Ταξινόμηση καταγραφών βήχα για την ανίχνευση της Covid-19: Ανάπτυξη μοντέλων μηχανικής και βαθιάς μάθησης ενσωματώνοντας μεθόδους προσαρμογής σε μετατοπίσεις εννοιών

Ανδρεάς, Χρυσοβαλάντης Κωνσταντίνος; Andreas, Chrysovalantis Konstantinos

dc.contributor.author	Ανδρεάς, Χρυσοβαλάντης Κωνσταντίνος	el
dc.contributor.author	Andreas, Chrysovalantis Konstantinos	en
dc.date.accessioned	2025-05-02T09:05:30Z
dc.date.available	2025-05-02T09:05:30Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/61842
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.29538
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	Ταξινόμηση βήχα	el
dc.subject	Προσαρμογή μετατόπισης έννοιας	el
dc.subject	Συνελικτικά Νευρωνικά Δίκτυα	el
dc.subject	Φασματογράφημα Mel	el
dc.subject	COVID - 19	en
dc.subject	Cough classification	en
dc.subject	Concept drift adaptation	en
dc.subject	CNN	en
dc.subject	Mel – Spectrogram	en
dc.title	Ταξινόμηση καταγραφών βήχα για την ανίχνευση της Covid-19: Ανάπτυξη μοντέλων μηχανικής και βαθιάς μάθησης ενσωματώνοντας μεθόδους προσαρμογής σε μετατοπίσεις εννοιών	el
dc.title	Classification of cough recordings for Covid-19 detection: Development of Machine Learning and Deep Learning models incorporating Concept Drift Adaptation	en
heal.type	bachelorThesis
heal.classification	Τεχνητή Νοημοσύνη	el
heal.classification	Αrtificial Ιntelligence	en
heal.language	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-07-09
heal.abstract	Η παρούσα διπλωματική εργασία εξετάζει την αποτελεσματικότητα της ανίχνευσης COVID - 19 από καταγραφές βήχα, χρησιμοποιώντας τεχνικές μηχανικής και βαθιάς μάθησης, σε μια προσπάθεια να μειωθεί το κόστος και ο χρόνος που απαιτείται για τη διάγνωση του ασθενούς. Επιπλέον, εξετάζεται η εφαρμογή μεθόδων προσαρμογής σε μετατοπίσεις εννοιών, λόγω των συνεχώς μεταβαλλόμενων χαρακτηριστικών του ιού, με στόχο τη διατήρηση της επίδοσης των μοντέλων που αναπτύσσονται. Για το σκοπό αυτό, διερευνάται η χρήση διαφορετικών μεθόδων μηχανικής (αλγόριθμος τυχαίων δασών, πολύ-επίπεδα δίκτυα perceptron) και βαθιάς μάθησης (συνελικτικά τεχνητά νευρωνικά δίκτυα), καθώς και προσεγγίσεων μεταφοράς μάθησης μέσω της αξιοποίησης προ-εκπαιδευμένων μοντέλων. Η ανάπτυξη και αξιολόγηση των μοντέλων βασίζεται στη χρήση του συνόλου δεδομένων Coswara. Για την αντιμετώπιση της μη ισορροπημένης φύσης του συνόλου δεδομένων αξιοποιούνται τεχνικές παραγωγής συνθετικών δεδομένων (SMOTE), μάθησης με ευαισθησία κόστους και βελτιστοποίησης των κατωφλίων ταξινόμησης. Η υψηλότερη επίδοση με βάση το κριτήριο AUROC (80,21%) επιτυγχάνεται από μια αρχιτεκτονική συνελικτικών νευρωνικών δικτύων που χρησιμοποιεί το προ-εκπαιδευμένο VGG-16 ως μοντέλο βάσης. Για την προσαρμογή στην μετατόπιση των εννοιών, τα τελευταία πυκνά στρώματα του μοντέλου επανεκπαιδεύονται με χρήση κατάλληλης μεθόδου κανονικοποίησης που οδηγεί σε βελτίωση της επίδοσης του μοντέλου ως προς το κριτήριο AUROC έως και 5%.	el
heal.abstract	This thesis examines the effectiveness of COVID-19 detection from cough recordings using machine and deep learning techniques in an attempt to reduce the cost and time required to diagnose the patient. In addition, the application of methods to adapt to concept drifts due to the ever-changing characteristics of the virus is examined, with the aim of maintaining the performance of the developed models. To this end, the use of different machine learning (random forests, multi-layer perceptron) and deep learning (convolutional neural networks) methods, as well as transfer learning approaches through the exploitation of pre-trained models are explored. The development and evaluation of the models is based on the use of the Coswara dataset. To address the unbalanced nature of the dataset, techniques for synthetic data generation (SMOTE), cost-sensitive learning and classification threshold optimization are exploited. The highest performance based on the AUROC metric (80.21%) is achieved by a convolutional neural network architecture that uses the pre- trained VGG- 16 as the base model. To adapt to the concept drift, the last dense layers of the model are retrained using an appropriate normalization method, which leads to an improvement of the model's performance with respect to the AUROC metric by up to 5%.	en
heal.advisorName	Νικήτα, Κωνσταντίνα	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.committeeMemberName	Βουλοδήμος, 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	108 σ.	el
heal.fullTextAvailability	false