Στην εργασία αυτή θα γίνει μελέτη και εφαρμογή της μεθόδου Ανάλυσης Ανεξάρτητων Συνιστωσών πάνω σε σήματα ηλεκτροεγκεφαλογραφημάτων. Το πρώτο κεφάλαιο αποτελείται από μια εισαγωγή στις ιδιότητες και την προέλευση των ηλεκτροεγκεφαλικών σημάτων, καθώς και στη μεθοδολογία, τον σκοπό και τη χρησιμότητα των ΗΕΓ. Στη συνέχεια παρουσιάζονται τα προβλήματα που αντιμετωπίζει η ανάλυση σημάτων όταν εφαρμόζεται στα ΗΕΓ, καθώς και οι μέχρι στιγμής χρησιμοποιούμενες λύσεις. Στο δεύτερο κεφάλαιο της εργασίας παρουσιάζονται τα αποτελέσματα της βιβλιογραφικής έρευνας πάνω στην ανάλυση ανεξάρτητων συνιστωσών. Επίσης θα δοθεί το μαθηματικό υπόβαθρο και η αιτιολόγηση της επιλογής ενός συγκεκριμένου αλγορίθμου, του FastICA. Στο τρίτο κεφάλαιο γίνεται η εφαρμογή της μεθόδου ΑΑΣ πάνω σε καταγεγραμμένα σήματα ηλεκτροεγκεφαλογραφημάτων, μέσω του περιβάλλοντος Matlab. Πραγματοποιείται η ανάλυση σε συνιστώσες, αναγνωρίζονται και αφαιρούνται τα σήματα μη εγκεφαλικής προέλευσης και τελικά χρησιμοποιείται μέθοδος απεικόνισης των πηγών εγκεφαλικής δραστηριότητας ως ισοδύναμα ηλεκτρικά δίπολα. Το τέταρτο και τελευταίο κεφάλαιο συνοψίζει τα αποτελέσματα και τα συμπεράσματα που εξήχθησαν κατά τη διάρκεια της εκπόνησης αυτής της διπλωματικής. / -

Η παρούσα μεταπτυχιακή εργασία ασχολείται με τη μελέτη, το σχεδιασμό και την υλοποίηση ενός συστήματος αναγνώρισης προσώπων σε ψηφιακές εικόνες. Για την υλοποίηση αυτή θα χρησιμοποιήσουμε τεχνικές του τομέα της Υπολογιστικής Νοημοσύνης όπως τα τεχνητά νευρωνικά δίκτυα και οι μηχανές υποστήριξης διανυσμάτων. / This thesis deals with the study, design and implement a face recognition system for digital images. for this implementation will use techniques in the field of Computational Intelligence such as artificial neural networks and support vector machines.

Το ηλεκτροεγκεφαλογράφημα (ΗΕΓ) είναι μια καταγραφή διαφορών δυναμικού στο τριχωτό της κεφαλής που προέρχονται από τη βιοηλεκτρική δραστηριότητα του εγκεφάλου. Με ιστορία άνω των 70 ετών, η αξία του ΗΕΓ σαν κλινική εξέταση είναι δεδομένη, με σημαντικό πλεονέκτημα το γεγονός ότι είναι μια μη επεμβατική μέθοδος. Ωστόσο, το πλήθος των ιστών που παρεμβάλλονται ανάμεσα στον εγκέφαλο και το τριχωτό της κεφαλής, σε συνδυασμό με το μικρό ύψος των εγκεφαλικών ρυθμών (τάξης μV) κάνουν τις ΗΕΓ καταγραφές επιρρεπείς σε πλήθος παρασίτων εξωεγκεφαλικής προέλευσης (artifacts). Όσον αφορά την κλινική εξέταση το πρόβλημα των artifacts είναι αντιμετωπίσιμο σε κάποιο βαθμό. Άλλωστε, για την κλινική εξέταση έχουν λογική μια απαίτηση ακινησίας και ηρεμίας του εξεταζομένου, που δεν είναι όμως πάντα δυνατή, σε ηλεκτρομαγνητικά θωρακισμένο χώρο, το κόστος του οποίου είναι αποσβέσιμο σε μακροπρόθεσμο χρονικό ορίζοντα. Σε τελική ανάλυση, η διάρκεια καταγραφής ενός ΗΕΓ μπορεί να επιμηκυνθεί τόσο όσο χρειάζεται ο κλινικός ιατρός ώστε να εξάγει ασφαλή διάγνωση. Τέτοιου είδους περιορισμοί όμως, μάλλον φαντάζουν εκτός λογικής σε φιλόδοξες εμπορικές εφαρμογές στον τομέα του Brain Computer Interface. Οι λύσεις σε αυτόν τον τομέα πρέπει να είναι φθηνές, να δουλεύουν ικανοποιητικά στο συνηθισμένο οικιακό ή εργασιακό περιβάλλον και να μην περιορίζουν τον χρήστη. Η προσέγγιση λοιπόν δεν πρέπει να είναι τόσο στον περιορισμό των artifacts, όσο στην αναγνώριση και αφαίρεσή τους. Στην παρούσα εργασία η αφαίρεση των artifacts προσεγγίζεται σαν ένα πρόβλημα Τυφλού Διαχωρισμού Σημάτων. Εφαρμόζονται τεχνικές Ανάλυσης Ανεξαρτήτων Συνιστωσών με σκοπό το διαχωρισμό των artifacts σε ξεχωριστές Ανεξάρτητες Συνιστώσες κάνοντας εύκολη στη συνέχεια την αφαίρεση τους Η παραπάνω προσέγγιση εκτός της προαναφερθείσας εφαρμογής στον τομέα του Brain Computer Interface, έχει σαφώς και κλινική αξία. Θα μπορούσε να εφαρμοστεί για παράδειγμα σε μη συνεργάσιμους ασθενείς (π.χ. μικρά παιδιά) ή σε θορυβώδη εξωτερικά περιβάλλοντα αποσυνδέοντας το ηλεκτροεγκεφαλογράφημα από την απαίτηση ενός καλά ελεγχόμενου, ηλεκτρομαγνητικά θωρακισμένου χώρου. / --

Στόχος της εργασίας αυτής είναι η αξιοποίηση της τεχνολογίας συνιστωσών στην ανάπτυξη κατανεμημένων συστημάτων αυτοματισμού και ελέγχου. Την τελευταία δεκαετία γίνεται μια μεγάλη προσπάθεια να αναπτυχθούν νέες τεχνολογίες λογισμικού για την υποστήριξη ανάπτυξης εφαρμογών για κατανεμημένα ετερογενή συστήματα. Αιχμή της τεχνολογίας σήμερα στην κατεύθυνση αυτή αποτελούν τα μοντέλα συνιστωσών. Ειδικότερα στον τομέα των βιομηχανικών εφαρμογών μετρήσεων και ελέγχου η ανάγκη αυτή γίνεται επιτακτική ώστε το λογισμικό που θα παράγεται γι αυτές να είναι αποτελεσματικό και επεκτάσιμο. Στην εργασία αυτή ξεκινάμε την μελέτη μας με το μοντέλο DOC middleware και προχωρούμε στην επέκτασή του, το component middleware. Εξετάζουμε τους περιορισμούς που παρουσιάζει το μοντέλο DOC middleware και τα προτερήματα του component middleware. Στη συνέχεια παρουσιάζουμε εκτενώς το μοντέλου συνιστωσών CORBA. Για το μοντέλο αυτό παρουσιάζουμε το OpenCCM που αποτελεί την μοναδική υλοποίηση που υπάρχει σήμερα η οποία είναι βασισμένη στη γλώσσα Java. Ακολούθως παρουσιάζουμε εκτενώς το πρότυπο για την ανάπτυξη βιομηχανικών εφαρμογών IEC-61499 που στηρίζεται στη έννοια του Function Block. Στη συνέχεια περιγράφουμε τη λύση που προτείνουμε στα πλαίσια της εργασίας αυτής για την υλοποίηση του προτύπου IEC-61499, η οποία στηρίζεται στο μοντέλο συνιστωσών CORBA. Η λύση μας χρησιμοποιεί την Java ως γλώσσα προγραμματισμού και ως πλατφόρμα ανάπτυξης το CORFU από την πλευρά των Function Block και το Cadena από την πλευρά συνιστωσών CORBA. Προχωρούμε στην παρουσίαση του εργαλείου FBtoCCMtool το οποίο αυτοματοποιεί ένα μεγάλο μέρος της διαδικασίας μετασχηματισμού από το μοντέλο FBs στο μοντέλο συνιστωσών CORBA . Τελικά περιγράφουμε την εφαρμογή της προτεινόμενης λύσης πάνω σε ένα πρότυπο σύστημα βιομηχανικής διεργασίας, το FESTO Modular Processing System της εταιρίας FESTO. / -

Αντικείμενο της παρούσας διπλωματικής εργασίας είναι η υλοποίηση του αλγορίθμου FAST-ICA, ο οποίος εφαρμόζει μια μέθοδο Ανάλυσης Ανεξάρτητων Συνιστωσών (ICA), στον μικροελεγκτή ADuC7020 της Analog Devices. Η εργασία αυτή περιλαμβάνει τέσσερα κεφάλαια. Στο πρώτο κεφάλαιο ορίζεται το θεωρητικό υπόβαθρο πάνω στο οποίο στηρίζονται οι μέθοδοι Ανάλυσης Ανεξάρτητων Συνιστωσών και παρουσιάζονται κάποιες απλές εφαρμογές. Στο δεύτερο κεφάλαιο εξηγείται λεπτομερώς η μέθοδος Ανάλυσης Ανεξάρτητων Συνιστωσών που εφαρμόζει ένας συγκεκριμένος αλγόριθμος, ο FAST-ICA. Στο τρίτο κεφάλαιο γίνεται εισαγωγή σε στοιχειώδεις έννοιες όπως αυτές του μικροελεγκτή και ενσωματωμένου συστήματος, και παρουσιάζεται λεπτομερώς ο μικροελεγκτής ADuC7020 καθώς και η λειτουργία των περιφερειακών του. Τέλος, στο τέταρτο κεφάλαιο περιγράφεται αναλυτικά ο προγραμματισμός του μικροελεγκτή ADuC7020 και γίνεται επεξήγηση του τελικού προγράμματος στο οποίο εφαρμόστηκε ο αλγόριθμός FASTICA. / The aim of this thesis is the implementation of the FAST-ICA algorithm, which performs a method called Independent Component Analysis, in the ADuC7020 microcontroller of Analog Devices. The thesis consists of four chapters. In the first chapter, we define the theoretical background on which, the methods for Independent Component Analysis are based. Some simple applications are also introduced in this chapter. In the second chapter, a detailed report is given on the particular methods that are included in the FAST-ICA algorithm. In the third chapter, basic concepts are presented, such as the concept of the microcontroller. In this chapter, there is also an extensive analysis on the ADuC7020 microcontroller and the functions of its main peripherals. Finally, in chapter four we explain the programming of the microcontroller as well as the main program of the FAST-ICA algorithm.

Στην παρούσα διπλωματική εργασία γίνεται αναλυτική παρουσίαση των μεθόδων ομαδοποίησης, καθώς και της Ανάλυσης Κύριων Συνιστωσών (ΑΚΣ). Σκοπός είναι να μελετηθεί η αποτελεσματικότητα της χρήσης, της Ανάλυσης Κύριων Συνιστωσών σε σύνολα δεδομένων προς ομαδοποίηση. Πιο συγκεκριμένα, συγκρίνονται εμπειρικά τα πειραματικά αποτελέσματα που παράχθηκαν από την ομαδοποίηση συνόλων δεδομένων πριν και μετά τη χρήση της ΑΚΣ σε τεχνητά και πραγματικά σύνολα δεδομένων. Στο πρώτο κεφάλαιο πραγματοποιείται μία παρουσίαση των κύριων εννοιών που άπτονται της ομαδοποίησης δεδομένων, καθώς και παρουσιάζονται οι πιο γνωστές τεχνικές ομαδοποίησης. Στο δεύτερο κεφάλαιο παρουσιάζεται συνοπτικά η Ανάλυση Κύριων Συνιστωσών, καθώς και παραθέτονται διάφορα κριτήρια επιλογής του πλήθους των κύριων συνιστωσών. Η εργασία τελειώνει με την παρουσίαση πειραματικών αποτελεσμάτων ομαδοποίησης σε τεχνητά και πραγματικά σύνολα δεδομένων, πριν και μετά τη χρήση της ΑΚΣ με διαφορετικές τεχνικές ομαδοποίησης. / In the thesis at hand, several clustering methods along with the Principal Component Analysis (PCA) are presented. The main goal is to study the application of PCA on data sets for clustering purposes. More specifically, several clustering algorithms are compared through experimental simulations and results on data sets before and after the use of PCA respectively. For this purpose simulated and real case data are employed. The first chapter of the thesis is devoted to the analytical definition of clustering and the presentation of several clustering techniques. In the second chapter, the PCA method is presented along with an extended study on criteria for determining the number of principal directions. Finally, the thesis ends with extensive experimental results, discussion and concluding remarks.

The aim of this study is the development of a statistical denoising method, to reduce noise in scintigraphic images, preserving image quality characteristics such as contrast, and resolution. The method is based on principal component analysis (PCA) reduces the volume of image data, preserving a large amount of useful information, by considering that a small number of independent image components contain useful information (signal), whereas a large number of independent components contain statistical noise. Therefore, applying PCA and discarding the image components, which correspond to noise, noise reduction can be achieved. PCA is a multivariate correlation analysis technique which explains algebraically a variance-covariance structure of observed data sets with a few linear combinations of original variables [28-30]. The motivation behind PCA is to find a direction, or a few directions, that explain as much of the variability as possible. This is achieved because each direction is associated with a linear sum of the variables, which are linear sums of the initial variables. Thus, the first principal component is the linear sum corresponding to the direction of greatest variability. The search for the second principal component is restricted to variables that are uncorrelated with the first principal component. To assess the performance of the proposed denoising method was compared to four conventional noise reduction methods, employing quantitative image quality characteristics (noise and spatial resolution characteristics). Specifically, the linear filter (smooth 3x3 and smooth 5x5), and the non-linear filter (median 3x3 and median 5x5) were used. Additionally to demonstrate the applicability of the proposed method, it was applied to clinical planar scintigraphic images. / Ο όρος Πυρηνική Ιατρική περιγράφει τις διαγνωστικές και θεραπευτικές διαδικασίες, που απαιτούν την εισαγωγή ραδιοφαρμάκων στον οργανισμό. Οι απεικονιστικές τεχνικές της πυρηνικής ιατρικής αξιοποιούν το γεγονός ότι η ακτινοβολία των ραδιενεργών νουκλιδίων μπορεί να διαπεράσει τους ιστούς και να ανιχνευθεί εξωτερικά, καθιστώντας δυνατή τη μελέτη φυσιολογικών και βιοχημικών διαδικασιών εν εξελίξει σε ζωντανούς οργανισμούς. Η απεικόνιση πυρηνικής ιατρικής χρησιμοποιείται ευρέως στην κλινική πράξη. Σε σύγκριση με άλλες απεικονιστικές τεχνικές έχει το πλεονέκτημα ότι μπορεί να δώσει ταυτόχρονα ανατομικές και λειτουργικές πληροφορίες. Το μειονέκτημα όμως των εικόνων πυρηνικής ιατρικής είναι ο πολύ χαμηλός λόγος σήματος-προς-θόρυβο (signal-to-noise ratio-SNR) σε σχέση με εικόνες άλλων απεικονιστικών τεχνικών. Η εικόνα στην πυρηνική ιατρική αντιστοιχεί στην κατανομή ραδιενεργού υλικού μέσα στο σώμα του ασθενούς. Η τιμή κάθε pixel της εικόνας σχετίζεται με τον αριθμό των γ-φωτονίων που ανιχνεύονται σε μια περίοδο χρόνου. Οι τιμές αυτές ακολουθούν μια στατιστική κατανομή (κατανομή Poisson), λόγω της τυχαίας φύσης της διάσπασης του χορηγούμενου ραδιενεργού υλικού. Η διακύμανση μιας τυχαίας Poisson μεταβλητής ισούται με τη μέση τιμή της και συνεπώς για να μειωθεί η επίδραση του Poisson θορύβου, ο αριθμός των φωτονίων που ανιχνεύονται πρέπει να αυξηθεί. Αυτό μπορεί να επιτευχθεί με τρεις τρόπους. Πρώτον, με αύξηση του χρόνου καταγραφής, που συνεπάγεται όμως αυξημένο κίνδυνο μετακίνησης του ασθενή. Δεύτερον, με αύξηση της δόσης ραδιενεργού υλικού, που δίνεται στον ασθενή, κάτι που προφανώς είναι ανεπιθύμητο. Η τελευταία λύση είναι η χρήση γ-κάμερας με πολλαπλούς ανιχνευτές ή με πολύ ευαίσθητο ανιχνευτή, που συνεπάγεται αυξημένο κόστος και πολυπλοκότητα. Για το λόγο αυτό, τεχνικές ψηφιακής επεξεργασίας για μείωση θορύβου εικόνας μπορούν να συνεισφέρουν σημαντικά στη βελτίωση της εικόνας στην πυρηνική ιατρική. Οι κλασικές τεχνικές μείωσης θορύβου κάνουν χρήση γραμμικών φίλτρων εξομάλυνσης (smoothing filters) για την αντικατάσταση της τιμής κάθε εικονοστοιχείου (pixel) με μια μέση τιμή ,η οποία προκύπτει από τη γειτονιά του. Τα φίλτρα αυτά όμως έχουν το μειονέκτημα ότι μειώνουν την αντίθεση και τη διακριτική ικανότητα της εικόνας. Μη γραμμικά φίλτρα, όπως το median φίλτρο, διατηρούν σε πολλές περιπτώσεις την αντίθεση των δομών, αλλά επίσης υποβαθμίζουν την ποιότητα εικόνας. Ένας από τους λόγους, που οι συμβατικές τεχνικές δεν έχουν ικανοποιητικά αποτελέσματα είναι ότι δεν αντιμετωπίζουν το γεγονός ότι ο θόρυβος σε κάθε pixel εξαρτάται από την ένταση του σήματος (signal dependent noise). Για το λόγο αυτό έχουν προταθεί πρασαρμοζόμενα (adaptive) φίλτρα μείωσης θορύβου. Η κατηγορία των φίλτρων αυτών χρησιμοποιεί στατιστικά κριτήρια για την επιλογή των γειτονικών pixels, που χρησιμοποιούνται για τον υπολογισμό της τιμής του κεντρικού pixel. Στη συγκεκριμένη διπλωματική εργασία υλοποιήθηκε μέθοδος μείωσης θορύβου, που βασίζεται στη Ανάλυση Κύριων Συνιστωσών (Principal Components Analysis, PCA), προσαρμοσμένη σε εικόνες πυρηνικής ιατρικής. Η μέθοδος αυτή στοχεύει στη μείωση του κβαντικού θορύβου Poisson κατανομής, που εμπεριέχεται σε εικόνες πυρηνικής ιατρικής. Η PCA είναι μια στατιστική τεχνική, που εξετάζει τις σχέσεις που διέπουν τις μεταβλητές ενός συνόλου δεδομένων και βρίσκει ένα υποσύνολο από τις πιο σημαντικές μεταβλητές. Οι νέες μεταβλητές περιγράφονται σαν γραμμικός συνδυασμός των αρχικών μεταβλητών και κατατάσσονται σε σειρά σημαντικότητας σε σχέση με τη διακύμανση των δεδομένων που η κάθε μια εκφράζει. Η πρώτη σημαντική συνιστώσα (principal component) είναι η μεταβλητή που εκφράζει το μέγιστο ποσό διακύμανσης. Η δεύτερη σημαντική συνιστώσα εκφράζει το επόμενο μεγαλύτερο ποσό διακύμανσης και είναι ανεξάρτητη από της πρώτης κ.ο.κ.. Ουσιαστικά, το σύνολο των αρχικών σχετιζόμενων μεταβλητών μετασχηματίζεται σε ένα σύνολο ασυσχέτιστων μεταβλητών, όπου οι λιγότερο σημαντικές μεταβλητές μπορούν να απομακρυνθούν χωρίς ουσιαστική απώλεια πληροφορίας. Η κύρια χρήση της PCA είναι να μειωθεί ο όγκος ενός συνόλου δεδομένων και να οδηγηθούμε σε μια βέλτιστη περιγραφή τους. Στην περίπτωση των εικόνων πυρηνικής ιατρικής μπορούμε να θεωρήσουμε ότι λόγω του στατιστικού χαρακτήρα του θορύβου η χρήσιμη πληροφορία περιέχεται σε μικρό αριθμό συνιστωσών, ενώ ο θόρυβος σε ένα μεγάλο αριθμό μη-σημαντικών συνιστωσών. Εφαρμόζοντας συνεπώς την PCA και αφαιρώντας τις συνιστώσες που αντιστοιχούν στον θόρυβο μπορούμε να επιτύχουμε σημαντική μείωση του. Επίσης πραγματοποιήθηκε συγκριτική αξιολόγηση μεταξύ της προτεινόμενης μεθόδου και άλλων μεθόδων μείωσης θορύβου σε εικόνες πυρηνικής ιατρικής. Συγκεκριμένα, η μέθοδος που βασίζεται στη PCA συγκρίθηκε με το φίλτρο εξομάλυνσης (smooth 3x3 και smooth 5x5) και το μη-γραμμικό φίλτρο (median 3x3 και median 5x5). Όλες οι μέθοδοι εφαρμόστηκαν σε πρότυπες εικόνες πυρηνικής ιατρικής, που αποκτήθηκαν με τη βοήθεια δυο ομοιωμάτων, ενός ομοιώματος με μικρές θερμές περιοχές (hot spots phantom) και ενός ομοιώματος μέτρησης διακριτικής ικανότητας (bar phantom) σε διαφορετικούς χρόνους. Στις επεξεργασμένες εικόνες μετρήθηκαν ο θόρυβος, η αντίθεση, ο λόγος αντίθεσης-προς-θόρυβο (Contrast-to-Noise-ratio, CNR) και το εύρος στο ήμισυ της μέγιστης τιμής (Full-Width-of-Half-Maximum, FWHM). Τα αποτελέσματα της σύγκρισης έδειξαν ότι η μέθοδος που βασίζεται στη PCA μειώνει σημαντικά το θόρυβο, ενώ ταυτόχρονα αυξάνει το λόγο αντίθεσης-προς-θόρυβο. Τέλος, πραγματοποιήθηκε πιλοτική μελέτη προτίμησης από δυο πυρηνικούς ιατρούς μεταξύ των μεθόδων μείωσης θορύβου σε δείγμα κλινικών εικόνων συγκεκριμένων εξετάσεων στατικών λήψεων (οστών, πνευμόνων, θυρεοειδούς, παραθυρεοειδούς και νεφρών). Η μελέτη αυτή έδειξε ότι η PCA μειώνει σημαντικά το θόρυβο, ενώ ταυτόχρονα βελτιώνει οπτικά τις ανατομικές δομές των εικόνων.

Η ομαδοποίηση ομαδοποιεί τα δεδομένα βασισμένη μόνο σε πληροφορία που βρίσκεται σε αυτά η οποία περιγράφει τα αντικείμενα και τις σχέσεις τους. Ο στόχος είναι τα αντικείμενα που βρίσκονται σε μια ομάδα να είναι όμοια(ή σχετικά) μεταξύ τους και διαφορετικά απο τα αντικείμενα των άλλων ομάδων. Όσο μεγαλύτερη είναι η ομοιότητα(ή η ομοιογένεια) σε μια ομάδα και όσο μεγαλύτερη είναι η διαφορετικότητα ανάμεσα στις ομάδες τόσο καλύτερη είναι η ομαδοποίηση. Οι μεθόδοι ομαδοποίησης μπορούν να διακριθούν σε τρείς κατηγορίες, ιεραρχικές, διαχωριστικές, και στις βασισμένες στη πυκνότητα. Οι ιεραρχικοί αλγόριθμοι μας δίνουν ιεραρχίες ομάδων σε μία top-down(συγχωνευτική) ή bottom-up(διαχωριστική) μορφή. Η εργασία αυτή επικεντρώνεται στην ιεραρχική διαχωριστική ομαδοποίηση. Ανάμεσα στους ιεραρχικούς διαχωριστικούς αλγορίθμους ξεχωρίζουμε τον αλγόριθμο Principal Direction Divisive Partitioning (PDDP). Ο PDDP χρησιμοποιεί την προβολή των δεδομένων στα κύρια συστατικά της αντίστοιχης μήτρας συνδιασποράς. Αυτό επιτρέπει την εφαρμογή σε δεδομένα υψηλής διάστασης. Στην εργασία αυτή προτείνεται μια βελτίωση του αλγορίθμου \Principal Direction Divisive Partitioning. Ο προτεινόμενος αλγόριθμος συνδυάζει στοιχεία από την εκτίμηση πυκνότητας και τις μεθόδους βασισμένες στην προβολή με έναν γρήγορο και αποδοτικό αλγόριθμο, ικανό να αντιμετωπίσει δεδομένα υψηλής διάστασης. Τα πειραματικά αποτελέσματα δείχνουν βελτιωμένη απόδοση ομαδοποίησης σε σύγκριση με άλλες δημοφιλείς μεθόδους. Επίσης ερευνάται το πρόβλημα του αυτόματου καθορισμού του πλήθους των ομάδων που είναι πολύ σημαντικό την ανάλυση ομάδων. / Cluster analysis groups data objects based only on information found in the data that describes the objects and their relationships. The goal is that the objects within a group be similar (or related) to one another and different from (or unrelated to) the objects in other groups. The greater the similarity (or homogeneity) within a group and the greater the difference between groups, the better or more distinct the clustering. Clustering methods can be broadly divided into three categories, hierarchical, partitioning and density-based (while there are other categorisations). Hierarchical algorithms provide nested hierarchies of clusters in a top-down (agglomerative), or bottom-up (divisive) fashion. This work is focused on the class of hierarchical divisive clustering algorithms. Amongst the class of divisive hierarchical algorithms, the Principal Direction Divisive Partitioning (PDDP) algorithm is of particular value. PDDP uses the projection of the data onto the principal components of the associated data covariance matrix. This allows the application to high dimensional data. In this work an improvement of the algorithm PDDP is proposed. The proposed algorithm merges concepts from density estimation and projection-based methods towards a fast and efficient clustering algorithm, capable of dealing with high dimensional data. Experimental results show improved partitioning performance compared to other popular methods. Moreover, we explore the problem of automatically determining the number of clusters that is central in cluster analysis.

Στο πλαίσιο της εργασίας αυτής πραγματοποιείται ανάλυση και εφαρμογή του διαχωρισμού ακουστικών σημάτων, τα οποία έχουν ληφθεί από το ανθρώπινο σώμα, όταν αυτό βρίσκεται σε κατάσταση ύπνου. Τα σήματα αυτά έχουν ληφθεί με τη βοήθεια μιας συσκευής πιεζοκρυστάλλων και ο διαχωρισμός τους επιτυγχάνεται με τη μέθοδο Ανάλυσης Ανεξάρτητων Συνιστωσών (ICA). Κύριος σκοπός όλων των παραπάνω είναι να χρησιμοποιηθεί η εν λόγω μεθοδολογία στη διάγνωση της αποφρακτικής άπνοιας (OSA). Στο πρώτο κεφάλαιο, παρουσιάζεται αναλυτικά η μέθοδος ICA και το μαθηματικό μοντέλο που την περιγράφει, όπως επίσης και όλα τα βήματα προεπεξεργασίας της. Στη συνέχεια αναλύεται διεξοδικά η λειτουργία του αλγορίθμου FastICA και οι ιδιότητες του, με τον οποίο υλοποιείται το πειραματικό μέρος της εργασίας αυτής. Στο δεύτερο κεφάλαιο, μελετάται η ασθένεια της αποφρακτικής άπνοιας (OSA), οι παράγοντες και η παθολογία της καθώς και το κύριο διαγνωστικό σύμπτωμα της: το ροχαλητό. Ύστερα, πραγματεύεται την διάγνωση και τους γνωστότερους τρόπους θεραπείας αυτής της νόσου και τελικά τη μέθοδο του Snoring Detection. Στο τρίτο κεφάλαιο γίνεται μια εισαγωγή στον πιεζοηλεκτρισμό, και μία μελέτη του πιεζοηλεκτρικού φαινομένου και του μαθηματικού του μοντέλου. Ακολουθεί αναφορά των ειδών πιεζοηλεκτρικών αισθητήρων με τους οποίους λαμβάνονται τα σήματα που εξετάζονται σε αυτή την εργασία. Στο επόμενο κεφάλαιο γίνεται μία σύνδεση των δεδομένων θεωρίας που αναφέρονται στα προηγούμενα κεφάλαια και μία εισαγωγή στην πειραματική μέθοδο. Στο κεφάλαιο πέντε παρατίθενται κάποια παραδείγματα εφαρμογής του αλγορίθμου FastICA με τυχαία σήματα, τα οποία έχουν σκοπό να δοκιμάσουν την απόδοση του. Στο κεφάλαιο έξι, 5 γίνεται η πειραματική διαδικασία όπου τώρα τα σήματα που διαχωρίζονται με τον αλγόριθμο FastICA προέρχονται από το ανθρώπινο σώμα. Η υλοποίηση της γίνεται σε Matlab. Έτσι, γίνεται εξαγωγή του ζητούμενου σήματος ροχαλητού και αναγράφονται κάποια συμπεράσματα για την απόδοση του αλγορίθμου. Στο τέλος της εργασίας παρατίθενται σε ένα παράρτημα όλοι οι κώδικες της MATLAB που χρησιμοποιήθηκαν για την ολοκλήρωση του πειραματικού της μέρους στα κεφάλαια πέντε και έξι. / In this particular thesis, analysis and application of separation of acoustic signals is carried out. These signals have been taken from the human body in a sleeping state. They are obtained by means of a piezocrystallic device and their separation is achieved by the method of Independent Component Analysis (ICA). The main purpose of all this is to use this methodology in order to diagnose the Obstructive Sleep Apnea (OSA). The first chapter presents the method of ICA and the mathematical model that describes it as well as all the pre-processing steps. Then it analyses, in detail, the algorithm FastICA, which is used in the experimental part of this thesis and its properties. The second chapter studies the disease of obstructive sleep apnea (OSA), its factors and its pathology and the major diagnostic symptom: snoring. Then, it discusses the diagnosis and the best known ways of treating this disease and eventually the method of Snoring Detection. The third chapter is an introduction to piezoelectricity and a study of the piezoelectric effect and its mathematical description. This is followed by a reference to the types of piezoelectric sensors which are used to obtain the signals used in this paper. In chapter five we have listed some examplesapplications of the FastICA algorithm with random signals, which are designed to test the performance. Section six is where the experimental procedure takes place. The signals derived from the human body are separated by the algorithm FastICA and the implementation is done in Matlab. In addition, some conclusions regarding the performance of the algorithm. At the end of this paper, all the MATLAB codes used for the completion of the experimental part of the chapters five and six are listed in an Annex.

Η παρούσα διπλωματική εργασία ασχολείται με ένα σημαντικό ερευνητικό πρόβλημα του πεδίου της υπολογιστικής όρασης το οποίο είναι η Αναγνώριση Προτύπων (pattern recognition) μέσα από εικόνες. Πιο συγκεκριμένα, θα μελετήσουμε τον σχεδιασμό και την υλοποίηση ενός συστήματος αναγνώρισης αντικειμένων από ψηφιακές εικόνες καθώς και την ταξινόμησή τους σε κατηγορίες (image classification). / This thesis deals with an important research problem field of computer vision which is pattern recognition through images. In particular, we will study the design and implementation of a system to recognize objects from digital images and their classification in categories (image classification).