Υλοποίηση νευρωνικού δικτύου για την ανίχνευση των σταδίων του ύπνου
Τα τελευταία χρόνια τα τεχνητά νευρωνικά δίκτυα βρίσκουν όλο και μεγαλύτερη εφαρμογή σε τομείς της καθημερινότητάς μας. Ιδιαίτερα στο κλάδο της ιατρικής και της φροντίδας τα νευρωνικά δίκτυα έχουν και συνεχίζουν να αξιοποιούνται με μεγάλη επιτυχία. Η χρήση τους για κλινική διάγνωση ή πρόβλεψη καρκίν...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2020
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/13704 |
| id |
nemertes-10889-13704 |
|---|---|
| record_format |
dspace |
| spelling |
nemertes-10889-137042022-09-05T20:31:46Z Υλοποίηση νευρωνικού δικτύου για την ανίχνευση των σταδίων του ύπνου Implementation of neural network for detection of sleep stages Ζεκάκος, Αλέξανδρος Zekakos, Alexandros Νευρωνικά δίκτυα Ηλεκτροκαρδιογράφημα Neural networks FPGAs Zynq Electrocardiogram (ECG) Τα τελευταία χρόνια τα τεχνητά νευρωνικά δίκτυα βρίσκουν όλο και μεγαλύτερη εφαρμογή σε τομείς της καθημερινότητάς μας. Ιδιαίτερα στο κλάδο της ιατρικής και της φροντίδας τα νευρωνικά δίκτυα έχουν και συνεχίζουν να αξιοποιούνται με μεγάλη επιτυχία. Η χρήση τους για κλινική διάγνωση ή πρόβλεψη καρκίνου ή καρδιαγγειακών παθήσεων, θεωρείται πλέον μία συνηθισμένη τεχνική μηχανικής μάθησης. Σήματα της καρδιάς, για παράδειγμα, έχουν αναλυθεί με νευρωνικά δίκτυα για κατηγοριοποίηση αρρυθμιών, ανίχνευση ισχαιμίας του μυοκαρδίου, αναγνώριση καρδιαγγειακών παθήσεων, αναγνώρηση σταδίων του ύπνου κ.α. Τα μοντέλα αυτά, μηχανικής μάθησης, έχουν ιδιαίτερα υψηλές απαιτήσεις σε μνήμη και υπολογιστική ισχύ, ιδιαίτερα κατά τη διαδικασία της εκπαίδευσης. Η χρήση συστημάτων πολυεπεξεργασίας (Multiprocessors, GPUs, FPGAs) προσπαθεί να δώσει λύση σε αυτό το πολυεπίπεδο πρόβλημα. Στην κατεύθυνση αυτή κινήθηκε και η παρούσα διπλωματική εργασία, η οποία έχει ως στόχο την ανάπτυξη ενός νευρωνικού δικτύου για την ανίχνευση των σταδίων του ύπνου, κάνοντας χρήση των κανονικών διαστημάτων των παλμών της καρδιάς, και την υλοποίησή του σε FPGA. Αρχικά, αναπτύχθηκε και εκπαιδεύτηκε το τεχνητό νευρωνικό δίκτυο στο software, με δεδομένα εισόδου τα RR διαστήματα, στα οποία έγινε κατάλληλη επεξεργασία για να ταιριάζουν στις ανάγκες της εφαρμογής. Κάνοντας χρήση των παραμέτρων που προέκυψαν από την εκπαίδευση, υλοποιήθηκε το νευρωνικό δίκτυο και στο hardware με τη χρήση εξειδικευμένου υλικού και τελευταίας γενιάς Zynq-7000 Xilinx. Τέλος, έγινε σύγκριση μεταξύ των δύο μοντέλων για να διαπιστωθεί η ορθή λειτουργία της σχεδίασης στο υλικό. Over the past few years, artificial neural networks have been emerging in our daily lives, giving solutions to various applications. Especially in the field of medicine and health care, neural networks are used with great success. Their use in major disease areas such as cancer or cardiology is now considered a common machine learning technique. ECG signals, for example, have been analyzed with the use of neural networks for arrhythmias classification, detection of myocardial ischemia, recognition of cardiovascular diseases, classification of sleep stages etc. These machine learning models have particularly high demands on memory and computing power, especially during the training process. The use of multiprocessors (Multiprocessors, GPUs, FPGAs) tries to solve this multilevel problem. The present dissertation moved in this direction and aimed to develop an artificial neural network for sleep stages classification, using the normal intervals of heartbeat, and implement it in FPGA. Initially, the artificial neural network was developed and trained in software, with input data the RR intervals, in which appropriate processing was done to suit the needs of the application. Using the parameters that emerged from training, the neural network was implemented in hardware, which was based on specialized material and the latest generation of Zynq-7000 Xilinx. Finally, a comparison was made between the two models to determine the correct operation of the hardware design. 2020-08-02T10:57:34Z 2020-08-02T10:57:34Z 2020-07-24 http://hdl.handle.net/10889/13704 gr application/pdf |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Νευρωνικά δίκτυα Ηλεκτροκαρδιογράφημα Neural networks FPGAs Zynq Electrocardiogram (ECG) |
| spellingShingle |
Νευρωνικά δίκτυα Ηλεκτροκαρδιογράφημα Neural networks FPGAs Zynq Electrocardiogram (ECG) Ζεκάκος, Αλέξανδρος Υλοποίηση νευρωνικού δικτύου για την ανίχνευση των σταδίων του ύπνου |
| description |
Τα τελευταία χρόνια τα τεχνητά νευρωνικά δίκτυα βρίσκουν όλο και μεγαλύτερη εφαρμογή σε τομείς της καθημερινότητάς μας. Ιδιαίτερα στο κλάδο της ιατρικής και της φροντίδας τα νευρωνικά δίκτυα έχουν και συνεχίζουν να αξιοποιούνται με μεγάλη επιτυχία. Η χρήση τους για κλινική διάγνωση ή πρόβλεψη καρκίνου ή καρδιαγγειακών παθήσεων, θεωρείται πλέον μία συνηθισμένη τεχνική μηχανικής μάθησης. Σήματα της καρδιάς, για παράδειγμα, έχουν αναλυθεί με νευρωνικά δίκτυα για κατηγοριοποίηση αρρυθμιών, ανίχνευση ισχαιμίας του μυοκαρδίου, αναγνώριση καρδιαγγειακών παθήσεων, αναγνώρηση σταδίων του ύπνου κ.α.
Τα μοντέλα αυτά, μηχανικής μάθησης, έχουν ιδιαίτερα υψηλές απαιτήσεις σε μνήμη και υπολογιστική ισχύ, ιδιαίτερα κατά τη διαδικασία της εκπαίδευσης. Η χρήση συστημάτων πολυεπεξεργασίας (Multiprocessors, GPUs, FPGAs) προσπαθεί να δώσει λύση σε αυτό το πολυεπίπεδο πρόβλημα.
Στην κατεύθυνση αυτή κινήθηκε και η παρούσα διπλωματική εργασία, η οποία έχει ως στόχο την ανάπτυξη ενός νευρωνικού δικτύου για την ανίχνευση των σταδίων του ύπνου, κάνοντας χρήση των κανονικών διαστημάτων των παλμών της καρδιάς, και την υλοποίησή του σε FPGA. Αρχικά, αναπτύχθηκε και εκπαιδεύτηκε το τεχνητό νευρωνικό δίκτυο στο software, με δεδομένα εισόδου τα RR διαστήματα, στα οποία έγινε κατάλληλη επεξεργασία για να ταιριάζουν στις ανάγκες της εφαρμογής. Κάνοντας χρήση των παραμέτρων που προέκυψαν από την εκπαίδευση, υλοποιήθηκε το νευρωνικό δίκτυο και στο hardware με τη χρήση εξειδικευμένου υλικού και τελευταίας γενιάς Zynq-7000 Xilinx. Τέλος, έγινε σύγκριση μεταξύ των δύο μοντέλων για να διαπιστωθεί η ορθή λειτουργία της σχεδίασης στο υλικό. |
| author2 |
Zekakos, Alexandros |
| author_facet |
Zekakos, Alexandros Ζεκάκος, Αλέξανδρος |
| author |
Ζεκάκος, Αλέξανδρος |
| author_sort |
Ζεκάκος, Αλέξανδρος |
| title |
Υλοποίηση νευρωνικού δικτύου για την ανίχνευση των σταδίων του ύπνου |
| title_short |
Υλοποίηση νευρωνικού δικτύου για την ανίχνευση των σταδίων του ύπνου |
| title_full |
Υλοποίηση νευρωνικού δικτύου για την ανίχνευση των σταδίων του ύπνου |
| title_fullStr |
Υλοποίηση νευρωνικού δικτύου για την ανίχνευση των σταδίων του ύπνου |
| title_full_unstemmed |
Υλοποίηση νευρωνικού δικτύου για την ανίχνευση των σταδίων του ύπνου |
| title_sort |
υλοποίηση νευρωνικού δικτύου για την ανίχνευση των σταδίων του ύπνου |
| publishDate |
2020 |
| url |
http://hdl.handle.net/10889/13704 |
| work_keys_str_mv |
AT zekakosalexandros ylopoiēsēneurōnikoudiktyougiatēnanichneusētōnstadiōntouypnou AT zekakosalexandros implementationofneuralnetworkfordetectionofsleepstages |
| _version_ |
1771297347421077504 |
