Detecção de Crises Epilépticas em EEG usando Deep Learning Híbrido (CNN-LSTM) e Transformada Wavelet

Este projeto implementa um sistema de detecção automática de crises epilépticas (seizures) em sinais de Eletroencefalograma (EEG) do dataset CHB-MIT Scalp EEG Database. A arquitetura combina Processamento Digital de Sinais (DSP) avançado com Deep Learning para capturar tanto características espectrais quanto dependências temporais.

Status: Concluído (Acurácia: ~99% | Precision: 0.98 | Recall: 0.97 | F1-Score: 0.97)

📋 Visão Geral

O sistema processa sinais EEG de múltiplos pacientes do dataset CHB-MIT, extrai características através da Transformada Wavelet Discreta e utiliza uma arquitetura híbrida CNN-LSTM para classificação binária (Normal vs. Crise). O pipeline completo inclui pré-processamento robusto, balanceamento de classes e validação estratificada.

🔬 Metodologia

O pipeline de processamento foi projetado para lidar com a natureza não-estacionária dos sinais de EEG e o desequilíbrio natural entre períodos normais e períodos de crise.

1. Dataset e Pré-processamento

• Dataset: CHB-MIT Scalp EEG Database

  • Pacientes processados: chb01 até chb24 (todos os pacientes disponíveis)
  • Formato: Arquivos EDF (European Data Format) com 23 canais EEG
  • Frequência de amostragem: 256 Hz (após resampling)
  • Estratégia de seleção: Prioriza arquivos com crises documentadas + amostra de arquivos normais para contexto

• Filtragem:

  • Filtro passa-banda: 0.5 - 45 Hz (remove drift de linha de base e ruído de alta frequência)
  • Design FIR (Finite Impulse Response)
  • Seleção automática de canais EEG (remove ECG e outros sinais)

• Janelamento (Windowing):

  • Tamanho da janela: 2.0 segundos
  • Passo (step): 0.5 segundos (sobreposição de 75%)
  • Cada janela resulta em 512 amostras por canal (256 Hz × 2s)

2. Extração de Características (Wavelet)

• Técnica: Transformada Wavelet Discreta (DWT)
• Wavelet Mãe: Daubechies 4 (db4)
• Nível de decomposição: 4 níveis
• Coeficientes utilizados:
  • Coeficiente de aproximação (cA) do nível mais profundo
  • Coeficiente de detalhe (cD) do primeiro nível
• Redução de dimensionalidade: De 512 pontos temporais para ~76 timesteps, mantendo informação espectral essencial
• Formato de saída: Tensor 3D (N_janelas, T_reduzido, N_canais)

3. Normalização e Balanceamento

• Normalização: RobustScaler (scikit-learn)

  • Utiliza mediana e IQR em vez de média e desvio padrão
  • Mais robusto a outliers comuns em sinais EEG
  • Aplicado após extração de características
  • Scaler é salvo para uso em predição (scaler_treinado.pkl)

• Balanceamento de Classes:

  • Undersampling: Proporção 3:1 (normal:crise)
  • Class weights: Pesos balanceados calculados automaticamente
  • Divisão estratificada: 80% treino / 20% teste (mantém proporção de classes)

4. Arquitetura da Rede Neural (Híbrida CNN-LSTM)

O modelo CNN-LSTM foi construído para aprender padrões espaciais e temporais simultaneamente:

Input Layer: (Timesteps, Channels) - Features Wavelet
    ↓
Conv1D: 64 filtros, kernel_size=3, activation='relu'
    ↓
BatchNormalization
    ↓
MaxPooling1D: pool_size=2
    ↓
Dropout: 0.3
    ↓
LSTM: 64 unidades, return_sequences=False
    ↓
Dropout: 0.3
    ↓
Dense: 32 neurônios, activation='relu'
    ↓
Output: 1 neurônio, activation='sigmoid' (Classificação Binária)

Hiperparâmetros:

• Otimizador: Adam (learning_rate=0.0001)
• Loss: binary_crossentropy
• Batch Size: 16
• Épocas Máximas: 50
• Early Stopping: Monitora val_loss com paciência de 10 épocas
• Métricas: Accuracy

📊 Resultados

O modelo foi treinado utilizando estratégias robustas de balanceamento e regularização, atingindo convergência estável sem overfitting.

Métrica	Performance (Conjunto de Teste)
Acurácia Global	~99%
Precision (Crise)	0.98
Recall (Sensibilidade)	0.97
F1-Score	0.97

Os resultados demonstram que o modelo é capaz de distinguir crises de atividade normal com extrema precisão, sem apresentar viés para a classe majoritária. A alta precisão minimiza falsos alarmes, enquanto o alto recall garante que a grande maioria das crises seja detectada.

📂 Estrutura do Projeto

seizure-detection/
├── models/
│   ├── __init__.py
│   └── hybrid_model.py          # Arquitetura CNN-LSTM (Keras/TensorFlow)
├── processors/
│   └── wavelet.py               # Extração de features com PyWavelets (DWT)
├── readers/
│   └── chbmit_reader.py         # Leitura, parsing e janelamento de arquivos .EDF
├── helpers/
│   └── chbmit_helpers.py         # Funções auxiliares (parsing, janelamento, rótulos)
├── utils/
│   └── drive_utils.py            # Utilitários de conexão com Google Drive
├── edfs/                         # Arquivos EDF locais (opcional)
├── train.py                      # Script principal de treinamento e avaliação
├── predict.py                    # Script para predição em novos arquivos EDF
├── test.py                       # Script de teste e validação
├── drive_connection.py           # Autenticação OAuth2 para Google Drive
├── modelo_final_epilepsia.keras  # Modelo treinado (gerado após train.py)
├── scaler_treinado.pkl           # Scaler treinado (gerado após train.py)
├── resultado_treino.png          # Gráficos de convergência (gerado após train.py)
├── token.json                    # Token de autenticação (gerado automaticamente)
├── credentials.json              # Credenciais OAuth2 (configuração manual)
└── README.md                     # Este arquivo

🚀 Como Executar

Pré-requisitos

• Python 3.9+
• Conta no Google Cloud Platform (para acesso à API do Drive)
• Acesso ao dataset CHB-MIT (via Google Drive ou localmente)

Instalação

# Clone o repositório (se aplicável)
cd seizure-detection

# Instale as dependências
pip install -r requirements.txt

Dependências principais:

• tensorflow (ou tensorflow-gpu)
• mne (MNE-Python para processamento de sinais EEG)
• numpy
• scipy
• PyWavelets (para Transformada Wavelet)
• scikit-learn (pré-processamento e métricas)
• matplotlib (visualização)
• google-api-python-client (acesso ao Google Drive)
• google-auth-httplib2 e google-auth-oauthlib (autenticação OAuth2)
• joblib (serialização do scaler)

Configuração

1. Credenciais do Google Drive:

   • Acesse o Google Cloud Console
   • Crie um projeto ou selecione um existente
   • Ative a API do Google Drive
   • Crie credenciais OAuth 2.0 (tipo: Desktop app)
   • Baixe o arquivo JSON e renomeie para credentials.json
   • Coloque credentials.json na raiz do projeto

2. Configuração do Dataset:

   • O script train.py está configurado para acessar o dataset via Google Drive
   • O FOLDER_ID no código aponta para a pasta do dataset no Drive
   • Alternativamente, você pode colocar arquivos EDF na pasta edfs/ e modificar o código para leitura local

Treinamento

Para iniciar o pipeline completo (Download → Processamento → Treino → Avaliação):

python train.py

O script irá:

1. Autenticar com o Google Drive (primeira execução solicitará autorização)
2. Processar múltiplos pacientes (chb01 até chb24, conforme disponibilidade)
3. Extrair características usando Transformada Wavelet
4. Balancear e normalizar os dados
5. Treinar o modelo com early stopping
6. Gerar gráficos de convergência (resultado_treino.png)
7. Salvar o modelo treinado (modelo_final_epilepsia.keras)
8. Salvar o scaler (scaler_treinado.pkl)
9. Avaliar no conjunto de teste e exibir métricas

Saída esperada:

• modelo_final_epilepsia.keras - Modelo treinado
• scaler_treinado.pkl - Scaler para normalização
• resultado_treino.png - Gráficos de acurácia e loss
• Relatório de classificação no terminal (Precision, Recall, F1-Score, Matriz de Confusão)

Predição em Novos Arquivos

Para fazer predição em um novo arquivo EDF:

python predict.py caminho/para/arquivo.edf

O script irá:

1. Carregar o modelo e scaler treinados
2. Processar o arquivo EDF (filtragem, resampling, janelamento)
3. Extrair características via Wavelet
4. Normalizar usando o scaler treinado
5. Fazer predições janela por janela
6. Aplicar filtro de confiança e janelas consecutivas
7. Reportar eventos de crise detectados com timestamps

Parâmetros de detecção:

• THRESHOLD_CONFIDENCE: 0.85 (85% de confiança mínima)
• MIN_CONSECUTIVE_WINDOWS: 15 janelas (~7-8 segundos contínuos)

🛠️ Tecnologias Utilizadas

• Linguagem: Python 3.9+
• Deep Learning: TensorFlow / Keras
• Processamento de Sinais: PyWavelets, MNE-Python
• Manipulação de Dados: NumPy, SciPy
• Machine Learning: scikit-learn
• Visualização: Matplotlib
• Cloud Storage: Google Drive API

📝 Notas Técnicas

Por que RobustScaler?

Sinais EEG frequentemente contêm outliers devido a:

• Artefatos de movimento
• Interferência elétrica
• Ruído de linha de base

O RobustScaler utiliza mediana e IQR, sendo mais resistente a outliers que o StandardScaler (que usa média e desvio padrão).

Por que Wavelet em vez de FFT/STFT?

A Transformada Wavelet oferece:

• Análise multi-resolução: Captura tanto baixas quanto altas frequências
• Melhor localização tempo-frequência: Essencial para detectar transientes (início súbito de crises)
• Redução de dimensionalidade: Mantém informação espectral com menos dados

Por que CNN-LSTM?

• CNN: Captura padrões espaciais e locais nos sinais (relações entre canais e frequências)
• LSTM: Modela dependências temporais de longo prazo (evolução da crise ao longo do tempo)
• Híbrido: Combina as vantagens de ambas as arquiteturas

🔍 Validação e Testes

O script test.py pode ser usado para validar o pipeline de processamento em arquivos específicos:

python test.py

Este script testa a leitura de arquivos, janelamento, extração de características e verifica a consistência dos dados.

📄 Licença

Este projeto é parte de um trabalho acadêmico do curso de Introdução à Ciência de Dados (SSC0275) - ICMC/USP.

👥 Autores

• Evandro Risso
• João Calisto

Curso: Bacharelado em Física Computacional - IFSC/USP

📚 Referências

• Dataset: CHB-MIT Scalp EEG Database
• PhysioNet: Goldberger et al. (2000). "PhysioBank, PhysioToolkit, and PhysioNet: Components of a New Research Resource for Complex Physiologic Signals"

---

Última atualização: Novembro 2024