Συντάχθηκε 14-07-2026 13:43
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 16/07/2026 10:00
Λήξη: 16/07/2026 11:00
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
Κλέϊντα Γιαούπι
με θέμα
Ανάπτυξη Ενσωματωμένου Συστήματος Καταγραφής και Ανάλυσης Βιοσημάτων
Design and Implementation of an Embedded System for Biosignal Acquisition and Analysis
Εξεταστική Επιτροπή
Καθηγητής Μιχαήλ Ζερβάϰης (επιβλέπων)
Καθηγητής Μιχαήλ Γ. Λαγουδάϰης
Επίκουρος Καθηγητής Μάριος Αντωναϰάϰης (ΕΛΜΕΠΑ)
Περίληψη
Η Ηλεϰτροεγϰεφαλογραφία είναι η μοναδική ευρέως προβάσιμη τεχνολογία που επιτρέπει την καταγραφή της εγκεφαλικής δραστηριότητας με ανάλυση της τάξης του χιλιοστού του δευτερολέπτου. Παρά τις δεκαετίες μεθοδολογικής εξέλιξης, οι τυπικές εργαστηριακές διατάξεις εξακολουθούν να είναι δαπανηρές, μη φορητές και να παρέχουν αργή ανατροφοδότηση κατά τη διάρκεια της καταγραφής. Η παρούσα διπλωματική εργασία διερευνά αν το ίδιο επιστημονικό έργο μπορεί να επιτευχθεί σε έναν προσιτό ενσωματωμένο υπολογιστή Raspberry Pi 5, μέσω της κατασκευής ενός πλήρους συστήματος παρακολούθησης και ανάλυσης EEG σε πραγματικό χρόνο σε συνεργασία με το ασύρματο ακουστικό g.tec Unicorn Hybrid Black. Το σύστημα υλοποιεί ολόκληρη τη διαδικασία επεξεργασίας πάνω σε μία
μόνο ενσωματωμένη πλακέτα: λήψη σήματος μέσω Bluetooth από το ακουστικό, επιλογή καναλιών, φιλτράρισμα ζώνης αποκοπής (notch) ϰαι ζωνοδιαβατό (bandpass), καϑώς και εκτίμηση φασματικής πυκνότητας ισχύος ϰατά Welch, με εξαγωγή χαρακτηριστικών ισχύος και λόγων ζωνών. Η οπτικοποίηση και ο έλεγχος όλων αυτών των διεργασιών, που εκτελούνται συγχρονισμένα, πραγματοποιούνται μέσω ενός πίνακα ελέγχου (dashboard) στον browser του ερευνητή. Πέρα από την κλασική επεξεργασία, ενσωματώνεται ένα εξατομικευμένο ανά υποκείμενο σύστημα ανίχνευσης ανωμαλιών, εκπαιδευμένο από μια σύντομη καταγραφή της κατάστασης ηρεμίας του. Αυτή λαμβάνεται ως baseline στην αρχή κάϑε
συνεδρίας επισημαίνοντας αποκλίσεις από το ατομικό πρότυπο τόσο σε πραγματικό χρόνο όσο και στην offline ανάλυση. Η επιβεβαίωση της λειτουργικότητας του συστήματος έγινε μέσω του κλασικού οπτικού παραδείγματος oddball, στο οποίο ο εξεταζόμενος καλείται να μετρήσει σπάνια ερεθίσματα μέσα σε μια ροή συχνότερων ερεθισμάτων. Το σύστημα ανέκτησε την αναμενόμενη απόκριση P300, με τιμές πλάτους και υστέρησης πλήρως συμβατές με τη βιβλιογραφία και η ανάλυση επιβεβαίωσε το εύρημα. Η εργασία δείχνει ότι μια φορητή, οικονομική πλατφόρμα EEG ανοιχτού κώδικα μπορεί να λειτουργήσει ως ολοκληρωμένο ερευνητικό όργανο.
Abstract
Electroencephalography (EEG) is the only widely accessible technology that enables the recording of brain activity with millisecond-scale temporal resolution. Despite decades of methodological advancement, standard laboratory setups remain expensive, non-portable, and provide delayed feedback during recording. This thesis investigates whether the same scientific work can be achieved on an affordable embedded computer, the Raspberry Pi 5, through the development of a complete real-time EEG monitoring and analysis system in conjunction with the wireless g.tec Unicorn Hybrid Black headset. The system implements the entire processing pipeline on a single embedded board: signal acquisition via Bluetooth from the headset, channel selection, notch and bandpass filtering, as well as power spectral density estimation using Welch’s method, with the extraction of power features and band ratios. Visualization and control of all these synchronously running processes are carried out through a dashboard in the researcher’s browser. Beyond conventional processing, the system incorporates a subject- specific anomaly detection module, trained on a short recording of the subject’s resting state. This baseline is recorded at the start of each session, enabling the system to flag deviations from the individual’s normal pattern both in real time and during offline analysis. The functionality of the system was validated using the classic visual oddball paradigm, in which the participant is asked to count rare stimuli within a sequence of standard stimuli. The system successfully recovered the expected P300 response, with amplitude and latency values fully consistent with the literature, and subsequent analysis robustly confirmed these findings. This work demonstrates that a portable, low-cost, and open-source EEG platform can function effectively as a complete research instrument
Meeting ID: 954 649 5567
Password: 956799
