Please use this identifier to cite or link to this item: http://hdl.handle.net/10889/11625
Title: Ανίχνευση υπνικών ατράκτων σε σήματα ηλεκτροεγκεφαλογραφήματος με χρήση νευρωνικών δικτύων
Other Titles: Sleep spindle detection in electroencephalographic signals using artificial neural networks
Authors: Βερνίκου, Σωτηρία-Καλλιόπη
Keywords: Νευρωνικά δίκτυα
Ηλεκτροεγκεφαλογράφημα
Keywords (translated): Neural networks
Electroencephalography
Abstract: Στην παρούσα διπλωματική εργασία αναπτύχθηκε και αξιολογήθηκε μία αυτόματη μέθοδος ανίχνευσης υπνικών ατράκτων από σήματα ηλεκτροεγκεφαλογραφήματος με χρήση τεχνητών νευρωνικών δικτύων. Η αρχιτεκτονική στην οποία βασίστηκε είναι αυτή του πολυεπίπεδου Perceptron (MLP) εμπρόσθιας τροφοδότησης, χωρίς την εξαγωγή χαρακτηριστικών γνωρισμάτων. Έγινε εφαρμογή μάθησης με χρήση παραδειγμάτων αξιοποιώντας τεχνητές κυματομορφές ατράκτων και μη, που παράχθηκαν από γεννήτρια ατράκτων. Τα σήματα αυτά χωρίστηκαν σε τμήματα στο χρόνο και δόθηκαν για την εκπαίδευση του δικτύου. Χρησιμοποιήθηκε ο αλγόριθμος οπισθοδρομικής διάδοσης του σφάλματος συμπεριλαμβάνοντας ορμή και προσαρμοστικό ρυθμό εκμάθησης. Η εκτίμηση της απόκρισης του νευρωνικού έγινε μέσω υπολογισμού της ευαισθησίας σε πραγματικά σήματα ηλεκτροεγκεφαλογραφήματος. Συγκεκριμένα, επιτεύθηκε ποσοστό ευαισθησίας 88%. Η ανάπτυξη και η αξιολόγηση της μεθόδου ανίχνευσης υλοποιήθηκαν στο περιβάλλον της MATLAB.
Abstract (translated): The purpose of this thesis was to develop and evaluate an automated method for sleep spindle detection from electroencephalographic signals using artificial neural networks. It was based on the feedforward Multi-Layer Perceptron (MLP) architecture, without feature extraction. Supervised learning was applied using artificial waveforms of sleep spindles and non-spindles, produced by a spindle generator. These signals were divided into time-domain data and were utilized to train the network. The backward error propagation algorithm was used with the inclusion of momentum and adaptive learning rate. The evaluation of the network response was done through calculating the sensitivity of real electroencephalographic signals. Specifically, 88% sensitivity was achieved. The development and evaluation of this detection method were implemented in MATLAB’s environment.
Appears in Collections:Τμήμα Ηλεκτρολ. Μηχαν. και Τεχνολ. Υπολογ. (ΔΕ)

Files in This Item:
File Description SizeFormat 
thesis_final.pdf1.67 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons