Σχεδίαση και ανάπτυξη υδατογραφικού σχήματος για σήματα ηλεκτροεγκεφαλογραφήματος
Bibliographic record
Abstract
Σκοπός της παρούσας μεταπτυχιακής διπλωματικής εργασίας είναι η μελέτη και σχεδίαση ενός υδατογραφικού σχήματος για ηλεκτροεγκεφαλογραφικά (ΗΕΓ) σήματα επιληπτικών ασθενών. Το υδατογραφικό σχήμα που εφαρμόστηκε βασίζεται στο Μετασχηματισμό Κυματιδίων (wavelet transform) και είχε μέχρι πρότινος εφαρμοστεί μόνο σε ιατρικές εικόνες. Στόχος της ανάπτυξης του υδατογραφικού αυτού σχήματος, είναι η ενσωμάτωση πληροφοριών που έχουν μεγάλη αξία για διάγνωση και θεραπεία χωρίς όμως να αλλοιώνεται αισθητά το σήμα μετά την ενσωμάτωση των δεδομένων. Πριν την εφαρμογή όμως του υδατογραφικού μας σχήματος, απομονώνεται με έναν ειδικά σχεδιασμένο αλγόριθμο η περιοχή της επιληπτικής κρίσης γιατί είναι η περιοχή με τη μεγαλύτερη διαγνωστική αξία και στόχος είναι να παραμείνει εντελώς αναλλοίωτη. Η πρόοδος στον τομέα της τηλεϊατρικής έχει επιτρέψει τη μεταφορά ιατρικών σημάτων με στόχο τη διάγνωση και θεραπεία ασθενών που βρίσκονται σε απομακρυσμένες περιοχές. Κατά τη μεταφορά του υδατογραφημένου σήματος όμως μπορεί αυτό να υποστεί αλλοιώσεις που προέρχονται από συμπιέσεις του σήματος με σκοπό τη μείωση του μεγέθους τους, αλλά και αλλοιώσεις που προέρχονται από προσθήκη θορύβου. Για να εκτιμηθεί η αποτελεσματικότητα λοιπόν του υδατογραφικού μας σχήματος, εφαρμόζονται στο σήμα επιθέσεις συμπίεσης με διαφορετικά κατώφλια και επιθέσεις προσθήκης λευκού θορύβου με διαφορετικούς σηματοθορυβικούς λόγους SNR. Εφαρμόζοντας αυτές τις επιθέσεις, υπολογίζεται το ποσοστό ανάκτησης του υδατογραφήματος από το σήμα που έχει υποστεί επίθεση καθώς και το ποσοστό αλλοίωσης μεταξύ του αρχικού υδατογραφημένου σήματος και του υδατογραφημένου σήματος που έχει υποστεί επίθεση. Μεγαλύτερο ποσοστό ανάκτησης του υδατογραφήματος παρατηρείται όσο το κατώφλι συμπίεσης μικραίνει ενώ αντίθετα ο σηματοθορυβικός λόγος SNR μεγαλώνει.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.027 | 0.006 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".