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:20260615T230424Z UID:1781553864@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. Γεωργίου Ραμιώτη - Σχολή ΗΜΜΥ LOCATION:Λ - Κτίριο Επιστημών/ΗΜΜΥ, 137Π-39,- 38 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=6885&cHash=94 70bd3261dddef55f69661ae8dc28f6\nΠΟΛΥ ΤΕΧΝΕΙΟ ΚΡΗΤΗΣ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\ n Πρόγραμμα Προπτυχιακών Σπουδών\n Π ΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Γε ωργίου Ραμιώτη\n με θέμα\n Διεπαφή Ε γκεφάλου με Υπολογιστή για Κίνηση σε Παιχνίδι Εικονικής Πραγματικότητας βασισμένο σε Σήματα Εγκεφαλογραφήματ ος (EEG)\n Brain Computer Interface Driving Movement in a Virtual Realit y Game based on EEG Signals\n Εξετασ τική Επιτροπή\n Καθηγήτρια Αικατερίν η Μανιά (επιβλέπων)\n Καθηγητής Μιχα ήλ Λαγουδάκης\n Καθηγητής Γεώργιος Κ αρυστινός\n Περίληψη\n Οι Διεπαφές Ε γκεφάλου με Υπολογιστή είναι συστήμα τα που στοχεύουν την σύνδεση του ανθ ρώπινου εγκεφάλου με υπολογιστή για τον έλεγχο μιας εξωτερικής εφαρμογής . Οι διεπαφές εγκεφάλου υπολογιστή β ασίζονται σε εξωτερικές συσκευές για την καταγραφή των βιοσημάτων ενός χ ρήστη, όπως τα σήματα εγκεφαλογραφήμ ατος (EEG). Το παράδειγμα Κινητικής Αναπαράστασης είναι μια νοητική διερ γασία όπου ο χρήστης προσομοιώνει μι α δοθείσα κίνηση για την παραγωγή μο ναδικών μοτίβων σημάτων EEG. Τα μοτί βα αυτά μπορούν να αναλυθούν και να μεταφραστούν σε εντολές για την εξωτ ερική εφαρμογή. Αυτή η αναδυόμενη τε χνολογία παρουσιάζει μια επεκτεινόμε νη χρήση στην ιατρική ανάρρωση, στην νευροανάδραση, στον έλεγχο εξωσκελε τού και πρόσφατα στα νευροπαιχνίδια. \n Αυτή η διπλωματική εστιάζει στην χρήση μιας Διεπαφής Εγκεφάλου με Υπο λογιστή με το παράδειγμα Κινητικής Α ναπαράστασης βασισμένο σε σήματα εγκ εφαλογραφήματος σε περιβάλλον εικονι κής πραγματικότητας για νευροπαιχνίδ ι. Υπάρχουν εργαλεία λογισμικού, όπω ς το OpenVibe, που προσφέρουν μια ευ θύς μεθοδολογία για την ανάπτυξη διε παφών εγκεφάλου υπολογιστή βασισμένο σε EEG σήματα. Ωστόσο, εστιάζουν στ ην χρήση  παραδοσιακών αλγορίθμων μη χανικής μάθησης για την κατηγοριοποί ηση του σήματος και έτσι, συχνά παρο υσιάζουν μειωμένη απόδοση που είναι κρίσιμη για εγκεφαλικά ελεγχόμενα πα ιχνίδια που βασίζονται στην ακρίβεια .  Για αυτόν τον λόγο, έχουμε αναπτύ ξει μια διεπαφή εγκεφάλου υπολογιστή που ελέγχει κίνηση σε ένα παιχνίδι λαβυρίνθου εικονικής πραγματικότητας . Η διεπαφή εγκεφάλου υπολογιστή βασ ίζεται στην πλατφόρμα OpenVibe για τ ην επεξεργασία του EEG σήματος και τ ην παραγωγή μοναδικών  EEG χαρακτηρι στικών που θα χρησιμοποιηθούν για κα τηγοριοποίηση. Για την βελτίωση της ακρίβειας της διεπαφής εγκεφάλου υπο λογιστή, αναπτύξαμε ένα συνελικτικό νευρωνικό δίκτυο που αντικαθιστά το σύστημα κατηγοριοποίησης του OpenVib e. Για την περαιτέρω ενίσχυση  της α πόδοσης του νευρωνικού δικτύου μας, σχεδιάσαμε ένα Wasserstein παραγωγικ ό ανταγωνιστικό δίκτυο που θα παράγε ι τεχνητά EEG χαρακτηριστικά για την εκπαίδευση του συνελικτικού δικτύου . Έπειτα, τα κατηγοριοποιημένα EEG χ αρακτηριστικά μεταφράζονται σε εντολ ές για το παιχνίδι λαβυρίνθου εικονι κής πραγματικότητας. Επίσης, έχουμε σχεδιάσει ένα σύστημα βασισμένο στην διεπαφή εγκεφάλου υπολογιστή που επ ιτρέπει την εγκεφαλικά ελεγχόμενη αλ ληλεπίδραση με αντικείμενα του παιχν ιδιού και μενού διεπαφής χρήστη. Εξε τάσαμε την απόδοση της υλοποιημένης διεπαφής εγκεφάλου υπολογιστή, συγκρ ίνοντας την ακρίβεια των νευρωνικών δικτύων μας με αυτήν που προσφέρουν οι αλγόριθμοι κατηγοριοποίησης του O penVibe. Επιπλέον, καταγράψαμε την α πόδοση του συστήματος με ποικίλο αρι θμό διαθέσιμων ενεργειών κινητικής α ναπαράστασης. Τα αποτελέσματα παρουσ ιάζουν αύξηση στην ακρίβεια της διεπ αφής εγκεφάλου υπολογιστή με την χρή ση ενός συστήματος κατηγοριοποίησης βασισμένο στην βαθιά μάθηση σε σύγκρ ιση με το OpenVibe.\n Abstract \n Br ain Computer Interfaces (BCIs) are s ystems that aim to connect the human brain with a computer to control an external application. BCIs rely on external devices that record a user’ s bio-signals such as EEG signals. T he Motor Imagery paradigm is a menta l process where the user simulates a given motor action that can generat e unique EEG signal patterns. These patterns can be analyzed and transla ted into commands for the external a pplication. This emerging technology has seen an expanding use in medica l rehabilitation, neurofeedback, con trol of an exoskeleton and quite rec ently neurogaming.\n This thesis foc uses on the use of a Brain Computer Interface based on EEG signals with the Motor Imagery paradigm in a virt ual reality environment for neurogam ing. There are existing software too ls such as OpenVibe that offer a str aight forward methodology of develop ing BCIs based on EEG signals. Howev er, they focus on traditional machin e learning algorithms to classify th e EEG signal and, thus, often lack i n performance which is crucial for b rain-controlled games that rely on a ccuracy. For this reason, we have de veloped a BCI that controls movement in a virtual reality maze game. The BCI relies on the OpenVibe platform to process the EEG signal and gener ate unique features for classificati on. To improve the accuracy of the B CI, we developed a Convolutional Neu ral Network (CNN) to replace the cla ssification system of OpenVibe. To f urther enhance the performance of ou r CNN we designed a Wasserstein Gene rative Adversarial Network to genera te artificial EEG features to be use d for training. The classified EEG f eatures are then translated into com mands for our VR maze game. We have also developed a BCI-based system th at enables brain-controlled interact ion with in-game props and User Inte rface menus. We put our BCI to the t est by comparing the performance and accuracy of our neural networks off er, to that of OpenVibe’s classifica tion algorithms. We also measure the performance of the system with a va ried number of available motor image ry actions. The results have shown t hat a Deep learning-based classifica tion system improves the accuracy of the BCI compared 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