Please use this identifier to cite or link to this item: https://olympias.lib.uoi.gr/jspui/handle/123456789/39797
Full metadata record
DC FieldValueLanguage
dc.contributor.authorΚυρομίτης, Δημήτριος Ι.el
dc.date.accessioned2026-02-27T10:19:08Z-
dc.date.available2026-02-27T10:19:08Z-
dc.identifier.urihttps://olympias.lib.uoi.gr/jspui/handle/123456789/39797-
dc.rightsDefault License-
dc.subjectΜηχανική Μάθησηel
dc.subjectΑνάλυση Ηλεκτροεγκεφαλογραφικών Σημάτωνel
dc.subjectΜη Γραμμική Ανάλυσηel
dc.subjectRecurrence quantification analysisen
dc.subjectRandom Foresten
dc.subjectLOSOen
dc.titleΜη-γραμμική ανάλυση ηλεκτροεγκεφαλογραφικών σημάτων και ταξινόμηση γνωστικού φορτίου με χρήση μηχανικής μάθησηςel
dc.typemasterThesisen
heal.typemasterThesisel
heal.type.enMaster thesisen
heal.type.elΜεταπτυχιακή εργασίαel
heal.dateAvailable2026-02-27T10:20:09Z-
heal.languageelel
heal.accessfreeel
heal.recordProviderΠανεπιστήμιο Ιωαννίνων. Πολυτεχνική Σχολήel
heal.publicationDate2026-02-24-
heal.abstractΗ ανάλυση ηλεκτροεγκεφαλογραφικών (EEG) σημάτων αποτελεί ένα ιδιαίτερα απαιτητικό πρόβλημα, λόγω της έντονης μη-στασιμότητας, της μη-γραμμικής δυναμικής και του χαμηλού λόγου σήματος προς θόρυβο που τα χαρακτηρίζει. Ιδιαίτερο ενδιαφέρον παρουσιάζει η διάκριση γνωστικών καταστάσεων διαφορετικού φορτίου, όπως η κατάσταση ηρεμίας και η εκτέλεση νοητικής αριθμητικής, καθώς σχετίζεται άμεσα με θεμελιώδεις εγκεφαλικές διεργασίες και εφαρμογές στη γνωσιακή νευροεπιστήμη. Στην παρούσα μεταπτυχιακή διπλωματική εργασία προτείνεται και αξιολογείται ένα ολοκληρωμένο υπολογιστικό pipeline για την ανάλυση και ταξινόμηση EEG σημάτων, βασισμένο στη μη-γραμμική περιγραφή της δυναμικής τους μέσω Recurrence Quantification Analysis (RQA). Η μεθοδολογία συνδυάζει προεπεξεργασία και οργάνωση των δεδομένων, φασματική αποσύνθεση σε κλασικές ή/και δεδομενοκεντρικές ζώνες συχνοτήτων, εξαγωγή μη-γραμμικών χαρακτηριστικών RQA (Recurrence Rate, Determinism, Laminarity, Entropy) και σύντηξη χαρακτηριστικών σε ενιαία αναπαράσταση για επιβλεπόμενη μηχανική μάθηση. Η αξιολόγηση πραγματοποιείται στο δημόσια διαθέσιμο σύνολο δεδομένων EEGMAT, το οποίο περιλαμβάνει καταγραφές κατάστασης ηρεμίας και νοητικής αριθμητικής, με αυστηρό subject-wise πρωτόκολλο leave-one-subject-out. Τα πειραματικά αποτελέσματα δείχνουν πολύ υψηλή απόδοση στη διάκριση των δύο γνωστικών καταστάσεων, με μέση ακρίβεια 0.986, αναδεικνύοντας τη διακριτική ικανότητα των μη-γραμμικών χαρακτηριστικών. Παράλληλα, η ποιοτική ανάλυση μέσω recurrence vii plots υποστηρίζει τα ποσοτικά ευρήματα, καθιστώντας ορατές τις δομικές διαφοροποιήσεις στη δυναμική οργάνωση του EEG. Συνολικά, η εργασία τεκμηριώνει ότι η Recurrence Quantification Analysis, όταν ενσωματώνεται σε ένα αναπαραγώγιμο και συστηματικά σχεδιασμένο pipeline, αποτελεί ένα ισχυρό και ερμηνεύσιμο εργαλείο για την ανάλυση EEG σημάτων σε σενάρια γνωστικού φορτίου, ανοίγοντας τον δρόμο για περαιτέρω έρευνα και εφαρμογές σε πιο σύνθετα βιοϊατρικά πλαίσια.el
heal.advisorNameΜανής, Γεώργιοςel
heal.committeeMemberNameΜανής, Γεώργιοςel
heal.committeeMemberNameΚόντης, Λυσίμαχος-Παύλος-
heal.committeeMemberNameΤσάμης, Κωνσταντίνος-
heal.academicPublisherΠανεπιστήμιο Ιωαννίνων. Πολυτεχνική Σχολή. Τμήμα Μηχανικών Ηλεκτρονικών Υπολογιστών και Πληροφορικήςel
heal.academicPublisherIDuoiel
heal.numberOfPages75 σ.el
heal.fullTextAvailabilitytrue-
Appears in Collections:Διατριβές Μεταπτυχιακής Έρευνας (Masters) - ΜΗΥΠ

Files in This Item:
File Description SizeFormat 
ΜΑ Kiromitis(2026).pdf319.72 kBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.