Χρήση αλγόριθμων μηχανικής μάθησης για την ανάλυση EEG με εφαρμογή στην άνοια
| dc.contributor.author | Γκίζα, Ουρανία | |
| dc.date.accessioned | 2021-05-21T08:14:45Z | |
| dc.date.available | 2021-05-21T08:14:45Z | |
| dc.identifier.uri | https://olympias.lib.uoi.gr/jspui/handle/123456789/31042 | |
| dc.identifier.uri | http://dx.doi.org/10.26268/heal.uoi.10871 | |
| dc.rights | Attribution-NonCommercial-NoDerivs 3.0 United States | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/us/ | * |
| dc.subject | Λογισμικό | el |
| dc.subject | Διαχείριση ασθενών | el |
| dc.subject | Άνοια | el |
| dc.title | Χρήση αλγόριθμων μηχανικής μάθησης για την ανάλυση EEG με εφαρμογή στην άνοια | el |
| dc.title | Machine learning algorithms in EEG analysis an application for dementia cases | en |
| heal.abstract | Η άνοια είναι μια νευροεκφυλιστική διαταραχή που χαρακτηρίζεται από σταδιακή απώλεια μνήμης, σύγχυση και αλλαγή στην καθημερινότητα και τη συμπεριφορά. Η Νόσος Alzheimer και η μετωποκροταφική άνοια (Frontotemporal Dementia – FTD) είναι οι πιο κοινοί τύποι άνοιας με μεγάλο παγκόσμιο επιπολασμό που συνεχώς αυξάνεται. Η πορεία της άνοιας είναι προοδευτική και οι περισσότεροι ασθενείς καταλήγουν μετά από κάποια χρόνια από την εκδήλωση των συμπτωμάτων. Το ηλεκτροεγκεφαλογράφημα (Electroencephalogram – EEG), αποτυπώνει τα δυναμικά του εγκεφάλου και χρησιμοποιείται ως διαγνωστικό εργαλείο σε πλήθος νευρολογικών παθήσεων. Τα τελευταία χρόνια το EEG υποστηρίζει το έργο των νευρολόγων στις κλινικές διαγνώσεις για την άνοια, καθώς η διαδικασία εκφύλισης αντικατοπτρίζεται στις αλλαγές των σημάτων ακόμα και στα πρώιμα στάδια. Παράλληλα, οδηγεί στην ανάπτυξη διαγνωστικών βιοδεικτών που θα μπορούσαν να χρησιμοποιηθούν στο κλινικό περιβάλλον και στις θεραπευτικές δοκιμές. Τα κύρια στάδια της επεξεργασίας σήματος EEG είναι η απομάκρυνση του θορύβου, η εξαγωγή χαρακτηριστικών και η ταξινόμηση. Σκοπός της παρούσας εργασίας είναι η ανάλυση του EEG, ο υπολογισμός των χαρακτηριστικών του και μελέτη αλγορίθμων μηχανικής μάθησης που μπορούν να εφαρμοστούν για την έγκαιρη ανίχνευση της άνοιας. Διάφορες τεχνικές μηχανικής μάθησης όπως τα Τεχνητά Νευρωνικά Δίκτυα, τα Δέντρα Αποφάσεων και οι Μηχανές Διανυσμάτων Υποστήριξης μελετώνται σε αυτή την εργασία για τον εντοπισμό της άνοιας και το διαχωρισμό των πιο κοινών μορφών της. Αποτελέσματα της προτεινόμενης μεθοδολογίας είναι ικανοποιητικά με ποσοστά ταξινόμησης που φτάνουν άνω του 90%. | el |
| heal.abstract | Dementia is a progressive neurodegenerative disorder characterized by memory loss, confusion and mood changes. Alzheimer’s Disease and Frontotemporal Dementia (FTD) are the most common types of dementia with a great worldwide prevalence. The course of the disease is progressive and most patients end up with an average of one decade after the onset of the disease, which is located between the 5th and 6th decade of a person's life. Electroencephalogram (EEG) is a cost-effective technique that captures the brain dynamics and is used for the diagnosis of many brain disorders. Lately, the EEG serves as a secondary diagnostic tool in the diagnosis of dementia and its types that confirm the disease even at an early stage. The main stages of EEG signal processing are noise removan, feature extraction, classification. The purpose of this study is the analysis of the EEG, the extraction of its characteristics and the study of machine learning algorithms that can be applied for the early detection of dementia. Various machine learning techniques such as Artificial Neural Networks, Decision Trees and Support Vector Machines are studied in this work to identify dementia and distinguish its most common types. Results of the proposed methodology are satisfactory with classification accuracy reaching over 90%. | en |
| heal.academicPublisher | Σχολή Πληροφορικής & Τηλεπικοινωνιών. Τμήμα Πληροφορικής & Τηλεπικοινωνιών | el |
| heal.academicPublisherID | uoi | |
| heal.access | free | |
| heal.advisorName | Γλαβάς, Ευριπίδης | el |
| heal.bibliographicCitation | Γκίζα, Ο., 2021. Χρήση αλγόριθμων μηχανικής μάθησης για την ανάλυση EEG με εφαρμογή στην άνοια. Μεταπτυχιακή εργασία. Άρτα: Πανεπιστήμιο Ιωαννίνων. Σχολή Πληροφορικής & Τηλεπικοινωνιών. Τμήμα Πληροφορικής & Τηλεπικοινωνιών | el |
| heal.classification | Αλγόριθμοι υπολογιστών | |
| heal.classification | Διαδίκτυο - Ιατρική | |
| heal.committeeMemberName | Τζάλλας, Αλέξανδρος | el |
| heal.committeeMemberName | Γιαννακέας, Νικόλαος | el |
| heal.dateAvailable | 2021-05-21T08:15:45Z | |
| heal.fullTextAvailability | true | |
| heal.language | el | |
| heal.numberOfPages | 79 Σ. | |
| heal.publicationDate | 2021 | |
| heal.recordProvider | Πανεπιστήμιο Ιωαννίνων. Σχολή Πληροφορικής & Τηλεπικοινωνιών. Τμήμα Πληροφορικής & Τηλεπικοινωνιών | el |
| heal.type | masterThesis | |
| heal.type.el | Μεταπτυχιακή εργασία | el |
| heal.type.en | Master thesis | en |
Αρχεία
Πρωτότυπος φάκελος/πακέτο
1 - 1 of 1
Φόρτωση...
- Ονομα:
- Μ.Ε ΓΚΙΖΑ ΟΥΡΑΝΙΑ - 2021.pdf
- Μέγεθος:
- 2.82 MB
- Μορφότυπο:
- Adobe Portable Document Format
- Περιγραφή:
Φάκελος/Πακέτο αδειών
1 - 1 of 1
Φόρτωση...
- Ονομα:
- license.txt
- Μέγεθος:
- 1.71 KB
- Μορφότυπο:
- Item-specific license agreed upon to submission
- Περιγραφή: