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:20260520T104844Z
LAST-MODIFIED:20260520T104844Z
DTSTAMP:20260614T013356Z
UID:1781390036@tuc.gr
SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. 
 Κωνσταντίνου Γραμμένου - Σχολή ΗΜΜΥ
LOCATION:
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=8426&cHash=3a3ce0a2e505c5c
 2dde735c0fd4cd70e\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ
 Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και
  Μηχανικών Υπολογιστών\n Πρόγραμμα Π
 ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ
 ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Κωνσταντίνου Γρ
 αμμένου \n με θέμα\n Θεωρητική Διερε
 ύνηση της Υπόθεσης "Κρίσιμου Εγκεφάλ
 ου" και Κλινικές Εφαρμογές σε Δεδομέ
 να Ηλεκτροεγκεφαλογραφημάτων (EEG)\n
  Critical Brain Hypothesis: Theoreti
 cal Investigations and Applications 
 to Clinical EEG Data\n Εξεταστική Επ
 ιτροπή\n Καθηγητής Διονύσιος Χριστόπ
 ουλος (επιβλέπων)\n Καθηγητής Αθανάσ
 ιος Λιάβας\n Καθηγητής Μιχαήλ Ζερβάκ
 ης\n Περίληψη\n Η υπόθεση του “κρίσι
 μου εγκεφάλου” στην σύγχρονη νευροεπ
 ιστήμη ισχυρίζεται ότι ο εγκέφαλος λ
 ειτουργεί κοντά σε μία μετάπτωση φάσ
 ης. Στο κρίσιμο σημείο, κοντά στο όρ
 ιο ανάμεσα στην πλήρη τάξη και την α
 ταξία, εμφανίζονται αναδυόμενες ιδιό
 τητες όπως ταλαντώσεις, συγχρονισμός
  και βέλτιστη ροή πληροφορίας. Η παρ
 ούσα δουλειά ερευνά αυτήν την υπόθεσ
 η. Μοντελοποιούμε την νευρωνική δυνα
 μική μέσω μίας πολυδιάστατης διαδικα
 σίας Ornstein–Uhlenbeck, η οποία περ
 ιλαμβάνει όρους ολίσθησης (αντιστοιχ
 ώντας στις συνδέσεις ανάμεσα στους ν
 ευρώνες) και έναν όρο διάχυσης (Γκαο
 υσιανός λευκός θόρυβος). Διερευνούμε
  δύο μοντέλα δομής συνδεσιμότητας με
 ταξύ νευρώνων: το ανεξάρτητο και ισο
 κατανεμημένο (i.i.d.) Γκαουσιανό μον
 τέλο και το τμηματικό Γκαουσιανό Ορθ
 ογώνιο Σύνολο (block GOE). Μελετούμε
  αυτά τα μοντέλα στο όριο μεγάλου πλ
 ήθους νευρώνων N, με στόχο να εξετάσ
 ουμε δύο συμπληρωματικούς και ανεξάρ
 τητους σκοπούς. Εμπνευσμένο από τα δ
 ιεγερτικά-κατασταλτικά δίκτυα στην ν
 ευροεπιστήμη, το τμηματικό Γκαουσιαν
 ό ορθογώνιο σύνολο μας επιτρέπει την
  μαθηματική εξερεύνηση των αναδυόμεν
 ων ιδιοτήτων, όπως ταλαντώσεις και σ
 υγχρονισμός. Από την άλλη, το ανεξάρ
 τητο και ισοκατανεμημένο Γκαουσιανό 
 μοντέλο δρα ως ένα γενικό και ευέλικ
 το μοντέλο, το οποίο είναι ιδανικό γ
 ια την ανίχνευση των κρίσιμων μοτίβω
 ν σε εμπειρικά κλινικά δεδομένα. Ο ε
 γκέφαλος εμφανίζει πλούσια χωροχρονι
 κή δραστηριότητα, ενώ οι νευρωνικές 
 καταγραφές συχνά συνυπάρχουν με θόρυ
 βο τύπου 1/f (δηλαδή με φάσμα μειούμ
 ενο αλγεβρικά ως συνάρτηση της συχνό
 τητας). Προκειμένου να ανιχνεύσουμε 
  την εγκεφαλική δραστηριότητα, εργαζ
 όμαστε στο πεδίο της συχνότητας και 
 παρουσιάζουμε μετρικές οι οποίες βασ
 ίζονται στον πίνακα φασματικής πυκνό
 τητας ισχύος. Αυτές οι μετρικές είνα
 ι η αποτελεσματική διαστατικότητα (E
 D), η μέση τιμή της φασματικής πυκνό
 τητα ισχύος ως προς το δίκτυο (NAPS)
 , και η αποτελεσματική σύζευξη (EC).
  Η παρούσα εργασία αποτελείται από δ
 ύο ενότητες. Στο θεωρητικό τμήμα, εν
 ισχύουμε την ερμηνευσιμότητα του συσ
 τήματος με  block GOE συνδεσιμότητα.
  Συγκεκριμένα, παρέχουμε αναλυτική έ
 κφραση για την NAPS και την ED, οι ο
 ποίες μας επιτρέπουν να ερευνήσουμε 
 τις ιδιότητες του συστήματος καθώς ο
 ι παράμετροι του μοντέλου μεταβάλλον
 ται. Ως τελική επέκταση αυτής της αν
 άλυσης, υπολογίζουμε κλειστή έκφραση
  και για την μέση τιμή της συνάρτηση
  συνδιακύμανσης ως προς το δίκτυο. Π
 αρά το γεγονός ότι αυτές οι κλειστές
  εκφράσεις δεν έχουν δοκιμαστεί σε π
 ραγματικά δεδομένα, ενισχύουν σημαντ
 ικά την κατανόηση των σύνθετων νευρω
 νικών συστημάτων. Επιπροσθέτως, ανιχ
 νεύουμε την αποτελεσματική σύζευξη (
 χρησιμοποιώντας την υπόθεση της i.i.
 d. Γκαουσιανής συνδεσιμότητας) καθώς
  και την αποτελεσματική διαστατικότη
 τα, σε EEG δεδομένα τα οποία περιλαμ
 βάνουν εφήβους τόσο υγιείς όσο και π
 ροσβεβλημένους με διάσειση. Με αυτόν
  τον τρόπο, ανιχνεύουμε ενδείξεις κρ
 ισιμότητας και συγχρονισμένης δραστη
 ριότητας ανά ομάδα.\n Abstract \n Th
 e critical brain hypothesis in moder
 n neuroscience states that the brain
  operates near a phase transition. A
 t the critical point, close to the b
 oundary between total order and chao
 s, emergent properties such as oscil
 lations, synchronization, and optima
 l information flow emerge. This work
  investigates this theory. We model 
 neural dynamics via a vector Ornstei
 n–Uhlenbeck process which consists o
 f a drift (the connection of each ne
 uron) and a diffusion term (Gaussian
  white noise). We investigate two mo
 dels of connectivity structure among
  neurons: independent and identicall
 y distributed (i.i.d.) Gaussian and 
 block Gaussian Orthogonal Ensemble (
 block GOE). We study these models in
  the large-N limit to study two comp
 lementary, independent purposes. Ins
 pired by excitatory–inhibitory netwo
 rks in neuroscience, the arrangement
  of the block GOE structure allows f
 or the mathematical exploration of e
 mergent properties such as critical 
 oscillations and coordination. On th
 e other hand, the model connected wi
 th i.i.d. Gaussian structure acts as
  a generic, asymmetric, flexible mod
 el, suitable for the detection of cr
 itical patterns in empirical clinica
 l data. The brain contains rich spat
 iotemporal activity, while neural re
 cordings often coexist with 1/f nois
 e. To capture this activity, we work
  in the frequency domain and present
  the following metrics based on the 
 spectral density matrix (SDM). These
  metrics are the effective dimension
 ality (ED), the network-averaged pow
 er spectrum (NAPS), and the effectiv
 e coupling (EC). Our work consists o
 f the following two parts. In our th
 eoretical part, we enhance the expla
 inability of the system with the blo
 ck GOE connectivity structure. Speci
 fically, we derive a closed formula 
 for the NAPS and ED, which allows us
  to explain the system properties, a
 s the model parameters vary. As a fi
 nal extension of the analysis, we de
 rived the network averaged autocovar
 iance function. Although these resul
 ts were not tested on real world dat
 a, they serve as an enhancement of t
 he understanding of complex neural s
 ystems. In addition, we infer the ef
 fective coupling using the i.i.d. Ga
 ussian connectivity assumption, and 
 the effective dimensionality in EEG 
 data that consist of both concussed 
 and healthy male adolescents. Hence,
  we detect signatures of criticality
  and coordinated activity within eac
 h group.\n
STATUS:CONFIRMED
ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr
DTSTART:20260603T100000
DTEND:20260603T110000
TRANSP:OPAQUE
CLASS:DEFAULT
END:VEVENT
END:VCALENDAR