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:20240313T120224Z LAST-MODIFIED:20240313T120224Z DTSTAMP:20260612T012940Z UID:1781216980@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. Σωτηρίου Κάββουρα - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.tuc.gr/el/to-polytechnei o/ilektronikes-ypiresies/imerologio/ imerologio-ekdiloseon-1?tx_tucevents 2_tuceventsdisplay%5Baction%5D=show& tx_tucevents2_tuceventsdisplay%5Bcon troller%5D=Event&tx_tucevents2_tucev entsdisplay%5Bevent%5D=6855&cHash=51 bd09ac54c779bcf1250fc2a8f364bb\nΠΟΛΥ ΤΕΧΝΕΙΟ ΚΡΗΤΗΣ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\ n Πρόγραμμα Προπτυχιακών Σπουδών\n Π ΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Σω τηρίου Κάββουρα\n με θέμα\n Ανάλυση Μαγνητοεγκεφαλογραφήματος Ατόμων με Ήπιες Κρανιοεγκεφαλικές Κακώσεις με χρήση Πολυεπίπεδων Δικτύων Συνδεσιμό τητας και Νευρωνικών Δικτύων Γράφων\ n Magnetoencephalogram Analysis of S ubjects with Mild Head Injuries usin g Multilevel Connectivity Networks a nd Graph Neural Networks\n Εξεταστικ ή Επιτροπή\n Καθηγητής Μιχαήλ Ζερβάκ ης (επιβλέπων)\n Καθηγητής Θρασύβουλ ος Σπυρόπουλος\n Καθηγητής Διονύσιος Χριστόπουλος\n Περίληψη\n Η ήπια κρ ανιοεγκεφαλική κάκωση (mTBI) είναι μ ια συχνή νευρολογική πάθηση με σημαν τικές γνωστικές και λειτουργικές επι πτώσεις. Η παρούσα διατριβή παρουσιά ζει μια ολοκληρωμένη διερεύνηση των νευρωνικών μεταβολών που σχετίζονται με το mTBI με τη χρήση προηγμένων τ εχνικών νευροαπεικόνισης και μηχανικ ής μάθησης. Συγκεκριμένα, χρησιμοποι ούμε την ανάλυση της λειτουργικής συ νδεσιμότητας πολλαπλών επιπέδων (MLF C), τη μηχανική μάθηση (ML) και τα ν ευρωνικά δίκτυα γράφων (GNN) για να διαλευκάνουμε τα περίπλοκα μοτίβα τη ς διαταραχής των εγκεφαλικών δικτύων και να παράσχουμε πληροφορίες για τ ους υποκείμενους νευροφυσιολογικούς μηχανισμούς. Οι μαγνητοεγκεφαλογραφι κές (MEG) καταγραφές αποκτήθηκαν από ασθενείς με mTBI και υγιείς μάρτυρε ς κατά τη διάρκεια καταστάσεων ηρεμί ας. Η MLFC καταγράφει πολυεπίπεδες σ υσχετίσεις σε διάφορες ζώνες συχνοτή των, αποκαλύπτοντας λεπτές αλλαγές σ τη συνδεσιμότητα μεταξύ των διάφορων περιοχών του εγκεφάλου. Η ταξινόμησ η με τη χρήση της ML αποδεικνύει τη δυνατότητα διάκρισης των ασθενών mTB I από τους υγιείς με βάση τα νευρικά χαρακτηριστικά. Τα GNN μοντελοποιού ν τις περιοχές του εγκεφάλου ως γράφ ο, αποτυπώνοντας πολύπλοκες αλληλεπι δράσεις και μη γραμμικές σχέσεις. Η ενσωμάτωση των GNN ενισχύει την κατα νόηση των διαταραχών που σχετίζονται με το mTBI, παρέχοντας μια πιο ολισ τική προοπτική. Αν και τα GNN παρουσ ιάζουν σημαντικά ανώτερες επιδόσεις σε σύγκριση με τις παραδοσιακές μεθό δους μηχανικής μάθησης, επιτυγχάνοντ ας ακρίβεια περίπου 97% έναντι 80-85 %, η εφαρμογή της MLFC παρουσιάζει λ ιγότερο σαφή αποτελέσματα, με τα αυτ ά να εμφανίζονται ιδιαίτερα διφορούμ ενα, κυμαινόμενα μεταξύ 50% και 65%. Η μελέτη μας ενισχύει τις γνώσεις σ χετικά με την τροποποιημένη λειτουργ ική συνδεσιμότητα σε ασθενείς με mTB I. Η συγχώνευση των MLFC, ML και GNN αποκαλύπτει αποχρώσεις της δυναμική ς που δεν καταγράφονται από τις παρα δοσιακές μεθόδους. Τα ευρήματα αυτά συμβάλλουν στην κατανόηση της παθοφυ σιολογίας του mTBI και μπορούν να κα θοδηγήσουν εξατομικευμένες παρεμβάσε ις.\n Abstract \n Mild Traumatic Bra in Injury (mTBI) is a common neurolo gical condition with significant cog nitive and functional implications. This thesis presents a comprehensive investigation into the neural alter ations associated with mTBI by emplo ying advanced neuroimaging technique s and machine learning. Specifically , we employ Multi-Layer Functional C onnectivity (MLFC) analysis, Machine Learning (ML), and Graph Neural Net works (GNNs) to unravel the intricat e patterns of brain network disrupti on and provide insights into the und erlying neurophysiological mechanism s. Magnetoencephalographic (MEG) rec ordings were acquired from mTBI pati ents and healthy controls during res ting states. MLFC captures multi-lay er correlations in different frequen cy bands, revealing subtle connectiv ity changes between brain regions. M L classification demonstrates the po tential to discern mTBI patients fro m controls based on neural features. GNNs model brain regions as a graph , capturing complex interactions and non-linear relationships. Integrati ng GNNs enhances our understanding o f mTBI-related disruptions, providin g a more holistic perspective. Our s tudy enhances insights into altered functional connectivity in mTBI pati ents. Although GNNs exhibit signific antly superior performance compared to traditional machine learning meth ods, achieving an accuracy of approx imately 97% versus 80-85%, the appli cation of MLFC presents less definit ive outcomes, with results appearing notably ambiguous, ranging between 50% and 65%. The fusion of MLFC, ML, and GNNs unveils nuanced dynamics n ot captured by traditional methods. These findings contribute to underst anding mTBI pathophysiology and may guide personalized interventions.\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20240314T133000 DTEND:20240314T143000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT END:VCALENDAR