Πρόβλεψη κλινικού προφίλ ηλικιωμένων από δεδομένα πολλαπλών αισθητήρων με χρήση μεθόδων μάθησης πολλαπλών στιγμιοτύπων
Καθώς τα τελευταία χρόνια παρατηρείται αύξηση του προσδόκιμου ορίου ζωής, έχει δημιουργηθεί η ανάγκη για την ανάπτυξη συστημάτων παρακολούθησης της υγείας των ηλικιωμένων με μη παρεμβατικό τρόπο και την ανάλυση κλινικών δεδομένων με στόχο την έγκαιρη αναγνώριση ασθενειών και παρέμβαση των ιατρών. Στ...
Κύριος συγγραφέας: | |
---|---|
Άλλοι συγγραφείς: | |
Μορφή: | Thesis |
Γλώσσα: | Greek |
Έκδοση: |
2019
|
Θέματα: | |
Διαθέσιμο Online: | http://hdl.handle.net/10889/12318 |
id |
nemertes-10889-12318 |
---|---|
record_format |
dspace |
institution |
UPatras |
collection |
Nemertes |
language |
Greek |
topic |
Μάθηση πολλαπλών στιγμιοτύπων Γηριατρική ανάλυση Επιλογή χαρακτηριστικών Άνιση κατανομή κλάσεων Multiple instance learning Geriatric analysis Feature selection Class imbalance ReliefF-MI BagSMOTE MI-ELM MILES 613.043 8 |
spellingShingle |
Μάθηση πολλαπλών στιγμιοτύπων Γηριατρική ανάλυση Επιλογή χαρακτηριστικών Άνιση κατανομή κλάσεων Multiple instance learning Geriatric analysis Feature selection Class imbalance ReliefF-MI BagSMOTE MI-ELM MILES 613.043 8 Τσίρτση, Αργυρώ Πρόβλεψη κλινικού προφίλ ηλικιωμένων από δεδομένα πολλαπλών αισθητήρων με χρήση μεθόδων μάθησης πολλαπλών στιγμιοτύπων |
description |
Καθώς τα τελευταία χρόνια παρατηρείται αύξηση του προσδόκιμου ορίου ζωής, έχει δημιουργηθεί η ανάγκη για την ανάπτυξη συστημάτων παρακολούθησης της υγείας των ηλικιωμένων με μη παρεμβατικό τρόπο και την ανάλυση κλινικών δεδομένων με στόχο την έγκαιρη αναγνώριση ασθενειών και παρέμβαση των ιατρών. Στόχος αυτής της διπλωματικής εργασίας είναι η δημιουργία ενός μοντέλου πρόβλεψης κλινικού προφίλ ηλικιωμένων από δεδομένα πολλαπλών αισθητήρων.
Η μέθοδος που αναπτύχθηκε περιλαμβάνει τη μοντελοποίηση του προβλήματος σύμφωνα με τη μέθοδο της Μάθησης Πολλαπλών Στιγμιοτύπων (Multiple Instance Learning - MIL), κατά την οποία ο στόχος (κλινική παράμετρος) δεν αντιστοιχίζεται σε ένα στιγμιότυπο, αλλά σε ένα σύνολο από αυτά (bag), καθώς συμβαίνει να μην είναι διαθέσιμες οι τιμές των κλινικών παραμέτρων για κάθε χρονικό στιγμιότυπο του συνόλου δεδομένων. Ως προεπεξεργαστικό βήμα, για τη μείωση της διαστατικότητας, εφαρμόστηκε ο αλγόριθμος ReliefF-MI (παραλλαγή του ReliefF για το MIL framework) για επιλογή ενός μικρότερου συνόλου χαρακτηριστικών και την απόκτηση μιας διαίσθησης για τα features που συμβάλλουν στην καλύτερη ακρίβεια πρόβλεψης. Επίσης, για να αντιμετωπιστεί το σύνηθες φαινόμενο της άνισης κατανομής κλάσεων σε ιατρικά δεδομένα, χρησιμοποιήθηκε ο αλγόριθμος υπερδειγματοληψίας BagSMOTE (παραλλαγή του SMOTE για το MIL framework). Τέλος, για το βήμα της πρόβλεψης των κλινικών παραμέτρων χρησιμοποιήθηκαν διάφοροι αλγόριθμοι Multiple Instance Learning (MILES, MI-ELM, κ.ά).
Το σύνολο δεδομένων που χρησιμοποιήθηκε για την εκτίμηση της προτεινόμενης μεθόδου περιλαμβάνει ως στόχους κλινικές παραμέτρους που προέρχονται από διάφορους τομείς (νοητικός, ψυχολογικός, διατροφικός κ.ά.) και συνδέονται με το ιατρικό σύνδρομο της Ευθραυστότητας (Frailty). H Ευθραυστότητα συνδέεται με την τρίτη ηλικία με πολλαπλές αιτίες και χαρακτηρίζεται από μειωμένη αντοχή και μειωμένη φυσιολογική λειτουργία του οργανισμού, με σοβαρές επιπτώσεις όπως επιδείνωση της κινητικότητας, ευπάθεια, νοσηλεία ή ακόμα και θνησιμότητα. Τα χαρακτηριστικά (features) από τα οποία αποτελείται το σύνολο δεδομένων εξάγονται από δεδομένα που συλλέγονται από διάφορες πηγές, όπως ένα γιλέκο για την παρακολούθηση της φυσιολογικής και κινητικής λειτουργίας του ατόμου, ένα δυναμόμετρο για τη μέτρηση της δύναμής του, συνδυασμένο με ένα παιχνίδι για κινητές συσκευές και τέλος από το GPS ενός κινητού τηλεφώνου για την παρακολούθηση των δραστηριοτήτων εξωτερικού χώρου. |
author2 |
Μεγαλοοικονόμου, Βασίλειος |
author_facet |
Μεγαλοοικονόμου, Βασίλειος Τσίρτση, Αργυρώ |
format |
Thesis |
author |
Τσίρτση, Αργυρώ |
author_sort |
Τσίρτση, Αργυρώ |
title |
Πρόβλεψη κλινικού προφίλ ηλικιωμένων από δεδομένα πολλαπλών αισθητήρων με χρήση μεθόδων μάθησης πολλαπλών στιγμιοτύπων |
title_short |
Πρόβλεψη κλινικού προφίλ ηλικιωμένων από δεδομένα πολλαπλών αισθητήρων με χρήση μεθόδων μάθησης πολλαπλών στιγμιοτύπων |
title_full |
Πρόβλεψη κλινικού προφίλ ηλικιωμένων από δεδομένα πολλαπλών αισθητήρων με χρήση μεθόδων μάθησης πολλαπλών στιγμιοτύπων |
title_fullStr |
Πρόβλεψη κλινικού προφίλ ηλικιωμένων από δεδομένα πολλαπλών αισθητήρων με χρήση μεθόδων μάθησης πολλαπλών στιγμιοτύπων |
title_full_unstemmed |
Πρόβλεψη κλινικού προφίλ ηλικιωμένων από δεδομένα πολλαπλών αισθητήρων με χρήση μεθόδων μάθησης πολλαπλών στιγμιοτύπων |
title_sort |
πρόβλεψη κλινικού προφίλ ηλικιωμένων από δεδομένα πολλαπλών αισθητήρων με χρήση μεθόδων μάθησης πολλαπλών στιγμιοτύπων |
publishDate |
2019 |
url |
http://hdl.handle.net/10889/12318 |
work_keys_str_mv |
AT tsirtsēargyrō problepsēklinikouprophilēlikiōmenōnapodedomenapollaplōnaisthētērōnmechrēsēmethodōnmathēsēspollaplōnstigmiotypōn AT tsirtsēargyrō multipleinstancelearningforpredictionoftheclinicalprofileofolderpeoplefrommultisensorialdata |
_version_ |
1771297176071176192 |
spelling |
nemertes-10889-123182022-09-05T06:58:37Z Πρόβλεψη κλινικού προφίλ ηλικιωμένων από δεδομένα πολλαπλών αισθητήρων με χρήση μεθόδων μάθησης πολλαπλών στιγμιοτύπων Multiple instance learning for prediction of the clinical profile of older people from multi-sensorial data Τσίρτση, Αργυρώ Μεγαλοοικονόμου, Βασίλειος Μεγαλοοικονόμου, Βασίλειος Παυλίδης, Γεώργιος Μακρής, Χρήστος Tsirtsi, Argyro Μάθηση πολλαπλών στιγμιοτύπων Γηριατρική ανάλυση Επιλογή χαρακτηριστικών Άνιση κατανομή κλάσεων Multiple instance learning Geriatric analysis Feature selection Class imbalance ReliefF-MI BagSMOTE MI-ELM MILES 613.043 8 Καθώς τα τελευταία χρόνια παρατηρείται αύξηση του προσδόκιμου ορίου ζωής, έχει δημιουργηθεί η ανάγκη για την ανάπτυξη συστημάτων παρακολούθησης της υγείας των ηλικιωμένων με μη παρεμβατικό τρόπο και την ανάλυση κλινικών δεδομένων με στόχο την έγκαιρη αναγνώριση ασθενειών και παρέμβαση των ιατρών. Στόχος αυτής της διπλωματικής εργασίας είναι η δημιουργία ενός μοντέλου πρόβλεψης κλινικού προφίλ ηλικιωμένων από δεδομένα πολλαπλών αισθητήρων. Η μέθοδος που αναπτύχθηκε περιλαμβάνει τη μοντελοποίηση του προβλήματος σύμφωνα με τη μέθοδο της Μάθησης Πολλαπλών Στιγμιοτύπων (Multiple Instance Learning - MIL), κατά την οποία ο στόχος (κλινική παράμετρος) δεν αντιστοιχίζεται σε ένα στιγμιότυπο, αλλά σε ένα σύνολο από αυτά (bag), καθώς συμβαίνει να μην είναι διαθέσιμες οι τιμές των κλινικών παραμέτρων για κάθε χρονικό στιγμιότυπο του συνόλου δεδομένων. Ως προεπεξεργαστικό βήμα, για τη μείωση της διαστατικότητας, εφαρμόστηκε ο αλγόριθμος ReliefF-MI (παραλλαγή του ReliefF για το MIL framework) για επιλογή ενός μικρότερου συνόλου χαρακτηριστικών και την απόκτηση μιας διαίσθησης για τα features που συμβάλλουν στην καλύτερη ακρίβεια πρόβλεψης. Επίσης, για να αντιμετωπιστεί το σύνηθες φαινόμενο της άνισης κατανομής κλάσεων σε ιατρικά δεδομένα, χρησιμοποιήθηκε ο αλγόριθμος υπερδειγματοληψίας BagSMOTE (παραλλαγή του SMOTE για το MIL framework). Τέλος, για το βήμα της πρόβλεψης των κλινικών παραμέτρων χρησιμοποιήθηκαν διάφοροι αλγόριθμοι Multiple Instance Learning (MILES, MI-ELM, κ.ά). Το σύνολο δεδομένων που χρησιμοποιήθηκε για την εκτίμηση της προτεινόμενης μεθόδου περιλαμβάνει ως στόχους κλινικές παραμέτρους που προέρχονται από διάφορους τομείς (νοητικός, ψυχολογικός, διατροφικός κ.ά.) και συνδέονται με το ιατρικό σύνδρομο της Ευθραυστότητας (Frailty). H Ευθραυστότητα συνδέεται με την τρίτη ηλικία με πολλαπλές αιτίες και χαρακτηρίζεται από μειωμένη αντοχή και μειωμένη φυσιολογική λειτουργία του οργανισμού, με σοβαρές επιπτώσεις όπως επιδείνωση της κινητικότητας, ευπάθεια, νοσηλεία ή ακόμα και θνησιμότητα. Τα χαρακτηριστικά (features) από τα οποία αποτελείται το σύνολο δεδομένων εξάγονται από δεδομένα που συλλέγονται από διάφορες πηγές, όπως ένα γιλέκο για την παρακολούθηση της φυσιολογικής και κινητικής λειτουργίας του ατόμου, ένα δυναμόμετρο για τη μέτρηση της δύναμής του, συνδυασμένο με ένα παιχνίδι για κινητές συσκευές και τέλος από το GPS ενός κινητού τηλεφώνου για την παρακολούθηση των δραστηριοτήτων εξωτερικού χώρου. Because of the increase in life expectancy during the last years, there is a great interest in developing unobtrusive health monitoring systems with a predictive component, aiming to recognize signs of illness in an attempt to assist clinicians in making early interventions. The objective of the thesis is the prediction of the clinical profile of older people from multi-sensorial data. The proposed method comprises of modeling the problem utilizing the Multiple Instance Learning (MIL) framework, in which we deal with bags of instances and each class label of the target (clinical parameter) is related to a whole bag and not an individual instance. This formulation facilitates the process, when labeled data obtain a training set for supervised learning are limited. As a preprocessing step, ReliefF-MI (variation of ReliefF algorithm for the MIL framework) is applied to achieve dimensionality reduction and acquire knowledge regarding the most important features that contribute to the best prediction accuracy. Additionally, in order to deal with class imbalance that is usually present in medical data, BagSMOTE algorithm (variation of SMOTE algorithm for MIL framework) is utilized to perform oversampling of the minority class. At last, Multi-instance classification algorithms such as MILES, MI-ELM etc. are used for the prediction step. For the evaluation of the proposed methodology we used a dataset containing clinical parameters from various domains (cognitive, physical, medical, etc.) as targets, which are related to the clinical syndrome called Frailty. Frailty is a syndrome of the elderly people with multiple causes and is characterized of reduced stamina and physiological function, resulting in grave consequences such as worsening of the ability to move easily, hospitalization or even mortality. The features that the dataset consists of are extracted from data obtained from multiple sources, such as a wearable vest with sensors that record the person's physiological and kinetic situation, a dynamometer for measuring strength, combined with a game for mobile devices and lastly a mobile GPS for monitoring outdoor activities. 2019-06-30T12:18:02Z 2019-06-30T12:18:02Z 2018-12-18 Thesis http://hdl.handle.net/10889/12318 gr 6 application/pdf |