Ανάπτυξη μοντέλων μηχανικής μάθησης για την αναγνώριση Covid-19 μέσω ηχητικών καταγραφών

Φρατζάκης, Χαράλαμπος; Fratzakis, Charalampos

dc.contributor.author	Φρατζάκης, Χαράλαμπος	el
dc.contributor.author	Fratzakis, Charalampos	en
dc.date.accessioned	2025-03-11T07:43:49Z
dc.date.available	2025-03-11T07:43:49Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/61313
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.29009
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Covid-19	el
dc.subject	Μηχανική και βαθιά μάθηση	el
dc.subject	Ανάλυση αρχείων ήχου	el
dc.subject	MFCCs	en
dc.subject	Spectral Centroid	en
dc.subject	Spectral Roll-off	en
dc.subject	Zero-Crossing Rate	en
dc.subject	Covid-19	en
dc.subject	Deep and Machine Learning	en
dc.subject	Speech and Signal Processing	en
dc.subject	MFCCs	en
dc.subject	Spectral Centroid	en
dc.subject	Spectral Roll-off	en
dc.subject	Zero-Crossing Rate	en
dc.title	Ανάπτυξη μοντέλων μηχανικής μάθησης για την αναγνώριση Covid-19 μέσω ηχητικών καταγραφών	el
dc.title	Development of machine learning models for the diagnosis of COVID-19 through cough audio recordings	en
heal.type	bachelorThesis
heal.classification	Machine Learning	en
heal.classification	Speech and Signal Processing	en
heal.classification	Biomedicine	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-10-14
heal.abstract	Η πανδημία COVID-19 έδωσε το έναυσμα για την ανάπτυξη καινοτόμων λύσεων σε πολλούς τεχνολογικούς τομείς, ανοίγοντας δρόμους στην ανάπτυξη ανασταλτικών μέσων για την καταπολέμηση της παγκόσμιας εξάπλωσης της. Η Τεχνητή Νοημοσύνη (AI) και η Μηχανική Μάθηση (ML) αναπόφευκτα παίζουν πρωτεύοντα ρόλο στην αντιμετώπιση των προκλήσεων που θέτει ο COVID-19, επιταχύνοντας την έρευνα, ενισχύοντας με διαγνωστικά εργαλεία τη διάγνωση και τελικά προσφέροντας λύσεις στην φαρέτρα των επιστημόνων. Η παρούσα διπλωματική εργασία πραγματεύεται την ανάπτυξη μοντέλων μηχανικής μάθησης για τη διάγνωση της Covid-19 μέσω ηχητικών καταγραφών βήχα. Συγκεκριμένα, αναπτύσσεται πρόγραμμα εκπαίδευσης ταξινομητών με αρθρωτή δομή στη γλώσσα Python με στόχο την αναζήτηση της καλύτερης συνδυαστικής ρύθμισης υπερπαραμέτρων εξαγωγής χαρακτηριστικών για τους τύπους ταξινομητών Logistic Regression, K-Nearest Neighbors και Multi-layer Perceptron. Για την εξαγωγή χαρακτηριστικών χρησιμοποιούνται η μέθοδος MFCCs, Spectral Centroid, Spectral Roll-off και Zero-Crossing Rate. Για την εκπαίδευση και αξιολόγηση των ταξινομητών χρησιμοποιούνται οι βάσεις δεδομένων SmartyforCovid, και Coswara. Τα αποτελέσματα καταδεικνύουν την ικανότητα των επιλεχθέντων μοντέλων να διακρίνουν αποτελεσματικά τα πάσχοντα με COVID-19 άτομα, καθώς και τη σημασία της σωστής επιλογής συνδυασμού χαρακτηριστικών για το έργο αυτό.	el
heal.abstract	The COVID-19 pandemic catalyzed innovations across numerous technological fields, paving the way for the development of preventive measures to combat global spread. Artificial Intelligence (AI) and Machine Learning (ML) inevitably play a central role in addressing the challenges posed by COVID-19, accelerating research, enhancing diagnostics through advanced tools, and ultimately offering solutions to scientists. The present Thesis addresses the development of machine learning models for the diagnosis of COVID-19 through cough audio recordings. A modular classifier training program was developed in Python to determine the optimal hyperparameter settings to extract the data features to be used in training the Logistic Regression, K-Nearest Neighbors, and Multi-layer Perceptron classifiers. Feature extraction was based on the MFCCs method, Spectral Centroid, Spectral Roll-off and Zero-Crossing Rate. The classifiers were trained using the SmartyforCovid and Coswara databases. Obtained results indicate the employed model’s capacity to effectively distinguish between individuals with COVID-19, as well as the importance of correct feature combination towards this task.	en
heal.advisorName	Νικήτα, Κωνσταντίνα	el
heal.advisorName	Nikita, Konstantina	en
heal.committeeMemberName	Νικήτα, Κωνσταντίνα	el
heal.committeeMemberName	Nikita, Konstantina	en
heal.committeeMemberName	Βουλοδημος, Αθανασιος	el
heal.committeeMemberName	Voulodimos, Athanasios	en
heal.committeeMemberName	Στάμου, Γιώργος	el
heal.committeeMemberName	Stamou, Giorgos	en
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Συστημάτων Μετάδοσης Πληροφορίας και Τεχνολογίας Υλικών. Εργαστήριο Βιοϊατρικών Προσομοιώσεων και Απεικονιστικής Τεχνολογίας	el
heal.academicPublisherID	ntua
heal.numberOfPages	131 σ.	el
heal.fullTextAvailability	false