Please use this identifier to cite or link to this item:
Title: Ανάλυση της μεταβλητότητας του καρδιακού ρυθμού με τη χρήση τεχνητών νευρωνικών δικτύων για την ανίχνευση των σταδίων του ύπνου
Other Titles: Analysis of heart rate variability (HRV) by means of neural networks for sleep stages detection
Authors: Λιάρου, Ελένη
Keywords: Νευρωνικά δίκτυα
Ανάλυση της μεταβλητότητας (HRV)
Keywords (translated): Neural networks
Heart rate variability analysis (HRV)
Abstract: Τα τελευταία χρόνια τα τεχνητά νευρωνικά δίκτυα βρίσκουν ευρεία εφαρμογή σε διάφορους τομείς της επιστήμης όπως η αναγνώριση προτύπων, η λήψη αποφάσεων, τα συστήματα ταυτοποίησης και η βιοϊατρική. Ιδιαίτερα στο κλάδο της βιοϊατρικής τα νευρωνικά δίκτυα έχουν χρησιμοποιηθεί για τη διάγνωση ασθενειών, τη βιοχημική ανάλυση και την ανίχνευση των σταδίων του ύπνου. Στη κατεύθυνση αυτή κινήθηκε και η παρούσα διπλωματική εργασία η οποία έχει ως στόχο την ανίχνευση των σταδίων του ύπνου με τη χρήση ενός τεχνητού νευρωνικού δικτύου. Αρχικά λαμβάνονται ακατέργαστα σήματα ηλεκτροκαρδιογραφήματος. Γίνεται επεξεργασία των σημάτων αυτών στο πεδίο του χρόνου και υπολογίζονται οι χρονικές διαφορές ανάμεσα στους διαδοχικούς κτύπους (RR διαστήματα) της καρδιάς. Αφού γίνει η εξαγωγή των τιμών αυτών, το προκύπτον διάνυσμα δίδεται ως είσοδος σε ένα νευρωνικό δίκτυο πρόσθιας τροφοδότησης τριών επιπέδων, με αλγόριθμο εκπαίδευσης τον αλγόριθμο οπισθοδιάδοσης λάθους. Το δίκτυο εκπαιδεύεται με επιβλεπόμενη μάθηση και συνάρτηση εκπαίδευσης τη συνάρτηση του Levenberg – Marquardt. Μετά το πέρας της εκπαίδευσης το τεχνητό νευρωνικό δίκτυο είναι ικανό να ανιχνεύει από μια άγνωστη ακολουθία RR διαστημάτων τα στάδια ύπνου που διανύει το αντικείμενο της καταγραφής. Μια σημαντική εφαρμογή είναι στη περίπτωση ατόμων με ψυχικές διαταραχές, που όπως έχει διαπιστωθεί δεν περνούν τα ίδια στάδια ύπνου με τα υγιή άτομα. Η ανίχνευση των σταδίων του ύπνου των ατόμων αυτών αποτελεί ένα σημαντικό κριτήριο αξιολόγησης της αποτελεσματικότητας της χορηγούμενης θεραπείας.
Abstract (translated): Neural networks have been an emerging interdisciplinary field and the possibility of using them on pattern recognition, decision making, identification systems and even biomedicine has recently reached a great deal of research interest. Especially in the latter, neural networks have been used for disease diagnosis, biochemical analysis and sleep stages detection. Toward this direction the main claim of the present thesis is the classification of the different stages of human sleep by means of neural networks. Initially, raw ECG signals are obtained. Those signals are processed in the time domain in terms of noise filtering. Secondly, the time differences between successive heart beats are calculated (RR intervals). The resulting vector containing the RR intervals is given as input to a feed forward three-layer neural network, using as training algorithm the backward error propagation algorithm. Neural network is trained with supervised learning and the Levenberg – Marquardt training function. After the training, the neural network is able to detect the different sleep stages of an individual from an unknown sequence of RR intervals. An important application of this technique is the classification of the sleep stages of people with mental disorders which differ from those of healthy individuals. The detection of sleep stages in this case has a major importance to the evaluation and improvement of the effectiveness of the given treatment.
Appears in Collections:Τμήμα Ηλεκτρολ. Μηχαν. και Τεχνολ. Υπολογ. (ΔΕ)

Files in This Item:
File Description SizeFormat 
ece8110_thesis.pdf2.4 MBAdobe PDFView/Open

This item is licensed under a Creative Commons License Creative Commons