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:20240725T145931Z
LAST-MODIFIED:20240725T145931Z
DTSTAMP:20260419T111000Z
UID:1776586200@tuc.gr
SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. 
 Ευαγγέλου Κατσούπη - Σχολή ΗΜΜΥ Ορθή
  Επανάληψη (νέος σύνδεσμος τηλεδιάσκ
 εψης)
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=7161&cHash=fa
 5b899bb39d1908bca392d36b27d7bb\nΠΟΛΥ
 ΤΕΧΝΕΙΟ ΚΡΗΤΗΣ\n Σχολή Ηλεκτρολόγων 
 Μηχανικών και Μηχανικών Υπολογιστών\
 n Πρόγραμμα Προπτυχιακών Σπουδών\n Π
 ΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Ευ
 αγγέλου Κατσούπη\n με θέμα\n Ανάπτυξ
 η Συστήματος Επιτήρησης για Καρδιολο
 γικές Παθήσεις\n Development of a Ca
 rdiovascular Disease Monitoring Syst
 em\n Εξεταστική Επιτροπή\n Καθηγητής
  Μιχαήλ Ζερβάκης (επιβλέπων)\n Καθηγ
 ητής Ευριπίδης Πετράκης\n Καθηγητής 
 Μιχαήλ Γ. Λαγουδάκης\n Περίληψη \n Ο
 ι καρδιοαγγειακές παθήσεις είναι η κ
 ύρια αιτία θανάτου παγκοσμίως. Φορητ
 ά συστήματα χρησιμοποιούνται όλο και
  περισσότερο για την πραγματική απόκ
 τηση και ανάλυση βιοσημάτων του ανθρ
 ώπινου σώματος. Σε αυτό το πλαίσιο, 
 τέτοια συστήματα έχουν υιοθετηθεί γι
 α την παρακολούθηση των καρδιοαγγεια
 κών παθήσεων, δείχνοντας δυνατότητες
  για μη επεμβατική διάγνωση. Ωστόσο,
  τα εν λόγω συστήματα είτε βασίζοντα
 ι σε πολυκριτήριες μεθόδους, οι οποί
 ες δεν βασίζονται σε δεδομένα, είτε 
 είναι εμπορικά προϊόντα με περιορισμ
 ένη πρόσβαση στην αξιολόγηση των επι
 δόσεων.\n Η διπλωματική αυτή εργασία
 , προτείνει ένα ανοικτού τύπου κώδικ
 α, πολυαισθητηριακό, φορητό σύστημα,
  φιλικό προς τον χρήστη κάνοντας ποι
 ο εύκολη την παρακολούθηση και ανιχν
 ευτή αρρυθμιών βασισμένο σε μοντέλο 
 βαθιάς μάθησης, εκπαιδευμένο σε χαρα
 κτηριστικά ηλεκτροκαρδιογραφήματος (
 ΗΚΓ). Γίνεται χρήση της συσκευής Mov
 esense Medical, που τοποθετημένη σε 
 ζώνη στήθους, είναι ικανή να καταγρά
 φει ιατρικής ποιότητας, μονοκαναλικό
  ΗΚΓ σε διάφορους ρυθμούς δειγματολη
 ψίας. Το Raspberry Pi 4 χρησιμεύει ω
 ς πλατφόρμα επεξεργασίας, παρέχοντας
  την απαραίτητη υπολογιστική ισχύ γι
 α την επεξεργασία σημάτων και την επ
 ικοινωνία με τη συσκευή. Για να πραγ
 ματοποιηθεί η επικοινωνία με τον αισ
 θητήρα, αναπτύχθηκε μια βοηθητική βι
 βλιοθήκη και για να δημιουργηθεί το 
 γραφικό περιβάλλον για την διεπαφή χ
 ρήστη με, την πλατφόρμα επεξεργασίας
  και την συσκευή καταγραφής έγινε χρ
 ήση της βιβλιοθήκης Dash.\n Διάφοροι
  αλγόριθμοι χρησιμοποιήθηκαν και αξι
 ολογήθηκαν για την επεξεργασία του σ
 ήματος και την ανίχνευση χαρακτηριστ
 ικών μορφολογίας ΗΚΓ, όπως παλμοί R,
  τα χρονικά διαστήματα RR, η εκτίμησ
 η αναπνοής που προκύπτει από το ΗΚΓ,
  ο καρδιακός ρυθμός και διάφοροι δεί
 κτες μεταβλητότητας αυτού. Τα εξαγόμ
 ενα μορφολογικά χαρακτηριστικά συνδυ
 άστηκαν με αναπαραστάσεις χρόνου-συχ
 νότητας (που προέρχονται από τoν συν
 εχή μετασχηματισμό με wavelet - CWT)
  για την εκπαίδευση ενός συνελικτικο
 ύ νευρωνικού δικτύου για την ανίχνευ
 ση τύπων αρρυθμιών σύμφωνα με τα πρό
 τυπα της Ένωσης για την Πρόοδο των Ι
 ατρικών Οργάνων. Η Βάση Δεδομένων MI
 T-BIH Arrhythmia χρησιμοποιήθηκε για
  την εκπαίδευση του μοντέλου ανίχνευ
 σης, χρησιμοποιώντας και συγκρίνοντα
 ς διάφορες τεχνικές επεξεργασίας σήμ
 ατος και διαφορετικά κύματα CWT.\n Τ
 α αποτελέσματα δείχνουν ότι η προεπε
 ξεργασία των σημάτων της βάσης δεδομ
 ένων με φίλτρα μέσης τιμής, ακολουθο
 ύμενα από φίλτρο notch, και η χρήση 
 της μητρικής κύματος Gaussian 4 (GAU
 S4), παρήγαγαν υψηλή συνολική ακρίβε
 ια και μετρική F1 για διάφορες κατηγ
 ορίες (SVEB - 80.75%, VEB - 93.90%),
  υπερβαίνοντας αυτά που αναφέρονται 
 σε παρόμοιες μελέτες, γίνοντας αρωγό
 ς στην ακριβή και έγκαιρη παρέμβαση 
 στην παρακολούθηση της καρδιοαγγειακ
 ής υγείας.\n Abstract  \n Cardiovasc
 ular diseases (CVDs) are the leading
  cause of death globally. Portable a
 nd wearable systems have increasingl
 y been used for the real-time acquis
 ition and analysis of human electrop
 hysiological activity. In this regar
 d, these systems have been adopted f
 or monitoring cardiovascular disease
 s, demonstrating a potential for non
 -invasive diagnostics. However, thes
 e systems either rely on multicriter
 ia-based methods, which are not data
 -driven, or are commercial products 
 with limited access to performance a
 ssessment.\n This thesis proposes an
  open-source, multi-sensoric, portab
 le system with real-time preprocessi
 ng, user-friendly monitoring, and a 
 post-processing deep learning-based 
 arrhythmia detector (CVD index) with
  related electrocardiogram (ECG) fea
 tures. The use of Movesense Medical 
 multisensory device attached to a ch
 est belt is capable of capturing med
 ical grade, 1-lead ECG at various sa
 mpling rates. A Raspberry Pi 4 is th
 e processing platform, providing the
  necessary computational power for s
 ignal processing and device communic
 ation. To facilitate communication w
 ith the sensing device, a wrapper AP
 I was developed and the Dash framewo
 rk was used to create the user inter
 face for communication and monitorin
 g. \n Various algorithms were employ
 ed and benchmarked to clean the sign
 al and detect ECG morphological feat
 ures such as R-peaks, RR intervals, 
 ECG-derived respiration, heart rate 
 and its variability metrics. The ext
 racted ECG morphological features we
 re combined with time-frequency repr
 esentations (derived from Continuous
  Wavelet Transform - CWT) for traini
 ng a convolutional neural network (C
 NN) to detect arrhythmia types accor
 ding to the Association for the Adva
 ncement of Medical Instrumentation s
 tandards. The MIT-BIH Arrhythmia Dat
 abase was used to train the detectio
 n model, employing and comparing var
 ious signal processing techniques an
 d different CWT wavelets.\n A low-en
 ergy consumption and portable system
  was assembled having the unique opp
 ortunity of acquiring and analyzing 
 cardiac activity. For the arrhythmia
  detection module,  an open source d
 atabase of 44 patients with an overa
 ll of 110 thousand labeled heartbeat
 s (normal/abnormal). A median follow
 ed by a notch filter, and the using 
 of the Gaussian 4 derivative mother 
 wavelet (GAUS4), were applied as the
  preprocessing steps. The preprocess
 ed signals were then used for traini
 ng/testing purposes of the adapted C
 NN, leading to high overall accuracy
  and F1 scores at different classes 
 (SVEB-80.75%, VEB-93.90%), surpassin
 g those reported in similar studies.
  The presented system for cardiac mo
 nitoring and arrhythmia detection en
 ables accurate and timely interventi
 on in monitoring cardiovascular heal
 th.\n
STATUS:CONFIRMED
ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr
DTSTART:20240726T100000
DTEND:20240726T110000
TRANSP:OPAQUE
CLASS:DEFAULT
END:VEVENT
END:VCALENDAR