Πλοήγηση ανά Συγγραφέας "Panagiotakis, Georgios"
Τώρα δείχνει 1 - 3 of 3
Αποτελέσματα ανά σελίδα
Επιλογές ταξινόμησης
Τεκμήριο Parkinson’s disease prediction using artificial intelligence(ΕΛΜΕΠΑ, Σχολή Μηχανικών (ΣΜΗΧ), ΠΜΣ Μηχανικών Πληροφορικής, 2024-04-08) Panagiotakis, Georgios; Παναγιωτάκης, Γεώργιος; Tsiknakis, Emmanouil; Τσικνάκης, ΕμμανουήλPrecise diagnosis of Parkinson’s disease (PD) is crucial for effective treatment and management of this progressive neurological condition. Existing diagnostic methods face obstacles due to overlapping symptoms with other neurological disorders and the lack of a conclusive diagnostic test. Sleep disorders are common among PD patients, and nocturnal sleep electroencephalography (EEG) data hold significant insights into the connection between PD and sleep disturbances, providing opportunities for early diagnosis and disease tracking. This research utilizes deep learning methodologies to examine nocturnal sleep EEG data for the differentiation of PD subjects and healthy individuals. An extensive review of current literature is performed to evaluate the state-of-the-art in PD, sleep disorders, EEG data analysis, and deep learning applications for neurological disorder classification. A dataset of nocturnal sleep EEG recordings from PD patients and healthy subjects is obtained, preprocessed, and divided into sleep stages, followed by the extraction of pertinent features. Several deep learning models, such as Convolutional Neural Networks (CNN), Recurrent Neural Networks (RNN), and Gated Recurrent Units (GRU) networks, are explored for their appropriateness in the classification task. The chosen models are developed, executed, and optimized to differentiate PD subjects from healthy controls using nocturnal sleep EEG data. Model performance is assessed using relevant metrics (e.g., accuracy, precision, recall, F1-score) and compared with existing methods found in the literature.Τεκμήριο Ανάλυση γονιδιακής έκφρασης με την χρήση νευρωνικών δικτύων.(ΕΛ.ΜΕ.ΠΑ., ΣΧΟΛΗ ΜΗΧΑΝΙΚΩΝ (ΣΜΗΧ), Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, 2021-05-11) Παναγιωτάκης, Γεώργιος; Panagiotakis, GeorgiosΜε την παρούσα εργασία επιδιώκεται η σκιαγράφηση των βασικών πτυχών της χρήσης τεχνητής νοημοσύνης στο πεδίο της βιοπληροφορικής και συγκεκριμένα της χρήσης νευρωνικών δικτύων για την ανάλυση γονιδιακών εκφράσεων. Πιο αναλυτικά, σε πρώτο στάδιο ορίζονται εισαγωγικές αλλά ιδιαίτερα χρήσιμες έννοιες για την παρούσα πτυχιακή εργασία. Έπειτα, παρουσιάζεται η διαδικασία συγκέντρωσης δεδομένων γονιδιακών εκφράσεων για 28 διαφορετικούς τύπους καρκίνου με 10.362 δείγματα από το TCGA, η οποία αποτελεί μια από τις πιο γνωστές βάσεις γονιδιακών εκφράσεων. Ακόμη, αναλύεται η διαδικασία προ επεξεργασίας των δεδομένων όπως η χρήση του αλγορίθμου SMOTE για την παραγωγή καινούργιων δειγμάτων και για την καλύτερη διεξαγωγή της ανάλυσης. Στην συνέχεια, παρουσιάζεται η εφαρμογή διαφορετικών ειδών της αρχιτεκτονικής Autoencoder και πιο συγκεκριμένα χρησιμοποιούνται τα μοντέλα Autoencoder, Denoising Autoencoder και Variational Autoencoder για την μείωση του αριθμού των χαρακτηριστικών. Μετά την μείωση των χαρακτηριστικών, τα δεδομένα τροφοδοτούνται σε δύο διαφορετικά δίκτυα ταξινόμησης, ένα απλό βαθύ νευρωνικό ( DNN ) δίκτυο και μια διαφορετική αρχιτεκτονική που ονομάζεται Deep Cross Model. Επιπρόσθετα, για την αξιολόγηση των αποτελεσμάτων των νευρωνικών δικτύων παρουσιάζεται και ένας διαφορετικός τρόπος ανάλυσης των αρχικών δεδομένων με την χρήση αλγορίθμων μηχανικής μάθησης. Συγκεκριμένα, για την μείωση των διαστάσεων χρησιμοποιείται ο αλγόριθμος PCA και για την διαδικασία της ταξινόμησης διαφορετικοί αλγόριθμοι ταξινόμησης, όπως ο αλγόριθμος SVM, Random Forests και άλλοι ακόμα. Εκτός από την ύπαρξη των δύο αναλύσεων παρουσιάζονται και δύο πρόσθετες αναλύσεις, οι οποίες αποτελούν μια μίξη των παραπάνω διαδικασιών. Ακόμη, παρουσιάζονται τα αποτελέσματα κάθε ανάλυσης και συγκρίνεται η μεταξύ τους απόδοση με ορισμένο μετρητή το ποσοστό ακρίβειας για την ταξινόμηση κάθε κλάσης. Τα αποτελέσματα από αυτές τις αναλύσεις ήταν, 97.4% για το ποσοστό ακρίβειας των αλγορίθμων μηχανικής μάθησης στην ταξινόμηση 2,210 χαρακτηριστικών σε σχέση με την ανάλυση των νευρωνικών δικτύων, που επιτεύχθηκε ποσοστό 95.4% για την ταξινόμηση 70 χαρακτηριστικών. Εκτός από το ποσοστό ακρίβειας , ένα μέτρο σύγκρισης ήταν και η διάρκεια εκπαίδευσης κάθε αλγορίθμου. Από τα πειράματά μας μπορούμε να συμπεράνουμε ότι τα μοντέλα βαθιάς μάθησης παρέχουν οριακά καλύτερα αποτελέσματα από τους παραδοσιακούς αλγόριθμους μηχανικής μάθησης για ένα τόσο περίπλοκο και μεγάλο σύνολο δεδομένων. Συμπερασματικά, αναφέρεται η διαδικασία συντονισμού υπερπαραμέτρων για την ανάλυση μηχανικής μάθησης και νευρωνικών δικτύων χρησιμοποιώντας τον αλγόριθμο Μπεϋζιανής βελτιστοποίησης για την παροχή καλύτερων αποτελεσμάτων. Καταληκτικά, γίνεται οπτικοποίηση των πινάκων «σύγχυσης» και πραγματοποιείται μείωση των δεδομένων σε δύο χαρακτηριστικά με την χρήση των αλγορίθμων t-SNE, PCA καθώς και την χρήση Variational Autoencoder + PCA και Variational Autoencoder + t-SNE για την οπτικοποίηση και την παρουσίαση ομοιοτήτων μεταξύ δειγμάτων όλων των τύπων καρκίνου.Τεκμήριο Επίδραση διαφόρων μεταχειρίσεων στη βλαστική ικανότητα σπερμάτων δεσπολιάς.(Τ.Ε.Ι. Κρήτης, Σχολή Τεχνολογίας Γεωπονίας και Τεχνολογίας Τροφίμων (Σ.Τε.Γ.Τε.Τ), Τμήμα Φυτικής Παραγωγής, 2010-03-22T11:24:53Z) Παναγιωτάκης, Γεώργιος; Panagiotakis, GeorgiosΣκοπός της παρούσας εργασίας ήταν να μελετηθεί η επίδραση ορισμένων μεταχειρίσεων στη βιολογία της φύτρωσης σπερμάτων δεσπολιάς (Eriobotrya japonica) προκειμένου να εξευρεθούν τρόποι αντιμετώπισης διαφόρων προβλημάτων, που παρατηρούνται κατά τη φύτρωση των σπερμάτων και τη μετέπειτα αύξηση των σποροφύτων, οι οποίοι μπορεί να είναι χρήσιμοι κατά την παραγωγή σποροφύτων δεσπολιάς. Σύμφωνα με τα αποτελέσματα: (α) κατά την αφαίρεση των καλυμμάτων των σπερμάτων παρατηρήθηκε επιτάχυνση της φύτρωσης τόσο των σπερμάτων από τα οποία είχε αφαιρεθεί τμήμα των κοτυληδόνων τους (περίπου το 1/3) όσο και αυτών που έφεραν ακέραιες τις κοτυληδόνες τους, (β) η κοπή τμήματος των κοτυληδόνων καθυστέρησε το φύτρωμα των σπερμάτων ανεξάρτητα από τον αν τους είχαν αφαιρεθεί τα καλύμματα ή όχι, (γ) σπέρματα τα οποία εμβαπτίστηκαν σε γιββερελλίνη (250 ppm για 24 h) και επιπλέον τους είχαν αφαιρεθεί τα καλύμματα φύτρωσαν γρηγορότερα, σε σχέση με εκείνα τα οποία εμβαπτίστηκαν μεν σε γιββερελλίνη αλλά δεν τους είχαν αφαιρεθεί τα καλύμματα, (δ) η στρωμάτωση των σπερμάτων σε υγρό (υγρή ψύξη) η ξηρό περλίτη (ξηρή ψύξη) και η παραμονή τους σε οικιακό ψυγείο για τρεις εβδομάδες επιτάχυνε το φύτρωμα τους, (ε) σπορόφυτα προερχόμενα από σπέρματα που δέχτηκαν επεμβάσεις ψύξης (υγρής ή ξηρής) παρουσίασαν σημαντικά μειωμένο ποσοστό πολλαπλών βλαστών, (ζ) σπορόφυτα προερχόμενα από τη φύτρωση ολόκληρων σπερμάτων χωρίς καλύμματα, παρουσίασαν αυξημένο αριθμό φύλλων και μεγαλύτερο πάχος βλαστού, και (στ) σπορόφυτα προερχόμενα από σπέρματα που εμβαπτίστηκαν σε γιββερελλίνη και επιπλέον τους είχαν αφαιρεθεί τα καλύμματα είχαν περισσότερα φύλλα, σε σχέση με εκείνα που προέκυψαν από σπέρματα που δεν τους είχαν αφαιρεθεί τα καλύμματα.