redes Neurais Convolucionais (CNN, do inglês Convolutional Neural Network), Memória
 de Longo Curto Prazo (LSTM, do inglês Long Short-Term Memory) e em uma arquitetura
 híbrida CNN-LSTM. Os experimentos indicaram que a combinação da função wavelet Morse
 com a arquitetura CNN-LSTM e os momentos de variância e curtose resultou no melhor
 desempenho geral, com acurácia média de 96,8%, precisão de 96,5%, sensibilidade de 96,9%
 e F1-score de 96,7%. Destaca-se o desempenho na identificação da classe TCSZ, com
 acurácia de 98,2% e F1-score de 98,0%. A função Morse obteve desempenho superior entre as
 wavelets avaliadas (acurácia média de 95,2%), superando Bump (93,7%) e Morlet (91,8%),
 resultado atribuído à sua maior capacidade de representar componentes de baixa frequência.
 Em relação aos atributos estatísticos, a variância demonstrou maior poder discriminativo
 (94,3%), seguida pela curtose (92,7%), enquanto a média apresentou desempenho inferior
 (acurácia abaixo de 84%). Os resultados demonstram o potencial da integração entre análise
 tempo-frequência e redes neurais profundas no desenvolvimento de sistemas inteligentes de
 apoio ao diagnóstico clínico da epilepsia.",
 	publisher = {Universidade Federal do Maranhão},
 	scholl = {PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE ELETRICIDADE/CCET},
 	note = {DEPARTAMENTO  DE ENGENHARIA DA ELETRICIDADE/CCET}
}