Brain signal and image analysis using machine learning methods

The work presented in this Ph.D manuscript focuses on implementing and designing machine learning for brain signal analysis. In the first part of the manuscript, dedicated to one-dimensional brain signal, we study electrocorticography (ECoG) signal processing for voice activity detection and syllabl...

Πλήρης περιγραφή

Λεπτομέρειες βιβλιογραφικής εγγραφής
Κύριος συγγραφέας:	Κανάς, Βασίλειος
Άλλοι συγγραφείς:	Σγάρμπας, Κυριάκος
Μορφή:	Thesis
Γλώσσα:	English
Έκδοση:	2017
Θέματα:	Brain signals Machine learning Speech recognition Magnetic resonance imaging Brain tumor segmentation Synchronization Regression 616.804 754 Εγκεφαλικά σήματα Μηχανική μάθηση Αναγνώριση ομιλίας Μαγνητική τομογραφία Τμηματοποίηση εγκεφαλικού όγκου Συγχρονισμός Μαθηματική παλινδρόμηση
Διαθέσιμο Online:	http://hdl.handle.net/10889/10431

id	nemertes-10889-10431
record_format	dspace
spelling	nemertes-10889-104312022-09-06T05:14:32Z Brain signal and image analysis using machine learning methods Επεξεργασία σημάτων και εικόνων εγκεφάλου με μεθόδους μηχανικής μάθησης Κανάς, Βασίλειος Σγάρμπας, Κυριάκος Kanas, Vasileios Σγάρμπας, Κυριάκος Δερματάς, Ευάγγελος Μπεζεριάνος, Αναστάσιος Μεγαλοοικονόμου, Βασίλειος Μπόρας, Ιωσήφ Μουστάκας, Κωνσταντίνος Φακωτάκης, Νικόλαος Brain signals Machine learning Speech recognition Magnetic resonance imaging Brain tumor segmentation Synchronization Regression 616.804 754 Εγκεφαλικά σήματα Μηχανική μάθηση Αναγνώριση ομιλίας Μαγνητική τομογραφία Τμηματοποίηση εγκεφαλικού όγκου Συγχρονισμός Μαθηματική παλινδρόμηση The work presented in this Ph.D manuscript focuses on implementing and designing machine learning for brain signal analysis. In the first part of the manuscript, dedicated to one-dimensional brain signal, we study electrocorticography (ECoG) signal processing for voice activity detection and syllable classification in order to design an interpretable and more efficient brain computer interface system for speech rehabilitation. The second part of this Ph.D dissertation is dedicated to two-dimensional biomedical signal analysis (image analysis). More specifically, we per-formed analysis of magnetic resonance medical images for brain tumor segmentation and grade classification. Finally, the last part of the thesis is based on mathematical modeling of biological neural networks. We aimed to study the microscopic dynamics of the brain neuronal networks through synchronization phenomena. Η δουλειά η οποία παρουσιάζεται σε αυτήν την διδακτορική διατριβή ανήκει στο πλαίσιο της μηχανικής μάθησης και την ανάπτυξη μεθοδολογιών για την επεξεργασία και ανάλυση μονοδιάστατων και διδιάστατων εγκεφαλικών σημάτων. Πιο συγκεκριμένα, εστιάζεται: 1) στην μελέτη, επεξεργασία και ανάλυση εγκεφαλικών σημάτων ηλεκτροκορτικογραφήματος για τον εντοπισμό φωνητικής δραστηριοποίησης και την ταξινόμηση συλλαβών με σκοπό τον σχεδιασμό και ανάπτυξη ενός BCI συστήματος για την αποκατάσταση ασθενών με προβλήματα ομιλίας, 2) στην επεξεργασία εικόνων μαγνητικής τομογραφίας εγκεφάλου με σκοπό την τμηματοποίηση και ταξινόμηση καρκινικών εγκεφαλικών όγκων, και 3) την μαθηματική μοντελοποίηση δικτύων βιολογικών νευρώνων. 2017-07-17T09:46:46Z 2017-07-17T09:46:46Z 2017-04-07 Thesis http://hdl.handle.net/10889/10431 en Η ΒΚΠ διαθέτει αντίτυπο της διατριβής σε έντυπη μορφή στο βιβλιοστάσιο διδακτορικών διατριβών που βρίσκεται στο ισόγειο του κτιρίου της. 0 application/pdf
institution	UPatras
collection	Nemertes
language	English
topic	Brain signals Machine learning Speech recognition Magnetic resonance imaging Brain tumor segmentation Synchronization Regression 616.804 754 Εγκεφαλικά σήματα Μηχανική μάθηση Αναγνώριση ομιλίας Μαγνητική τομογραφία Τμηματοποίηση εγκεφαλικού όγκου Συγχρονισμός Μαθηματική παλινδρόμηση
spellingShingle	Brain signals Machine learning Speech recognition Magnetic resonance imaging Brain tumor segmentation Synchronization Regression 616.804 754 Εγκεφαλικά σήματα Μηχανική μάθηση Αναγνώριση ομιλίας Μαγνητική τομογραφία Τμηματοποίηση εγκεφαλικού όγκου Συγχρονισμός Μαθηματική παλινδρόμηση Κανάς, Βασίλειος Brain signal and image analysis using machine learning methods
description	The work presented in this Ph.D manuscript focuses on implementing and designing machine learning for brain signal analysis. In the first part of the manuscript, dedicated to one-dimensional brain signal, we study electrocorticography (ECoG) signal processing for voice activity detection and syllable classification in order to design an interpretable and more efficient brain computer interface system for speech rehabilitation. The second part of this Ph.D dissertation is dedicated to two-dimensional biomedical signal analysis (image analysis). More specifically, we per-formed analysis of magnetic resonance medical images for brain tumor segmentation and grade classification. Finally, the last part of the thesis is based on mathematical modeling of biological neural networks. We aimed to study the microscopic dynamics of the brain neuronal networks through synchronization phenomena.
author2	Σγάρμπας, Κυριάκος
author_facet	Σγάρμπας, Κυριάκος Κανάς, Βασίλειος
format	Thesis
author	Κανάς, Βασίλειος
author_sort	Κανάς, Βασίλειος
title	Brain signal and image analysis using machine learning methods
title_short	Brain signal and image analysis using machine learning methods
title_full	Brain signal and image analysis using machine learning methods
title_fullStr	Brain signal and image analysis using machine learning methods
title_full_unstemmed	Brain signal and image analysis using machine learning methods
title_sort	brain signal and image analysis using machine learning methods
publishDate	2017
url	http://hdl.handle.net/10889/10431
work_keys_str_mv	AT kanasbasileios brainsignalandimageanalysisusingmachinelearningmethods AT kanasbasileios epexergasiasēmatōnkaieikonōnenkephaloumemethodousmēchanikēsmathēsēs
_version_	1799945000804417536

Brain signal and image analysis using machine learning methods

Παρόμοια τεκμήρια