Ανίχνευση νοητικής κόπωσης μέσω ΗΕΓ σε κατάσταση 
ηρεμίας: Διερεύνηση υπολογιστικών παραμέτρων και 
πόρων

Βουζίκα, Σοφία; Vouzika,Sofia

dc.contributor.author	Βουζίκα, Σοφία	el
dc.contributor.author	Vouzika,Sofia	en
dc.date.accessioned	2025-12-08T10:43:17Z
dc.date.available	2025-12-08T10:43:17Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/63017
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.30713
dc.rights	Default License
dc.subject	Ηλεκτροεγκεφαλογράφημα	el
dc.subject	Νοητική κόπωση	el
dc.subject	Κατάσταση ηρεμίας	el
dc.subject	Λειτουργική συνδεσιμότητα	el
dc.subject	Αλγόριθμοι μηχανικής μάθησης	el
dc.subject	Electroencephalogram	en
dc.subject	Mental fatigue	en
dc.subject	Functional connectivity	en
dc.subject	Machine learning algorithms	en
dc.title	Ανίχνευση νοητικής κόπωσης μέσω ΗΕΓ σε κατάσταση ηρεμίας: Διερεύνηση υπολογιστικών παραμέτρων και πόρων	el
dc.title	EEG-based detection of mental fatigue in the resting state : Investigation of computational parameters and resources	en
dc.contributor.department	ΤΟΜΕΑΣ ΣΥΣΤΗΜΑΤΩΝ ΜΕΤΑΔΟΣΗΣ ΠΛΗΡΟΦΟΡΙΑΣ ΚΑΙ ΤΕΧΝΟΛΟΓΙΑΣ ΥΛΙΚΩΝ	el
heal.type	bachelorThesis
heal.classification	Βιοϊατρική	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2025-06-27
heal.abstract	Η παρούσα διπλωματική εργασία εξετάζει τον σχεδιασμό και την εκπόνηση μιας πολυπαραμετρικής διαδικασίας επεξεργασίας σημάτων ΗΕΓ με στόχο την αξιολόγηση συνδυασμών μεθόδων προεπεξεργασίας και αλγορίθμων στο πρόβλημα της κατηγοριοποίησης των διαθέσιμων δεδομένων μεταξύ κατάστασης νοητικής κόπωσης και ξεκούρασης. Η αξιολόγηση εστιάζει στα βήματα της επιλογής χαρακτηριστικών ταξινόμησης και των απαιτήσεων υπολογιστικών πόρων και χρόνου επεξεργασίας των αλγορίθμων. Τα δεδομένα που χρησιμοποιήθηκαν προέρχονται από μια σειρά καταγραφών ΗΕΓ σε 71 συμμετέχοντες σε κατάσταση ηρεμίας, όπου για κάθε συμμετέχον μέλος έχουν πραγματοποιηθεί καταγραφές σε κατάσταση νοητικής ξεκούρασης και νοητικής κόπωσης. Πραγματοποιήθηκε αρχικά η προεπεξεργασία των δεδομένων ακολουθώντας τα τυπικά βήματα προεπεξεργασίας ΗΕΓ. Για την κατασκευή των εγκεφαλικών δικτύων αξιοποιήθηκε ο δείκτης Phase Lag Index (PLI), ενώ εφαρμόστηκαν μετρικές από τη θεωρία γράφων (Συντελεστής συγκέντρωσης, Μήκος Διαδρομής, Ιδιότητα Μικρόκοσμου, Παγκόσμια Αποδοτικότητα) για τη μελέτη της τοπολογικής διαφοροποίησης των δικτύων μεταξύ των δύο καταστάσεων. Παράλληλα, πραγματοποιήθηκε συγκριτική αξιολόγηση έντεκα μεθόδων επιλογής χαρακτηριστικών σε συνδυασμό με τέσσερις ταξινομητές (SVM linear kernel, SVM rbf kernel, KNN, LDA). Από τα αποτελέσματα διαπιστώθηκε διαφοροποίηση στη μορφολογία των δικτύων με την αύξηση της συχνότητας, και αναδείχθηκε η σημασία της συνδυαστικής προσέγγισης τοπολογικών δεικτών και ταξινομητών στην αποτίμηση της λειτουργικής συνδεσιμότητας σε συνθήκες κόπωσης. Οι ακρίβειες που επιτεύχθηκαν αποδίδονται στη φύση των δεδομένων σε κατάσταση ηρεμίας, ενώ ορισμένοι συνδυασμοί μεθόδων αναδείχθηκαν αποτελεσματικοί, ιδιαίτερα για τις χαμηλότερες συχνότητες, προσφέροντας ενδείξεις για πιθανές περιοχές λειτουργικής διαφοροποίησης.	el
heal.abstract	This thesis examines the design and implementation of a multiparametric EEG signal processing pipeline, aiming to evaluate combinations of preprocessing methods and algorithms in the task of classifying available data between mental fatigue and rest conditions. The evaluation focuses on preprocessing steps as well as computational resource and time requirements of the algorithms. The data used originate from a series of resting-state EEG recordings involving 71 participants, each of whom underwent recordings in both mental rest and fatigue states. Data preprocessing was initially performed following standard EEG preprocessing steps. To construct the brain networks, the Phase Lag Index (PLI) was employed, while graph-theoretic metrics (Clustering Coefficient, Path Length, Small Worldness, Global Efficiency) were applied to investigate topological differentiation between the two conditions. Additionally, a comparative assessment of eleven feature selection methods was carried out in combination with four classifiers (SVM with linear and RBF kernels, KNN, LDA). The results indicated a morphological differentiation of the networks as frequency increased, highlighting the significance of the combined use of topological metrics and classifiers in assessing functional connectivity under fatigue. The classification accuracies achieved were influenced by the resting-state nature of the data; however, certain method combinations proved effective, particularly in lower frequency bands, suggesting regions of functional differentiation.	en
heal.advisorName	Ματσόπουλος, Γεώργιος
heal.committeeMemberName	Ματσόπουλος, Γεώργιος
heal.committeeMemberName	Παναγόπουλος, Αθανάσιος Δ.
heal.committeeMemberName	Τσανάκας, Παναγιώτης
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Συστημάτων Μετάδοσης Πληροφορίας και Τεχνολογίας Υλικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	94
heal.fullTextAvailability	false