Ιδρυματικό Αποθετήριο
Πολυτεχνείο Κρήτης
Πολυτεχνείο Κρήτης
EN
|
EL
| URI | http://purl.tuc.gr/dl/dias/65983581-415E-46A1-BB8C-364FE76404A9 | - |
| Αναγνωριστικό | https://doi.org/10.26233/heallink.tuc.104100 | - |
| Γλώσσα | en | - |
| Μέγεθος | 97 pages | en |
| Τίτλος | Study of recording and analysis of multi-source data for the estimation of emotion indicators | en |
| Τίτλος | Μελέτη καταγραφής και ανάλυσης δεδομένων πολλαπλών πηγών για εκτίμηση δεικτών συναισθημάτων | el |
| Δημιουργός | Chatzianagnostou Christina | en |
| Δημιουργός | Χατζηαναγνωστου Χριστινα | el |
| Συντελεστής [Επιβλέπων Καθηγητής] | Zervakis Michail | en |
| Συντελεστής [Επιβλέπων Καθηγητής] | Ζερβακης Μιχαηλ | el |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Lagoudakis Michail | en |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Λαγουδακης Μιχαηλ | el |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Ouggrinis Konstantinos-Alketas | en |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Ουγγρινης Κωνσταντινος-Αλκετας | el |
| Εκδότης | Πολυτεχνείο Κρήτης | el |
| Εκδότης | Technical University of Crete | en |
| Ακαδημαϊκή Μονάδα | Technical University of Crete::School of Electrical and Computer Engineering | en |
| Ακαδημαϊκή Μονάδα | Πολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών | el |
| Περίληψη | Human emotions profoundly influence our cognitive performance, physiological body responses, and overall well-being, yet objectively measuring these emotional states in real-world environments remains a significant challenge. This diploma focuses on developing a multi-device system capable of simultaneously recording and analyzing physiological body signals from multiple sources to detect emotional responses to different stimuli within an immersive projection environment. This experiment was conducted in the context of a collaboration between the Display Lab (School of Electrical and Computer Engineering) and the Transformable Intelligent Environments Lab (TIE Lab, School of Architecture) at the Technical University of Crete. During the experiment, multimodal physiological body data (EEG and ECG) were collected from 33 participants, as they watched two different videos within an immersive audiovisual setup. The analysis focused primarily on the first video, which contained six segments that alternated between stress-inducing and calming content, while the second featured four continuously peaceful blue space scenes. EEG data were recorded using the Unicorn Hybrid Black system and ECG measurements were captured through two wearable devices: the Movesense chest strap and the Traqbeat wristband. Signal processing tools that were used included MATLAB for EEG bandpass filtering and preprocessing, Python with dyconnmap for dynamic brain connectivity analysis, Neural Gas clustering algorithms for signal complexity quantification, and SciPy for ECG R-peak detection and heart rate variability analysis. Key methodological innovations included chronnectomics analysis using weighted Phase Lag Index (wPLI) for brain state transitions, adaptive R-peak detection with Butterworth filtering, and multimodal feature fusion. The results demonstrate reliable inference of emotional states through brain state flexibility, cognitive patterns, and cardiovascular measures, with stress conditions showing significantly reduced neural adaptability and increased cardiac irregularity compared to calm states. The integrated approach enables objective classification of emotional states, establishing biomarkers for stress versus relaxation in real-time monitoring systems. This research demonstrates how effectively multimodal biosignal analysis can distinguish emotional responses to different audiovisual stimuli. These findings open up new horizons, both in clinical settings and in applications of deeper psychological assessment. | en |
| Περίληψη | Τα ανθρώπινα συναισθήματα επηρεάζουν βαθιά τη γνωστική μας απόδοση, τις φυσιολογικές αντιδράσεις του σώματος και τη συνολική μας ευεξία, ωστόσο η μέτρηση αυτών των συναισθηματικών καταστάσεων σε περιβάλλοντα πραγματικού κόσμου παραμένει μια σημαντική πρόκληση. Η παρούσα διπλωματική εργασία επικεντρώνεται στην ανάπτυξη ενός συστήματος πολλαπλών συσκευών που είναι ικανό να καταγράφει και να αναλύει ταυτόχρονα φυσιολογικά σήματα σώματος από πολλαπλές πηγές για την ανίχνευση συναισθηματικών αντιδράσεων σε διάφορα ερεθίσματα, μέσα σε ένα περιβάλλον εμβυθιστικής προβολής. Το πείραμα αυτό, διεξήχθη στο πλαίσιο συνεργασίας του Display Lab (Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών) και του Transformable Intelligent Environments Lab (TIE Lab, Σχολή Αρχιτεκτόνων) του Πολυτεχνείου Κρήτης. Κατά τη διάρκεια του πειράματος, συλλέχθηκαν πολυτροπικά φυσιολογικά σήματα σώματος (EEG και ECG) από 33 συμμετέχοντες, κατά τη διάρκεια παρακολούθησης δύο διαφορετικών βίντεο σε ένα διαδραστικό οπτικοακουστικό περιβάλλον. Η ανάλυση επικεντρώθηκε κυρίως στο πρώτο βίντεο, το οποίο περιείχε έξι ερεθίσματα που εναλλάσσονταν μεταξύ στρεσογόνου και ήρεμου περιεχομένου, ενώ το δεύτερο παρουσίαζε τέσσερις σκηνές, με διαρκή αίσθηση ηρεμίας. Τα δεδομένα EEG καταγράφηκαν με το σύστημα Unicorn Hybrid Black και τα δεδομένα ECG με δύο φορετές συσκευές: τη ζώνη στήθους Movesense και το περικάρπιο Traqbeat. Χρησιμοποιήθηκαν διάφορα εργαλεία επεξεργασίας σήματος, όπως το MATLAB για το ζωνοπερατό φιλτράρισμα και την προεπεξεργασία του ΗΕΓ, η Python με το dyconnmap για τη δυναμική ανάλυση της συνδεσιμότητας του εγκεφάλου, οι αλγόριθμοι ομαδοποίησης Neural Gas για την ποσοτικοποίηση της πολυπλοκότητας του σήματος και το SciPy για την ανίχνευση των κορυφών R του ΗΚΓ και την ανάλυση της μεταβλητότητας του καρδιακού ρυθμού. Η βασική μεθοδολογία, περιλάμβανε την ανάλυση chronnectomics με χρήση της μεθόδου wPLI για τις μεταβάσεις της κατάστασης του εγκεφάλου, την προσαρμοστική ανίχνευση R-peak με φιλτράρισμα Butterworth και την πολυτροπική σύντηξη χαρακτηριστικών. Τα αποτελέσματα αποδεικνύουν την εξαγωγή συμπερασμάτων για τις συναισθηματικές καταστάσεις μέσω της ευελιξίας των εγκεφαλικών καταστάσεων, με τις συνθήκες άγχους να παρουσιάζουν σημαντικά μειωμένη νευρική προσαρμοστικότητα και αυξημένη καρδιακή λειτουργία σε σύγκριση με τις ήρεμες καταστάσεις. Η ολοκληρωμένη αυτή προσέγγιση επιτρέπει την ταξινόμηση συναισθηματικών καταστάσεων, καθιερώνοντας βιοδείκτες για το άγχος έναντι της χαλάρωσης σε συστήματα παρακολούθησης πραγματικού χρόνου. Η έρευνα αυτή αποδεικνύει πόσο αποτελεσματικά μπορεί η ανάλυση πολυτροπικών βιοσημάτων να διακρίνει συναισθηματικές αντιδράσεις σε διαφορετικά οπτικοακουστικά ερεθίσματα. Τα ευρήματα αυτά διανοίγουν νέους ορίζοντες, τόσο σε κλινικά περιβάλλοντα, όσο και σε εφαρμογές βαθύτερης ψυχολογικής αξιολόγησης. | el |
| Τύπος | Διπλωματική Εργασία | el |
| Τύπος | Diploma Work | en |
| Άδεια Χρήσης | http://creativecommons.org/licenses/by-nc-nd/4.0/ | en |
| Ημερομηνία | 2025-07-21 | - |
| Ημερομηνία Δημοσίευσης | 2025 | - |
| Θεματική Κατηγορία | Βιοϊατρική τεχνολογία | el |
| Θεματική Κατηγορία | Biomedical engineering | en |
| Βιβλιογραφική Αναφορά | Christina Chatzianagnostou, "Study of recording and analysis of multi-source data for the estimation of emotion indicators", Diploma Work, School of Electrical and Computer Engineering, Technical University of Crete, Chania, Greece, 2025 | en |
| Βιβλιογραφική Αναφορά | Χριστίνα Χατζηαναγνώστου, "Μελέτη καταγραφής και ανάλυσης δεδομένων πολλαπλών πηγών για εκτίμηση δεικτών συναισθημάτων", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2025 | el |
Copyright © DIAS 2013
