Οι διάφορες δραστηριότητες του εγκεφάλου συχνά χαρακτηρίζονται από ειδικούς ρυθμούς στο ηλεκτροεγκεφαλογράφημα (ΗΕΓ). Το 2ο στάδιο του ύπνου χωρίς ταχείες οφθαλμικές κινήσεις (στάδιο NREM) χαρακτηρίζεται από τις ατράκτους που σηματοδοτούν την ουσιαστική έναρξη του ύπνου. Αποτελούν 0.5-1 δευτερόλεπτα ρυθμικής διαδοχής κύρια αρνητικών κυμάτων γενικευμένα στο ΗΕΓ τα οποία παρουσιάζουν προϊούσα αύξηση και μετά μείωση του πλάτους τους. Οι άτρακτοι συμμετέχουν σε διάφορες σημαντικές λειτουργίες του εγκεφάλου. Η κατανόηση του πολύπλευρου και πολύ σημαντικού ρόλου των ατράκτων έχει αποτελέσει αφορμή ώστε να γίνουν προσπάθειες εντοπισμού των υπεύθυνων για τη γένεσή τους εγκεφαλικών κυκλωμάτων. Σκοπός της προτεινόμενης μεθόδου είναι η εφαρμογή της μεθόδου εντοπισμού σημάτων σε πολυκαναλικές καταγραφές χρησιμοποιώντας περιορισμούς που στηρίζονται στο πεδίο του χώρου (spatial constraints) και το πεδίο της συχνότητας (frequency constraints) χρησιμοποιώντας την τεχνική ανάλυσης σε ανεξάρτητες συνιστώσες (ICA). Η μέθοδος εφαρμόστηκε για την ανάλυση βραδέων και ταχέων ατράκτων σε εγκεφαλογραφήματα ύπνου. Στο εργαστήριο Φυσιολογίας έχουν γίνει ΗΕΓ καταγραφές ολονύκτιου ύπνου με καταμέτρηση πολλών εκατοντάδων ατράκτων οι οποίες χρησιμοποιήθηκαν για την ανάπτυξη της παραπάνω μεθόδου αυτομάτου ανίχνευσης και εντοπισμού των ατράκτων. / Several brain activities are characterized by specific rhythms in electroencephalogram (EEG). The non rapid eye movement (NREM) stage of sleep is characterized by sleep spindles signaling the beginning of sleep. Spindles are rhythmic generalized negative waves in EEG with progressively increasing and gradually decreasing amplitude lasting 0.5-1 sec. Spindles are involved in several brain functions. The comprehension of the significance and multilateral role of spindles has driven efforts to detect the brain circuits involved in their generation. The purpose of this study is the introduction of a signal detection method in multichannel records, using Independent Component Analysis with spatial and frequency constraints. This automatic detection method was applied to the analysis of fast and slow spindles in sleep EEG, obtained from whole-night sleep recording in the laboratory of Physiology Department at University of Patras.

Ο ύπνος αποτελεί ένα από τα πιο μυστήρια φαινόμενα της ανθρώπινης ζωής. Η επεξεργασία και ανάλυση του εγκεφαλογραφήματος με τη χρήση υπολογιστικών μεθόδων και αλγορίθμων μπορεί να δώσει μεγάλη ώθηση στην διερεύνηση της εγκεφαλικής δραστηριότητας. Στην παρούσα εργασία υλοποιήθηκε ένα γραφικό εργαλείο για την ανίχνευση ρυθμών και κυμάτων που εμφανίζονται στο εγκεφαλογράφημα ύπνου. Το εργαλείο συνδέεται με το πρόγραμμα καταγραφής Neuroscan του εργαστηρίου Νευροφυσιολογίας της Ιατρικής Σχολής του Πανεπιστημίου Πατρών. Το περιβάλλον περιλαμβάνει αλγορίθμους για την αυτόματη ανάλυση του σήματος και την ανίχνευση επιλεγμένων κυμάτων και ρυθμών. Σκοπός του εργαλείου είναι η αποστολή ακουστικού ερεθισμού στην περίπτωση ανίχνευσης του επιλεγμένου κύματος ή ρυθμού. Το εργαλείο περιλαμβάνει γραφικό περιβάλλον για την εύκολη χρήση και παραμετροποίηση των διαθέσιμων επιλογών. Το πρόγραμμα αναπτύχθηκε εξ ολοκλήρου πρωτότυπα με γνώμονα την ταχύτητα ανίχνευσης και επεξεργασίας του ΗΕΓ. Τελικός στόχος του προγράμματος είναι η χρήση του σε πειράματα διερεύνησης της απαντητικότητας του εγκεφάλου σε ερεθισμούς που συμβαίνουν σε συγκεκριμένες χρονικές στιγμές μετά από την στιγμή ανίχνευσης επιλεγμένου κύματος ή ρυθμού. Με αυτό τον τρόπο μπορεί να εξερευνηθεί ο ρόλος διαφόρων καταστάσεων του εγκεφάλου (π.χ. αφυπνιστικός ή υπναγωγικός κατά τον ύπνο) χαρακτηριζόμενων από τα επιλεγόμενα ΗΕΓ κύματα και ρυθμούς. / One of the greatest human mysteries is the phenomenon of sleep. The use of computing methods and algorithms in the analysis and processing of electroencephalogram can boost the research of brain activity. The present work presents the graphical program that was developed and used at the Neurophysiology Unit of the University of Patras’ Medical School for the support of EEG studies. The program detects specific rythms and waves during the sleep EEG (online). The tool connects with the Neuroscan Systems that the lab uses for the sleep experiments. The program supports several algorithms for the automatic signal analysis and the specific rythms’ and waves’ detection. The target of the tool is to send sound stimulus in the case of rhythm or wave detection. The user-friendly graphical interface of the tool includes all the parameters for the experiments. The program was developed originally from scratch, aiming to make signal processing as fast as possible. The final goal of the program is to explore the nature of specific brain states i.e. in sleep, by probing brain reactivity at precise times after EEG signs characterizing this brain state.

Ο βήχας είναι ένα κοινό σύμπτωμα σε πολλές ασθένειες του αναπνευστικού συστήματος. Αν και λειτουργεί ως προστατευτικός μηχανισμός απομάκρυνσης εκκρίσεων από την αναπνευστική οδό, η αυξημένη συχνότητα και έντασή του μπορεί να έχουν επίδραση στην ποιότητα ζωής του ασθενούς. Είναι το βασικότερο σύμπτωμα για το οποίο κάποιος επισκέπτεται τον γιατρό. Η σωστή εκτίμησή του είναι απαραίτητη τόσο για τον προσδιορισμό της αποτελεσματικότητας της θεραπείας αλλά και για την δοκιμή νέων θεραπειών και τη μελέτη των μηχανισμών του. Μέχρι στιγμής η διάγνωσή του βασίζεται σε υποκειμενικές καταγραφές, απλώς ζητώντας από τον ασθενή την εκτίμησή του για την ένταση, τη διάρκεια και τη συχνότητά του. Ένα σύστημα αυτόματης ανίχνευσης του σήματος του βήχα θα επέτρεπε την επικύρωση της παρουσίας και της συχνότητας του βήχα καθώς και την αποτελεσματικότητα της αγωγής. Τα συστήματα καταγραφής του βήχα δεν είναι καινούρια διαδικασία. Η πρώτη καταγραφή έγινε τη δεκαετία του '60 σε νοσηλευόμενους ασθενείς με τη χρήση μαγνητοφώνων και με χειροκίνητη καταγραφή των γεγονότων του βήχα. Στη συνέχεια με την εξέλιξη της τεχνολογίας κατασκευάστηκαν φορητές συσκευές που βασίστηκαν στην ταυτόχρονη καταγραφή ήχου και ηλεκτρομυογραφήματος (EMG σήματα, ανίχνευση κίνησης του θώρακα) για να ανιχνευθούν τα γεγονότα του βήχα όπου ακόμα τα σήματα έπρεπε να καταγραφούν και να μετρηθούν χειροκίνητα. Με τις παραπέρα ανακαλύψεις στις τεχνικές ψηφιακής καταγραφής, συμπίεσης και αποθήκευσης η διαδικασία αναγνώρισης και καταγραφής του βήχα μπορεί να αυτοματοποιηθεί με τη χρήση κατάλληλων αλγορίθμων. Στην εργασία αυτή κατασκευάζεται ένα ενσωματωμένο σύστημα καταγραφής, αποθήκευσης και επεξεργασίας του σήματος του βήχα. Για την επεξεργασία του αναπτύσσεται μια βασική μέθοδος βασισμένη την ενέργειά του. Στο πρώτο κεφάλαιο, γίνεται αναφορά στα χαρακτηριστικά του ηχητικού σήματος και παρατίθενται τα βασικά στάδια της ανάλυσής του. Στο δεύτερο, δίνεται ο ορισμός του βήχα, οι αιτίες που τον προκαλούν και η φυσιολογία του. Στη συνέχεια, παρουσιάζονται μέθοδοι για την ανίχνευσή του. Στο τρίτο κεφάλαιο, αναφέρονται οι βασικές έννοιες των μικροελεγκτών και παρατίθενται τα βασικά χαρακτηριστικά του μικροεπεξεργαστή ARM7TDMI, του μικροελεγκτή ADuC 7026 και της αναπτυξιακής πλατφόρμας μVision της Keil που χρησιμοποιήσαμε για την ανάπτυξη της εφαρμογής μας. Στο τελευταίο κεφάλαιο, παρουσιάζονται κάποιες λειτουργίες προγραμματισμού και δυνατότητες του μικροελεγκτή που χρησιμοποιούνται στην παρούσα εργασία. Στη συνέχεια αναπτύσσεται η εφαρμογή για την ανίχνευση του σήματος του βήχα. Στα παραρτήματα, παρατίθενται παραδείγματα για τον βασικό προγραμματισμό του ADuC 7026 και των περιφερειακών του. / Cough is a common symptom in many diseases of the respiratory system. Although cough protects humans by removing secretions through respiratory track, its increased frequency and intensity may impact on patient’s quality of life. Besides, cough is the main symptom that makes people to visit doctor. Doctor’s accurate assessment is necessary for determining treatment according to each patient as well as the testing of new treatments and the comprehensive study of cough. So far, the diagnosis of cough is based on subjective factors such as patient’s assessment of its intensity, duration and frequency. An automatic detection system of the cough signal would allow to determine about the presence and frequency of cough and an effective treatment. The attempt to record cough is not a new process. The first recording to patients was made in 60’s by the use of tape recorders and by manually recording the symptoms of cough. As technology has evolved, portable device was created that was based on simultaneous recording of sound and electromyography (EMG signals, detection of the movement of chest) in order to detect the symptoms of cough. In that case, the recording was also made manually. With the evolution of digital recording, compression and storage, the recognition and recording of cough can be automated by using the appropriate algorithms. In that study, an embedded system is made in order to record, store and process the signal of cough. A basic method based on energy is developed for the process. In the fisrt chapter, the characteristics of sound signal and the key stages of the analysis are presented. In the second chapter, cough is defined, its causes and the clinical symptoms of cough are analyzed. Then, methods for its detection are specified. In the third chapter, the basic concepts of microcontrollers are given as well as the main characteristics of microprocessor ARM7TDMI and of microcontroller ADuC 7026 are presented and the platform μVision of Keil that we used for the development of the application is analyzed. In the final chapter, some programming functions and properties of microcontroller are presented and are used for the current study. Then, the application of detection of cough signal is developed. In annex, examples for the basic programming of ADuC 7026 and its peripherals are given.

Αντικείμενο της παρούσας διδακτορικής διατριβής αποτελεί η μελέτη και ανάπτυξη νέων μεθοδολογιών αυτόματης επεξεργασίας σεισμολογικών δεδομένων, µε σκοπό την επίλυση σημαντικών προβλημάτων που συναντώνται στα πεδία των επιστημών της σεισμολογίας και της γεωφυσικής όπως: 1) η ανίχνευση μικροσεισμικών γεγονότων από µία καταγραφή, µε άλλα λόγια ο διαχωρισμός της καταγραφής σε τμήματα που αποτελούνται από εδαφικό θόρυβο και σε τμήματα που περιέχουν την χρήσιμη πληροφορία (σεισμικά γεγονότα) για τους γεωεπιστήμονες και 2) η εκτίμηση των χρόνων άφιξης των διαμήκων (P-) καθώς και των εγκαρσίων (S-) σεισμικών φάσεων. Πιο αναλυτικά, η διατριβή είναι δομημένη ως εξής: Το πρώτο κεφάλαιο αποτελεί την εισαγωγή της διατριβής. Στο δεύτερο κεφάλαιο συγκεντρώνονται και κατηγοριοποιούνται όλες οι υπάρχουσες τεχνικές που έχουν αναπτυχθεί για την επίλυση του προβλήματος της αυτόματης ανίχνευσης σεισμικών γεγονότων καθώς και τον αυτόματο προσδιορισμό του χρόνου άφιξης των P και S σεισμικών φάσεων. Συγκεκριμένα γίνεται κατηγοριοποίηση αυτών σε τεχνικές που στηρίζονται στην ανάλυση και επεξεργασία των σεισμικών καταγραφών στα πεδία του χρόνου και της συχνότητας, στη χρήση νευρωνικών δικτύων, στην ανάλυση χρονικών σειρών και αυτοπαλινδρόμησης, στην ανάλυση της πόλωσης των κυμάτων, στις στατιστικές υψηλότερης τάξης, μεθόδους ασαφούς λογικής, κυματιδιακές μεθόδους κτλ. Στο τρίτο κεφάλαιο, αναπτύσσεται νέα τεχνική για την επίλυση του προβλήματος της αυτόματης ανίχνευσης σεισμικών γεγονότων από μία καταγραφή, η οποία βασίζεται σε μία μη αυστηρή διαδικασία ελέγχου υποθέσεων. Η προτεινόμενη τεχνική πραγματοποιείται σε δύο στάδια. Κατά το πρώτο στάδιο εκτιμώνται οι εμπειρικές συναρτήσεις πυκνότητας πιθανότητας που προκύπτουν τόσο από τον εδαφικό θόρυβο όσο και από τα υπόλοιπα που προέκυψαν από την λεύκανση αυτού. Κατά το δεύτερο στάδιο προτείνεται στατιστικό τεστ τύπου κατωφλίωσης για την αυτόματη ανίχνευση μικροσεισμικών γεγονότων. Η προτεινόμενη τεχνική εφαρμόζεται σε συνθετικά και πραγματικά δεδομένα και συγκρίνεται με τον γνωστό αλγόριθμο του λόγου βραχυπρόθεσμου προς μακροπρόθεσμο μέσο (STA/LTA). Στο τέταρτο κεφάλαιο παρουσιάζεται μέθοδος για την επίλυση του προβλήματος του αυτόματου προσδιορισμό του χρόνου άφιξης της P φάσης κάνοντας χρήση στατιστικών ανώτερης τάξης. Συγκεκριμένα, γίνεται χρήση των ποσοτήτων της λοξότητας, της κύρτωσης και μίας εκτίμησης της αντιεντροπίας ως γραμμικός συνδυασμός των παραπάνω. Επιπλέον παρουσιάζονται τα αποτελέσματα από την εφαρμογή της συγκεκριμένης τεχνικής σε συνθετικά αλλά και πραγματικά δεδομένα μικροσεισμικού δικτύου, κατάλληλα για χρήση στην παθητική σεισμική τομογραφία υψηλής ευκρίνειας. Τα αποτελέσματα αυτά συγκρίνονται με γνωστές ενεργειακές μεθόδους. Στο πέμπτο κεφάλαιο, αναπτύσσεται νέα τεχνική για την επίλυση του προβλήματος της αυτόματης εκτίμησης του χρόνου άφιξης της S φάσης. Η προτεινόμενη τεχνική βασίζεται στην στατιστική επεξεργασία συγκεκριμένης χαρακτηριστικής συνάρτησης, η οποία προκύπτει από τις ιδιότητες πόλωσης των σεισμικών κυμάτων που έχουν καταγραφεί. Επιπλέον, για να ελαττωθεί η εξάρτηση του προτεινόμενου αλγορίθμου από το χρησιμοποιούμενο παράθυρο, ακολουθείται μια πολυ-παραθυρική προσέγγιση του προβλήματος σε συνδυασμό με χρήση συναρτήσεων βαρών οι οποίες εκτιμώνται αυτόματα και βασίζονται στις μεταβολές της ενέργειας του σήματος κατά τη S άφιξη. Τέλος, παρουσιάζονται τα αποτελέσματα της εφαρμογής της μεθόδου σε πραγματικά δεδομένα καθώς και η αξιολόγησή τους σε περιβάλλον θορύβου. Στο έκτο κεφάλαιο, παρουσιάζονται τα αποτελέσματα της εφαρμογής των προτεινόμενων τεχνικών σε δεδομένα μικροσεισμικού δικτύου και συγκεκριμένα σε δεδομένα που προέκυψαν από πειράματα παθητικής σεισμικής τομογραφίας και τεχνητής υδραυλικής διάρρηξης που έλαβαν χώρα στην περιοχή Δέλβινο της ΝΔ Αλβανίας. Επιπλέον, γίνεται ανάλυση των αποτελεσμάτων βάσεις των δεικτών αβεβαιότητας που επέλεξαν οι αναλυτές στις εκτιμήσεις τους, καθώς και βάσει των λόγων σήματος θορύβου των καταγραφών. Στο έβδομο κεφάλαιο παρατίθενται τα συμπεράσματα της παρούσας διδακτορικής διατριβής, καθώς και πιθανές μελλοντικές προεκτάσεις. / The problems of seismic event detection and P- and S-phase arrival time estimation constitute important and vital tasks for the geoscientists. The solution of the aforementioned problems provides with important geophysical and seismological information, that can be used in a number of problems such as the structure of the earth’s interior, geotectonic settings, hypocentric and epicentric coordinates of an earthquake, the seismicity of an area and seismic hazard assessment. Traditionally, human experts have carried out this task. Nevertheless, during the last three decades due to the progress in computer technology, several methods have been developed for the automatic seismic event detection and P- and S- phase identification. After the introduction of the first chapter, in the second chapter the majority of the existing methods that have been developed and applied up to now, are gathered and categorized. These methods involve energy criteria, the seismic wave polarity assumption, artificial neural networks, higher order statistics, maximum likelihood methods, fuzzy logic methods etc. In the third chapter, a new thresholding type technique is proposed, tailored to fit real world situations where our knowledge on the statistical characteristics of the background noise process are unknown and a strict hypothesis testing framework can not be followed. In such cases the replacement of the unknown probability density function under the null hypothesis by its empirical counterpart, constitutes a possibility. In this work, a two stage procedure is proposed. The first one concerns the estimation of the empirical functions of the noise process itself as well as its whitened counterpart. In the second stage, using the above empirical functions, a thresholding scheme is proposed in order to solve the problem of the detection of seismic events in a non strict hypothesis testing framework. The performance of the proposed technique is confirmed by its application in a series of experiments both in synthetic and real seismic datasets. In the fourth chapter, the problem of automatic P-phase identification is solved using higher order statistics. The first- and second-order statistics (such as mean value, variance, autocorrelation, and power spectrum) are extensively used in signal processing to describe linear and Gaussian processes. In practice, many processes deviate from linearity and Gaussianity. Higher order statistics can be used for the study of such processes. The P-phase arrival time is estimated using these HOS parameters and additionally, an estimation of the negentropy defined as a linear combination of skewness and kurtosis. According to the implemented algorithm a moving window “slides” on the recorded signal, estimating skewness, kurtosis, and negentropy. Skewness can be considered as a measure of symmetry of the distribution, while kurtosis is a measure of heaviness of the tails, so they are suitable for detecting parts of the signal that do not follow the amplitude distribution of ambient noise. Seismic events have higher amplitudes in comparison to the seismic noise, and these higher values occupy the tails of the distribution (high degree of asymmetry of distribution). In the case of seismic events, skewness and kurtosis obtain high values, presenting maxima in the transition from ambient noise to the seismic events (P-arrival). The proposed algorithms are applied on synthetic as well as real seismic data and compared to well known energy based methods. Algorithms that deal with the automatic S-onset time identification problem, is a topic of ongoing research. Modern dense seismic networks used for earthquake location, seismic tomography investigations, source studies, early warning etc., demand accurate automatic S-wave picking. Most of the techniques that have been proposed up to now are mainly based on the polarization features of the seismic waves. In the fifth chapter, a new time domain method for the automatic determination of the S-phase arrival onsets is proposed and its implementation on local earthquake data is presented. Eigevalue analysis is taking place over small time intervals, and the maximum eigenvalue which is obtained on each step is retained for further processing. In this way a time series of maximum eigenvalues is formed, which serves as a characteristic function. A first S-phase arrival time estimation is obtained by applying the kurtosis criterion on the derived characteristic function. Furthermore, a multi-window approach combined with an energy-based weighting scheme is also applied, in order to reduce the algorithm’s dependence on the moving window’s length and provide a weighted S phase onset. Automatic picks are compared against manual reference picks and moreover the proposed technique is subjected to a noise robustness test. In the sixth chapter, the results of the implementation of the proposed techniques on microseismic data are presented. Specifically, the proposed methods are applied on two real sets of data. One dataset was been recorded during a Passive Seismic Tomography (PST) experiment, while the second one during the seismic monitoring of fracking operations. Both experiments took place in a hydrocarbon field in Delvina, SW Albania. These results are also analyzed, based on the arrival times and their uncertainty as they were evaluated by human analysts as well as the corresponding signal to noise ratio of the seismic records. Finally, the seventh chapter concludes this work and possible future extensions are discussed.