Εμφάνιση απλής εγγραφής

Επεξεργασία και ανάλυση ηλεκτροεγκεφαλογραφικών σημάτων για την αναγνώριση συγκέντρωσης του υποκειμένου

dc.contributor.advisorKalatzis, Ioannis
dc.contributor.authorΓρηγοράκου, Ευτυχία
dc.date.accessioned2021-07-29T10:32:44Z
dc.date.available2021-07-29T10:32:44Z
dc.date.issued2021-07-22
dc.identifier.urihttps://polynoe.lib.uniwa.gr/xmlui/handle/11400/1001
dc.identifier.urihttp://dx.doi.org/10.26265/polynoe-852
dc.description.abstractΤα 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.extent67el
dc.language.isoelel
dc.publisherΠανεπιστήμιο Δυτικής Αττικήςel
dc.rightsΑναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές*
dc.rightsΑναφορά Δημιουργού-Μη Εμπορική Χρήση 4.0 Διεθνές*
dc.rights.urihttp://creativecommons.org/licenses/by-nc/4.0/*
dc.subjectΗλεκτροεγκεφαλογραφία (ΗΕΓ)el
dc.subjectΑναγνώριση συγκέντρωσηςel
dc.subjectΡυθμός άλφαel
dc.subjectΑναγνώριση προτύπωνel
dc.titleΕπεξεργασία και ανάλυση ηλεκτροεγκεφαλογραφικών σημάτων για την αναγνώριση συγκέντρωσης του υποκειμένουel
dc.title.alternativeProcessing and analysis of signals of electroegephalography to recognize the subject's attentionel
dc.typeΔιπλωματική εργασίαel
dc.contributor.committeeAsvestas, Pantelis
dc.contributor.committeeΑραμπατζής, Δημήτριος
dc.contributor.committeeKalatzis, Ioannis
dc.contributor.facultyΣχολή Μηχανικώνel
dc.contributor.departmentΤμήμα Μηχανικών Βιοϊατρικήςel
dc.description.abstracttranslatedIn 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


Αρχεία σε αυτό το τεκμήριο

Thumbnail

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Εμφάνιση απλής εγγραφής

Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές
Εκτός από όπου επισημαίνεται κάτι διαφορετικό, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές