Ανίχνευση κατάθλιψης από ψυχοθεραπευτικές συνεδρίες με μηχανική μάθηση και νευρωνικά δίκτυα

Ξεζωνάκη, Δανάη

dc.contributor.author	Ξεζωνάκη, Δανάη	el
dc.date.accessioned	2020-11-07T06:54:18Z
dc.date.available	2020-11-07T06:54:18Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/51811
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.19509
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Ανίχνευση κατάθλιψης	el
dc.subject	Αναδρομικά νευρωνικά δίκτυα	el
dc.subject	Επεξεργασία φυσικής γλώσσας	el
dc.subject	Μηχανισμός προσοχής	el
dc.subject	Ιεραρχικό δίκτυο	el
dc.subject	Machine learning	en
dc.subject	Affective lexica	en
dc.subject	Hierarchical attention networks	en
dc.subject	Natural language processing	en
dc.subject	Recurrent neural networks	en
dc.title	Ανίχνευση κατάθλιψης από ψυχοθεραπευτικές συνεδρίες με μηχανική μάθηση και νευρωνικά δίκτυα	el
dc.contributor.department	Speech and Natural Language Processing Lab	en
heal.type	bachelorThesis
heal.classification	Machine Learning	en
heal.classification	Computation and Language	en
heal.classification	Natural Language Processing	en
heal.language	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2020-07-17
heal.abstract	Στην παρούσα διπλωματική εργασία ασχολούμαστε με το πρόβλημα της διάγνωσης κατάθλιψης από ψυχοθεραπευτικές συνεδρίες, με χρήση μηχανικής μάθησης και νευρωνικών δικτύων. Συγκεκριμένα, ερευνούμε τρόπους και μεθόδους για την βελτίωση της απόδοσης των αναδρομικών νευρωνικών δικτύων που χρησιμοποιούνται για το συγκεκριμένο πρόβλημα. Αρχικά, πραγματοποιούμε ανάλυση των δεδομένων μας και παρουσιάζουμε τα αποτελέσματα που φανερώνουν χρήσιμες πληροφορίες για τη γλώσσα που χρησιμοποιούν οι άνθρωποι με κατάθλιψη. Ακόμη, υλοποιούμε ένα ιεραρχικό δίκτυο με μηχανισμό προσοχής το οποίο μαθαίνει να προβλέπει εάν ο ασθενής κάθε συνεδρίας νοσεί από κατάθλιψη ή όχι. Στη συνέχεια, ερευνούμε την ενσωμάτωση υπάρχουσας γλωσσικής πληροφορίας στους μηχανισμούς προσοχής. Επίσης,διευρύνουμε τις αρχιτεκτονικές ενσωματώνοντας την περίληψη κάθε συνεδρίας, εφόσον είναι διαθέσιμη. Πραγματοποιούμε μια σειρά από πειράματα με βάση αυτές τις προσεγγίσεις και εξετάζουμε κατά πόσο βοηθά ολόκληρη η συνεδρία ή η γλώσσα του ασθενή και του θεραπευτή ξεχωριστά, στη βελτίωση της απόδοσης των μοντέλων. Τα αποτελέσματά μας δείχνουν ότι οι προτεινόμενες μέθοδοι βοηθούν την επίδοση των μοντέλων, και ειδικά στην περίπτωση που έχουμε μικρό αριθμό από δεδομένα. Τέλος, εισάγουμε το πρόβλημα της μοντελοποίησης του διαλόγου που πραγματοποιείται σε κάθε συνεδρία και συζητάμε πιθανές αρχιτεκτονικές και μελλοντικές επεκτάσεις. Η παρούσα δουλειά οδήγησε στην υποβολή του επιστημονικού άρθρου [81] στο συνέδριο Interspeech 2020.	el
heal.advisorName	Ποταμιάνος, Αλέξανδρος	el
heal.committeeMemberName	Τζαφέστας, Κωνσταντίνος	el
heal.committeeMemberName	Κατσαμάνης, Αθανάσιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	91 σ.	el
heal.fullTextAvailability	false