{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:2925946"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:2925946","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Signal Processing and Statistical Analysis of the Cardiac Cycle via HSMMs","abstract":"Σε αυτή την μεταπτυχιακή εργασία παρουσιάζονται σύγχρονες στατιστικές τεχνικές διαχωρισμού του ήχου της καρδιάς μέσω των κρυμμένων ημιμαρκοβιανών μοντέλων. Η περιοδικότητα του καρδιακού παλμού μπορεί να χωριστεί σε κύκλους, καθένας από τους οποίους αποτελείται από έναν ήχο τύπου S1, μια συστολική περίοδο, έναν ήχο S2 και μια διαστολική περίοδο. Η μοντελοποίηση αυτής της περιοδικότητας του καρδιακού κύκλου μέσω ενός κρυμμένου ημιμαρκοβιανού μοντέλου παρέχει πολύ σημαντικές πληροφορίες σχετικά με την κατάσταση της υγείας της καρδιάς και μπορεί να χρησιμοποιηθεί για τον εντοπισμό ανωμαλιών στη λειτουργία της. Για τον σκοπό αυτό, σε αυτή την εργασία, παρουσιάζονται οι κατάλληλες τεχνικές εκτίμησης και πρόβλεψης για τον ακριβή εντοπισμό των θεμελιωδών καρδιακών ήχων S1 και S2 που έχουν ιδιαίτερη σημασία στην ανίχνευση ανωμαλιών. Για να επιτευχθεί αυτό, εκτός από το αρχικό σήμα, εξάγονται και ελέγχονται ξεχωριστά τέσσερα διαφορετικά χαρακτηριστικά σήματος, τα Homomorphic envelope, Hilbert envelope, Wavelet envelope και Power spectral density envelope. Αυτά θεωρούνται ως οι παρατηρήσιμες μεταβλητές των μοντέλων υπό εκτίμηση. Η κρυφή δομή του μοντέλου αφορά τους διαφορετικούς τύπους καρδιακού ήχου που εναλλάσσονται στο χρόνο και μπορούν να θεωρηθούν ως οι κρυφές καταστάσεις μιας μη παρατηρήσιμης ημιμαρκοβιανής αλυσίδας. Χρησιμοποιώντας διαφορετική κατανομή για την περιγραφή των ενδιάμεσων χρόνων παραμονής των καταστάσεων, διαφορετικά μοντέλα μπορούν να προταθούν και να συγκριθούν. Σε αυτή την εργασία, η κατανομή Gamma και η κατανομή Poisson δοκιμάστηκαν και συγκρίθηκαν ως προς την ικανότητά τους να αναγνωρίζουν με ακρίβεια τους θεμελιώδεις χτύπους καρδιάς S1 και S2, έχοντας ως βάση πραγματικά δεδομένα που χρησιμοποιούνται ως δεδομένα αναφοράς.","abstract_html":"Σε αυτή την μεταπτυχιακή εργασία παρουσιάζονται σύγχρονες στατιστικές τεχνικές διαχωρισμού του ήχου της καρδιάς μέσω των κρυμμένων ημιμαρκοβιανών μοντέλων. Η περιοδικότητα του καρδιακού παλμού μπορεί να χωριστεί σε κύκλους, καθένας από τους οποίους αποτελείται από έναν ήχο τύπου S1, μια συστολική περίοδο, έναν ήχο S2 και μια διαστολική περίοδο. Η μοντελοποίηση αυτής της περιοδικότητας του καρδιακού κύκλου μέσω ενός κρυμμένου ημιμαρκοβιανού μοντέλου παρέχει πολύ σημαντικές πληροφορίες σχετικά με την κατάσταση της υγείας της καρδιάς και μπορεί να χρησιμοποιηθεί για τον εντοπισμό ανωμαλιών στη λειτουργία της. Για τον σκοπό αυτό, σε αυτή την εργασία, παρουσιάζονται οι κατάλληλες τεχνικές εκτίμησης και πρόβλεψης για τον ακριβή εντοπισμό των θεμελιωδών καρδιακών ήχων S1 και S2 που έχουν ιδιαίτερη σημασία στην ανίχνευση ανωμαλιών. Για να επιτευχθεί αυτό, εκτός από το αρχικό σήμα, εξάγονται και ελέγχονται ξεχωριστά τέσσερα διαφορετικά χαρακτηριστικά σήματος, τα Homomorphic envelope, Hilbert envelope, Wavelet envelope και Power spectral density envelope. Αυτά θεωρούνται ως οι παρατηρήσιμες μεταβλητές των μοντέλων υπό εκτίμηση. Η κρυφή δομή του μοντέλου αφορά τους διαφορετικούς τύπους καρδιακού ήχου που εναλλάσσονται στο χρόνο και μπορούν να θεωρηθούν ως οι κρυφές καταστάσεις μιας μη παρατηρήσιμης ημιμαρκοβιανής αλυσίδας. Χρησιμοποιώντας διαφορετική κατανομή για την περιγραφή των ενδιάμεσων χρόνων παραμονής των καταστάσεων, διαφορετικά μοντέλα μπορούν να προταθούν και να συγκριθούν. Σε αυτή την εργασία, η κατανομή Gamma και η κατανομή Poisson δοκιμάστηκαν και συγκρίθηκαν ως προς την ικανότητά τους να αναγνωρίζουν με ακρίβεια τους θεμελιώδεις χτύπους καρδιάς S1 και S2, έχοντας ως βάση πραγματικά δεδομένα που χρησιμοποιούνται ως δεδομένα αναφοράς.","abstract_has_math":false,"creators":["Καταχανά Κωνσταντίνα","Katachana Konstantina"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2020,"date_issued":"2020","date_published":"2020","updated_at":"2026-11-19T05:40:49Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2925946"],"render_values":[{"text":"uoadl:2925946","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2925946","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2925946","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A2925946","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Καταχανά Κωνσταντίνα","Katachana Konstantina"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2020"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Θετικές Επιστήμες","Science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2925946","https://pergamos.lib.uoa.gr/uoa/dl/object/2925946"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Σε αυτή την μεταπτυχιακή εργασία παρουσιάζονται σύγχρονες στατιστικές τεχνικές διαχωρισμού του ήχου της καρδιάς μέσω των κρυμμένων ημιμαρκοβιανών μοντέλων. Η περιοδικότητα του καρδιακού παλμού μπορεί να χωριστεί σε κύκλους, καθένας από τους οποίους αποτελείται από έναν ήχο τύπου S1, μια συστολική περίοδο, έναν ήχο S2 και μια διαστολική περίοδο. Η μοντελοποίηση αυτής της περιοδικότητας του καρδιακού κύκλου μέσω ενός κρυμμένου ημιμαρκοβιανού μοντέλου παρέχει πολύ σημαντικές πληροφορίες σχετικά με την κατάσταση της υγείας της καρδιάς και μπορεί να χρησιμοποιηθεί για τον εντοπισμό ανωμαλιών στη λειτουργία της. Για τον σκοπό αυτό, σε αυτή την εργασία, παρουσιάζονται οι κατάλληλες τεχνικές εκτίμησης και πρόβλεψης για τον ακριβή εντοπισμό των θεμελιωδών καρδιακών ήχων S1 και S2 που έχουν ιδιαίτερη σημασία στην ανίχνευση ανωμαλιών. Για να επιτευχθεί αυτό, εκτός από το αρχικό σήμα, εξάγονται και ελέγχονται ξεχωριστά τέσσερα διαφορετικά χαρακτηριστικά σήματος, τα Homomorphic envelope, Hilbert envelope, Wavelet envelope και Power spectral density envelope. Αυτά θεωρούνται ως οι παρατηρήσιμες μεταβλητές των μοντέλων υπό εκτίμηση. Η κρυφή δομή του μοντέλου αφορά τους διαφορετικούς τύπους καρδιακού ήχου που εναλλάσσονται στο χρόνο και μπορούν να θεωρηθούν ως οι κρυφές καταστάσεις μιας μη παρατηρήσιμης ημιμαρκοβιανής αλυσίδας. Χρησιμοποιώντας διαφορετική κατανομή για την περιγραφή των ενδιάμεσων χρόνων παραμονής των καταστάσεων, διαφορετικά μοντέλα μπορούν να προταθούν και να συγκριθούν. Σε αυτή την εργασία, η κατανομή Gamma και η κατανομή Poisson δοκιμάστηκαν και συγκρίθηκαν ως προς την ικανότητά τους να αναγνωρίζουν με ακρίβεια τους θεμελιώδεις χτύπους καρδιάς S1 και S2, έχοντας ως βάση πραγματικά δεδομένα που χρησιμοποιούνται ως δεδομένα αναφοράς.","In this master thesis modern statistical techniques of heart sound segmentation via hidden semi-Markov models (HSMMs) are presented. The periodicity of the heartbeat can be broken down into cycles, each of which consists of an S1 type sound, a systolic period, an S2 sound and a diastolic period. Modeling this heart cycle periodicity through an HSMM gives very important information about the health status of the heart and can be used to detect abnormalities in its operation. Thus, in this work, appropriate estimation and prediction techniques are presented in order to accurately locate the fundamental heart sounds S1 and S2 which have a particular importance in the detection of abnormalities. To achieve that, apart from the original signal, four different signal features (Homomorphic envelogram, Hilbert envelogram, Wavelet envelope and Power Spectral Density envelope) are extracted and tested individually in all different modeling assumptions under test. These are considered to be the observable output variables. The hidden structure of the model concerns the different types of heart sounds which alternate in time and can be considered as the states of an unobserved semi-Markov chain. By modeling differently the state-dependent sojourn time distributions, different HSMMs can be obtained and compared. In this project, the Gamma distribution (as a proxy to the Negative Binomial) and the Poisson distribution were tested and compared on their ability to accurately identify the fundamental heart sounds S1 and S2, on the basis of some annotated real data which serve as the reference data."]},{"key":"dc:title","label":"Title","values":["Signal Processing and Statistical Analysis of the Cardiac Cycle via HSMMs"]}]}],"canonical_facts":{"dc:creator":["Καταχανά Κωνσταντίνα","Katachana Konstantina"],"dc:date":["2020"],"dc:description":["Σε αυτή την μεταπτυχιακή εργασία παρουσιάζονται σύγχρονες στατιστικές τεχνικές διαχωρισμού του ήχου της καρδιάς μέσω των κρυμμένων ημιμαρκοβιανών μοντέλων. Η περιοδικότητα του καρδιακού παλμού μπορεί να χωριστεί σε κύκλους, καθένας από τους οποίους αποτελείται από έναν ήχο τύπου S1, μια συστολική περίοδο, έναν ήχο S2 και μια διαστολική περίοδο. Η μοντελοποίηση αυτής της περιοδικότητας του καρδιακού κύκλου μέσω ενός κρυμμένου ημιμαρκοβιανού μοντέλου παρέχει πολύ σημαντικές πληροφορίες σχετικά με την κατάσταση της υγείας της καρδιάς και μπορεί να χρησιμοποιηθεί για τον εντοπισμό ανωμαλιών στη λειτουργία της. Για τον σκοπό αυτό, σε αυτή την εργασία, παρουσιάζονται οι κατάλληλες τεχνικές εκτίμησης και πρόβλεψης για τον ακριβή εντοπισμό των θεμελιωδών καρδιακών ήχων S1 και S2 που έχουν ιδιαίτερη σημασία στην ανίχνευση ανωμαλιών. Για να επιτευχθεί αυτό, εκτός από το αρχικό σήμα, εξάγονται και ελέγχονται ξεχωριστά τέσσερα διαφορετικά χαρακτηριστικά σήματος, τα Homomorphic envelope, Hilbert envelope, Wavelet envelope και Power spectral density envelope. Αυτά θεωρούνται ως οι παρατηρήσιμες μεταβλητές των μοντέλων υπό εκτίμηση. Η κρυφή δομή του μοντέλου αφορά τους διαφορετικούς τύπους καρδιακού ήχου που εναλλάσσονται στο χρόνο και μπορούν να θεωρηθούν ως οι κρυφές καταστάσεις μιας μη παρατηρήσιμης ημιμαρκοβιανής αλυσίδας. Χρησιμοποιώντας διαφορετική κατανομή για την περιγραφή των ενδιάμεσων χρόνων παραμονής των καταστάσεων, διαφορετικά μοντέλα μπορούν να προταθούν και να συγκριθούν. Σε αυτή την εργασία, η κατανομή Gamma και η κατανομή Poisson δοκιμάστηκαν και συγκρίθηκαν ως προς την ικανότητά τους να αναγνωρίζουν με ακρίβεια τους θεμελιώδεις χτύπους καρδιάς S1 και S2, έχοντας ως βάση πραγματικά δεδομένα που χρησιμοποιούνται ως δεδομένα αναφοράς.","In this master thesis modern statistical techniques of heart sound segmentation via hidden semi-Markov models (HSMMs) are presented. The periodicity of the heartbeat can be broken down into cycles, each of which consists of an S1 type sound, a systolic period, an S2 sound and a diastolic period. Modeling this heart cycle periodicity through an HSMM gives very important information about the health status of the heart and can be used to detect abnormalities in its operation. Thus, in this work, appropriate estimation and prediction techniques are presented in order to accurately locate the fundamental heart sounds S1 and S2 which have a particular importance in the detection of abnormalities. To achieve that, apart from the original signal, four different signal features (Homomorphic envelogram, Hilbert envelogram, Wavelet envelope and Power Spectral Density envelope) are extracted and tested individually in all different modeling assumptions under test. These are considered to be the observable output variables. The hidden structure of the model concerns the different types of heart sounds which alternate in time and can be considered as the states of an unobserved semi-Markov chain. By modeling differently the state-dependent sojourn time distributions, different HSMMs can be obtained and compared. In this project, the Gamma distribution (as a proxy to the Negative Binomial) and the Poisson distribution were tested and compared on their ability to accurately identify the fundamental heart sounds S1 and S2, on the basis of some annotated real data which serve as the reference data."],"dc:identifier":["uoadl:2925946","https://pergamos.lib.uoa.gr/uoa/dl/object/2925946"],"dc:language":["English"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Signal Processing and Statistical Analysis of the Cardiac Cycle via HSMMs"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:40:49Z"}