Please use this identifier to cite or link to this item: http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/19012
Full metadata record
DC FieldValueLanguage
dc.contributor.authorΓεωργοπετρέας, Ελευθέριος-
dc.date.accessioned2024-03-19T13:46:28Z-
dc.date.available2024-03-19T13:46:28Z-
dc.date.issued2024-02-15-
dc.identifier.urihttp://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/19012-
dc.description.abstractΗ μαγνητοεγκεφαλογραφία (MEG) και η ηλεκτροεγκεφαλογραφία (EEG), μεταξύ άλλων, αποτελούν απαραίτητα εργαλεία για την νευροαπεικόνιση, καθόσον παρέχουν σύνθετες πληροφορίες για την εγκεφαλική δραστηριότητα του εξεταζόμενου. Η παρούσα διατριβή ασχολείται με τον ρόλο του λογισμικού ανοικτού κώδικα, MNE-Python (Minimum Norm Estimation), στην εξερεύνηση, οπτικοποίηση και ανάλυση των ανθρώπινων νευροφυσιολογικών δεδομένων. Η MNE-Python, ένα από τα πιο ισχυρά εργαλεία της αγοράς, παρέχει σήμερα κρίσιμα χαρακτηριστικά στην οπτικοποίηση δεδομένων. Ωστόσο, το παρόν έργο αποσκοπεί στην υπέρβαση συγκεκριμένων περιορισμών που σχετίζονται με την κλιμάκωση, ανοίγοντας το δρόμο για διευρυμένα περιθώρια επιλογών, προσαρμοσμένα στις απαιτήσεις των διαφοροποιημένων αναγκών των ιατρών και των ερευνητών. To έργο επικεντρώνεται σε τρεις βασικές βελτιώσεις στο πλαίσιο της MNE-Python. Πρώτον, επιτρέπει την κλιμάκωση σε προκαθορισμένα είδη καναλιών, αντί για το σύνολο των δεδομένων. Δεύτερον, παρέχει στους χρήστες μεγαλύτερο έλεγχο υλοποιώντας συντελεστή κλίμακας προσαρμόσιμο σε οποιαδήποτε τιμή. Τέλος, εισάγει λειτουργίες ευαισθησίας, δηλαδή διασφαλίζει τον έλεγχο πάνω στις αποστάσεις που εμφανίζονται στην οθόνη, καθώς αυτό αποτελεί κοινή πρακτική σε αυτό το επιστημονικό πεδίο. Οι προτεινόμενες βελτιώσεις κλιμάκωσης είναι καίριας σημασίας για τις ιατρικές και ερευνητικές κοινότητες, που χρησιμοποιούν την MNE-Python. Με την αντιμετώπιση αυτών των προκλήσεων, το λογισμικό γίνεται πιο προσαρμόσιμο στις υπάρχουσες ερευνητικές πρακτικές, και φέρνει πρωτοπορία στην ακρίβεια και την αποτελεσματικότητα της ερμηνείας των νευροφυσιολογικών δεδομένων και την εξαγωγή πληροφορίας. Στα επόμενα κεφάλαια, γίνεται επισκόπηση του υφιστάμενου τοπίου των εργαλείων ανοιχτού κώδικα, διατύπωση της αρχιτεκτονικής και τεχνολογιών που χρησιμοποιούνται, διεύρυνση των μεθοδολογιών για κάθε βελτίωση και, τέλος, παρουσίαση των αποτελεσμάτων καθώς και παράθεση προβληματισμών σχετικά με μελλοντικές συνεισφορές και ερευνητικούς δρόμους.en_US
dc.languageelen_US
dc.subjectΝευροφυσιολογικά δεδομένα, MNE-Python, ηλεκτροεγκεφαλογραφία, ΕΕΓ, μαγνητοεγκεφαλογραφία, ΜΕΓ, ανοιχτού κώδικα, Python, PyQt, ευαισθησία, κλιμάκωσηen_US
dc.subjectNeurophysiological data, MNE-Python, electroencephalography, EEG, MEG, magnetoencephalography, MEG, open source, Python, PyQt, sensitivity, scalingen_US
dc.titleΕνίσχυση δυνατοτήτων open source εργαλείου απεικόνισης νευροφυσιολογικών δεδομένωνen_US
dc.description.pages70en_US
dc.contributor.supervisorΑσκούνης Δημήτριοςen_US
dc.departmentΤομέας Ηλεκτρικών Βιομηχανικών Διατάξεων και Συστημάτων Αποφάσεωνen_US
Appears in Collections:Διπλωματικές Εργασίες - Theses

Files in This Item:
File Description SizeFormat 
thesis.pdf1.25 MBAdobe PDFView/Open


Items in Artemis are protected by copyright, with all rights reserved, unless otherwise indicated.