Καταγραφή και ανάλυση βιομετρικών δεικτών για υποστήριξη ασθενών σε θέματα ψυχικής υγείας

Παναγιώτου, Μαρία; Panagiotou, Maria

dc.contributor.author	Παναγιώτου, Μαρία	el
dc.contributor.author	Panagiotou, Maria	en
dc.date.accessioned	2022-06-21T11:02:01Z
dc.date.available	2022-06-21T11:02:01Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/55318
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.23016
dc.rights	Default License
dc.subject	Ψυχωτικές διαταραχές	el
dc.subject	Νευρωνικά δίκτυα	el
dc.subject	Ανίχνευση ανωμαλιών	el
dc.subject	Autoencoders	en
dc.subject	Convolutional neural networks	en
dc.subject	Fully connected neural network	en
dc.subject	Recurrent neural network	en
dc.subject	Χρονοσειρές	el
dc.subject	Transformers	en
dc.title	Καταγραφή και ανάλυση βιομετρικών δεικτών για υποστήριξη ασθενών σε θέματα ψυχικής υγείας	el
heal.type	bachelorThesis
heal.classification	Αναγνώριση προτύπων	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2022-02-28
heal.abstract	Οι διαταραχές του φάσματος της σχιζοφρένειας είναι χρόνιες παθήσεις που πάρα τις έρευνες που γίνονται τα τελευταία χρόνια οι αίτιες τους παραμένουν ασαφείς. Η χρήση φορητών συσκευών (wearables) και οι συλλογή των δεδομένων μέσω αυτών μας επιτρέπει την αξιόπιστη καταγραφή πληθώρας βιομετρικών δεικτών, οι οποίοι μας δίνουν τη δυνατότητα να μαζέψουμε μεγάλο όγκο δεδομένων και να τον αξιοποιήσουμε κατάλληλα για τη έγκαιρη πρόβλεψη ψυχωτικών διαταραχών. Σε αυτή τη μελέτη εξετάζεται η εφαρμογή μοντέλων βαθιάς μάθησης για την ανίχνευση υποτροπών σε ασθενείς με ψυχωτικές διαταραχές. Συγκεκριμένα, χρησιμοποιούνται φυσιολογικά σήματα όπως η κίνηση των ασθενών και βιοσήματα όπως η παρακολούθηση του καρδιακού ρυθμού, που προέρχονται και τα δύο από έξυπνα ρολόγια (smartwatches). Τα δεδομένα μας προέρχονται από δέκα ασθενείς που πάσχουν με διαταραχές του φάσματος της σχιζοφρένειας και τα επεξεργαζόμαστε με σκοπό να εξάγουμε τις πιο κατάλληλες αναπαραστάσεις και χαρακτηριστικά. Κάθε επεισόδιο υποτροπής χαρακτηρίζεται και επισημειώνεται κατάλληλα από τους κλινικούς ιατρούς ως χαμηλό, μέτριο ή υψηλό. Για την αντιμετώπιση του προβλήματος ανίχνευσης των υποτροπών, υλοποιούνται τέσσερις διαφορετικές αρχιτεκτονικές κωδικοποιητή - αποκωδικοποιητή, βασισμένες σε convolutional, fully connected, recurrent neural networks autoencoder και transformer, και εκπαιδεύονται είτε εξατομικευμένα για κάθε ασθενή είτε γενικά με βάση τα συνολικά δεδομένα των ασθενών. Τα μοντέλα μας έχουν ως απώτερο σκοπό να μάθουν τις συμπεριφορές των ασθενών και να μπορούν να ξεχωρίζουν μία φυσιολογική συμπεριφορά από τη συμπεριφορά της περιόδου υποτροπής. Τα αποτελέσματα των διάφορων μοντέλων που υλοποιήθηκαν συγκρίνονται μεταξύ τους, με τα μοντέλα convolutional και fully connected neural network να έχουν τις καλύτερες αποδόσεις. Τέλος, για τους ασθενείς με περισσότερα από ένα επεισόδιο υποτροπής με διαφορετική σοβαρότητα υποτροπής, πειραματιστήκαμε για να δούμε πόσο σημαντική είναι οι κατηγορία της υποτροπής που έχει ο ασθενείς, για την ανίχνευση της.	el
heal.advisorName	Μαραγκός, Πέτρος	el
heal.committeeMemberName	Ροντογιάννης, Αθανάσιος	el
heal.committeeMemberName	Ποταμιανός, Γεράσιμος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Σημάτων, Ελέγχου και Ρομποτικής	el
heal.academicPublisherID	ntua
heal.numberOfPages	113 σ.	el
heal.fullTextAvailability	false