Αναγνώριση επιπέδων προσήλωσης σε πραγματικό χρόνο με τεχνικές βαθιάς μάθησης που αξιοποιούν δεδομένα αισθητήρων

Κοκμοτού, Μυρτώ; Kokmotou, Myrto

dc.contributor.author	Κοκμοτού, Μυρτώ	el
dc.contributor.author	Kokmotou, Myrto	en
dc.date.accessioned	2025-03-19T09:54:44Z
dc.date.available	2025-03-19T09:54:44Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/61362
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.29058
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	Συναισθηματική Υπολογιστική Νοημοσύνη	el
dc.subject	Ανάλυση συναισθήματος	el
dc.subject	Παιχνίδια Σοβαρού Σκοπού	el
dc.subject	Μεταβλητότητα Καρδιακού Ρυθμού	el
dc.subject	Προσήλωση	el
dc.subject	Βαθιά Μάθηση	el
dc.subject	Affective Computing	en
dc.subject	Sentiment Analysis	en
dc.subject	Serious Games	en
dc.subject	Heart Rate Variability	en
dc.subject	Engagement	en
dc.subject	Deep Learning	en
dc.title	Αναγνώριση επιπέδων προσήλωσης σε πραγματικό χρόνο με τεχνικές βαθιάς μάθησης που αξιοποιούν δεδομένα αισθητήρων	el
heal.type	bachelorThesis
heal.classification	Βαθιά Μάθηση	el
heal.classification	Deep Learning	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-10-14
heal.abstract	Η παρούσα διπλωματική εργασία εξετάζει τη συσχέτιση μεταξύ της μεταβλητότητας του καρδιακού ρυθμού (ΜΚΡ) και των επιπέδων προσήλωσης κατά την αλληλεπίδραση ενός χρήστη με Παιχνίδι Σοβαρού Σκοπού (ΠΣΣ), που στοχεύει στην προώθηση υγιεινών διατροφικών συνηθειών. Ο βασικός στόχος της έρευνας είναι να αναπτυχθεί μοντέλο επιβλεπόμενης βαθιάς μάθησης, το οποίο να αξιοποιεί εξαγώμενα χαρακτηριστικά από τις καταγραφές του καρδιακού παλμού για να προβλέπει τα επίπεδα προσήλωσης των συμμετεχόντων. Τμηματικά, η παρούσα εργασία, αναζητά λύσεις στην ανάγκη θεωρητικής θεμελίωσης και πειραματικής πλαισίωσης του παρόντος σεναρίου. Αρχικά, μελετώνται και αναλύονται βιβλιογραφικά οι θεμελιώδεις έννοιες της έρευνας. Στη συνέχεια, πραγματοποιείται ανάλυση και προεπεξεργασία των συλλεγόμενων δεδομένων, τόσο των καταγραφών καρδιακού παλμού όσο και των υποκειμενικών αναφορών με τη μορφή επισημειώσεων της προσήλωσης των συμμετεχόντων. Για τη διερεύνηση της σχέσης μεταξύ των δεδομένων εισόδου – εξόδου, εκπαιδεύεται μοντέλο βαθιάς μάθησης με τη μέθοδο Leave One (Participant) Out και αξιολογείται με βάση μετρικές που υποδεικνύουν την ικανότητα του στην πρόβλεψη των επιπέδων προσήλωσης. Η διαδικασία της εκπαίδευσης με τη μέθοδο παλινδρόμησης (regression) μετατρέπεται σε δυαδική ταξινόμηση (binary classification), με την εισαγωγή μετρικών που αποτυπώνουν την αύξουσα και φθίνουσα τάση των επιπέδων προσήλωσης. Τα αποτελέσματα της αξιολόγησης του νέου αυτού προβλήματος, υποδεικνύουν την ύπαρξη ανισορροπίας των κλάσεων (class imbalance). Συνολικά, διαπιστώνεται ότι το προτεινόμενο μοντέλο δεν επιτυγχάνει ικανοποιητική ικανότητα πρόβλεψης. Παράλληλα, αναδεικνύεται η ανάγκη περαιτέρω διερεύνησης σε μεγαλύτερα σύνολα δεδομένων, καθώς και η μείωση του θορύβου και της προκατάληψης (bias) που εισάγονται κατά τη διαδικασία καταγραφής των δεδομένων. Μελλοντικά, η παρούσα μελέτη θα μπορούσε να αξιοποιηθεί για την ενίσχυση της παρέμβασης που προσφέρει το ΠΣΣ μέσω κατάλληλου μηχανισμού δυναμικής αναπροσαρμογής για την εξατομίκευση.	el
heal.abstract	This thesis examines the association between heart rate variability (HRV) and perceived levels of engagement during a user's interaction with a Serious Game (SG) as an intervention to promote healthy nutrition habits. The main objective of the research is to develop a supervised deep learning model that utilizes extracted features from pulse recordings to predict participants' engagement levels. Segmentally, this paper seeks solutions to the need for theoretical foundation and experimental framing of this scenario. Firstly, the fundamental concepts of the research are studied and analysed in the literature. Then, analysis and pre-processing of the collected data, both heart rate recordings and self-reports in the form of participants' engagement annotations, is performed. To investigate the relationship between the input-output data, a deep learning model is trained using the Leave One (Participant) Out method and evaluated against metrics indicating its ability to predict engagement levels. The regression training process is transformed into a binary classification by introducing metrics that capture the increasing and decreasing trend of engagement levels. The results of the evaluation of this new problem indicate the existence of a class imbalance. Overall, it is found that the proposed model does not achieve a satisfactory predictive ability. At the same time, the need for further investigation on larger datasets is highlighted, as well as the need to reduce the noise and bias introduced during the data recording process. In the future, this study could be used to enhance the intervention offered by the SG through an appropriate dynamic adaption mechanism for personalisation.	en
heal.advisorName	Νικήτα, Κωνσταντίνα	el
heal.advisorName	Nikita, Konstantina	en
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.committeeMemberName	Βουλόδημος, Αθανάσιος	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	71 σ.	el
heal.fullTextAvailability	false