18480 research outputs found
Sort by
meta-static
No full textΗ παρούσα πτυχιακή εργασία εστιάζει στη ζωγραφική πρακτική της Μαρίας Χατζηλοΐζου και τη διερεύνησή της γύρω από την έννοια της κατασκευασμένης εικόνας, την πνευματικότητα και τη σύγχρονη οπτική κουλτούρα. Εξετάζεται ο διάλογος της παράδοσης της Αναγέννησης και του Μπαρόκ με τις σύγχρονες εικόνες μόδας και μέσων κοινωνικής δικτύωσης που εμφανίζονται ως μια τελετουργική διαδικασία. Μέσα από την ζωγραφική, επιχειρείται η ανασύνθεση εσωτερικών και εξωτερικών χώρων, του πραγματικού και φαντασιακού με σκοπό την δημιουργία ενδιάμεσων μεταφυσικών περιβαλλόντων, όπου το ιδεατό και η έννοια του sublime συνυπάρχει με το ανοίκειο και το ονειρικό.
Η πρακτική της Χατζηλοΐζου δεν περιορίζεται στην αναπαράσταση αλλά αξιοποιεί την σκηνοθεσία του χώρου, τη χρήση του χρώματος και του φωτός, προκειμένου να προκαλέσει μια αισθητική εμπειρία που υπερβαίνει τα όρια της καθημερινότητας και επιδιώκει να ενεργοποιήσει υπαρξιακά ερωτήματα. Ιδιαίτερη βαρύτητα δίνεται στη σχέση του θεατή με το έργο, ο οποίος δεν είναι απλώς παρατηρητής, αλλά μέρος του έργου βιώνοντας το χώρο του ως ένα ενεργό στοιχείο. Η ανάλυση εκβαθύνει με θεωρητικά εργαλεία από τον Kant, τον Freud και τον Foucault, τονίζοντας πως το έργο λειτουργεί ως πεδίο μετάβασης ανάμεσα στο οικείο και το ανοίκειο, το πραγματικό και το φαντασιακό.Complete
Inscription parameters in bulk polymer
No full textMicroscope images and characterization of femtosecond laser modified bulk polymers for the optimization of inscription of optical structures.The research explores critical laser parameters—including pulse energy and repetition rate, -and their influence on the polymer's refractive index modification, structural integrity, and optical performance. The plane-by-plane FSL inscription technique is employed to achieve high spatial resolution and controlled material modifications. Various polymers, such as PMMA (Polymethyl-methacrylate), PC (Polycarbonate), PSU (Polysulfone), FEP (Fluorinated-Ethylene-Propylene), were selected for their suitability in biomedical and specifically for implantation in the brain and spinal cord within the Move2Treat's context.This project has received funding from the European Union’s Horizon EIC Pathfinder programme under grant agreement No. 101130161. Views and opinions expressed are however those of the author(s) only and do not necessarily reflect those of the European Union or European Innovation Council and SMEs Executive Agency (EISMEA). Neither the European Union nor the granting authority can be held responsible for them
BLISS HALO : An approach to hormone level optimization using natural stimuli with the aid of Artificial Intelligence
No full textOver the past decades there have been several research conducted regarding brain-waves
activity [37] and hormone levels in alignment with human condition and behavior, mainly
focused and correlated with the psychological state of groups with certain health conditions and
syndromes
[38, 39, 41, 42, 50].
In parallel to that, there were also several researches and experiments regarding
medicine/chemicals, and how those affected the aforementioned hormone levels [35] as well as
brain-waves, human behavior, and mental health state respectively.
The recent advancements in technology, and more specifically, the rapid improvement and
evolution of Artificial Intelligence and Machine Learning techniques and methodologies, made
running and evaluating said researches and experiments, easier, more accurate, robust, and
precise; unlocking new pathways and innovations in the fields of Medicine. A strong example is
the recent application of Data Science and Machine Learning methods to aid in managing and
better handling the pandemic outbreak of the SARS Coronavirus 19 disease of 2019, that only
lasted in critical levels for less than a couple of years with the measures and medicine applied
and provided by the research teams across the world, resulting in minimizing the spread
phenomena as much as possible. More specifically, there were several researches [38, 39, 40, 41,
43] that focused on deciphering, understanding the human brain’s behavior, chemistry and
physiology when it is affected by medical conditions including illnesses and mental state. In
parallel, there has been a significant increase in research and advancements in medicinal drugs
aimed at treating previously untreatable illnesses. A substantial portion of this research has
focused on understanding and supporting the mental state [41, 42] of individuals in various life
situations.Complete
Adaptive Video Encoding And Streaming Of Ultrasound Videos
No full textΟι εφαρμογές ιατρικών βίντεο αποτελούν πλέον αναπόσπαστο κομμάτι της ιατρικής περίθαλψης, ιδίως σε τομείς όπως η τηλεϊατρική, οι απομακρυσμένες διαγνώσεις και η ιατρική εκπαίδευση. Βίντεο από διάφορες διαγνωστικές μεθόδους, όπως τα υπερηχογραφήματα, είναι απαραίτητα για την έγκαιρη ανίχνευση και αξιολόγηση κρίσιμων ιατρικών περιστατικών. Ωστόσο, η διασφάλιση της ποιότητας του βίντεο σε πραγματικό χρόνο δημιουργεί σημαντικές προκλήσεις λόγω της δυναμικής φύσης των ασύρματων δικτύων, τα οποία μεταβάλλονται συνεχώς κατά τη διάρκεια του χρόνου. Τα συστήματα μετάδοσης βίντεο πρέπει να προσαρμόζονται γρήγορα στα διαφορετικά εύρη ζώνης, διασφαλίζοντας παράλληλα την υψηλή ποιότητα του μεταδιδόμενου βίντεο. Για την αντιμετώπιση αυτών των προκλήσεων, σε αυτή την πτυχιακή εργασία αναπτύχθηκαν μοντέλα πρόβλεψης προς τα εμπρός (Forward Models) για την ποιότητα του βίντεο, τον ρυθμό καρέ ανά δευτερόλεπτο (fps) και τις απαιτήσεις bitrate. Παράλληλα, εφαρμόστηκε ένα πλαίσιο βελτιστοποίησης πολλαπλών στόχων, με σκοπό την εξισορρόπηση αυτών των παραμέτρων και την επίτευξη προσαρμοστικής κωδικοποίησης βίντεο σε πραγματικό χρόνο. Η μέθοδος ικανοποιεί τους χρονικά μεταβαλλόμενους περιορισμούς και επαληθεύεται χρησιμοποιώντας δύο διαφορετικούς κωδικοποιητές τον x265 και τον SVT-AV1. Στόχος είναι να βελτιωθεί η ποιότητα και παράλληλα να μειωθεί τo bitrate και ο χρόνος κωδικοποίησης του βίντεο. Τα μοντέλα πρόβλεψης προς τα εμπρός κατασκευάζονται offline για διάφορες περιπτώσεις συμπίεσης, ανάλογα με τον στόχο βελτιστοποίησης (bitrate, ποιότητα βίντεο, χρόνος κωδικοποίησης). Η μεθοδολογία βασίστηκε σε πραγματικά ίχνη δικτύου από ασύρματα 3G δίκτυα. Στη συνέχεια, εφαρμόζεται ένας προσαρμοστικός ελεγκτής ο οποίος χρησιμοποιεί τα μοντέλα για να προσαρμόζει δυναμικά τις παραμέτρους κωδικοποίησης ανάλογα με τις στιγμιαίες διακυμάνσεις του εύρους ζώνης. Ο ελεγκτής επιλέγει την βέλτιστη διαμόρφωση κωδικοποίησης σύμφωνα με την κατάσταση του ασύρματου δικτύου που μεταβάλλεται με την πάροδο του χρόνου. Για την επικύρωση της προτεινόμενης μεθοδολογίας, χρησιμοποιήθηκε ένα σύνολο δεδομένων από βίντεο υπερήχων των καρωτιδικών αρτηριών (CCA), με ανάλυση 560x448 και ρυθμό 40 fps. Η μελέτη εστιάζει στην αξιολόγηση της προσαρμοστικής κωδικοποίησης και μετάδοσης βίντεο δίνοντας έμφαση στην ακρίβεια των μοντέλων πρόβλεψης προς τα εμπρός, την κατανομή των σφαλμάτων και τη συγκριτική απόδοση του αλγορίθμου. Οι διάμεσες ποσοστιαίες διακυμάνσεις των συντελεστών των μοντέλων και η τιμή του adjusted R2 παρέμειναν κάτω από 5% και 0.7 αντίστοιχα, υποδεικνύοντας ότι το μοντέλο είναι ανθεκτικό, ισχυρό και αξιόπιστο. Η σύγκριση με τον κλασικό αλγόριθμο προσαρμοστικής μετάδοσης βίντεο (HTTP Adaptive Streaming - HAS) δείχνει ότι ο προτεινόμενος αλγόριθμος προσφέρει καλύτερη ποιότητα βίντεο (VMAF και SSIM) και μειώνει τα περιστατικά καθυστέρησης του βίντεο, ειδικά όταν η τιμή InTransit αυξάνεται. Επιπλέον τα στατιστικά που προκύπτουν από την κατάσταση του Buffer επιβεβαιώνουν την αποτελεσματικότητα των μοντέλων, καθώς επιτυγχάνουν τη διατήρηση της πληρότητας του buffer σε υψηλά επίπεδα και ελαχιστοποιούν τις περιπτώσεις παύσης (freezing) του βίντεο. Με αυτό τον τρόπο βελτιώνονται σημαντικά οι δείκτες ποιότητας υπηρεσίας (QoS). Συνολικά, τα μοντέλα πρόβλεψης προς τα εμπρός αποδείχθηκαν αποτελεσματικά για εφαρμογές προσαρμοστικής ροής βίντεο σε πραγματικό χρόνο, συμπεριλαμβανομένων ιατρικών βίντεο και υπερηχογραφημάτων, προσφέροντας σημαντικές βελτιώσεις στην ποιότητα του περιεχομένου, τη χρήση του εύρου ζώνης και την ποιότητα εμπειρίας του χρήστη (QoE). Τέλος, υλοποιήθηκε ένα προσαρμοστικό σύστημα μετάδοσης βίντεο βασισμένο στο πρότυπο MPEG-DASH. Στο σύστημα αυτό αναρτήθηκαν βίντεο κλινικού περιεχομένου και ειδικότερα υπερηχογραφήαμτα, τα οποία αναπαράγονται σε πολύ καλή ποιότητα χωρίς καθυστερήσεις ή διακοπές. Το σύστημα αυτό μπορεί να συμβάλει ουσιαστικά στην βελτίωση της ιατρικής εκπαίδευσης, της τηλεϊατρικής, της επικοινωνίας μεταξύ ιατρών και της απομακρυσμένης διάγνωσης.Medical Video Applications have become an integral component of medical healthcare, particularly in areas such as remote diagnoses, telemedicine and medical education. Videos from various modalities, including the ultrasound modality, are essential for detecting and evaluating critical medical conditions. However, securing the quality of the communicated video in real time presents serious difficulties due to the dynamic, time-varying nature of the wireless channels. The video systems must swiftly adjust to varying bandwidths while ensuring the quality of the communicated video. To address these challenges, in this study, we have developed Forward Prediction Models for video quality, encoding frames per second (fps) and bitrate demands, alongside implementing a multi-objective optimization framework for real-time video encoding adaptation. The method satisfies the time-varying constraints and is validated using two different encoders (x265 and SVT-AV1). The aim is to enhance video quality while reducing encoding time and the required bitrate. Forward Prediction Models are built via offline training on many distinct video compression instances, per optimization goal (bitrate, video quality, encoding fps). The methodology uses actual network traces conducted over 3G wireless networks. An adaptive controller is then implemented to adapt to instantaneous bandwidth fluctuations and initiate encoding adaptations using the generated Forward Prediction Models. The controller triggers an encoding configuration switch to match the time-varying wireless network state. For validation, a dataset of CCA ultrasound videos is used, with a resolution of 560x448 at 40 fps. This study evaluates Forward Prediction Models for adaptive video encoding, focusing on robustness, error distribution, and comparative performance. The median percentage fluctuations for coefficients and the adjusted R2 of the fitted models remained below 5% and 0.7, respectively, indicating model resilience. A comparison with the traditional HTTP Adaptive Streaming (HAS) algorithm revealed that Forward Models offered better video quality (VMAF and SSIM) and reduced buffering incidents and video stalling, especially as the InTransit value increased. Buffer utilization statistics highlighted the effectiveness of the Forward Model in maintaining buffer fullness, minimizing rebuffering and enhancing Quality of Service (QoS) metrics. Overall, Forward Prediction Models proved effective for real-time adaptive video streaming applications, including medical applications and ultrasound contexts, offering notable improvements in video quality, bitrate demands and user Quality of Experience (QoE). Finally, an adaptive video streaming system based on MPEG-DASH was implemented, where medical and especially CCA videos play in good quality without buffering effects. This system improves medical education, telemedicine, doctor-to-doctor communication and remote diagnosis.Complete
Artificial intelligence and Earth observation towards disaster risk reduction: the AI-OBSERVER’s research exploratory project
Full text linkThe AI-OBSERVER project has received funding from the European Union’s Horizon Europe Framework Programme HORIZON-WIDERA-2021-ACCESS-03 (Twinning) under the Grant Agreement No. 101079468. The project started in October 2022 and has a duration of 36 months. The ERATOSTHENES Centre of Excellence (CoE) for Earth Observation, Space Technology and Geoinformation is the project coordinator, and the consortium also consists of two internationally leading research institutions, the German Research Centre for Artificial Intelligence (DFKI) from Germany and the University of Rome Tor Vergata (UNITOV) from Italy, and an industrial partner CELLOCK Ltd from Cyprus. With AI-OBSERVER project being currently in its last year, the efforts of ERATOSTHENES CoE are focused on the development of six risk assessment models for multi-hazard monitoring and assessment in Cyprus on i) Earthquakes, (ii) Landslides, (iii) Coastal erosion, (iv) Forest fires, (v) Floods and (vi) Marine Pollution. These are being developed by applying the enhanced skills and scientific background ERATOSTHENES CoE’s researchers acquired on the application of advanced Artificial Intelligence (AI)-based techniques on Earth Observation (EO) and geospatial datasets, via the various capacity building activities carried out during the 3 years of the project by the advanced partners, i.e., the German Research Centre for Artificial Intelligence (DFKI) from Germany, and the University of Rome Tor Vergata (UNITOV) from Italy. The overall methodology for these six models and some initial results are presented in this study.This study was carried out in the framework of AI-OBSERVER Twinning project (https://ai-observer.eu/) titled
“Enhancing Earth Observation capabilities of the Eratosthenes Centre of Excellence on Disaster Risk Reduction through
Artificial Intelligence” that is funded by the European Union with Grant Agreement No. 101079468. The authors also
acknowledge ‘EXCELSIOR’: ERATOSTHENES: Excellence Research Centre for Earth Surveillance and Space-Based
Monitoring of the Environment H2020 Widespread Teaming project (www.excelsior2020.eu) in which the Eratosthenes
Centre of Excellence has been established. The ‘EXCELSIOR’ project has received funding from the European Union’s
Horizon 2020 research and innovation programme under Grant Agreement No 857510, from the Government of the
Republic of Cyprus through the Directorate General for the European Programmes, Coordination and Development and
the Cyprus University of Technology
Retrieving and Analyzing Toxic and Polarized Discourse on BlueSky: A Study of Decentralized Social Network
No full textThe proliferation of hate speech on decentralized social media platforms, such as BlueSky, presents a
growing challenge for ensuring healthy online discourse. Unlike traditional centralized networks, decentralized
platforms lack a single governing authority, making moderation and content regulation more
complex. This thesis focuses on the retrieval and analysis of data from BlueSky to better understand
the nature and spread of hate speech and polarization within such decentralized ecosystems. By collecting
and processing real-world data from the platform(13699 posts, 58788 users), we explore patterns
of information dissemination and evaluate the potential of applying machine learning approaches—such
as Federated Learning (FL) and Graph Neural Networks (GNN), for future disinformation detection in
decentralized contexts.Complete
Make, learn, exhibit and share with others: The case of Inhibition
No full textThis article scrutinises an endeavour staging together hardware prototyping, co-design and exhibition-of/performance-with DIY artefacts. Inhibition pivots on a neural network controlled headset capable of electroencephalography and algorithmic audio composition. This technology is detailed and the particular ways in which it affords a multi-faceted doing-it-with-others are elaborated upon. Technological and artistic implications are discussed vis-à-vis: holistic frameworks for co-production/education; multi-modal affect; participatory/relational art; Dewean pragmatism; and the practice and culture of ‘open-sourcing’. It is shown that the values that are more often than not associated with art making fail do justice the ramifications of such an endeavour and that the latter cannot be thought of through an hylomorphic lenses. A different vector of values is demanded that rather concerns playful techno-scientific experimentation, ‘commonism’ and socio-material enactment. On this continuum, the author suggests neo-constructivism, democracy and post-selfhood as the lenses to think about Inhibition
CareFinder : Πλατφόρμα Σύνδεσης Γονέων με Πιστοποιημένους Φροντιστές
No full textΗ πτυχιακή αυτή εργασία έχει ως αντικείμενο την ανάπτυξη του CareFinder, μιας
διαδικτυακής πλατφόρμας που αποσκοπεί στη σύνδεση γονέων με φροντιστές παιδιών.
Το CareFinder δημιουργήθηκε για να καλύψει μια ανάγκη που μέχρι σήμερα παραμένει
ακάλυπτη στην κυπριακή κοινωνία: την εύρεση αξιόπιστης παιδικής φροντίδας μέσα από
μια σύγχρονη, λειτουργική και διαφανή διαδικτυακή λύση.
Πρόκειται για μια καινοτόμα πλατφόρμα ειδικά σχεδιασμένη για γονείς, η οποία έρχεται
να καλύψει ένα πραγματικό κενό στην τοπική αγορά. Μέχρι σήμερα, δεν υπήρξε
επιτυχημένη προσπάθεια δημιουργίας ενός τέτοιου συστήματος στην Κύπρο, κάτι που
καθιστά το εγχείρημα αυτό ιδιαίτερα σημαντικό και φιλόδοξο. Μέσα από αυτή την
εργασία, επιχειρείται η πρώτη ολοκληρωμένη προσέγγιση προς αυτή την κατεύθυνση.
Η πλατφόρμα υποστηρίζει τρεις τύπους χρηστών (γονείς, φροντιστές και διαχειριστή) και
καλύπτει λειτουργίες όπως δημιουργία και διαχείριση προφίλ, καταχώρηση παιδιών,
αναζήτηση φροντιστών με φίλτρα, κρατήσεις ραντεβού, αξιολογήσεις, διαθεσιμότητα
ωρών και πίνακα ελέγχου για τον διαχειριστή. Επιπλέον, λαμβάνει υπόψη ιδιαιτερότητες
παιδιών και δίνει έμφαση στην ευχρηστία και την ασφάλεια.
Η υλοποίηση βασίστηκε σε τεχνολογίες HTML, CSS, JavaScript, PHP και MySQL, με
στόχο την ανάπτυξη ενός σταθερού, ασφαλούς και επεκτάσιμου συστήματος. Η εργασία
αυτή δεν αποτελεί μόνο ένα τεχνολογικό project, αλλά μια προσπάθεια να δοθεί λύση σε
ένα κοινωνικό ζήτημα με πραγματικό αντίκτυπο για τις οικογένειες της ΚύπρουComplete
Ανίχνευση sandwich attacks στο Ethereum μέσω ανάλυσης on-chain δεδομένων
No full textThis thesis focuses on the detection and analysis of sandwich attacks in the Ethereum
ecosystem, with an emphasis on transactions executed through decentralized exchanges
(DEXs) such as Uniswap [1]. Sandwich attacks are a malicious strategy in which an
attacker inserts transactions before and after a victim’s transaction, exploiting price
fluctuations for personal gain [2].
The goal of the project is to develop a detection mechanism based on real on-chain data.
To achieve this, the Python programming language was utilized, and the approach was
based on transaction data exported from Etherscan.
The tool processes transactions via .csv files, performing filtering and chronological
sorting. It then applies a sliding window algorithm to detect suspicious patterns such as
BUY–BUY–SELL and SELL–SELL–BUY, which are associated with sandwich attacks.
The tool identifies cases where the same address interacts with the same liquidity pool
before and after a victim’s transaction, suggesting potential price manipulation. Identified
attackers are logged in a structured JSON file along with the relevant transactions and
timestamps. This approach ensures both flexibility and accuracy, while avoiding the
technical limitations of live API usage.
During testing, numerous sandwich attacks were detected, primarily in tokens with high
transaction volume and activity. The SELL–SELL–BUY pattern was observed more
frequently than BUY–BUY–SELL, with most attacks occurring within 0–2 seconds
between steps. Furthermore, several repeated attacker addresses were identified,
indicating the presence of bots executing systematic strategies.
Through this analysis, the system detects patterns indicative of sandwich attacks and
records the attackers in a JSON file. While it does not implement an automated reporting
mechanism, the generated data can potentially support the submission of formal
complaints to regulatory entities or be used for further research aimed at strengthening
security in the DeFi ecosystem [3].Η παρούσα πτυχιακή εργασία επικεντρώνεται στην ανίχνευση και ανάλυση sandwich
attacks στο οικοσύστημα του Ethereum, με έμφαση στις συναλλαγές που
πραγματοποιούνται μέσω αποκεντρωμένων ανταλλακτηρίων (DEX) όπως το Uniswap
[1]. Τα sandwich attacks αποτελούν μια κακόβουλη στρατηγική όπου ένας επιτιθέμενος
παρεμβάλλει συναλλαγές πριν και μετά από μια συναλλαγή θύματος, εκμεταλλευόμενος
τη διακύμανση της τιμής προς όφελός του [2].
Η εργασία εστιάζει στην ανάπτυξη ενός μηχανισμού ανίχνευσης τέτοιων επιθέσεων
βάσει πραγματικών on-chain δεδομένων. Για την επίτευξη του στόχου, αξιοποιήθηκε η
γλώσσα προγραμματισμού Python και εφαρμόστηκε μια προσέγγιση βασισμένη σε
δεδομένα συναλλαγών εξαγόμενα από το Etherscan.
Το εργαλείο αναλύει τις συναλλαγές μέσω αρχείων .csv, πραγματοποιώντας φιλτράρισμα
και χρονική ταξινόμηση. Έπειτα, εφαρμόζει έναν αλγόριθμο "κινούμενου παραθύρου",
εντοπίζοντας ύποπτα μοτίβα τύπου BUY–BUY–SELL και SELL–SELL–BUY, τα οποία
συνδέονται με επιθέσεις sandwich. Ανιχνεύονται περιπτώσεις όπου ο ίδιος λογαριασμός
αλληλεπιδρά δύο φορές με το ίδιο pool, πριν και μετά τη συναλλαγή ενός τρίτου χρήστη,
υποδεικνύοντας ενδεχόμενη εκμετάλλευση της τιμής. Οι επιτιθέμενοι που εντοπίζονται
καταγράφονται σε δομημένο αρχείο τύπου JSON μαζί με τις σχετικές συναλλαγές και
χρονικές πληροφορίες. Η προσέγγιση αυτή παρέχει ευελιξία και ακρίβεια, ενώ η χρήση
τοπικών δεδομένων εξαλείφει τους τεχνικούς περιορισμούς των API.
Κατά την εφαρμογή του εργαλείου εντοπίστηκαν πολυάριθμες περιπτώσεις sandwich
attacks, με μεγαλύτερη συχνότητα σε tokens με αυξημένη δραστηριότητα και όγκο
συναλλαγών. Το μοτίβο SELL–SELL–BUY εμφανίστηκε συχνότερα σε σχέση με το
BUY–BUY–SELL, ενώ η πλειονότητα των επιθέσεων εκδηλώθηκε με ελάχιστη χρονική
απόσταση μεταξύ των επιμέρους συναλλαγών (0–2 δευτερόλεπτα). Επιπλέον,
παρατηρήθηκαν επαναλαμβανόμενες διευθύνσεις επιτιθέμενων, γεγονός που
υποδηλώνει τη δράση αυτοματοποιημένων bots με συστηματική στρατηγική.
Μέσω της επεξεργασίας των δεδομένων, το σύστημα εντοπίζει μοτίβα που υποδηλώνουν
την ύπαρξη sandwich attacks και καταγράφει τους επιτιθέμενους σε αρχείο JSON. Αν και
δεν υλοποιείται διαδικασία καταγγελίας, η παραγόμενη πληροφορία μπορεί δυνητικά να
αξιοποιηθεί για τεκμηριωμένη υποβολή καταγγελιών σε αρμόδιους φορείς ή για περαιτέρω ερευνητική αξιοποίηση με στόχο την ενίσχυση της ασφάλειας στο οικοσύστημα του DeFi [3].Complete
Inscription parameters in bulk polymer
No full textMicroscope images and characterization of femtosecond laser modified bulk polymers for the optimization of inscription of optical structures.The research explores critical laser parameters—including pulse energy and repetition rate, -and their influence on the polymer's refractive index modification, structural integrity, and optical performance. The plane-by-plane FSL inscription technique is employed to achieve high spatial resolution and controlled material modifications. Various polymers, such as PMMA (Polymethyl-methacrylate), PC (Polycarbonate), PSU (Polysulfone), FEP (Fluorinated-Ethylene-Propylene), were selected for their suitability in biomedical and specifically for implantation in the brain and spinal cord within the Move2Treat's context