Επεξεργασία και αναγνώριση σημάτων εγκεφαλογραφίας
| datacite.contributor.RelatedPerson | Σπύρος Δενάζης | |
| datacite.contributor.Supervisor | Ευάγγελος Δερματάς | |
| datacite.rights | http://purl.org/coar/access_right/c_abf2 | el |
| dc.contributor.author | Θεολογίτης, Νικόλαος | |
| dc.contributor.other | Theologitis, Nikolaos | |
| dc.date.accessioned | 2021-02-23T11:05:42Z | |
| dc.date.available | 2021-02-23T11:05:42Z | |
| dc.date.copyright | 2021-02-22 | |
| dc.degree | graduateThesis | el |
| dc.description.abstract | Στην παρούσα διπλωματική εργασία παρουσιάζεται η ανάπτυξη και η αξιόλογηση μιας αυτόματης μέθοδου για ανίχνευση υπνικών ατράκτων βασισμένη σε πραγματικά σήματα ηλεκτροεγκεφαλογραφήματος με χρήση συνελικτικών νευρωνικών δικτύων (CNN). Πιο συγκεκριμένα πραγματοποιήσαμε επιβλεπόμενη εκπαίδευση στο τεχνητό νευρωνικό δίκτυο έχοντας ως είσοδο φιλτραρισμένα και κανονικοποιήμενα σήματα που χωρίστηκαν στο χρόνο και ως έξοδο την επιθυμητή τιμή για ύπαρξη ή όχι υπνικής ατράκτου. Καθώς το πρόβλημα μας άγεται σε μια δυαδική ταξινόμηση ως συνάρτηση κόστους χρησιμοποιήθηκε η «binary crossentropy» μέσω της οποίας το δίκτυο μας έδινε ως αποτέλεσμα μια τιμή ποσοστού μεταξύ μηδέν και ένα. Η εκτίμηση της απόκρισης του νευρωνικού έγινε μέσω υπολογισμού της ακρίβειας και απώλειας σε σήμα ΗΕΓ άγνωστο για το νευρωνικό δίκτυο. Τα σήματα ΗΕΓ προήλθαν από την βάση δεδομένων THE DREAMS στην οποία περιέχονται αποσπάσματα καταγραφών μισής ώρας από οκτώ διαφορετικούς ασθενείς με διαφορετικές παθήσεις. Η συχνότητα δειγματοληψίας ήταν 200Hz,100Hz ή 50Hz.Επίσης,για κάθε σήμα υπήρχε αντίστοιχος σχολιασμός από δύο ειδικούς για ύπαρξη ή μη υπνικής ατράκτου. | el |
| dc.description.translatedabstract | In this thesis we present the development and evaluation of an automated method for sleep spindle detection based on real electroencephalogram signal using convolutional neural networks (CNN). Specifically, supervised learning was performed οn the artificial neural network having as input filtered and normalized signal samples and as output the desired value for each sample. As our problem leads to a binary classification we used “binary crossentropy” as our cost function which gave us as output a percentage value between zero and one. The evaluation of the network response was done through calculating the accuracy and loss using as input an unknown EEG signal. The EEG signals came from THE DREAMS database, which contains excerpts of half-hour recordings from eight different patients with different pathologies. The sampling frequency was 200Hz,100Hz or 50Hz. Also, for each signal there was a corresponding evaluation from two experts for sleep spindle scoring. | el |
| dc.identifier.uri | http://hdl.handle.net/10889/14522 | |
| dc.language.iso | gr | el |
| dc.subject | Ηλεκτροεγκεφαλογράγημα (ΗΕΓ) | el |
| dc.subject | Νευρωνικά δίκτυα | el |
| dc.subject | Συνελικτικά νευρωνικά δίκτυα | el |
| dc.subject | Υπνική άτρακτος | el |
| dc.subject.alternative | Electroencephalogram (EEG) | el |
| dc.subject.alternative | Artificial neural network | el |
| dc.subject.alternative | Convolutional neural networks | el |
| dc.subject.alternative | Sleep spindle | el |
| dc.title | Επεξεργασία και αναγνώριση σημάτων εγκεφαλογραφίας | el |
| dc.title.alternative | Processing and recognition of encephalography signals | el |
| oaire.licenseCondition | null | el |