- / -

Οι μικροσυστοιχίες συμπληρωματικού DNA (cDNA) αποτελούν αποδοτικά και αποτελεσματικά μέσα για την ταυτόχρονη ανάλυση της λειτουργίας δεκάδων χιλιάδων γονιδίων. Μια τυπική cDNA εικόνα μικροσυστοιχιών αποτελεί μια συλλογή πράσινων και κόκκινων κηλίδων (spots) που περιέχουν DNA. Κάθε κηλίδα καταλαμβάνει ένα μικρό τμήμα της εικόνας, με τη μέση τιμή της έντασης της κηλίδας να είναι στενά συνδεδεμένη με το επίπεδο έκφρασης του αντίστοιχου γονιδου. Η κύρια διαδικασία υπολογισμού της έντασης περιλαμβάνει τρία στάδια: Διευθυνσιοδότηση ή κατασκευή πλέγματος (gridding), κατάτμηση (Segmentation) και τέλος η διαδικασία εξαγωγής έντασης. Στη παρούσα εργασία, η διευθυνσιοδότηση πραγματοποιήθηκε χρησιμοποιώντας μια αυτόματη τεχνική κατασκευής πλέγματος στηριζόμενη στον συνεχή μετασχηματισμό κυματιδίων (CWT). Ποιο συγκεκριμένα,, υπολογίστηκαν τα προφίλ του χ και y άξονα της εικόνας. Δεύτερον, εφαρμόστηκε, σε κάθε προφίλ, ο CWT μετασχηματισμός εώς το 15 επίπεδο, χρησιμοποιώντας daubechies 4 (db4) ως μητρικό κυματίδιο. Τρίτον, υπολογίστηκε το άθροισμα των 15 επιπέδων για κάθε ένα από τα δύο σήματα x και y. Τέταρτον, εφαρμόστηκε στα δύο νέα σήματα τεχνική καταστολής θορύβου με χρήση μετασχηματισμού Wavelet. Τελικά, το κέντρο και όρια της κάθε κηλίδας καθορίστηκαν μέσω του υπολογισμού των τοπικών ελαχίστων και μέγιστων του κάθε σήματος. Για την κατάτμηση της εικόνας, μια νέα μέθοδος προτάθηκε, η οποία διακρίνεται σε τρία βασικά βήματα: Πρώτον, ο à trous μετασχηματισμός κυματιδίων (AWT) εφαρμόστηκε έως το δεύτερο επίπεδο στην αρχική εικόνα. Δεύτερον, στις λεπτομέρειες (details coefficients) του κάθε επιπέδου εφαρμόστηκε φίλτρο καταστολής θορύβου, προκειμένου να υποβαθμιστεί ο θόρυβος. Τρίτον, η αρχική εικόνα μαζί με τις προσεγγίσεις (approximations) και τις λεπτομέρειες (details) του κάθε επιπέδου εφαρμόστηκαν σε ένα συλλογικό σχήμα (ensemble scheme) στηριζόμενο στο MRF μοντέλο κατάτμησης. Ως τελεστές του σχήματος χρησιμοποιήθηκαν οι: Majority Vote , Min, Product και Probabilistic Product. Η αξιολόγηση των προτεινόμενων αλγορίθμων πραγματοποιήθηκε με τη χρήση υψηλής ποιότητας εικόνας προσομοίωσης αποτελούμενη από 1040 κηλίδες (spots) με ρεαλιστικά μορφολογικά χαρακτηριστικά, η οποία δημιουργήθηκε σύμφωνα με το μοντέλο προσημείωσης μικροσυστοιχιών του Matlab καθώς και 14 πραγματικές εικόνες, επτά 16-bit grayscale TIFF εικόνες από κάθε κανάλι (κόκκινο και πράσινο), οι οποίες αποκτήθηκαν από την ευρέως διαδεδομένη βάση δεδομένων DERICI. Επιπλέον, προκειμένου να παρατηρηθεί η συμπεριφορά των αλγορίθμων στη παρουσία θορύβου, η απομιμούμενη εικόνα υποβαθμίστηκε με τη προσθήκη λευκού Gaussian θορύβου. Η ακρίβεια της ακολουθούμενης διαδικασίας κατάτμησης, στη περίπτωση της εικόνας προσομοίωσης, προσδιορίστηκε μέσω του segmentation matching factor (SMF), probability of error (PE) και coefficient of determination (CD) με σεβασμό στη πραγματική κλάση στην οποία ανήκουν (φόντο-υπόβαθρο). Στη περίπτωση των πραγματικών εικόνων η αξιοπιστία των αλγορίθμων προσδιορίστηκε έμμεσα μετρώντας την ένταση κάθε κηλίδας, μέσω του Mean Absolute Error (MAE). Το σύνολο των αλγορίθμων, εφαρμοσμένο στην απομιμούμενη εικόνα, κατάφερε να οδηγήσει σε καλύτερο προσδιορισμό των κηλίδων σε σχέση με το απλό MRF μοντέλο κατάτμησης. Επιπλέον, ο τελεστής Majority Vote επέτυχε το υψηλότερο ποσοστό σε όλες τις περιπτώσεις, ειδικά σε κελία (cells) με υψηλή παρουσία θορύβου (SMF: 82.69%, PE: 6.60% and CV:0.809 ), ενώ το απλό μοντέλο περιορίστηκε στο χαμηλότερο ποσοστό (SMF:94.87%-82.69%, PE:3.03%-9.85%, CV:0.961-0.729). Στη περίπτωση των πραγματικών εικόνων ο min τελεστής επέτυχε το χαμηλότερο ποσοστό (MAE: 803.96 and Normalized MAE: 0.0738), σε αντίθεση με τον τελεστή Majority Vote, ο οποίος κατάφερε να επιτύχει το υψηλότερο ποσοστό ανάμεσα στους χρησιμοποιούμενους τελεστές (MAE 990.49 and Normalized MAE 0.0738).Επιπλέον όλοι οι προτεινόμενοι αλγόριθμοι κατάφεραν να μειώσουν τη μέση τιμή MAE σε σχέση με το απλό μοντέλο MRF (MAE 1183.50 and Normalized MAE 0,0859). / Complementary DNA microarrays are a powerful and efficient tool that uses genome sequence information to analyze the structure and function of tens of thousands of genes simultaneously. A typical cDNA microarray image is a collection of green and red discrete spots containing DNA. Each spot occupies a small fraction on the image and its mean fluorescence intensity is closely related to the expression level of the genes. The main process for measuring spot intensity values involves three tasks: gridding, segmentation and data extraction. In the present study, spot location was accomplished by using an automatic gridding method based on continues wavelet transform (CWT): Firstly, line-profiles for x and y axes were calculated. Secondly, the CWT was applied up to 15 scales to both profiles by using daubechies 4 (db4) as mother wavelet. Thirdly, a summation point by point of the signals of all the 15 scales was calculated. Fourthly, a hard-thresholding wavelet based technique was applied to each signal. Finally, spots centers and boundaries were defined by calculating the local maxima and the local minima on both signals. The proposed segmentation method is divided into three major steps: Firstly, à trous wavelet transform was applied up to second scale on the initial cell. Secondly, on the details coefficients, a hard threshold filter was carried out in order to suppress the noise. Finally, the initial image among the approximations and details of each scale were implemented in an ensemble scheme based on MRF model. As operators of the ensemble scheme were chosen: Majority Vote, Min, Product and Probabilistic Product. The validation of the proposed algorithms was accomplished by a high quality simulated microarray image of 1040 cells with realistic morphological characteristics generated by using the Matlab microarray simulation model and fourteen real cDNA microarray images, seven 16-bit grayscale TIFF images of both channels (green and red), collected from the DERICI public database. In order to investigate the performance of the algorithms in presence of noise, the simulated image was corrupted with additive white Gaussian noise. In the case of simulated image, the segmentation accuracy was evaluated by means of segmentation matching factor, probability of error and coefficient of determination in respect to the pixel actual classess (foreground-background pixels). In the case of real images the evaluation was based on Mean Absolute error (MAE), in order to measure indirectly their reliability. According to our results in simulated cells, the proposed ensemble schemes managed to lead to more accurate spot determination in comparison to conventional MRF model. Additionally, the majority vote operator managed to accomplish the highest score in all cases, especially on cells with high noise (SMF: 82.69%, PE: 6.60% and CV:0.809), while the conventional MRF managed to gather the lowest score in all cases (SMF:94.87%-82.69%, PE:3.03%-9.85%, CV:0.961-0.729). In the case of real images, the min operator achieved the lowest score (MAE: 803.96 and Normalized MAE: 0.0738) in contrast to majority vote, which reached the highest score among the proposed evaluating methods (MAE 990.49 and Normalized MAE 0.0738). Additionally, all the proposed algorithms managed to suppress MAE value compared to the conventional MRF segmentation model (MAE 1183.50 and Normalized MAE 0,0859).

Στην παρούσα μεταπτυχιακή διπλωματική εργασία η κυματιδιακή ανάλυση (wavelet analysis) εφαρμόζεται σε ηλεκτροεγκεφαλικές καταγραφές μαρτύρων με επιληψία με σκοπό τη μελέτη των δυναμικών αλλαγών της ηλεκτρικής δραστηριότητας στο πεδίο του χρόνου και της συχνότητας. Συγκεκριμένα, χρησιμοποιείται ο Διακριτός Μετασχηματισμός Κυματιδίου (ΔΜΚ) το συγκριτικό πλεονέκτημα του οποίου συνίσταται στην ικανότητά του να επεξεργάζεται μη στάσιμα σήματα, όπως αυτά των ηλεκτροεγκεφαλικών καταγραφών, με βέλτιστη διακριτική ικανότητα στο πεδίο συχνότητας-χρόνου. Ο ΔΜΚ ενός σήματος αποτελεί τη δισδιάστατη αναπαράστασή του (χρόνος-συχνότητα), πάνω στην οποία μπορεί να βασιστεί ο υπολογισμός ποσοτικών δεικτών δυναμικών αλλαγών. Για το σκοπό αυτό χρησιμοποιήθηκαν δυο διαφορετικές προσεγγίσεις: α) ο καθορισμός του χρόνου και η διερεύνηση του συχνοτικού περιεχομένου οδήγησε στον προσδιορισμό μεγεθών εντροπίας και στατιστικής πολυπλοκότητας χαρακτηρίζοντας σφαιρικά το σήμα και β) ο καθορισμός του συχνοτικού περιεχομένου και, ξεχωριστά για κάθε εύρος συχνοτήτων, η διερεύνηση στο χρόνο επέτρεψε τον υπολογισμό ενός στατιστικού μεγέθους απόστασης, της απόκλισης κατά Jensen-Shannon (JSD) χαρακτηρίζοντας τοπικά το σήμα. Η αντιπαραβολή των αποτελεσμάτων αποκαλύπτει μείωση της εντροπίας με σύγχρονη αύξηση της πολυπλοκότητας συνηγορώντας υπέρ μιας κατάστασης υψηλής τάξης και οργάνωσης κατά τη διάρκεια της επιληπτικής κρίσης. Επιπλέον, το μέτρο απόστασης JSD αναδεικνύει μορφολογικές διαφοροποιήσεις, χαρακτηριστικές των διαφόρων σταδίων της κρίσης για τους φυσιολογικούς ρυθμούς του εγκεφάλου δ, θ, α, β και γ. / In this project wavelet analysis is applied to EEG signals of epileptic subjects for the estimation of dynamical changes of the electrical activity in time and frequency. To this end, the discrete wavelet transform (DWT) was used. The DWT of 1D-signal provides a 2D- representation (time-frequency plane), which can be used to define useful quantifiers for characterization of dynamical changes. In particular, two different approaches were used: a) fixing the time and scanning the plane on the frequency-coordinate. Wavelet coefficients at all considered frequency bands were used for definition of entropy and statistical complexity quantifiers. They provide a global description of the signal dynamical changes taken into account the interrelation of all the frequency bands contained in the signal and b) fixing the frequency and scanning in the time-coordinates. Wavelet coefficients corresponding to a given time interval were used to define the Jensen-Shannon divergence JSD, a statistical distance measure. They, in turn, provide a local description of the frequency band dynamical changes. In the first case, the decrease of entropy in association to the increase of complexity during seizure reflected the presence of brain states that are characterized by both order and maximal complexity during the epileptic seizures. Furthermore, the study of JSD in each frequency band separately revealed morphological and dynamical changes (brain rhythms δ, θ, α, β and γ) that can be matched to time instants typical of the transitions between the different stages of the epileptic seizure.

Στόχος της παρούσας διπλωματικής εργασίας είναι η μελέτη του σχήματος ανόρθωσης (lifting) που πρότεινε ο Sweldens για την αναπαράσταση διακριτών μετασχηματισμών κυματιδίων και ειδικότερα η παρουσίαση του μαθηματικού υπόβαθρου της μεθόδου που χρησιμοποιεί γινόμενα πινάκων με συντελεστές πολυώνυμα Laurent. Ο μετασχηματισμός κυματιδίου προσφέρει μια διαφορετική προσέγγιση στο πρόβλημα της αποδόμησης ενός διακριτού σήματος στο επίπεδο χρόνου-συχνότητας, καθώς είναι βασισμένος στην πολυεπίπεδη τεχνική πολλαπλής ανάλυσης σήματος, γι’ αυτό και αποτελεί ένα ιδιαίτερα εύχρηστο και εύκολα προσαρμόσιμο εργαλείο σε πολλές εφαρμογές. Παρουσιάζουμε ένα παράδειγμα ενός διακριτού σήματος στο οποίο εφαρμόζουμε τεχνικές πρόβλεψης και διόρθωσης των συστατικών του, κάνοντας μια πολυεπίπεδη ανάλυση που ονομάζεται ανάλυση πολλαπλής ευκρίνειας. Στα διάφορα στάδια αυτής της ανάλυσης ακολουθείται η μέθοδος ανόρθωσης (lifting) που αποτελείται από μια σειρά βημάτων πρόβλεψης και διόρθωσης των συστατικών του διακριτού σήματος. Με τη χρήση αυτής της μεθόδου μπορούμε να αναλύσουμε όλους τους μετασχηματισμούς κυματιδίων τους οποίους χρησιμοποιούμε για να αποδομήσουμε ένα διακριτό σήμα στα συστατικά του. Για την εφαρμογή του σχήματος ανόρθωσης χωρίζουμε το διακριτό σήμα στα άρτια και περιττά μέρη του και στη συνέχεια εφαρμόζουμε διαδοχικούς μετασχηματισμούς πρόβλεψης και διόρθωσης για τα δύο αυτά μέρη του σήματος. Στη συνέχεια αναπαριστούμε την παραπάνω ανάλυση μέσω του z-μετασχηματισμού με χρήση πολυωνύμων Laurent. Ο μετασχηματισμός ανάλυσης κυματιδίου, στον z-μετασχηματισμό, μετατρέπεται σε πολλαπλασιασμό πινάκων με στοιχεία πολυώνυμα Laurent. Η εφαρμογή των βημάτων της μεθόδου ανόρθωσης, ουσιαστικά, οδηγεί σε μια σταδιακή απλοποίηση των παραπάνω πολυωνύμων, η οποία γίνεται με τη χρήση του αλγορίθμου διαίρεσης πολυωνύμων. Παρουσιάζουμε και αναλύουμε τα θεωρήματα στα οποία στηρίζεται η μέθοδος και δίνουμε συγκεκριμένα παραδείγματα. / -

Για τη παρούσα εργασία πραγματοποιήσαμε μια αναλυτική περιγραφή της δομής ενός συστήματος οπτικής αναγνώρισης χαρακτήρα και των μεθόδων που έχουν χρησιμοποιηθεί από τους διάφορους ερευνητές. Σταθήκαμε περισσότερο στην θεωρία των Κυματιδίων (Wavelets) και των Τεχνητών Νευρωνικών Δικτύων. Στη συνέχεια υλοποιήσαμε ένα σύστημα Οπτικής Αναγνώρισης Χαρακτήρα σε περιβάλλον Matlab χρησιμοποιώντας wavelets για την εξαγωγή παραμέτρων και Radial Basis Function (RBF) νευρωνικό δίκτυο. Στο πείραμα που πραγματοποιησήσαμε μετρήσαμε την αποδοτικότητα του συστήματος μας για εξαγωγή παραμέτρων με δύο διαφορετικά wavelets (sym4 και Meyer) και αποδείξαμε πως το δεύτερο έχει πολύ καλύτερη επίδοση. / Dirscription of an optical character recognition system and the methods that are used. Creation of an ocr system using wavelets for feature extraction and neural networks for the recognition.

Η παρούσα διδακτορική διατριβή πραγματεύεται την ανάπτυξη μεθόδων διάγνωσης σφαλμάτων σε ηλεκτρικά κινητήρια συστήματα που αποτελούνται από ασύγχρονη μηχανή βραχυκυκλωμένου κλωβού και ηλεκτρονικούς μετατροπείς ισχύος στο στάτη αυτής. Εστιάστηκε κυρίως στον εντοπισμό των σφαλμάτων του δρομέα της ασύγχρονης μηχανής μέσω της ανάλυσης των ρευμάτων του αντιστροφέα σε μόνιμες και μεταβατικές καταστάσεις του κινητηρίου συστήματος. Προτάθηκε μέθοδος εντοπισμού των σφαλμάτων αναλύοντας το ρεύμα του στάτη της μηχανής χρησιμοποιώντας το Συνεχή Μετασχηματισμό με κυματίδια για μεταβαλλόμενες τιμές του μηχανικού φορτίου ή της συχνότητας λειτουργίας του αντιστροφέα. Μελετήθηκε το αρμονικό περιεχόμενο του ρεύματος στον κλάδο συνεχούς ρεύματος του αντιστροφέα για αρμονικές συνιστώσες λόγω σφαλμάτων στην ασύγχρονη μηχανή και προτάθηκε μέθοδος ανίχνευσης σφαλμάτων με ανάλυση του ρεύματος αυτού. Επιπλέον, προτάθηκε άλλη μια μέθοδος διάγνωσης των σφαλμάτων που βασίζεται στη διαμόρφωση κατά πλάτος των ρευμάτων του στάτη της ασύγχρονης μηχανής. Τα αποτελέσματα της προσομοίωσης του κινητηρίου συστήματος και των πειραμάτων στο Εργαστήριο επιβεβαιώνουν την ικανότητα των προτεινόμενων μεθόδων ως προς τη διάγνωση των σφαλμάτων. / This thesis deals with the development of novel methods for fault diagnosis in electric drive systems consisting of squirrel cage asynchronous motor and power electronic converters. It is focused mainly on identifying faults in the asynchronous machine by analyzing the currents of the inverter in steady state and transient operation. The Continuous Wavelet Transform (CWT) of motor stator current has been proposed for successful motor fault diagnosis during changing values of the mechanical load or the operating frequency of the voltage source inverter. Furthermore, the harmonic content of the inverter dc link current has been studied for harmonic components due to faults in the asynchronous machine and a novel diagnostic method has been proposed. In addition, another method based on the amplitude modulation of the stator currents has been investigated. The proposed methods have been validated by simulation and experimental results.

Optical Coherence Tomography (OCT) is a catheter‐based imaging method that employs near‐infrared light to produce high‐resolution cross sectional intravascular images. Α new segmentation technique is implemented for automatic lumen area extraction and stent strut detection in intravascular OCT images for the purpose of quantitative analysis of neointimal hyperplasia (NIH). Also a graphical user interface (GUI) is designed based on the employed algorithm. Methods: Four clinical dataset of frequency‐domain OCT scans of the human femoral artery were analysed. First, a segmentation method based on Fuzzy C Means (FCM) clustering and Wavelet Transform (WT) was applied towards inner luminal contour extraction. Subsequently, stent strut positions were detected by utilizing metrics derived from the local maxima of the wavelet transform into the FCM membership function. Results: The inner lumen contour and the position of stent strut were extracted with very high accuracy. Compared with manual segmentation by an expert physician, the automatic segmentation had an average overlap value of 0.917 ± 0.065 for all OCT images included in the study. Also the proposed method and all automatic segmentation algorithms utilised in this thesis such as k‐means, FCM, MRF – ICM and MRF – Metropolis were compared by means of mean distance difference in mm and processing time in sec with the physician’s manual assessments.. The strut detection procedure successfully identified 9.57 ± 0.5 struts for each OCT image. Conclusions: A new fast and robust automatic segmentation technique combining FCM and WT for lumen border extraction and strut detection in intravascular OCT images was designed and implemented. The proposed algorithm may be employed for automated quantitative morphological analysis of in‐stent neointimal hyperplasia. / Η τομογραφία οπτικής συνοχής (OCT) είναι μια απεικονιστική μέθοδος βασισμένη στον καθετηριασμό και χρησιμοποίει υπέρυθρο φως για να παράγει ένδo‐αγγειακές εικόνες – εγκάρσιας τομής με υψηλή ανάλυση. Σε αυτήν την διατριβή, μια νέα τεχνική τμηματοποίησης υλοποιήθηκε για την αυτόματη εξαγωγή της περιοχής του αυλού καθώς και για την ανίχνευση των «strut» στις ένδo‐ αγγειακές OCT εικόνες με σκοπό την ποσοτική ανάλυση της υπερπλασίας. Επίσης ένα εύκολο στην χρήση περιβάλλον γραφικών για καθημερινή κλινική χρήση σχεδιάστηκε με τον υλοποιημένο αλγόριθμο. Μέθοδοι: Τέσσερις OCT κλινικές εξετάσεις πεδίου‐συχνότητας της ανθρώπινης μηριαίας αρτηρίας αναλύθηκαν. H προτεινόμενη μέθοδος τμηματοποίησης για την εξαγωγή του εσωτερικού περιγράμματος αυλού, είναι βασισμένη στον Fuzzy CMeans (FCM) clustering και τον μετασχηματισμό κυματιδίου. Στη συνέχεια, οι θέσεις των «strut» εντοπίστηκαν χρησιμοποιώντας διάφορες τοπικές παραμέτρους που προέρχονται από τα τοπικά μέγιστα του μετασχηματισμού κυματιδίων εντός της FCM συνάρτησης. Αποτελέσματα: Το εσωτερικό περίγραμμα αυλού και η θέση των «strut» εξήχθηκαν με πολύ μεγάλη ακρίβεια. Σε σύγκριση με την ποσοτική αξιολόγηση από έναν ειδικό ιατρό, η αυτόματη τμηματοποίηση είχε μέση τιμή επικάλυψης 0,917±0,065 για όλες τις OCT εικόνες που περιλαμβάνονται στη μελέτη. Επίσης, έγινε σύγκριση με τους k‐means, FCM, ICM και Μetropolis αυτόματους αλγόριθμους τμηματοποίησης για εξαγωγή του εσωτερικού περιγράμματος αυλού και επέδειξε υψηλής ακρίβειας αποτελέσματα στον μικρότερο δυνατό χρόνο επεξεργασίας. Η διαδικασία ανίχνευσης «strut» προσδιόρισε επιτυχώς 9.57± 0,5 «strut» για κάθε OCT εικόνα. Συμπεράσματα: Μια νέα αποτελεσματική και γρήγορη αυτόματη τεχνική τμηματοποίησης που συνδυάζει FCM και WT για την εξαγωγή των ορίων του αυλού και την ανίχνευση των «strut» στις ένδο‐αγγειακές εικόνες OCT σχεδιάστηκε και υλοποιήθηκε. Ο προτεινόμενος αλγόριθμος μπορεί να χρησιμοποιηθεί για την αυτοματοποιημένη ποσοτική μορφολογική ανάλυση της υπερπλασίας.

Στην εργασία εξετάζονται εφαρμογές της πρόσφατα αναπτυχθείσας τεχνικής επεξεργασίας σήματος με βάση τα κυματίδια. Εισάγεται η μεθοδολογία κυματιδίων, και παρουσιάζεται μια πλήρης διαδικασία μεθόδων ανάλυσης ακουστικής εκπομπής (ΑΕ) με βάση τα κυματίδια. Σε μία μελέτη συμπεριφοράς της θραύσης υλικών καταδεικνύεται το πλεονέκτημα των τεχνικών ΑΕ που βασίζονται στα κυματίδια, καθώς παρέχεται επίσης η συμβατική ανάλυση ΑΕ παράλληλα για σύγκριση. Σήματα ΑΕ από ενισχυμένα με ίνες γυαλιού (GFR) σύνθετα υλικά συλλέγονται κατά τη διάρκεια των τυπικών οιονεί στατικών δοκιμών εφελκυσμού και μετασχηματίζονται από τα διακριτά κυματίδια Daubechies. Τα αποτελέσματα επαληθεύουν ότι η μέθοδος που βασίζεται στα κυματίδια προσεγγίζει καλύτερα την παραμένουσα αντοχή σε σχέση με τις κλασσικές τεχνικές ΑΕ. Στη συνέχεια παρουσιάζεται μια νέα προσέγγιση για την ανάλυση των μεταβατικών κυμάτων διασποράς πλάκας που διαδίδονται σε σύνθετα ελάσματα βασισμένη επίσης στα κυματίδια. Δείχνεται ότι οι κορυφές του μεγέθους του WT του κυματιδίου Gabor στο πεδίο χρόνου-συχνότητας σχετίζονται με τους χρόνους άφιξης της ταχύτητας ομάδας. Παρουσιάζονται πειράματα πραγματοποιημένα σε ελάσματα γραφίτη/εποξειδίου των οποίων τα αποτελέσματα συγκρίνονται με τη θεωρία των πλακών Mindlin. Τέλος, εξετάζεται το πρόβλημα του εντοπισμού της θέσης της επίπεδης πηγής για ανισότροπα ελάσματα, χρησιμοποιώντας τους εξαρτώμενους από τη συχνότητα χρόνους άφιξης και την κατευθυντική εξάρτηση των ταχυτήτων καμπτικής κατάστασης. / --

In the present thesis, a novel gridding technique, as well as, two new segmentation methods applied to complementary DNA (cDNA) microarray images is proposed. More precise, a new gridding method based on continuous wavelet transform (CWT) was performed. Line profiles of x and y axis were calculated, resulting to 2 different signals. These signals were independently processed by means of CWT at 15 different levels, using daubechies 4 mother wavelet. A summation, point by point, was performed on the processed signals, in order to suppress noise and enhance spot’s differences. Additionally, a wavelet based hard thresholding filter was applied to each signal for the task of alleviating the noise of the signals. 10 real microarray images were used in order to visually assess the performance of our gridding method. Each microarray image contained 4 sub-arrays, each sub-array 40x40 spots, thus, 6400 spots totally. According to our results, the accuracy of our algorithm was 98% in all 10 images and in all spots. Additionally, processing time was less than 3 sec on a 1024×1024×16 microarray image, rendering the method a promising technique for an efficient and fully automatic gridding processing. Following the gridding process, the Gaussian Mixture Model (GMM) and the Fuzzy GMM algorithms were applied to each cell, with the purpose of discriminating foreground from background. In addition, markov random field (MRF), as well as, a proposed wavelet based MRF model (SMRF) were implemented. The segmentation abilities of all the algorithms were evaluated by means of the segmentation matching factor (SMF), the Coefficient of Determination (r2), and the concordance correlation (pc). Indirect accuracy performances were also tested on the experimental images by means of the Mean Absolute Error (MAE) and the Coefficient of Variation (CV). In the latter case, SPOT and SCANALYZE software results were also tested. In the former case, SMRF attained the best SMF, r2, and pc (92.66%, 0.923, and 0.88, respectively) scores, whereas, in the latter case scored MAE and CV, 497 and 0.88, respectively. The results and support the performance superiority of the SMRF algorithm in segmenting cDNA images. / Τα τελευταία χρόνια παρατηρείται ραγδαία ανάπτυξη της τεχνολογίας των μικροσυστοιχιών (microarrays) με αποτέλεσμα την ποιοτική και ποσοτική μέτρηση της έκφρασης χιλιάδων γονιδίων ταυτοχρόνως σ’ ένα και μόνο πείραμα. Εικόνες μικροσυστοιχιών, στις οποίες έχει λάβει χώρα υβριδοποίηση δείγματος DNA, χρησιμοποιούνται ευρέως για την εξαγωγή αξιόπιστων αποτελεσμάτων γονιδιακής έκφρασης και προσδιορισμό των μηχανισμών που ελέγχουν την ενεργοποίηση των γονιδίων σ’ έναν οργανισμό. Συνεπώς, η δημιουργία κατάλληλων υπολογιστικών τεχνικών για την επεξεργασία των εικόνων αυτών συντελεί καθοριστικά στην εξαγωγή ορθών και έγκυρων αποτελεσμάτων. Στη παρούσα Διδακτορική Διατριβή αναπτύχθηκε στο πρώτο στάδια μια νέα πλήρως αυτοματοποιημένη τεχνική διευθυνσιοδότησης και στο δεύτερο στάδιο δύο νέες τεχνικές τμηματοποίησης. Πιο συγκεκριμένα, αναπτύχθηκε μια νέα μέθοδος διευθυνσιοδότησης η οποία βασίζεται στο συνεχή μετασχηματισμό κυματιδίου (Continuous Wavelet Transform CWT) για την αυτόματη εύρεση των κέντρων των κηλίδων, καθώς και των ορίων μεταξύ δύο διαδοχικών κηλίδων. Στη συνέχεια αναπτύχθηκαν δύο νέες μέθοδοι κατάτμησης της εικόνας για τον διαχωρισμό των κηλίδων από το φόντο, οι οποίες βασίζονται στη τεχνική μίξης ασαφών μοντέλων Γκάους (Fuzzy Gaussian Mixture Models FGMM) καθώς και στη τεχνική συνδυασμού τυχαίων πεδίων Μαρκόφ (Markov Random Field MRF) και μετασχηματισμού κυματιδίου (Wavelet Transform WT) (SMRF). Με σκοπό την αξιολόγηση (validation) των προτεινόμενων μεθόδων της παρούσας Διδακτορικής Διατριβής, δημιουργήθηκαν και χρησιμοποιήθηκαν τόσο πραγματικές εικόνες μικροσυστοιχιών, καθώς και απομιμούμενες (simulated) σύμφωνα με μεθοδολογία η οποία προτείνεται απο τη διεθνή βιβλιογραφία. Όσον αφορά την διευθυνσιοδότηση, χρησιμοποιώντας οπτική ανασκόπηση για κάθε κηλίδα χωριστά σε όλες τις πραγματικές εικόνες, δημιουργήθηκαν δύο κατηγορίες, ανάλογα με το αν οι γραμμές του πλέγματος εφάπτονταν πάνω σε κάποια κηλίδα ή όχι. Η προτεινόμενη μεθοδολογία ήταν ακριβής σε ποσοστό 98% στον ακριβή εντοπισμό των κηλίδων σε όλες τις εικόνες. Σύγκριση ανάμεσα στην απόδοση των GMM, FGMM, MRF και SMRF στις απομιμούμενες εικόνες σε διαφορετικά επίπεδα θορύβου πραγματοποιήθηκε και τα αποτελέσματα σε όλα τα μετρικά, segmentation matching factor (SMF), coefficient of variation ( ), και coefficient of determination ( ), μας έδειξαν ότι η μέθοδος SMRF είναι πιο αξιόπιστη στο να μπορέσει να αναδείξει την πραγματική περιφέρεια της κηλίδας, τόσο σε εικόνες με μεγάλο λόγο σήματος προς θόρυβο, όσο και σε μικρό λόγο. Ενδεικτικά αποτελέσματα σε 1 db SNR για την περίπτωση του SMRF είναι SMF = 92.66, =0.923, και = 0.88, ακολουθούμενο από το MRF ( SMF = 92.15, =0.91, και = 0.85), FGMM ( SMF = 91.07, =0.92, και = 0.86)και GMM (SMF = 90.73, =0.89, και = 0.83). Στη συνέχεια πάρθηκαν αποτελέσματα τα οποία προέκυψαν από τη χρήση πραγματικών εικόνων μικροσυστοιχιών. Και σε αυτή τη περίπτωση, αναδείχθηκε η υπεροχή του WMRF, έναντι των άλλων αλγορίθμων ταξινόμησης μέση τιμή MAE = 497 και CV = 0.88. Τέλος, θα πρέπει να τονιστεί ότι τα παραπάνω μετρικά υπολογίστηκαν και σε αποτελέσματα από δύο ευρέως χρησιμοποιούμενα πακέτα επεξεργασίας εικόνων μικροσυστοιχιών, τα οποία χρησιμοποιούνται και είναι διαθέσιμα. Πιο συγκεκριμένα, χρησιμοποιήθηκαν το SCANALYSE και το SPOT, τα οποία χρησιμοποιούν τις τεχνικές τμηματοποίησης Fixed Circle και Seeded Region Growing, αντίστοιχα. Στη περίπτωση αυτή η τεχνική SMRF κατάφερε να υπολογίσει καλύτερα αποτελέσματα από τα δύο αυτά πακέτα. Πιο συγκεκριμένα η τεχνική GMM πέτυχε MAE = 1470 και CV = 1.29, η τεχνική FGMM πέτυχε MAE = 1430 και CV = 1.21, η τεχνική MRF πέτυχε MAE = 1215 και CV = 1.15, η τεχνική WMRF πέτυχε MAE = 497 και CV = 0.88, η τεχνική FC του λογισμικού πακέτου SCANALYZE πέτυχε MAE = 503 και CV = 0.90, και τέλος η τεχνική SRG του λογισμικού πακέτου SPOT πέτυχε MAE = 1180 και CV = 0.93.

Σκοπός της παρούσας διατριβής είναι η εκμετάλλευση των κυματιδίων με σκοπό την βελτίωση της απόδοσης συστημάτων αναγνώρισης ομιλητή και ομιλίας. Στα πλαίσια αυτά, εισάγονται τέσσερις νέοι τρόποι παραμετροποίησης του σήματος ομιλίας: (1) Η πρώτη μέθοδος προσαρμόζει την ανάλυση συχνότητας των πακέτων κυματιδίων για την προσέγγιση της ψυχοακουστικής επίδρασης των κρίσιμων ζωνών του ακουστικού συστήματος ενσωματώνοντας τις τελευταίες εξελίξεις για τον υπολογισμό τους. (2) Η δεύτερη μέθοδος εισάγει μια επέκταση του μετασχηματισμού πακέτων κυματιδίων, τον επικαλυπτόμενο μετασχηματισμό πακέτων κυματιδίων, ο οποίος χρησιμοποιείται για να δοθεί έμφαση στις περιοχές αλλαγής των κρίσιμων ζωνών από μια μικρότερη σε μια μεγαλύτερη τιμή. (3) Η τρίτη μέθοδος αξιολογεί τη συνεισφορά μη επικαλυπτόμενων ζωνών συχνοτήτων στην αναγνώριση ομιλητή και κατασκευάζεται ανάλογα ένας μετασχηματισμός πακέτων κυματιδίων ο οποίος προσαρμόζει την συχνοτική του ανάλυση σύμφωνα με την απόδοση κάθε μίας από τις ζώνες. (4) Η τέταρτη μέθοδος επιλέγει τη βέλτιστη βάση από το σύνολο των μετασχηματισμών που είναι διαθέσιμοι με τα πακέτα κυματιδίων με εφαρμογή την αναγνώριση ομιλητή και κριτήριο το μέτρο EER. Οι παραπάνω τέσσερις τρόποι παραμετροποίησης του σήματος ομιλίας αξιολογήθηκαν με το σύστημα αναγνώρισης ομιλητή WCL-1 του εργαστηρίου ενσύρματης τηλεπικοινωνίας του Πανεπιστημίου Πατρών στις βάσεις δεδομένων POLYCOST και NIST και αποδείχθηκε η ανωτερότητά τους τόσο σε σχέση με προηγούμενες μεθόδους των κυματιδίων όσο και σε σχέση με ευρέως χρησιμοποιούμενες παραμέτρους ομιλίας, όπως οι παράμετροι cepstral με βάση την κλίμακα mel (MFCC). Επιπλέον, στη διατριβή αναλύονται οι ιδιότητες των σημαντικότερων συναρτήσεων κυματιδίων, επιλέγεται η βέλτιστη για την αναπαράσταση του σήματος ομιλίας και πιστοποιείται στην πράξη αυτή η επιλογή. Τέλος, οι δύο πρώτες από τις προαναφερόμενες μεθόδους παραμετροποίησης τροποποιήθηκαν και επεκτάθηκαν κατάλληλα για την εφαρμογή στην αναγνώριση ομιλίας όπου αξιολογήθηκαν και διαπιστώθηκε η υπεροχή τους έναντι παραδοσιακών και ευρέως διαδεδομένων μεθόδων παραμετροποίησης του σήματος ομιλίας που στηρίζονται στον μετασχηματισμό Fourier. Το κύριο συμπέρασμα που προέκυψε από τη παρούσα διδακτορική διατριβή είναι ότι τα κυματίδια και συγκεκριμένα τα πακέτα κυματιδίων είναι δυνατόν να χρησιμοποιηθούν με επιτυχία στη βελτίωση της απόδοσης συστημάτων αναγνώρισης ομιλητή και ομιλίας. / The main goal of the present thesis is the exploitation of wavelets for the optimization of speaker and speech recognition systems performance. In this context, four new speech parameterization methods are introduced: (1) The first method adapts the frequency resolution of wavelet packet transform to the critical bandwidth of auditory filters incorporating the recent advances for their estimation. (2) The second method introduces a generalization of wavelet packet transform, named overlapping wavelet packet transform, which emphasizes those frequency sub-bands that critical bandwidth changes from a finer to a coarser value. (3) The third method evaluates the contribution of each one of eight non-overlapping frequency sub-bands, that the Nyquist interval is divided, to the speaker recognition task and a wavelet packet transform is constructed which adapts its frequency resolution according to the performance of each sub-band. (4) The fourth method introduces a new technique for seeking and selecting the best basis among all wavelet packet transforms available in the speaker recognition task taking as criterion the EER. The aforementioned four speech signal parameterizations were evaluated on the speaker verification system WCL-1 of Wire Communications Laboratory, University of Patras, utilizing the speaker recognition corpora POLYCOST and NIST and their superiority was proven over previous wavelet-based parameterizations as well as the widely used Mel Frequency Cepstral Coefficients (MFCC). Among the four proposed methods, it was proven that the second parameterization technique exhibited the best performance. Furthermore, the most important wavelet properties are thoroughly analyzed, the optimal is selected for the representation of the speech signal and this choice is experimentally verified. Finally, the first two parameterization methods were further modified and extended appropriately for application on the speech recognition task where their superiority was proven over traditionally and widely used speech parameterization techniques based on Fourier transform. The main conclusion that resulted in the present doctoral thesis is that wavelets and specifically wavelet packet transforms can be used successfully for the tasks of speaker and speech recognition.