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.

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.