Διάγνωση ασθενών με νευρολογικές παθήσεις μέσω οδηγικής συμπεριφοράς χρησιμοποιώντας τεχνικές μηχανικής μάθησης

Ιατρόπουλος, Πέτρος; Iatropoulos, Petros

dc.contributor.author	Ιατρόπουλος, Πέτρος	el
dc.contributor.author	Iatropoulos, Petros	en
dc.date.accessioned	2018-03-19T09:40:55Z
dc.date.available	2018-03-19T09:40:55Z
dc.date.issued	2018-03-19
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/46714
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.15214
dc.rights	Default License
dc.subject	Ανάλυση δεδομένων	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Κατηγοριοποίηση χρονοσειρών	el
dc.subject	Επιβλεπόμενη μάθηση	el
dc.subject	Συμπεριφορική ανάλυση	el
dc.subject	Data analysis	en
dc.subject	Machine learning	en
dc.subject	Time series classification	en
dc.subject	Supervised learning	en
dc.subject	Behavioral analysis	en
dc.title	Διάγνωση ασθενών με νευρολογικές παθήσεις μέσω οδηγικής συμπεριφοράς χρησιμοποιώντας τεχνικές μηχανικής μάθησης	el
heal.type	bachelorThesis
heal.classification	Βασική μηχανική μάθηση	el
heal.classificationURI	http://data.seab.gr/concepts/fec24cd140d4b110c225ac68fec062a57fb86360
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2017-10-31
heal.abstract	Η οδήγηση είναι μια πολύπλοκη διαδικασία η οποία πραγματοποιείται από εκατομμύρια ανθρώπους κάθε μέρα. Ο χαρακτηρισμός των οδηγικών συμπεριφορών από δεδομένα καταγεγραμμένα από αισθητήρες δεν είναι μόνο μια ενδιαφέρουσα επιστημονική έρευνα αλλά και μια απαίτηση του πραγματικού κόσμου. Ο σκοπός της παρούσας διπλωματικής είναι η σχεδίαση και πρόταση ενός συστήματος μηχανικής μάθησης, το οποίο εντοπίζει την οδηγική συμπεριφορά ανθρώπων που πάσχουν από νευροεκφυλιστικές ασθένειες. Συγκεκριμένα, το πρόβλημα διάγνωσης ενός οδηγού ανάγεται στο πρόβλημα ταξινόμησης χρονοσειρών. Αφού συλλέχθηκαν τα δεδομένα από τον προσομοιωτή και καθαρίστηκαν, τρία μοντέλα εκπαιδεύτηκαν και αξιολογήθηκαν. Το πρώτο μοντέλο ήταν k-nearest neighbors με αλγόριθμο δυναμικής χρονικής περιδίνησης (dynamic time warping) υπολογισμού απόστασης, το δεύτερο ήταν ένα multilayer perceptron και το τρίτο ένα decision tree. Τα αποτελέσματα έδειξαν ότι είναι εφικτό να διαγνωστεί ένα άτομο από την οδηγική του συμπεριφορά φτιάχνοντας το κατάλληλο μοντέλο. Οι προτεινόμενες τεχνικές μπορούν να γενικευτούν σε δεδομένα από τον πραγματικό κόσμο.	el
heal.abstract	Driving is a complex action performed by millions of people every day. Characterizing driving styles from sensory data is not only an interesting scientific research but also a real world requirement. The scope of this thesis is to design and propose a machine learning system architecture which analyzes and detects the driving behavior of people suffering from neurodegenerative diseases. Specifically, the problem of a driver’s diagnosis is reduced to time series classification problem. After collecting the data from a simulator and cleaning them, three models were trained and evaluated. The first model is a k-nearest neighbors classifier with dynamic time warping distance algorithm, the second is a multilayer perceptron and the third is a decision tree. The results showed that it is feasible to diagnose a driver from his/her driving behavior by building the appropriate model. The proposed techniques could be generalized for data from the real world.	en
heal.advisorName	Κοζύρης, Νεκτάριος	el
heal.committeeMemberName	Παπασπύρου, Νικόλαος	el
heal.committeeMemberName	Γκούμας, Γεώργιος	el
heal.committeeMemberName	Κοζύρης, Νεκτάριος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	66 σ.
heal.fullTextAvailability	true