Εντοπισμός θορύβου σε σήματα ηλεκτροδερματικής δραστηριότητας με χρήση τεχνικών μηχανικής μάθησης

Καβαρδίνας, Βασίλειος; Kavardinas, Vasileios

dc.contributor.author	Καβαρδίνας, Βασίλειος	el
dc.contributor.author	Kavardinas, Vasileios	en
dc.date.accessioned	2021-09-21T11:33:52Z
dc.date.available	2021-09-21T11:33:52Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/53871
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.21569
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	Μηχανική μάθηση	el
dc.subject	Ηλεκτροδερματική δραστηριότητα	el
dc.subject	Ψυχική υγεία	el
dc.subject	Εντοπισμός θορύβου	el
dc.subject	wearable συσκευές	el
dc.subject	Mental health	en
dc.subject	Electrodermal activity	en
dc.subject	Machine learning	en
dc.subject	Νoise detection	en
dc.subject	Wearable devices	en
dc.title	Εντοπισμός θορύβου σε σήματα ηλεκτροδερματικής δραστηριότητας με χρήση τεχνικών μηχανικής μάθησης	el
heal.type	bachelorThesis
heal.classification	Machine learning	en
heal.classification	Computer programming	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-07-16
heal.abstract	Η παρούσα διπλωματική εργασία επιδιώκει να ερευνήσει τη δυνατότητα εφαρμογής της επιστήμης της μηχανικής μάθησης πάνω σε βιομετρικά δεδομένα, τα οποία αξιοποιούνται στον χώρο της ψυχικής υγείας και της αναγνώρισης συναισθημάτων. Κίνητρο αποτέλεσε η ανάγκη συστηματικής και σε πραγματικό χρόνο παρακολούθησης της ψυχικής υγείας, η οποία στην εποχή μας αντιμετωπίζεται ως ένα σημαντικό κοινωνικό ζήτημα. Η ραγδαία πρόοδοςτης τεχνολογίας και η ευρεία διάδοση και χρήση των φορετών (wearable) συσκευών μπορεί πλέον να παρέχει υποστηρικτικό ρόλο στη διαδικασία αυτή. Πιο συγκεκριμένα, μέσω της διαρκούς συλλογής δεδομένων στην καθημερινή ζωή ενός χρήστη, του προσφέρεται η δυνατότητα να παρακολουθεί ο ίδιος τον εαυτό του. Αυτό επιτυγχάνεται, καθώς οι wearable συσκευές συλλέγουν με μη παρεμβατικό τρόπο βιοσήματα από τον χρήστη, τα οποία με την επεξεργασία από τους κατάλληλους αλγορίθμους και τη χρήση κάποιας εφαρμογής στο κινητό του, μπορούν να τον βοηθήσουν να αποκτήσει καλύτερη γνώση για την ψυχολογική του κατάσταση και τις διακυμάνσεις αυτής. Η χρήση των νέων τεχνολογιών σε συνδυασμό με τις παραδοσιακές υπηρεσίες ψυχικής υγείας έχουν ανοίξει μια νέα αγορά, η οποία προσελκύει διαρκώς όλο και περισσότερες εταιρείες να επενδύσουν σε αυτήν, τη λεγόμενη «Επαυξημένη Ψυχική Υγεία, Augmented Mental Health». Η καταγραφή, ωστόσο, σημάτων στο καθημερινό περιβάλλον του χρήστη έχει μια θεμελιώδη πρόκληση, τον θόρυβο που εισάγεται στα καταγραφόμενα σήματα. Η εκπόνηση της διπλωματικής εργασίας έγινε σε συνεργασία με την εταιρεία Sentio Solutions, η οποία δραστηριοποιείται στον τομέα της επαυξημένης ψυχικής υγείας,κατασκευάζοντας και διαθέτοντας το wearableπροϊόν της, έναβραχιόλι αναγνώρισης συναισθημάτων Feel. Αντικείμενο της εργασίας είναι η αναζήτηση και ανάπτυξη μιας μεθόδου, η οποία να βασίζεται σε τεχνικές μηχανικής μάθησης, για τον εντοπισμό του θορύβου στο βιοσήμα της ηλεκτροδερματικής δραστηριότητας, το οποίο συλλέγεται από το βραχιόλι Feel. Η ηλεκτροδερματική δραστηριότητα είναι ένα βιομετρικό σήμα που ποσοτικοποιεί τα ηλεκτρικά χαρακτηριστικά του δέρματος και έχει χρησιμοποιηθεί εκτενώς για την αναγνώριση συναισθημάτων, καθώς και τη διάγνωση ψυχικών διαταραχών. Στο πλαίσιο της εργασίας ακολουθούνται δύο προσεγγίσεις. Η πρώτη αξιοποιεί αλγορίθμους επιβλεπόμενης μάθησης, ενώ η δεύτερη αλγορίθμους μη επιβλεπόμενης μάθησης. Η επιβλεπόμενη μάθηση παρουσίασε ικανοποιητικά αποτελέσματα όσον αφορά στον διαχωρισμό των τμημάτων του σήματος που είναι καθαρά από αυτά που περιέχουν θόρυβο, ενώ η μη επιβλεπόμενη μάθηση δεν παρουσίασε εξίσου καλά αποτελέσματα. Επομένως, η μέθοδος της επιβλεπόμενης μάθησης συνιστάται για περαιτέρω έρευνα και δοκιμή σε πραγματικές συνθήκες παραγωγής.	el
heal.abstract	This thesis seeks to investigate the applicability of machine learning to biometric data, which are utilized in the field of mental health and emotion recognition. The motivation was the need for systematic and real-time monitoring of mental health, which in our time is treated as an important social issue. The rapid advancement of technology and the widespread use of wearable devices can now provide a supportive role in this process. More specifically, through the continuous collection of ambulatory data during the daily life of a user, he/she is offered the opportunity to monitor himself. This is achieved as wearable devices collect biosignals in a non-invasive way from the user, which by processing by appropriate algorithms and using an application on his mobile phone, can help him gain better knowledge of his psychological state and its fluctuations. The use of new technologies in combination with traditional mental health services has opened a new market, which is constantly attracting more and more companies to invest in it, the so-called "Augmented Mental Health". However, recording signals in the user's everyday environment has a significant challenge, the noise that is introduced into the recorded signals.The present thesis was made in collaboration with the company Sentio Solutions, which is active in the field of augmented mental health by manufacturing and distributing its wearable product, the emotion recognition wristband Feel. The purpose of this dissertation is the search and development of a method, based on machine learning techniques, for the detection of noise in the biosignal of electrodermal activity, which is collected from the Feel wristband. The electrodermal activity is a biometric signal that quantifies the electrical characteristics of the skin and has been extensively used in emotion recognition research as well as mental disorders diagnosis. For the development of the suggested method, two approaches are followed. The first utilizes supervised learning algorithms, while the second utilizes unsupervised learning algorithms. Supervised learning demonstrated satisfactory results in separating the parts of the signal that are clear from those that contain noise, while unsupervised learning did not produce as good results. Therefore, the supervised learning method is recommended for further research and testing in real production conditions.	en
heal.advisorName	Ασκούνης, Δημήτριος	el
heal.committeeMemberName	Ψαρράς, Ιωάννης	el
heal.committeeMemberName	Δούκας, Χρυσόστομος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Ηλεκτρικών Βιομηχανικών Διατάξεων και Συστημάτων Αποφάσεων. Εργαστήριο Συστημάτων Αποφάσεων και Διοίκησης	el
heal.academicPublisherID	ntua
heal.numberOfPages	64 σ.	el
heal.fullTextAvailability	false