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:20240401T145155Z LAST-MODIFIED:20240401T145155Z DTSTAMP:20260720T032717Z UID:1784507237@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. Γεωργίου Ραμιώτη - Σχολή ΗΜΜΥ LOCATION:Λ - Κτίριο Επιστημών/ΗΜΜΥ, 137Π-39,- 38 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=6885&cHash=a319dd3bc9d44e9 d6854f9110edd6d84\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Γεωργίου Ραμιώτ η\n με θέμα\n Διεπαφή Εγκεφάλου με Υ πολογιστή για Κίνηση σε Παιχνίδι Εικ ονικής Πραγματικότητας βασισμένο σε Σήματα Εγκεφαλογραφήματος (EEG)\n Br ain Computer Interface Driving Movem ent in a Virtual Reality Game based on EEG Signals\n Εξεταστική Επιτροπή \n Καθηγήτρια Αικατερίνη Μανιά (επιβ λέπων)\n Καθηγητής Μιχαήλ Λαγουδάκης \n Καθηγητής Γεώργιος Καρυστινός\n Π ερίληψη\n Οι Διεπαφές Εγκεφάλου με Υ πολογιστή είναι συστήματα που στοχεύ ουν την σύνδεση του ανθρώπινου εγκεφ άλου με υπολογιστή για τον έλεγχο μι ας εξωτερικής εφαρμογής. Οι διεπαφές εγκεφάλου υπολογιστή βασίζονται σε εξωτερικές συσκευές για την καταγραφ ή των βιοσημάτων ενός χρήστη, όπως τ α σήματα εγκεφαλογραφήματος (EEG). Τ ο παράδειγμα Κινητικής Αναπαράστασης είναι μια νοητική διεργασία όπου ο χρήστης προσομοιώνει μια δοθείσα κίν ηση για την παραγωγή μοναδικών μοτίβ ων σημάτων EEG. Τα μοτίβα αυτά μπορο ύν να αναλυθούν και να μεταφραστούν σε εντολές για την εξωτερική εφαρμογ ή. Αυτή η αναδυόμενη τεχνολογία παρο υσιάζει μια επεκτεινόμενη χρήση στην ιατρική ανάρρωση, στην νευροανάδρασ η, στον έλεγχο εξωσκελετού και πρόσφ ατα στα νευροπαιχνίδια.\n Αυτή η διπ λωματική εστιάζει στην χρήση μιας Δι επαφής Εγκεφάλου με Υπολογιστή με το παράδειγμα Κινητικής Αναπαράστασης βασισμένο σε σήματα εγκεφαλογραφήματ ος σε περιβάλλον εικονικής πραγματικ ότητας για νευροπαιχνίδι. Υπάρχουν ε ργαλεία λογισμικού, όπως το OpenVibe , που προσφέρουν μια ευθύς μεθοδολογ ία για την ανάπτυξη διεπαφών εγκεφάλ ου υπολογιστή βασισμένο σε EEG σήματ α. Ωστόσο, εστιάζουν στην χρήση  παρ αδοσιακών αλγορίθμων μηχανικής μάθησ ης για την κατηγοριοποίηση του σήματ ος και έτσι, συχνά παρουσιάζουν μειω μένη απόδοση που είναι κρίσιμη για ε γκεφαλικά ελεγχόμενα παιχνίδια που β ασίζονται στην ακρίβεια.  Για αυτόν τον λόγο, έχουμε αναπτύξει μια διεπα φή εγκεφάλου υπολογιστή που ελέγχει κίνηση σε ένα παιχνίδι λαβυρίνθου ει κονικής πραγματικότητας. Η διεπαφή ε γκεφάλου υπολογιστή βασίζεται στην π λατφόρμα OpenVibe για την επεξεργασί α του EEG σήματος και την παραγωγή μ οναδικών  EEG χαρακτηριστικών που θα χρησιμοποιηθούν για κατηγοριοποίηση . Για την βελτίωση της ακρίβειας της διεπαφής εγκεφάλου υπολογιστή, αναπ τύξαμε ένα συνελικτικό νευρωνικό δίκ τυο που αντικαθιστά το σύστημα κατηγ οριοποίησης του OpenVibe. Για την πε ραιτέρω ενίσχυση  της απόδοσης του ν ευρωνικού δικτύου μας, σχεδιάσαμε έν α Wasserstein παραγωγικό ανταγωνιστι κό δίκτυο που θα παράγει τεχνητά EEG χαρακτηριστικά για την εκπαίδευση τ ου συνελικτικού δικτύου. Έπειτα, τα κατηγοριοποιημένα EEG χαρακτηριστικά μεταφράζονται σε εντολές για το παι χνίδι λαβυρίνθου εικονικής πραγματικ ότητας. Επίσης, έχουμε σχεδιάσει ένα σύστημα βασισμένο στην διεπαφή εγκε φάλου υπολογιστή που επιτρέπει την ε γκεφαλικά ελεγχόμενη αλληλεπίδραση μ ε αντικείμενα του παιχνιδιού και μεν ού διεπαφής χρήστη. Εξετάσαμε την απ όδοση της υλοποιημένης διεπαφής εγκε φάλου υπολογιστή, συγκρίνοντας την α κρίβεια των νευρωνικών δικτύων μας μ ε αυτήν που προσφέρουν οι αλγόριθμοι κατηγοριοποίησης του OpenVibe. Επιπ λέον, καταγράψαμε την απόδοση του συ στήματος με ποικίλο αριθμό διαθέσιμω ν ενεργειών κινητικής αναπαράστασης. Τα αποτελέσματα παρουσιάζουν αύξηση στην ακρίβεια της διεπαφής εγκεφάλο υ υπολογιστή με την χρήση ενός συστή ματος κατηγοριοποίησης βασισμένο στη ν βαθιά μάθηση σε σύγκριση με το Ope nVibe.\n Abstract \n Brain Computer Interfaces (BCIs) are systems that a im to connect the human brain with a computer to control an external app lication. BCIs rely on external devi ces that record a user’s bio-signals such as EEG signals. The Motor Imag ery paradigm is a mental process whe re the user simulates a given motor action that can generate unique EEG signal patterns. These patterns can be analyzed and translated into comm ands for the external application. T his emerging technology has seen an expanding use in medical rehabilitat ion, neurofeedback, control of an ex oskeleton and quite recently neuroga ming.\n This thesis focuses on the u se of a Brain Computer Interface bas ed on EEG signals with the Motor Ima gery paradigm in a virtual reality e nvironment for neurogaming. There ar e existing software tools such as Op enVibe that offer a straight forward methodology of developing BCIs base d on EEG signals. However, they focu s on traditional machine learning al gorithms to classify the EEG signal and, thus, often lack in performance which is crucial for brain-controll ed games that rely on accuracy. For this reason, we have developed a BCI that controls movement in a virtual reality maze game. The BCI relies o n the OpenVibe platform to process t he EEG signal and generate unique fe atures for classification. To improv e the accuracy of the BCI, we develo ped a Convolutional Neural Network ( CNN) to replace the classification s ystem of OpenVibe. To further enhanc e the performance of our CNN we desi gned a Wasserstein Generative Advers arial Network to generate artificial EEG features to be used for trainin g. The classified EEG features are t hen translated into commands for our VR maze game. We have also develope d a BCI-based system that enables br ain-controlled interaction with in-g ame props and User Interface menus. We put our BCI to the test by compar ing the performance and accuracy of our neural networks offer, to that o f OpenVibe’s classification algorith ms. We also measure the performance of the system with a varied number o f available motor imagery actions. T he results have shown that a Deep le arning-based classification system i mproves the accuracy of the BCI comp ared to OpenVibe.\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20240405T110000 DTEND:20240405T120000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT END:VCALENDAR