{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:2932363"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:2932363","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Ανίχνευση κρίσεων επιληψίας σε δεδομένα ηλεκτροεγκεφαλογράφου","abstract":"Βασικός τομέας ενασχόλησης της παρούσας διπλωματικής εργασίας είναι η ανίχνευση επιληπτικών κρίσεων με χρήση μεθόδων μηχανικής μάθησης. Τα δεδομένα που χρησιμοποιήθηκαν προέρχονται από επιφανειακά ηλεκτροεγκεφαλογραφήματα (EEG). Πρόκειται για τη CHB-MIT βάση δεδομένων που διατίθεται δωρεάν στην πλατφόρμα PhysioNet. Στα πλαίσια της υλοποίησης εξετάστηκε όλη η διαδικασία διαχείρισης των δεδομένων από τη λήψη τους, την εξαγωγή χαρακτηριστικών (μέση τιμή, διακύμανση, ασυμμετρία, κύρτωση, τυπική απόκλιση, διάμεσος, διασχίσεις μηδενικού άξονα, ενεργός τιμή, εύρος μεταβολής, εντροπία δείγματος, ισχύς μέσω PSD στις συχνότητες δέλτα, θήτα (theta), άλφα (alpha), βήτα (beta), γάμμα (gamma), μέγιστη αλληλοσυσχέτιση) σε αυτά, την κανονικοποίησή τους (z-score), τη μείωση διαστάσεων (PCA) με διατήρηση τής εγγενούς πληροφορίας τους, την εξισορρόπηση των δειγμάτων (Cluster Centroids, ADASYN), επιληπτικών και μη, έως την εκπαίδευση, τη βελτιστοποίηση (αναζήτηση πλέγματος) και την εφαρμογή των ταξινομητών (SVM, kNN, Απλοϊκός Bayes, Δέντρα Απόφασης, Τυχαίο Δάσος, LDA, Λογιστική Παλινδρόμηση, Νευρωνικό Δίκτυο με LSTM), την αξιολόγηση τους (ακρίβεια, ευαισθησία, ειδικότητα, αξιοπιστία, βαθμολογία F1, συντελεστής συσχέτισης Matthews, συντελεστής κ του Cohen) και τη σύγκριση των αποτελεσμάτων. Διενεργούνται τρία διαφορετικά πειράματα είτε χρησιμοποιώντας τις μετρήσεις από όλα τα ηλεκτρόδια είτε τμήμα αυτών. Η βασική διαφορά της μεθόδου μας σε σχέση με τη βιβλιογραφία είναι ότι εξετάζονται τα αποτελέσματα της γενίκευσης σε αντίθεση με τις εστιασμένες στον κάθε ασθενή μεθόδους που συνήθως συναντάται. Η υλοποίηση όλων των παραπάνω γίνεται μέσω της γλώσσας Python, που είναι η δημοφιλέστερη για εφαρμογές μηχανικής μάθησης, και της πλατφόρμας Jupyter.","abstract_html":"Βασικός τομέας ενασχόλησης της παρούσας διπλωματικής εργασίας είναι η ανίχνευση επιληπτικών κρίσεων με χρήση μεθόδων μηχανικής μάθησης. Τα δεδομένα που χρησιμοποιήθηκαν προέρχονται από επιφανειακά ηλεκτροεγκεφαλογραφήματα (EEG). Πρόκειται για τη CHB-MIT βάση δεδομένων που διατίθεται δωρεάν στην πλατφόρμα PhysioNet. Στα πλαίσια της υλοποίησης εξετάστηκε όλη η διαδικασία διαχείρισης των δεδομένων από τη λήψη τους, την εξαγωγή χαρακτηριστικών (μέση τιμή, διακύμανση, ασυμμετρία, κύρτωση, τυπική απόκλιση, διάμεσος, διασχίσεις μηδενικού άξονα, ενεργός τιμή, εύρος μεταβολής, εντροπία δείγματος, ισχύς μέσω PSD στις συχνότητες δέλτα, θήτα (theta), άλφα (alpha), βήτα (beta), γάμμα (gamma), μέγιστη αλληλοσυσχέτιση) σε αυτά, την κανονικοποίησή τους (z-score), τη μείωση διαστάσεων (PCA) με διατήρηση τής εγγενούς πληροφορίας τους, την εξισορρόπηση των δειγμάτων (Cluster Centroids, ADASYN), επιληπτικών και μη, έως την εκπαίδευση, τη βελτιστοποίηση (αναζήτηση πλέγματος) και την εφαρμογή των ταξινομητών (SVM, kNN, Απλοϊκός Bayes, Δέντρα Απόφασης, Τυχαίο Δάσος, LDA, Λογιστική Παλινδρόμηση, Νευρωνικό Δίκτυο με LSTM), την αξιολόγηση τους (ακρίβεια, ευαισθησία, ειδικότητα, αξιοπιστία, βαθμολογία F1, συντελεστής συσχέτισης Matthews, συντελεστής κ του Cohen) και τη σύγκριση των αποτελεσμάτων. Διενεργούνται τρία διαφορετικά πειράματα είτε χρησιμοποιώντας τις μετρήσεις από όλα τα ηλεκτρόδια είτε τμήμα αυτών. Η βασική διαφορά της μεθόδου μας σε σχέση με τη βιβλιογραφία είναι ότι εξετάζονται τα αποτελέσματα της γενίκευσης σε αντίθεση με τις εστιασμένες στον κάθε ασθενή μεθόδους που συνήθως συναντάται. Η υλοποίηση όλων των παραπάνω γίνεται μέσω της γλώσσας Python, που είναι η δημοφιλέστερη για εφαρμογές μηχανικής μάθησης, και της πλατφόρμας Jupyter.","abstract_has_math":false,"creators":["Πατσούρας Χρήστος","Patsouras Christos"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2021,"date_issued":"2021","date_published":"2021","updated_at":"2026-11-19T05:41:45Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2932363"],"render_values":[{"text":"uoadl:2932363","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2932363","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2932363","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%3A2932363","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Πατσούρας Χρήστος","Patsouras Christos"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2021"]},{"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":["Τεχνολογία – Πληροφορική","Technology - Computer science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2932363","https://pergamos.lib.uoa.gr/uoa/dl/object/2932363"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Βασικός τομέας ενασχόλησης της παρούσας διπλωματικής εργασίας είναι η ανίχνευση επιληπτικών κρίσεων με χρήση μεθόδων μηχανικής μάθησης. Τα δεδομένα που χρησιμοποιήθηκαν προέρχονται από επιφανειακά ηλεκτροεγκεφαλογραφήματα (EEG). Πρόκειται για τη CHB-MIT βάση δεδομένων που διατίθεται δωρεάν στην πλατφόρμα PhysioNet. Στα πλαίσια της υλοποίησης εξετάστηκε όλη η διαδικασία διαχείρισης των δεδομένων από τη λήψη τους, την εξαγωγή χαρακτηριστικών (μέση τιμή, διακύμανση, ασυμμετρία, κύρτωση, τυπική απόκλιση, διάμεσος, διασχίσεις μηδενικού άξονα, ενεργός τιμή, εύρος μεταβολής, εντροπία δείγματος, ισχύς μέσω PSD στις συχνότητες δέλτα, θήτα (theta), άλφα (alpha), βήτα (beta), γάμμα (gamma), μέγιστη αλληλοσυσχέτιση) σε αυτά, την κανονικοποίησή τους (z-score), τη μείωση διαστάσεων (PCA) με διατήρηση τής εγγενούς πληροφορίας τους, την εξισορρόπηση των δειγμάτων (Cluster Centroids, ADASYN), επιληπτικών και μη, έως την εκπαίδευση, τη βελτιστοποίηση (αναζήτηση πλέγματος) και την εφαρμογή των ταξινομητών (SVM, kNN, Απλοϊκός Bayes, Δέντρα Απόφασης, Τυχαίο Δάσος, LDA, Λογιστική Παλινδρόμηση, Νευρωνικό Δίκτυο με LSTM), την αξιολόγηση τους (ακρίβεια, ευαισθησία, ειδικότητα, αξιοπιστία, βαθμολογία F1, συντελεστής συσχέτισης Matthews, συντελεστής κ του Cohen) και τη σύγκριση των αποτελεσμάτων. Διενεργούνται τρία διαφορετικά πειράματα είτε χρησιμοποιώντας τις μετρήσεις από όλα τα ηλεκτρόδια είτε τμήμα αυτών. Η βασική διαφορά της μεθόδου μας σε σχέση με τη βιβλιογραφία είναι ότι εξετάζονται τα αποτελέσματα της γενίκευσης σε αντίθεση με τις εστιασμένες στον κάθε ασθενή μεθόδους που συνήθως συναντάται. Η υλοποίηση όλων των παραπάνω γίνεται μέσω της γλώσσας Python, που είναι η δημοφιλέστερη για εφαρμογές μηχανικής μάθησης, και της πλατφόρμας Jupyter.","The main field of work of this thesis is the detection of seizures using machine learning methods. The data we used came from scalp electroencephalograms (EEGs). This is the CHB-MIT database, which is available for free, from the PhysioNet platform. In the context of the implementation, the whole process of data management was examined from their download, the extraction of characteristics (mean, variance, skewness, kurtosis, standard deviation, median, zero crossings, root mean square, peak to peak, sample entropy, power via PSD in the delta, theta, alpha, beta, gamma frequencies, maximum correlation) from them, their normalization (z-score), the reduction of dimensions (PCA) by preserving their inherent information, the balancing of epileptic and non-epileptic samples (Cluster Centroids, ADASYN) to training, optimization (grid search) and classifier implementation (SVM, kNN, Naive Bayes, Decision Trees, Random Forest, LDA, Logistic Regression, Neural Network with LSTM), their evaluation (accuracy, sensitivity/recall, specificity, precision, F1 score, Matthews correlation coefficient, Cohen's Kappa coefficient) and comparison of results. Three different experiments are performed either by using the measurements of all the electrodes or part of them. The main difference of our method in relation to the bibliography is that the results of the generalization of the methods are examined in contrast to the focused ones on each patient that is usually encountered. All of the above is done using Python, which is the most popular of machine learning applications, and the Jupyter platform."]},{"key":"dc:title","label":"Title","values":["Ανίχνευση κρίσεων επιληψίας σε δεδομένα ηλεκτροεγκεφαλογράφου"]}]}],"canonical_facts":{"dc:creator":["Πατσούρας Χρήστος","Patsouras Christos"],"dc:date":["2021"],"dc:description":["Βασικός τομέας ενασχόλησης της παρούσας διπλωματικής εργασίας είναι η ανίχνευση επιληπτικών κρίσεων με χρήση μεθόδων μηχανικής μάθησης. Τα δεδομένα που χρησιμοποιήθηκαν προέρχονται από επιφανειακά ηλεκτροεγκεφαλογραφήματα (EEG). Πρόκειται για τη CHB-MIT βάση δεδομένων που διατίθεται δωρεάν στην πλατφόρμα PhysioNet. Στα πλαίσια της υλοποίησης εξετάστηκε όλη η διαδικασία διαχείρισης των δεδομένων από τη λήψη τους, την εξαγωγή χαρακτηριστικών (μέση τιμή, διακύμανση, ασυμμετρία, κύρτωση, τυπική απόκλιση, διάμεσος, διασχίσεις μηδενικού άξονα, ενεργός τιμή, εύρος μεταβολής, εντροπία δείγματος, ισχύς μέσω PSD στις συχνότητες δέλτα, θήτα (theta), άλφα (alpha), βήτα (beta), γάμμα (gamma), μέγιστη αλληλοσυσχέτιση) σε αυτά, την κανονικοποίησή τους (z-score), τη μείωση διαστάσεων (PCA) με διατήρηση τής εγγενούς πληροφορίας τους, την εξισορρόπηση των δειγμάτων (Cluster Centroids, ADASYN), επιληπτικών και μη, έως την εκπαίδευση, τη βελτιστοποίηση (αναζήτηση πλέγματος) και την εφαρμογή των ταξινομητών (SVM, kNN, Απλοϊκός Bayes, Δέντρα Απόφασης, Τυχαίο Δάσος, LDA, Λογιστική Παλινδρόμηση, Νευρωνικό Δίκτυο με LSTM), την αξιολόγηση τους (ακρίβεια, ευαισθησία, ειδικότητα, αξιοπιστία, βαθμολογία F1, συντελεστής συσχέτισης Matthews, συντελεστής κ του Cohen) και τη σύγκριση των αποτελεσμάτων. Διενεργούνται τρία διαφορετικά πειράματα είτε χρησιμοποιώντας τις μετρήσεις από όλα τα ηλεκτρόδια είτε τμήμα αυτών. Η βασική διαφορά της μεθόδου μας σε σχέση με τη βιβλιογραφία είναι ότι εξετάζονται τα αποτελέσματα της γενίκευσης σε αντίθεση με τις εστιασμένες στον κάθε ασθενή μεθόδους που συνήθως συναντάται. Η υλοποίηση όλων των παραπάνω γίνεται μέσω της γλώσσας Python, που είναι η δημοφιλέστερη για εφαρμογές μηχανικής μάθησης, και της πλατφόρμας Jupyter.","The main field of work of this thesis is the detection of seizures using machine learning methods. The data we used came from scalp electroencephalograms (EEGs). This is the CHB-MIT database, which is available for free, from the PhysioNet platform. In the context of the implementation, the whole process of data management was examined from their download, the extraction of characteristics (mean, variance, skewness, kurtosis, standard deviation, median, zero crossings, root mean square, peak to peak, sample entropy, power via PSD in the delta, theta, alpha, beta, gamma frequencies, maximum correlation) from them, their normalization (z-score), the reduction of dimensions (PCA) by preserving their inherent information, the balancing of epileptic and non-epileptic samples (Cluster Centroids, ADASYN) to training, optimization (grid search) and classifier implementation (SVM, kNN, Naive Bayes, Decision Trees, Random Forest, LDA, Logistic Regression, Neural Network with LSTM), their evaluation (accuracy, sensitivity/recall, specificity, precision, F1 score, Matthews correlation coefficient, Cohen's Kappa coefficient) and comparison of results. Three different experiments are performed either by using the measurements of all the electrodes or part of them. The main difference of our method in relation to the bibliography is that the results of the generalization of the methods are examined in contrast to the focused ones on each patient that is usually encountered. All of the above is done using Python, which is the most popular of machine learning applications, and the Jupyter platform."],"dc:identifier":["uoadl:2932363","https://pergamos.lib.uoa.gr/uoa/dl/object/2932363"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Ανίχνευση κρίσεων επιληψίας σε δεδομένα ηλεκτροεγκεφαλογράφου"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:41:45Z"}