Brain signal and image analysis using machine learning methods

Abstract

The work presented in this Ph.D manuscript focuses on implementing and designing machine learning for brain signal analysis. In the first part of the manuscript, dedicated to one-dimensional brain signal, we study electrocorticography (ECoG) signal processing for voice activity detection and syllable classification in order to design an interpretable and more efficient brain computer interface system for speech rehabilitation. The second part of this Ph.D dissertation is dedicated to two-dimensional biomedical signal analysis (image analysis). More specifically, we per-formed analysis of magnetic resonance medical images for brain tumor segmentation and grade classification. Finally, the last part of the thesis is based on mathematical modeling of biological neural networks. We aimed to study the microscopic dynamics of the brain neuronal networks through synchronization phenomena.

Η δουλειά η οποία παρουσιάζεται σε αυτήν την διδακτορική διατριβή ανήκει στο πλαίσιο της μηχανικής μάθησης και την ανάπτυξη μεθοδολογιών για την επεξεργασία και ανάλυση μονοδιάστατων και διδιάστατων εγκεφαλικών σημάτων. Πιο συγκεκριμένα, εστιάζεται: 1) στην μελέτη, επεξεργασία και ανάλυση εγκεφαλικών σημάτων ηλεκτροκορτικογραφήματος για τον εντοπισμό φωνητικής δραστηριοποίησης και την ταξινόμηση συλλαβών με σκοπό τον σχεδιασμό και ανάπτυξη ενός BCI συστήματος για την αποκατάσταση ασθενών με προβλήματα ομιλίας, 2) στην επεξεργασία εικόνων μαγνητικής τομογραφίας εγκεφάλου με σκοπό την τμηματοποίηση και ταξινόμηση καρκινικών εγκεφαλικών όγκων, και 3) την μαθηματική μοντελοποίηση δικτύων βιολογικών νευρώνων.