Utilize este link para identificar ou citar este item: https://bdm.unb.br/handle/10483/24382
Arquivos neste item:
Arquivo Descrição TamanhoFormato 
2019_ThassioGabrielFariasDosSantos_tcc.pdf2,75 MBAdobe PDFver/abrir
Registro completo
Campo Dublin CoreValorLíngua
dc.contributor.advisorPizo, Gerardo Antonio Idrobo-
dc.contributor.authorSantos, Thássio Gabriel Farias dos-
dc.identifier.citationSANTOS, Thássio Gabriel Farias dos. Proposta de ferramenta de montagem de hipnogramas utilizando deep learning e eletroencefalograma de canal único. 2019. 77 f., il. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Eletrônica)—Universidade de Brasília, Brasília, 2019.pt_BR
dc.descriptionTrabalho de Conclusão de Curso (graduação)—Universidade de Brasília, Faculdade UnB Gama, 2019.pt_BR
dc.description.abstractA detecção de doenças que alteram a fisiologia do ser humano, principalmente as que alteram o sono, pode ser feita por meio do estudo do comportamento do sono de uma pessoa, que apresenta estágios que são categorizados como NREM1, NREM2, NREM3 e REM. A categorização destes estágios podem ser feitos por meio de polissonografias, exames que utilizam de vários sinais biomédicos como EEG, EMG e EOG. Como forma de reduzir o número de sinais biomédicos necessários para a determinação dos estágios do sono, este trabalho faz um estudo de como utilizar somente um canal de EEG para determinar os estágios do sono observando somente este sinal e o comportamento de seu espectro. A forma proposta é descarregar o conjunto de dados de EEG dos canais Pz-Oz e os dados de estágios do sono de exames de polissonografia advindos do banco de dados da PhysioNet, realizar com o Python(numpy) a análise da frequência destes sinais de EEG utilizando a Fast Fourier Transform e utilizar os resultados dos sinais processados como forma de parâmetro de entrada para a rede neural artificial, descrita em Python(Keras) rodando como backend a biblioteca TensorFlow, que receberá treinamento supervisionado. Após o treino e validação da rede neural, executar a montagem de hipnogramas, gráfico que mostra o progresso dos estágios do sono durante a noite. A montagem eficiente do hipnograma neste trabalho de forma generalizada, se torna limitada devido a insuficiência de amostras presentes no banco de dados. Neste trabalho há apenas a validação da possibilidade da criação da ferramenta devido aos resultados obtidos.pt_BR
dc.rightsAcesso Abertopt_BR
dc.subject.keywordSonopt_BR
dc.subject.keywordEletroencefalografiapt_BR
dc.subject.keywordSinais biomédicospt_BR
dc.titleProposta de ferramenta de montagem de hipnogramas utilizando deep learning e eletroencefalograma de canal únicopt_BR
dc.typeTrabalho de Conclusão de Curso - Graduação - Bachareladopt_BR
dc.date.accessioned2020-07-20T15:12:12Z-
dc.date.available2020-07-20T15:12:12Z-
dc.date.submitted2019-11-28-
dc.identifier.urihttps://bdm.unb.br/handle/10483/24382-
dc.language.isoPortuguêspt_BR
dc.rights.licenseA concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor que autoriza a Biblioteca Digital da Produção Intelectual Discente da Universidade de Brasília (BDM) a disponibilizar o trabalho de conclusão de curso por meio do sítio bdm.unb.br, com as seguintes condições: disponível sob Licença Creative Commons 4.0 International, que permite copiar, distribuir e transmitir o trabalho, desde que seja citado o autor e licenciante. Não permite o uso para fins comerciais nem a adaptação desta.pt_BR
dc.description.abstract1Detection of diseases that changes the human physiology, mainly the ones that affects sleep, can be done by studying the behavior of a person’s sleep, which presents stages that are categorized as NREM1, NREM2, NREM3 and REM. The categorization of these stages can be done through of polysomnograms, exams that use of several biomedical signals like EEG, EMG and EOG. As a way to reduce the number of biomedical signals required for the determination of sleep stages, this work studies how to use only one EEG channel to determine the sleep stages by observing only this signal and the behavior of its spectrum. The proposed method is to download the EEG data of Pz-Oz channels and the sleep stages data from polysomnography exams from the PhysioNet’s database, perform with Python(numpy) the frequency analysis of these EEG signals using Fast Fourier Transform and use the results of the processed signals as an input parameter for the artificial neural network described in Python(Keras) running TensorFlow as backend, which will receive supervised training. After the training and validation of the neural network, perform the assembly of the hypnograms, a graph that shows the progress of sleep stages at night. The efficiency of assembly the hypnogram in this work in a general way becomes limited due to insufficient samples present in the database. In this work there is only the validation of the possibility of creating the tool due to the results obtained.pt_BR
Aparece na Coleção:Engenharia Eletrônica



Todos os itens na BDM estão protegidos por copyright. Todos os direitos reservados.