dc.contributor.advisor | Kalatzis, Ioannis | |
dc.contributor.author | Γρηγοράκου, Ευτυχία | |
dc.date.accessioned | 2021-07-29T10:32:44Z | |
dc.date.available | 2021-07-29T10:32:44Z | |
dc.date.issued | 2021-07-22 | |
dc.identifier.uri | https://polynoe.lib.uniwa.gr/xmlui/handle/11400/1001 | |
dc.identifier.uri | http://dx.doi.org/10.26265/polynoe-852 | |
dc.description.abstract | Τα τελευταία χρόνια, η τεχνική της Ηλεκτροεγκεφαλογραφίας (ΗΕΓ) χρησιμοποιείται ολοένα
και περισσότερο σε συνδυασμό με υπολογιστικά εργαλεία της Μηχανικής Μάθησης, με
σκοπό την αποκωδικοποίηση και την κατανόηση των εγκεφαλογραφικών σημάτων. Σε αυτό
το πλαίσιο, η παρούσα διπλωματική εργασία αποσκοπεί στη δημιουργία ενός αλγορίθμου ο
οποίος θα χρησιμοποιεί ηλεκτροεγκεφαλογραφικά σήματα ανθρώπων, ώστε να αναγνωρίζει
την ύπαρξη πνευματικής συγκέντρωσης σε αυτούς.
Για τη δημιουργία ενός τέτοιου συστήματος χρησιμοποιήθηκαν ΗΕΓ σήματα που
προέρχονται από μία βάση δεδομένων ανοιχτής πρόσβασης. Τα σήματα αυτά υπέστησαν
ψηφιακή επεξεργασία, ώστε να αποκτήσουν την κατάλληλη μορφή για να αποτελέσουν
είσοδο στο Σύστημα Αναγνώρισης Προτύπων, που δημιουργήθηκε στα πλαίσια της παρούσας
διπλωματικής εργασίας. Το Σύστημα αυτό αναλύει τα εγκεφαλογραφικά σήματα, μέσω των
τεχνικών της εξαγωγής και έπειτα επιλογής χαρακτηριστικών, ώστε τελικά να τα ταξινομήσει
σε κλάσεις ανάλογα με την ύπαρξη ή μη συγκέντρωσης στους εθελοντές κατά τη διάρκεια
της καταγραφής. Ως εκ τούτου, προκύπτουν δύο κλάσεις. Στην πρώτη ανήκουν τα σήματα
που προέρχονται από εθελοντές που βρίσκονται σε κατάσταση πνευματικής συγκέντρωσης,
και στη δεύτερη ανήκουν τα σήματα που προέρχονται από εθελοντές που βρίσκονται σε
κατάσταση απουσίας συγκέντρωσης - χαλάρωσης.
Το αποτέλεσμα του λογισμικού συστήματος αποδεικνύει ότι είναι εφικτός ο επιτυχής
διαχωρισμός και η κατηγοριοποίηση σημάτων ηλεκτροεγκεφαλογραφίας ανάλογα με την
ύπαρξη ή μη συγκέντρωσης στα υποκείμενα των καταγραφών. | el |
dc.format.extent | 67 | el |
dc.language.iso | el | el |
dc.publisher | Πανεπιστήμιο Δυτικής Αττικής | el |
dc.rights | Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές | * |
dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση 4.0 Διεθνές | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc/4.0/ | * |
dc.subject | Ηλεκτροεγκεφαλογραφία (ΗΕΓ) | el |
dc.subject | Αναγνώριση συγκέντρωσης | el |
dc.subject | Ρυθμός άλφα | el |
dc.subject | Αναγνώριση προτύπων | el |
dc.title | Επεξεργασία και ανάλυση ηλεκτροεγκεφαλογραφικών σημάτων για την αναγνώριση συγκέντρωσης του υποκειμένου | el |
dc.title.alternative | Processing and analysis of signals of electroegephalography to recognize the subject's attention | el |
dc.type | Διπλωματική εργασία | el |
dc.contributor.committee | Asvestas, Pantelis | |
dc.contributor.committee | Αραμπατζής, Δημήτριος | |
dc.contributor.committee | Kalatzis, Ioannis | |
dc.contributor.faculty | Σχολή Μηχανικών | el |
dc.contributor.department | Τμήμα Μηχανικών Βιοϊατρικής | el |
dc.description.abstracttranslated | In the last years, the use of Electroencephalogram (EEG) signals in the field of Machine
Learning has obtained a lot of interest, since it would be very useful to deeply understand
these signals. In this context, the aim of the present thesis is to create an algorithm, which will
use humans’ EEG signals in order to recognize whether or not these humans are concentrated
during the measurement (Attentiveness Recognition System).
To develop this system, an open access dataset of EEG signals was used. These signals were
processed digitally so they are suitable to be fed in the Pattern Recognition System that was
built for the purpose of this thesis. This System analyzes the EEG signals, employing Feature
Extraction and Feature Selection techniques, in order to classify them depending on the
concentration of the volunteers during the EEG measurement. Thus, the data were classified
into two classes; the signals which correspond to volunteers who were concentrated belong to
the first class, and the signals which correspond to volunteers who were in relaxed-not
concentrated state, belong to the second class.
The results of the System show that it is possible to successfully discriminate and classify
EEG signals according to the concentration of the subject. | el |