Please use this identifier to cite or link to this item:
https://olympias.lib.uoi.gr/jspui/handle/123456789/32870Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.author | Αντωνίου, Ευάγγελος | el |
| dc.contributor.author | Antoniou, Evangelos | en |
| dc.date.accessioned | 2023-06-19T11:43:34Z | - |
| dc.date.available | 2023-06-19T11:43:34Z | - |
| dc.identifier.uri | https://olympias.lib.uoi.gr/jspui/handle/123456789/32870 | - |
| dc.identifier.uri | http://dx.doi.org/10.26268/heal.uoi.12671 | - |
| dc.rights | Attribution-NonCommercial-NoDerivs 3.0 United States | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/us/ | * |
| dc.subject | Διεπαφή εγκεφάλου υπολογιστή | el |
| dc.subject | Ηλεκτροεγκεφαλογράφημα | el |
| dc.subject | Μέθοδοι μηχανικής μάθησης | el |
| dc.subject | Φαντασιακή κίνηση | el |
| dc.subject | Βιοσήματα | el |
| dc.subject | Brain computer interface | en |
| dc.subject | Electroencephalogram eeg | en |
| dc.subject | Machine learning methods ml | en |
| dc.subject | Motor imaginary mi | en |
| dc.subject | Biosignals | en |
| dc.title | Αναγνώριση σωματικής και φαντασιακής κίνησης με χρήση διεπαφής εγκεφάλου υπολογιστή με μεθόδους μηχανικής μάθησης | el |
| dc.title | Physical and motor imaginary movement recognition using a brain computer interface and machine learning methods | en |
| dc.type | masterThesis | en |
| heal.type | masterThesis | el |
| heal.type.en | Master thesis | en |
| heal.type.el | Μεταπτυχιακή εργασία | el |
| heal.classification | Ηλεκτροεγκεφαλογράφημα | el |
| heal.classification | Βιοσήματα | el |
| heal.dateAvailable | 2023-06-19T11:44:34Z | - |
| heal.language | el | el |
| heal.access | free | el |
| heal.recordProvider | Πανεπιστήμιο Ιωαννίνων. Σχολή Πληροφορικής και Τηλεπικοινωνιών. Τμήμα Πληροφορικής και Τηλεπικοινωνιών | el |
| heal.publicationDate | 2023-06 | - |
| heal.abstract | Η συγκεκριμένη διπλωματική εργασία αναφέρεται σε μια εφαρμογή διεπαφής εγκεφάλου υπολογιστή με χρήση μεθόδων μηχανικής μάθησης. Τα σήματα που προκύπτουν από αυτή την σχέση θα ληφθούν μέσω μιας συσκευής καταγραφής την epoc flex 32 ηλεκτροδίων. Η καταγραφή θα πραγματοποιηθεί με συγκεκριμένο πρωτόκολλο από 10 άτομα όπου θα πραγματοποιήσουν σωματικές και νοητικές κινήσεις. Σκοπός και στόχος μέσω κατάλληλης επεξεργασίας των EEG σημάτων με το περιβάλλον της Matlab, η εύρεση κατάλληλων χαρακτηριστικών και με την χρήση των μεθόδων μηχανικής μάθησης είναι να δημιουργηθεί πρότυπο αναγνώρισης των δύο κατηγοριών με ποσοστά ακρίβειας. Η πρώτη κατηγορία θα αφορά την σωματική κίνηση και η δεύτερη θα αφορά την νοητική. Οι κινήσεις χωρίζονται σε 2 κατηγορίες (Classes) οι οποίες ήταν οι εξής: η κατάσταση 0,1 για την φαντασιακή κίνηση των άκρων (χέρια και πόδια) και την πραγματική κίνηση των άκρων. Οι δύο αυτές κατηγορίες κινήσεων, εκπαιδεύτηκαν από μια σειρά αλγορίθμων Μηχανικής Μάθησης με σκοπό τη αναγνώριση της εκάστοτε κίνησης. Τέλος σημειώθηκε ένα ικανοποιητικό εύρος ποσοστών επιτυχίας αναγνώρισης πολλών από τους περισσότερους αλγορίθμους, με καλύτερο αποτέλεσμα να σημειώνει ο αλγόριθμος των νευρωνικών δικτύων πολλαπλών επιπέδων, με ακρίβεια 82% σε 100 instances εγγραφές σημάτων. Ο στόχος της διπλωματικής εργασίας επιτεύχθηκε με την ακρίβεια αναγνώρισης των κινήσεων της φάσης MI με την πραγματική κίνηση. | el |
| heal.abstract | In this diploma thesis, basic concepts are being presented about the interface of the human brain in relation to the computer (BCI) and implementation using machine learning methods. The signals resulting from this relationship are the EEGs where they will be obtained through a recording device Epoc flex 32 electrodes. The recording will be carried out with a specific protocol by 10 people where they will perform physical and motor imagery movements. The aim and objective through appropriate processing of the EEG signals with the Matlab environment, finding suitable features and using machine learning methods is to create a recognition model of the two categories with accuracy rates. The first category will concern the physical movement and the second will concern the motor imagery movement. The movements are divided into 2 classes (Classes) which were as follows: the 0.1 condition for the imaginary movement of the limbs (arms and legs) and the real movement of the limbs also. These two categories of movements were trained by a series of Machine Learning algorithms in order to recognize each movement. Finally, a satisfactory range of recognition success rates was noted for many of the algorithms, with the best result being the multi-layer neural network algorithm, with an accuracy of 82% in 100 instances of signal recordings. The aim of the thesis was achieved by accurately identifying the movements of the MI phase with the real movement. | en |
| heal.advisorName | Giannakeas, Nikolaos | el |
| heal.committeeMemberName | Tzallas, Alexandros | el |
| heal.committeeMemberName | Tsoulos, Ioannis | el |
| heal.academicPublisher | Πανεπιστήμιο Ιωαννίνων. Σχολή Πληροφορικής και Τηλεπικοινωνιών. Τμήμα Πληροφορικής και Τηλεπικοινωνιών | el |
| heal.academicPublisherID | uoi | el |
| heal.numberOfPages | 135 | el |
| heal.fullTextAvailability | true | - |
| Appears in Collections: | Διατριβές Μεταπτυχιακής Έρευνας (Masters) - ΠΤΠ | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| Μ.Ε Αντωνίου Ευάγγελος (2023).pdf | 4.3 MB | Adobe PDF | View/Open |
This item is licensed under a Creative Commons License
