Ανάλυση Ηλεκτροεγκεφαλογραφημάτων (EEG) για τη Διάκριση μεταξύ Υγιών Υποκειμένων και Ασθενών με Νόσο Alzheimer και Μετωποκροταφική Άνοια: Τεχνικές Μηχανικής Μάθησης και Ανάλυση Συνδεσιμότητας Εγκεφαλικών Περιοχών

Simple item page
dc.contributor.advisorΚούτρας, Αθανάσιος
dc.contributor.authorΚαραδημητροπούλου, Μαρία
dc.contributor.departmentΤμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστώνel
dc.contributor.facultyΠολυτεχνική Σχολήel
dc.contributor.masterΗλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών (Integrated master)el
dc.date.accessioned2025-11-04T11:24:13Z
dc.date.available2025-11-04T11:24:13Z
dc.date.issued2025-10
dc.description.abstractΗ μελέτη αυτή διερευνά τεχνικές για τη διαφορική διάγνωση της νόσου Αλτσχάιμερ (AD), της Μετωποκροταφικής άνοιας (FTD) και των υγιών ατόμων (CN) χρησιμοποιώντας επεξεργασμένα δεδομένα ηρεμίας ηλεκτροεγκεφαλογραφήματος (EEG) από 88 συμμετέχοντες στο σύνολο δεδομένων OpenEuro (Miltiadous, 2024). Η AD και η FTD είναι προοδευτικές νευροεκφυλιστικές διαταραχές που πλήττουν κυρίως ηλικιωμένους, με επικαλυπτόμενα κλινικά συμπτώματα που δυσχεραίνουν την πρώιμη και ακριβή διάγνωση. Ο πρωταρχικός στόχος είναι η ταυτοποίηση διακριτών νευροφυσιολογικών δεικτών, όπως πρότυπα εγκεφαλικών κυμάτων, πολυπλοκότητα σήματος και αλλαγές στη λειτουργική συνδεσιμότητα, που διακρίνουν αποτελεσματικά αυτές τις καταστάσεις από τη φυσιολογική εγκεφαλική λειτουργία. Για την επίτευξη αυτού, εξήχθη ένα ολοκληρωμένο σύνολο χαρακτηριστικών, καλύπτοντας φασματικά, χρονικής περιοχής, πολυπλοκότητας και μετρικές συνδεσιμότητας. Χρησιμοποιήθηκαν κλασικά μοντέλα μηχανικής μάθησης, όπως υποστηρικτικές μηχανές διανυσμάτων (SVM) με πυρήνες Radial Basis Function (RBF), τυχαία δάση (Random Forests), Naïve Bayes και γραμμική ανάλυση διαχωρισμού (LDA) για την ανάλυση αυτών των χαρακτηριστικών σε σχέση με τη φασματική ισχύ, την εντροπία και τη δικτυακή συνδεσιμότητα. Επιπλέον, χρησιμοποιήθηκαν απεικονίσεις φασματογραφήματος των σημάτων EEG για την εκπαίδευση συνελικτικών νευρωνικών δικτύων (CNN) ώστε να αποτυπωθούν πολύπλοκα πρότυπα χρόνου-συχνότητας. Η απόδοση όλων των μοντέλων αξιολογήθηκε με τη χρήση τυπικών μετρικών, όπως accuracy, balanced accuracy, specificity, F1-Score , AUC, ενώ η αξιολόγηση συμπληρώθηκε οπτικά μέσω καμπύλων ROC και Confusion Matrices, με στόχο τη βελτίωση της έγκαιρης διάγνωσης και την αναγνώριση αξιόπιστων βιοδεικτών βασισμένων σε EEG για την παρακολούθηση της εξέλιξης της νόσου. Αυτή η διπλή προσέγγιση, που ενσωματώνει κλασική μηχανική μάθηση με μεθόδους βαθιάς μάθησης, παρέχει συμπληρωματικές γνώσεις για τις πολύπλοκες νευρωνικές δυναμικές της άνοιας. Τελικός στόχος του έργου είναι να υποστηρίξει την ανάπτυξη ενός βοηθητικού διαγνωστικού εργαλείου που ενισχύει την κλινική λήψη αποφάσεων, επιτρέποντας έγκαιρες και εξατομικευμένες θεραπευτικές στρατηγικές για τις νευροεκφυλιστικές ασθένειες.el
dc.description.abstracttranslatedThis study investigates techniques to differentiate between Alzheimer’s Disease (AD), Frontotemporal Dementia (FTD), and healthy controls (CN) using preprocessed resting state EEG data from 88 participants in the OpenEuro Dataset (Miltiadous, 2024). AD and FTD are progressive neurodegenerative disorders predominantly affecting older adults, with overlapping clinical symptoms that challenge early and accurate diagnosis. The primary objective is to identify distinct neurophysiological markers, including brainwave patterns, signal complexity, and functional connectivity changes, that effectively distinguish these conditions from normal brain function. To achieve this, a comprehensive set of features was extracted, covering spectral, time domain, complexity, and connectivity metrics. Classical machine learning models, such as Support Vector Machines (SVMs) with Radial Basis Function (RBF) kernels, Random Forests, Naïve Bayes, and Linear Discriminant Analysis (LDA), were employed to analyze these features in relation to spectral power, entropy, and network connectivity. Additionally, spectrogram representations of EEG signals were used to train convolutional neural networks (CNNs) to capture intricate time-frequency patterns. The performance of all models was evaluated using multiple metrics including accuracy, balanced accuracy, specificity, F1-score, and AUC, complemented by visual assessments through ROC curves and Confusion Matrices, all aimed at improving early diagnosis and identifying reliable EEG-based biomarkers for disease progression. This dual approach, integrating classical machine learning with deep learning methods, provides complementary insights into the complex neural dynamics of dementia. Ultimately, this work aims to support the development of an auxiliary diagnostic tool that enhances clinical decision-making, enabling timely and personalized treatment strategies for neurodegenerative diseases.el
dc.format.extent102el
dc.identifier.urihttps://amitos.library.uop.gr/xmlui/handle/123456789/9300
dc.language.isoenel
dc.publisherΠανεπιστήμιο Πελοποννήσουel
dc.rightsΑναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/gr/*
dc.subject.keywordAlzheimer’s Disease , Cognitively Normal , Convolutional Neural Networks , Frontotemporal Dementiael
dc.titleΑνάλυση Ηλεκτροεγκεφαλογραφημάτων (EEG) για τη Διάκριση μεταξύ Υγιών Υποκειμένων και Ασθενών με Νόσο Alzheimer και Μετωποκροταφική Άνοια: Τεχνικές Μηχανικής Μάθησης και Ανάλυση Συνδεσιμότητας Εγκεφαλικών Περιοχώνel
dc.title.alternativeEEG-based Connectivity Analysis for Differentiating Alzheimer's Disease and Frontotemporalel
dc.typeΜεταπτυχιακή διπλωματική εργασίαel

Files

Original bundle

Now showing 1 - 1 of 1
Thumbnail Image
Name:
Diploma Thesis (Karadimitropoulou)_FinalVersion.pdf
Size:
2.83 MB
Format:
Adobe Portable Document Format
Description:
Download

License bundle

Now showing 1 - 1 of 1
Thumbnail Image
Name:
license.txt
Size:
933 B
Format:
Item-specific license agreed upon to submission
Description:
Download

Collections

Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών (Μ. Δ. Ε.)