Ανάλυση ηλεκτροεγκεφαλογραφήματος και αυτόματη ανίχνευση των υπνικών ατράκτων με τη χρήση νευρωνικών δικτύων
Οι υπνικές άτρακτοι είναι πρότυπα ρυθμικής δραστηριότητας που εμφανίζονται στο ηλεκτροεγκεφαλογράφημα ύπνου. Στα πλαίσια της παρούσας εργασίας αναπτύχθηκε και αξιολογήθηκε μέθοδος για την αυτόματη ανίχνευση υπνικών ατράκτων σε ηλεκτροεγκεφαλογραφικά δεδομένα. Έγινε εξαγωγή χαρακτηριστικών του σή...
Κύριος συγγραφέας: | |
---|---|
Άλλοι συγγραφείς: | |
Μορφή: | Thesis |
Γλώσσα: | Greek |
Έκδοση: |
2017
|
Θέματα: | |
Διαθέσιμο Online: | http://hdl.handle.net/10889/10461 |
id |
nemertes-10889-10461 |
---|---|
record_format |
dspace |
spelling |
nemertes-10889-104612022-09-05T20:19:09Z Ανάλυση ηλεκτροεγκεφαλογραφήματος και αυτόματη ανίχνευση των υπνικών ατράκτων με τη χρήση νευρωνικών δικτύων Analysis of eeg and aτοπutomαtic detection of spindes by the use of neural network Γιαννακοπούλου, Ασπασία Kωστόπουλος, Γεώργιος Κωστόπουλος, Γεώργιος Αντωνακόπουλος, θεόδωρος Κούτρας, Αθανάσιος Giannakopoulou, Aspasia Άτρακτοι Νευρωνικά δίκτυα Spindles Neural networks 612.821 Οι υπνικές άτρακτοι είναι πρότυπα ρυθμικής δραστηριότητας που εμφανίζονται στο ηλεκτροεγκεφαλογράφημα ύπνου. Στα πλαίσια της παρούσας εργασίας αναπτύχθηκε και αξιολογήθηκε μέθοδος για την αυτόματη ανίχνευση υπνικών ατράκτων σε ηλεκτροεγκεφαλογραφικά δεδομένα. Έγινε εξαγωγή χαρακτηριστικών του σήματος στα πεδία του χρόνου και των συχνοτήτων για χρονικά διαστήματα ενός δευτερολέπτου, επιβλεπόμενη μάθηση των ταξινομητών, Perceptron πολλαπλών επιπέδων (MLP) και μηχανής διανυσματικής υποστήριξης (SVM) και υπολογίστηκαν οι παράμετροι απόδοσης για διάφορους συνδυασμούς χαρακτηριστικών και ταξινομητών. Η βέλτιστη απόδοση για το MLP βρέθηκε recall 98,6% precision 98,2% και για το SVM recall 99,2% precision 98%. Συνολικά, η απόδοση των ταξινομητών βελτιστοποιείται από το συνδυασμό χαρακτηριστικών στο πεδίο του χρόνου με χαρακτηριστικά του πεδίου των συχνοτήτων. Οι επιδόσεις τους είναι συγκρίσιμες με αυτές άλλων αλγορίθμων που ευρέως χρησιμοποιούνται για την αυτόματη ανίχνευση υπνικών ατράκτων Sleep spindles are sleep-specific patterns of electroencephalographic activity. This study aimed to design and evaluate a computational method for automatic detection of sleep spindles in electroencephalographic data. Time- and frequency domain signal properties were extracted in 1 sec epochs and classified by MLP or SVM. Performance was evaluated for various combinations of extracted features and/or classifier parameters. Optimal output for the MLP was: recall 98,6% , precision 98,2 and for SVM: recall 99,2%, precision 98,6%. Overall, both classifiers were found to perform better using the combination of both time- and frequency domain measures. Their overall performance is comparable to those of widely used algorithms for automatic detection of sleep spindles. 2017-08-22T05:29:05Z 2017-08-22T05:29:05Z 2017-03-15 Thesis http://hdl.handle.net/10889/10461 gr 0 application/pdf |
institution |
UPatras |
collection |
Nemertes |
language |
Greek |
topic |
Άτρακτοι Νευρωνικά δίκτυα Spindles Neural networks 612.821 |
spellingShingle |
Άτρακτοι Νευρωνικά δίκτυα Spindles Neural networks 612.821 Γιαννακοπούλου, Ασπασία Ανάλυση ηλεκτροεγκεφαλογραφήματος και αυτόματη ανίχνευση των υπνικών ατράκτων με τη χρήση νευρωνικών δικτύων |
description |
Οι υπνικές άτρακτοι είναι πρότυπα ρυθμικής δραστηριότητας που εμφανίζονται
στο ηλεκτροεγκεφαλογράφημα ύπνου. Στα πλαίσια της παρούσας εργασίας
αναπτύχθηκε και αξιολογήθηκε μέθοδος για την αυτόματη ανίχνευση υπνικών
ατράκτων σε ηλεκτροεγκεφαλογραφικά δεδομένα. Έγινε εξαγωγή χαρακτηριστικών
του σήματος στα πεδία του χρόνου και των συχνοτήτων για χρονικά διαστήματα
ενός δευτερολέπτου, επιβλεπόμενη μάθηση των ταξινομητών, Perceptron
πολλαπλών επιπέδων (MLP) και μηχανής διανυσματικής υποστήριξης (SVM) και
υπολογίστηκαν οι παράμετροι απόδοσης για διάφορους συνδυασμούς
χαρακτηριστικών και ταξινομητών. Η βέλτιστη απόδοση για το MLP βρέθηκε recall
98,6% precision 98,2% και για το SVM recall 99,2% precision 98%. Συνολικά, η
απόδοση των ταξινομητών βελτιστοποιείται από το συνδυασμό χαρακτηριστικών
στο πεδίο του χρόνου με χαρακτηριστικά του πεδίου των συχνοτήτων. Οι
επιδόσεις τους είναι συγκρίσιμες με αυτές άλλων αλγορίθμων που ευρέως
χρησιμοποιούνται για την αυτόματη ανίχνευση υπνικών ατράκτων |
author2 |
Kωστόπουλος, Γεώργιος |
author_facet |
Kωστόπουλος, Γεώργιος Γιαννακοπούλου, Ασπασία |
format |
Thesis |
author |
Γιαννακοπούλου, Ασπασία |
author_sort |
Γιαννακοπούλου, Ασπασία |
title |
Ανάλυση ηλεκτροεγκεφαλογραφήματος και αυτόματη ανίχνευση των υπνικών ατράκτων με τη χρήση νευρωνικών δικτύων |
title_short |
Ανάλυση ηλεκτροεγκεφαλογραφήματος και αυτόματη ανίχνευση των υπνικών ατράκτων με τη χρήση νευρωνικών δικτύων |
title_full |
Ανάλυση ηλεκτροεγκεφαλογραφήματος και αυτόματη ανίχνευση των υπνικών ατράκτων με τη χρήση νευρωνικών δικτύων |
title_fullStr |
Ανάλυση ηλεκτροεγκεφαλογραφήματος και αυτόματη ανίχνευση των υπνικών ατράκτων με τη χρήση νευρωνικών δικτύων |
title_full_unstemmed |
Ανάλυση ηλεκτροεγκεφαλογραφήματος και αυτόματη ανίχνευση των υπνικών ατράκτων με τη χρήση νευρωνικών δικτύων |
title_sort |
ανάλυση ηλεκτροεγκεφαλογραφήματος και αυτόματη ανίχνευση των υπνικών ατράκτων με τη χρήση νευρωνικών δικτύων |
publishDate |
2017 |
url |
http://hdl.handle.net/10889/10461 |
work_keys_str_mv |
AT giannakopoulouaspasia analysēēlektroenkephalographēmatoskaiautomatēanichneusētōnypnikōnatraktōnmetēchrēsēneurōnikōndiktyōn AT giannakopoulouaspasia analysisofeegandatoputomaticdetectionofspindesbytheuseofneuralnetwork |
_version_ |
1771297353477652480 |