Αυτόματη αξιολόγηση δυσκινησίας ασθενών με Πάρκινσον με τη χρήση μη επεμβατικών μεθόδων μηχανικής μάθησης

Θεοφίλου, Παρασκευή - Αντωνία; Theofilou, Paraskefi - Antonia

dc.contributor.author	Θεοφίλου, Παρασκευή - Αντωνία	el
dc.contributor.author	Theofilou, Paraskefi - Antonia	en
dc.date.accessioned	2022-02-07T09:24:44Z
dc.date.available	2022-02-07T09:24:44Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/54575
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.22273
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	Νόσος Πάρκινσον	el
dc.subject	Ενιαία Κλίμακα Αξιολόγησης Δυσκινησιών (UDysRS)	el
dc.subject	Μηχανική Μάθηση	el
dc.subject	Αναγνώριση Κίνησης	el
dc.subject	Νευρωνικά Δίκτυα	el
dc.subject	Συνελικτικά Νευρωνικά Δίκτυα	el
dc.subject	Parkinson's Disease	en
dc.subject	Unified Dyskinesia Rating Scale (UDysRS)	en
dc.subject	Machine Learning	en
dc.subject	Action Recognition	en
dc.subject	Neural Networks	en
dc.subject	Convolutional Neural Networks	en
dc.title	Αυτόματη αξιολόγηση δυσκινησίας ασθενών με Πάρκινσον με τη χρήση μη επεμβατικών μεθόδων μηχανικής μάθησης	el
heal.type	bachelorThesis
heal.classification	Μηχανική Μάθηση	el
heal.classification	Τεχνητή Νοημοσύνη	el
heal.classification	Machine Learning	en
heal.classification	Artificial Intelligence	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-07-29
heal.abstract	Η νόσος του Πάρκινσον είναι μια σοβαρή νευροεκφυλιστική διαταραχή που προκαλεί απώλεια ελέγχου των σωματικών κινήσεων. Τα συμπτώματα της νόσου καλύπτουν ένα ευρύ φάσμα διαφόρων λειτουργιών, κινητικών και διανοητικών, επηρεάζοντας τον καθημερινό τρόπο ζωής των νοσούντων. Η νόσος αυτή δεν επιδέχεται ίαση, ωστόσο μπορεί να περιοριστεί η εξέλιξη της, ανάλογα με τα στάδια της, κυρίως με φαρμακευτική αγωγή και συγκεκριμένα με τη χρήση λεβοντόπας. Γι’ αυτόν τον λόγο είναι πολύ σημαντική η έγκαιρη διάγνωση της νόσου και η όσο το δυνατόν καλύτερη προσέγγιση του επιπέδου σοβαρότητας αυτής. Ωστόσο, πολλές φορές, οι ασθενείς δεν αντιμετώπιζουν μονάχα τα συμπτώματα της νόσου, αλλά και τις διαταραχές που προκαλούνται από τη μακροχρόνια χορήγηση της λεβοντόπας. Η ανίχνευση των διαφόρων συμπτωμάτων και διαταραχών βασίζεται στην κλινική εξέταση των ασθενών με την αξιολόγηση τους σύμφωνα με τις κλίμακες UPDRS και UDysRS. Γι’ αυτόν τον λόγο, η παρούσα εργασία αποσκοπεί στην ανάπτυξη ενός συστήματος για την αυτόματη αξιολόγηση της δυσκινησίας που προκαλείται από τη λεβοντόπα σύμφωνα με τη μετρική UDysRS και τη χρήση μη επεμβατικών μεθόδων μηχανικής μάθησης. Χρησιμοποιούνται δεδομένα προερχόμενα από βίντεο που με την κατάλληλη επεξεργασία των χαρακτηριστικών τα οποία προκύπτουν από τα καρέ τους, εισέρχονται σε ένα απλό και συνάμα αποδοτικό CNN για να αξιολογηθούν με μεγάλη ακρίβεια βάσει των έξι τιμών της UDysRS.	el
heal.abstract	Parkinson's disease is a serious neurodegenerative disorder that causes loss of control of physical movements. The symptoms of the disease cover a wide range of different motor and mental functions, affecting the daily lifestyle of patients. This disease is not curable, however its development can be limited, depending on its stages, mainly with medication and specifically with the use of levodopa. That is why it is very important to diagnose the disease early and to approach its severity level as best as possible. However, many times, patients not only experience the symptoms of the disease, but also the disorders caused by long-term administration of levodopa. The detection of various symptoms and disorders is based on the clinical examination of patients with their evaluation according to the UPDRS and UDysRS scales. Therefore, the present work aims to develop a system for the automatic assessment of levodopa-induced dyskinesia according to the UDysRS metric and the use of non-invasive machine learning methods. Video data are used and after the proper processing of the features resulting from their frames, enter a simple and at the same time efficient CNN to be evaluated with great accuracy based on the six values of UDysRS.	en
heal.advisorName	Κόλλιας, Στέφανος	el
heal.committeeMemberName	Κόλλιας, Στέφανος	el
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	98 σ.	el
heal.fullTextAvailability	false