Please use this identifier to cite or link to this item: http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/13671
Title: Διάγνωση Ασθενών Με Νευρολογικές Παθήσεις Μέσω Οδηγικής Συμπεριφοράς Χρησιμοποιώντας Τεχνικές Μηχανικής Μάθησης
Authors: Ιατρόπουλος Πέτρος
Κοζύρης Νεκτάριος
Keywords: ανάλυση δεδομένων
μηχανική μάθηση
κατηγοριοποίηση χρονοσειρών
επιβλεπόμενη μάθηση
συμπεριφορική ανάλυση
k-κοντινότεροι γείτονες
νευρωνικά δίκτυα
δέντρο απόφασης
δυναμική στρέβλωση χρόνου
κινούμενος μέσος όρος
ανάλυση κυρίων συνιστωσών
data analysis
machine learning
time series classification
supervised learning
behavioral analysis
k-nearest neighbors
neural networks
decision tree
dynamic time warping
moving average
principal component analysis
Issue Date: 29-Dec-2017
Abstract: Η οδήγηση είναι μια πολύπλοκη διαδικασία η οποία πραγματοποιείται από εκατομμύρια ανθρώπους κάθε μέρα. Ο χαρακτηρισμός των οδηγικών συμπεριφορών από δεδομένα καταγεγραμμένα από αισθητήρες δεν είναι μόνο μια ενδιαφέρουσα επιστημονική έρευνα αλλά και μια απαίτηση του πραγματικού κόσμου. Ο σκοπός της παρούσας διπλωματικής είναι η σχεδίαση και πρόταση ενός συστήματος μηχανικής μάθησης, το οποίο εντοπίζει την οδηγική συμπεριφορά ανθρώπων που πάσχουν από νευροεκφυλιστικές ασθένειες.Συγκεκριμένα, το πρόβλημα διάγνωσης ενός οδηγού ανάγεται στο πρόβλημα ταξινόμησης χρονοσειρών. Αφού συλλέχθηκαν τα δεδομένα από τον προσομοιωτή και καθαρίστηκαν, τρία μοντέλα εκπαιδεύτηκαν και αξιολογήθηκαν. Το πρώτο μοντέλο ήταν k-nearest neighbors με αλγόριθμο δυναμικής χρονικής περιδίνησης (dynamic time warping) υπολογισμού απόστασης, το δεύτερο ήταν ένα multilayer perceptron και το τρίτο ένα decision tree.Τα αποτελέσματα έδειξαν ότι είναι εφικτό να διαγνωστεί ένα άτομο από την οδηγική του συμπεριφορά φτιάχνοντας το κατάλληλο μοντέλο. Οι προτεινόμενες τεχνικές μπορούν να γενικευτούν σε δεδομένα από τον πραγματικό κόσμο.
URI: http://artemis-new.cslab.ece.ntua.gr:8080/jspui/handle/123456789/13671
Appears in Collections:Διπλωματικές Εργασίες - Theses

Files in This Item:
File SizeFormat 
DT2017-0331.pdf2.01 MBAdobe PDFView/Open


Items in Artemis are protected by copyright, with all rights reserved, unless otherwise indicated.