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:20240605T085200Z
LAST-MODIFIED:20240605T085200Z
DTSTAMP:20260508T175534Z
UID:1778252134@tuc.gr
SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κας
  Αφροδίτης Κολομβάκη - 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=7000&cHash=14
 cfa3aea7b29991c424a94ed8363e5b\nΠΟΛΥ
 ΤΕΧΝΕΙΟ ΚΡΗΤΗΣ\n Σχολή Ηλεκτρολόγων 
 Μηχανικών και Μηχανικών Υπολογιστών\
 n Πρόγραμμα Προπτυχιακών Σπουδών\n Π
 ΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Αφ
 ροδίτης Κολομβάκη\n με θέμα\n Εντοπι
 σμός Πηγών Ηλεκτροεγκεφαλογραφήματος
  Διαφορετικών Ρεαλιστικών Ανατομιών 
 Εγκεφάλου με τη χρήση Τεχνικών Βαθιά
 ς Μάθησης\n EEG Source Localization 
 on Different Realistic Brain Anatomi
 es using Deep Learning Techniques\n 
 Εξεταστική Επιτροπή\n Καθηγητής Μιχα
 ήλ Ζερβάκης (επιβλέπων)\n Καθηγητής 
 Λιάβας Αθανάσιος\n Καθηγητής Carsten
  H. Wolters (Institute for Biomagnet
 ism and Biosignalanalysis (IBB), Uni
 versity of Münster, Germany)\n Περίλ
 ηψη\n Το ηλεκτροεγκεφαλογάφημα είναι
  μια μέθοδος που χρησιμοποιείται για
  τη καταγραφή της ηλεκτρικής δραστηρ
 ιότητας του εγκεφάλου και χρησιμοποι
 είται για τη διαγνωση και παρακολούθ
 ηση παθήσεων όπως η επιληψία, οι δια
 ταραχές ύπνου ή και οι κρανιοεγκεφαλ
 ικες κακώσεις. Η καταγραφή αυτή των 
 ηλεκτρικών σημάτων που παράγει ο εγκ
 έφαλος γίνεται με τη χρήση ηλεκτροδί
 ων, τα οποία τοποθετούνται πάνω στο 
 δέρμα της κεφαλής. Μια από τις κύριε
 ς δυσκολίες όσον αφορά την ερμηνεία 
 αυτών των σημάτων, είναι η ταυτοποίη
 ση των περιοχών μέσα στον εγκέφαλο π
 ου εμφάνισαν ηλεκτρική δραστηριότητα
  και προκάλεσαν τις αντίστοιχες μετρ
 ήσεις στο ηλεκτροεγκεφαλογάφημα. Αυτ
 ό είναι γνωστό ως το αντίστροφο πρόβ
 λημα. Υπάρχουν πολλές μέθοδοι για τη
 ν επίλυση του αντίστροφου προβλήματο
 ς αλλά απαιτούν πολύ υπολογιστικό χρ
 όνο ή εξαρτώνται σε μεγάλο βαθμό από
  υποθέσεις που μπορεί να μην είναι σ
 ωστές και ακριβείς. Πρόσφατα, τα νευ
 ρωνικά δίκτυα έχουν προταθεί σαν μια
  λύση του αντίστροφου προβλήματος αλ
 λά η εκπαίδευση τους συχνά βασίζεται
  σε υποβέλτιστη μοντελοποίηση του πρ
 οβλήματος, ενω παράλληλα δυσκολεύοντ
 αι να λύσουν το αντίστροφο πρόβλημα 
 σε διαφορετικές ανατομίες εγκεφάλου 
 και στην περίπτωση που παραπάνω απο 
 μια πηγές παρουσιάζουν εγκεφαλική δρ
 αστηριότητα. Σε αυτή τη διπλωματική,
  παρουσιάζουμε ενα συνελικτικό νευρω
 νικό δίκτυο, το οποίο έχει εκπαιδευτ
 εί σε διαφορετικές ρεαλιστικές ανατο
 μίες εγκεφάλου και μπορεί να λύσει τ
 ο αντίστροφο πρόβλημα για εως και τρ
 είς πηγές στον εγκέφαλο σε διαφορετι
 κές ρεαλιστικές ανατομίες. Σύμφωνα μ
 ε τα αποτελέσματα, η μέθοδος μας απο
 δίδει καλύτερα σε σχέση με παραδοσια
 κές αριθμιτικές μεθόδους οπως η sLOR
 ETA.\n Abstract \n Electroencephalog
 raphy (EEG) is a technique used to r
 ecord the electrical activity of the
  brain and is commonly used in medic
 al settings to diagnose and monitor 
 conditions such as epilepsy, sleep d
 isorders, and brain injuries. It inv
 olves placing electrodes on the scal
 p, which detect the electrical signa
 ls produced by the brain. One of the
  main challenges in interpreting the
 se EEG signals is to identify the un
 derlying neural sources responsible 
 for generating the measured scalp po
 tentials. This is known as EEG sourc
 e analysis or EEG inverse problem. V
 arious numerical methods exist to ad
 dress this inverse problem, but they
  require considerable computational 
 time and often depend heavily on pri
 or assumptions. Recently, neural net
 works have been suggested as a solut
 ion, but their training often relies
  on suboptimal forward modeling and 
 they struggle to localize EEG signal
 s across different brain anatomies a
 nd multiple brain electrical activat
 ions. In this study, we introduce a 
 Convolutional Neural Network (CNN) a
 rchitecture that is independent of t
 he brain source space model and trai
 ned using realistic head models cali
 brated for skull conductivity. It is
  capable of solving the inverse prob
 lem for up to three active brain sou
 rces on different realistic brain an
 atomies. The results indicate that o
 ur CNN outperforms traditional numer
 ical methods like sLORETA.\n
STATUS:CONFIRMED
ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr
DTSTART:20240611T100000
DTEND:20240611T110000
TRANSP:OPAQUE
CLASS:DEFAULT
END:VEVENT
END:VCALENDAR