Ταξινόμηση προκλητών δυναμικών εγκεφαλογραφήματος ακουστικού πειράματος, σχετιζόμενα με σφάλματα απόκρισης σε δράστες και παρατηρητές

Σκοπός της παρούσης διπλωματικής εργασίας, είναι η ταξινόμηση προκλητών δυναμικών ηλεκτροεγκεφαλογραφήματος, σε κατηγορίες σωστών και λάθος απαντήσεων. Ως δεδομένα, χρησιμοποιήθηκαν και επεξεργάστηκαν καταγραφές ηλεκτροεγκεφαλογραφημάτων ακουστικού πειράματος αναγνώρισης, δύο καταστάσεων πολυπλοκότ...

Πλήρης περιγραφή

Λεπτομέρειες βιβλιογραφικής εγγραφής
Κύριος συγγραφέας: Κάκκος, Ιωάννης
Άλλοι συγγραφείς: Ματσόπουλος, Γεώργιος
Μορφή: Thesis
Γλώσσα:Greek
Έκδοση: 2016
Θέματα:
Διαθέσιμο Online:http://hdl.handle.net/10889/9116
id nemertes-10889-9116
record_format dspace
spelling nemertes-10889-91162022-09-05T11:17:13Z Ταξινόμηση προκλητών δυναμικών εγκεφαλογραφήματος ακουστικού πειράματος, σχετιζόμενα με σφάλματα απόκρισης σε δράστες και παρατηρητές Classification of event-related potentials in actors and observers using error-related negativity and positivity in an auditory task Κάκκος, Ιωάννης Ματσόπουλος, Γεώργιος Βεντούρας, Ερρίκος Ματσόπουλος, Γεώργιος Κουτσούρης, Διονύσιος-Δημήτριος Kakkos, Ioannis Ηλεκτροεγκεφαλογράφημα Προκλητά δυναμικά Ταξινόμηση Μηχανική μάθηση Μηχανές διανυσμάτων υποστήριξης Μεμονωμένες δοκιμές Electroencephalography (EEG) ERP Classification Machine learning K-NN Support vector machines Single-trial 616.804 754 7 Σκοπός της παρούσης διπλωματικής εργασίας, είναι η ταξινόμηση προκλητών δυναμικών ηλεκτροεγκεφαλογραφήματος, σε κατηγορίες σωστών και λάθος απαντήσεων. Ως δεδομένα, χρησιμοποιήθηκαν και επεξεργάστηκαν καταγραφές ηλεκτροεγκεφαλογραφημάτων ακουστικού πειράματος αναγνώρισης, δύο καταστάσεων πολυπλοκότητας, το οποίο πραγματοποιήθηκε με τη συμμετοχή ατόμων με ρόλους δραστών και παρατηρητών. Από την ανάλυση αυτών των σημάτων, προσδιορίστηκαν παράμετροι , οι οποίοι χρησιμοποιήθηκαν ως χαρακτηριστικά για την ταξινόμηση των δεδομένων στις προαναφερθείσες κατηγορίες. Για την ταξινόμηση χρησιμοποιήθηκαν αλγόριθμοι μηχανικής μάθησης, όπως K-NN και μηχανές διανυσμάτων υποστήριξης. Αρχικά, η ταξινόμηση έγινε στους μέσους όρους των καταγραφών των ηλεκτροδίων και στη συνέχεια, εξετάστηκε η χρήση των εξαχθέντων χαρακτηριστικών σε μεμονωμένες δοκιμές. Τα αποτελέσματα της ταξινόμησης έδειξαν, ότι η χρήση των επιλεχθέντων χαρακτηριστικών, αν και ικανοποιητική όσο αφορά τους μέσους όρους των καταγραφών, εμφάνισε αδυναμίες στην ταξινόμηση μεμονωμένων δοκιμών. Aim of this thesis is the classification of ERPs, of participants in an auditory task. Data were collected and processed using EEG in audio task recognition, in two conditions of varying complexity, for acting and observing participants. The analysis determined parameters, which were used as features for the classification of the collected data. Machine learning algorithms were utilized such as K-NN and support vector machines. Initially, the classification was performed on the average recordings of the electrodes, and then the extracted features were used for single-trial classification. Results showed that the use of the selected features, although satisfactory regarding the average recordings, didn’t suffice to classify single-trial data. 2016-02-01T06:48:39Z 2016-02-01T06:48:39Z 2015-09 Thesis http://hdl.handle.net/10889/9116 gr 0 application/pdf
institution UPatras
collection Nemertes
language Greek
topic Ηλεκτροεγκεφαλογράφημα
Προκλητά δυναμικά
Ταξινόμηση
Μηχανική μάθηση
Μηχανές διανυσμάτων υποστήριξης
Μεμονωμένες δοκιμές
Electroencephalography (EEG)
ERP
Classification
Machine learning
K-NN
Support vector machines
Single-trial
616.804 754 7
spellingShingle Ηλεκτροεγκεφαλογράφημα
Προκλητά δυναμικά
Ταξινόμηση
Μηχανική μάθηση
Μηχανές διανυσμάτων υποστήριξης
Μεμονωμένες δοκιμές
Electroencephalography (EEG)
ERP
Classification
Machine learning
K-NN
Support vector machines
Single-trial
616.804 754 7
Κάκκος, Ιωάννης
Ταξινόμηση προκλητών δυναμικών εγκεφαλογραφήματος ακουστικού πειράματος, σχετιζόμενα με σφάλματα απόκρισης σε δράστες και παρατηρητές
description Σκοπός της παρούσης διπλωματικής εργασίας, είναι η ταξινόμηση προκλητών δυναμικών ηλεκτροεγκεφαλογραφήματος, σε κατηγορίες σωστών και λάθος απαντήσεων. Ως δεδομένα, χρησιμοποιήθηκαν και επεξεργάστηκαν καταγραφές ηλεκτροεγκεφαλογραφημάτων ακουστικού πειράματος αναγνώρισης, δύο καταστάσεων πολυπλοκότητας, το οποίο πραγματοποιήθηκε με τη συμμετοχή ατόμων με ρόλους δραστών και παρατηρητών. Από την ανάλυση αυτών των σημάτων, προσδιορίστηκαν παράμετροι , οι οποίοι χρησιμοποιήθηκαν ως χαρακτηριστικά για την ταξινόμηση των δεδομένων στις προαναφερθείσες κατηγορίες. Για την ταξινόμηση χρησιμοποιήθηκαν αλγόριθμοι μηχανικής μάθησης, όπως K-NN και μηχανές διανυσμάτων υποστήριξης. Αρχικά, η ταξινόμηση έγινε στους μέσους όρους των καταγραφών των ηλεκτροδίων και στη συνέχεια, εξετάστηκε η χρήση των εξαχθέντων χαρακτηριστικών σε μεμονωμένες δοκιμές. Τα αποτελέσματα της ταξινόμησης έδειξαν, ότι η χρήση των επιλεχθέντων χαρακτηριστικών, αν και ικανοποιητική όσο αφορά τους μέσους όρους των καταγραφών, εμφάνισε αδυναμίες στην ταξινόμηση μεμονωμένων δοκιμών.
author2 Ματσόπουλος, Γεώργιος
author_facet Ματσόπουλος, Γεώργιος
Κάκκος, Ιωάννης
format Thesis
author Κάκκος, Ιωάννης
author_sort Κάκκος, Ιωάννης
title Ταξινόμηση προκλητών δυναμικών εγκεφαλογραφήματος ακουστικού πειράματος, σχετιζόμενα με σφάλματα απόκρισης σε δράστες και παρατηρητές
title_short Ταξινόμηση προκλητών δυναμικών εγκεφαλογραφήματος ακουστικού πειράματος, σχετιζόμενα με σφάλματα απόκρισης σε δράστες και παρατηρητές
title_full Ταξινόμηση προκλητών δυναμικών εγκεφαλογραφήματος ακουστικού πειράματος, σχετιζόμενα με σφάλματα απόκρισης σε δράστες και παρατηρητές
title_fullStr Ταξινόμηση προκλητών δυναμικών εγκεφαλογραφήματος ακουστικού πειράματος, σχετιζόμενα με σφάλματα απόκρισης σε δράστες και παρατηρητές
title_full_unstemmed Ταξινόμηση προκλητών δυναμικών εγκεφαλογραφήματος ακουστικού πειράματος, σχετιζόμενα με σφάλματα απόκρισης σε δράστες και παρατηρητές
title_sort ταξινόμηση προκλητών δυναμικών εγκεφαλογραφήματος ακουστικού πειράματος, σχετιζόμενα με σφάλματα απόκρισης σε δράστες και παρατηρητές
publishDate 2016
url http://hdl.handle.net/10889/9116
work_keys_str_mv AT kakkosiōannēs taxinomēsēproklētōndynamikōnenkephalographēmatosakoustikoupeiramatosschetizomenamesphalmataapokrisēssedrasteskaiparatērētes
AT kakkosiōannēs classificationofeventrelatedpotentialsinactorsandobserversusingerrorrelatednegativityandpositivityinanauditorytask
_version_ 1771297204042989568