Τεχνικές βαθιάς μάθησης για την αναγνώριση κινητικών συμπτωμάτων σε άτομα που πάσχουν από την νόσο του Πάρκινσον

Μεκλής, Ευάγγελος

dc.contributor.author	Μεκλής, Ευάγγελος
dc.date.accessioned	2022-01-30T12:44:37Z
dc.date.available	2022-01-30T12:44:37Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/54476
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.22174
dc.rights	Default License
dc.subject	Νόσος Πάρκινσον	el
dc.subject	Βαθιά Μάθηση	el
dc.subject	Συνελικτικά Νευρωνικά Δίκτυα	el
dc.subject	Συλλογική Μάθηση	el
dc.title	Τεχνικές βαθιάς μάθησης για την αναγνώριση κινητικών συμπτωμάτων σε άτομα που πάσχουν από την νόσο του Πάρκινσον	el
dc.contributor.department	Συστημάτων Μετάδοσης Πληροφορίας και Τεχνολογίας Υλικών	el
heal.type	bachelorThesis
heal.classification	Βιοϊατρική Μηχανική	el
heal.classification	Μηχανική Μάθηση	el
heal.classification	Βαθιά Μάθηση	el
heal.classification	Συλλογική Μάθηση	el
heal.classification	Πληροφορική	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-07-19
heal.abstract	Η νόσος του Πάρκινσον είναι μια πολυεπίπεδη νευροεκφυλιστική νόσος που εξελίσσεται βραδέως και επιδεινώνεται βαθμιαία με το πέρασμα του χρόνου επηρεάζοντας αρνητικά την καθημερινή ζωή του ασθενή. Η νόσος του Πάρκινσον χαρακτηρίζεται ως ιδιοπαθής νόσος και η διάγνωσή της είναι άρρηκτα συνδεδεμένη με την κλινική εξέταση του ασθενούς καθώς και τον αποκλεισμό άλλων παρόμοιων παθήσεων. Ο κεντρικός στόχος της παρούσας μελέτης είναι η διερεύνηση της ικανότητας μεθόδων βαθιάς μάθησης που βασίζονται σε αρχιτεκτονικές συνελικτικών νευρωνικών δικτύων για την διάγνωση της νόσου του Πάρκινσον. Για το σκοπό αυτό σχεδιάστηκαν και υλοποιήθηκαν διαφορετικές αρχιτεκτονικές που δέχονται ως είσοδο εικόνες που απεικονίζουν προσπάθεια αποτύπωσης σχημάτων (σπείρες, μαίανδροι και κύκλοι) με το χέρι από υγιή άτομα και άτομα που πάσχουν από νόσο του Πάρκινσον. Συγκεκριμένα, στο πλαίσιο της παρούσας εργασίας αναπτύχθηκαν 8 μοντέλα συνελικτικών νευρωνικών δικτύων, τα οποία εκπαιδεύτηκαν και αξιολογήθηκαν με την τεχνική «10-fold cross validation» στο σύνολο δημόσια διαθέσιμης βάσης δεδομένων. Για την ενίσχυση της απόδοσης των δικτύων εφαρμόστηκαν τεχνικές συλλογικής μάθησης (Ensemble Learning), η ενσωμάτωση των οποίων εκμεταλλεύεται την εκπαίδευση των μοντέλων σε διαφορετικά υποσύνολα των διαθέσιμων εικόνων και σε διαφορετικούς τύπους σχημάτων. Τέλος, διερευνήθηκε η επίδραση του μεγέθους του συνόλου επαλήθευσης στην επίδοση των συνελικτικών νευρωνικών δικτύων συλλογικής μάθησης. Σύμφωνα με τα αποτελέσματα της παραπάνω διερεύνησης η τεχνητή νοημοσύνη φαίνεται πως μπορεί να αποτελέσει ένα ικανό εργαλείο για την πρόβλεψη της νόσου Πάρκινσον. Από το σύνολο των μοντέλων που αναπτύχθηκαν, καλύτερη επίδοση είχαν τα συνελικτικά νευρωνικά δίκτυα που αποτελούνται από 4 συνελικτικά επίπεδα και 2 πλήρως συνδεδεμένα επίπεδα, πετυχαίνοντας μέση ακρίβεια 85.5% και 83% στα σπειροειδή σχήματα και στα σχήματα μαιάνδρων, αντίστοιχα. Συγχρόνως, διαπιστώθηκε η υπεροχή της μεθόδου συλλογικής μάθησης, η οποία οδήγησε σε μέση ακρίβεια 89.9%.	el
heal.advisorName	Νικήτα, Κωνσταντίνα
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας-Γιώργος
heal.committeeMemberName	Κουτσούρης, Δημήτριος-Διονύσιος
heal.academicPublisher	Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	102
heal.fullTextAvailability	false