Ανάπτυξη μοντέλων μηχανικής μάθησης για την αναγνώριση επιπέδων άγχους από ηχητικές καταγραφές φωνής και βήχα.

Abstract

Η παγκόσμια εξάπλωση του ιού Sars-CoV-2 προκάλεσε μια πανδημία, η οποία έθεσε την ψυχική υγεία στο επίκεντρο των συζητήσεων, λόγω του αυξημένου άγχους που αντιμετώπισαν οι άνθρωποι, καθώς και την ανάγκη δημιουργίας ψηφιακών εφαρμογών υγείας με δυνατότητα αναγνώρισης περιστατικών άμεσα και χωρίς να είναι αναγκαία η φυσική παρουσία. Σκοπός της παρούσας διπλωματικής εργασίας είναι η μελέτη της δυνατότητας εκπαίδευσης μοντέλων μηχανικής μάθησης με δεδομένα τα οποία έχουν συλλεχθεί μη επεμβατικά μέσω της εφαρμογής Smarty4Covid. Προκειμένου να σχεδιαστεί το σύνολο δεδομένων που χρησιμοποιήθηκε για την εκπαίδευση των μοντέλου μηχανικής μάθησης, πραγματοποιήθηκε αρχικά στατιστική ανάλυση των δεδομένων με γνώμονα την υποκειμενική αναφορά του επιπέδου άγχους. Στη συνέχεια, έγινε διαχωρισμός των δεδομένων σε δυο κλάσεις και μελετήθηκε η ικανότητα των εκπαιδευμένων μοντέλων μηχανικής μάθησης να αναγνωρίζουν την κλάση στην οποία ανήκουν οι συμμετέχοντες. Οι δυο κλάσεις χωρίστηκαν είτε με βάση το επίπεδο άγχους και την κατάσταση εμβολιασμού είτε βάση μόνο των επιπέδων άγχους και πραγματοποιήθηκε υαδική ταξινόμηση με χρήση διαφόρων μοντέλων μηχανικής μάθησης. Για την εκπαίδευση των μοντέλου ρησιμοποιήθηκαν δεδομένα ηχητικών καταγραφών βήχα και φωνής, και δοκιμάστηκε ο διαχωρισμός του υνόλου δεδομένων σε υποσύνολα βάση μεταβλητών όπως η ηλικιακή κατηγορία.