{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3401582"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3401582","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Ανάπτυξη και χρήση τεχνητών νευρωνικών δικτύων στα ακουστικά βαρηκοϊας - Αποτελέσματα","abstract":"ΕΙΣΑΓΩΓΗ: Αρχικά γίνεται μια συνοπτική αναφορά στις έννοιες της τεχνητής νοημοσύνης, της βαθιάς μάθησης και τωννευρωνικών δικτύων. Στη συνέχεια περιγράφεται πώς μπορεί να εκπαιδευτεί ένα νευρωνικό δίκτυο για να αντικαταστήσει τον αλγόριθμο σε ένα σύστημα μείωσης θορύβου που μπορεί να εφαρμοστεί στα ακουστικά βαρηκοΐας και αναφέρονται κάποιες από τις τελευταίες τεχνολογικές εξελίξεις που εφαρμόζονται στο συγκεκριμένο τομέα. Σκοπός αυτής της μελέτης είναι μια πρώτη προσπάθεια συγκέντωσης στοιχείων που ανάδεικνείουν τα θετικά αποτελέσμάτα από εφαρμογές της νέας αυτής τεχνολογίας σε ακουστικά βαρηκοϊας σε εργαστηριακό και ρεαλιστικό επίπεδο. ΜΕΘΟΔΟΛΟΓΙΑ: Έγινε αναζήτηση στις βάσεις δεδομένων PubMed, Scopus, Mdpi, ενώ έγινε αναζήτηση και στο ελεύθερο διαδίκτυο μέσω μηχανής αναζήτησης (Google και ResearchGate) για αποτελέσματα σχετικά με τις λέξεις κλειδιά του θέματος, σε άρθρα επιστημονικών περιοδικών, σε λήμματα κατασκευαστριών εταιρειών, σε βιβλία και σε σχετικά αποτελέσματα από αναζητήσεις αυτών. Τέθηκαν ως συνθήκες αναζήτησης, τα άρθρα να βρίσκονται σε ελεύθερη διάθεση προς το κοινό, να είναι της τελευταίας δεκαετίας, να περιλαμβάνουν περίληψη και να είναι στην αγγλική γλώσσα. Κατόπιν, έγινε προεπισκόπηση των αποτελεσμάτων και ύστερα από την απόρριψη άρθρων που δεν εντάχθηκαν στα τελικά αποτελέσματα για λόγους που αναλύονται στο κεφάλαιο της μεθοδολογίας, στα άρθρα που απέμειναν έγινε ποιοτική ανάλυση, σύντομη περιγραφή και ταξινόμηση σε πίνακες. Τέλος, συζητήθηκαν τα αποτελέσματα αυτών των αναλύσεων. ΑΠΟΤΕΛΕΣΜΑΤΑ-ΣΥΖΗΤΗΣΗ: Τα στοιχεία από τις έρευνες που παρουσιάζονται δείχνουν σαφώς βελτιωμένα αποτελέσματα με τη χρήση αυτόματων αλγόριθμων που έχουν παραχθεί από νευρωνικά δίκτυα σε σχέση με τους προγενέστερους. Συγκεκριμένα παρατηρείται επίτευξη καλύτερης διακριτικής ικανότητας και αναγνώρισης της ομιλίας σε άτομα με απώλεια ακοής, ειδικότερα στις πιο απαιτητικές και δύσκολες ηχητικά συνθήκες. Αναδυκνείονται επίσης οφέλη των πρόσφατων αλγοριθμικών εξελίξεων όσον αφορά τον λόγο σήματος προς θόρυβο, την αντιληπτικότητα της ομιλίας, την επιλεκτική προσοχή και την προσπάθεια ακρόασης. Παρατηρείται επίσης μία γενική προτίμηση των ατόμων με απώλεια ακοής στη νέα αυτή τεχνολογία. ΣΥΜΠΕΡΑΣΜΑΤΑ: Συμπερασματικά, αυτή η ανασκόπηση έδωσε μια εικόνα της χρησιμότητας των διαφόρων τεχνικών μηχανικής μάθησης που χρησιμοποιούνται στα ακουστικά βοηθήματα. Υπάρχει σαφώς η ανάγκη για περισσότερη ανάπτυξη αλγορίθμων της μηχανικής μάθησης στις συσκευές αυτές, καθώς όλα δείχνουν πως πρόκειται για το επόμενο βήμα προς την επίτευξη μιας καλύτερης απόδοσης ενίσχυσης και ποιότητας ήχου. Πρέπει όμως να υπάρξουν περισσότερες έρευνες που αποδεικνύουν τη χρηστικότητα και την αποτελεσματικότητά τους ώστε να βελτιωθεί η ποιότητα ζωής των ατόμων με προβλήματα ακοής ακόμη περισσότερο.","abstract_html":"ΕΙΣΑΓΩΓΗ: Αρχικά γίνεται μια συνοπτική αναφορά στις έννοιες της τεχνητής νοημοσύνης, της βαθιάς μάθησης και τωννευρωνικών δικτύων. Στη συνέχεια περιγράφεται πώς μπορεί να εκπαιδευτεί ένα νευρωνικό δίκτυο για να αντικαταστήσει τον αλγόριθμο σε ένα σύστημα μείωσης θορύβου που μπορεί να εφαρμοστεί στα ακουστικά βαρηκοΐας και αναφέρονται κάποιες από τις τελευταίες τεχνολογικές εξελίξεις που εφαρμόζονται στο συγκεκριμένο τομέα. Σκοπός αυτής της μελέτης είναι μια πρώτη προσπάθεια συγκέντωσης στοιχείων που ανάδεικνείουν τα θετικά αποτελέσμάτα από εφαρμογές της νέας αυτής τεχνολογίας σε ακουστικά βαρηκοϊας σε εργαστηριακό και ρεαλιστικό επίπεδο. ΜΕΘΟΔΟΛΟΓΙΑ: Έγινε αναζήτηση στις βάσεις δεδομένων PubMed, Scopus, Mdpi, ενώ έγινε αναζήτηση και στο ελεύθερο διαδίκτυο μέσω μηχανής αναζήτησης (Google και ResearchGate) για αποτελέσματα σχετικά με τις λέξεις κλειδιά του θέματος, σε άρθρα επιστημονικών περιοδικών, σε λήμματα κατασκευαστριών εταιρειών, σε βιβλία και σε σχετικά αποτελέσματα από αναζητήσεις αυτών. Τέθηκαν ως συνθήκες αναζήτησης, τα άρθρα να βρίσκονται σε ελεύθερη διάθεση προς το κοινό, να είναι της τελευταίας δεκαετίας, να περιλαμβάνουν περίληψη και να είναι στην αγγλική γλώσσα. Κατόπιν, έγινε προεπισκόπηση των αποτελεσμάτων και ύστερα από την απόρριψη άρθρων που δεν εντάχθηκαν στα τελικά αποτελέσματα για λόγους που αναλύονται στο κεφάλαιο της μεθοδολογίας, στα άρθρα που απέμειναν έγινε ποιοτική ανάλυση, σύντομη περιγραφή και ταξινόμηση σε πίνακες. Τέλος, συζητήθηκαν τα αποτελέσματα αυτών των αναλύσεων. ΑΠΟΤΕΛΕΣΜΑΤΑ-ΣΥΖΗΤΗΣΗ: Τα στοιχεία από τις έρευνες που παρουσιάζονται δείχνουν σαφώς βελτιωμένα αποτελέσματα με τη χρήση αυτόματων αλγόριθμων που έχουν παραχθεί από νευρωνικά δίκτυα σε σχέση με τους προγενέστερους. Συγκεκριμένα παρατηρείται επίτευξη καλύτερης διακριτικής ικανότητας και αναγνώρισης της ομιλίας σε άτομα με απώλεια ακοής, ειδικότερα στις πιο απαιτητικές και δύσκολες ηχητικά συνθήκες. Αναδυκνείονται επίσης οφέλη των πρόσφατων αλγοριθμικών εξελίξεων όσον αφορά τον λόγο σήματος προς θόρυβο, την αντιληπτικότητα της ομιλίας, την επιλεκτική προσοχή και την προσπάθεια ακρόασης. Παρατηρείται επίσης μία γενική προτίμηση των ατόμων με απώλεια ακοής στη νέα αυτή τεχνολογία. ΣΥΜΠΕΡΑΣΜΑΤΑ: Συμπερασματικά, αυτή η ανασκόπηση έδωσε μια εικόνα της χρησιμότητας των διαφόρων τεχνικών μηχανικής μάθησης που χρησιμοποιούνται στα ακουστικά βοηθήματα. Υπάρχει σαφώς η ανάγκη για περισσότερη ανάπτυξη αλγορίθμων της μηχανικής μάθησης στις συσκευές αυτές, καθώς όλα δείχνουν πως πρόκειται για το επόμενο βήμα προς την επίτευξη μιας καλύτερης απόδοσης ενίσχυσης και ποιότητας ήχου. Πρέπει όμως να υπάρξουν περισσότερες έρευνες που αποδεικνύουν τη χρηστικότητα και την αποτελεσματικότητά τους ώστε να βελτιωθεί η ποιότητα ζωής των ατόμων με προβλήματα ακοής ακόμη περισσότερο.","abstract_has_math":false,"creators":["Γουναράκης Κωνσταντίνος","Gounarakis Konstantinos"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2024,"date_issued":"2024","date_published":"2024","updated_at":"2026-11-19T06:29:43Z","subjects":["Επιστήμες Υγείας","Health Sciences"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3401582"],"render_values":[{"text":"uoadl:3401582","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3401582","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3401582","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%3A3401582","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Γουναράκης Κωνσταντίνος","Gounarakis Konstantinos"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2024"]},{"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":["Επιστήμες Υγείας","Health Sciences"]}]},{"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:3401582","https://pergamos.lib.uoa.gr/uoa/dl/object/3401582"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["ΕΙΣΑΓΩΓΗ: Αρχικά γίνεται μια συνοπτική αναφορά στις έννοιες της τεχνητής νοημοσύνης, της βαθιάς μάθησης και τωννευρωνικών δικτύων. Στη συνέχεια περιγράφεται πώς μπορεί να εκπαιδευτεί ένα νευρωνικό δίκτυο για να αντικαταστήσει τον αλγόριθμο σε ένα σύστημα μείωσης θορύβου που μπορεί να εφαρμοστεί στα ακουστικά βαρηκοΐας και αναφέρονται κάποιες από τις τελευταίες τεχνολογικές εξελίξεις που εφαρμόζονται στο συγκεκριμένο τομέα. Σκοπός αυτής της μελέτης είναι μια πρώτη προσπάθεια συγκέντωσης στοιχείων που ανάδεικνείουν τα θετικά αποτελέσμάτα από εφαρμογές της νέας αυτής τεχνολογίας σε ακουστικά βαρηκοϊας σε εργαστηριακό και ρεαλιστικό επίπεδο. ΜΕΘΟΔΟΛΟΓΙΑ: Έγινε αναζήτηση στις βάσεις δεδομένων PubMed, Scopus, Mdpi, ενώ έγινε αναζήτηση και στο ελεύθερο διαδίκτυο μέσω μηχανής αναζήτησης (Google και ResearchGate) για αποτελέσματα σχετικά με τις λέξεις κλειδιά του θέματος, σε άρθρα επιστημονικών περιοδικών, σε λήμματα κατασκευαστριών εταιρειών, σε βιβλία και σε σχετικά αποτελέσματα από αναζητήσεις αυτών. Τέθηκαν ως συνθήκες αναζήτησης, τα άρθρα να βρίσκονται σε ελεύθερη διάθεση προς το κοινό, να είναι της τελευταίας δεκαετίας, να περιλαμβάνουν περίληψη και να είναι στην αγγλική γλώσσα. Κατόπιν, έγινε προεπισκόπηση των αποτελεσμάτων και ύστερα από την απόρριψη άρθρων που δεν εντάχθηκαν στα τελικά αποτελέσματα για λόγους που αναλύονται στο κεφάλαιο της μεθοδολογίας, στα άρθρα που απέμειναν έγινε ποιοτική ανάλυση, σύντομη περιγραφή και ταξινόμηση σε πίνακες. Τέλος, συζητήθηκαν τα αποτελέσματα αυτών των αναλύσεων. ΑΠΟΤΕΛΕΣΜΑΤΑ-ΣΥΖΗΤΗΣΗ: Τα στοιχεία από τις έρευνες που παρουσιάζονται δείχνουν σαφώς βελτιωμένα αποτελέσματα με τη χρήση αυτόματων αλγόριθμων που έχουν παραχθεί από νευρωνικά δίκτυα σε σχέση με τους προγενέστερους. Συγκεκριμένα παρατηρείται επίτευξη καλύτερης διακριτικής ικανότητας και αναγνώρισης της ομιλίας σε άτομα με απώλεια ακοής, ειδικότερα στις πιο απαιτητικές και δύσκολες ηχητικά συνθήκες. Αναδυκνείονται επίσης οφέλη των πρόσφατων αλγοριθμικών εξελίξεων όσον αφορά τον λόγο σήματος προς θόρυβο, την αντιληπτικότητα της ομιλίας, την επιλεκτική προσοχή και την προσπάθεια ακρόασης. Παρατηρείται επίσης μία γενική προτίμηση των ατόμων με απώλεια ακοής στη νέα αυτή τεχνολογία. ΣΥΜΠΕΡΑΣΜΑΤΑ: Συμπερασματικά, αυτή η ανασκόπηση έδωσε μια εικόνα της χρησιμότητας των διαφόρων τεχνικών μηχανικής μάθησης που χρησιμοποιούνται στα ακουστικά βοηθήματα. Υπάρχει σαφώς η ανάγκη για περισσότερη ανάπτυξη αλγορίθμων της μηχανικής μάθησης στις συσκευές αυτές, καθώς όλα δείχνουν πως πρόκειται για το επόμενο βήμα προς την επίτευξη μιας καλύτερης απόδοσης ενίσχυσης και ποιότητας ήχου. Πρέπει όμως να υπάρξουν περισσότερες έρευνες που αποδεικνύουν τη χρηστικότητα και την αποτελεσματικότητά τους ώστε να βελτιωθεί η ποιότητα ζωής των ατόμων με προβλήματα ακοής ακόμη περισσότερο.","INTRODUCTION: First, a brief overview of the concepts of artificial intelligence, deep learning and neural networks is given. It goes on to describe how a neural network can be trained to replace the algorithm in a noise reduction system that can be applied to hearing aids, and describes some of the latest technological developments in this field. The aim of this study is a first attempt to bring together evidence highlighting the positive results of applications of this new technology in hearing aids at the laboratory and realistic level. METHODOLOGY: The databases PubMed, Scopus, Mdpi were searched, while the free internet was also searched through a search engine (google and ResearchGate) for results related to the keywords of the topic, in articles of scientific journals, in articles of manufacturers, in books and in related results from their searches. The search conditions were set as conditions that the articles be in scientific journals, be from the last decade, include an abstract and be in English. Then, the results were previewed and after rejecting articles that were not included in the final results for reasons discussed in the methodology chapter, the remaining articles were subjected to qualitative analysis, brief description and tabulation. Finally, the results of these analyses were discussed. RESULTS-DISCUSSION: The data from the presented studies show clearly improved results using automatic algorithms generated by neural networks compared to earlier ones. In particular, better speech discrimination and recognition is observed in people with hearing loss, especially in the most challenging and difficult sound conditions. Benefits of recent algorithmic developments are also emerging in terms of signal-to-noise ratio, speech perceptual awareness, selective attention and listening effort. There is also a general preference of people with hearing loss for this new technology. CONCLUSIONS: In conclusion, this review has provided a picture of the usability of the various machine learning techniques used in hearing aids. There is clearly a need for more development of machine learning algorithms in these devices, as they all indicate how the next step towards achieving better amplification performance and sound quality is to be taken. However, there needs to be more research demonstrating their usability and effectiveness in order to improve the quality of life of individuals with hearing problems even further."]},{"key":"dc:title","label":"Title","values":["Ανάπτυξη και χρήση τεχνητών νευρωνικών δικτύων στα ακουστικά βαρηκοϊας - Αποτελέσματα"]}]}],"canonical_facts":{"dc:creator":["Γουναράκης Κωνσταντίνος","Gounarakis Konstantinos"],"dc:date":["2024"],"dc:description":["ΕΙΣΑΓΩΓΗ: Αρχικά γίνεται μια συνοπτική αναφορά στις έννοιες της τεχνητής νοημοσύνης, της βαθιάς μάθησης και τωννευρωνικών δικτύων. Στη συνέχεια περιγράφεται πώς μπορεί να εκπαιδευτεί ένα νευρωνικό δίκτυο για να αντικαταστήσει τον αλγόριθμο σε ένα σύστημα μείωσης θορύβου που μπορεί να εφαρμοστεί στα ακουστικά βαρηκοΐας και αναφέρονται κάποιες από τις τελευταίες τεχνολογικές εξελίξεις που εφαρμόζονται στο συγκεκριμένο τομέα. Σκοπός αυτής της μελέτης είναι μια πρώτη προσπάθεια συγκέντωσης στοιχείων που ανάδεικνείουν τα θετικά αποτελέσμάτα από εφαρμογές της νέας αυτής τεχνολογίας σε ακουστικά βαρηκοϊας σε εργαστηριακό και ρεαλιστικό επίπεδο. ΜΕΘΟΔΟΛΟΓΙΑ: Έγινε αναζήτηση στις βάσεις δεδομένων PubMed, Scopus, Mdpi, ενώ έγινε αναζήτηση και στο ελεύθερο διαδίκτυο μέσω μηχανής αναζήτησης (Google και ResearchGate) για αποτελέσματα σχετικά με τις λέξεις κλειδιά του θέματος, σε άρθρα επιστημονικών περιοδικών, σε λήμματα κατασκευαστριών εταιρειών, σε βιβλία και σε σχετικά αποτελέσματα από αναζητήσεις αυτών. Τέθηκαν ως συνθήκες αναζήτησης, τα άρθρα να βρίσκονται σε ελεύθερη διάθεση προς το κοινό, να είναι της τελευταίας δεκαετίας, να περιλαμβάνουν περίληψη και να είναι στην αγγλική γλώσσα. Κατόπιν, έγινε προεπισκόπηση των αποτελεσμάτων και ύστερα από την απόρριψη άρθρων που δεν εντάχθηκαν στα τελικά αποτελέσματα για λόγους που αναλύονται στο κεφάλαιο της μεθοδολογίας, στα άρθρα που απέμειναν έγινε ποιοτική ανάλυση, σύντομη περιγραφή και ταξινόμηση σε πίνακες. Τέλος, συζητήθηκαν τα αποτελέσματα αυτών των αναλύσεων. ΑΠΟΤΕΛΕΣΜΑΤΑ-ΣΥΖΗΤΗΣΗ: Τα στοιχεία από τις έρευνες που παρουσιάζονται δείχνουν σαφώς βελτιωμένα αποτελέσματα με τη χρήση αυτόματων αλγόριθμων που έχουν παραχθεί από νευρωνικά δίκτυα σε σχέση με τους προγενέστερους. Συγκεκριμένα παρατηρείται επίτευξη καλύτερης διακριτικής ικανότητας και αναγνώρισης της ομιλίας σε άτομα με απώλεια ακοής, ειδικότερα στις πιο απαιτητικές και δύσκολες ηχητικά συνθήκες. Αναδυκνείονται επίσης οφέλη των πρόσφατων αλγοριθμικών εξελίξεων όσον αφορά τον λόγο σήματος προς θόρυβο, την αντιληπτικότητα της ομιλίας, την επιλεκτική προσοχή και την προσπάθεια ακρόασης. Παρατηρείται επίσης μία γενική προτίμηση των ατόμων με απώλεια ακοής στη νέα αυτή τεχνολογία. ΣΥΜΠΕΡΑΣΜΑΤΑ: Συμπερασματικά, αυτή η ανασκόπηση έδωσε μια εικόνα της χρησιμότητας των διαφόρων τεχνικών μηχανικής μάθησης που χρησιμοποιούνται στα ακουστικά βοηθήματα. Υπάρχει σαφώς η ανάγκη για περισσότερη ανάπτυξη αλγορίθμων της μηχανικής μάθησης στις συσκευές αυτές, καθώς όλα δείχνουν πως πρόκειται για το επόμενο βήμα προς την επίτευξη μιας καλύτερης απόδοσης ενίσχυσης και ποιότητας ήχου. Πρέπει όμως να υπάρξουν περισσότερες έρευνες που αποδεικνύουν τη χρηστικότητα και την αποτελεσματικότητά τους ώστε να βελτιωθεί η ποιότητα ζωής των ατόμων με προβλήματα ακοής ακόμη περισσότερο.","INTRODUCTION: First, a brief overview of the concepts of artificial intelligence, deep learning and neural networks is given. It goes on to describe how a neural network can be trained to replace the algorithm in a noise reduction system that can be applied to hearing aids, and describes some of the latest technological developments in this field. The aim of this study is a first attempt to bring together evidence highlighting the positive results of applications of this new technology in hearing aids at the laboratory and realistic level. METHODOLOGY: The databases PubMed, Scopus, Mdpi were searched, while the free internet was also searched through a search engine (google and ResearchGate) for results related to the keywords of the topic, in articles of scientific journals, in articles of manufacturers, in books and in related results from their searches. The search conditions were set as conditions that the articles be in scientific journals, be from the last decade, include an abstract and be in English. Then, the results were previewed and after rejecting articles that were not included in the final results for reasons discussed in the methodology chapter, the remaining articles were subjected to qualitative analysis, brief description and tabulation. Finally, the results of these analyses were discussed. RESULTS-DISCUSSION: The data from the presented studies show clearly improved results using automatic algorithms generated by neural networks compared to earlier ones. In particular, better speech discrimination and recognition is observed in people with hearing loss, especially in the most challenging and difficult sound conditions. Benefits of recent algorithmic developments are also emerging in terms of signal-to-noise ratio, speech perceptual awareness, selective attention and listening effort. There is also a general preference of people with hearing loss for this new technology. CONCLUSIONS: In conclusion, this review has provided a picture of the usability of the various machine learning techniques used in hearing aids. There is clearly a need for more development of machine learning algorithms in these devices, as they all indicate how the next step towards achieving better amplification performance and sound quality is to be taken. However, there needs to be more research demonstrating their usability and effectiveness in order to improve the quality of life of individuals with hearing problems even further."],"dc:identifier":["uoadl:3401582","https://pergamos.lib.uoa.gr/uoa/dl/object/3401582"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Επιστήμες Υγείας","Health Sciences"],"dc:title":["Ανάπτυξη και χρήση τεχνητών νευρωνικών δικτύων στα ακουστικά βαρηκοϊας - Αποτελέσματα"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:29:43Z"}