Please use this identifier to cite or link to this item: http://hdl.handle.net/10889/9116
Title: Ταξινόμηση προκλητών δυναμικών εγκεφαλογραφήματος ακουστικού πειράματος, σχετιζόμενα με σφάλματα απόκρισης σε δράστες και παρατηρητές
Other Titles: Classification of event-related potentials in actors and observers using error-related negativity and positivity in an auditory task
Authors: Κάκκος, Ιωάννης
Keywords: Ηλεκτροεγκεφαλογράφημα
Προκλητά δυναμικά
Ταξινόμηση
Μηχανική μάθηση
Μηχανές διανυσμάτων υποστήριξης
Μεμονωμένες δοκιμές
Keywords (translated): Electroencephalography (EEG)
ERP
Classification
Machine learning
K-NN
Support vector machines
Single-trial
Abstract: Σκοπός της παρούσης διπλωματικής εργασίας, είναι η ταξινόμηση προκλητών δυναμικών ηλεκτροεγκεφαλογραφήματος, σε κατηγορίες σωστών και λάθος απαντήσεων. Ως δεδομένα, χρησιμοποιήθηκαν και επεξεργάστηκαν καταγραφές ηλεκτροεγκεφαλογραφημάτων ακουστικού πειράματος αναγνώρισης, δύο καταστάσεων πολυπλοκότητας, το οποίο πραγματοποιήθηκε με τη συμμετοχή ατόμων με ρόλους δραστών και παρατηρητών. Από την ανάλυση αυτών των σημάτων, προσδιορίστηκαν παράμετροι , οι οποίοι χρησιμοποιήθηκαν ως χαρακτηριστικά για την ταξινόμηση των δεδομένων στις προαναφερθείσες κατηγορίες. Για την ταξινόμηση χρησιμοποιήθηκαν αλγόριθμοι μηχανικής μάθησης, όπως K-NN και μηχανές διανυσμάτων υποστήριξης. Αρχικά, η ταξινόμηση έγινε στους μέσους όρους των καταγραφών των ηλεκτροδίων και στη συνέχεια, εξετάστηκε η χρήση των εξαχθέντων χαρακτηριστικών σε μεμονωμένες δοκιμές. Τα αποτελέσματα της ταξινόμησης έδειξαν, ότι η χρήση των επιλεχθέντων χαρακτηριστικών, αν και ικανοποιητική όσο αφορά τους μέσους όρους των καταγραφών, εμφάνισε αδυναμίες στην ταξινόμηση μεμονωμένων δοκιμών.
Abstract (translated): Aim of this thesis is the classification of ERPs, of participants in an auditory task. Data were collected and processed using EEG in audio task recognition, in two conditions of varying complexity, for acting and observing participants. The analysis determined parameters, which were used as features for the classification of the collected data. Machine learning algorithms were utilized such as K-NN and support vector machines. Initially, the classification was performed on the average recordings of the electrodes, and then the extracted features were used for single-trial classification. Results showed that the use of the selected features, although satisfactory regarding the average recordings, didn’t suffice to classify single-trial data.
Appears in Collections:Τμήμα Ιατρικής (ΜΔΕ)

Files in This Item:
File Description SizeFormat 
Kakkos(med).pdf3.76 MBAdobe PDFView/Open


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