Παρακαλώ χρησιμοποιήστε αυτό το αναγνωριστικό για να παραπέμψετε ή να δημιουργήσετε σύνδεσμο προς αυτό το τεκμήριο: http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/18241
Τίτλος: Καταγραφή και Ανάλυση Βιομετρικών Δεικτών για Υποστήριξη Ασθενών σε Θέματα Ψυχικής Υγείας
Συγγραφείς: Παναγιώτου, Μαρία
Μαραγκός Πέτρος
Λέξεις κλειδιά: Ψυχωτικές Διαταραχές
Ανίχνευση Ανωμαλιών
Autoencoders
Χρονοσειρές
Ημερομηνία έκδοσης: 28-Φεβ-2022
Περίληψη: Οι διαταραχές του φάσματος της σχιζοφρένειας είναι χρόνιες παθήσεις που πάρα τις έρευνες που γίνονται τα τελευταία χρόνια οι αίτιες τους παραμένουν ασαφείς. Η χρήση φορητών συσκευών (wearables) και οι συλλογή των δεδομένων μέσω αυτών μας επιτρέπει την αξιόπιστη καταγραφή πληθώρας βιομετρικών δεικτών, οι οποίοι μας δίνουν τη δυνατότητα να μαζέψουμε μεγάλο όγκο δεδομένων και να τον αξιοποιήσουμε κατάλληλα για τη έγκαιρη πρόβλεψη ψυχωτικών διαταραχών. Σε αυτή τη μελέτη εξετάζεται η εφαρμογή μοντέλων βαθιάς μάθησης για την ανίχνευση υποτροπών σε ασθενείς με ψυχωτικές διαταραχές. Συγκεκριμένα, χρησιμοποιούνται φυσιολογικά σήματα όπως η κίνηση των ασθενών και βιοσήματα όπως η παρακολούθηση του καρδιακού ρυθμού, που προέρχονται και τα δύο από έξυπνα ρολόγια (smartwatches). Τα δεδομένα μας προέρχονται από δέκα ασθενείς που πάσχουν με διαταραχές του φάσματος της σχιζοφρένειας και τα επεξεργαζόμαστε με σκοπό να εξάγουμε τις πιο κατάλληλες αναπαραστάσεις και χαρακτηριστικά. Κάθε επεισόδιο υποτροπής χαρακτηρίζεται και επισημειώνεται κατάλληλα από τους κλινικούς ιατρούς ως χαμηλό, μέτριο ή υψηλό. Για την αντιμετώπιση του προβλήματος ανίχνευσης των υποτροπών, υλοποιούνται τέσσερις διαφορετικές αρχιτεκτονικές κωδικοποιητή - αποκωδικοποιητή, βασισμένες σε convolutional, fully connected, recurrent neural networks autoencoder και transformer, και εκπαιδεύονται είτε εξατομικευμένα για κάθε ασθενή είτε γενικά με βάση τα συνολικά δεδομένα των ασθενών. Τα μοντέλα μας έχουν ως απώτερο σκοπό να μάθουν τις συμπεριφορές των ασθενών και να μπορούν να ξεχωρίζουν μία φυσιολογική συμπεριφορά από τη συμπεριφορά της περιόδου υποτροπής. Τα αποτελέσματα των διάφορων μοντέλων που υλοποιήθηκαν συγκρίνονται μεταξύ τους, με τα μοντέλα convolutional και fully connected neural network να έχουν τις καλύτερες αποδόσεις. Τέλος, για τους ασθενείς με περισσότερα από ένα επεισόδιο υποτροπής με διαφορετική σοβαρότητα υποτροπής, πειραματιστήκαμε για να δούμε πόσο σημαντική είναι οι κατηγορία της υποτροπής που έχει ο ασθενείς, για την ανίχνευση της.
URI: http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/18241
Εμφανίζεται στις συλλογές:Διπλωματικές Εργασίες - Theses

Αρχεία σε αυτό το τεκμήριο:
Αρχείο Περιγραφή ΜέγεθοςΜορφότυπος 
MariaPanagiotou_DiplomaThesis2022_Final.pdf5.87 MBAdobe PDFΕμφάνιση/Άνοιγμα


Όλα τα τεκμήρια του δικτυακού τόπου προστατεύονται από πνευματικά δικαιώματα.