Ανάλυση σύνθεση και εποπτική αναλυτική πολυδιάστατων δεδομένων πολλαπλών πηγών με σκοπό τη βελτιστοποίηση αναγνώρισης μοτίβων και αξιολόγησης βιοδεικτών που σχετίζονται με τον ύπνο

Περίληψη

Στην παρούσα διατριβή αναπτύχθηκαν μία σειρά από μεθοδολογίες και υπολογιστικά εργαλεία για την ανάλυση πολυυπνογραφικών δεδομένων με σκοπό την αναγνώριση και αξιολόγηση μοτίβων και βιοδεικτών σχετικών με την ποιότητα του ύπνου και την υποστήριξη των ειδικών ύπνου. Αρχικά, αναπτύχθηκαν κατάλληλες μέθοδοι για την προ-επεξεργασία και εξαγωγή χαρακτηριστικών από πολυκαναλικά σήματα που καταγράφονται από διαφορετικές πηγές: ηλεκτροεγκεφαλογράφημα και ηλεκτροκαρδιογράφημα. Στην συνέχεια εκπαιδεύτηκαν μοντέλα τεχνητής νοημοσύνης επίτευξη υψηλής ακρίβειας ταξινόμησης, συνδυάζοντας τα χαρακτηριστικά των βιολογικών σημάτων και προσεγγίσεις από τα πεδία της ανάλυσης βιολογικών σημάτων, επεξεργασία εικόνων (μετασχηματισμός των εξαγόμενων χαρακτηριστικών σε δομή δεδομένων παρόμοια με αυτή της εικόνας) και της βαθιάς μάθησης. Για την αυτόματη αναγνώριση των σταδίων του ύπνου από τις καταγραφές των βιολογικών σημάτων απαραίτητη είναι η εξαγωγή χαρακτηριστικών τα οποία μπορούν να κωδικοποιήσουν τις ...
περισσότερα

Περίληψη σε άλλη γλώσσα

In this thesis, a series of methodologies and computational tools were developed for the analysis of polysomnographic data with the aim of identifying and evaluating patterns and biomarkers related to sleep quality and supporting sleep specialists. Initially, appropriate methods were developed for the pre-processing and extraction of features from multichannel signals recorded from different sources: electroencephalogram and electrocardiogram. Subsequently, artificial intelligence models were trained to achieve high classification accuracy, combining the characteristics of biological signals and approaches from the fields of biological signal analysis, image processing (transformation of the extracted features into a data structure similar to that of the image) and deep learning. For automatic sleep stagινγ from biological signal recordings, it is necessary to extract features that can encode the changes observed in the signal waveforms due to changes in body functions. These features ...
περισσότερα

Όλα τα τεκμήρια στο ΕΑΔΔ προστατεύονται από πνευματικά δικαιώματα.

Διεύθυνση Handle
http://hdl.handle.net/10442/hedi/59034
ND
59034
Εναλλακτικός τίτλος
Analysis, fusion and visual analytics of multidimensional and multimodal data aiming at optimising sleep-related pattern recognition and biomarker evaluation
Συγγραφέας
Χρίσκος, Παντελεήμων (Πατρώνυμο: Νικόλαος)
Ημερομηνία
2025
Ίδρυμα
Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης (ΑΠΘ). Σχολή Επιστημών Υγείας. Τμήμα Ιατρικης. Τομέας Ακτινολογίας, Ανατομίας, Παθολογικής Ανατομικής και Τεχνολογιών. Εργαστήριο Ιατρικής Φυσικής και Ψηφιακής Καινοτομίας
Εξεταστική επιτροπή
Παπαναστασίου Εμμανουήλ
Μπαμίδης Παναγιώτης
Πατάκα Αθανασία
Νικοπολιτίδης Πέτρος
Αθανασίου Αλκίνοος
Φραντζίδης Χρήστος
Τσαπκίνη Κυράνα
Επιστημονικό πεδίο
Ιατρική και Επιστήμες ΥγείαςΕπιστήμες Υγείας ➨ Ιατρική Πληροφορική
Λέξεις-κλειδιά
Αυτόματη σταδιοποίηση ύπνου; Αλληλεπίδραση εγκεφάλου-καρδίας; Διεπαφή SmartHypnos eXpert; Εφαρμογή SmartHypnos για Android
Χώρα
Ελλάδα
Γλώσσα
Ελληνικά
Άλλα στοιχεία
εικ., πιν., σχημ., γραφ.
Στατιστικά χρήσης
ΠΡΟΒΟΛΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
ΞΕΦΥΛΛΙΣΜΑΤΑ
Αφορά στο άνοιγμα του online αναγνώστη για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
ΜΕΤΑΦΟΡΤΩΣΕΙΣ
Αφορά στο σύνολο των μεταφορτώσων του αρχείου της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
ΧΡΗΣΤΕΣ
Αφορά στους συνδεδεμένους στο σύστημα χρήστες οι οποίοι έχουν αλληλεπιδράσει με τη διδακτορική διατριβή. Ως επί το πλείστον, αφορά τις μεταφορτώσεις.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.