Εφαρμογή μεθόδων μηχανικής μάθησης σε πολυπαραμετρικά βιοϊατρικά δεδομένα
Η παρούσα διπλωματική εργασία μελετά την αξία των αισθητήρων στην κατηγοριοποίηση του frailty status με τη χρήση σύγχρονων αλγορίθμων μηχανικής μάθησης στα πλαίσια του Ευρωπαικού προγράμματος FrailSafe Project. Αρχικά γίνεται μια σύντομη παρουσίαση του συνδρόμου της ευθραυστότητας και του...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Μορφή: | Thesis |
| Γλώσσα: | Greek |
| Έκδοση: |
2019
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/11891 |
| id |
nemertes-10889-11891 |
|---|---|
| record_format |
dspace |
| spelling |
nemertes-10889-118912022-09-05T20:30:14Z Εφαρμογή μεθόδων μηχανικής μάθησης σε πολυπαραμετρικά βιοϊατρικά δεδομένα Μπαλαφούτη, Αφροδίτη Μεγαλοοικονόμου, Βασίλειος Μακρής, Χρήστος Balafouti, Afroditi Μηχανική μάθηση Βιοϊατρικά δεδομένα Machine learning Data science 006.31 Η παρούσα διπλωματική εργασία μελετά την αξία των αισθητήρων στην κατηγοριοποίηση του frailty status με τη χρήση σύγχρονων αλγορίθμων μηχανικής μάθησης στα πλαίσια του Ευρωπαικού προγράμματος FrailSafe Project. Αρχικά γίνεται μια σύντομη παρουσίαση του συνδρόμου της ευθραυστότητας και του γήρατος και επισημαίνονται οι διαφορές τους από Ιατρική σκοπιά. Αναπτύσσεται η Επιδημιολογία, η Κλινική Εικόνα καθώς και η πρόληψη που προτείνει η επιστήμη της Ιατρικής για το σύνδρομο της ευθραυστότητας. Σκοπός αυτής της αναφοράς είναι να αποκτήσουμε μια καλύτερη αίσθηση του τι σημαίνει ευθραυστότητα. Έπειτα παρουσιάζονται οι εφαρμογές και η θεωρία του Machine Learning. Αρχικά γίνεται αναφορά στα είδη του Machine Learning με βασικό διαχωρισμό το Supervised και Unsupervised Learning και στη συνέχεια παρουσιάζεται η περιγραφή και το μαθηματικό υπόβαθρο των μοντέλων που επιλέχθηκαν να χρησιμοποιηθούν στην υλοποίηση. Ακόμα ένα σημαντικό σημείο του παρουσιάζεται είναι οι διάφορες τεχνικές για να γίνει Multiclass classification το οποίο μας ενδιαφέρει στη παρούσα διπλωματική. Τέλος, περιγράφεται η διαδικασία με την οποία συλλέχθηκαν, επεξεργάστηκαν και εν τέλει χρησιμοποιήθηκαν τα δεδομένα. Ακόμα παρουσιάζεται η υλοποίηση που έγινε και οι δοκιμές των μοντέλων που περιγράφηκαν στο θεωρητικό κομμάτι. Στη συνέχεια παρουσιάζεται η πειραματική διαδικασία και τα αποτελέσματα αυτών καθώς και τα συμπεράσματα που προέκυψαν από αυτά τα αποτελέσματα σχετικά με το ποιος αισθητήρας είχε την καλύτερη απόδοση. This diploma thesis studies the value of sensors in categorizing frailty status using modern learning engineering algorithms in the framework of the European program FrailSafe Project. Initially, there is a brief presentation of the syndrome of fragility and aging and their differences from a medical point of view are highlighted. Epidemiology, Clinical Image as well as the prevention proposed by the science of Medicine for Fragility Syndrome are developing. The purpose of this report is to get a better sense of what it means to be frail.Then there are presented the applications and the theory of Machine Learning. Initially, there is a reference to the Machine Learning types, with Supervised and Unsupervised Learning being separated, and then the description and mathematical background of the models chosen to be used in the implementation. Yet another important point of it is the various techniques to make Multiclass classification which is of interest to us in this diploma. Finally, we describe the process by which data was collected, processed and finally used. Still, the implementation of the model and the tests of the models described in the theoretical part are presented. The experimental procedure and its results are presented below, as well as the conclusions that resulted from these results on which sensor had the best performance. 2019-02-01T18:21:13Z 2019-02-01T18:21:13Z 2018-10-31 Thesis http://hdl.handle.net/10889/11891 gr 0 application/pdf |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Μηχανική μάθηση Βιοϊατρικά δεδομένα Machine learning Data science 006.31 |
| spellingShingle |
Μηχανική μάθηση Βιοϊατρικά δεδομένα Machine learning Data science 006.31 Μπαλαφούτη, Αφροδίτη Εφαρμογή μεθόδων μηχανικής μάθησης σε πολυπαραμετρικά βιοϊατρικά δεδομένα |
| description |
Η παρούσα διπλωματική εργασία μελετά την αξία των αισθητήρων στην κατηγοριοποίηση του frailty status με τη χρήση σύγχρονων αλγορίθμων μηχανικής μάθησης στα πλαίσια του Ευρωπαικού προγράμματος FrailSafe Project.
Αρχικά γίνεται μια σύντομη παρουσίαση του συνδρόμου της ευθραυστότητας και του γήρατος και επισημαίνονται οι διαφορές τους από Ιατρική σκοπιά. Αναπτύσσεται η Επιδημιολογία, η Κλινική Εικόνα καθώς και η πρόληψη που προτείνει η επιστήμη της Ιατρικής για το σύνδρομο της ευθραυστότητας. Σκοπός αυτής της αναφοράς είναι να αποκτήσουμε μια καλύτερη αίσθηση του τι σημαίνει ευθραυστότητα.
Έπειτα παρουσιάζονται οι εφαρμογές και η θεωρία του Machine Learning. Αρχικά γίνεται αναφορά στα είδη του Machine Learning με βασικό διαχωρισμό το Supervised και Unsupervised Learning και στη συνέχεια παρουσιάζεται η περιγραφή και το μαθηματικό υπόβαθρο των μοντέλων που επιλέχθηκαν να χρησιμοποιηθούν στην υλοποίηση. Ακόμα ένα σημαντικό σημείο του παρουσιάζεται είναι οι διάφορες τεχνικές για να γίνει Multiclass classification το οποίο μας ενδιαφέρει στη παρούσα διπλωματική.
Τέλος, περιγράφεται η διαδικασία με την οποία συλλέχθηκαν, επεξεργάστηκαν και εν τέλει χρησιμοποιήθηκαν τα δεδομένα. Ακόμα παρουσιάζεται η υλοποίηση που έγινε και οι δοκιμές των μοντέλων που περιγράφηκαν στο θεωρητικό κομμάτι. Στη συνέχεια παρουσιάζεται η πειραματική διαδικασία και τα αποτελέσματα αυτών καθώς και τα συμπεράσματα που προέκυψαν από αυτά τα αποτελέσματα σχετικά με το ποιος αισθητήρας είχε την καλύτερη απόδοση. |
| author2 |
Μεγαλοοικονόμου, Βασίλειος |
| author_facet |
Μεγαλοοικονόμου, Βασίλειος Μπαλαφούτη, Αφροδίτη |
| format |
Thesis |
| author |
Μπαλαφούτη, Αφροδίτη |
| author_sort |
Μπαλαφούτη, Αφροδίτη |
| title |
Εφαρμογή μεθόδων μηχανικής μάθησης σε πολυπαραμετρικά βιοϊατρικά δεδομένα |
| title_short |
Εφαρμογή μεθόδων μηχανικής μάθησης σε πολυπαραμετρικά βιοϊατρικά δεδομένα |
| title_full |
Εφαρμογή μεθόδων μηχανικής μάθησης σε πολυπαραμετρικά βιοϊατρικά δεδομένα |
| title_fullStr |
Εφαρμογή μεθόδων μηχανικής μάθησης σε πολυπαραμετρικά βιοϊατρικά δεδομένα |
| title_full_unstemmed |
Εφαρμογή μεθόδων μηχανικής μάθησης σε πολυπαραμετρικά βιοϊατρικά δεδομένα |
| title_sort |
εφαρμογή μεθόδων μηχανικής μάθησης σε πολυπαραμετρικά βιοϊατρικά δεδομένα |
| publishDate |
2019 |
| url |
http://hdl.handle.net/10889/11891 |
| work_keys_str_mv |
AT mpalaphoutēaphroditē epharmogēmethodōnmēchanikēsmathēsēssepolyparametrikabioïatrikadedomena |
| _version_ |
1771297349932417024 |
