![Institutional Repository [SANDBOX]](images/dias.logo.png "Institutional Repository [SANDBOX]"){kind=logo}
Institutional Repository [SANDBOX]
Technical University of Crete
Technical University of Crete
EN
|
EL
| URI | http://purl.tuc.gr/dl/dias/D3EF2B48-D234-4DDF-9177-30FE9333A998 | - |
| Identifier | https://doi.org/10.26233/heallink.tuc.84115 | - |
| Language | en | - |
| Extent | 3.3 megabytes | en |
| Title | Τεχνικές Μηχανικής Μάθησης με Εφαρμογές στην Επεξεργασία Βιοϊατρικών Σημάτων | el |
| Title | Machine Learning Techniques with Applications in Biomedical Signal Processing | en |
| Creator | Karakasis Paris | en |
| Creator | Καρακασης Παρις | el |
| Contributor [Thesis Supervisor] | Liavas Athanasios | en |
| Contributor [Thesis Supervisor] | Λιαβας Αθανασιος | el |
| Contributor [Committee Member] | Zervakis Michail | en |
| Contributor [Committee Member] | Ζερβακης Μιχαηλ | el |
| Contributor [Committee Member] | Karystinos Georgios | en |
| Contributor [Committee Member] | Καρυστινος Γεωργιος | el |
| Publisher | Πολυτεχνείο Κρήτης | el |
| Publisher | Technical University of Crete | en |
| Academic Unit | Technical University of Crete::School of Electrical and Computer Engineering | en |
| Academic Unit | Πολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών | el |
| Description | Μεταπτυχιακή Διατριβή που υποβλήθηκε στη σχολή ΗΜΜΥ του Πολ. Κρήτης για την πλήρωση προϋποθέσεων λήψης του Μεταπτυχιακού Διπλώματος Ειδίκευσης. | el |
| Content Summary | Η λειτουργική απεικόνιση μαγνητικού συντονισμού (fMRI) είναι μία από τις πιο δημοφιλείς μεθόδους για τη μελέτη του ανθρώπινου εγκεφάλου. Ο σκοπός της ανάλυσης δεδομένων fMRI, τα οποία σχετίζονται με μία συνθήκη/εργασία, είναι ο εντοπισμός εγκεφαλικών περιοχών οι οποίες ενεργοποιούνται όταν επιτελείται μία συγκεκριμένη συνθήκη/εργασία, με βάση την ανάλυση των ΒOLD (Blood Oxygen Level Dependent) σημάτων. Τα BOLD σήματα παρουσιάζουν συστηματικές μεταβολές στη δραστηριότητα του εγκεφάλου, ακόμα και στην απουσία ερεθίσματος (κατάσταση ηρεμίας), οι οποίες αποδίδονται στην ύπαρξη εγκεφαλικών δικτύων σε κατάσταση ηρεμίας (resting-state brain networks). Ένα ευρύ φάσμα πολυμεταβλητών στατιστικών μεθόδων χωρίς επίβλεψη χρησιμοποιείται, όλο και περισσότερο, στην επεξεργασία σημάτων fMRI. Ο κύριος σκοπός των μεθόδων αυτών είναι η εξαγωγή πληροφοριών από μια συλλογή δεδομένων, συνήθως, δίχως πρότερη γνώση για τις συνθήκες του πειράματος. Η Γενικευμένη Ανάλυση Κανονικής Συσχέτισης (generalized Canonical Correlation Analysis - gCCA) είναι μια δημοφιλής στατιστική μέθοδος, η οποία μπορεί να θεωρηθεί ως μία μέθοδος εκτίμησης ενός γραμμικού υποχώρου κοινoύ σε όλα τα δεδομένα μιας συλλογής τυχαίων διανυσμάτων. Στην εργασία αυτή, προτείνουμε ένα νέο μοντέλο για την περιγραφή δεδομένων fMRI, το οποίο λαμβάνει υπόψιν την ύπαρξη κοινών συνιστωσών που σχετίζονται τόσο με την κατάσταση ηρεμίας όσο και με την παρουσία ερεθίσματος. Επιπλέον, υπολογίζουμε αυτές τις κοινές συνιστώσες μέσω της Γενικευμένης Ανάλυσης Κανονικής Συσχέτισης. Εφαρμόζουμε τη θεωρητική μας προσέγγιση σε συνθετικά και πραγματικά fMRI δεδομένα. Παρατηρούμε ότι τα ευρήματά μας επιβεβαιώνουν τα θεωρητικά μας αποτελέσματα, το οποίο καθιστά την προσέγγισή μας μια πολύ καλή εναλλακτική για την επεξεργασία fMRI δεδομένων από πολλαπλά υποκείμενα. | el |
| Content Summary | Functional magnetic resonance imaging (fMRI) is one of the most popular methods for studying the human brain. The purpose of task-related fMRI data analysis is to determine which brain areas are activated when a specific task is performed, based on the (Blood Oxygen Level Dependent) signal analysis. Background BOLD signal reflects systematic fluctuations in regional brain activity that are attributed to the existence of resting-state brain networks. A wide range of unsupervised multivariate statistical methods is being increasingly employed in fMRI data analysis. The main goal of these methods is to extract information from a dataset, often with no prior knowledge of the experimental conditions. Generalized canonical correlation analysis (gCCA) is a well known statistical method, that can be considered as the method for the estimation of a linear subspace, which is ”common” to multiple sets of random vectors. We propose a new fMRI data generating model, which takes into consideration the existence of common task-related and rest-related components. Moreover, we estimate the task-related components via gCCA. We extensively test our theoretical results using both artificial and real-world fMRI data. We observe that our experimental findings corroborate our theoretical results, rendering our approach a very good candidate for multi-subject task-related fMRI processing. | en |
| Type of Item | Μεταπτυχιακή Διατριβή | el |
| Type of Item | Master Thesis | en |
| License | http://creativecommons.org/licenses/by/4.0/ | en |
| Date of Item | 2019-12-18 | - |
| Date of Publication | 2019 | - |
| Subject | fMRI Data Analysis | en |
| Bibliographic Citation | Παρις Καρακασης, "Τεχνικές Μηχανικής Μάθησης με Εφαρμογές στην Επεξεργασία Βιοϊατρικών Σημάτων", Μεταπτυχιακή Διατριβή, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2019 | el |
| Bibliographic Citation | Paris Karakasis, "Machine Learning Techniques with Applications in Biomedical Signal Processing", Master Thesis, School of Electrical and Computer Engineering, Technical University of Crete, Chania, Greece, 2019 | en |
Copyright © DIAS 2013
