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:20240703T101218Z
LAST-MODIFIED:20240703T101218Z
DTSTAMP:20260511T172857Z
UID:1778509737@tuc.gr
SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κας
  Μαρίας - Αικατερίνης Δουρίδα - Σχολ
 ή 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=7082&cHash=62
 00b1bd640ddf34c08328793f414adb\nΠΟΛΥ
 ΤΕΧΝΕΙΟ ΚΡΗΤΗΣ\n Σχολή Ηλεκτρολόγων 
 Μηχανικών και Μηχανικών Υπολογιστών\
 n Πρόγραμμα Προπτυχιακών Σπουδών\n Π
 ΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Μα
 ρίας - Αικατερίνης Δουρίδα\n με θέμα
 \n Ανάλυση Μαγνητοεγκεφαλογραφήματος
  σε παιδιά με Αναγνωστικές Δυσκολίες
  με χρήση Ρεαλιστικών Μοντέλων Κεφαλ
 ής και Μηχανικής Μάθησης\n Analysis 
 of Magnetoencephalographic signals f
 rom Children with Reading Difficulti
 es using realistic Head Modeling and
  Machine Learning\n Εξεταστική Επιτρ
 οπή\n Καθηγητής Μιχαήλ Ζερβάκης (επι
 βλέπων, Σχολή ΗΜΜΥ)\n Καθηγητής Αθαν
 άσιος Λιάβας(Σχολή ΗΜΜΥ)\n Καθηγητής
  Διονύσιος Χριστόπουλος(Σχολή ΗΜΜΥ)\
 n Περίληψη\n Οι Δυσκολίες στην Ανάγν
 ωση είναι ο πιο συνηθισμένος τύπος μ
 αθησιακής δυσκολίας, οι οποίες εμφαν
 ίζονται συχνά σε νεαρή ηλικία. Τα συ
 μπτώματα που παρουσιάζονται αφορούν 
 ελλείψεις  στην κατανόηση και ανάγνω
 ση κειμένων, στην αποκωδικοποίηση τω
 ν λέξεων, στην ορθογραφία και στη φω
 νολογία. Η Μαγνητοεγκεφαλογραφία (ME
 G) είναι μια νευροεικονική τεχνική π
 ου απαθανατίζει τη δραστηριότητα του
  εγκεφάλου με ακρίβεια χιλιοστών του
  δευτερολέπτου. Η ανάλυση των πηγών 
 των καταγεγραμμένων σημάτων MEG μπορ
 εί να παρέχει μια ακριβή εκτίμηση τη
 ς υποκείμενης δραστηριότητας του εγκ
 εφάλου, χωρίς να επηρεάζεται από τις
  επιδράσεις της αγωγιμότητας μεταξύ 
 των ιστών. Έτσι δημιουργείται μια κα
 τάλληλη βάση για τη μελέτη των μοτίβ
 ων της λειτουργικής συνδεσιμότητας τ
 ου εγκεφάλου. Σε αυτή τη διπλωματική
 , μέσα από την ανάλυση των, καταγεγρ
 αμμένων σε κατάσταση ηρεμίας, σημάτω
 ν MEG από 40 παιδιά υγιή(NI) και 26 
 παιδιά με δυσκολίες στην ανάγνωση (R
 D), εκτιμώνται οι αλληλεπιδράσεις με
 ταξύ περιοχών του εγκεφάλου σε προσε
 γγίσεις  εσωτερικής, ενδιάμεσης και 
 την κυρίαρχης συχνότητας, με τελικό 
  σκοπό την επιτυχή κατηγοριοποίηση τ
 ων ατόμων μεταξύ των ομάδων NI και R
 D. Αρχικά, γίνεται ο εντοπισμός των 
 πηγών, χρησιμοποιώντας τεχνικές beam
 forming και χρήση ρεαλιστικού μοντέλ
 ου κεφαλής. Στην συνέχεια, με τη χρή
 ση μετρικών συγχρονισμού φάσης, εκτι
 μώνται οι αλληλεπιδράσεις των πηγών 
 σε εσωτερική και ενδιάμεση συχνότητα
  σε μεταβλητό χρόνο. Εκτιμάται επίση
 ς, η  κυρίαρχη συχνότητα για να αποκ
 αλυφθεί περαιτέρω η μέγιστη αλληλεπί
 δραση των πηγών. Τέλος, κατασκευάζον
 ται οι συμβολικές χρονοσειρές και  υ
 πολογίζεται ο δείκτης πολυπλοκότητάς
  του δικτύου. Πραγματοποιείται σύγκρ
 ιση των προσεγγίσεων Ενδιάμεσης, Εσω
 τερικής και Κυρίαρχης συχνότητας, αν
 αλύοντας τα εγκεφαλικά δίκτυα σε όλε
 ς τις περιοχές του εγκεφάλου, καθώς 
 και στις καταστάσεις λειτουργικής συ
 νδεσιμότητας(fcmstates). Από τα αποτ
 ελέσματα, φαίνεται ότι η κυρίαρχη συ
 χνότητα (δ-β) παρέχει μια πιο ακριβή
  απεικόνιση των διαφορών μεταξύ των 
 ομάδων σε όλες τις περιοχές του εγκε
 φάλου και τις καταστάσεις. Με τη χρή
 ση αλγορίθμων μηχανικής μάθησης K-Κο
 ντινότεροι Γείτονες (κ-ΝΝ) και Μηχαν
 ών Διανυσμάτων Υποστήριξης (SVM) στη
 ν κυρίαρχη συχνότητα, παρατηρείται υ
 ψηλή απόδοση κατηγοριοποίησης (Ακρίβ
 εια  > 96%). Επιτυγχάνεται επίσης
  υψηλή ακρίβεια κατηγοριοποίησης  σε
  όλες τις εξεταζόμενες μετρικές συγχ
 ρονισμού φάσης. Η παρούσα διπλωματικ
 ή θέτει έτσι τις βάσεις για μελλοντι
 κά μη επεμβατικά συστήματα διάγνωσης
 , για την ανίχνευση δυσκολιών στην α
 νάγνωση στην παιδική ηλικία.\n Abstr
 act \n Reading Difficulties are the 
 most common type of learning disabil
 ity, often manifesting at a young ag
 e, including deficits in reading com
 prehension, word decoding, orthograp
 hy and phonology. Magnetoencephalogr
 aphy (MEG) is a neuroimaging techniq
 ue that captures brain activity in m
 illisecond precision. The source ana
 lysis of MEG recordings can provide 
 an estimation of the underlying brai
 n activity without being affected by
  volume conduction effects. An appro
 priate base to investigate functiona
 l connectivity patterns is thus esta
 blished. In this thesis, resting sta
 te MEG recordings from 40 Non-Impair
 ed (NI) children and 26 children wit
 h Reading Difficulties (RD) are anal
 yzed with the goal to estimate the i
 ntra-, inter- and dominant frequency
 -based brain interactions and succes
 sfully classify them between NI and 
 RD groups. Initially, source locatio
 n is performed using beamforming tec
 hniques and realistic head modeling.
  Using intra-frequency and inter-fre
 quency phase synchronization metrics
  on a time-varying fashion, source i
 nteractions are estimated. The domin
 ant frequency coupling is also estim
 ated to further reveal the maximum c
 oupling source interaction. Symbolic
  time-series and their complexity in
 dex are then estimated. A comparison
  of the Inter-, Intra- and Dominant 
 frequency approaches is conducted, b
 y analysing the brain networks acros
 s brain regions, as well as their FC
 mstates. From the results, it is ind
 icated that the dominant frequency (
 δ-β) provides a more accurate depict
 ion of the differences between group
 s across brain regions and FCmstates
 . By employing the machine learning 
 approaches k-Nearest Neighbors (κ-ΝΝ
 ) and Support Vector Machine (SVM) o
 n the dominant frequency, a high cla
 ssification performance (Accuracy  &
 gt; 96 %) is observed. Highly accura
 te classification is also achieved a
 cross all the examined phase synchro
 nization metrics. The present thesis
  thus paves the way for future non-i
 nvasive diagnostic systems for ident
 ifying reading difficulties in child
 hood.\n Meeting ID: 973 7897 1705\n 
 Password: 436394\n
STATUS:CONFIRMED
ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr
DTSTART:20240705T120000
DTEND:20240705T130000
TRANSP:OPAQUE
CLASS:DEFAULT
END:VEVENT
END:VCALENDAR