{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5323754"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5323754","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Navigating Sleep: Neural Audio Synthesis as Compositional Medium for EEG Data Sonification","abstract":"Αυτή η έρευνα που βασίζεται στην καλλιτεχνική πρακτική διερευνά τη νευρωνική σύνθεση ήχου (neural audio synthesis) ως συνθετικό μέσο για φυσιολογικά δεδομένα, χρησιμοποιώντας μοντέλα RAVE για να μετατρέψει τις ηχογραφήσεις ύπνου EEG σε εκτεταμένη μουσική μορφή. Ο σχεδιασμός της ηχοποίησης στοχεύει να παρέχει μια ηχητική αναπαράσταση της λειτουργίας του εγκεφάλου κατά τη μετάβαση μεταξύ διαφορετικών σταδίων ύπνου, αποτελώντας αυτό που οι Grond και Berger αναφέρουν ως musification, μια σύνθεση που βασίζεται σε δεδομένα με πρωτίστως καλλιτεχνικούς παρά αναλυτικούς σκοπούς. Ως προς τη μεθοδολογία χρησιμοποιήθηκαν δεδομένα EEG από τη βάση δεδομένων Bitbrain Open Access Sleep και βιβλιοθήκες Python για τη διαχείριση νευροφυσιολογικών δεδομένων. Το χαρακτηριστικό που αξιοποιήθηκε για την ηχοποίηση είναι κατανομή της ενέργειας ως προς τις ζώνες συχνοτήτων Delta, Theta, Alpha, Sigma και Beta, αυτό που ονομάζουμε εγκεφαλικά κύματα. Τα δεδομένα χρησιμοποιούνται για την πλοήγηση μέσα στον λανθάνοντα χώρο του μοντέλου (latent space). Τα δεδομένα χρησιμοποιούνται ως σήματα ελέγχου για τις τιμές των επιμέρους διαστάσεων του χώρου αντιστοιχώντας έτσι κάθε σημείου του χώρου δεδομένων με ένα σημείο του λανθάνοντα χώρου του μοντέλου. Με τη μέθοδο Principal Component Analysis έγινε αποσυσχέτιση (decorrelation) αυτών των χαρακτηριστικών ώστε να υπάρχει μια ανάλογη δομική σχέση με τις λανθάνουσες διαστάσεις (latent dimensions) του RAVE μοντέλου η οποίες δημιουργούνται κατά φθίνουσα διακύμανση. Ένας λόγος συμπίεσης χρόνου 30:1 επιτρέπει την ακρόαση ενός πλήρους ύπνου σε περίπου δεκατέσσερα λεπτά. Τρία ερευνητικά ερωτήματα καθοδηγούν την έρευνα: πώς τα μοντέλα RAVE μετατρέπουν τα εγκεφαλικά κύματα σε ηχητικό υλικό; πώς οι τρεις παράμετροι - δομή δεδομένων ύπνου, τοπολογία μοντέλου RAVE και συνθετική παρέμβαση - διαπραγματεύονται την εμπλοκή (agency) στη διαμόρφωση του μουσικού αποτελέσματος· και ποιες αποφάσεις σχεδιασμού στο μετασχηματισμό των δεδομένων για την ηχοποίηση αποδεικνύονται κρίσιμες κατά την προσαρμογή χρονοσειρών φυσιολογικών δεδομένων για νευρωνική σύνθεση. Τα ευρήματα υποδεικνύουν ότι η πλοήγηση των μοντέλων RAVE λειτουργεί μέσω έμμεσων συσχετίσεων εντός λανθάνοντων χώρων υψηλής διάστασης, χωρίς να προσφέρει άμεση αντιστοιχία μεταξύ δεδομένων εισόδου και ηχητικών παραμέτρων. Το μουσικό αποτέλεσμα προκύπτει στον χώρο διαπραγμάτευσης μεταξύ της εκτύλιξης δεδομένων, των περιορισμών του μοντέλου και της αισθητικής πρόθεσης, με κάθε παράγοντα να παίζει εξίσου σημαντικό ρόλο χωρίς ο ένας να υπερισχύει των άλλων. Η εργασία τοποθετεί την πλοήγηση λανθάνοντος χώρου του RAVE ως μια υβριδική τεχνική ηχοποίησης που αντιστέκεται στην παραδοσιακή ταξινόμηση, υποδηλώνοντας ότι μπορεί να χρειαστούν διευρυμένα πλαίσια για να φιλοξενήσουν μεθόδους όπου οι αντιστοιχίσεις δεδομένων και ηχητικού υλικού αφορούν σε γενετικά μοντέλα τα οποία ανακαλύπτονται μέσω της πρακτικής αντί να σχεδιάζονται ρητά.","abstract_html":"Αυτή η έρευνα που βασίζεται στην καλλιτεχνική πρακτική διερευνά τη νευρωνική σύνθεση ήχου (neural audio synthesis) ως συνθετικό μέσο για φυσιολογικά δεδομένα, χρησιμοποιώντας μοντέλα RAVE για να μετατρέψει τις ηχογραφήσεις ύπνου EEG σε εκτεταμένη μουσική μορφή. Ο σχεδιασμός της ηχοποίησης στοχεύει να παρέχει μια ηχητική αναπαράσταση της λειτουργίας του εγκεφάλου κατά τη μετάβαση μεταξύ διαφορετικών σταδίων ύπνου, αποτελώντας αυτό που οι Grond και Berger αναφέρουν ως musification, μια σύνθεση που βασίζεται σε δεδομένα με πρωτίστως καλλιτεχνικούς παρά αναλυτικούς σκοπούς. Ως προς τη μεθοδολογία χρησιμοποιήθηκαν δεδομένα EEG από τη βάση δεδομένων Bitbrain Open Access Sleep και βιβλιοθήκες Python για τη διαχείριση νευροφυσιολογικών δεδομένων. Το χαρακτηριστικό που αξιοποιήθηκε για την ηχοποίηση είναι κατανομή της ενέργειας ως προς τις ζώνες συχνοτήτων Delta, Theta, Alpha, Sigma και Beta, αυτό που ονομάζουμε εγκεφαλικά κύματα. Τα δεδομένα χρησιμοποιούνται για την πλοήγηση μέσα στον λανθάνοντα χώρο του μοντέλου (latent space). Τα δεδομένα χρησιμοποιούνται ως σήματα ελέγχου για τις τιμές των επιμέρους διαστάσεων του χώρου αντιστοιχώντας έτσι κάθε σημείου του χώρου δεδομένων με ένα σημείο του λανθάνοντα χώρου του μοντέλου. Με τη μέθοδο Principal Component Analysis έγινε αποσυσχέτιση (decorrelation) αυτών των χαρακτηριστικών ώστε να υπάρχει μια ανάλογη δομική σχέση με τις λανθάνουσες διαστάσεις (latent dimensions) του RAVE μοντέλου η οποίες δημιουργούνται κατά φθίνουσα διακύμανση. Ένας λόγος συμπίεσης χρόνου 30:1 επιτρέπει την ακρόαση ενός πλήρους ύπνου σε περίπου δεκατέσσερα λεπτά. Τρία ερευνητικά ερωτήματα καθοδηγούν την έρευνα: πώς τα μοντέλα RAVE μετατρέπουν τα εγκεφαλικά κύματα σε ηχητικό υλικό; πώς οι τρεις παράμετροι - δομή δεδομένων ύπνου, τοπολογία μοντέλου RAVE και συνθετική παρέμβαση - διαπραγματεύονται την εμπλοκή (agency) στη διαμόρφωση του μουσικού αποτελέσματος· και ποιες αποφάσεις σχεδιασμού στο μετασχηματισμό των δεδομένων για την ηχοποίηση αποδεικνύονται κρίσιμες κατά την προσαρμογή χρονοσειρών φυσιολογικών δεδομένων για νευρωνική σύνθεση. Τα ευρήματα υποδεικνύουν ότι η πλοήγηση των μοντέλων RAVE λειτουργεί μέσω έμμεσων συσχετίσεων εντός λανθάνοντων χώρων υψηλής διάστασης, χωρίς να προσφέρει άμεση αντιστοιχία μεταξύ δεδομένων εισόδου και ηχητικών παραμέτρων. Το μουσικό αποτέλεσμα προκύπτει στον χώρο διαπραγμάτευσης μεταξύ της εκτύλιξης δεδομένων, των περιορισμών του μοντέλου και της αισθητικής πρόθεσης, με κάθε παράγοντα να παίζει εξίσου σημαντικό ρόλο χωρίς ο ένας να υπερισχύει των άλλων. Η εργασία τοποθετεί την πλοήγηση λανθάνοντος χώρου του RAVE ως μια υβριδική τεχνική ηχοποίησης που αντιστέκεται στην παραδοσιακή ταξινόμηση, υποδηλώνοντας ότι μπορεί να χρειαστούν διευρυμένα πλαίσια για να φιλοξενήσουν μεθόδους όπου οι αντιστοιχίσεις δεδομένων και ηχητικού υλικού αφορούν σε γενετικά μοντέλα τα οποία ανακαλύπτονται μέσω της πρακτικής αντί να σχεδιάζονται ρητά.","abstract_has_math":false,"creators":["Βασιλάκης Στέφανος Θεόδωρος","VASILAKIS STEFANOS THEODOROS"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2026,"date_issued":"2026","date_published":"2026","updated_at":"2026-11-19T05:17:39Z","subjects":["Καλές Τέχνες - Ψυχαγωγία","Fine arts - Entertainment"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5323754"],"render_values":[{"text":"uoadl:5323754","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5323754","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5323754","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%3A5323754","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Βασιλάκης Στέφανος Θεόδωρος","VASILAKIS STEFANOS THEODOROS"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2026"]},{"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":["Καλές Τέχνες - Ψυχαγωγία","Fine arts - Entertainment"]}]},{"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:5323754","https://pergamos.lib.uoa.gr/uoa/dl/object/5323754"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Αυτή η έρευνα που βασίζεται στην καλλιτεχνική πρακτική διερευνά τη νευρωνική σύνθεση ήχου (neural audio synthesis) ως συνθετικό μέσο για φυσιολογικά δεδομένα, χρησιμοποιώντας μοντέλα RAVE για να μετατρέψει τις ηχογραφήσεις ύπνου EEG σε εκτεταμένη μουσική μορφή. Ο σχεδιασμός της ηχοποίησης στοχεύει να παρέχει μια ηχητική αναπαράσταση της λειτουργίας του εγκεφάλου κατά τη μετάβαση μεταξύ διαφορετικών σταδίων ύπνου, αποτελώντας αυτό που οι Grond και Berger αναφέρουν ως musification, μια σύνθεση που βασίζεται σε δεδομένα με πρωτίστως καλλιτεχνικούς παρά αναλυτικούς σκοπούς. Ως προς τη μεθοδολογία χρησιμοποιήθηκαν δεδομένα EEG από τη βάση δεδομένων Bitbrain Open Access Sleep και βιβλιοθήκες Python για τη διαχείριση νευροφυσιολογικών δεδομένων. Το χαρακτηριστικό που αξιοποιήθηκε για την ηχοποίηση είναι κατανομή της ενέργειας ως προς τις ζώνες συχνοτήτων Delta, Theta, Alpha, Sigma και Beta, αυτό που ονομάζουμε εγκεφαλικά κύματα. Τα δεδομένα χρησιμοποιούνται για την πλοήγηση μέσα στον λανθάνοντα χώρο του μοντέλου (latent space). Τα δεδομένα χρησιμοποιούνται ως σήματα ελέγχου για τις τιμές των επιμέρους διαστάσεων του χώρου αντιστοιχώντας έτσι κάθε σημείου του χώρου δεδομένων με ένα σημείο του λανθάνοντα χώρου του μοντέλου. Με τη μέθοδο Principal Component Analysis έγινε αποσυσχέτιση (decorrelation) αυτών των χαρακτηριστικών ώστε να υπάρχει μια ανάλογη δομική σχέση με τις λανθάνουσες διαστάσεις (latent dimensions) του RAVE μοντέλου η οποίες δημιουργούνται κατά φθίνουσα διακύμανση. Ένας λόγος συμπίεσης χρόνου 30:1 επιτρέπει την ακρόαση ενός πλήρους ύπνου σε περίπου δεκατέσσερα λεπτά. Τρία ερευνητικά ερωτήματα καθοδηγούν την έρευνα: πώς τα μοντέλα RAVE μετατρέπουν τα εγκεφαλικά κύματα σε ηχητικό υλικό; πώς οι τρεις παράμετροι - δομή δεδομένων ύπνου, τοπολογία μοντέλου RAVE και συνθετική παρέμβαση - διαπραγματεύονται την εμπλοκή (agency) στη διαμόρφωση του μουσικού αποτελέσματος· και ποιες αποφάσεις σχεδιασμού στο μετασχηματισμό των δεδομένων για την ηχοποίηση αποδεικνύονται κρίσιμες κατά την προσαρμογή χρονοσειρών φυσιολογικών δεδομένων για νευρωνική σύνθεση. Τα ευρήματα υποδεικνύουν ότι η πλοήγηση των μοντέλων RAVE λειτουργεί μέσω έμμεσων συσχετίσεων εντός λανθάνοντων χώρων υψηλής διάστασης, χωρίς να προσφέρει άμεση αντιστοιχία μεταξύ δεδομένων εισόδου και ηχητικών παραμέτρων. Το μουσικό αποτέλεσμα προκύπτει στον χώρο διαπραγμάτευσης μεταξύ της εκτύλιξης δεδομένων, των περιορισμών του μοντέλου και της αισθητικής πρόθεσης, με κάθε παράγοντα να παίζει εξίσου σημαντικό ρόλο χωρίς ο ένας να υπερισχύει των άλλων. Η εργασία τοποθετεί την πλοήγηση λανθάνοντος χώρου του RAVE ως μια υβριδική τεχνική ηχοποίησης που αντιστέκεται στην παραδοσιακή ταξινόμηση, υποδηλώνοντας ότι μπορεί να χρειαστούν διευρυμένα πλαίσια για να φιλοξενήσουν μεθόδους όπου οι αντιστοιχίσεις δεδομένων και ηχητικού υλικού αφορούν σε γενετικά μοντέλα τα οποία ανακαλύπτονται μέσω της πρακτικής αντί να σχεδιάζονται ρητά.","This practice-based research explores neural audio synthesis as a compositional medium for physiological data, using RAVE models to transform EEG sleep recordings into extended musical form. The sonification design aims to provide a sonic representation of brain function during the transition between different sleep stages, constituting what Grond and Berger refer to as \"musification\" i.e. a data-driven composition with primarily artistic rather than analytical purposes. The methodology employs EEG data from the Bitbrain Open Access Sleep dataset, extracting bandpower features across Delta, Theta, Alpha, Sigma, and Beta frequency bands. Principal Component Analysis is used to decorrelate these features and create structural alignment with RAVE's variance-ordered latent dimensions. The transformed data are used for latent space navigation which is the audio synthesis method. A 30:1 time compression ratio enables audition of a full night's sleep in approximately fourteen minutes. Three research questions guide the inquiry: how RAVE models transform EEG bandpower into sonic material; how the three \"actors\" (sleep data structure, RAVE model topology, and compositional intervention) negotiate agency in shaping the musical outcome; and what pipeline design decisions prove critical when adapting physiological time-series data for neural audio synthesis. Findings reveal that latent space navigation operates through implicit, learned relationships within high-dimensional latent spaces, offering no direct correspondence between input data and sonic parameters. The musical outcome emerges from the negotiated space between data trajectory, model constraints, and aesthetic intention, with each factor playing an equally substantial role without one prevailing over the others. The work positions RAVE latent space navigation as a hybrid sonification technique that resists traditional taxonomy, suggesting expanded frameworks may be needed to accommodate methods where mappings are learned from training data and discovered through practice rather than explicitly designed."]},{"key":"dc:title","label":"Title","values":["Navigating Sleep: Neural Audio Synthesis as Compositional Medium for EEG Data Sonification"]}]}],"canonical_facts":{"dc:creator":["Βασιλάκης Στέφανος Θεόδωρος","VASILAKIS STEFANOS THEODOROS"],"dc:date":["2026"],"dc:description":["Αυτή η έρευνα που βασίζεται στην καλλιτεχνική πρακτική διερευνά τη νευρωνική σύνθεση ήχου (neural audio synthesis) ως συνθετικό μέσο για φυσιολογικά δεδομένα, χρησιμοποιώντας μοντέλα RAVE για να μετατρέψει τις ηχογραφήσεις ύπνου EEG σε εκτεταμένη μουσική μορφή. Ο σχεδιασμός της ηχοποίησης στοχεύει να παρέχει μια ηχητική αναπαράσταση της λειτουργίας του εγκεφάλου κατά τη μετάβαση μεταξύ διαφορετικών σταδίων ύπνου, αποτελώντας αυτό που οι Grond και Berger αναφέρουν ως musification, μια σύνθεση που βασίζεται σε δεδομένα με πρωτίστως καλλιτεχνικούς παρά αναλυτικούς σκοπούς. Ως προς τη μεθοδολογία χρησιμοποιήθηκαν δεδομένα EEG από τη βάση δεδομένων Bitbrain Open Access Sleep και βιβλιοθήκες Python για τη διαχείριση νευροφυσιολογικών δεδομένων. Το χαρακτηριστικό που αξιοποιήθηκε για την ηχοποίηση είναι κατανομή της ενέργειας ως προς τις ζώνες συχνοτήτων Delta, Theta, Alpha, Sigma και Beta, αυτό που ονομάζουμε εγκεφαλικά κύματα. Τα δεδομένα χρησιμοποιούνται για την πλοήγηση μέσα στον λανθάνοντα χώρο του μοντέλου (latent space). Τα δεδομένα χρησιμοποιούνται ως σήματα ελέγχου για τις τιμές των επιμέρους διαστάσεων του χώρου αντιστοιχώντας έτσι κάθε σημείου του χώρου δεδομένων με ένα σημείο του λανθάνοντα χώρου του μοντέλου. Με τη μέθοδο Principal Component Analysis έγινε αποσυσχέτιση (decorrelation) αυτών των χαρακτηριστικών ώστε να υπάρχει μια ανάλογη δομική σχέση με τις λανθάνουσες διαστάσεις (latent dimensions) του RAVE μοντέλου η οποίες δημιουργούνται κατά φθίνουσα διακύμανση. Ένας λόγος συμπίεσης χρόνου 30:1 επιτρέπει την ακρόαση ενός πλήρους ύπνου σε περίπου δεκατέσσερα λεπτά. Τρία ερευνητικά ερωτήματα καθοδηγούν την έρευνα: πώς τα μοντέλα RAVE μετατρέπουν τα εγκεφαλικά κύματα σε ηχητικό υλικό; πώς οι τρεις παράμετροι - δομή δεδομένων ύπνου, τοπολογία μοντέλου RAVE και συνθετική παρέμβαση - διαπραγματεύονται την εμπλοκή (agency) στη διαμόρφωση του μουσικού αποτελέσματος· και ποιες αποφάσεις σχεδιασμού στο μετασχηματισμό των δεδομένων για την ηχοποίηση αποδεικνύονται κρίσιμες κατά την προσαρμογή χρονοσειρών φυσιολογικών δεδομένων για νευρωνική σύνθεση. Τα ευρήματα υποδεικνύουν ότι η πλοήγηση των μοντέλων RAVE λειτουργεί μέσω έμμεσων συσχετίσεων εντός λανθάνοντων χώρων υψηλής διάστασης, χωρίς να προσφέρει άμεση αντιστοιχία μεταξύ δεδομένων εισόδου και ηχητικών παραμέτρων. Το μουσικό αποτέλεσμα προκύπτει στον χώρο διαπραγμάτευσης μεταξύ της εκτύλιξης δεδομένων, των περιορισμών του μοντέλου και της αισθητικής πρόθεσης, με κάθε παράγοντα να παίζει εξίσου σημαντικό ρόλο χωρίς ο ένας να υπερισχύει των άλλων. Η εργασία τοποθετεί την πλοήγηση λανθάνοντος χώρου του RAVE ως μια υβριδική τεχνική ηχοποίησης που αντιστέκεται στην παραδοσιακή ταξινόμηση, υποδηλώνοντας ότι μπορεί να χρειαστούν διευρυμένα πλαίσια για να φιλοξενήσουν μεθόδους όπου οι αντιστοιχίσεις δεδομένων και ηχητικού υλικού αφορούν σε γενετικά μοντέλα τα οποία ανακαλύπτονται μέσω της πρακτικής αντί να σχεδιάζονται ρητά.","This practice-based research explores neural audio synthesis as a compositional medium for physiological data, using RAVE models to transform EEG sleep recordings into extended musical form. The sonification design aims to provide a sonic representation of brain function during the transition between different sleep stages, constituting what Grond and Berger refer to as \"musification\" i.e. a data-driven composition with primarily artistic rather than analytical purposes. The methodology employs EEG data from the Bitbrain Open Access Sleep dataset, extracting bandpower features across Delta, Theta, Alpha, Sigma, and Beta frequency bands. Principal Component Analysis is used to decorrelate these features and create structural alignment with RAVE's variance-ordered latent dimensions. The transformed data are used for latent space navigation which is the audio synthesis method. A 30:1 time compression ratio enables audition of a full night's sleep in approximately fourteen minutes. Three research questions guide the inquiry: how RAVE models transform EEG bandpower into sonic material; how the three \"actors\" (sleep data structure, RAVE model topology, and compositional intervention) negotiate agency in shaping the musical outcome; and what pipeline design decisions prove critical when adapting physiological time-series data for neural audio synthesis. Findings reveal that latent space navigation operates through implicit, learned relationships within high-dimensional latent spaces, offering no direct correspondence between input data and sonic parameters. The musical outcome emerges from the negotiated space between data trajectory, model constraints, and aesthetic intention, with each factor playing an equally substantial role without one prevailing over the others. The work positions RAVE latent space navigation as a hybrid sonification technique that resists traditional taxonomy, suggesting expanded frameworks may be needed to accommodate methods where mappings are learned from training data and discovered through practice rather than explicitly designed."],"dc:identifier":["uoadl:5323754","https://pergamos.lib.uoa.gr/uoa/dl/object/5323754"],"dc:language":["English"],"dc:subject":["Καλές Τέχνες - Ψυχαγωγία","Fine arts - Entertainment"],"dc:title":["Navigating Sleep: Neural Audio Synthesis as Compositional Medium for EEG Data Sonification"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:17:39Z"}