Ενίσχυση δυνατοτήτων open source εργαλείου απεικόνισης νευροφυσιολογικών δεδομένων

Γεωργοπετρέας, Ελευθέριος; Georgopetreas, Eleftherios

dc.contributor.author	Γεωργοπετρέας, Ελευθέριος	el
dc.contributor.author	Georgopetreas, Eleftherios	en
dc.date.accessioned	2024-06-04T11:09:36Z
dc.date.available	2024-06-04T11:09:36Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/59636
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.27332
dc.rights	Default License
dc.subject	Νευροφυσιολογικά δεδομένα	el
dc.subject	Neurophysiological data	en
dc.subject	Ηλεκτροεγκεφαλογραφία	el
dc.subject	ΕΕΓ	el
dc.subject	Μαγνητοεγκεφαλογραφία	el
dc.subject	ΜΕΓ	el
dc.subject	Ανοιχτού κώδικα	el
dc.subject	Ευαισθησία	el
dc.subject	Κλιμάκωση	el
dc.subject	MNE-Python	en
dc.subject	Electroencephalography	en
dc.subject	EEG	en
dc.subject	MEG	en
dc.subject	Magnetoencephalography	en
dc.subject	Open source	en
dc.subject	Python	en
dc.subject	PyQt	en
dc.subject	Sensitivity	en
dc.subject	Scaling	en
dc.title	Ενίσχυση δυνατοτήτων open source εργαλείου απεικόνισης νευροφυσιολογικών δεδομένων	el
heal.type	bachelorThesis
heal.classification	Open source development	en
heal.language	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-02-15
heal.abstract	Η μαγνητοεγκεφαλογραφία (MEG) και η ηλεκτροεγκεφαλογραφία (EEG), μεταξύ άλλων, αποτελούν απαραίτητα εργαλεία για την νευροαπεικόνιση, καθόσον παρέχουν σύνθετες πληροφορίες για την εγκεφαλική δραστηριότητα του εξεταζόμενου. Η παρούσα διατριβή ασχολείται με τον ρόλο του λογισμικού ανοικτού κώδικα, MNE-Python (Minimum Norm Estimation), στην εξερεύνηση, οπτικοποίηση και ανάλυση των ανθρώπινων νευροφυσιολογικών δεδομένων. Η MNE-Python, ένα από τα πιο ισχυρά εργαλεία της αγοράς, παρέχει σήμερα κρίσιμα χαρακτηριστικά στην οπτικοποίηση δεδομένων. Ωστόσο, το παρόν έργο αποσκοπεί στην υπέρβαση συγκεκριμένων περιορισμών που σχετίζονται με την κλιμάκωση, ανοίγοντας το δρόμο για διευρυμένα περιθώρια επιλογών, προσαρμοσμένα στις απαιτήσεις των διαφοροποιημένων αναγκών των ιατρών και των ερευνητών. To έργο επικεντρώνεται σε τρεις βασικές βελτιώσεις στο πλαίσιο της MNE-Python. Πρώτον, επιτρέπει την κλιμάκωση σε προκαθορισμένα είδη καναλιών, αντί για το σύνολο των δεδομένων. Δεύτερον, παρέχει στους χρήστες μεγαλύτερο έλεγχο υλοποιώντας συντελεστή κλίμακας προσαρμόσιμο σε οποιαδήποτε τιμή. Τέλος, εισάγει λειτουργίες ευαισθησίας, δηλαδή διασφαλίζει τον έλεγχο πάνω στις αποστάσεις που εμφανίζονται στην οθόνη, καθώς αυτό αποτελεί κοινή πρακτική σε αυτό το επιστημονικό πεδίο. Οι προτεινόμενες βελτιώσεις κλιμάκωσης είναι καίριας σημασίας για τις ιατρικές και ερευνητικές κοινότητες, που χρησιμοποιούν την MNE-Python. Με την αντιμετώπιση αυτών των προκλήσεων, το λογισμικό γίνεται πιο προσαρμόσιμο στις υπάρχουσες ερευνητικές πρακτικές, και φέρνει πρωτοπορία στην ακρίβεια και την αποτελεσματικότητα της ερμηνείας των νευροφυσιολογικών δεδομένων και την εξαγωγή πληροφορίας. Στα επόμενα κεφάλαια, γίνεται επισκόπηση του υφιστάμενου τοπίου των εργαλείων ανοιχτού κώδικα, διατύπωση της αρχιτεκτονικής και τεχνολογιών που χρησιμοποιούνται, διεύρυνση των μεθοδολογιών για κάθε βελτίωση και, τέλος, παρουσίαση των αποτελεσμάτων καθώς και παράθεση προβληματισμών σχετικά με μελλοντικές συνεισφορές και ερευνητικούς δρόμους.	el
heal.advisorName	Ασκούνης, Δημήτρης	el
heal.committeeMemberName	Ασκούνης, Δημήτρης	el
heal.committeeMemberName	Ψαράς, Ιωάννης	el
heal.committeeMemberName	Δούκας, Χρυσόστομος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Ηλεκτρικών Βιομηχανικών Διατάξεων και Συστημάτων Αποφάσεων	el
heal.academicPublisherID	ntua
heal.numberOfPages	70 σ.	el
heal.fullTextAvailability	false