Διάγνωση της νόσου Πάρκινσον μέσω βάδισης με τεχνικές Μηχανικής Μάθησης

Abstract

Αντικείμενο της παρούσας διπλωματικής εργασίας είναι η ανάπτυξη ενός μοντέλου για την αναγνώριση της νόσου του Parkinson, με χρήση αλγορίθμων μηχανικής μάθησης. Η χρήση της τεχνητής νοημοσύνης και της μηχανικής μάθησης για την ιατρική διάγνωση είναι πεδίο εντατικής μελέτης, με μεγάλη εξέλιξη τα τελευταία χρόνια. Συγκεκριμένα για τη νόσο Parkinson, η διάγνωση αποτελεί πρόκληση, καθώς αυτή γίνεται με κλινική εξέταση και εξαρτάται σε μεγάλο βαθμό από την κρίση και την εμπειρία του γιατρού. Αξίζει, λοιπόν, να μελετηθεί κατά πόσο η μηχανική μάθηση είναι σε θέση να παρέχει ένα συστηματικό εργαλείο για την διάγνωση της ασθένειας. Για το πειραματικό κομμάτι, η βάση δεδομένων που χρησιμοποιήθηκε για την ανάπτυξη και εκπαίδευση των μοντέλων αποτελείται από δεδομένα από αισθητήρες που καταγράφουν την δύναμη αντίδρασης του δαπέδου (VGRF) κατά τη βάδιση τόσο ασθενών με τη νόσο, όσο και υγιών ανθρώπων. Ειδικότερα, εστιάσαμε σε τεχνικές βαθιάς μάθησης, δοκιμάζοντας διαφορετικά μοντέλα με συνελικτικά νευρωνικά δίκτυα(CNN) και δίκτυα μακράς-βραχείας μνήμης (LSTM). Πιο συγκεκριμένα, αρχικά υλοποιήθηκε ένα απλό μοντέλο με συνελικτικά και πλήρως συνδεδεμένα επίπεδα. Στη συνέχεια, αναπτύχθηκε ένα υβριδικό μοντέλο με CNN-LSTM επίπεδα. Το CNN κομμάτι χρησιμοποιήθηκε για να εξάγει χαρακτηριστικά από τις εισόδους, τα οποία δόθηκαν ως είσοδος στο LSTM κομμάτι για αναγνώριση μεγαλύτερων χρονικών εξαρτήσεων, και έτσι την καλύτερη κατηγοριοποίηση σε ασθενή ή υγιή. Περαιτέρω, υλοποιήθηκε ένα βαθύ Συνελικτικό Νευρωνικό Δίκτυο, στο οποίο το μοναδικό επίπεδο υποδειγματοληψίας, ήταν το καθολικό επίπεδο υποδειγματοληψίας μέσου όρου (Global Average Pooling), περιορίζοντας το πρόβλημα της υπερπροσαρμογής που υπήρχε σε άλλες υλοποιήσεις. Παράλληλα, υλοποιήθηκαν και δύο μοντέλα με κλασικές μεθόδους μηχανικές μάθησης, με χρήση των «Κ-Κοντινότεροι Γείτονες» και «Μηχανές Διανυσμάτων Υποστήριξης» ως μοντέλα αναφοράς για τη σύγκριση και αξιολόγηση της απόδοσης των βαθιών νευρωνικών. Τα μοντέλα αυτά, χρησιμοποιήθηκαν, αφού πρώτα έγινε στατιστική εξαγωγή χαρακτηριστικών των δεδομένων των αισθητήρων. Για την απόδοση χρησιμοποιήθηκαν διάφορες μετρικές. Οι τεχνικές βαθιάς μάθησης πέτυχαν καλύτερα αποτελέσματα στην κατηγοριοποίηση, σε σύγκριση με τις άλλες μεθόδους, όπου η εξαγωγή χαρακτηριστικών είχε γίνει χειροκίνητα. Μάλιστα, το υβριδικό CNN-LSTM μοντέλο και το βαθύ Συνελικτικό με Global Average Pooling επίπεδο, είχαν τα πιο αξιόλογα αποτελέσματα, πετυχαίνοντας συνολική ορθότητα 94% και 95% αντίστοιχα.