Show simple item record

Επεξεργασία σήματος σε εφαρμογή θεραπείας άγχους

dc.contributor.advisorVentouras, Errikos
dc.contributor.authorΝίνου, Αικατερίνη
dc.date.accessioned2022-10-13T12:29:35Z
dc.date.available2022-10-13T12:29:35Z
dc.date.issued2022-10-10
dc.identifier.urihttps://polynoe.lib.uniwa.gr/xmlui/handle/11400/3066
dc.identifier.urihttp://dx.doi.org/10.26265/polynoe-2906
dc.description.abstractΗ παρούσα διπλωματική εργασία εκπονήθηκε στα πλαίσια της ολοκλήρωσης των προπτυχιακών σπουδών του Τμήματος Μηχανικών Βιοϊατρικής του Πανεπιστημίου Δυτικής Αττικής. Σκοπός της εργασίας είναι η δημιουργία ενός τεχνητού νευρωνικού δικτύου, το οποίο, μέσω μηχανικής μάθησης, θα μπορεί να ανιχνεύει τρία διαφορετικά επίπεδα άγχους. Για τη ανάπτυξη ενός τέτοιου αλγορίθμου, χρησιμοποιήθηκαν σήματα αναπνοής και ηλεκτροκαρδιογραφήματα που εξήχθησαν από μία βάση δεδομένων ανοιχτής πρόσβασης. Τα βιοσήματα αυτά αποτελούν πορίσματα μελετών που αποσκοπούν στην αύξηση και την εδραίωση των αποτελεσμάτων της θεραπείας έκθεσης των ειδικών φοβιών. Στα πλαίσια της τρέχουσας εργασίας, τα διαθέσιμα βιοσήματα υπέστησαν ψηφιακή επεξεργασία τόσο σε περιβάλλον MATLAB όσο και μέσω της χρήσης του λογισμικού AcqKnowledge της εταιρίας Biopac. Στόχος ήταν η εξαγωγή συνόλων χαρακτηριστικών τα οποία, αφού ταξινομήθηκαν, αποτέλεσαν τα δεδομένα επιβλεπόμενης μάθησης του Πολυστρωματικού Δικτύου Perceptron (MLP) που χρησιμοποιήθηκε. Οι διάφορες δοκιμές στη δομή και την αρχιτεκτονική του τεχνητού νευρωνικού δικτύου που παρουσιάζονται έδωσαν αποτελέσματα τα οποία αποδεικνύουν μια μέτρια δυνατότητα ταξινόμησης των συγκεκριμένων βιοσημάτων ανάλογα με την ύπαρξη υψηλού, μεσαίου ή χαμηλού άγχους. Στα πλαίσια της συζήτησης, προκύπτει εύλογα το συμπέρασμα ότι τα εξαγόμενα χαρακτηριστικά μπορούν να αποτελέσουν βάση για μελλοντικές έρευνες σε συνδυασμό με άλλα στατιστικά χαρακτηριστικά ή παραμέτρους.el
dc.format.extent94el
dc.language.isoelel
dc.publisherΠανεπιστήμιο Δυτικής Αττικήςel
dc.rightsΑναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές*
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 Διεθνές*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.subjectΜηχανική μάθησηel
dc.subjectΣήματα αναπνοήςel
dc.subjectΗλεκτροκαρδιογραφήματαel
dc.subjectΤεχνητά νευρωνικά δίκτυαel
dc.subjectΠολυστωματικά δίκτυα Perceptronsel
dc.subjectΑγχώδεις διαταραχέςel
dc.subjectΕιδικές φοβίεςel
dc.titleΕπεξεργασία σήματος σε εφαρμογή θεραπείας άγχουςel
dc.title.alternativeSignal processing in an anxiety treatment applicationel
dc.typeΔιπλωματική εργασίαel
dc.contributor.committeeΣκουρολιάκου, Αικατερίνη
dc.contributor.committeeAsvestas, Pantelis
dc.contributor.facultyΣχολή Μηχανικώνel
dc.contributor.departmentΤμήμα Μηχανικών Βιοϊατρικήςel
dc.description.abstracttranslatedThis thesis was prepared in the framework of the completion of the undergraduate studies of the Department of Biomedical Engineering of the University of West Attica. The aim of the project is the development of an Artificial Neural Network, which will be able, through machine learning, to detect three different levels of stress. To develop such an algorithm, respiration signals and electrocardiograms, extracted from an open-access database, were used.These biosignals are the results of studies aimed at exploring the effects of exposure therapy in specific phobias. In the context of the current work, the available biosignals were digitally processed both in MATLAB and through the use of the AcqKnowledge software designed by Biopac company. The objective was to derive sets of features which constituted the supervised learning data of the Multilayer Perceptron Network (MLP) that was used. The various tests on the structure and architecture of the artificial neural network that are presented, demonstrate a moderate classification performance of these biosignals, according to the existence of high, medium or low stress. In the context of the discussion, it can reasonably be concluded that the features used can form a basis for future research, in combination with other statistical features or parameters.el


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record

Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές
Except where otherwise noted, this item's license is described as
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές