Please use this identifier to cite or link to this item:
https://olympias.lib.uoi.gr/jspui/handle/123456789/40198Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.author | Matsias, Andreas | en |
| dc.contributor.author | Μάτσιας, Ανδρέας | el |
| dc.date.accessioned | 2026-06-29T09:53:37Z | - |
| dc.date.available | 2026-06-29T09:53:37Z | - |
| dc.identifier.uri | https://olympias.lib.uoi.gr/jspui/handle/123456789/40198 | - |
| dc.rights | CC0 1.0 Universal | * |
| dc.rights.uri | http://creativecommons.org/publicdomain/zero/1.0/ | * |
| dc.subject | Entropy, Biomedical Signals, Signal Classification, Bubble Entropy, Approximate Entropy, Dispersion Entropy, Sample Entropy, Permutation Entropy, Shannon Entropy, Renyi Entropy, Distribution Entropy, Machine Learning, Feature Extraction | en |
| dc.title | Evaluation of entropy methods using biomedical signals | en |
| dc.title | Αξιολόγηση μεθόδων εντροπίας με βιο/ίατρικά σήματα | el |
| dc.type | masterThesis | en |
| heal.type | masterThesis | el |
| heal.type.en | Master thesis | en |
| heal.type.el | Μεταπτυχιακή εργασία | el |
| heal.classification | Βιοϊατρικά σήματα | el |
| heal.classification | Έμπειρα συστήματα στην ιατρική | el |
| heal.dateAvailable | 2026-06-29T09:54:37Z | - |
| heal.language | en | el |
| heal.access | free | el |
| heal.recordProvider | Πανεπιστήμιο Ιωαννίνων. Πολυτεχνική Σχολή | el |
| heal.publicationDate | 2026-06-25 | - |
| heal.abstract | Τα βιοϊατρικά σήματα, όπως τα ηλεκτροκαρδιογραφήματα (ECG), τα ηλεκτροεγκεφαλογραφήματα (EEG), τα ηλεκτρομυογραφήματα (EMG), τα φωτοπληθυσμογραφήματα (PPG) και οι ηχογραφήσεις φωνής, αποτελούν μη επεμβατικά μέσα παρακολούθησης της φυσιολογικής κατάστασης του ανθρώπινου σώματος. Οι παραδοσιακές μέθοδοι ανάλυσης βασίζονται σε μορφολογικά χαρακτηριστικά που απαιτούν εξειδικευμένη προεπεξεργασία και είναι ευαίσθητες σε θόρυβο και τεχνουργήματα. Τα μέτρα εντροπίας προσφέρουν μια εναλλακτική προσέγγιση, ποσοτικοποιώντας την πολυπλοκότητα και την ακανονικότητα ενός σήματος χωρίς να απαιτούν υποθέσεις για τη δομή του. Ωστόσο, ο αυξανόμενος αριθμός διαθέσιμων μεθόδων εντροπίας δημιουργεί ένα πρόβλημα επιλογής. Οι περισσότερες υπάρχουσες μελέτες αξιολογούν μεμονωμένες μεθόδους ή περιορισμένα υποσύνολα, σε διαφορετικά σύνολα δεδομένων και με διαφορετικά πρωτόκολλα, καθιστώντας δύσκολη τη σύγκριση μεταξύ τους. Η παρούσα διπλωματική εργασία αντιμετωπίζει αυτό το κενό μέσω μιας συστηματικής αξιολόγησης | el |
| heal.abstract | Entropy-based measures have emerged as a powerful tool for characterizing the complexity and irregularity of biomedical signals, offering an alternative to traditional morphological feature extraction. However, the growing number of available entropy formulations creates a method selection challenge, as most existing studies evaluate only a limited subset of methods on specific signal types, preventing meaningful cross-method and cross-domain comparisons. This thesis presents a comprehensive and systematic evaluation of eight entropy methods—Shannon, Renyi, Approximate, Sample, Permutation, Dispersion, Distribution, and Bubble Entropy—across eleven diverse biomedical datasets spanning cardiovascular (ECG, HRV, PPG), neural (EEG), muscular (EMG), respiratory (SpO2), gait, and voice signals. Five machine learning classifiers—k-Nearest Neighbors (kNN), Support Vector Machine (SVM), Random Forest (RF), Gaussian Naive Bayes (GNB), and Gradient Boosting (GB)—are employed within a unified experimental framework using 5-fold cross-validation to ensure rigorous and reproducible comparisons. The results demonstrate that Bubble Entropy, a relatively recent parameter-free method, achieves superior performance in the majority of classification tasks, winning 8 out of 11 datasets with a mean accuracy of 83.6%. Dispersion Entropy ranks second overall, while Permutation Entropy achieves the highest single-dataset accuracy of 95.5% on PPG signals. Dispersion Entropy also proves more effective for gait and EMG classification tasks. Among classifiers, xii kNN and SVM consistently outperform ensemble methods, suggesting that simpler models are better suited for entropy-based feature spaces. Additionally, Cohen’s d effect size analysis provides insight into the class separation power of each entropy method, offering a physiological interpretation of discriminability beyond standard accuracy metrics.This work constitutes the most extensive benchmark of entropy methods for biomedical signal classification to date and provides evidence-based, dataset-specific guidelines for entropy method and classifier selection. | en |
| heal.advisorName | Μανής, Γεώργιος | el |
| heal.committeeMemberName | Κόντης, Λυσίμαχος-Παύλος | el |
| heal.committeeMemberName | Παρσόπουλος, Κωνσταντίνος | el |
| heal.academicPublisher | Πανεπιστήμιο Ιωαννίνων. Πολυτεχνική Σχολή. Τμήμα Μηχανικών Ηλεκτρονικών Υπολογιστών και Πληροφορικής | el |
| heal.academicPublisherID | uoi | el |
| heal.numberOfPages | 135 | el |
| heal.fullTextAvailability | true | - |
| Appears in Collections: | Διατριβές Μεταπτυχιακής Έρευνας (Masters) - ΜΗΥΠ | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| Thesis_AndreasMatsias_final.pdf | 10.74 MB | Adobe PDF | View/Open |
This item is licensed under a Creative Commons License
