Σκοπός της παρούσας εργασίας είναι η μελέτη μεθόδoυ υπολογισμού της συνδεσιμότητας περιοχών του εγκεφάλου κατά την διάρκεια μιας πραγματικής και μιας φανταστικής κίνησης του δακτύλου. Η μελέτη βασίζεται σε μετρήσεις (καταγραφές) ηλεκτροεγκεφαλογραφημάτων (ΗΕΓ). Η συνδεσιμότητα εκφράζεται ποσοτικά με το μέγεθος της συνάφειας (coherence) και μπορεί να δώσει απάντηση στο κατά πόσο τα σήματα του ηλεκτροεγκεφαλογραφήματος που παίρνουμε από τα δυο κανάλια σχετίζονται μεταξύ τους. Για να το πετύχουμε αυτό υλοποιήσαμε μια μη γραμμική υπολογιστική μέθοδο συγχρονισμού. Η μη γραμμική μέθοδος ανάλυσης και υπολογισμού της συνδεσιμότητας των εγκεφαλικών περιοχών που υλοποιήθηκε έγινε στο μαθηματικό χώρο της φάσης. Σε αυτό το χώρο το σήμα μου είναι ένα δυναμικό σύστημα. Η πληροφορία που περιέχεται σε αυτό ποσοτικοποιείται με μια μέθοδο που βασίζεται στην ανάλυση του συγχρονισμού φάσης (Phase Dynamics Modelling, PDM). Η ιδέα του συγχρονισμού φάσεων προσφέρει μία νέα προοπτική στην κατανόηση και ποσοτικοποίηση των δυναμικών αλληλεπιδράσεων μεταξύ συστημάτων συζευγμένων ταλαντωτών. Λαμβάνοντας υπόψη μας την μη γραμμική φύση των νευρικών βιοσημάτων, παρουσιάζουμε μια νέα προσέγγιση στην αναγνώριση της εγκεφαλικής δραστηριότητας και συσχέτισης κατά την διάρκεια πραγματικής και φανταστικής κίνησης του δείκτη των δακτύλων του χεριού. Χρησιμοποιούμε την τεχνική Empirical Mode Decomposition. Η τεχνική αυτή, η οποία είναι το βασικό αντικείμενο μελέτης της εργασίας ονομάζεται εμπειρικός τρόπος αποδόμησης του σήματος (empirical-mode-decomposition EMD) και χρησιμοποιείται για να κάνουμε αποσύνθεση των δεδομένων του ηλεκτροεγκεφαλογραφήματος (EEG) σε έναν αριθμό στοιχειωδών 3 ορθογώνιων συναρτήσεων (elementary – orthogonal modes) με καλά καθορισμένη χρονομεταβλητη συμπεριφορά.(IMFs). Πιθανό πλεονέκτημα αυτής της μεθόδου είναι οτι με τις παραδοσιακές η μη γραμμικότητα του συστήματος ίσως οδηγήσει σε απώλεια της ενέργειας σε υψηλή συχνότητα με αποτέλεσμα να έχουμε ψεύτικο συγχρονισμό. Είναι μια νέα τεχνική μέθοδος ανάλυσης σημάτων η οποία βασίζεται στον μετασχηματισμό Hilbert – Huang. Στην παρούσα εργασία δίνεται έμφαση στις ομοιότητες δομικής και λειτουργικής οργάνωσης των εγκεφαλικών διασυνδέσεων που πραγματοποιούνται κατά την διάρκεια πραγματικής και φανταστικής κίνησης Στο πείραμα που μελετάμε η ανάλυση συσχέτισης φάσης πραγματοποιείται στο κομμάτι (imf) που αντιστοιχεί στον βητα ρυθμό ( 4th component). H αναπαραγωγή των αποτελεσμάτων με την μέθοδο EMD στον βητα ρυθμό και στην συνέχεια η ανάλυση συγχρονισμόυ φάσης προάγει αυτή την μέθοδο ως: προσαρμοστική (adaptive)-εναλλακτική (alternative) μέθοδο αναγνώρισης πραγματικών συναρτήσεων που προέρχονται από ολόκληρο το σήμα , παρέχοντας έναν νέο τρόπο καθορισμού συγκεκριμένου εύρους ζώνης συχνοτήτων μέσα στην οποία έχουμε φαινομενα συσχέτισης[13]. Η συνέπεια των αποτελεσμάτων τα οποία προέρχονται από ποικίλες καταγραφές αποτελούν σαφή ένδειξη ότι η ανάλυση του συγχρονισμού φάσης μπορεί να χρησιμοποιηθεί σαν ένα επιπλέον κριτήριο για ένα σύστημα (E-HY) προκειμένου να κωδικοποιήσει την πρόθεση της κίνησης. / -

Αντικείμενο της παρούσας εργασίας είναι η επεξεργασία μεθόδων Ανάλυσης Ανεξάρτητων Κυρίαρχων Συνιστωσών (Independent Component Analysis) με εφαρμογή σε γεωηλεκτρικά και ηχητικά σήματα. Σκοπός αυτής της μεθόδου είναι η ανάκτηση των ανεξάρτητων κυρίαρχων συνιστωσών (δηλαδή τα σήματα των πηγών) από τα σήματα μίξης. Πραγματοποιήθηκαν εφαρμογές με τη μέθοδο ICA σε τρεις μορφές (πρότυπα, φωνής και γεωηλεκτρικά) σημάτων, καθώς και σε εικόνες, μέσω MATLAB. Η μέθοδος αυτή εκτελέστηκε με τη χρήση του αλγόριθμου FAST-ICA, ο οποίος δίνει τη δυνατότητα διαχωρισμού των πηγών από τα σήματα μίξης. Υπάρχουν δύο τρόποι εφαρμογής του αλγόριθμου FAST-ICA για τα σήματα, ο ένας είναι μέσω GUI και ονομάζεται FAST-ICA LAB και ο άλλος χρησιμοποιώντας τον κώδικα των αλγόριθμων FAST-ICA1 και ICA. Ακόμα πραγματοποιήθηκαν εφαρμογές σε εικόνες χρησιμοποιώντας επίσης τον αλγόριθμο FAST-ICA και η επεξεργασία εκτελέστηκε μέσω GUI που ονομάζεται ICA LAB. Γενικά, αυτή η μέθοδος μπορεί να χρησιμοποιηθεί σε διάφορα πεδία όπως: οπτική απεικόνιση νευρώνων, αναγνώριση προσώπου, πρόβλεψη των τιμών του χρηματιστηρίου, κινητές τηλεφωνικές επικοινωνίες, αναγνώριση χρώματος αντικειμένου, ηλεκτροεγκεφαλογράφημα, επεξεργασία φωνής, κ.τ.λ. / The main object of this work is the process of methods of Analysis of Independent Sovereign Components with application in geoelectric and sound signals. The purpose of this method is to recuperate the independent sovereign components (signals of sources) from the mixture signals. The applications have been realised by method ICA not only in three forms (models, voice and geoelectric) signals but also in pictures through MATLAB. This method has been executed by the use of algorithm FAST-ICA, which gives the possibility to compare the sources from the mixture signals. There are two ways we can apply the algorithm FAST-ICA for the signals, there is one through GUI and is named FAST-ICA LAB and there is also one other using the code of algorithms FAST-ICA1 and ICA. In addition, the applications were realised in pictures using the algorithm FAST-ICA and the process was executed through GUI that is called ICA LAB. All in all, this method can be used in different fields such as: optical representation neurons, pattern recognition and procession of sound.

- / -

- / -

- / -

- / -

- / -

- / -

Η παρούσα εργασία αποτελεί μια θεωρητική μελέτη των παραμέτρων που επηρεάζουν και συνιστούν ένα διαγνωστικό μηχάνημα επιληψίας. Η εργασία χωρίζεται σε δύο μέρη. Στο πρώτο μέρος και στο πρώτο κεφάλαιο επιχειρείται μια συνεκτική και απλουστευμένη παρουσίαση του πεδίου εφαρμογής του ηλεκτροεγκεφαλογραφήματος, του εγκεφάλου. Δίνεται επίσης μια εικόνα για τους μηχανισμούς της προέλευσης των σημάτων που καταγράφονται στο ΗΕΓ. Τέλος γίνεται αναφορά στη νόσο της επιληψίας και τους τύπους των κρίσεων που παρουσιάζονται. Στο δεύτερο κεφάλαιο γίνεται αναφορά στις μεθόδους που έχουν χρησιμοποιηθεί για την καταγραφή και την απεικόνιση των σημάτων του εγκεφάλου και ειδικότερα στο ΗΕΓ. Πιο συγκεκριμενα παρουσιάζεται ο μηχανισμός καταγραφής του ΗΕΓ καθώς και οι ρυθμοί της εγκεφαλικής δραστηριότητας που αποτυπόνωνται. Στο δεύτερο μέρος περιγράφονται τα εργαλεία που χρησιμοποιεί ένα διαγνωστικό μηχάνημα. Στο τρίτο κεφάλαιο δίνεται μετασχηματισμός wavelet που αποτελεί χρήσιμο εργαλείο στην ανάλυση των βιοσημάτων. Στο τέταρτο κεφάλαιο παρουσιάζεται η ανάλυση ανεξάρτητων συνιστωσών (ICA), απαραίτητη για το διαχωρισμό των καταγραφόμενων σημάτων και στο κεφάλαιο 5 περιγράφονται μερικές παράμετροι που εξάγονται από τα βιοσήματα και βοηθούν στην καλύτερη επεξεργασία τους. Στο κεφάλαιο 6 περιγράφονται κάποια χαρακτηριστικά των νευρωνικών δικτύων(βασικό τμήμα ενός διαγνωστικόυ μηχανήματος) καθώς και ο αλγόριθμος οπίσθιας διάδοσης σφάλματος που χρησιμεύει στην εκπαίδευση των νευρωνικών δικτύων. Τέλος στο έβδομο κεφάλαιο γίνεται μια τυπική εκπαίδευση νευρωνικού δικτύου με μονοκάναλα δεδομένα, μετά από κατάλληλη επεξεργασία. / -

- / -