Please use this identifier to cite or link to this item:
https://olympias.lib.uoi.gr/jspui/handle/123456789/39258Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.author | Σταυροπούλου, Μαρία | el |
| dc.contributor.author | Stavropoulou, Maria | |
| dc.date.accessioned | 2025-08-27T08:52:25Z | - |
| dc.date.available | 2025-08-27T08:52:25Z | - |
| dc.identifier.uri | https://olympias.lib.uoi.gr/jspui/handle/123456789/39258 | - |
| dc.rights | Attribution-ShareAlike 3.0 United States | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-sa/3.0/us/ | * |
| dc.subject | Άνοια | el |
| dc.subject | Ηλεκτροεγκεφαλογράφημα (ΗΕΓ) | el |
| dc.subject | Μηχανική Μάθηση / Τεχνητή Νοημοσύνη | el |
| dc.subject | Επεξεργασία Βιοϊατρικών Σημάτων / Επεξεργασία EEG | el |
| dc.subject | PyEEG | en |
| dc.subject | Weka | en |
| dc.title | Ανάπτυξη μοντέλου μηχανικής μάθησης για κατηγοριοποίηση ανοϊακών ηλεκτροεγκεφαλικών καταγραφών με τη χρήση επεξεργασίας σήματος. | el |
| dc.title | Development of a machine model for categorizing demential EEG recordings using signal processing techniques. | en |
| dc.type | masterThesis | en |
| heal.type | masterThesis | el |
| heal.type.en | Master thesis | en |
| heal.type.el | Μεταπτυχιακή εργασία | el |
| heal.classification | Τεχνητή Νοημοσύνη & Μηχανική Μάθηση στην Υπολογιστική Νευροεπιστήμη | |
| heal.classification | AI & Machine Learning for Biomedical Signal Analysis | |
| heal.dateAvailable | 2025-08-27T08:53:26Z | - |
| heal.language | el | el |
| heal.access | free | el |
| heal.recordProvider | Πανεπιστήμιο Ιωαννίνων. Σχολή Πληροφορικής και Τηλεπικοινωνιών | el |
| heal.publicationDate | 2025-07 | - |
| heal.abstract | Η άνοια είναι μια σημαντική νευρολογική διαταραχή που εμφανίζεται κυρίως στους ηλικιωμένους, επηρεάζοντας σημαντικά την ποιότητα ζωής τους. Η ανάλυση των σημάτων EEG παρουσιάζει μια πολλά υποσχόμενη μέθοδο για την ανίχνευση και την ταξινόμηση της άνοιας. Αυτή η μελέτη στοχεύει να αναπτύξει ένα μοντέλο μηχανικής μάθησης που χρησιμοποιεί τεχνικές επεξεργασίας σήματος για την κατηγοριοποίηση των εγγραφών ΗΕΓ από ασθενείς με άνοια. Η έρευνα θα εφαρμόσει διάφορες μεθόδους, όπως ανάλυση χρονικής συχνότητας και φιλτράρισμα, για την εξαγωγή σχετικών χαρακτηριστικών από τα δεδομένα EEG. Αυτά τα χαρακτηριστικά θα χρησιμοποιηθούν στη συνέχεια για την εκπαίδευση αλγορίθμων μηχανικής μάθησης όπως μηχανές διανυσμάτων υποστήριξης (SVM) και νευρωνικά δίκτυα, με στόχο την επίτευξη ακριβούς ταξινόμησης ΗΕΓ. Επιπλέον, θα διεξαχθεί μια διεξοδική βιβλιογραφική ανασκόπηση χρησιμοποιώντας επιστημονικές βάσεις δεδομένων όπως το Google Scholar και το Scopus για να εξεταστούν οι υπάρχουσες ερευνητικές μεθοδολογίες που σχετίζονται με την ανάλυση ΗΕΓ και τη μηχανική μάθηση σε αυτό το πλαίσιο. Αυτή η ανασκόπηση θα αναλύσει προηγούμενες τεχνικές, την απόδοσή τους και τα αποτελέσματά τους. Οι στόχοι της μελέτης περιλαμβάνουν τη διερεύνηση των τρεχουσών ερευνητικών τάσεων και βασικών χαρακτηριστικών στη διάγνωση άνοιας με βάση το ΗΕΓ, την ανασκόπηση και σύνθεση υπαρχουσών μεθοδολογιών, την ανάπτυξη και αξιολόγηση ενός αποτελεσματικού μοντέλου μηχανικής μάθησης για την ταξινόμηση ΗΕΓ και τον εντοπισμό προκλήσεων και μελλοντικών ευκαιριών σε αυτόν τον τομέα. | el |
| heal.abstract | Dementia is a major neurological disorder that occurs mainly in the elderly, significantly affecting their quality of life. EEG signal analysis presents a promising method for the detection and classification of dementia. This study aims to develop a machine learning model that uses signal processing techniques to categorize EEG recordings from dementia patients. The research will apply various methods, such as time-frequency analysis and filtering, to extract relevant features from EEG data. These features will then be used to train machine learning algorithms such as support vector machines (SVM) and neural networks, with the aim of achieving accurate EEG classification. In addition, a comprehensive literature review will be conducted using scientific databases such as Google Scholar and Scopus to examine existing research methodologies related to EEG analysis and machine learning in this context. This review will analyze previous techniques, their performance, and their results. The objectives of the study include exploring current research trends and key features in EEG-based dementia diagnosis, reviewing and synthesizing existing methodologies, developing and evaluating an effective machine learning model for EEG classification, and identifying challenges and future opportunities in this field. | en |
| heal.tableOfContents | ΠΕΡΙΛΗΨΗ ABSTRACT ΠΙΝΑΚΑΣ ΠΕΡΙΕΧΟΜΕΝΩΝ 1. ΕΙΣΑΓΩΓΗ 1.1 ΑΝΤΙΚΕΙΜΕΝΟ ΚΑΙ ΣΗΜΑΣΙΑ ΤΗΣ ΕΡΕΥΝΑΣ 1.2 ΣΚΟΠΟΣ ΚΑΙ ΣΤΟΧΟΙ ΤΗΣ ΕΡΕΥΝΑΣ 1.3 ΔΟΜΗ ΤΗΣ ΕΡΓΑΣΙΑΣ 2. ΘΕΩΡΗΤΙΚΟ ΥΠΟΒΑΘΡΟ 2.1 ΑΝΟΙΑ ΚΑΙ ΝΕΥΡΟΕΚΦΥΛΙΣΤΙΚΕΣ ΔΙΑΤΑΡΑΧΕΣ 2.2 ΗΛΕΚΤΡΟΕΓΚΕΦΑΛΟΓΡΑΦΗΜΑ (ΗΕΓ): ΟΡΙΣΜΟΣ ΚΑΙ ΧΡΗΣΕΙΣ 2.3 ΜΗΧΑΝΙΚΗ ΜΑΘΗΣΗ ΚΑΙ ΕΠΕΞΕΡΓΑΣΙΑ ΒΙΟΣΗΜΑΤΩΝ 3. ΒΙΒΛΙΟΓΡΑΦΙΚΗ ΑΝΑΣΚΟΠΗΣΗ 3.1 ΤΕΧΝΙΚΕΣ ΠΡΟΕΠΕΞΕΡΓΑΣΙΑΣ EEG ΣΗΜΑΤΩΝ 3.2 ΜΕΘΟΔΟΙ ΕΞΑΓΩΓΗΣ ΧΑΡΑΚΤΗΡΙΣΤΙΚΩΝ 3.3 ΜΟΝΤΕΛΑ ΜΗΧΑΝΙΚΗΣ ΜΑΘΗΣΗΣ ΓΙΑ EEG ΚΑΤΗΓΟΡΙΟΠΟΙΗΣΗ 3.4 ΑΠΟΤΕΛΕΣΜΑΤΑ ΚΑΙ ΣΥΜΠΕΡΑΣΜΑΤΑ ΑΠΟ ΠΡΟΗΓΟΥΜΕΝΕΣ ΈΡΕΥΝΕΣ 4. ΜΕΘΟΔΟΛΟΓΙΑ 4.1 ΑΝΑΛΥΣΗ ΒΑΣΗΣ ΔΕΔΟΜΕΝΩΝ EEG 4.2 ΕΞΑΓΩΓΗ ΚΑΙ ΕΠΙΛΟΓΗ ΧΑΡΑΚΤΗΡΙΣΤΙΚΩΝ 4.3 ΟΜΑΔΟΠΟΙΗΣΗ ΤΩΝ ΔΕΔΟΜΕΝΩΝ 4.4 ΑΝΑΠΤΥΞΗ ΚΑΙ ΕΚΠΑΙΔΕΥΣΗ ΜΟΝΤΕΛΩΝ ΜΗΧΑΝΙΚΗΣ ΜΑΘΗΣΗΣ 5. ΑΠΟΤΕΛΕΣΜΑΤΑ ΚΑΙ ΑΝΑΛΥΣΗ 5.1 ΠΑΡΟΥΣΙΑΣΗ ΠΕΙΡΑΜΑΤΙΚΩΝ ΑΠΟΤΕΛΕΣΜΑΤΩΝ 5.2 ΣΥΓΚΡΙΣΗ ΜΕΘΟΔΩΝ ΚΑΙ ΜΟΝΤΕΛΩΝ 5.3 ΣΥΖΗΤΗΣΗ ΚΑΙ ΕΡΜΗΝΕΙΑ ΤΩΝ ΕΥΡΗΜΑΤΩΝ 6. ΣΥΜΠΕΡΑΣΜΑΤΑ ΚΑΙ ΜΕΛΛΟΝΤΙΚΗ ΈΡΕΥΝΑ 6.1 ΣΥΝΟΨΗ ΣΥΜΠΕΡΑΣΜΑΤΩΝ 6.2 ΠΕΡΙΟΡΙΣΜΟΙ ΤΗΣ ΠΑΡΟΥΣΑΣ ΜΕΛΕΤΗΣ 6.3 ΠΡΟΤΑΣΕΙΣ ΓΙΑ ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ ΚΑΙ ΕΠΕΚΤΑΣΗ ΠΑΡΑΡΤΗΜΑ - ΚΩΔΙΚΑΣ ΒΙΒΛΙΟΓΡΑΦΙΑ | el |
| heal.advisorName | Τζάλλας, Αλέξανδρος | el |
| heal.committeeMemberName | Γιαννακέας, Νικόλαος | el |
| heal.committeeMemberName | Καρβέλης, Πέτρος | el |
| heal.academicPublisher | Πανεπιστήμιο Ιωαννίνων. Σχολή Πληροφορικής και Τηλεπικοινωνιών. Τμήμα Πληροφορικής και Τηλεπικοινωνιών | el |
| heal.academicPublisherID | uoi | el |
| heal.numberOfPages | 82 σ. | el |
| heal.fullTextAvailability | true | - |
| Appears in Collections: | Διατριβές Μεταπτυχιακής Έρευνας (Masters) - ΠΤΠ | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| Μ_Ε_ΣΤΑΥΡΟΠΟΥΛΟΥ_ΜΑΡΙΑ(2025).pdf | 1.64 MB | Adobe PDF | View/Open |
This item is licensed under a Creative Commons License
