Συντάχθηκε 10-07-2026 09:22
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 13/07/2026 12:00
Λήξη: 13/07/2026 13:00
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
ΕΛΕΝΗΣ ΣΤΑΥΡΟΠΟΥΛΟΥ
με θέμα
Ταξινόμηση Κυρίαρχων Γραφημάτων Λειτουργικής Συνδεσιμότητας από Ήπιες Τραυματικές Εγκεφαλικές Κακώσεις με χρήση των Δικτύων Kolmogorov-Arnold (KAN)
Classification of dominant functional connectivity graphs from mild traumatic brain injuries using Kolmogorov-Arnold Networks (KAN)
Εξεταστική Επιτροπή
Καθ. Μιχαήλ Ζερβάκης (επιβλέπων)
Καθ. Διονύσιος Χριστόπουλος
Καθ. Αθανάσιος Λιάβας
Περίληψη
Η κλινική διάγνωση της ήπιας κρανιοεγκεφαλικής κάκωσης (mTBI)
αποτελεί διαρκή πρόκληση λόγω των ήπιων νευροφυσιολογικών συμπτωμάτων που τη χαρακτηρίζουν, τα οποία δεν είναι εύκολο να εντοπιστούν με μεθόδους συμβατικής δομικής νευροαπεικόνισης. Η παρούσα διπλωματική προτείνει μια μέθοδο ταξινόμησης μέσω ανάλυσης δεδομένων Μαγνητοεγκεφαλογραφήματος (MEG) σε κατάσταση ηρεμίας. Συνδυάζει την ανάλυση μικροκαταστάσεων δυναμικής λειτουργικής συνδεσιμότητας με τα Δίκτυα Kolmogorov-Arnold (KAN), δίνοντας έμφαση στην ερμηνεία και τη διαφάνεια των αποτελεσμάτων.
Η μελέτη βασίστηκε σε κατωφλιωμένους, χρονικά μεταβαλλόμενους γράφους κυρίαρχης λειτουργικής συνδεσιμότητας διάστασης 90x90 (iPLV, OMST). Από αυτούς τους γράφους εξήχθη το φάσμα ιδιοτιμών του κανονικοποιημένου πίνακα Laplace, και ακολούθησε ο κβαντισμός τους σε δύο πρότυπες καταστάσεις μέσω του αλγορίθμου Neural Gas. Βάσει ενός κριτηρίου ταξινόμησης που στηρίχθηκε στις ιδιοτιμές Laplace, οι καταστάσεις διαχωρίστηκαν σε υψηλής και χαμηλής συνδεσιμότητας αντίστοιχα. Από τις προκύπτουσες συμβολικές χρονοσειρές εξήχθησαν δέκα χρονικά και γραφοθεωρητικά χαρακτηριστικά ανά υποκείμενο. Αυτά τα χαρακτηριστικά χρησιμοποιήθηκαν ως είσοδος σε ένα ρηχό, μονοεπίπεδο δίκτυο ΚΑΝ, το οποίο είναι μια καινοτόμα αρχιτεκτονική που αντικαθιστά τα σταθερά βάρη των ακμών με learnable συναρτήσεις ενεργοποίησης B-spline και εξάγει τα πιο σημαντικά χαρακτηριστικά άμεσα κατά την εκπαίδευση. Για την αντιμετώπιση της ανισορροπίας των κλάσεων εφαρμόστηκε τυχαία υποδειγματοληψία σε 100 ανεξάρτητες
επαναλήψεις, παράγοντας ένα ισορροπημένο σύνολο 60 υποκειμένων. Το μοντέλο αξιολογήθηκε μέσω ενός πρωτοκόλλου δύο φάσεων: stratified 5-fold cross-validation για την επιλογή των κυρίαρχων χαρακτηριστικών, και Leave-One-Out (LOO) testing σε ένα ανεξάρτητο test dataset.
Το μοντέλο πέτυχε ακρίβεια 0.707 ± 0.133 και AUC
-ROC 0.760 ± 0.141. Αν και τα SVM και MLP ξεπέρασαν το KAN σε ακρίβεια κατά 4–5% μέσω του ίδιου πρωτοκόλλου αξιολόγησης, το KAN από μόνο του κατάφερε να απομονώσει την πιθανότητα μετάβασης και τον μέσο χρόνο παραμονής στην κατάσταση χαμηλότερης συνδεσιμότητας ως τους ισχυρότερους δείκτες mTBI. Οι συναρτήσεις spline που έμαθε το μοντέλο αποκάλυψαν μη γραμμικές, μη μονότονες σχέσεις μεταξύ αυτών των χαρακτηριστικών και της εξόδου ταξινόμησης, παρέχοντας μία νευροφυσιολογικά θεμελιωμένη ερμηνεία των αποφάσεων του μοντέλου. Η εργασία αυτή αποδεικνύει ότι τα ερμηνεύσιμα νευρωνικά δίκτυα μπορούν να προσφέρουν διαγνωστικά στοιχεία με διαφάνεια έναντι ελάχιστου κόστους στην ακρίβεια ταξινόμησης.
Abstract
The clinical diagnosis of Mild Traumatic Brain Injury (mTBI) remains a formidable challenge due to the subtle
neurophysiological changes that characterize the condition, which conventional structural neuroimaging typically fails to detect. This thesis proposes a pipeline for classifying mTBI from healthy subjects by analyzing resting-state Magnetoencephalography (MEG) data. Specifically, it combines dynamic functional connectivity microstate analysis with Kolmogorov-Arnold Networks (KAN) and emphasizes interpretability and visual transparency.
The analysis was based on thresholded, time
-varying, dominant functional connectivity graphs of dimensionality 90x90 (iPLV, OMST). These graphs were decomposed via normalized Laplacian eigenspectra and quantized into two prototypical network microstates using the Neural Gas algorithm. An eigenvalue-based sorting criterion was introduced to label the microstates as higher-connectivity and lower-connectivity across all subjects. Ten temporal and graph-theoretic features were extracted from the symbolic time series per subject. These features were fed into a shallow, single-layer KAN, which is an emerging architecture that replaces fixed edge weights with learnable B-spline activation functions and derives feature importance intrinsically during training. To address class imbalance, a random undersampling routine was implemented across 100 independent runs, yielding a balanced dataset of 60 subjects. Model evaluation followed a two-phase protocol: 5-fold stratified cross-validation on 48 training subjects for feature threshold selection, and Leave-One-Out testing on a held-out set of 12 subjects.
The model achieved a test accuracy of 0.707
± 0.133 and AUC-ROC of 0.760 ± 0.141. While both SVM and MLP slightly outperformed the network by 4–5% in accuracy under the same protocol, KAN intrinsically isolated transition probability and mean dwell time in the lower-connectivity state as the strongest mTBI biomarkers. The learned spline functions revealed non-linear, non-monotonic relationships between these features and the classification output, providing a neurophysiologically grounded explanation of the model’s decisions. This work is proof that interpretable neural architectures can provide transparent diagnostic insights with minimal impact on classification performance.
