Please use this identifier to cite or link to this item: http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/18366
Title: Ανάλυση βιομετρικών δεικτών με χρήση αυτο-επιβλεπόμενης μάθησης
Authors: Φέκας, Ευάγγελος
Μαραγκός Πέτρος
Keywords: Self-Supervised Learning
Psychotic Disorders
Random Convolutional Kernels
Survival Analysis
Wearable-sensory time series
Issue Date: 14-Jul-2022
Abstract: Είναι γεγονός ότι η Τεχνητή Νοημοσύνη έχει γίνει κομμάτι της καθημερινότητας μας, βελτιώνοντας την ποιότητα ζωής σε πολλά επίπεδα. Από τη συνθήκη αυτή, δεν θα μπορούσε να λείπει ο τομέας της υγείας και ειδικότερα της ψυχικής, η οποία δοκιμάζεται καθημερινά από το σύγχρονο τρόπο ζωής. Από τις πιο επώδυνες για τον ασθενή ψυχικές ασθένειες είναι αυτές του φάσματος της σχιζοφρένειας, των οποίων οι αιτίες παραμένουν ασαφείς μέχρι σήμερα, πάρα την εκτενή έρευνα των τελευταίων ετών. Ευτυχώς, σημαντικά βήματα έχουν γίνει για τη μετάβαση από την μέχρι τώρα νοσοκομειοκεντρική προσέγγιση τέτοιων ασθενειών σε προληπτική, εξατομικευμένη και πραγματικού χρόνου. ΄Ενας από τους τρόπους να συμβεί αυτό είναι με τη χρήση φορητών συσκευών (wearables) και αξιοποιώντας την παθητική καταγραφή βιομετρικών δεικτών που αυτά μας παρέχουν. Δυστυχώς, η σύγχρονη τάση στην Μηχανική μάθηση (supervised deep-learning) απαιτεί τεράστιες ποσότητες προσεκτικά επισημειωμένων δεδομένων, κάτι το οποίο δεν μπορεί να γίνει εύκολα με τα wearables, αφού οι μετρήσεις τους συλλέγονται παθητικά. Πράγματι, για την εκτέλεση ενός απλού πειράματος (για παράδειγμα sleep-staging), χρειάζεται εξειδικευμένοι τεχνικοί να επισημειώσουν χειροκίνητα ώρες δεδομένων. Μια πολλά υποσχόμενη λύση στο πρόβλημα αυτό, είναι ο αναδυόμενος τομέας της αυτο-επιβλεπόμενης μάθησης SSL). Στο SSL, η δομή των δεδομένων χρησιμοποιείται για να μετατρέψει το unsupervised πρόβλημα σε supervised, το οποίο ονομάζεται ονομάζεται pretext task. Η αναπαράσταση που μαθαίνεται από το pretext task μπορεί στη συνέχεια να ξαναχρησιμοποιηθεί σε μια supervised εργασία, μειώνοντας δυνητικά τον απαιτούμενο αριθμό επισημειωμένων παραδειγμάτων. Στην παρούσα μελέτη εφαρμόζεται η τεχνική της αυτο-επιβλεπόμενης μάθησης για την εξαγωγή αναπαραστάσεων από βιομετρικά δεδομένα, που συλλέχθηκαν από έξυπνα ρολόγια (smartwatches). Στη συνέχεια, οι αναπαραστάσεις αυτές χρησιμοποιούνται σε τέσσερις τελικές εργασίες και τα αποτελέσματα συγκρίνονται με αυτά άλλων μη-επιβλεπόμενων αλλά και πλήρως-επιβλεπόμενων τεχνικών. Οι τελικές εργασίες που μελετήσαμε είναι η ανίχνευση ύπνου, η ανίχνευση δραστηριότητας, η αναγνώριση χρήστη και πρόβλεψη χρονικού διαστήματος μέχρι την επόμενη υποτροπή. Τα αποτελέσματα είναι ενθαρρυντικά, αφού στις πρώτες τρεις εργασίες η SSL αγγίζει την ακρίβεια πληρως επιβλεπόμενων τεχνικών μόνο με ένα κλάσμα των δεδομένων για προεκπαίδευση, ενώ εξαιρετική είναι και η απόδοση των τυχαίων συνελικτικών πυρήνων, ως βήμα εξαγωγής χαρακτηριστικών. ΄Ομοια, στο πρόβλημα πρόβλεψης της υποτροπής ξεχώρισαν τα hand-crafted χαρακτηριστικά για την απόδοσή τους σε λίγα δεδομένα εκπαίδευσης και τη δυνατότητα ερμηνευσιμότητας που μας παρέχουν. Εξαιρετική είναι, επίσης, η ποιότητα των αναπαραστάσεων συνελικτικών πυρήνων και πολλά υποσχόμενες οι SSL τεχνικές, λόγω της ικανότητας να βελτιώνουν τις αναπαραστάσεις τους, όσο αυξάνουμε τα μη-επισημειωμένα δεδομένα προεκπαίδευσης.
URI: http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/18366
Appears in Collections:Διπλωματικές Εργασίες - Theses

Files in This Item:
File Description SizeFormat 
thesis-fekas.pdf49.57 MBAdobe PDFView/Open


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