Στην παρούσα διδακτορική διατριβή, μελετάται η ανάπτυξη μιας μεθοδολογίας για την αυτόματη, ποσοτική ανάλυση, του ηλεκτρομυογραφικού σήματος, καθώς και η δημιουργία ενός ευφυούς συστήματος για τη διάγνωση των βασικών συναισθηματικών καταστάσεων των ατόμων. Στο πρώτο μέρος, αρχικά περιγράφεται η δομή και ο τρόπος λειτουργίας των νευρικών και μυϊκών κυττάρων. Παρατίθενται τα βασικά χαρακτηριστικά του ηλεκτρομυογραφικού σήματος, των συστημάτων που χρησιμοποιούνται για την καταγραφή του και τα πεδία εφαρμογής του ηλεκτρομυογραφήματος. Στη συνέχεια, αναφέρεται η διαγνωστική σημασία του ηλεκτρομυογραφήματος και οι σημαντικότερες δυσκολίες που εμφανίζονται κατά την ανάλυσή του, ενώ εισάγεται η έννοια της ποσοτικής ανάλυσης του ηλεκτρομυογραφήματος, οι βασικότερες τεχνικές ποσοτικής ανάλυσης που έχουν παρουσιαστεί στη διεθνή βιβλιογραφία και οι περιορισμοί τους. Ακολουθεί η περιγραφή της δομής και των επιμέρους σταδίων της προτεινόμενης μεθοδολογίας για την αυτόματη ποσοτική ανάλυση του ηλεκτρομυογραφήματος. Τα στάδια της μεθοδολογίας είναι: (i) Προεπεξεργασία του σήματος με σκοπό την αυτόματη ανίχνευση περιοχών ενδιαφέροντος (υποψήφιων κινητικών δυναμικών), (ii) ομαδοποίηση (clustering) κινητικών δυναμικών και υπολογισμός ενός αντιπροσωπευτικού κινητικού δυναμικού (πρότυπο κινητικό δυναμικό) για κάθε ομάδα. Επιπλέον κατά το στάδιο αυτό τα σύνθετα κινητικά δυναμικά εντοπίζονται αυτόματα και αναλύονται στα επιμέρους απλά κινητικά δυναμικά από τα οποία αποτελούνται, (iii) υπολογισμός χαρακτηριστικών για κάθε πρότυπο κινητικό δυναμικό (πλάτος, διάρκεια, χρόνο ανόδου, εμβαδόν και αριθμός φάσεων), (iv) κατηγοριοποίηση των εξαγόμενων πρότυπων κινητικών δυναμικών σε φυσιολογικά, μυοπαθή και νευροπαθή. Στο στάδιο αυτό χρησιμοποιήθηκαν δύο διαφορετικές προσεγγίσεις. Κατά την πρώτη προσέγγιση χρησιμοποιείται ένα σύστημα διανυσμάτων υποστήριξης (support vector machines) ενώ κατά τη δεύτερη προσέγγιση ένας ταξινομητής δύο σταδίων. Ο ταξινομητής αυτός αποτελείται από ένα τεχνητό νευρωνικό δίκτυο ακτινικής συνάρτησης βάσης (radial basis function artificial neural network RBF ANN) για την κατηγοριοποίηση των πρότυπων κινητικών δυναμικών σε φυσιολογικά και παθολογικά και από ένα δέντρο αποφάσεων (decision tree) για την κατηγοριοποίηση των παθολογικών κινητικών δυναμικών σε μυοπαθή και νευροπαθή. Ακολουθεί η σύγκριση των εξαγομένων αποτελεσμάτων με αυτά που αναφέρονται από άλλες σχετικές μεθόδους στην βιβλιογραφία. Στο δεύτερο μέρος παρουσιάζεται υπολογιστικό σύστημα για την αυτόματη εκτίμηση βασικών συναισθηματικών καταστάσεων των ατόμων καθώς και τα πεδία εφαρμογής του. Το προτεινόμενο σύστημα αποτελείται από τρία υποσυστήματα: (i) Από το φερόμενο υποσύστημα, το οποίο αποτελείται από 16 αισθητήρες επιφανειακού ηλεκτρομυογραφήματος προσώπου, ένα πιεζοηλεκτρικό αισθητήρα για τη μέτρηση της αναπνοής, τους αισθητήρες ηλεκτροκαρδιογραφήματος και τον αισθητήρα ηλεκτρικής αγωγιμότητας του δέρματος, (ii) το υποσύστημα λήψης και ασύρματης μετάδοσης δεδομένων, το οποίο είναι υπεύθυνο για την ασφαλή λήψη και μετάδοση των επιλεγμένων βιοσημάτων, και (iii) την κεντρική μονάδα. Η κεντρική μονάδα επεξεργάζεται τα βιοσήματα και εξάγει «διάγνωση» ως προς τη συναισθηματική κατάσταση του χρήστη. Επιπλέον προβάλει ένα τρισδιάστατο μοντέλο του προσώπου του χρήστη στο οποίο απεικονίζονται σε πραγματικό χρόνο οι εκφράσεις του και ενεργοποιεί ένα σύστημα εγρήγορσης (alert) σε περίπτωση που ο χρήστης βιώνει μια «ακραία» συναισθηματική κατάσταση. Η προτεινόμενη μεθοδολογία για την εκτίμηση βασικών συναισθηματικών καταστάσεων των ατόμων αποτελείται από τρία στάδια: (i) Τη λήψη και προεπεξεργασία των βιοσημάτων (επιφανειακά ηλεκτρομυογραφήματα επιλεγμένων μυών του προσώπου, ηλεκτροκαρδιογράφημα, αναπνοή και ηλεκτρική αγωγιμότητα του δέρματος), (ii) την εξαγωγή χαρακτηριστικών και (iii) την εκτίμηση της συναισθηματικής κατάστασης του χρήστη. Στο τρίτο στάδιο γίνεται κατηγοριοποίηση (classification) της συναισθηματικής κατάστασης του χρήστη σε προκαθορισμένες συναισθηματικές καταστάσεις. Για το σκοπό αυτό χρησιμοποιήθηκαν ένα σύστημα διανυσμάτων υποστήριξης (SVM) καθώς και ένα νευροασαφές προσαρμοστικό σύστημα (Adaptive Neuro-Fuzzy System -ANFIS). Το προτεινόμενο υπολογιστικό σύστημα εφαρμόστηκε και αξιολογήθηκε σε δύο διαφορετικά πεδία ενδιαφέροντος (i) σε συνθήκες προσομοίωσης αγώνων αυτοκινήτων και (ii) σε προκλινική μελέτη. Η επίδοση του προτεινόμενου συστήματος βρέθηκε υψηλή συγκρινόμενη με την επίδοση αντίστοιχων συστημάτων της βιβλιογραφίας.
Assessing the performance of multiple spectral–spatial features of a hyperspectral image for classification of urban land cover classes using support vector machines and artificial neural network
