BEGIN:VCALENDAR VERSION:2.0 PRODID:-//TUC//Events//EN CALSCALE:GREGORIAN BEGIN:VTIMEZONE TZID:Europe/Athens TZNAME:EEST DTSTART:19700329T030000 RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=3 BEGIN:STANDARD TZOFFSETFROM:+0200 TZOFFSETTO:+0300 TZNAME:EET DTSTART:19701025T040000 RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=10 END:STANDARD END:VTIMEZONE BEGIN:VEVENT CREATED:20220620T104114Z LAST-MODIFIED:20220620T104114Z DTSTAMP:20260811T082005Z UID:1786425605@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας, κ. Δελατόλας Αθανάσιος - Σχολή ΗΜΜΥ LOCATION:Η παρουσίαση θα γίνει με τηλεδιάσκεψ η DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=5584&cHash=46c8cefb1890ecd 0be97bd37434ed3d2\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n ΔΕΛΑΤΟΛΑΣ ΑΘΑΝΑ ΣΙΟΣ\n με Θέμα:\n Ηλεκτρομαγνητική Ε ύρεση Εγκεφαλικών Πηγών με Στατιστικ ές και Βαθιάς Μάθησης Προσεγγίσεις\n Electromagnetic Brain Source Analys is with Statistical and Deep Learnin g Approaches\n Εξεταστική Επιτροπή\n Καθηγητής Μιχαήλ Ζερβάκης (επιβλέπω ν)\n Καθηγητής Αθανάσιος Λιάβας\n Κα θηγητής Carsten H. Wolters (Institut e for Biomagnetism and Biosignalanal ysis (IBB), University of Münster, G ermany)\n \nΠερίληψη\n Το Ηλεκτροεγκ εφαλογράφημα (ΗΕΓ) είναι μια καθιερω μένη μη επεμβατική μέθοδος καταγραφή ς της λειτουργικής δραστηριότητας το υ εγκεφάλου. Το ΗΕΓ χρησιμοποιεί ηλε κτρόδια τοποθετημένα στο κεφάλι για την καταγραφή ηλεκτρικού δυναμικού. Το ΗΕΓ παρέχει υψηλή χρονική αλλά χα μηλή χωρική ανάλυση της εγκεφαλικής δραστηριότητας. Για να αποκτήσουμε μ ια καλύτερη εικόνα της χωρικής ανάλυ σης της εγκεφαλικής δραστηριότητας, πρέπει να λυθεί το αντίστροφο πρόβλη μα της Source Analysis το οποίο αποτ ελεί τον εντοπισμό των νευρικών πηγώ ν που δημιούργησαν το ΗΕΓ. Υπάρχουν πολλές μέθοδοι για την επίλυση του α ντιστρόφου προβλήματος αλλά βασίζοντ αι σε υποθέσεις και απαιτούν αρκετό υπολογιστικό χρόνο. Πρόσφατα, έχουν δημιουργηθεί νευρωνικά δίκτυα για τη ν επίλυση των παραπάνω προβλημάτων α λλά η εκπαίδευση τους είναι βασισμέν η σε μη-βέλτιστη μοντελοποίηση του ε υθύ προβλήματος και δεν μπορούν να λ ύσουν το αντίστροφο πρόβλημα για δια φορετικές ανατομίες του ανθρώπινου ε γκεφάλου. Σε αυτή τη διπλωματική εργ ασία, παρουσιάζεται ένα νέο συνελικτ ικό νευρωνικό δίκτυο (CNN) το οποίο είναι ανεξάρτητο του εγκεφαλικού χώρ ου νευρικών πηγών και η εκπαιδευσή τ ου είναι βασιζομένη σε ρεαλιστική κα ι βαθμονομημένη μοντελοποίηση κεφαλή ς με αγωγιμότητα κρανίου. Η απόδοση του CNN επικυρώνεται με προσομοιωμέν α δεδομένα ΗΕΓ και με πραγματικά ΗΕΓ για το πρώτο νευρολογικό στοιχείο σ τα 20 ms (απόκριση P20/N20) σε τρία υγιή άτομα. Το νευρωνικό δίκτυο εντο πίζει το στοιχείο P20/N20 στην περιο χή Brodmann 3b. Τέλος, τα αποτελέσμα τα υποδηλώνουν ότι το CNN μας ξεπερν ά τις παραδοσιακές αριθμητικές μεθόδ ους.\n Abstract\n Electroencephalogr aphy (EEG) is a well-established non -invasive recording method for the b rain's functional activity. EEG uses an array of electrodes placed on th e scalp to record electrical potenti al signals. EEG provides high tempor al but low spatial resolution of bra in activity. To gain insight about t he spatial dynamics of the EEG, one has to solve the inverse problem of Source Analysis, that is, to find th e neural sources that give rise to t he recorded EEG activity. There are many existing numerical methods for solving the inverse problem but most of them strongly rely on priors and require significant amount of compu tational time. Recently, neural netw orks have been proposed to resolve t hese issues but their training is ba sed on suboptimal forward modeling a nd they cannot localize EEG recordin gs in various brain anatomies. Here, we present a new CNN architecture w hich is independent of the modeled b rain source space and its training i s based on realistic and skull-condu ctivity calibrated head modeling. Th e performance of our CNN is validate d with simulated EEG data and real E EG somatosensory evoked potentials f or the first neurological component at 20 ms (P20/N20 response) from thr ee healthy subjects. Our network has localized the P20/N20 component at the subject-specific Brodmann area 3 b. Finally, the results suggest that our CNN outperforms the traditional numerical methods.\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20220622T120000 DTEND:20220622T130000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT END:VCALENDAR