Στην παρούσα εργασία μελετάται ο συχνοτικός διαχωρισμός ενός ηχητικού σήματος με χρήση τράπεζας φίλτρων MPEG 32 περιοχών με σκοπό τη τροφοδοσία μιας επίπεδης συστοιχίας 32 ακουστικών πηγών και τον υπολογισμό του σήματος εξόδου σε δοσμένη θέση στο χώρο. Στη συνέχεια υπολογίζονται οι παράμετροι απόδοσης NMR (Noise to Mask Ratio) και LSD (Log Spectral Distance) για τέσσερις μεθόδους σάρωσης (τροφοδοσίας) των ακουστικών πηγών της συστοιχίας. Αναπτύσσεται επίσης και παρουσιάζεται μια γραφική διεπιφάνεια χρήστη μέσω της οποίας υλοποιούνται οι προσομοιώσεις και απεικονίζονται τα αποτελέσματα. / The current project describes the frequency separation of a sound signal into frequency components by using a MPEG filter bank of 32 bands, in order to use these components as input values for a loudspeaker array composed by 32 loudspeakers and calculate the output in a given position in space. After the estimation of the output, two parameters of efficiency are being calculated, NMR (Noise to Mask Ratio) and LSD (Log Spectral Distance) for four different setups of the loudspeaker array. Finally, a graphical user interface is developed in order to perform the necessary simulations and present the results.

Η παρούσα εργασία μελετά την ευαισθησία σε διάφορες διαταραχές που μπορούν να εφαρμοστούν σε ένα ψηφιακό σύστημα δειγματοληπτικών δεδομένων σε σχέση με τη μεταβολή της περιόδου δειγματοληψίας κάθε φορά. Οι συγκρίσεις και τα αποτελέσματα γίνονται με τη χρήση συγκεκριμένων παραδειγμάτων. / This thesis studies the sensitivity of various disorders that can be applied to a digital sample data in relation to the change in the sampling period at a time. The results and comparisons made using specific examples.

Η εξέλιξη των ενσωματωμένων συστημάτων οδήγησε στη δημιουργία μικροϋπολογιστών συστημάτων χαμηλού κόστους τα οποία είναι ικανά να καταγράφουν, αποθηκεύουν και να επεξεργάζονται αναπνευστικά σήματα εντοπίζοντας έτσι ανωμαλίες της αναπνευστικής δραστηριότητας κατά τη διάρκεια του ύπνου. Τα αποτελέσματα αυτής της δραστηριότητας οδηγούν στην συστηματικότερη παρακολούθηση ασθενών με αναπνευστική ανεπάρκεια και βοηθούν στη διάγνωση και πρόληψη τέτοιων αρρυθμιών εν τη γενέσει τους όσον αφορά σε εν δυνάμει ασθενείς. Στα πλαίσια λοιπόν αυτής της εργασίας παρουσιάζεται ένα τέτοιο ενσωματωμένο σύστημα χαμηλού κόστους το οποίο καταγράφει, αποθηκεύει και επεξεργάζεται αναπνευστικά σήματα που έχουν ληφθεί κατά τη διάρκεια ανθρώπινου ύπνου. Στα κεφάλαια που ακολουθούν αναλύεται η δομή, οι επιμέρους συνιστώσες του συστήματος καθώς και μέθοδοι επεξεργασίας του σήματος. Αρχικά λοιπόν ορίζεται το ιατρικό και θεωρητικό υπόβαθρο πάνω στο οποίο στηρίζονται οι ισχυρισμοί και μέθοδοι που ακολουθούνται. Εν συνεχεία, γίνεται εισαγωγή στους στοιχειώδεις ορισμούς όπως αυτοί του μικροελεγκτή και ενσωματωμένου συστήματος και γίνεται μια πρώτη αναφορά στο μικροελεγκτή ADuC 7020 της Analog Devices που χρησιμοποιήσαμε και στα περιφερειακά αυτού. Επίσης γίνεται και ανάλυση των στοιχειωδών χαρακτηριστικών του περιβάλλοντος μVision της Keil που μας επιτρέπουν να κάνουμε προσομοιώσεις με μηδενικό υλικό στη διάθεσή μας. Σε επόμενο κεφάλαιο γίνεται αναλυτική επεξήγηση του μικροελεγκτή μας και δίνονται επιπλέον ενδεικτικά παραδείγματα με τα οποία γίνονται κατανοητές βασικές δυνατότητες που προσφέρει αυτός και στις οποίες θα στηριχθούμε για να δομήσουμε το δικό μας πρόγραμμα. Σημειώνουμε εδώ πως ο προγραμματισμός του μικροελεγκτή και των περιφερειακών του έγινε σε γλώσσα προγραμματισμού C. Τέλος παραθέτουμε αναλυτικά τον κώδικα της εφαρμογής μας και καταλήγουμε σε αποτελέσματα και συμπεράσματα. / The development of embedded system has led to the creation of low cost microcomputer systems that are capable of recording, storing and processing respiratory signals thus giving the opportunity to identify respiratory abnormalities during sleep time. Results of such activities result in more intensive monitoring of patients with respiratory insuffiency and help other potential patients to diagnose the abnormalities and prevent them. Within this thesis, we present such a low cost embedded system that records, stores and processes the respiratory signal of snores obtained during human sleep. In the following chapters we analyze the structure, each component of the system and the methods being implemented. Initially we define the medical and theoretical background on which we are based to build in our program and apply our methods. Moreover, we give the basic definitions such as the microcontroller’s and the embedded system’s, and we make the first presentation of the microcontroller ADuC 7020 of Analog Devices and its peripherals that will be used for implementation. We also present the μVision the Keil environment which enables us to emulate the microcontroller having at our disposal zero hardware. Later we will give a detailed explanation of this microcontroller and some basic examples of its programming possibilities are presented that will help us the application. The programming of the microcontroller and its peripherals was done in C programming language. Finally the programming of the microcontroller is given and explained in detail and we conclude with the results.

Στην εργασία αυτή πραγματοποιείται μελέτη και εφαρμογή της μεθόδου ανάλυσης ανεξάρτητων συνιστωσών. Αφού παρουσιαστούν οι τεχνικές της μεθόδου και τα μαθηματικά μοντέλα που χρησιμοποιεί εξετάζεται η εξαγωγή ερμηνεύσιμων σημάτων που αντιστοιχούν στον καρδιακό ρυθμό και την αναπνοή. Ο κύριος αλγόριθμος που χρησιμοποιείται για το διαχωρισμό των σημάτων είναι ο FastICA. / -

Στην παρούσα διπλωματική εργασία γίνεται μελέτη της μεθόδου ανάλυσης ανεξάρτητων συνιστωσών στο ηλεκτροοεγκεφαλογράφημα. Αφού εξετάσουμε το κομμάτι της φυσιολογίας του εγκεφάλου θα δοθεί ένα μαθηματικό υπόβαθρο της ανάλυσης ανεξάρτητων συνιστωσών. Στη συνέχεια θα γίνει μια βιβλιογραφική έρευνα στη σύγκριση αλγορίθμων της ανάλυσης ανεξάρτητων συνιστωσών όταν εφαρμόζονται σε ηλεκτροεγκεφαλογραφήματα με στόχο την βέλτιστη εξαγωγή παρασίτων. Στο τέλος θα γίνει εφαρμογή της μεθόδου της ανάλυσης ανεξάρτητων συνιστωσών σε πραγματικά δεδομένα ηλεκτροεγκεφαλογραφήματος 64 καναλιών μέσω του περιβάλλοντος του Matlab. Στόχος της εφαρμογής αυτής είναι ο διαχωρισμός των ανεξάρτητων συνιστωσών μη-εγκεφαλικής προέλευσης και η αφαίρεση τους από τα αρχικά δεδομένα. / This thesis is a study of the independent componenet analysis in electroencephalogram. After looking at the piece of brain physiology we will give a mathematical framework of independent component analysis. Then it will become a literature search in the comparison algorithms of Independent Component Analysis in EEGs when applied with a view to optimal extraction of artifacts. At the end will be the method of independent component analysis to real EEG data 64 channels through the environment of Matlab. The aim of this application is the separation of independent components of non brain activity and removing them from the original data.

Στα πλαίσια αυτής της εργασίας παρουσιάζεται ένα ενσωματωμένο σύστημα χαμηλού κόστους το οποίο καταγράφει, αποθηκεύει και επεξεργάζεται αναπνευστικό σήμα που έχει ληφθεί κατά τη διάρκεια ανθρώπινου ύπνου. Στα κεφάλαια που ακολουθούν αναλύεται η δομή ,οι επιμέρους συνιστώσες του συστήματος καθώς και μέθοδοι επεξεργασίας του σήματος. Αρχικά λοιπόν ορίζεται το ιατρικό και θεωρητικό υπόβαθρο πάνω στο οποίο στηρίζονται οι ισχυρισμοί και μέθοδοι που ακολουθούνται. Εν συνεχεία, γίνεται εισαγωγή στους στοιχειώδεις ορισμούς όπως αυτοί του μικροελεγκτή και ενσωματωμένου συστήματος και γίνεται μια πρώτη αναφορά στο μικροελεγκτή ADuC 7026 της Analog Devices που χρησιμοποιήσαμε και στα περιφερειακά αυτού. Επίσης γίνεται και ανάλυση των στοιχειωδών χαρακτηριστικών του περιβάλλοντος μVision της Keil που μας επιτρέπουν να κάνουμε προσομοιώσεις με μηδενικό υλικό στη διάθεσή μας. Στο επόμενο κεφάλαιο γίνεται αναλυτική επεξήγηση του μικροελεγκτή μας και δίνονται επιπλέον ενδεικτικά παραδείγματα με τα οποία γίνεται κατανοητές βασικές δυνατότητες που προσφέρει αυτός και στις οποίες θα στηριχθούμε για να δομήσουμε το δικό μας πρόγραμμα. Σημειώνουμε εδώ πως ο προγραμματισμός του μικροελεγκτή και των περιφερειακών του έγινε σε γλώσσα προγραμματισμού C. Στο τέταρτο κεφάλαιο επεξηγούμε τον αλγόριθμο που χρησιμοποιήσαμε για την επεξεργασία του σήματος και τους λόγους επιλογής του. Έπειτα παραθέτουμε αναλυτικά τον κώδικα της εφαρμογής μας και τέλος καταλήγουμε σε αποτελέσματα και συμπεράσματα. / Within this thesis, we present a low cost embedded system that records, stores and processes the respiratory signal of snores obtained during human sleep. In the following chapters we analyze the structure, each component of the system and the methods being implemented. Initially we define the medical and theoretical background on which we are based to build in our program and apply our methods. Moreover, we give the basic definitions such as the microcontroller's and the embedded system’s, and we make the first presentation of The next the microcontroller ADuC 7026 of Analog Devices and its peripherals that will be used for implementation. We also present the μVision Keil environment which enables us to emulate the microcontroller having at our disposal zero hardware. The next section gives a detailed explanation of this microcontroller and some basic examples of its programming possibilities are presented that will help us with the application. The programming of the microcontroller and its peripherals was done in C programming language. In the fourth chapter we explain the algorithm that will be used for the signal processing and the reasons for its selection. Afterwards the programming of the microcontroller is given and explained in detail and finally we conclude with the results.

Η λειτουργία του εγκεφάλου βασίζεται στο σύνολο της ηλεκτροχημικής δραστηριότητας των νευρώνων, που αποτελούν το δομικό λίθο του νευρικού συστήματος. Η καταγραφή των βιολογικών σημάτων, ή βιοσημάτων, τα οποία προκύπτουν από την ηλεκτρική δραστηριότητα των νευρώνων του εγκεφάλου, αποτελούν το αντικείμενο της Ηλεκτροεγκεφαλογραφίας, η οποία είναι μια μη επεμβατική μέθοδος καταγραφής του παραγόμενου, από τον εγκέφαλο, ηλεκτρικού πεδίου. Η πρώτη επιτυχημένη καταγραφή βιοδυναμικών του ανθρώπινου εγκεφάλου αποδίδεται στο Γερμανό φυσιολόγο Hans Berger, ο οποίος στα τέλη της δεκαετίας του 1930, πραγματοποίησε για πρώτη φορά τη μέτρηση διαφορών δυναμικού από την επιφάνεια του κεφαλιού. Σήμερα, το Ηλεκτροεγκεφαλογράφημα (ΗΕΓ) αποτελεί μια ευρέως διαδεδομένη τεχνική κλινικής εξέτασης που χρησιμοποιείται με κύριο σκοπό τη διάγνωση. Στην παρούσα εργασία περιγράφεται η λειτουργία του νευρικού συστήματος, ενώ παρατίθενται στοιχεία ανατομίας του εγκεφάλου. Ακόμα, αναλύεται η φύση και τα χαρακτηριστικά των βιοσημάτων, που λαμβάνονται από την εξωτερική δερματική επιφάνεια του κεφαλιού, ενώ παρουσιάζονται οι βασικές αρχές της Ηλεκτροεγκεφαλογραφίας, ο τρόπος καταγραφής και τα κυριότερα χαρακτηριστικά του σήματος του ΗΕΓ. Εν συνεχεία, περιγράφεται η καταγραφή Ηλεκτροεγκεφαλογραφήματος, που έγινε με τη χρήση του συστήματος MP150 της Biopac. Ο MP150, σε συνδυασμό με το γραφικό περιβάλλον του Acqknowledge 3.8.2 αποτελεί ένα πλήρες σύγχρονο σύστημα καταγραφής πολλών ειδών βιοδυναμικών από διαφορετικές περιοχές του ανθρώπινου σώματος. Αξιοποιώντας τις δυνατότητες του συστήματος αυτού, καταφέραμε να καταγράψουμε και να παρατηρήσουμε τη ρυθμική δραστηριότητα του εγκεφάλου. Επίσης, γίνεται αναφορά στα σημαντικότερα πακέτα εργαλείων του Matlab, που έχουν σαν αντικείμενο την ανάλυση του Ηλεκτροεγκεφαλογραφήματος, ενώ επιχειρείται η περαιτέρω επεξεργασία του σήματος που καταγράφηκε, με τη χρήση ενός από αυτά (eeglab). Επιπλέον, στην εργασία αυτή παρουσιάζονται τα κυριότερα χαρακτηριστικά κάποιων από τις σημαντικότερες μεθόδους ανάλυσης του σήματος που προκύπτει από το ηλεκτροεγκεφαλογράφημα, ενώ παράλληλα γίνεται μια προσπάθεια σύγκρισης των δυνατοτήτων τους, με σκοπό την εξαγωγή χρήσιμων συμπερασμάτων που μπορούν να αξιοποιηθούν σε επόμενες μελέτες. / The entire function of the human brain is based on the electrochemical activity of the neurons, which form the whole nervous system. The recording of the biological signals resulting from the electrical activity of the brain forms the content of Electroencephalography, which is a non invasive method of recording the electric field produced in the human brain. The first successful recording of human brain’s biodynamics was made by German physiologist Hans Berger, who was the first to measure the electrical potential difference on the human head. Nowadays, Electroencephalography (EEG) is a very common clinical examination technique, which is used for the purpose of diagnosis. One of the objects of the present thesis is the description of the nervous system function, while there are some basic elements of the human brain’s anatomy. There is a brief analysis of the nature and features of the biological signals produced by the brain, as well as a presentation of the basic principles of the Electroencephalography. In addition, there is a description of the recording of the EEG signal, which was made with the use of Biopac MP150 system. MP150 and its graphic interface Acqknowledge 3.8.2 form a complete modern data acquisition system, which offers the possibility to record biodynamics from different parts of the human body. Making use of the Biopac system, we were able to record and analyze the brain rhythmic activity. Moreover, the most common Matlab toolboxes that are used for EEG signal processing are presented, while a further analysis of our EEG signal was attempted through eeglab. Furthermore, in the present thesis, the basic features of some of the most important methods of EEG signal analysis are presented. This quite extended presentation is made in order to be used as information for future study and research on EEG signal analysis. Key words: nervous system, biological signals, Electroencephalography, MP150, Acqknowledge, Matlab toolboxes, eeglab, signal analysis

Στην παρούσα διπλωματική εργασία επιχειρείται η ανάλυση και η εκτίμηση της συχνότητας απλών ημιτονοειδών σημάτων υπό την παρουσία λευκού Γκαουσιανού θορύβου (AWGN).Η εκτίμηση παραμέτρων απλών ημιτονοειδών σημάτων υπό την παρουσία προσθετικού Γκαουσιανού θορύβου αποτελεί ένα κλασσικό πρόβλημα και σημαντικό αντικείμενο μελέτης εξαιτίας της πληθώρας των εφαρμογών που έχει στην θεωρία ελέγχου, στην επεξεργασία σημάτων, στις ψηφιακές επικοινωνίες, στην βιοϊατρική τεχνολογία κ.α.Η εκτίμηση της συχνότητας είναι συνήθως το θέμα ‘ζωτικής σημασίας’ του προβλήματος για δύο σημαντικούς λόγους. Αφ’ενός οι συχνότητες πρέπει να εκτιμηθούν διότι αποτελούν μη-γραμμικές συναρτήσεις στην ληφθείσα ακολουθία δεδομένων και αφ’ ετέρου έχοντας καθοριστεί οι συχνότητες, οι υπόλοιπες παράμετροι του σήματος όπως είναι το πλάτος και η φάση του, μπορούν να υπολογιστούν άμεσα. Αρχικά γίνεται μία σύντομη εισαγωγή στις βασικές έννοιες πάνω στις οποίες δομείται η εκτίμηση παραμέτρων ενός ημιτονοειδούς σήματος και έπειτα παρουσιάζονται μερικοί αλγόριθμοι εκτίμησης. Πιο συγκεκριμένα παρουσιάζεται η διαδικασία κατασκευής τους και αναλύονται οι επιδόσεις τους. Τέλος παραθέτουμε και προσομοιώσεις μέσω υπολογιστή για κάθε αλγόριθμο ξεχωριστά και συγκρίνουμε την επίδοση του καθενός με τους υπόλοιπους. Από την σύγκριση αυτή γίνεται εξαγωγή χρήσιμων συμπερασμάτων σχετικά με τον προσδιορισμό των παραμέτρων κάθε αλγόριθμου αλλά και με την καταλληλότητα κάθε αλγόριθμου για συγκεκριμένες συνθήκες θορύβου. / In this thesis attempts to analyze and estimate the frequency of single sinusoid signals in Additive White Gaussian Noise (AWGN). Parameter estimation of sinusoids has been a classical problem and it is still an important research topic because of its numerous applications in multiple disciplines such as control theory, signal processing, digital communications, biomedical engineering etc. Estimation of the frequencies is often the crucial step in the problem for two principally reasons. Firstly, frequencies should be estimated because they are nonlinear functions in the received data sequence and secondly, once frequencies have been determined, the remaining parameters, such as amplitude and phase, can then be computed straightforwardly. Primarily we introduce some basic concepts on parameters estimation of sinusoid signals and then several estimation algorithms. More specifically shows the fabrication process of these algorithms and analyze their performance. Finally, we quote computer simulations for each algorithm separately and compare their performance. From these comparisons we can draw conclusions on the determination of parameters for each algorithm and the appropriateness of algorithms for specific noise conditions.

Η διπλωματική εργασία με τίτλο «Μέθοδοι για Ανίχνευση και Χαρακτηρισμό Βιοσημάτων σε Θορυβώδεις Χρονοσειρές βασισμένοι στο Μετασχηματισμό Hilbert-Huang» μελετάει ζητήματα που σχετίζονται με βιοϊατρικά σήματα και την ανάλυση τους. Γίνεται διερεύνηση των διαθέσιμων τεχνικών και μεθόδων ανάλυσης βιοϊατρικών σημάτων, επισημαίνονται τα ιδιαίτερα χαρακτηριστικά των χρονοσειρών που προκύπτουν από την παρατήρηση και καταγραφή των σημάτων και έμφαση δίνεται στη μη στασιμότητα, την μη γραμμικότητα των υποκείμενων φυσικών διεργασιών και την ανάγκη προσαρμοστικότητας της μεθόδου. Μια μέθοδος που ικανοποιεί αυτές τις απαιτήσεις είναι η εμπειρική μέθοδος αποσύνθεσης η οποία αναλύει ένα σήμα σε ένα σύνολο συνιστωσών (IMFs) από τις οποίες ένα υποσύνολο θεωρείται ότι έχει φυσική σημασία. Επιπλέον, με το μετασχηματισμό Hilbert ανιχνεύονται οι στιγμιαίες συχνότητες και διαμορφώνεται η χρονοσυχνοτική κατανομή του σήματος. Τα θέματα που διερευνώνται αναφορικά με την εμπειρική μέθοδο αποσύνθεσης αφορούν τη στατιστική σημαντικότητα των IMFs, την αποθορυβοποίηση βιοϊατρικών σημάτων, την εξαγωγή χαρακτηριστικών από ηλεκτροκαρδιογράφημα και την απόδοση της μεθόδου. Ειδικά η απόδοση της εμπειρικής μεθόδου αποσύνθεσης είναι κρίσιμη παράμετρος για συστήματα με περιορισμένους πόρους όπως είναι οι κόμβοι ασύρματων δικτύων αισθητήρων ή τα ενσωματωμένα συστήματα. Η μοντελοποίηση μεθόδων που υλοποιούνται στο επίπεδο κόμβων ασύρματου δικτύου αισθητήρων είναι απαραίτητη για τη βέλτιστη διαχείριση πόρων και τον προγραμματισμό διεργασιών ώστε να μην διαταραχθεί η λειτουργία και λειτουργικότητα του συστήματος / This diploma thesis entitled "Methods for Identification and Characterization of Biosignals in Noise corrupted Time Series based on Hilbert-Huang Transform " studies issues concerning biomedical signal analysis. There is a review of the available techniques and methods for biomedical signal analysis pointing at certain characteristics of biomedical time series such as non stationarity, the non linearity of the underlying physical process and the need for the adaptive nature of the analysis method. One method that meets these requirements is considered to be the Empirical Mode Decomposition (EMD) which decomposes a signal into a set of components (IMFs) that a subset of them is believed to have a physical meaning. Application of Hilbert Transform on these IMFs provides the instantaneous frequencies and forms the time-frequency distribution of the signal. Issues studied are related to the statistical significance of the IMFs, denoising of biomedical signals, characteristics extraction and feature selection out of the electrocardiogram as well as the performance of the method. Particularly, the performance of empirical mode decomposition is considered to be a critical parameter especially in the case of implementation on nodes of wireless sensor networks or generally embedded systems due to the limited amount of resources available onboard. Modeling method's performance and demand for resources is a significant task facilitating the optimum resource management and task execution schedule of these systems.

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.