Please use this identifier to cite or link to this item: http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/17584
Full metadata record
DC FieldValueLanguage
dc.contributor.authorΤσιούρης, Κωνσταντίνος-
dc.date.accessioned2020-07-01T09:52:37Z-
dc.date.available2020-07-01T09:52:37Z-
dc.date.issued2020-03-09-
dc.identifier.urihttp://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/17584-
dc.description.abstractΗ παρούσα διδακτορική διατριβή επικεντρώνεται στην ανάπτυξη υπολογιστικών μεθόδων για την καλύτερη διαχείριση ασθενών που πάσχουν από επιληψία ή νόσο Parkinson, δύο από τις πιο συνήθεις νευρολογικές παθήσεις. Για τη διαχείριση ασθενών που πάσχουν από επιληψία, προτείνονται μεθοδολογίες που βασίζονται στην ανάλυση του ηλεκτροεγκεφαλογραφήματος (ΗΕΓ), για την αυτόματη ανίχνευση επιληπτικών κρίσεων και την έγκαιρη πρόβλεψη της εμφάνισής τους. Αναπτύχθηκαν καινοτόμες μεθοδολογίες αυτόματης ανίχνευσης κρίσεων οι οποίες σχεδιάστηκαν να λειτουργούν χωρίς επίβλεψη, με κριτήρια ανίχνευσης που βασίζονται στη διαθέσιμη ιατρική γνώση, αντί στην εκπαίδευση με προ-αξιολογημένα δεδομένα. Οι προτεινόμενες μεθοδολογίες αποτελούν τις πρώτες υλοποιήσεις αυτόματης ανίχνευσης επιληπτικών κρίσεων χωρίς επίβλεψη ή εκπαίδευση, και αξιολογήθηκαν με ανοιχτά δεδομένα ΗΕΓ από μεγάλες βάσεις δεδομένων. Η μεθοδολογία πρόβλεψης κρίσεων εισάγει αλγορίθμους βαθιάς μάθησης στην ανάλυση του προκριτικού ΗΕΓ, καθώς χρησιμοποιήθηκε για πρώτη φορά το μοντέλο δικτύων Long Short-Term Memory (LSTM) για την αναγνώριση και ταξινόμηση προκριτικών προτύπων στο ΗΕΓ των ασθενών, μέσα από ένα ευρύ σύνολο χαρακτηριστικών που εξάγονται από το ΗΕΓ μέσω της ανάλυσης στο πεδίο του χρόνο και της συχνότητας, τη συσχέτιση μεταξύ των καναλιών και των πιο γνωστών μετρικών από τη θεωρεία των Γράφων. Για τη διαχείριση των ασθενών με νόσο Parkinson, εξάγονται προγνωστικοί παράγοντες που δηλώνουν τον αυξημένο κίνδυνο εμφάνισης ταχύτερης εξέλιξης των συμπτωμάτων της νόσου Parkinson, ή την εμφάνιση πρώιμων γνωστικών διαταραχών, χρησιμοποιώντας τεχνικές εξόρυξης και αλγορίθμους μηχανικής μάθησης. Η μεθοδολογία βασίζεται σε πολυπαραμετρικές αξιολογήσεις των αρχικών συμπτωμάτων από περίπου 600 χαρακτηριστικά, τα οποία προέρχονται από ανοιχτά δεδομένα. Επίσης, αναπτύσσονται συστήματα υποστήριξης απόφασης που βοηθούν στην αξιολόγηση της κατάστασης των ασθενών και την καλύτερη παρακολούθηση της εξέλιξης της νόσου με βάση τα στάδια της κλίμακας Hoehn & Yahr. Το προτεινόμενο σύστημα αποτελεί την πρώτη προσέγγιση σε αυτόν τον τομέα που βασίζεται σε αλγορίθμους μηχανικής μάθησης για την ανάλυση των κινητικών συμπτωμάτων των ασθενών με νόσο Parkinson και την αντιστοίχισή τους στα πέντε στάδια της κλίμακας Hoehn & Yahr.en_US
dc.languageelen_US
dc.subjectΕπιληψίαen_US
dc.subjectΗλεκτροεγκεφαλογράφημαen_US
dc.subjectΠρόβλεψη επιληπτικών κρίσεωνen_US
dc.subjectΑνίχνευση επιληπτικών κρίσεωνen_US
dc.subjectΔίκτυα βαθιάς μάθησηςen_US
dc.subjectΝόσος Parkinsonen_US
dc.subjectΠρογνωστικοί παράγοντεςen_US
dc.subjectΣυστήματα υποστήριξης κλινικών αποφάσεωνen_US
dc.titleΥπολογιστικές Μέθοδοι Παρακολούθησης και Διαχείρισης Ασθενών με Νευρολογικές Παθήσειςen_US
dc.description.pages340en_US
dc.contributor.supervisorΚουτσούρης Δημήτριος-Διονύσιοςen_US
dc.departmentΤομέας Συστημάτων Μετάδοσης Πληροφορίας και Τεχνολογίας Υλικώνen_US
Appears in Collections:Διδακτορικές Διατριβές - Ph.D. Theses

Files in This Item:
File Description SizeFormat 
Didaktoriki_Diatrivi_K_Tsiouris_Artemis.pdfΔιατριβή Κ Τσιούρης10.09 MBAdobe PDFView/Open


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