Ιδρυματικό Αποθετήριο [SANDBOX]
Πολυτεχνείο Κρήτης
EN  |  EL

Αναζήτηση

Πλοήγηση

Ο Χώρος μου

Επεξεργασία fMRI με χρήση Tensors

Karakasis Paris

Απλή Εγγραφή


URIhttp://purl.tuc.gr/dl/dias/3D7865AC-516D-436D-8084-16463509AD5B-
Αναγνωριστικόhttps://doi.org/10.26233/heallink.tuc.69327-
Γλώσσαen-
Μέγεθος105 pagesel
Μέγεθος990 kilobytesen
ΜέγεθοςA4 (210x297mm)en
ΤίτλοςTensor-based fMRI signal processingen
ΤίτλοςΕπεξεργασία fMRI με χρήση Tensorsel
ΔημιουργόςKarakasis Parisen
ΔημιουργόςΚαρακασης Παριςel
Συντελεστής [Επιβλέπων Καθηγητής]Liavas Athanasiosen
Συντελεστής [Επιβλέπων Καθηγητής]Λιαβας Αθανασιοςel
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Zervakis Michalisen
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Ζερβακης Μιχαληςel
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Karystinos Georgiosen
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Καρυστινος Γεωργιοςel
ΕκδότηςΠολυτεχνείο Κρήτηςel
ΕκδότηςTechnical University of Creteen
Ακαδημαϊκή ΜονάδαTechnical University of Crete::School of Electrical and Computer Engineeringen
Ακαδημαϊκή ΜονάδαΠολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστώνel
ΠεριγραφήΔιπλωματική εργασία που υποβλήθηκε στη σχολή ΗΜΜΥ του Πολ. Κρήτης για την πλήρωση προϋποθέσεων λήψης του Διπλώματος Ηλεκτρολόγου Μηχανικού και Μηχανικού Υπολογιστών.el
ΠερίληψηFunctional magnetic resonance imaging (fMRI) is one of the most popular methods in studying the human brain. fMRI provides a non-invasive way to measure brain activity, detecting local changes of blood oxygen level density (BOLD) in the brain, over time. The purpose of fMRI signal analysis is the localization of brain areas that are related with particular tasks. The problem of fMRI signal analysis can be considered as a blind source separation problem (BSS) , which is the problem of extracting a set of source signals from a set of mixed signals, without using prior information (or with very little prior information) about the source signals or the mixing process. In this thesis, initially, we study the usage of nonnegative matrix factorization models in BSS problems, assuming the existence of delays in propagation environments with or without echo. Next, we study the usage of tensor factorization models, through PARAFAC and Nonnegative Tensor Factorization models, in BSS problems, as well as how these models can be extended under the assumption of propagation environments without echo. Finally, we use these tensor factorization models in fMRI data analysis. In our analysis, we processed fMRI data from different subjects performing the same tasks (group task related fMRI analysis) and we extracted common activation brain maps as well as common activation time signals.en
ΤύποςΔιπλωματική Εργασίαel
ΤύποςDiploma Worken
Άδεια Χρήσηςhttp://creativecommons.org/licenses/by-nc/4.0/en
Ημερομηνία2017-09-21-
Ημερομηνία Δημοσίευσης2017-
Θεματική ΚατηγορίαNonnegative Tensor Factorizationen
Θεματική ΚατηγορίαNTFen
Θεματική ΚατηγορίαParafacen
Θεματική ΚατηγορίαBSSen
Θεματική ΚατηγορίαBlind Source Separationen
Θεματική ΚατηγορίαTensor decompotion modelsen
Θεματική ΚατηγορίαfMRIen
Θεματική ΚατηγορίαFunctional Magnetic Resonance Imagingen
Βιβλιογραφική ΑναφοράΠάρις Καρακάσης, "Επεξεργασία fMRI με χρήση Tensors", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2017el
Βιβλιογραφική ΑναφοράParis Karakasis, "Tensor-based fMRI processing signal processing", Diploma Work, School of Electrical and Computer Engineering, Technical University of Crete, Chania, Greece, 2017en

Διαθέσιμα αρχεία

Υπηρεσίες

Στατιστικά