HEAL DSpace

Διάγνωση της νόσου Πάρκινσον μέσω βάδισης με τεχνικές μηχανικής μάθησης

DSpace/Manakin Repository

Show simple item record

dc.contributor.author Νταρουίς, Ειρήνη el
dc.date.accessioned 2020-12-03T17:33:33Z
dc.date.available 2020-12-03T17:33:33Z
dc.identifier.uri https://dspace.lib.ntua.gr/xmlui/handle/123456789/52215
dc.identifier.uri http://dx.doi.org/10.26240/heal.ntua.19913
dc.rights Αναφορά Δημιουργού-Μη Εμπορική Χρήση 3.0 Ελλάδα *
dc.rights.uri http://creativecommons.org/licenses/by-nc/3.0/gr/ *
dc.subject Μηχανική μάθηση el
dc.subject Βαθιά μάθηση el
dc.subject Νόσος Parkinson el
dc.subject Συνελικτικά νευρωνικά δίκτυα el
dc.subject Νευρώνες μακράς και βραχείας μνήμης el
dc.subject Υβριδικό μοντέλο el
dc.subject Machine learning en
dc.subject Parkinson disease en
dc.subject Deep learning en
dc.subject Convolutional neural networks en
dc.subject Long short term memory en
dc.subject Hybrid model en
dc.title Διάγνωση της νόσου Πάρκινσον μέσω βάδισης με τεχνικές μηχανικής μάθησης el
dc.contributor.department ΤΟΜΕΑΣ ΤΕΧΝΟΛΟΓΙΑΣ, ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΥΠΟΛΟΓΙΣΤΩΝ el
heal.type bachelorThesis el
heal.classification Μηχανική Μάθηση el
heal.language el el
heal.access free el
heal.recordProvider ntua el
heal.publicationDate 2020-09-24
heal.abstract Αντικείμενο της παρούσας διπλωματικής εργασίας είναι η ανάπτυξη ενός μοντέλου για την αναγνώριση της νόσου του Parkinson, με χρήση αλγορίθμων μηχανικής μάθησης. Η χρήση της τεχνητής νοημοσύνης και της μηχανικής μάθησης για την ιατρική διάγνωση είναι πεδίο εντατικής μελέτης, με μεγάλη εξέλιξη τα τελευταία χρόνια. Συγκεκριμένα για τη νόσο Parkinson, η διάγνωση αποτελεί πρόκληση, καθώς αυτή γίνεται με κλινική εξέταση και εξαρτάται σε μεγάλο βαθμό από την κρίση και την εμπειρία του γιατρού. Αξίζει, λοιπόν, να μελετηθεί κατά πόσο η μηχανική μάθηση είναι σε θέση να παρέχει ένα συστηματικό εργαλείο για την διάγνωση της ασθένειας. Για το πειραματικό κομμάτι, η βάση δεδομένων που χρησιμοποιήθηκε για την ανάπτυξη και εκπαίδευση των μοντέλων αποτελείται από δεδομένα από αισθητήρες που καταγράφουν την δύναμη αντίδρασης του δαπέδου (VGRF) κατά τη βάδιση τόσο ασθενών με τη νόσο, όσο και υγιών ανθρώπων. Ειδικότερα, εστιάσαμε σε τεχνικές βαθιάς μάθησης, δοκιμάζοντας διαφορετικά μοντέλα με συνελικτικά νευρωνικά δίκτυα(CNN) και δίκτυα μακράς-βραχείας μνήμης (LSTM). Πιο συγκεκριμένα, αρχικά υλοποιήθηκε ένα απλό μοντέλο με συνελικτικά και πλήρως συνδεδεμένα επίπεδα. Στη συνέχεια, αναπτύχθηκε ένα υβριδικό μοντέλο με CNN-LSTM επίπεδα. Το CNN κομμάτι χρησιμοποιήθηκε για να εξάγει χαρακτηριστικά από τις εισόδους, τα οποία δόθηκαν ως είσοδος στο LSTM κομμάτι για αναγνώριση μεγαλύτερων χρονικών εξαρτήσεων, και έτσι την καλύτερη κατηγοριοποίηση σε ασθενή ή υγιή. Περαιτέρω, υλοποιήθηκε ένα βαθύ Συνελικτικό Νευρωνικό Δίκτυο, στο οποίο το μοναδικό επίπεδο υποδειγματοληψίας, ήταν το καθολικό επίπεδο υποδειγματοληψίας μέσου όρου (Global Average Pooling), περιορίζοντας το πρόβλημα της υπερπροσαρμογής που υπήρχε σε άλλες υλοποιήσεις. Παράλληλα, υλοποιήθηκαν και δύο μοντέλα με κλασικές μεθόδους μηχανικές μάθησης, με χρήση των «Κ-Κοντινότεροι Γείτονες» και «Μηχανές Διανυσμάτων Υποστήριξης» ως μοντέλα αναφοράς για τη σύγκριση και αξιολόγηση της απόδοσης των βαθιών νευρωνικών. Τα μοντέλα αυτά, χρησιμοποιήθηκαν, αφού πρώτα έγινε στατιστική εξαγωγή χαρακτηριστικών των δεδομένων των αισθητήρων. Για την απόδοση χρησιμοπιήθηκαν διάφορες μετρικές. Οι τεχνικές βαθιάς μάθησης πέτυχαν καλύτερα αποτελέσματα στην κατηγοριοποίηση, σε σύγκριση με τις άλλες μεθόδους, όπου η εξαγωγή χαρακτηριστικών είχε γίνει χειροκίνητα. Μάλιστα, το υβριδικό CNN-LSTM μοντέλο και το βαθύ Συνελικτικό με Global Average Pooling επίπεδο, είχαν τα πιο αξιόλογα αποτελέσματα, πετυχαίνοντας συνολική ορθότητα 94% και 95% αντίστοιχα. el
heal.advisorName Σταφυλοπάτης, Ανδρέας-Γεώργιος el
heal.committeeMemberName Κόλλιας, Στέφανος el
heal.committeeMemberName Στάμου, Γεώργιος el
heal.committeeMemberName Σταφυλοπάτης, Ανδρέας-Γεώργιος el
heal.academicPublisher Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών el
heal.academicPublisherID ntua
heal.numberOfPages 64 σ. el
heal.fullTextAvailability false


Files in this item

The following license files are associated with this item:

This item appears in the following Collection(s)

Show simple item record

Αναφορά Δημιουργού-Μη Εμπορική Χρήση 3.0 Ελλάδα Except where otherwise noted, this item's license is described as Αναφορά Δημιουργού-Μη Εμπορική Χρήση 3.0 Ελλάδα