HEAL DSpace

Τεχνικές συναισθηματικής υπολογιστικής για τη μοντελοποίηση επιπέδων προσήλωσης κατά την αλληλεπίδραση με παιχνίδι σοβαρού σκοπού για την υγεία

Αποθετήριο DSpace/Manakin

Εμφάνιση απλής εγγραφής

dc.contributor.author Κορκοβίλη, Ιωάννα el
dc.contributor.author Korkovili, Ioanna en
dc.date.accessioned 2022-09-20T10:40:54Z
dc.date.available 2022-09-20T10:40:54Z
dc.identifier.uri https://dspace.lib.ntua.gr/xmlui/handle/123456789/55702
dc.identifier.uri http://dx.doi.org/10.26240/heal.ntua.23400
dc.rights Default License
dc.subject Παιχνίδι σοβαρού σκοπού el
dc.subject Επίπεδα προσήλωσης el
dc.subject Συναισθηματική υπολογιστική el
dc.subject Μεταβλητότητα καρδιακού ρυθμού el
dc.subject Μηχανική μάθηση el
dc.subject Serious game en
dc.subject Affective computing en
dc.subject Engagement levels en
dc.subject Heart rate variability en
dc.subject Machine learning en
dc.title Τεχνικές συναισθηματικής υπολογιστικής για τη μοντελοποίηση επιπέδων προσήλωσης κατά την αλληλεπίδραση με παιχνίδι σοβαρού σκοπού για την υγεία el
heal.type bachelorThesis
heal.classification Συναισθηματική Υπολογιστική el
heal.language el
heal.access free
heal.recordProvider ntua el
heal.publicationDate 2021-11-04
heal.abstract Σκοπό της παρούσας διπλωματικής εργασίας αποτελεί η διερεύνηση μεθόδων αναγνώρισης των επιπέδων προσήλωσης του χρήστη, κατά τη διάρκεια αλληλεπίδρασής του με παιχνίδι σοβαρού σκοπού για την υγεία, αξιοποιώντας δεδομένα μεταβλητότητας του καρδιακού ρυθμού (ΜΚΡ), με απώτερο στόχο την αυτοματοποιημένη παραγωγή περιεχομένου παιχνιδιού ανάλογα με τις ανάγκες του χρήστη. Τα δεδομένα που χρησιμοποιήθηκαν προέκυψαν από πειραματική διαδικασία που πραγματοποιήθηκε στο εργαστήριο Βιοϊατρικών Προσομοιώσεων και Απεικονιστικής Τεχνολογίας το καλοκαίρι του 2018. Για τις ανάγκες της διπλωματικής εργασίας πραγματοποιήθηκε βιβλιογραφική ανασκόπηση για την αναζήτηση μεθόδων επεξεργασίας και ανάλυσης των δεδομένων ΜΚΡ. Αρχικά, εφαρμόστηκαν δύο διαφορετικές μεθοδολογίες για τη διερεύνηση της δυνατότητας ανάλυσης των δεδομένων της μεταβλητότητας καρδιακού ρυθμού μικρότερων χρονικών διαστημάτων. Παράλληλα, πραγματοποιήθηκε βραχυπρόθεσμη ανάλυση των δεδομένων της ΜΚΡ για τα τρία διαφορετικά στάδια αλληλεπίδρασης του παιχνιδιού σοβαρού σκοπού, καθώς και σύγκριση της συμπεριφοράς των δεδομένων του χρήστη σε αυτά τα στάδια. Αντίστοιχα, εξήχθησαν χαρακτηριστικά της αυτοαναφοράς του χρήστη και αναλύθηκαν βάσει της σχετικής βιβλιογραφίας. Τέλος, διερευνήθηκε η ικανότητα εφαρμογής μεθόδων μηχανικής μάθησης που αφορούν ομαδοποίηση και ταξινόμηση στα χαρακτηριστικά της μεταβλητότητας καρδιακού ρυθμού και αυτοαναφοράς των χρηστών. Από τα αποτελέσματα της έρευνας φαίνεται αρχικά ότι ορισμένα χαρακτηριστικά της ΜΚΡ μικρότερης διάρκειας μπορούν να χρησιμοποιηθούν ως υποκατάστατα μεγαλύτερωνm διαστημάτων. Τόσο η στατιστική ανάλυση των φυσιολογικών χαρακτηριστικών του χρήστη όσο και οι μέθοδοι ομαδοποίησης και ταξινόμησης, αποτυπώνουν τα διαφορετικά επίπεδα προσήλωσης στο παιχνίδι ανάλογα με το είδος της αλληλεπίδρασης του χρήστη με αυτό. Τα ευρήματα αυτά μπορούν να οδηγήσουν στη μοντελοποίηση των επιπέδων προσήλωσης σε πραγματικό χρόνο με αποτέλεσμα την ενίσχυση της ικανότητας τέτοιου είδους παρεμβάσεων να μεταβάλλουν δυναμικά το περιεχόμενο τους για να ταυτίζεται με τις ανάγκες του χρήστη. el
heal.abstract The purpose of the current research is to investigate methods for identifying user engagement levels during their interaction with a serious game that is used as a health intervention, utilizing heart rate variability (HRV) data, with the ultimate goal to automate the production of game content according to user needs. The data used emerged from an experimental procedure performed in the Biomedical Simulations and Imaging Laboratory in the summer of 2018. For the needs of this thesis, a literature review was conducted to search for methods of processing and analysing the HRV data. Initially, two different methodologies were applied to investigate the possibility of analyzing heart rate variability data over short recordings. A short-term analysis of the HRV data was performed for the three different stages of interaction of the serious game, as well as a comparison of the user annotation data in these stages. Respectively, user annotation features were extracted and analyzed based on the relevant literature. Finally, the ability to apply machine learning methods related to clustering and classification of the features of heart rate variability and user annotation was investigated. The results of the research initially show that some features of short-term HRV can be used as substitutes for longer intervals. Both the statistical analysis of the physiological characteristics of the user and the methods of clustering and classification, capture the different levels of engagement in the game depending on the type of user interaction. These findings can lead to the modeling of engagement levels in real time, thus enhancing the ability of such interventions to dynamically change their content to match the user’s needs en
heal.advisorName Νικήτα, Κωνσταντίνα el
heal.committeeMemberName Νικήτα, Κωνσταντίνα el
heal.committeeMemberName Σταφυλοπάτης, Ανδρέας el
heal.committeeMemberName Στάμου, Γεώργιος el
heal.academicPublisher Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Συστημάτων Μετάδοσης Πληροφορίας και Τεχνολογίας Υλικών el
heal.academicPublisherID ntua
heal.numberOfPages 81 σ. el
heal.fullTextAvailability false


Αρχεία σε αυτό το τεκμήριο

Αυτό το τεκμήριο εμφανίζεται στην ακόλουθη συλλογή(ές)

Εμφάνιση απλής εγγραφής