A transformada wavelet discreta (DWT) fornece uma representação de sinais precisa no domínio tempo-freqüência, gerando poucos coeficientes com mínima perda de informação, devido a sua capacidade potencial de oferecer alto grau de correlação com o sinal a ser decomposto ou com o padrão a ser reconhecido. Embora este atributo dependa fundamentalmente da escolha da função wavelet a ser utilizada para cada tipo específico de padrão, frequentemente a metodologia de seleção relatada não fica clara. O presente estudo descreve e propõe uma metodologia destinada a maximizar o aproveitamento da DWT na detecção automática de padrões relacionados à epilepsia (chamados de eventos epileptogênicos), em sinais de eletroencefalograma (EEG). Com base em uma metodologia estatística simples (teste Z-score), determinou-se a melhor função wavelet dentre as mais utilizadas. Esta função wavelet específica provou ser a mais apta em separar os padrões epileptogênicos da atividade de fundo normal em EEG, no espaço de características. Os testes demonstraram que apenas algumas das funções wavelet atualmente utilizadas são aplicáveis à tarefa de ressaltar eventos epileptogênicos com relação à atividade de fundo nos sinais de EEG. Os valores de limiar para detecção após a DWT foram investigados e obtiveram-se taxas de sensibilidade e especificidade simultâneas de 88,7% para o método.

The discrete wavelet transform (DWT) provides accurate signal representation in time-frequency domain, generating few coefficients with minimum information loss, due to its potential for highly correlating with the signal to be decomposed or with the pattern to be recognized. Although this attribute critically depends on the selection of a wavelet function suitable for use with a given specific pattern, frequently the method reported for this selection is not clear. The present study describes and proposes a methodology designed to maximize the use of DWT in automatic detection of epilepsy-related patterns (or epileptogenic events), in electroencephalographic recordings (EEG). Based on a simple statistical methodology (Zscore test), we could determine the best wavelet function, among those usually employed. This particular wavelet function proved to have greater ability to separate epileptogenic patterns from normal background activity in EEG features space. Tests demonstrated that only a few of the currently used wavelet functions are applicable to emphasizing epileptogenic events over background activity in EEG signals. Threshold values used after DWT were also investigated and sensibility and specificity rates of 88.7% were simultaneously obtained by this method.