Unlike the conventional "lock-and-key" sensor design in which one sensor is finely tuned to respond to one analyte, the sensor array approach employs multiple sensors in which one sensor responds to many analytes. Consequently, signal processing algorithms must be used to identify the analyte present from the array's response. The analyte identification process becomes significantly more complicated when a mixture of analytes is presented to the sensor array. Conventional methods that are employed in gas mixture identification are plagued by several design issues like: complexity, scalability, and flexibility. This thesis derives and develops a novel method, fingerprint-based ICA (FICA), to extract and identify individual analytes from a sensor array's response to a gas mixture of the analytes. FICA is a simple, flexible, and scalable signal processing system that employs independent components analysis (ICA) to extract and identify individual analytes present in a gas mixture; separation and identification of gas mixtures using ICA has not been investigated previously. FICA takes a fundamentally different approach that reflects the underlying property of gas mixtures: gas mixtures are composed of individual analyte responses. Conventional signal processing methods that identify gas mixtures have been developed and implemented in this work; this helps us understand the drawbacks in the conventional approach. FICA's performance is compared to the performance of conventional methods using metric like error rate and false positives rate. Properties like flexibility, scalability, and the data requirements for both conventional methods and FICA are examined. Results obtained in this work indicates that FICA results in lower error rates, and it's performance is better than conventional methods like multi-stage multi-stage support vector machines, and PCR. Furthermore, FICA provides the most simple, scalable, and flexible signal processing system. / Master of Science

In this work, we present a set of methods aimed at improving the discriminative power of time-varying features of signals that contain noise. These methods use properties of noise signals as well as information theoretic techniques to factor types of noise and support signal inference for electroencephalographic (EEG) based brain-machine interfaces (BMI). EEG data were collected over two studies aimed at addressing Psychophysiological issues involving symmetry and mental rotation processing. The Psychophysiological data gathered in the mental rotation study also tested the feasibility of using dissociations of mental rotation tasks correlated with rotation angle in a BMI. We show the feasibility of mental rotation for BMI by showing comparable bitrates and recognition accuracy to state-of-the-art BMIs. The conclusion is that by using the feature selection methods introduced in this work to dissociate mental rotation tasks, we produce bitrates and recognition rates comparable to current BMIs.

Η διπλωματική εργασία αυτή αφορά την κατασκευή ενός μικροϋπολογιστικού συστήματος διαχωρισμού σημάτων. Ο διαχωρισμός των σημάτων γίνεται με βάση τη θεωρία της τεχνικής της Ανάλυσης Ανεξάρτητων Συνιστωσών. Αφού παρουσιαστεί η θεωρία της τεχνικής, παρουσιάζεται ο μικροελεγκτής ADuC 7026 που επελέγη για την υλοποίηση. Στη συνέχεια γίνεται η παρουσίαση του λογισμικού προσομοίωσης του μικροελεγκτή και παρατίθενται βασικά παραδείγματα για τον προγραμματισμό του. Τέλος, αναπτύσσονται, χωρίς τη χρήση περιφερειακών, και προσομοιώνονται, με τη χρήση περιφερειακών τρεις αλγόριθμοι, δυο εκδόσεις του FastICA και μια έκδοση του InfoMax. Οι αλγόριθμοι αυτοί αξιολογούνται ως προς τις επιδόσεις τους και εξάγονται τα συμπεράσματα. / This thesis deals with the construction of a microcomputer system to separate signals. The separation of the signals is based on the theory of the technique of Independent Component Analysis. The theory of the technique and the microcontroller ADuC 7026 chosen for implementation are presented. Then, follows the presentation of the software on which the microcontroller is simulated and basic examples of its programming are mentioned. Finally, three algorithms, two versions of FastICA and a version of InfoMax, are developed without the use of peripheral systems and simulated using peripheral systems. These algorithms are evaluated for their performance and conclusions are drawn.

The focus of this thesis was the development of failure prognosis methods (prognostics) in rotating machinery with use of multiple sensors digital signal processing and machine learning techniques. The motivation stems from the void in literature concerning prognostics in meshing gearboxes. Moreover, there are several but inconclusive works regarding bearing prognosis. Few research groups have studied multi-hour fatigue gear experiments and this was one of the contributions of this thesis. Moreover, the study expanded beyond the sheer application of vibration monitoring with the addition of an Oil Debris Monitoring probe (ODM) as well as Acoustic emission (AE). The method of AE monitoring is, once again, proposed as a robust technique for failure prognosis being better correlated with gear pitting level compared to the classic vibration monitoring technique. Moreover, judging from ODM recordings the gear pitting comprises of two phases i) a linear phase, with an almost constant pitting rate and ii) a very short non linear phase where the pitting rate increases exponentially, an explicit indication of a critical failure. Multi-hour gear experiments that are close to real scale applications are very demanding in time as well as in invested capital. To bypass this shortfall a gear failure like simulation is proposed. The simulation framework is based on real life experiments and is applied to assess a number of data-driven Remaining Useful Life (RUL) estimation techniques namely i) Proportional Hazards Μodel (PHM), ii) ε- Support Vector Regression ε-SVR and iii) Exponential extrapolation based on bootstrap sampling. In the current thesis a feature extraction scheme for prognosis is proposed and assessed based on time domain, frequency domain statistical features and Wavelet Packet (WP) energy derived from AE and vibration recordings. ICA is proposed as a preferable fusion technique for gear failure prognostics. Application of ICA for feature fusion provided a clear improvement regarding the earlier presented bootstrap extrapolation technique. Bearings are also taken into account since they are closely connected to gearboxes. In the current thesis a wavelet denoising method is proposed for bearing vibration recordings aiming to the improvement of the diagnostic and prognostic potential of vibration. Finally the importance of data fusion is highlighted in the case of bearings. It is observed that a feature extraction scheme can generalize the application of prognostics, even in cases where RMS may yield no important degradation trend. / Η παρούσα εργασία εστιάζεται στην ανάπτυξη μεθοδολογιών πρόβλεψης τελικής αστοχίας σε περιστρεφόμενα συστήματα με χρήση πολλαπλών αισθητήρων και μεθόδων μηχανικής μάθησης και επεξεργασίας σήματος. Το κίνητρο προήλθε από το κενό που υπάρχει στη βιβλιογραφία όσον αφορά την προγνωστική σε κιβώτια ταχυτήτων. Η προγνωστική σε έδρανα έχει μεν μελετηθεί αλλά σε μικρό βαθμό και η παρούσα εργασία έρχεται να συμβάλλει και σε αυτό τον τομέα. Στα πλαίσια αυτής της εργασίας εκπονήθηκε ένας αριθμός πειραμάτων κόπωσης κιβωτίων ταχυτήτων. Η μελέτη επεκτάθηκε πέραν της παρακολούθησης κατάστασης με τη μέθοδο των κραδασμών και συγκεκριμένα μελετήθηκαν καταγραφές σωματιδίων σιδήρου στο λιπαντικό (ODM) καθώς και Ακουστική Εκπομπής (AE). Η μέθοδος ΑΕ ευρέθη πιο στενά συσχετισμένη με τη σταδιακή υποβάθμιση της ακεραιότητας του κιβωτίου ταχυτήτων σε σχέση με τις καταγραφές κραδασμών. Επίσης με βάση τις καταγραφές του αισθητήρα σωματιδίων σιδήρου διακρίθηκαν δύο στάδια  υποβάθμισης i) μια γραμμική περιοχή με σχεδόν σταθερό ρυθμό απελευθέρωσης υλικού από την επιφάνεια των δοντιών και ii) μια σύντομη αλλά έντονα μη γραμμική αύξηση στο ρυθμό αυτό πολύ κοντά στο τέλος της λειτουργίας του κιβωτίου. Tα πολύωρα πειράματα κόπωσης σε γρανάζια είναι πολύ απαιτητικά. Για να παρακαμφθεί αυτή η δυσκολία αναπτύχθηκε ένα φαινομενολογικό μοντέλο για αναπαραγωγή χρονοσειρών που ομοιάζουν σε καταγραφές γραναζιών σε κόπωση. Το μοντέλο αυτό στηρίχθηκε σε πραγματικά πειράματα κόπωσης. Έτσι έγινε δυνατό να εξεταστούν και να συγκριθούν ένας αριθμός μεθοδολογιών εκτίμησης εναπομένουσας ζωής και συγκεκριμένα i) Proportional Hazards Model (PHM), ii) ε- Support Vector Regression ε-SVR και iii) Exponential extrapolation βασισμένο σε μια διαδικασία bootstrap sampling. Στην παρούσα μελέτη προτείνεται ένα σύνολο παραμέτρων προερχόμενο από το πεδίο της συχνότητας, του χρόνου και κυματοπακέτων. Αυτό, συνδυαζόμενο με μια διαδικασία σύμπτυξης δεδομένων (ανάλυση σε πρωταρχικές και ανεξάρτητες συνιστώσες) αξιοποιείται για πρόγνωση σε γρανάζια σε κόπωση. Η τεχνική ανεξάρτητων συνιστωσών προτείνεται σαν προτιμότερη από τη σκοπιά της προγνωστικής καθώς βελτιώνει την εκτίμηση της εναπομένουσας ζωής. Η εργασία επεκτάθηκε και σε έδρανα κύλισης. Προτάθηκε μια διαδικασία wavelet denoising η οποία ενισχύει τόσο τη διαγνωστική όσο και την προγνωστική δυνατότητα του αισθητήρα κραδασμών. Τέλος, η σημασία της εξαγωγής παραμέτρων υπογραμμίζεται και στην περίπτωση της προγνωστικής σε έδρανα. Συνδυάζοντας πολλαπλές παραμέτρους και αισθητήρες κραδασμών μαζί με ένα μοντέλο ε-SVR παρέχεται ένα ολοκληρωμένο μοντέλο πιθανοτικής εκτίμησης εναπομένουσας ζωής σε έδρανα κύλισης ακόμα και σε περιπτώσεις που η τιμή RMS των κραδασμών δεν παρέχει πληροφορία.

Οι υπνικές άτρακτοι είναι απότομες αλλαγές της ρυθμικής δραστηριότητας που χαρακτηρίζονται από σταδιακή αύξηση και κατόπιν μείωση του πλάτους. Εμφανίζονται κυρίως στα στάδια 2,3 και 4 του υπνικού εγκεφαλογράμματος. Τοπογραφικές αναλύσεις έχουν δείξει την ύπαρξη δύο ξεχωριστών τύπων υπνικών ατράκτων, «αργές» και «ταχείς», περίπου στα 12 και 14 Hz, αντίστοιχα. Υπάρχουν ενδείξεις ότι υπάρχουν τουλάχιστον δύο, λειτουργικά, ξεχωριστές γεννήτριες υπνικών ατράκτων, που αντιστοιχούν στις κλάσεις συχνοτήτων. Ο λόγος της εργασίας αυτής ήταν η επεξεργασία υπνικών ατράκτων με την τεχνική Ανάλυσης Ανεξάρτητων Συνιστωσών (ICA) με σκοπό την έρευνα της πιθανότητας εξαγωγής, στα από την ICA ανακατασκευαζόμενα ηλεκτροεγκεφαλογραφήματα (ΗΕΓ), «συνιστωσών» ατράκτων που αντιστοιχούν σε ξεχωριστές δομές ΗΕΓ, και η μελέτη των πηγών που δημιουργούν αυτές τις συνιστώσες. Χρησιμοποιήθηκαν 8κάναλες καταγραφές υπνικών ατράκτων ΗΕΓ από έναν εξεταζόμενο, που καταγράφηκαν στα πλαίσια του Biopattern Network of Excellence, οι οποίες αρχικά επεξεργάστηκαν με ένα φίλτρο FIR με συχνότητες αποκοπής (-3dB) στα 6 και 21 Hz. Κατόπιν εφαρμόστηκε η ανάλυση ICA και εξάχθηκαν οι ανεξάρτητες συνιστώσες (ICs). Έγινε επιλογή των συνιστωσών οι οποίες θα ανακατασκεύαζαν τα ΗΕΓ και τέλος ανακατασκευάσθηκαν αυτά. Στα ανακατασκευασμένα ΗΕΓ έφαρμόστηκε η ανάλυση LORETA. Πρωτού γίνει όμως αυτό έγινε μία εξομείωση του «ευθύ» και «ανάστροφου» προβλήματος. Αυτό έγινε για να μελετήσουμε κατά πόσον θα μπορούσαμε να εξάγουμε αξιόπιστα αποτελέσματα από την τεχνική LORETA με τόσο μικρό αριθμό καναλιών καταγραφής. Η μελέτη αυτή έδειξε ότι τα αποτελέσματά μας θα μπορούσαν να μας δώσουν αξιόπιστες πληροφορίες όσον αφορά την ευρεία περιοχή παραγωγής των ατράκτων και όχι την ακριβή τους θέση. Τα τελικά αποτελέσματα έδειξαν ότι υπάρχει διαφοροποίηση, όσον αφορά την περιοχή παραγωγής τους, και σταθερότητα των πηγών που σχετίζονται με συνιστώσες ατράκτων που ανακατασκευάζονται από ξεχωριστές ομάδες ανεξαρτήτων συνιστωσών (ICs). / Sleep spindles are bursts of rhythmic activity characterized by progressively increasing, then gradually decreasing amplitude, present predominantly in stages 2, 3 and 4 of the sleep electroencephalogram (EEG). Topographic analyses of sleep spindle incidence suggested the existence of two distinct sleep spindle types, “slow” and “fast” spindles at approximately 12 and 14 Hz respectively. There are indications that there exist at least two functionally separated spindle generators, corresponding to each frequency spectrum class. The purpose of the present study was to process sleep spindles with Independent Component Analysis (ICA) in order to investigate the possibility of extracting, in the ICA-reconstructed EEG, spindle “components” corresponding to separate EEG activity patterns, and to investigate the sources underlying these spindle components. We used 8-channel EEG recordings of sleep spindles of a single subject, recorded in the framework of the Biopattern Network of Excellence, which were processed by a FIR filter with cut-off frequencies (-3 dB) at 6 and 21 Hz. Afterwards, ICA was applied and ICs were extracted. There were a choice of the ICs which would reconstruct the EEG and the EEG were finally reconstructed. Source analysis using Low-Resolution Brain Electromagnetic Tomography (LORETA) was applied on the reconstructed EEGs. Before that we made a simulation of the “direct” and “inverse” problem. This was made in order to investigate if we would extract reliable results from the LORETA technique with only 8-channel recordings. The investigation stated that the results could give reliable information only for the brain sites at which the spindle generators were located and not for their exact position. Results indicate separability and stability of sources related to sleep spindle components reconstructed from separate groups of Independent Components (ICs).

Conselho Nacional de Desenvolvimento Científico e Tecnológico / The management of computer networks is an area that demands competence, creativeness, imagination, action, observation, autonomy and a lot of work. Even today it is still an area with a lack of tools and professionals qualified to the management of the most diverse administrative domains. In this context, this work describes the project and development of an integrated, dynamic and automated system that is able to simplify and reduce the time required by for many daily tasks of network administrators. The proposed system can also be used as a way of integrationg existing management tools, making use of their resources and functionalities. The results validate and show the appliance of the system. A prototype of the system was developed, that could already be applied to automate many administrative tasks of computer networks. / Gerenciamento de redes de computadores é uma área que exige competência, criatividade, imaginação, ação, observação, autonomia e muito trabalho. Apesar de anos de investimentos realizados nessa área, ainda continua sendo uma área com carência de ferramentas e profissionais qualificados para o gerenciamento dos mais diversos domínios administrativos. Neste contexto, este trabalho descreve o projeto e desenvolvimento de um sistema integrado, dinâmico e automatizado capaz de simplificar e agilizar várias tarefas do dia-a-dia de administradores de redes.O sistema se propõe também a ser uma forma de integração entre ferramentas de gerenciamento existentes, tanto estendendo seus recursos quanto suas funcionalidades. Os resultados demonstram a validade e aplicabilidade do sistema. Foi desenvolvido um protótipo do sistema, que já pôde ser aplicado em redes de computadores para a automatização de várias tarefas administrativas.