Χαρακτηρίζοντας τις διαφορές της δυναμικής λειτουργικής συνδεσιμότητας κατά τη γήρανση ενηλίκων χρησιμοποιώντας προχωρημένες τεχνικές ανάλυσης ηλεκτροεγκεφαλογραφήματος και μηχανικής μάθησης σε κατάσταση ηρεμίας

Σαλής, Χρήστος Ηλ.

dc.contributor.advisor	Τσιχριντζής, Γεώργιος
dc.contributor.author	Σαλής, Χρήστος Ηλ.
dc.date.accessioned	2017-12-13T10:14:00Z
dc.date.available	2017-12-13T10:14:00Z
dc.date.issued	2017
dc.identifier.uri	https://dione.lib.unipi.gr/xmlui/handle/unipi/10290
dc.description.abstract	Η παρούσα μεταπτυχιακή διατριβή πραγματεύεται το πρόβλημα της πρόβλεψη της ηλικίας ενός σύνολου ατόμων μέσω ανάλυσης παλινδρόμησης, καθώς και της ομαδοποίησης αυτών σε δύο ηλικιακές ομάδες, μέσω της μελέτης της λειτουργικής συνδεσιμότητας στο εγκεφαλογράφημα (EEG). Συγκεκριμένα, μελετήθηκε η σύζευξη μεταξύ διαφορετικών συχνοτήτων (Cross frequency coupling, CFC) στα σήματα EEG, ενώ στους γράφους που προέκυψαν εφαρμόστηκαν τεχνικές μείωσης διάστασης και κβαντοποίησης διανυσμάτων, προκειμένου να γίνει πιο εύκολη η επεξεργασία τους. Τέλος, από τους γράφους αυτούς εξήχθησαν διάφορα μετρικά, τα οποία εισήχθησαν ως είσοδοι σε κατάλληλους ταξινομητές, προκειμένου να γίνει εφικτή η πρόβλεψη της ηλικίας και της ομαδοποίησης των υποκειμένων στις ηλικιακές ομάδες.	el
dc.format.extent	50	el
dc.language.iso	el	el
dc.publisher	Πανεπιστήμιο Πειραιώς	el
dc.rights	Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/	*
dc.title	Χαρακτηρίζοντας τις διαφορές της δυναμικής λειτουργικής συνδεσιμότητας κατά τη γήρανση ενηλίκων χρησιμοποιώντας προχωρημένες τεχνικές ανάλυσης ηλεκτροεγκεφαλογραφήματος και μηχανικής μάθησης σε κατάσταση ηρεμίας	el
dc.title.alternative	Characterizing the differences in dynamic functional connectivity of aging in adults using advanced EEG analysis techniques and machine learning in resting state	el
dc.type	Master Thesis	el
dc.contributor.department	Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής	el
dc.description.abstractEN	The current dissertation deals with the problem of age prediction on a set of individuals with the help of regression analysis, and grouping them into two age groups, using the functional connectivity of the electroencephalography (EEG). Specifically, the cross frequency coupling was studied in those EEG signals, while dimension reduction and vector quantization techniques were applied in the graphs that came up, in order to make their processing easier. Finally, several metrics were extracted from those graphs, which were introduced as inputs into appropriate classifiers, in order to make the age prediction and the age grouping feasible.	el
dc.contributor.master	Προηγμένα Συστήματα Πληροφορικής	el
dc.subject.keyword	Πρόβλεψη ηλικίας	el
dc.subject.keyword	Εγκεφαλογράφημα	el
dc.subject.keyword	Ανάλυση παλινδρόμησης	el
dc.subject.keyword	Διανυσματική ανάλυση	el
dc.subject.keyword	Ηλικιακές ομάδες	el
dc.subject.keyword	Τεχνητά νευρωνικά δίκτυα	el

Files in this item

Name:: Salis_Christos.pdf
Size:: 2.624Mb
Format:: PDF
Description:: Μεταπτυχιακή διατριβή

View/Open

This item appears in the following Collection(s)

Τμήμα Πληροφορικής
Department of Informatics

Show simple item record

Except where otherwise noted, this item's license is described as
Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές