Resumo
A epilepsia é uma doença crônica que afeta mais de 40 milhões de pessoas no mundo inteiro. A maioria delas consegue controlar os sintomas que a doença apresenta, contudo 30% desses indivíduos, mesmo se submetendo ao uso de medicamentos, sofre com ataques frequentes. Por isso faz-se necessária a criação de maneiras mais efetivas de detecção da ocorrência dessas crises. Algoritmos de aprendizado de máquina, por exemplo, podem ser aplicados a sinais de Eletroencefalograma (EEG) para realizar tal tarefa. Alguns desses algoritmos, como Máquinas de Vetores de Suporte (SVM), K-vizinhos próximos (KNN) e Transformada Wavelet Discreta (DWT) são aplicados a atributos retirados desses sinais, ou ainda a versões deles no domínio do tempo. As técnicas de deep learning também possuem exemplos de utilização nessa tarefa, com alguns resultados atingindo taxas de acerto próximas dos 93%. Entretanto, a maioria dessas soluções considera apenas computadores de propósito geral. Além disso, muitas técnicas desenvolvidas buscam resolver o problema utilizando modelos intra-paciente ou inter-paciente. Este trabalho apresenta uma descrição da utilização de redes neurais convolucionais em sistemas embarcados para a realização dessa tarefa com foco na abordagem inter-paciente. O trabalho demonstra técnicas para a geração e pré-processamento de dados de eletroencefalograma que podem ser utilizados como entrada de uma rede neural convolucional. A arquitetura e desempenho da rede são avaliados e os resultados são compatíveis com o estado da arte. A rede apresentada possui apenas 5 camadas convolucionais, o que representa um tamanho razoável para a utilização em um sistema embarcado vestível