Μοντέλα προσομοίωσης προκλητών δυναμικών

Καρανικολάου, Μαρία; Karanikolaou, Maria

dc.contributor.author	Καρανικολάου, Μαρία	el
dc.contributor.author	Karanikolaou, Maria	en
dc.date.accessioned	2018-10-22T08:33:44Z
dc.date.available	2018-10-22T08:33:44Z
dc.date.issued	2018-10-22
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/47814
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.15993
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	Ιατρική φυσική	el
dc.subject	Προκλητά δυναμικά	el
dc.subject	Νευροφυσιολογία	el
dc.subject	Προσομοιώσεις	el
dc.subject	Ηλεκτροεγκεφαλογράφημα	el
dc.subject	Medical physics	en
dc.subject	Electroencephalography (EEG)	en
dc.subject	Laser evoked potentials	en
dc.subject	Simulation	en
dc.subject	Neural networks	en
dc.title	Μοντέλα προσομοίωσης προκλητών δυναμικών	el
heal.type	bachelorThesis
heal.classification	Biomedical research	el
heal.classificationURI	http://lod.nal.usda.gov/17342
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2018-09-26
heal.abstract	Σκοπός της διπλωματικής εργασίας είναι η ανάπτυξη μοντέλων στο πεδίο χρόνου και στο πεδίο συχνοτήτων για σήματα εγκεφαλογραφημάτων προκλητών δυναμικών από laser ερεθίσματα εφαρμοσμένα στο χέρι (Laser Evoked Potentials). Συγκεκριμένα, χρησιμοποιούμε υψηλής τάξης συστήματα Συναρτήσεων Μεταφοράς για να ανιχνεύσουμε διαφορές μεταξύ ανδρών και γυναικών, για το κάθε LEP average που υπολογίσαμε από τα epochs των σειρών ΗΕΓ που έχουμε στα δεδομένα μας. Τρεις σειρές από 10 παλμούς Laser CO2 διάρκειας 10ms ο καθένας, εφαρμόζονται στο πάνω μέρος του αριστερού χεριού, οπότε οι υποδοχείς των νεύρων ανιχνεύουν μία πηγή ενός θερμικού επίπονου ερεθίσματος και η απόκριση καταγράφεται ως LEP δυναμικό στο vertex (κορυφή) του κρανίου από το ηλεκτρόδιο Cz. Κάθε LEP είναι μια μεταβατική κατάσταση από τη διέγερση λόγω διαταραχής που υφίσταται, ώσπου επανέρχεται σε κατάσταση ισορροπίας (steady state). Οι νευρικές ίνες μετασχηματίζουν την ενέργεια και τη μεταφέρουν μέσα από το πολύπλοκο σύστημα σύνθετων αντιστάσεων ως το κεντρικό νευρικό σύστημα (ΚΝΣ). Αναλύουμε το Output αυτής της επεξεργασίας αναζητώντας διαφορές ικανές να διαφοροποιήσουν τα σήματα ανδρών από αυτά των γυναικών. Χρησιμοποιούμε αρχικά τους πόλους και τα χαρακτηριστικά των Συναρτήσεων Μεταφοράς και μέσω αλγορίθμων machine learning, και ειδικά τους πλησιέστερους γείτονες (k-NN) βρίσκουμε διαφορές στις συχνότητες μεταξύ των δύο ομάδων, με τους άνδρες να έχουν μικρότερο εύρος συχνοτήτων, και έτσι καλύτερο Q (Quality factor) και μεγαλύτερη damping περίοδο με μεγαλύτερους χρόνους επαναφοράς από τις γυναίκες. Αυτό έρχεται σε συμφωνία με προηγούμενη μελέτη (Staikou et al., 2016), όπου αποδεικνύεται ότι οι γυναίκες εμφανίζουν σχεδόν το διπλάσιο πλάτος από τους άνδρες. Η μεθοδολογία αυτή μπορεί να γίνει οδηγός για την πραγματοποίηση επεξεργασίας προκλητών δυναμικών και άλλης φύσης, καθώς παρέχει αρκετές παραμέτρους σαφής διάκρισης των σημάτων, και άρα εγγυρότερη διαγνωστική ισχύ σε μελέτες νευρικής αγωγιμότητας.	el
heal.abstract	High-order transfer function models are proposed to detect differences in Laser Evoked Potentials (LEPs) between men and women and to assess whether these differences are strong enough to allow for high accuracy, a gender classification algorithm. Three series of 10 Carbon dioxide laser pulses were applied to the left hand dorsum as a source of a thermal noxious stimulus and LEPs were obtained from the head vertex (EEG electrode Cz), as previously described (Staikou et al, 2016). Each LEP can be treated as a transient state of electrical disturbance followed by attenuation, in analogy with transmission lines, neurons and axons transduce the stimulus input laser light through a sequence of impedances. The LEPs for each subject are described by an overall complicated transfer function as a ratio of two polynomials, calculated by the Laplace transform. For the transfer functions, firstly, we obtain an approximate model in time and frequency domain of EEG transients, and secondly, by using the poles, our signal specimen is being classified into two groups, men and women, using k-nearest neighbors algorithm. We decompose our functions applying the inverse Laplace transform (impulse response) and thus extract the time dependent signal expression. The frequency components contained in the transient state of the system are characterized by the poles. The bode plots differ significantly between men and women, while the damping ratio of men is bigger than that of women, shown by the gradient steepness. Classification had high accuracy in gender prediction, successfully classifying the models’ poles, between 89% and 93%. Using transfer function models, we demonstrated gender differences in certain parameters of our transient LEP signals, most notably in settling time. These differences, along with the higher LEP amplitude in women compared to men previously demonstrated (Staikou et al, 2016) provide further evidence of gender differences in pain perception.	en
heal.advisorName	Ουζούνογλου, Νικόλαος	el
heal.committeeMemberName	Ουζούνογλου, Νικόλαος	el
heal.committeeMemberName	Μαλτέζος, Σταύρος	el
heal.committeeMemberName	Σιέττος, Κωνσταντίνος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών. Τομέας Φυσικής	el
heal.academicPublisherID	ntua
heal.numberOfPages	164 σ.	el
heal.fullTextAvailability	true