Please use this identifier to cite or link to this item:
https://olympias.lib.uoi.gr/jspui/handle/123456789/37979Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.author | Πατσέα, Περσεφόνη | el |
| dc.date.accessioned | 2024-06-18T09:58:32Z | - |
| dc.date.available | 2024-06-18T09:58:32Z | - |
| dc.identifier.uri | https://olympias.lib.uoi.gr/jspui/handle/123456789/37979 | - |
| dc.identifier.uri | http://dx.doi.org/10.26268/heal.uoi.17686 | - |
| dc.rights | Attribution-NonCommercial-NoDerivs 3.0 United States | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/us/ | * |
| dc.subject | Δίκτυα | el |
| dc.subject | Σήματα | el |
| dc.title | Επεξεργασία μονοδιάστατων πολυκαναλικών σημάτων με χρήση συνελικτικών νευρωτικών δικτύων | el |
| heal.type | bachelorThesis | - |
| heal.type.en | Bachelor thesis | en |
| heal.type.el | Προπτυχιακή/Διπλωματική εργασία | el |
| heal.classification | Νευρωτικά δίκτυα | - |
| heal.classification | Σήματα | - |
| heal.dateAvailable | 2024-06-18T09:59:32Z | - |
| heal.language | el | - |
| heal.access | free | - |
| heal.recordProvider | Πανεπιστήμιο Ιωαννίνων. Σχολή Πληροφορικής και Τηλεπικοινωνιών. Τμήμα Πληροφορικής και Τηλεπικοινωνιών | el |
| heal.publicationDate | 2022 | - |
| heal.bibliographicCitation | Βιβλιογραφία: 125 - 133 | el |
| heal.abstract | Η παρούσα εργασία μελετά την δυνατότητα της κατηγοριοποίησης Μονοδιάστατων Σημάτων, κατόπιν μετατροπής τους σε δισδιάστατες εικόνες, με σκοπό τη χρήση Συνελικτικών Νευρωνικών Δικτύων (CNNs). Ειδικότερα, στόχος είναι η παραγωγή εικόνων από τα σήματα με αξιοποίηση τεχνικών που αναδεικνύουν την πληροφορία του σήματος στο χρόνο και στο φάσμα, όπως η ανάλυση χρόνου-συχνότητας (time-frequencyανάλυση) και ο μετασχηματισμός κυματιδίων (WaveletTransform). Στο πλαίσιο της εργασίας, αρχικά αναλύεται η έννοια του ανθρώπινου εγκεφάλου και του ηλεκτροεγκεφαλογραφήματος, γνωστό και ως ΗΕΓ ή EEG. Έπειτα, περιγράφονται τα στάδια που ακολουθούνται για την εξαγωγή του ΗΕΓ, καθώς και οι τύποι επεξεργασίας του. Εν συνεχεία, παρουσιάζονται τεχνικές Μηχανικής Μάθησης και Νευρωνικών Δικτυών, με έμφαση στα Συνελικτικά Νευρωνικά Δίκτυα (CNNs), τις αρχές λειτουργίας, τις αρχιτεκτονικές τους, αλλά και τις βιβλιοθήκες που έχουν αναπτυχθεί. Για την εκπόνηση της εργασίας υλοποιήθηκε μεθοδολογία κατά την οποία παράγονται εικόνες απόEEG, με δεδομένα που λαμβάνονται από τη Βάση της Βόννης. Η Βάση της Βόννης περιέχει δεδομένα από επιληπτικούς και μη, ασθενείς. Η μεθοδολογία της εργασίας επικεντρώθηκε στην κατηγοριοποίηση των εικόνων από τις επιληπτικές κρίσεις στις πέντε κατηγορίες της βάσης. Για την αξιολόγηση της κατηγοριοποίησης χρησιμοποιήθηκαν 100 σήματα μονοκαναλικάEEG, διάρκειας 23.6 sec, τα οποία αξιολογήθηκαν με βάσει σε τυπικά μέτρα αξιολόγησης. | el |
| heal.abstract | This work studies the probability of categorizing One – Dimensional Signals, after converting them into hesitant images, with the aim of using Convolutional Neural Networks (CNNs). In particular, the goal is to produce images from the signals using techniques that highlight the information of the signal in time and spectrum, such as time – frequency analysis and wavelet transform. In the context of the work, the concept of the human brain and the electroencephalogram, also known as EEG, is first analyzed. Then, the steps followed to extract the EEG, as well as the types of its processing, are described. Then, Machine Learning and Neural Networks techniques are presented, with an emphasis on Convolution Neural Networks (CNNs) the principles of operation, their architectures, but also the libraries that have been developed. For the preparation of the work, a methodology was implemented in which images are produced from EEG, with data obtained from Bonn Base. The Bonn Database contains data from epileptic and non-epileptic patients. The methodology of the work focused on the categorization of images from epileptic seizures into the five basic categories. To evaluate the categorization, 100 single-channel EEG signals, lasting 23.6 seconds, were used, which were evaluated based on standard evaluation measures. | en |
| heal.advisorName | Γιαννακέας, Νικόλαος | el |
| heal.committeeMemberName | Τζάλλας, Αλέξανδρος | el |
| heal.academicPublisher | Τμήμα Πληροφορικής και Τηλεπικοινωνιών | el |
| heal.academicPublisherID | uoi | - |
| heal.numberOfPages | 133 σ. | - |
| heal.fullTextAvailability | true | - |
| Appears in Collections: | Προπτυχιακές εργασίες Τμ. Μηχανικών Πληροφορικής Τ.Ε. | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| ΠΑΤΣΕΑ ΠΕΡΣΕΦΟΝΗ - ΠΛΗΡΟΦΟΡΙΚΗΣ.pdf | 3.49 MB | Adobe PDF | View/Open |
This item is licensed under a Creative Commons License
