UMA REDE NEURAL DINÂMICA PARA A IDENTIFICADOR DEPADRÕES ELETROGRÁFICOS

Marco Aurélio Benedetti Rodrigues1, Iria Pedroso da Cunha2, Vânia Maria A. Andriani3; José Marino Neto3 & FernandoMendes de Azevedo1

1Grupo de Pesquisas em Engenharia Biomédica - GPEB - Departamento de Engenharia Elétrica

2Departamento de Ciências Morfológicas - MOR3Laboratório de Neurofisiologia I - LNFI - Departamento de Ciências Fisiológicas

Universidade Federal de Santa Catarina - UFSCbenedett@gpeb.ufsc.br

RESUMO

O presente trabalho tem como finalidade apresentar umidentificador de padrões composto por uma Rede NeuralArtifical Dinâmica (RNAD). O treinamento da RNADfoi realizado com um conjunto de padrões de fusos dosono, que, foram identificados por um médicoespecialista na área de polissonografia. Após otreinamento da RNAD, um conjunto de padrões foienviado à entrada da rede, com a finalidade de verificaro índice de concordância com os resultado obtidos peloespecialista. A ferramenta desenvolvida apresentou umalto índice de acerto, indicando a viabilidade nestemétodo para a identificação de padrões variantes notempo.

1. INTRODUÇÃOA inspeção visual da distribuição temporal de padrõesem um registro bioelétrico (eletrocardiograma (ECG),eletroencefalograma (EEG), etc) por um especialistahumano, ainda é uma das melhores ferramentas naidentificação de padrões clinicamente relevantes.Através desta análise, o especialista é capaz deidentificar e classificar padrões característicos em umdeterminado registro. Atualmete, diversos métodosmatemáticos e estatísticos vêm sendo aplicados nestecampo, inclusive Redes Neurais Artificiais (RNA) [4].A identificação de padrões através de RNA podem serrealizada por RNAs de reconhecimento estático e porRNAs de reconhecimento dinâmico. No reconhecimentoestático, a RNA procura idenficar “pontos” ou estruturassemelhantes às do padrão treinado, e as informações dopadrão a serem identificadas não variam no tempo. Noprocesso de reconhecimento dinâmico pela RNA a idéiaé oposta: a RNA possui a capacidade de identificar avariação das informações entre os padrões no decorrerdo tempo.Na maioria das vezes, os registros bioelétricos variamno tempo, caracterizando um conjunto de funçõessobrepostas, representando um somatório entrefreqüências e amplitudes de diversos centros geradoresde sinal. Além disso, a detecção deve levar em conta apresença de artefatos, que dificultam a interpretação do

registro bioelétrico. Neste trabalho foram utilizadosregistros de EEG durante o sono, com a finalidade deencontrar padrões de “fusos do sono”. A identificação dedestes padrões é um problema complexo, pois, estespodem variar em sua forma, amplitude e a freqüência,que, por definição, requerem atividades cerebrais nafaixa de 12 a 14 Hz, e possuem duração de pelo menos0,5 segundos [2][6]. A variação destes parâmetros fazemcom que fusos de sono sejam sempre diferentes entre si[3], representando um bom exemplo de padrão varianteno tempo para a tentativa de identificação pela RNA. AFig. 1 apresenta dois padrões de fusos do sono em umregistro de EEG.

Figura 1 – Identificação de dois Padrões de fusos do sono emsegmento do registro de EEG.

O objetivo principal deste trabalho é apresentar umaRede Neural Artificial Dinâmica (RNAD) especialistana identificação de padrões variantes no tempo; Aidentificação de fusos do sono é aplicada aqui parademostrar que este tipo de RNA possui uma atuaçãosatisfatória neste tipo problema.

2. METODOLOGIAA RNAD proposta neste trabalho para identificação defusos do sono possui como entrada uma malha de atrasoconstituída de 90 elementos de retardo. Cada um desteselementos são interligados a cada um dos neurônios dacamada de entrada da rede. A camada intermediária daRNAD é composta de 40 neurônios, totalmenteinterconectados com os neurônios da camada de entrada.Por sua vez, a camada de saída da rede neural écomposta de apenas um neurônio, que estáinterconectado com todos os neurônios da camadaintermediária. Em todas camadas neuronais, cadaneurônio possui um bias com a finalidade de aumentarou diminuir o seu nível de ativação, auxiliando destaforma na etapa de treinamento[1]. A saída da RNAD éconstituída por um filtro de média móvel e por umconjunto de regras de produção capazes de identificar

como positivo ou negativo o resultado da saída daRNAD, determinando a identificação de um fuso dosono A Fig. 2 apresenta a estrutura completa da RNADaqui proposta.

Fig. 2 – Diagrama esquemático da RNAD proposta neste trabalho

O treinamento da RNAD foi realizado através de umalgoritmo baseado em backpropagation, no qual aatualização dos pesos é realizada conforme a entrada decada um dos valores digitalizados do EEG, isto é, paracada valor de entrada na malha de atraso, é realizado umtreinamento na rede [7][8][9]. Os primeiros padrões aentrar na RNAD são os primeiros 90 pontos do registrode EEG, que irão se modificando no tempo com aentrada dos demais pontos de registro.Os padrões de fusos do sono foram obtidos com oauxílio de um especialista na área de polissonografia.Estes foram adquiridos em três etapas: a primeira etapao especialista procurou encontrar no registro 50 padrõesde fusos do sono, idependentes do tempo de excursão doregistro de EEG; após 15 dias, o mesmo registro deEEG foi submetido ao especialista para a análise,porém, a faixa excursão do registro de EEG ficourestrita à da primeira etapa (em torno de 1,5horas).Nesta etapa o especialista não foi istado a encontrar amesma quantidade de fusos da primeira etapa. A terceiraetapa foi uma repetição da segunda etapa, porém ao sepassar mais 15 dias. Estes vetores de entrada (sinais deEEG) foram parametrizados de tal forma que o valormáximo de amplitude correspondesse ao valor um, e ovalor mínimo a zero. Isso é necessário devido à grandevariabilidade da amplitude que pode correr de indivíduopara indivíduo e, até mesmo, entre tipos diferentes deeletrodos utilizados na captação dos sinais. Naidentificação dos fusos do sono a magnitude do sinalnão possui grande importância, mas sim a variação deamplitude que pode ocorrer durante um determinadoinstante, bem como a freqüência, formato, e duração dopadrão [3].O treinamento da rede foi realizado com 5 padrõestomados aleatoriamente dentre os que foramreconhecidos pelo especialista na três etapas doprocesso de aquisição de dados. Estes padrões podemser visualizados através da Fig. 3A.Os padrões utilizados para o treinamento da redepossuem em média 280 pontos. Porém, cerca de 45pontos representam um fuso do sono propriamente dito

e os demais ritmos predominantes na fase II do sono.Como os fusos do sono podem variar de tamanho oulocalização no padrão de treinamento, foi gerado umoutro conjunto de padrões que são utilizados na saída daRNAD, com a finalidade de indicar a localização dofuso do sono no referido padrão de treinamento.

A BFig. 3 - A) conjunto de padrões de entrada (fusos do sono) utilizadosdurante o treinamento da RNAD. B) conjunto de padrões de saídautilizados durante o processo de treinamento da RNAD

O número de neurônios da camada de entrada foi obtidolevando em consideração o tempo mínimo de duração deum fuso. Adotou-se o dobro do tamanho de um fusotípico, que segundo Rechtschaffen & Kales [6] é de 0,5segundos, totalizando uma janela de aproximadamente45 pontos. Deste modo, o número de neurônios dacamada de entrada igual a 90. O fato da janela de tempoescolhida ser o dobro da duração típica de um fuso deve-se a dois motivos principais: a existência de fusos dosono um pouco maiores que 0,5 segundos e apossibilidade do deslocamento do padrão no tempoatravés dos 90 neurônios da camada de entrada da rede,o que reflete significativamente no aprendizado eidentificação dos padrões.A atualização dos pesos da rede é realizada ponto aponto, de acordo com a entrada na malha de atraso. Opadrão alvo para saída da rede (apresentado na Fig. 3B)somente é alterado após a rede ter realizado otreinamento com cada um dos 280 pontos de cadapadrão de entrada. O treinamento da RNAD foirealizado até um total de 8000 épocas de treinamentopara cada padrão, utilizando uma taxa de aprendizado darede (larning rate) igual a 0.01 [5].

Devido ao comportamento dinâmico da rede neural,foi obtido um conjunto de valores na saída de acordocom a entrada de cada um dos elementos do sinal deEEG na malha de atraso da RNAD. Esses valoresformam o Vetor de Saída da Rede Neural (VSRN) e sãoimportantes no treinamento e na verificação dos padrõesidentificados pela rede. O critério para identificação deum padrão pela RNAD é realizado tomando como base aanálise do VSRN, onde o erro da RNAD é calculadotomando como base a diferença deste vetor com osvetores de saída respectivos para cada padrão, comoapresentados na Fig. 3.Após o término da etapa de treinamento, tornou-senecessário um algoritmo capaz de analisar o VSRN, afim de identificar a presença ou não de um padrão defuso do sono. Neste trabalho optou-se pela utilização deum filtro de média móvel com n=15. Este filtro é capaz

de realizar a média de um segmento de 15 pontos, eassim informar se o valor da média situa-se entre o valordesejado. Este valor desejado é chamado desensibilidade da RNAD e possui a finaldade de criar umlimiar para identificação ou não destes padrões. Nesteexperimento, foi adotado um valor de sensibilidadeigual a 85%, isto é, um padrão somente irá seridentificado como fuso do sono se o valor de saída dofiltro ultrapassar a um valor de 0.85, sabendo-se que omáximo é de 1 ou 100%.

3. RESULTADOSO universo de padrões utilizados para a validação daRNAD foi obtido através das três etapas de aquisiçãorealizada pelo especialista. Desta, obteve-se três tipos depadrões: os que foram reconhecidos nas três etapas peloespecialista, os padrões que foram reconhecidos duasvezes, os reconhecidos apenas em uma vez e o resto doarquivo que compõe os padrões que nunca foramreconhecidos como fusos do sono. Estatisticamente,pode-se dizer que, no nosso conjunto de amostras detestes temos padrões que aparecem 100% das vezes,66% das vezes, 33% das vezes e 0% das vezes (aquelesque nunca foram reconhecidos).Na análise dos resultados obtidos pela RNAD, foramescolhidos aleatoriamente cinco padrões que apareceram100% das vezes, (diferentes dos escolhidos para otreinamento da rede) cinco padrões que apareceram 66%das vezes, cinco padrões que apareceram 33% das vezese cinco padrões que nunca foram identificados peloespecialista. Na Fig. 4 são apresentados os resultados daRNAD para dois padrões que foram identificados 100%das vezes pelo especialista. A “janela” sobre os registrode EEG indica o momento em que a RNAD identificouum fuso do sono. Na Fig. 4 (parte inferior) sãoapresentados os respectivos VSRN para cada registro deEEG. Estes vetores, após o filtro de média móvel,indicam a presença ou não de um fuso do sono.

Fig. 4 - Registros de EEG analisado pela RNAD e identificados peloespecialista em 100% das vezes (parte superior) e os respectivosVSRN (parte inferior)

Na Fig. 5, é apresentado o resultado da RNAD para doisregistros de EEG que foram identificados 66% da vezespelo especialista. Da mesma forma, a Fig. 6, apresenta oresultado da RNAD para dois registro que foramidentificados apenas em 33% das vezes peloespecialista.Na Fig. 7, a RNAD não identificou nenhumfuso do sono. Estes dois registros fazem parte dospadrões que o especialista nunca os identificou comopadrões de fuso do sono. Estes padrões foram tomados

de trechos escolhidos aleatoriamente no registro deEEG, em páginas e posições diferentes dos arquivoscontendo fusos.

Fig. 5 - Registros de EEG analisado pela RNAD e identificados peloespecialista em 66% das vezes (parte superior) e os respectivos VSRN(parte inferior)

Fig. 6 - Registros de EEG analisado pela RNAD e identificados peloespecialista em 33% das vezes (parte superior) e os respectivos VSRN(parte inferior)

Fig. 7 - Registros de EEG analisado pela RNAD que de acordo com oespecialista não contém fusos (parte superior) e os respectivos VSRN(parte inferior)

O conjunto de padrões utilizados para verificar opotencial de identificação da RNAD pode servisualizado através da Tab. 1. A RNAD identificou demaneira correta todos os padrões encontrado peloespecialista em 100% da vezes que analisou o registro.A RNAD ainda identificou como fusos do sono todos oscinco padrões que o especialista encontrou 66% dasvezes e deixou de encontrar apenas um padrão que oespecialista encontrou 33% das vezes.

Tabla.1 Resultado da identificação de fusos do sono pela RNAD

Padrões sorteados aleatoriamentepara a identificação da RNAD

Porcentagem dasvezes que ospadrões foramidentificados peloespecialista

1° 2° 3° 4° 5°

100% OK OK OK OK OK66% OK OK OK OK OK33% OK OK N OK OK0% N N N N N

.

4. DISCUSSÃO E CONCLUSÕES

A identificação dos padrões de fusos do sono dependediretamente da interpretação do VSRN. Como a RNA édinâmica, este vetor possui características que variamno tempo, porém, esta variação tente a permanecerestável quando um determinado padrão é identificadopela RNAD.Para facilitar a análise do VSRN, utilizou-se um filtrode média móvel com a finalidade de eliminar aspequenas variações deste vetor. O valor adotado para ofiltro de média móvel foi n=15, assegurando com issoum segmento de no mínimo 15 elementos com umamesma média. Assim, quando o vetor se estabilizar emalgum momento durante a etapa de identificação da redepodemos dizer que um determinado padrão foiencontrado.Com o VSRN filtrado, estabeleceu-se um critério ou umvalor de “sensibilidade” para a identificação ou não deum padrão. A sensibilidade adotada em nossoexperimento foi 85% foi obtida com base emexperimentos anteriores [7][8][9], e através de testes dotipo tentativa e erro, para adequar os resultados daRNAD com os resultados do especialista.A utilização de RNADs para a identificação de padrõesvariantes no tempo é de grande valia para o especialista,pois com ela o grau de repetibilidade na identificação depadrões é constante. O exemplo da detecção de fusos dosono aplicados nesta RNAD foi adequado, pois trata-sede um campo onde existe muita variação entre ospadrões, fazendo muitas vezes o especialista hesitar emidentificar ou não um determinado padrão. No exemplode identificação aqui proposto, o especialista ao rever omesmo registro em momentos diferentes, teve algumasdivergências com as suas próprias classificaçõesanteriores, demostrando o quão complexa é estaidentificação.Uma outra vantagem deste tipo de rede é que oespecialista pode variar o número de elementos para ocálculo da média móvel do filtro, possibilitando aidentificação de um padrão com uma maior ou menorextensão, bem como modificar a sensibilidade daRNAD, aumentando ou diminuindo a acuidade paradeterminados de padrões.O objetivo deste trabalho foi alcançado com aproposição de um método para a identificação depadrões de fusos do sono através de RNAD. Porém, aRNAD não é útil apenas para a identificação de fusos dosono (como foi realizado neste trabalho), mas pode serutilizada uma gama muito mais vasta de sinais variantesno tempo como é o caso dos sinais de voz, sinais derádio, imagens, etc.A rede neural proposta neste artigo faz parte de umsistema completo para identificação das fases do sono ede apnéias durante o sono que vem sendo realizado peloGrupo de Pesquisa em Engenharia Biomédica daUniversidade Federal de Santa Catarina.

REFERENCIAS

[1]de Azevedo, Fernando M. “Uma Proposta de Modelos Formais deNeurônios e Redes Neurais Arficiais”. III Congresso Brasileiro deRedes Neurais, Florianópolis, SC, 20-24 Julho 1997, Anais: pp. 503-514. Trabalho convidado.[2]Dement W.C., “The Nature and function os sleep”, In Reynolds D,Sjoberg A (eds.), Neuroelectric Research, Electroneuroprosthesis,Electroanesthesia, and Nonconclusive Electroterapy. Springfield, IL,Charles C Tomas, 1970.[3]Gailard J.M., Blois R., “Spindle density in sleep of normal subjects.Sleep 4:385-391, 1981.[4]Narendra, Kumpati S. & Parthasarathy, Kannan, “ “Identificationand Control of Dynamical System Using Neural Networks”, IEEETransaction on Neural Networks”, vol.1, no. 1, March, 1990.[5]Oliveira, Roberto C. L. & F. M. de Azevedo & J. M. Barreto.“Dynamic Neural Net in the Space of States Utilized in Non-LinearProcesses Identification”. ICANNGA’97 - 3rd. InternationalConference on Artificial Neural Networks and Genetic Algorithms,Norwich, UK, April 1-4, 1997, Proceedings pp: 588-591.[6]Rechtschaffen, A., Kales, A.”A manual of StandardizedTerminology, Techniques and Scoring System for Sleep Stages ofHuman Subjects”, Brain Information Service, Brain Research Institute,UCLA, Los Angeles, 1968.[7]Rodrigues,M.A.B., De Azevedo; F.M. & Neto; J.M., “Sistema paraIdentificação de Padrões do Sono com o auxílio de Redes NeuraisDinâmicas”, IV Congresso Brasileiro de Redes Neurais e V Escola deRedes Neurais, São José dos Campos – Brasil, Julho 1999.[8]Rodrigues,M.A.B., De Azevedo; F.M., Neto; J.M. & Andriani,V.M., “Dynamic Neural Network for Recognition of Sleep Spindlesand K Complex”, European Medical And Biological EngineeringConference (EMBEC 99), Viena – Áustria, Novembro de 1999.[9]Rodrigues,M.A.B., Cunha, Iria Pedroso da; De Azevedo; F.M. &Neto; J.M. “Rede Neural Baseada na Estrutura e Organização daCircuitaria extra-foveal da retina para o Pré-Processamento de Sinaisde EEG”, Congresso Brasileiro de Engenharia Biomédica (CBEB2000), Florianópolis - Brasil, Outubro de 2000.

A DINAMIC NEURAL NETWORK FOR IDENTIFICATIONOF ELECTROGRAPHICS PATTERNS

ABSTRACT

This work has as objective to present a method for pattern identification, through the application of DynamicArtificial Neural Networks (DANN). It method has as purpose to find characteristic patterns of the sleep stage2 (sleep spindles) in the extension of the EEG recording. The DANN are trained previously through standardselected in agreement with a specialist. These specialist confronted results obtained in the identification usingthe DANN with the classified patterns. The developed tool presented a high success index, indicating theviability in this method for the identification of variant patterns in the time.