Ανίχνευση και κατηγοριοποίηση τρόμου σε ασθενείς με νόσο του πάρκινσον μέσω μεθόδων μηχανικής μάθησης

Ντόγκας, Κωνσταντίνος; Ntogkas, Konstantinos

dc.contributor.author	Ντόγκας, Κωνσταντίνος	el
dc.contributor.author	Ntogkas, Konstantinos	en
dc.date.accessioned	2025-01-22T08:31:34Z
dc.date.available	2025-01-22T08:31:34Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/60897
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.28593
dc.rights	Default License
dc.subject	Τεχνητή Νοημοσύνη	el
dc.subject	Πάρκινσον	el
dc.subject	Πρόβλεψη καταστάσεων τρόμου	el
dc.subject	Κινητικά Συμπτώματα	el
dc.subject	Μηχανική Μάθηση	el
dc.subject	Artificial Intelligence	en
dc.subject	Parkinson's Disease	en
dc.subject	Motor Symptoms	en
dc.subject	Tremor state prediction	en
dc.subject	Machine Learning	en
dc.title	Ανίχνευση και κατηγοριοποίηση τρόμου σε ασθενείς με νόσο του πάρκινσον μέσω μεθόδων μηχανικής μάθησης	el
heal.type	bachelorThesis
heal.classification	Τεχνητή Νοημοσύνη	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-07-22
heal.abstract	Στην παρούσα μελέτη εφαρμόζουμε τεχνικές μηχανικής και βαθιάς μάθησης στο ALAMEDA Tremor Dataset για να προβλέψουμε τις καταστάσεις τρόμου σε ασθενείς με τη νόσο του Parkinson. Η νόσος του Parkinson είναι μια χρόνια νευροεκφυλιστική διαταραχή με κινητικά και μη κινητικά συμπτώματα. Το dataset περιλαμβάνει δεδομένα από επιταχυνσιόμετρα που είναι ενσωματωμένα σε έξυπνα ρολόγια που φοριούνται στους καρπούς των ασθενών. Χρησιμοποιώντας μεθόδους μηχανικής μάθησης, επιδιώκουμε να προβλέψουμε τις καταστάσεις τρόμου σε τέσσερις κατηγορίες, τόσο μεμονωμένα όσο και συνδυαστικά, για να βελτιώσουμε τη διαχείριση της νόσου και τη δοσολογία της λεβοντόπα. Συγκρίνουμε την απόδοση πέντε διαφορετικών μοντέλων: Λογιστική Παλινδρόμηση, Δέντρα Αποφάσεων, Τυχαία Δάση, Μηχανές Υποστήριξης Διανυσμάτων και Νευρωνικά Δίκτυα. Αυτή η προσέγγιση διευκολύνει τη συνεχή παρακολούθηση της πορείας της νόσου, σε αντίθεση με τις τρέχουσες επισκέψεις ανά δύο έως τρεις μήνες. Επιπλέον, η συλλογή δεδομένων από έξυπνα ρολόγια παρέχει πιο αντικειμενικά δεδομένα, αποφεύγοντας την υποτίμηση ή υπερτίμηση των συμπτωμάτων από τους ασθενείς.	el
heal.advisorName	Ρουσσάκη, Ιωάννα	el
heal.committeeMemberName	Αναγνώστου, Μιλτιάδης	el
heal.committeeMemberName	Παπαβασιλείου, Συμεών	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Επικοινωνιών, Ηλεκτρονικής και Συστημάτων Πληροφορικής	el
heal.academicPublisherID	ntua
heal.numberOfPages	120 σ.	el
heal.fullTextAvailability	false