Ανάπτυξη μοντέλων μηχανικής μάθησης για την ανίχνευση της νόσου COVID-19 μέσω ηχητικών καταγραφών αναπνοής

Πετρούλια, Αικατερίνη; Petroulia, Aikaterini

dc.contributor.author	Πετρούλια, Αικατερίνη	el
dc.contributor.author	Petroulia, Aikaterini	en
dc.date.accessioned	2025-01-08T09:55:11Z
dc.date.available	2025-01-08T09:55:11Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/60636
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.28332
dc.rights	Αναφορά Δημιουργού-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nd/3.0/gr/	*
dc.subject	COVID-19 διάγνωση	el
dc.subject	Επεξεργασία σήματος	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Λόγος διάρκειας εισπνοής/εκπνοής	el
dc.subject	Συσταδοποίηση	el
dc.subject	Υβριδικό μοντέλο διάγνωσης	el
dc.subject	Convolutional Neural Network (CNN)	en
dc.subject	XGBoost	en
dc.title	Ανάπτυξη μοντέλων μηχανικής μάθησης για την ανίχνευση της νόσου COVID-19 μέσω ηχητικών καταγραφών αναπνοής	el
heal.type	bachelorThesis
heal.classification	Μηχανική Μάθηση	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-07-09
heal.abstract	Στο πλαίσιο της παρούσας διπλωματικής εργασίας αναπτύσσονται μοντέλα μηχανικής και βαθιάς μάθησης για την ανίχνευση της νόσου COVID-19, χρησιμοποιώντας ηχητικές καταγραφές αναπνοής. Η πανδημία της νόσου Covid-19 έχει έναν τεράστιο αντίκτυπο στην παγκόσμια υγεία και οικονομία και η ανάγκη για έναν εναλλακτικό τρόπο διάγνωσης είναι επιτακτική. Για το σκοπό αυτό εφαρμόζονται τεχνικές μη επιβλεπόμενης μηχανικής μάθησης (k-means, DBSCAN, Spectral Clustering, Hierarchical Clustering και Meanshift) για τον εντοπισμό και την κατηγοριοποίηση των κορυφών σε εισπνοές, εκπνοές ή θόρυβο. Η διαδικασία προ-επεξεργασίας περιλαμβάνει το φιλτράρισμα για την αφαίρεση θορύβου, τη λογαριθμική συμπίεση, τον υπολογισμό έντασης από το φασματόγραμμα και την αναγνώριση κορυφών στην κυματομορφή της έντασης μετά την χρήση φίλτρου Gauss. Για την ανάπτυξη του μοντέλου ανίχνευσης της νόσου COVID-19 υιοθετείται μια υβριδική προσέγγιση βασισμένη στη χρήση συνελικτικού νευρωνικού δικτύου που τροφοδοτείται με φασματογράμματα και μοντέλου XGBoost που δέχεται ως είσοδο μέσες διάρκειες εισπνοών, εκπνοών και συνολικών αναπνοών. Για την ανάπτυξη και την αξιολόγηση του μοντέλου χρησιμοποιείται το πληθοποριστικό σύνολο δεδομένων SMARTY4COVID. Το σύνολο δεδομένων κρίθηκε περιορισμένο και μη ισορροπημένο ένω σε πολλές περιπτώσεις ο θόρυβος και ελλιπής καταγραφή των αναπνοών δυσκόλεψαν τη διαδικασία.	el
heal.advisorName	Νικήτα, Κωνσταντίνα	el
heal.committeeMemberName	Νικήτα, Κωνσταντίνα	el
heal.committeeMemberName	Βουλόδημος, Αθανάσιος	el
heal.committeeMemberName	Στάμου, Γιώργος	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	101 σ.	el
heal.fullTextAvailability	false