Ανάλυση βιομετρικών δεικτών με χρήση αυτο-επιβλεπόμενης μάθησης

Φέκας, Ευάγγελος; Fekas, Evangelos

dc.contributor.author	Φέκας, Ευάγγελος	el
dc.contributor.author	Fekas, Evangelos	en
dc.date.accessioned	2022-11-07T10:31:03Z
dc.date.available	2022-11-07T10:31:03Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/56104
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.23802
dc.rights	Default License
dc.subject	Self-supervised learning	en
dc.subject	Survival Analysis	en
dc.subject	Psychotic Disorders	en
dc.subject	Wearable-Sensory Time Series	en
dc.subject	Random Convolutional Kernels	en
dc.title	Ανάλυση βιομετρικών δεικτών με χρήση αυτο-επιβλεπόμενης μάθησης	el
dc.contributor.department	Εργαστήριο ΄Ορασης Υπολογιστών, Επικοινωνίας Λόγου και Επεξεργασίας Σημάτων	el
heal.type	bachelorThesis
heal.classification	Μηχανική Μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2022-07-14
heal.abstract	Είναι γεγονός ότι η Τεχνητή Νοημοσύνη έχει γίνει κομμάτι της καθημερινότητας μας, βελτιώνοντας την ποιότητα ζωής σε πολλά επίπεδα. Από τη συνθήκη αυτή, δεν θα μπορούσε να λείπει ο τομέας της υγείας και ειδικότερα της ψυχικής, η οποία δοκιμάζεται καθημερινά από το σύγχρονο τρόπο ζωής. Από τις πιο επώδυνες για τον ασθενή ψυχικές ασθένειες είναι αυτές του φάσματος της σχιζοφρένειας, των οποίων οι αιτίες παραμένουν ασαφείς μέχρι σήμερα, πάρα την εκτενή έρευνα των τελευταίων ετών. Ευτυχώς, σημαντικά βήματα έχουν γίνει για τη μετάβαση από την μέχρι τώρα νοσοκομειοκεντρική προσέγγιση τέτοιων ασθενειών σε προληπτική, εξατομικευμένη και πραγματικού χρόνου. ΄Ενας από τους τρόπους να συμβεί αυτό είναι με τη χρήση φορητών συσκευών (wearables) και αξιοποιώντας την παθητική καταγραφή βιομετρικών δεικτών που αυτά μας παρέχουν. Δυστυχώς, η σύγχρονη τάση στην Μηχανική μάθηση (supervised deep-learning) απαιτεί τεράστιες ποσότητες προσεκτικά επισημειωμένων δεδομένων, κάτι το οποίο δεν μπορεί να γίνει εύκολα με τα wearables, αφού οι μετρήσεις τους συλλέγονται παθητικά. Πράγματι, για την εκτέλεση ενός απλού πειράματος (για παράδειγμα sleep-staging), χρειάζεται εξειδικευμένοι τεχνικοί να επισημειώσουν χειροκίνητα ώρες δεδομένων. Μια πολλά υποσχόμενη λύση στο πρόβλημα αυτό, είναι ο αναδυόμενος τομέας της αυτο-επιβλεπόμενης μάθησης SSL). Στο SSL, η δομή των δεδομένων χρησιμοποιείται για να μετατρέψει το unsupervised πρόβλημα σε supervised, το οποίο ονομάζεται ονομάζεται pretext task. Η αναπαράσταση που μαθαίνεται από το pretext task μπορεί στη συνέχεια να ξαναχρησιμοποιηθεί σε μια supervised εργασία, μειώνοντας δυνητικά τον απαιτούμενο αριθμό επισημειωμένων παραδειγμάτων. Στην παρούσα μελέτη εφαρμόζεται η τεχνική της αυτο-επιβλεπόμενης μάθησης για την εξαγωγή αναπαραστάσεων από βιομετρικά δεδομένα, που συλλέχθηκαν από έξυπνα ρολόγια (smartwatches). Στη συνέχεια, οι αναπαραστάσεις αυτές χρησιμοποιούνται σε τέσσερις τελικές εργασίες και τα αποτελέσματα συγκρίνονται με αυτά άλλων μη-επιβλεπόμενων αλλά και πλήρως-επιβλεπόμενων τεχνικών. Οι τελικές εργασίες που μελετήσαμε είναι η ανίχνευση ύπνου, η ανίχνευση δραστηριότητας, η αναγνώριση χρήστη και πρόβλεψη χρονικού διαστήματος μέχρι την επόμενη υποτροπή. Τα αποτελέσματα είναι ενθαρρυντικά, αφού στις πρώτες τρεις εργασίες η SSL αγγίζει την ακρίβεια πληρως-επιβλεπόμενων τεχνικών μόνο με ένα κλάσμα των δεδομένων για προεκπαίδευση, ενώ εξαιρετική είναι και η απόδοση των τυχαίων συνελικτικών πυρήνων, ως βήμα εξαγωγής χαρακτηριστικών. ΄Ομοια, στο πρόβλημα πρόβλεψης της υποτροπής ξεχώρισαν τα hand-crafted χαρακτηριστικά για την απόδοσή τους σε λίγα δεδομένα εκπαίδευσης και τη δυνατότητα ερμηνευσιμότητας που μας παρέχουν. Εξαιρετική είναι, επίσης, η ποιότητα των αναπαραστάσεων συνελικτικών πυρήνων και πολλά υποσχόμενες οι SSL τεχνικές, λόγω της ικανότητας να βελτιώνουν τις αναπαραστάσεις τους, όσο αυξάνουμε τα μη-επισημειωμένα δεδομένα προεκπαίδευσης.	el
heal.advisorName	Μαραγκός, Πέτρος	el
heal.committeeMemberName	Ροντογιάννης, Αθανασιος	el
heal.committeeMemberName	Ποταμιάνος, Γεράσιμος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Σημάτων, Ελέγχου και Ρομποτικής. Εργαστήριο Όρασης Υπολογιστών, Επικοινωνίας Λόγου και Επεξεργασίας Σημάτων	el
heal.academicPublisherID	ntua
heal.numberOfPages	145 σ.	el
heal.fullTextAvailability	false