Ανάπτυξη παραλλαγής του αλγορίθμου νυχτερίδας για αναζήτηση περιοχών ενδιαφέροντος σε λειτουργικά εγκεφαλικά δίκτυα

Καλογεροπούλου, Μαρία; Kalogeropoulou, Maria

dc.contributor.author	Καλογεροπούλου, Μαρία	el
dc.contributor.author	Kalogeropoulou, Maria	en
dc.date.accessioned	2018-09-24T10:55:13Z
dc.date.available	2018-09-24T10:55:13Z
dc.date.issued	2018-09-24
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/47661
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.15501
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Νοημοσύνη σμήνους	el
dc.subject	Εγκεφαλικά δίκτυα	el
dc.subject	Αλγόριθμοι εμπνευσμένοι από τη φύση	el
dc.subject	Αλγόριθμος νυχτερίδας	el
dc.subject	Βελτιστοποίηση	el
dc.subject	Swarm intelligence	en
dc.subject	Brain networks	en
dc.subject	Nature inspired algorithms	en
dc.subject	Bat algorithm	en
dc.subject	Optimization	en
dc.title	Ανάπτυξη παραλλαγής του αλγορίθμου νυχτερίδας για αναζήτηση περιοχών ενδιαφέροντος σε λειτουργικά εγκεφαλικά δίκτυα	el
heal.type	bachelorThesis
heal.classification	Βιοϊατρική μηχανική	el
heal.classification	Βιοϊατρική τεχνολογία και εμβιομηχανική	el
heal.classification	Υπολογιστικές νευροεπιστήμες	el
heal.classification	Νανοβιοτεχνολογία	el
heal.classificationURI	http://data.seab.gr/concepts/e21d30fc29c7c38310b1b9c23590a18fd030f6f2
heal.classificationURI	http://data.seab.gr/concepts/889a79cd27f1653c233596d2ccc86569e4e1aae5
heal.classificationURI	http://data.seab.gr/concepts/4d8173a4337eda1b18545cb218b81ff26aabaaa2
heal.classificationURI	http://data.seab.gr/concepts/c91279bb6e4ecd95279b2dd3652f66bfdf448d0c
heal.language	el
heal.access	campus
heal.recordProvider	ntua	el
heal.publicationDate	2018-06-18
heal.abstract	Η μελέτη και η κατανόηση της εγκεφαλικής λειτουργίας και των αλληλεπιδράσεων μεταξύ των διαφορετικών εγκεφαλικών περιοχών εξακολουθεί να αποτελεί πρόκληση. Η διαρκής προσπάθεια για την χαρτογράφηση των δικτύων του ανθρώπινου εγκεφάλου ενισχύθηκε σημαντικά με την υιοθέτηση νέων τεχνικών ανάλυσης δικτύων. Συγχρόνως, ένα άλλο επιστημονικό πεδίο, η Νοημοσύνη Σμήνους, γνωρίζει αυξανόμενη δημοτικότητα σε πλήθος επιστημονικών τομέων τα τελευταία χρόνια. Ο συνδυασμός των δύο αυτών πεδίων σε μία κοινή εφαρμογή αποτελεί το αντικείμενο της παρούσας μελέτης. Σκοπός της παρούσας διπλωματικής εργασίας είναι η ανάπτυξη ενός νέου αλγορίθμου βασισμένου στις αρχές του Αλγορίθμου Νυχτερίδας για την διερεύνηση και αναζήτηση προβληματικών περιοχών σε λειτουργικά εγκεφαλικά δίκτυα. Στο πλαίσιο αυτό, υλοποιήθηκαν σε περιβάλλον MATLAB τρία λειτουργικά εγκεφαλικά δίκτυα από δεδομένα μη επεμβατικών απεικονιστικών τεχνικών τα οποία εξήχθησαν από το πρόγραμμα BrainNet Viewer. Στη συνέχεια, ο νέος Αλγόριθμος Νυχτερίδας που αναπτύχθηκε, εφαρμόστηκε στα δίκτυα αυτά με σκοπό την αναζήτηση περιοχών ενδιαφέροντος. Μελετήθηκε η συμπεριφορά και η αποτελεσματικότητα του αλγορίθμου σε διάφορα σενάρια που σχετίζονται με την μεταβολή των τιμών ορισμένων παραμέτρων του. Τέλος, τα αποτελέσματα αναλύθηκαν στατιστικά και προέκυψαν σχετικά συμπεράσματα, τα οποία δείχνουν ότι ο νέος αλγόριθμος εντοπίζει τις περιοχές ενδιαφέροντος του εγκεφάλου με πολύ μεγάλο ποσοστό επιτυχίας.	el
heal.abstract	Comprehending the function of the human brain and the way different brain areas interact remains a challenging task for scientists. The ongoing quest to map the intricate networks of the human brain with ever-increasing accuracy and resolution has recently expanded in new directions with the implementation of modern Network Analysis tools. Meanwhile, another scientific field, that of Swarm Intelligence, has become increasingly popular and permeated in multiple scientific areas over the last years. The subject of the present study is to combine these two fields into a single application. The aim of the diploma thesis is the development of a new algorithm based on the principles of the Bat Algorithm for the detection of brain areas of interest in functional brain networks. Within this context, data from three functional brain networks were exported using BrainNet Viewer; the networks were recreated using MATLAB. Subsequently, the new Bat Algorithm was applied to the aforementioned networks in order to search for specific areas of interest. The virtual bats “flied” from node to node using neuron fascicles as paths, which were the edges of the recreated networks. The accuracy and the time needed for the code executions were recorded for indicative values of the algorithm parameters. More specifically, we studied how the number of the bats and the number of iterations affect the search capability of the algorithm in each network. Finally, the analysis of the simulation results led to the conclusion that the new Bat Algorithm has the capability of detecting specific areas of interest with high accuracy.	en
heal.advisorName	Κουτσούρης, Δημήτριος-Διονύσιος	el
heal.committeeMemberName	Κουτσούρης, Δημήτριος-Διονύσιος	el
heal.committeeMemberName	Ματσόπουλος, Γεώργιος	el
heal.committeeMemberName	Νικήτα, Κωνσταντίνα	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Συστημάτων Μετάδοσης Πληροφορίας και Τεχνολογίας Υλικών. Εργαστήριο Βιοϊατρικής Τεχνολογίας	el
heal.academicPublisherID	ntua
heal.numberOfPages	105 σ.
heal.fullTextAvailability	true