Please use this identifier to cite or link to this item: http://hdl.handle.net/10889/11708
Title: Ανάλυση συνδεσιμότητας σε ηλεκτροεγκεφαλογραφικά δεδομένα με χρήση τανυστών
Other Titles: Connectivity analysis on EEG data using tensors
Authors: Παπαγιαννάκη, Αιμιλία
Keywords: Λειτουργική συνδεσιμότητα
Τανυστές
Κατηγοριοποίηση
Keywords (translated): Functional connectivity
Tensors
Classification
Abstract: Η παρούσα μεταπτυχιακή διπλωματική εργασία αποσκοπεί στη μελέτη της εγκεφαλικής λειτουργικής συνδεσιμότητας, η οποία έχει εξαχθεί από ηλεκτροεγκεφαλογραφικά δεδομένα, και τη διερεύνηση του εαν μπορεί αυτή να χρησιμοποιηθεί σαν χαρακτηριστικό κατηγοριοποίησης απλών λειτουργιών, όπως η εκτελούμενη και η φανταστική κίνηση των άνω και κάτω άκρων ενός υποκειμένου. Καθώς η πολυπλοκότητα της εγκεφαλικής λειτουργίας παραμένει ένα σημαντικό εμπόδιο στην κατανόηση του ανθρώπινου εγκεφάλου, γίνεται όλο και πιο ξεκάθαρη η αναγκαιότητα για χρήση τεχνικών μηχανικής μάθησης προκειμένου να εξαχθεί χρήσιμη πληροφορία από δεδομένα καταγραφών του εγκεφάλου. Η εγκεφαλική συνδεσιμότητα έχει αναχθεί σε δημοφιλές πεδίο έρευνας τα τελευταία χρόνια, και μέσα από πολλές ερευνητικές εργασίες έχει αποδειχθεί ένα χρήσιμο εργαλείο ικανό να αποκαλύψει κρυμμένη πληροφορία σχετικά με την υποκείμενη οργάνωση του εγκεφάλου. Παρότι το μεγαλύτερο μέρος της έρευνας εστιάζει στην εκμετάλλευση της γραφοθεωρητικής πλευράς της εγκεφαλικής συνδεσιμότητας, δεν έχει διερευνηθεί η πιθανότητα χρήση αυτής ως χαρακτηριστικό με σκοπό την κατηγοριοποίηση. Για το λόγο αυτό, η εμβάθυνση της διερεύνησης των ιδιοτήτων της εγκεφαλικής συνδεσιμότητας αποτέλεσε το στοιχείο που έδωσε την ώθηση να πραγματοποιηθεί η παρούσα έρευνα. Προκειμένου να διερευνηθούν οι σχετιζόμενες με την κατηγοριοποίηση δυνατότητες της λειτουργικής συνδεσιμότητας ενδελεχώς, είναι απαραίτητη η χρήση εκλεπτυσμένων εργαλείων ως προς την αναπαράσταση αλλά και τη διαδικασία της κατηγοριοποίησης, όπως τανυστές και εργαλεία μηχανικής μάθησης. Ενσωματώνοντας τέτοιου είδους ισχυρά εργαλεία στην ανάλυση, είναι βέβαιο ότι η ανάλυση που θα προκύψει θα οδηγήσει σε ισχυρά αποτελέσματα.
Abstract (translated): The purpose of the present master's thesis is to study brain functional connectivity extracted from EEG signals, and explore whether connectivity can be used as a classification feature for simple tasks, such as motor movement/ imagery movement. As complexity of brain function remains a serious obstacle in understanding the human brain, it becomes more and more clear that the use of machine learning techniques is necessary for extracting meaningful information from brain-related data recordings. Brain connectivity has become a popular field of investigation the last few years, and through a great amount of research it has proven to be a useful tool for revealing hidden information about the brain's underlying organization. Though most of the research focuses on exploiting the graph theoretical aspects of brain connectivity, no investigation has been carried out in manipulating connectivity as a possible feature for classification purposes. To that end, experimenting with the properties of functional connectivity was the challenge that triggered our research. In order to explore the classification-related capabilities of functional connectivity thoroughly, sophisticated tools are needed concerning the representation as well as the classification process, such as tensors and machine learning tools. By embedding such powerful components to the analysis, it is for sure that robust results will be extracted.
Appears in Collections:Τμήμα Ιατρικής (ΜΔΕ)

Files in This Item:
File Description SizeFormat 
Master_Thesis_PEZ_revised.pdf2.29 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons