Ανίχνευση ατράκτων εγκεφαλογραφήματος ύπνου με συνελικτικά νευρωνικά δίκτυα

Παστουσέα, Σοφία

dc.contributor.advisor	Ventouras, Errikos
dc.contributor.author	Παστουσέα, Σοφία
dc.date.accessioned	2024-10-29T11:04:35Z
dc.date.available	2024-10-29T11:04:35Z
dc.date.issued	2024-10-11
dc.identifier.uri	https://polynoe.lib.uniwa.gr/xmlui/handle/11400/7901
dc.identifier.uri	http://dx.doi.org/10.26265/polynoe-7733
dc.description.abstract	Αντικείμενο της παρούσας διπλωματικής εργασίας είναι η χρήση μεθόδων βαθιάς μάθησης για την αυτόματη ανίχνευση συγκεκριμένων κυματομορφών στο ηλεκτροεγκεφαλογράφημα (ΗΕΓ) ύπνου που ονομάζονται υπνικές άτρακτοι. Οι άτρακτοι αποτελούν σημαντικούς βιοδείκτες για τη μελέτη του ύπνου και τη διάγνωση παθολογικών καταστάσεων. Η αναγνώριση προτύπων και αντικειμένων σε εικόνες είναι ιδιαίτερα ενεργό πεδίο έρευνας στην επιστήμη των υπολογιστών, χάρη στην ανάπτυξη της αναγνώρισης προτύπων, της μηχανικής μάθησης και της υποπερίπτωσής της, της βαθιάς μάθησης. Μέρος των τεχνικών βαθιάς μάθησης είναι η οικογένεια των συνελικτικών νευρωνικών δικτύων (Convolutional Neural Networks - CNN). Στην παρούσα διπλωματική εργασία, διερευνάται η εφαρμογή του συνελικτικού νευρωνικού δικτύου GoogLeNet σε καταλλήλως επεξεργασμένα δεδομένα υπνικού ΗΕΓ. Το σύνολο δεδομένων χωρίστηκε σε τέσσερα διαφορετικά σύνολα εκμάθησης και δοκιμής και έγινε διερεύνηση για δύο αλγόριθμους βελτιστοποίησης για διάφορες παραμέτρους τους. Από τα αποτελέσματα φάνηκε ότι χρησιμοποιώντας τον αλγόριθμο SGDM για μικρό βήμα εκμάθησης πετυχαίνουμε παραμέτρους επίδοσης πάνω από 90%, σε δίκτυα που επιδεικνύουν και αξιόλογη σταθερότητα στην φάση της εκμάθησής τους.	el
dc.format.extent	68	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	Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/	*
dc.subject	Ηλεκτροεγκεφαλογραφία	el
dc.subject	Συνελικτικά νευρωνικά δίκτυα	el
dc.subject	Άτρακτοι	el
dc.title	Ανίχνευση ατράκτων εγκεφαλογραφήματος ύπνου με συνελικτικά νευρωνικά δίκτυα	el
dc.title.alternative	Detection of spindles of sleep electroencephalogram with convolutional neural networks	el
dc.type	Διπλωματική εργασία	el
dc.contributor.committee	Asvestas, Pantelis
dc.contributor.committee	Σκουρολιάκου, Αικατερίνη
dc.contributor.faculty	Σχολή Μηχανικών	el
dc.contributor.department	Τμήμα Μηχανικών Βιοϊατρικής	el
dc.description.abstracttranslated	The subject of the present Diploma Thesis is the use of deep learning methods to automatically detect specific waveforms in the sleep electroencephalogram (EEG) called sleep spindles. Spindles are important biomarkers for the study of sleep and the diagnosis of pathological conditions. Pattern and object recognition in images is a particularly active area of research in computer science, thanks to the development of pattern recognition, machine learning, and its subcase, deep learning. Convolutional Neural Networks (CNN) belong to deep learning techniques. In the present Thesis, the application of the pretrained GoogLeNet convolutional neural network, to properly processed sleep EEG data, is investigated. The dataset was divided into four different training and testing sets and two optimization algorithms were investigated varying their parameters. The results showed that using the SGDM algorithm for a small learning step we achieved performance parameters above 90%, in networks that also demonstrate remarkable stability in their learning phase.	el

Files in this item

Name:: PASTOYSEA_16088.pdf
Size:: 4.341Mb
Format:: PDF
Description:: Διπλωματική εργασία

View/Open

This item appears in the following Collection(s)

Διπλωματικές εργασίες
Διπλωματικές εργασίες τμήματος Μηχανικών Βιοϊατρικής

Show simple item record

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