Έγκαιρη ανίχνευση κινητικής κατάστασης μέσω μηχανικής μάθησης και ανάλυσης χρονικών, φασματικών και χαρακτηριστικών συνδεσιμότητας σε ηλεκτροεγκεφαλογραφικά δεδομένα με χρήση γλώσσας Python

Abstract

Η παρούσα διπλωματική εργασία επικεντρώνεται στην έγκαιρη ανίχνευση κινητικών καταστάσεων μέσω της ανάλυσης ηλεκτροεγκεφαλογραφικών (EEG) σημάτων με τεχνικές μηχανικής μάθησης. Στο πλαίσιο της μελέτης, πραγματοποιήθηκε επεξεργασία πάνω σε EEG δεδομένα από πειραματικές καταγραφές με στόχο την εξαγωγή χρονικών χαρακτηριστικών, φασματικών χαρακτηριστικών, και χαρακτηριστικών συνδεσιμότητας. Εξετάστηκαν τόσο πραγματικές όσο και φανταστικές κινήσεις, αξιοποιώντας δείκτες όπως τα MRCPs, η φασματική πυκνότητα ισχύος και δίκτυα συνδεσιμότητας. Η ταξινόμηση των καταστάσεων πραγματοποιήθηκε με χρήση αλγορίθμων όπως οι Random Forest, SVM και Logistic Regression, με σκοπό την μελλοντική ενίσχυση της απόδοσης συνδυαστικών συστημάτων BCI-FES για την υποστήριξη κινητικά περιορισμένων ατόμων.