Επεξεργασία και ταξινόμηση
ηλεκτροεγκεφαλικών σημάτων σε πειράματα
πραγματικής και φανταστικής κίνησης

Βαρδάκας, Μιλτιάδης; Vardakas, Miltiadis

dc.contributor.author	Βαρδάκας, Μιλτιάδης	el
dc.contributor.author	Vardakas, Miltiadis	en
dc.date.accessioned	2020-06-10T10:37:34Z
dc.date.available	2020-06-10T10:37:34Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/50772
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.18470
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Επιστήμη Δεδομένων και Μηχανική Μάθηση"
dc.rights	Default License
dc.subject	Εξαγωγή χαρακτηριστικών	el
dc.subject	Επιλογή Χαρακτηριστικών
dc.subject	Ταξινόμηση
dc.subject	Μηχανική Μάθηση
dc.subject	Brain-Computer Interface
dc.subject	Feature Selection
dc.subject	Machine Learning
dc.title	Επεξεργασία και ταξινόμηση ηλεκτροεγκεφαλικών σημάτων σε πειράματα πραγματικής και φανταστικής κίνησης	el
heal.type	masterThesis
heal.classification	Βιοϊατρική Μηχανική	el
heal.classification	Μηχανική Μάθηση	el
heal.language	el
heal.access	campus
heal.recordProvider	ntua	el
heal.publicationDate	2020-02-02
heal.abstract	Το αντικείμενο της συγκεκριμένης διπλωματικής εργασίας αφορά τη μελέτη δεδομένων που προέκυψαν από ηλεκτροεγκεφαλογράφημα, μέσω ενός συστήματος Brain-Computer Interface(BCI), σε περιπτώσεις πραγματικής αλλά και φανταστικής κίνησης. Για τη συλλογή των δεδομένων προσφέρθηκαν μέχρι αυτήν τη στιγμή 9 άτομα(subjects) για να λάβουν μέρος στο πείραμα και να συνεισφέρουν νέα δεδομένα στην έρευνα. Τα δεδομένα χωρίζονται σε 4 κατηγορίες(πραγματικής οπτικής κίνησης, φανταστικής οπτικής κίνησης, πραγματικής ακουστικής κίνησης, φανταστικής ακουστικής κίνησης). Ο τελικός στόχος ήταν να κατηγοριοποιηθούν αυτά τα δεδομένα με βάση την κίνηση(πραγματική και φανταστική) των κάτω άκρων των εξεταζόμενων ατόμων για κάθε μια από αυτές τις 4 περιπτώσεις. Για να επιτευχθεί αυτό, δοκιμάστηκαν αρκετοί αλγόριθμοι και τεχνικές για Feature Extraction, Feature Selection και Classification, καταλήγοντας τελικά σε εκείνες τις μεθόδους που πρόσφεραν τα καλύτερα αποτελέσματα. Για το Feature Selection, χρησιμοποιήθηκε η βιβλιοθήκη FSLIB της MATLAB. Οι συναρτήσεις για την υλοποίηση του Classification και του Feature Selection αναπτύχθηκαν σε Python αλλά και σε MATLAB, έτσι ώστε να είναι δυνατή η παράλληλη εκτέλεση πολλαπλών αλγορίθμων. To επόμενο βήμα ήταν να εντοπιστούν οι βέλτιστες τεχνικές με στόχο να χρησιμοποιηθούν στα δεδομένα του κάθε ατόμου ξεχωριστά, κάτι που ίσως να αποτελεί και το πλέον ενδιαφέρον κομμάτι της έρευνας, δεδομένου ότι τα συστήματα BCI στοχεύουν στην εξατομικευμένη παροχή υπηρεσιών. Αξίζει να σημειωθεί ότι στα δεδομένα, τόσο στη γενική περίπτωση όσο και στην περίπτωση της μελέτης για κάθε άτομο ξεχωριστά, εφαρμόστηκε με τη βοήθεια της MATLAB και ένα BandPass φίλτρο, για τον διαχωρισμό των δεδομένων στις μπάντες alpha, beta, gamma, delta, theta. Με τα τελικά αποτελέσματα να είναι αισθητά καλύτερα σε ορισμένες από αυτές, κάτι που συμβαδίζει απόλυτα με παρόμοιες μελέτες που έχουν γίνει στο παρελθόν. Στο τελευταίο μέρος της διπλωματικής εργασίας συνοψίζονται και αξιολογούνται τα αποτελέσματα από τις διάφορες τεχνικές, παράλληλα γίνεται προσπάθεια να δοθούν ιδέες έτσι ώστε να αξιοποιηθεί η συγκεκριμένη εργασία σε μια μελλοντική έρευνα ή σε κάποια παρόμοια διπλωματική.	el
heal.advisorName	Ματσόπουλος, Γεώργιος	el
heal.committeeMemberName	Νικήτα, Κωνσταντίνα	el
heal.committeeMemberName	Κουτσούρης, Δημήτριος-Διονύσιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	122 σ.	el
heal.fullTextAvailability	false