RESUMO: Este artigo aborda o estudo e aplicação do classificador do tipo Máquina de Vetores de Suporte (SVM) na diferenciação entre crises epilépticas e crises não epilépticas psicogênicas (CNEP). Um banco de dados com exames de eletroencefalograma (EEG) contendo 117 crises epilépticas e 42 crises não epilépticas psicogênicas foram coletados na Unidade de Videoeletroencefalografia do Instituto de Psiquiatria do Hospital das Clínicas da Faculdade de Medicina da Universidade de São Paulo (IPq-HCFMUSP). Baseando-se nos registros dos 18 canais do EEG durante cada crise, foram gerados vetores de características com quatro atributos: média, desvio padrão, valor máximo e valor mínimo. Estes vetores de características foram utilizados na fase de treinamento e avaliação do classificador SVM em quatro configurações de kernels disponíveis: Linear, Polinomial, Função de Base Radial (RBF) e Sigmoide. Como resultado, o kernel Polinomial  apresentou melhor desempenho com a taxa de acerto (acurácia) de 78,7%, sensibilidade de 100% e especificidade de 2,4%. Com base nos vetores de características utilizados, foi possível concluir que o classificador SVM é adequado para a detecção de crises epilépticas, sendo inadequado para os casos de CNEP. Estes resultados podem ser otimizados com a aplicação da Transformada de Fourier ou Transformada Wavelet no tratamento prévio dos sinais de EEG, além da geração de vetores de características com atributos distintos.

​

​

ABSTRACT: This paper discusses the study and application of the Support Vector Machine (SVM) type classifier in differentiating between epileptic seizures and psychogenic non-epileptic seizures (CNEP). A database of electroencephalogram (EEG) scans containing 117 epileptic seizures and 42 psychogenic non-epileptic seizures was collected at the Video-Electroencephalography Unit of the Psychiatric Institute, Hospital das Clínicas, School of Medicine, University of São Paulo (IPq-HCFMUSP). Based on the records of the 18 EEG channels during each seizure, feature vectors with four attributes were generated: mean, standard deviation, maximum value and minimum value. These feature vectors were used in the training and evaluation phase of the SVM classifier in four available kernel configurations: Linear, Polynomial, Radial Basis Function (RBF) and Sigmoid. As a result, the Polynomial kernel performed best with a hit rate (accuracy) of 78.7%, sensitivity of 100% and specificity of 2.4%. Based on the feature vectors used, it was possible to conclude that the SVM classifier is suitable for the detection of epileptic seizures, being inadequate for CNEP cases. These results can be optimized with the application of Fourier Transform or Wavelet Transform in the previous treatment of EEG signals, in addition to the generation of feature vectors with distinct attributes.