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
- Status:
- Artigo possui versão em acesso aberto em repositório (Green Open Access)
- Versão do Documento:
- Versão submetida (Pré-print)
- Acessar versão aberta:
-
ABNT
BALDO JÚNIOR, Sergio. 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://teses.usp.br/teses/disponiveis/59/59143/tde-20062023-152537/. Acesso em: 12 abr. 2026. -
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://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 2026 abr. 12 ] Available from: https://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 2026 abr. 12 ] Available from: https://teses.usp.br/teses/disponiveis/59/59143/tde-20062023-152537/ - Short-term energy market forecasting ensemble with multi-data source integration
- Brazilian free-energy market mid- and long-term forecasting using multi-source ensemble solution
- Uso de redes neurais artificiais para classificar padrões de corrida em esteira ergométrica em esportes de alto desempenho
- Utilização de redes neurais artificiais para a identificação de padrões de corrida
- Classification of coma etiology using convolutional neural networks and long-short term memory networks
Informações sobre a disponibilidade de versões do artigo em acesso aberto coletadas automaticamente via oaDOI API (Unpaywall).
Por se tratar de integração com serviço externo, podem existir diferentes versões do trabalho (como preprints ou postprints), que podem diferir da versão publicada.
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
