Ταξινόμηση σταδίων ύπνου με χρήση δεδομένων από φορητές συσκευές

Σοφίας, Νικόλαος; Sofias, Nikolaos

dc.contributor.author	Σοφίας, Νικόλαος	el
dc.contributor.author	Sofias, Nikolaos	en
dc.date.accessioned	2022-12-16T07:50:17Z
dc.date.available	2022-12-16T07:50:17Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/56461
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.24159
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Μαθηματική Προτυποποίηση σε Σύγχρονες Τεχνολογίες και στα Χρηματοοικονομικά”
dc.rights	Αναφορά Δημιουργού-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nd/3.0/gr/	*
dc.subject	Machine Learning	en
dc.title	Ταξινόμηση σταδίων ύπνου με χρήση δεδομένων από φορητές συσκευές	el
heal.type	masterThesis
heal.secondaryTitle	Sleep Stages Classification With Data Acquired From Wearables	en
heal.classification	Μαθηματικά	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2022-07-14
heal.abstract	Παραδοσιακά, η παρακολούθηση του ύπνου πραγματοποιείται σε περιβάλλοντα νοσοκομείων ή κλινικών, απαιτώντας πολύπλοκη και ακριβή εγκατάσταση εξοπλισμού και βαθμολόγηση από ειδικούς ιατρούς. Στον αντίποδα, οι φορητές συσκευές παρέχουν όλο και περισσότερο μια βιώσιμη εναλλακτική λύση για την παρακολούθηση του ύπνου και είναι σε θέση να συλλέγουν δεδομένα κίνησης και καρδιακού παλμού (HR), οξυγόνου και πολλά άλλα είδη δεδομένων μέσω σύγχρονων αισθητήρων. Οπότε, αυτή η λύση ανοίγει τους ορίζοντες για τους σύγχρονους ερευνητές μηχανικούς να απασχοληθούν στον τομέα αυτό, με στόχο την καλύτερη κατανόηση της φυσιολογίας του ανθρώπινου ύπνου. Ταυτόχρονα, η ευρεία χρήση των φορητών συσκευών από τους ανθρώπους δημιουργεί μεγάλα σύνολα δεδομένων (Big Datasets) τα οποία μπορούν να αναλυθούν από τους ερευνητές, καθώς καταγράφουν δεδομένα ανθρώπινης δραστηριότητας σε πολύ σύντομα χρονικά διαστήματα (π.χ. 5sec). Γι αυτό τον λόγο, στη παρούσα μεταπτυχιακή εργασία ασχολούμαστε με το θέμα της ταξινόμησης των δεδομένων ακτιγραφίας και καρδιακών παλμών στα 4 βασικά στάδια του ύπνου: Wake, Light Sleep, Deep Sleep και REM με τη χρήση μοντέλων Βαθιάς Μάθησης (Deep Learning) και με διαφορετικές προσεγγίσεις προεπεξεργασίας των δεδομένων. Στόχος μας είναι η επίτευξη όσο το δυνατόν καλύτερων αποτελεσμάτων ταξινόμησης. Γενικότερα, η εφαρμογή της Τεχνητής Νοημοσύνης στον τομέα του ύπνου μπορεί να βοηθήσει τους ιατρούς να έχουν μια καλύτερη επίβλεψη των ασθενών τους, προσφέροντας διάφορες χρήσιμες πληροφορίες που προκύπτουν από την ανάλυση των ανθρώπινων "βιο-σημάτων" (data analysis) και από την μοντελοποίηση τους μέσω μοντέλων Μηχανικής Μάθησης, οπότε θα μπορούσαν να αντιμετωπιστούν διάφορες ασθένειες που σχετίζονται με τον ύπνο όπως η αϋπνία, άπνοια. Έχοντας υπόψιν όλα τα παραπάνω, στη παρούσα μεταπτυχιακή εργασία στοχεύουμε στην ταξινόμηση των δεδομένων ακτιγραφίας και καρδιακών παλμών, που δίνονται από μια δημοφιλή βάση δεδομένων (MESA dataset), στα 4 βασικά στάδια του ύπνου με τη χρήση μοντέλων Βαθιάς Μάθησης. Έχοντας ως βάση της έρευνας μας, μια έρευνα στο τομέα ταξινόμησης των σταδίων ύπνου, προσπαθούμε να βελτιώσουμε τα αποτελέσματα, δοκιμάζοντας διάφορες τεχνικές, από την επεξεργασία των δεδομένων (pre-processing), δοκιμή διαφορετικών μοντέλων Βαθιάς Μάθησης, τεχνικές αντιμετώπισης μη ισορροπημένου συνόλου δεδομένων (imbalance dataset), μέχρι και τη μοντελοποίηση μόνο των καρδιακών παλμών. Δηλαδή, ακολουθούμε μια ευρεία δοκιμή διαφόρων πειραμάτων τα οποία θα δώσουν κάποιες κατευθυντήριες γραμμές για την περαιτέρω βελτίωση των αποτελεσμάτων ταξινόμησης. Συγκεκριμένα, στο πρώτο στάδιο των πειραματισμών μας, προσπαθούμε να αναπαράγουμε τα αποτελέσματα της προαναφερθείσας έρευνας και παρατηρήσαμε ότι προκύπτουν τα ίδια αποτελέσματα ακολουθώντας τη μεθοδολογία που δίνουν οι ερευνητές. Σχολιάζοντας τα αποτελέσματα και τα πιθανά μειονεκτήματα που προκύπτουν, σε επόμενο στάδιο προσπαθούμε να βελτιώσουμε τα αποτελέσματα βάσει αυτών των παρατηρήσεων. Δηλαδή, εφόσον έχουμε παρατηρήσει τις αδυναμίες της προαναφερθείσας έρευνας, προσπαθούμε να αντιμετωπίσουμε τα προβλήματα που αναδύθηκαν, χρησιμοποιώντας τα ίδια μοντέλα αλλά με διαφορετικές υπερπαραμέτρους και αρχιτεκτονική. Επίσης, δοκιμάζουμε άλλα μοντέλα Βαθιάς Μάθησης, και κάποιες διαφορετικές τεχνικές επεξεργασίας δεδομένων (Data Augmentation) και πειραματισμός με διαφορετικό μήκος παραθύρωσης των δεδομένων (data windowing). Σχολιάζουμε τα αποτελέσματα που προκύπτουν και προτείνουμε διάφορες ερευνητικές κατευθύνσεις για μεγαλύτερη εμβάθυνση και ακόμη καλύτερα αποτελέσματα. Τέλος, ακολουθούμε μια διαφορετική προσέγγιση της ταξινόμησης των δεδομένων ύπνου της βάσης MESA. Χρησιμοποιούμε μόνο τα δεδομένα καρδιακών παλμών της βάσης (RR-Intervals) τα οποία εν συνεχεία μοντελοποιούνται χωρίς εξαγωγή χαρακτηριστικών (raw data). Οπότε, πειραματιζόμαστε με διαφορετικό είδος δεδομένων που δέχονται τα μοντέλα Βαθιάς Μάθησης με στόχο την επίτευξη όσο το δυνατόν καλύτερων αποτελεσμάτων. Τελικά, από όλους τους πειραματισμούς μας, πετυχαίνουμε ικανοποιητικά αποτελέσματα με βάσει τα δεδομένα της βάσης MESA, βελτιώνοντας τα αποτελέσματα μιας δημοσιευμένης έρευνας, οπότε σε επόμενο στάδιο μπορούν να διερευνηθούν περισσότερο σε βάθος οι διάφοροι πειραματισμοί που πραγματοποιήσαμε και ίσως προκύψουν ακόμη καλύτερα αποτελέσματα ταξινόμησης. {Το σημαντικό μέρος της έρευνας μας είναι ότι εντοπίστηκαν και αντιμετωπίστηκαν διάφορα προβλήματα της ταξινόμησης των δεδομένων ύπνου, της βάσης δεδομένων MESA, στα 4 βασικά στάδια (Wake, Light, Deep, REM).	el
heal.advisorName	Μαραγκός, Πέτρος	el
heal.committeeMemberName	Ροντογιάννης, Αθανάσιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.fullTextAvailability	false