Εφαρμογές των Ακουστικών Προκλητών Δυναμικών σε κλινικό κι ερευνητικό τομέα

Κοτρόζος, Παντελεήμων; Kotrozos, Panteleimon

dc.contributor.author	Κοτρόζος, Παντελεήμων	el
dc.contributor.author	Kotrozos, Panteleimon	en
dc.date.accessioned	2023-01-24T08:59:08Z
dc.date.available	2023-01-24T08:59:08Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/56862
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.24560
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	Ακουστικά Προκλητά Δυναμικά	el
dc.subject	Ακουστικά Προκλητά Δυναμικά Εγκεφαλικού Στελέχους	el
dc.subject	Μεσαία Ακουστικά Δυναμικά	el
dc.subject	Μηχανική Μάθηση	el
dc.subject	Τεχνητή Νοημοσύνη	el
dc.subject	Auditory Evoked Potentials	en
dc.subject	Auditory Brainstem Response	en
dc.subject	Auditory Middle Latency Response	en
dc.subject	Machine Learning	en
dc.subject	Artificial Intelligence	en
dc.title	Εφαρμογές των Ακουστικών Προκλητών Δυναμικών σε κλινικό κι ερευνητικό τομέα	el
heal.type	bachelorThesis
heal.classification	Biomedical engineering	en
heal.classification	Βιοϊατρική μηχανική	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2022-10-31
heal.abstract	Οι πρόσφατες εξελίξεις στη μηχανική μάθηση έχουν οδηγήσει σε ένα κύμα ενδιαφέροντος για την ταξινόμηση των Ακουστικών Προκλητών Δυναμικών και κυρίως των Ακουστικών Προκλητών Δυναμικών του Εγκεφαλικού Στελέχους. Στην παρούσα διπλωματική εργασία πραγματοποιείται μια αναζήτηση στις βάσεις δεδομένων PubMed, Google Scholar, SpringerLink, ScienceDirect και Scopus και εντοπίζονται 19 μελέτες που διερεύνησαν τη χρήση της μηχανικής μάθησης για την ταξινόμηση των Ακουστικών Προκλητών Δυναμικών ως συμπληρωματική και αντικειμενική μέθοδο. Η διαδικασία αυτή μπορεί να βοηθήσει τους κλινικούς ιατρούς να διαγνώσουν αποτελεσματικότερα τη δυσλειτουργία της ακοής διακρίνοντας καλύτερα τις υγιείς από τις παθολογικές κυματομορφές ακουστικών προκλητών δυναμικών. Επίσης μπορεί όχι μόνο να παρουσιάσει έναν νευρωνικό δείκτη για τις ρυθμίσεις μελλοντικών υποσχόμενων εφαρμογών σχετικά με την ακουστική περίθαλψη αλλά και να παράσχουν έναν βιομετρικό δείκτη για τις διακρίσεις των χαρακτηριστικών των ατόμων. Κάποια σύγκριση μεταξύ των μελετών που παρουσιάζονται σε αυτήν την εργασία δεν είναι δυνατή καθώς χρησιμοποίησαν διαφορετικά υποκείμενα δοκιμής, μεγέθη ομάδων και ερεθίσματα και αξιολόγησαν διαφορετικά την ακουστική απόκριση του εγκεφαλικού στελέχους. Αντίθετα, θα παρουσιαστεί το αποτέλεσμα αυτών των μελετών και θα συζητηθούν οι περιορισμοί τους καθώς και οι πιθανές εφαρμογές τους. Συνολικά, τα ευρήματα αυτών των μελετών υποδηλώνουν ότι η ταξινόμηση των Ακουστικών Προκλητών Δυναμικών με χρήση μηχανικής μάθησης είναι ένα πολλά υποσχόμενο εργαλείο για την αξιολόγηση ασθενών με απώλεια ακοής, τη βελτιστοποίηση τεχνολογιών για την ρύθμιση ακουστικών βοηθημάτων και τη διάκριση των χαρακτηριστικών των ατόμων.	el
heal.abstract	The latest developments of machine learning have led generation for the classification of auditory evoked potentials and mainly for auditory brainstem responses. In this dissertation we went through research on the database PubMed, Google Scholar, SpringerLink, ScienceDirect and Scopus that explored 90 studies which investigated the use of machine learning for the classification of auditory evoked potentials as a complementary and impartial method. This process can be very helpful for the clinical doctors to effectively diagnose the hearing malfunction by seeing the difference between the healthy and pathological evoked responses. In addition, not only can it present a neurological indicator which can regulate promising future implements regarding the hearing care but also provide a biometrical indicator which distinguishes the individual characteristics. We cannot make a comparison between the studies which are presented in this dissertation as we used different testing subjects, groups and stimuli which evaluated differently the hearing response of the brainstem. Conversely, the results of these studies are going to be presented as well as their restrictions and potentials implementation. All in all, the findings of these studies show that the classification of auditory evoked potentials by using machine learning, is a very promising tool for assessing patients with hearing loss, optimizing technologies for tuning hearing aids, and discriminating between subjects.	en
heal.advisorName	Κουτσούρης, Δημήτριος-Διονύσιος	el
heal.committeeMemberName	Ματσόπουλος, Γεώργιος	el
heal.committeeMemberName	Τσανάκας, Παναγιώτης	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Συστημάτων Μετάδοσης Πληροφορίας και Τεχνολογίας Υλικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	70 σ.	el
heal.fullTextAvailability	false