Ανάπτυξη ευφυών μοντέλων μηχανικής μάθησης με χρήση πολυδιάστατων δεδομένων για την αξιολόγηση και ταξινόμηση των ασθενών με χρόνιες εμβοές

Μαντά, Ουρανία; Manta, Ourania

dc.contributor.author	Μαντά, Ουρανία	el
dc.contributor.author	Manta, Ourania	en
dc.date.accessioned	2023-06-19T07:09:51Z
dc.date.available	2023-06-19T07:09:51Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/57839
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.25536
dc.rights	Αναφορά Δημιουργού 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by/3.0/gr/	*
dc.subject	Ακουστικά προκλητά δυναμικά	el
dc.subject	Σχολιασμός κυματομορφών	el
dc.subject	Δυσφορία εμβοών	el
dc.subject	Μοντέλα ταξινόμησης	el
dc.subject	Μετασχηματισμός διασποράς κυματιδίων	el
dc.subject	Auditory evoked potentials	el
dc.subject	Waveform annotation	el
dc.subject	Tinnitus-related distress	el
dc.subject	Wavelet scattering transform	el
dc.subject	Classification modelling	el
dc.title	Ανάπτυξη ευφυών μοντέλων μηχανικής μάθησης με χρήση πολυδιάστατων δεδομένων για την αξιολόγηση και ταξινόμηση των ασθενών με χρόνιες εμβοές	el
dc.contributor.department	Εργαστήριο Βιοϊατρικής Τεχνολογίας	el
heal.type	doctoralThesis
heal.classification	Βιοϊατική	el
heal.classification	Μηχανική Μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2023-04-05
heal.abstract	Οι εμβοές συνίστανται στην αντίληψη ενός φανταστικού ήχου, συμπεριλαμβανομένης της αντίδρασης του ασθενούς σε αυτόν. Είναι ιδιαίτερα διαδεδομένες, με περισσότερους από 1 στους 7 ενήλικες στην Ευρωπαϊκή Ένωση (ΕΕ) να έχουν εμβοές, και προκαλούν αρνητικές επιπτώσεις στην ποιότητα ζωής πολλών ατόμων. Επί του παρόντος δεν υπάρχει θεραπεία για τις εμβοές, και η παθοφυσιολογία και η γένεσή τους είναι άγνωστες. Τα ακουστικά προκλητά δυναμικά (auditory evoked potentials, AEPs) παρέχουν ένα μη επεμβατικό μέσο με το οποίο μπορούν να καταγραφούν τα ηλεκτρικά σήματα που προκαλούνται από τον εγκέφαλο, και αποτελούν χρήσιμο δείκτη για την αξιολόγηση ακουστικών διαταραχών όπως οι εμβοές και η απώλεια ακοής. H παρούσα διατριβή έχει ως στόχο την εκτίμηση της δυνητικής συμβολής των πρώιμων και μέσων AEPs στον προσδιορισμό του προφίλ των ασθενών με χρόνιες υποκειμενικές εμβοές, ανάλογα με τη δυσφορία και το βαθμό αναπηρίας που προκαλεί το σύμπτωμα. Λαμβάνοντας υπόψη τα προαναφερθέντα στοιχεία η παρούσα διδακτορική διατριβή παρουσιάζει την ανάπτυξη μοντέλων, βασισμένων στην τεχνητή νοημοσύνη, με σκοπό την ταξινόμηση των πασχόντων από εμβοές σύμφωνα με το επίπεδο δυσφορίας τους. Όλα τα δεδομένα συλλέχθηκαν στα πλαίσια του ευρωπαϊκού ερευνητικού έργου UNITI (Unification of treatments and Interventions for Tinnitus patients), και προήλθαν από ασθενείς χρόνιων υποκειμενικών εμβοών τριών διαφορετικών κλινικών κέντρων στην ΕΕ. Τα χαρακτηριστικά των μοντέλων προέρχονταν ως επί το πλείστον από τις κυματομορφές ακουστικής ανταπόκρισης του εγκεφαλικού στελέχους (auditory brainstem response, ABR) και τις κυματομορφές ακουστικής απόκρισης μέσης λανθάνουσας περιόδου (auditory middle latency response, AMLR), και δευτερευόντως από τα υπόλοιπα επιλεγμένα κλινικά δεδομένα του έργου. Όσον αφορά στις κυματομορφές, αρχικά δύο αυτοματοποιημένα εργαλεία σχολιασμού αναπτύχθηκαν και παρουσιάστηκαν λεπτομερώς, η εφαρμογή των οποίων οδήγησε στον εντοπισμό των κυμάτων ενδιαφέροντος των κυματομορφών και κατ’ επέκταση στον άμεσο υπολογισμό των βασικών μετρικών τους. Στη συνέχεια, τα στάδια εξαγωγής κι επιλογής χαρακτηριστικών περιείχαν μεταξύ άλλων, στατιστικές αναλύσεις, προηγμένες μεθόδους μετασχηματισμών διασποράς κυματιδίων (wavelet scattering transforms, WSTs), και τη μέθοδο συρρίκνωσης LASSO (least absolute shrinkage and selection operator). Αρκετά μοντέλα αναπτύχθηκαν και δοκιμάστηκαν σε διαφορετικά σύνολα δεδομένων για την πληρέστερη ικανοποίηση των απαιτήσεων της ταξινόμησης. Επτά γνωστοί ταξινομητές χρησιμοποιήθηκαν σε όλα τα δημιουργηθέντα σύνολα δεδομένων: τυχαία δάση (random forests, RF), ακτινωτός, γραμμικός, και πολυωνυμικός ταξινομητής των μηχανών διανυσμάτων υποστήριξης (radial, linear, poly support vector machines, SVM), αφελής Bayes (naïve bayes, NB), νευρωνικά δίκτυα (neural networks, NN) και γραμμική διακριτική ανάλυση (linear discriminant analysis, LDA). Για την αξιολόγηση όλων των μοντέλων χρησιμοποιήθηκε δεκαπλή (10-fold) διασταυρούμενη επικύρωση. Τα αποτελέσματα των αναλύσεων ανέδειξαν τα χαρακτηριστικά που προήλθαν από το δίκτυο διασποράς κυματιδίων των AMLR σημάτων, ως τα πιο πληροφοριακά δεδομένα της μελετώμενης ταξινόμησης. Τα τελευταία χαρακτηριστικά, σε συνδυασμό με τα 15 επιλεγμένα από τη μέθοδο LASSO κλινικά χαρακτηριστικά και τον ακτινωτό ταξινομητή SVM, πέτυχαν τις υψηλότερες τιμές στα μέτρα απόδοσης εκτίμηση περιοχής κάτω από την καμπύλη (area under the curve, AUC) (93,08%), ευαισθησία (84,84%) και ειδικότητα (83,04%).	el
heal.advisorName	Κουτσούρης, Δημήτριος	el
heal.committeeMemberName	Κουτσούρης, Δημήτριος
heal.committeeMemberName	Ματσόπουλος, Γεώργιος
heal.committeeMemberName	Τσανάκας, Παναγιώτης
heal.committeeMemberName	Μπίμπας, Αθανάσιος
heal.committeeMemberName	Χαρίτου, Μαρία
heal.committeeMemberName	Χριστοφόρου, Ευάγγελος
heal.committeeMemberName	Παναγόπουλος, Αθανάσιος
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	271 σ.	el
heal.fullTextAvailability	false