Ανίχνευση υπνικών ατράκτων σε σήματα ηλεκτροεγκεφαλογραφήματος με χρήση νευρωνικών δικτύων
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 τ...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Μορφή: | Thesis |
| Γλώσσα: | Greek |
| Έκδοση: |
2018
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/11625 |
| id |
nemertes-10889-11625 |
|---|---|
| record_format |
dspace |
| spelling |
nemertes-10889-116252022-09-05T09:41:01Z Ανίχνευση υπνικών ατράκτων σε σήματα ηλεκτροεγκεφαλογραφήματος με χρήση νευρωνικών δικτύων Sleep spindle detection in electroencephalographic signals using artificial neural networks Βερνίκου, Σωτηρία-Καλλιόπη Αντωνακόπουλος, Θεόδωρος Δερματάς, Ευάγγελος Vernikou, Sotiria-Kalliopi Νευρωνικά δίκτυα Ηλεκτροεγκεφαλογράφημα Neural networks Electroencephalography 612.821 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. 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. 2018-10-11T06:46:00Z 2018-10-11T06:46:00Z 2018-07 Thesis http://hdl.handle.net/10889/11625 gr 0 application/pdf |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Νευρωνικά δίκτυα Ηλεκτροεγκεφαλογράφημα Neural networks Electroencephalography 612.821 |
| spellingShingle |
Νευρωνικά δίκτυα Ηλεκτροεγκεφαλογράφημα Neural networks Electroencephalography 612.821 Βερνίκου, Σωτηρία-Καλλιόπη Ανίχνευση υπνικών ατράκτων σε σήματα ηλεκτροεγκεφαλογραφήματος με χρήση νευρωνικών δικτύων |
| description |
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. |
| author2 |
Αντωνακόπουλος, Θεόδωρος |
| author_facet |
Αντωνακόπουλος, Θεόδωρος Βερνίκου, Σωτηρία-Καλλιόπη |
| format |
Thesis |
| author |
Βερνίκου, Σωτηρία-Καλλιόπη |
| author_sort |
Βερνίκου, Σωτηρία-Καλλιόπη |
| title |
Ανίχνευση υπνικών ατράκτων σε σήματα ηλεκτροεγκεφαλογραφήματος με χρήση νευρωνικών δικτύων |
| title_short |
Ανίχνευση υπνικών ατράκτων σε σήματα ηλεκτροεγκεφαλογραφήματος με χρήση νευρωνικών δικτύων |
| title_full |
Ανίχνευση υπνικών ατράκτων σε σήματα ηλεκτροεγκεφαλογραφήματος με χρήση νευρωνικών δικτύων |
| title_fullStr |
Ανίχνευση υπνικών ατράκτων σε σήματα ηλεκτροεγκεφαλογραφήματος με χρήση νευρωνικών δικτύων |
| title_full_unstemmed |
Ανίχνευση υπνικών ατράκτων σε σήματα ηλεκτροεγκεφαλογραφήματος με χρήση νευρωνικών δικτύων |
| title_sort |
ανίχνευση υπνικών ατράκτων σε σήματα ηλεκτροεγκεφαλογραφήματος με χρήση νευρωνικών δικτύων |
| publishDate |
2018 |
| url |
http://hdl.handle.net/10889/11625 |
| work_keys_str_mv |
AT bernikousōtēriakalliopē anichneusēypnikōnatraktōnsesēmataēlektroenkephalographēmatosmechrēsēneurōnikōndiktyōn AT bernikousōtēriakalliopē sleepspindledetectioninelectroencephalographicsignalsusingartificialneuralnetworks |
| _version_ |
1771297184503824384 |
