Real-time transformation of electroencephalography signals into vectors of sleep spindle parameters
This thesis studies the phenomenon of sleep spindles. Sleep spindles are a distinct pattern that appears in electroencephalography signals during the second non-REM phase of sleep and they have been linked with brain functions like learning, memory consolidation and neuroplasticity. An automatic met...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | English |
| Έκδοση: |
2023
|
| Θέματα: | |
| Διαθέσιμο Online: | https://hdl.handle.net/10889/25406 |
| id |
nemertes-10889-25406 |
|---|---|
| record_format |
dspace |
| spelling |
nemertes-10889-254062023-07-07T03:53:24Z Real-time transformation of electroencephalography signals into vectors of sleep spindle parameters Μετασχηματισμός ηλεκτροεγκεφαλογραφήματος σε διανύσματα παραμέτρων ατράκτων σε πραγματικό χρόνο Αμαξόπουλος, Πέτρος Φώτιος Amaxopoulos Petros Fotios Electroencephalography Electroencephalography Sleep spindles Feature extraction Ηλεκτροεγκεφαλογράφημα Υπνικές άτρακτοι Ανίχνευση ατράκτων Εξαγωγή χαρακτηριστικών This thesis studies the phenomenon of sleep spindles. Sleep spindles are a distinct pattern that appears in electroencephalography signals during the second non-REM phase of sleep and they have been linked with brain functions like learning, memory consolidation and neuroplasticity. An automatic method for spindle detection is implemented using an adaptive algorithm based on the spindles local average and maximum power. The method is also evaluated using an online database. After the detection occurs, the system further processes the spindle by converting it into a vector of parameters encapsulating information on the time domain, frequency domain, time-frequency domain and non-linear characteristics of the sleep spindle. Based on the above model, an embedded system was implemented using the Zedboard development board in order to verify the real-time performance. Η παρούσα διπλωματική εργασία μελετάει το φαινόμενο των υπνικών ατράκτων. Οι υπνικές άτρακτοι είναι ένας χαρακτηριστικός ρυθμός που εμφανίζεται στα εγκεφαλογραφήματα κυρίως κατά το δεύτερο Non-REM στάδιο του ύπνου και σχετίζονται με εγκεφαλικές λειτουργίες όπως η μάθηση, η παγίωση της μνήμης και η συναπτική πλαστικότητα. Μία αυτόματη μέθοδος ανίχνευσης υπνικών ατράκτων υλοποιήθηκε χρησιμοποιώντας ένα προσαρμοστικό αλγόριθμο που βασίζεται στη τοπική μέση και μέγιστη ισχύ του σήματος. Τα αποτελέσματα συγκρίθηκαν με μια online βάση δεδομένων. Αφού ανιχνευθεί μία υπνική άτρακτος, το σύστημα προχωράει σε εξαγωγή χαρακτηριστικών μετατρέποντας την άτρακτο σε ένα διάνυσμα παραμέτρων που περίεχει πληροφορίες για τα χαρακτηριστικά της στα πεδία του χρόνου, της συχνότητας, του χρόνου-συχνότητας και τα μη γραμμικά. Με βάση το παραπάνω μοντέλο υλοποιήθηκε και ένα ενσωματωμένο σύστημα βασισμένο στο αναπτυξιακό board Zedboard με σκοπό την επιβεβαίωση της λειτουργίας σε πραγματικό χρόνο. 2023-07-06T12:21:43Z 2023-07-06T12:21:43Z 2023-07-06 https://hdl.handle.net/10889/25406 en Attribution 3.0 United States http://creativecommons.org/licenses/by/3.0/us/ application/pdf |
| institution |
UPatras |
| collection |
Nemertes |
| language |
English |
| topic |
Electroencephalography Electroencephalography Sleep spindles Feature extraction Ηλεκτροεγκεφαλογράφημα Υπνικές άτρακτοι Ανίχνευση ατράκτων Εξαγωγή χαρακτηριστικών |
| spellingShingle |
Electroencephalography Electroencephalography Sleep spindles Feature extraction Ηλεκτροεγκεφαλογράφημα Υπνικές άτρακτοι Ανίχνευση ατράκτων Εξαγωγή χαρακτηριστικών Αμαξόπουλος, Πέτρος Φώτιος Real-time transformation of electroencephalography signals into vectors of sleep spindle parameters |
| description |
This thesis studies the phenomenon of sleep spindles. Sleep spindles are a distinct pattern that appears in electroencephalography signals during the second non-REM phase of sleep and they have been linked with brain functions like learning, memory consolidation and neuroplasticity.
An automatic method for spindle detection is implemented using an adaptive algorithm based on the spindles local average and maximum power. The method is also evaluated using an online database. After the detection occurs, the system further processes the spindle by converting it into a vector of parameters encapsulating information on the time domain, frequency domain, time-frequency domain and non-linear characteristics of the sleep spindle. Based on the above model, an embedded system was implemented using the Zedboard development board in order to verify the real-time performance. |
| author2 |
Amaxopoulos Petros Fotios |
| author_facet |
Amaxopoulos Petros Fotios Αμαξόπουλος, Πέτρος Φώτιος |
| author |
Αμαξόπουλος, Πέτρος Φώτιος |
| author_sort |
Αμαξόπουλος, Πέτρος Φώτιος |
| title |
Real-time transformation of electroencephalography signals into vectors of sleep spindle parameters |
| title_short |
Real-time transformation of electroencephalography signals into vectors of sleep spindle parameters |
| title_full |
Real-time transformation of electroencephalography signals into vectors of sleep spindle parameters |
| title_fullStr |
Real-time transformation of electroencephalography signals into vectors of sleep spindle parameters |
| title_full_unstemmed |
Real-time transformation of electroencephalography signals into vectors of sleep spindle parameters |
| title_sort |
real-time transformation of electroencephalography signals into vectors of sleep spindle parameters |
| publishDate |
2023 |
| url |
https://hdl.handle.net/10889/25406 |
| work_keys_str_mv |
AT amaxopoulospetrosphōtios realtimetransformationofelectroencephalographysignalsintovectorsofsleepspindleparameters AT amaxopoulospetrosphōtios metaschēmatismosēlektroenkephalographēmatossedianysmataparametrōnatraktōnsepragmatikochrono |
| _version_ |
1771297172618215424 |
