Please use this identifier to cite or link to this item:
https://olympias.lib.uoi.gr/jspui/handle/123456789/30578Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.author | Τζημούρτα, Αικατερίνη Δ. | el |
| dc.date.accessioned | 2021-02-15T12:01:27Z | - |
| dc.date.available | 2021-02-15T12:01:27Z | - |
| dc.identifier.uri | https://olympias.lib.uoi.gr/jspui/handle/123456789/30578 | - |
| dc.identifier.uri | http://dx.doi.org/10.26268/heal.uoi.10422 | - |
| dc.rights | Attribution-NonCommercial-NoDerivs 3.0 United States | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/us/ | * |
| dc.subject | Ηλεκτροεγκεφαλογράφημα | el |
| dc.subject | Διεπαφή εγκεφάλου υπολογιστή | el |
| dc.subject | Επιληψία | el |
| dc.subject | Αλτσχάιμερ | el |
| dc.subject | Ανίχνευση | el |
| dc.subject | Ταξινόμηση | el |
| dc.subject | Παλινδρόμηση | el |
| dc.subject | Electroencephalography | en |
| dc.subject | EEG | en |
| dc.subject | Brain Computer Interface | en |
| dc.subject | Epilepsy | en |
| dc.subject | Alzheimer’s | en |
| dc.subject | Detection | en |
| dc.title | Ανάλυση ηλεκτροεγκεφαλογραφήματος σε συνδυασμό με δεδομένα από φορέσιμες συσκευές για τη μελέτη νευρολογικών διαταραχών και γνωσιακών καταστάσεων | el |
| dc.title | EEG signal processing for brain disorders and cognitive states analysis | en |
| heal.type | doctoralThesis | - |
| heal.type.en | Doctoral thesis | en |
| heal.type.el | Διδακτορική διατριβή | el |
| heal.classification | Ηλεκτροεγκεφαλογράφημα | - |
| heal.dateAvailable | 2021-02-15T12:02:27Z | - |
| heal.language | el | - |
| heal.access | free | - |
| heal.recordProvider | Πανεπιστήμιο Ιωαννίνων. Σχολή Επιστημών Υγείας. Τμήμα Ιατρικής | el |
| heal.publicationDate | 2020 | - |
| heal.bibliographicCitation | Βιβλιογραφία: σ. 168-186 | el |
| heal.abstract | Το ηλεκτροεγκεφαλογράφημα (ΗΕΓ) είναι το εργαλείο με το οποίο γίνεται η καταγραφή των δυναμικών του ανθρώπινου εγκεφάλου και χρησιμοποιείται για τη διάγνωση της επιληψίας και τη μελέτη της άνοιας. Τα τελευταία χρόνια πλήθος ερευνητικών ομάδων έχει στραφεί στη μελέτη των ΗΕΓ χαρακτηριστικών και στην ανάπτυξη αυτοματοποιημένων μεθοδολογιών, για την υποστήριξη του κλινικού έργου των νευρολόγων στη μελέτη των νευρολογικών παθήσεων. Αντικείμενο της παρούσας διδακτορικής διατριβής είναι η ανάπτυξη καινοτόμων μεθοδολογιών ανάλυσης του ΗΕΓ για την αποσαφήνιση της επιληψίας και της Νόσου Αλτσχάιμερ (Alzheimer’s Disease – AD), που πλήττουν μεγάλο μέρος του παγκόσμιου πληθυσμού. Στα πλαίσια αυτά, αρχικά γίνεται συστηματική μελέτη των τεχνικών επεξεργασίας σήματος που εφαρμόζονται στην ανίχνευση των επιληπτικών κρίσεων και στη μελέτη της AD, τόσο για την ανίχνευση της ασθένειας όσο και για τη μελέτη της συσχέτισης της γνωσιακής έκπτωσης με ποσοτικά ΗΕΓ χαρακτηριστικά. H συστηματική ανασκόπηση της βιβλιογραφίας γίνεται σύμφωνα με το πρότυπο της έγκριτης τεχνικής PRISMA για τη συλλογή, την αξιολόγηση και τη μελέτη των ερευνητικών εργασιών. Συγκεκριμένα, για τη μελέτη της AD, αναπτύσσονται και παρουσιάζονται δύο μεθοδολογίες οι οποίες εφαρμόζονται σε πρωτότυπες κλινικές καταγραφές, που συλλέχθηκαν από 24 άτομα σε ήπιο και μέτριο στάδιο της νόσου. Στη μεθοδολογία ταξινόμησης μελετάται ένα νέο σύνολο ΗΕΓ χαρακτηριστικών γραμμικών και μη γραμμικών χαρακτηριστικών που εκπαιδεύει ένα μοντέλο ταξινόμησης Τυχαίων Δασών και εμφανίζει συγκρίσιμα αποτελέσματα ταξινόμησης με εμφανή υπεροχή σε συγκεκριμένα προβλήματα συγκριτικά με άλλες προτεινόμενες εργασίες της βιβλιογραφίας. Παράλληλα, παρουσιάζεται μια μεθοδολογία Πολλαπλής Γραμμικής Παλινδρόμησης με στόχο τη συσχέτιση ενός γνωσιακού δείκτη που εκτιμά τη σοβαρότητας τη AD με ποσοτικά ΗΕΓ χαρακτηριστικά. Για τη μελέτη της επιληψίας, αναπτύσσεται μια καινοτόμος, εύρωστη μεθοδολογία για τον αυτόματο εντοπισμό των επιληπτικών κρίσεων, η οποία εφαρμόζεται σε δύο βάσεις ΗΕΓ καταγραφών που είναι ανοιχτά προσβάσιμες. Η μεθοδολογία εξάγει συχνοτικά και μη συχνοτικά ΗΕΓ χαρακτηριστικά για την εκπαίδευση ενός μοντέλου ταξινόμησης Τυχαίων Δασών. Αποτελέσματα της μεθοδολογίας εμφανίζουν καλύτερα ποσοστά ταξινόμησης συγκριτικά με προηγούμενες πειραματικές μελέτες που έχουν εφαρμοστεί στις δύο υπάρχουσες βάσεις επιληπτικών ΗΕΓ δεδομένων. | el |
| heal.abstract | Brain activity is monitored through the electroencephalogram (EEG), which provides important information of the brain and remains an indispensable tool for evaluating the abnormal brain activity. The EEG is the diagnostic tool for epilepsy and is used in the examination of dementia. Since the early 1970’s scientists have developed a variety of methodologies and signal processing techniques to detect the epileptic activity and study dementia. In the literature, different methodologies focus on the analysis of EEG characteristics to support the clinical practice and shed light on the mechanisms of several brain disorders, especially on epilepsy and Alzheimer’s Disease. This dissertation focuses on the development of innovative methods for EEG analysis, incorporating data mining and machine learning algorithms to extract knowledge for epilepsy and Alzheimer's disease (AD). In this context, a systematic review of signal processing techniques for seizure detection and AD analysis is presented. AD analysis incorporates both the detection of the disease and the correlation of cognitive decline in AD with quantitative EEG characteristics. The systematic review of the literature is performed according to a well-known and established technique (PRISMA methodology) for the collection, the evaluation and the analysis of the experimental studies. In detail, for AD analysis two methodologies are developed and presented that are applied in original clinical EEG recordings, collected from 24 subjects with mild and moderate AD. The classification methodology studies a feature vector of linear and non-linear EEG characteristics that are used to train a Random Forest classification model. The proposed classification methodology shows comparable and for some classification problems better results compared to other EEG-based AD studies. Also, a Mulitple Regression Analysis methodology is presented in order to correlate a cognitive metric that assesses the severity of AD with quantitative EEG characteristics. On the other hand, an innovative, robust methodology for automatic seizure detection is presented, which is applied to two public available EEG databases. According to the methodology spectral and statistical EEG features are extracted and are given as an input to a Random Forests classifier. Results of the methodology show better classification performance compared to other experimental studies that have applied their methodology on these two epileptic EEG databases. | el |
| heal.advisorName | Αστρακάς, Λουκάς | el |
| heal.committeeMemberName | Αστρακάς, Λουκάς | el |
| heal.committeeMemberName | Κονιτσιώτης, Σπυρίδων | el |
| heal.committeeMemberName | Αγγελίδης, Παντελής | el |
| heal.committeeMemberName | Γλαβάς, Ευριπίδης | el |
| heal.committeeMemberName | Τσίπουρας, Μάρκος | el |
| heal.committeeMemberName | Γιαννακέας, Νικόλαος | el |
| heal.academicPublisher | Πανεπιστήμιο Ιωαννίνων. Σχολή Επιστημών Υγείας. Τμήμα Ιατρικής | el |
| heal.academicPublisherID | uoi | - |
| heal.numberOfPages | 201 σ. | - |
| heal.fullTextAvailability | true | - |
| Appears in Collections: | Διδακτορικές Διατριβές - ΙΑΤ | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| Δ.Δ. ΤΖΗΜΟΥΡΤΑ ΑΙΚΑΤΕΡΙΝΗ Δ. 2020.pdf | 6.65 MB | Adobe PDF | View/Open |
This item is licensed under a Creative Commons License
