Διάγνωση καρδιακών ασθενειών με ευφυείς μεθόδους
Ένα από τα πιο σημαντικά ζητήματα στον τομέα της Ιατρικής είναι η έγκαιρη και έγκυρη διάγνωση ασθενειών. Για τον σκοπό αυτό έχουν χρησιμοποιηθεί διάφορες μέθοδοι μηχανικής μάθησης, οι οποίες μπορούν να δώσουν ακριβή αποτελέσματα σε σύντομο χρονικό διάστημα. Μια ενδιαφέρουσα και αποτελεσματική μέθο...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2020
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/13893 |
| id |
nemertes-10889-13893 |
|---|---|
| record_format |
dspace |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Μηχανική μάθηση Νευρωνικά δίκτυα Βαθειά μηχανική μάθηση Κολπική μαρμαρυγή Machine learning Neural networks Deep learning Atrial fibrillation |
| spellingShingle |
Μηχανική μάθηση Νευρωνικά δίκτυα Βαθειά μηχανική μάθηση Κολπική μαρμαρυγή Machine learning Neural networks Deep learning Atrial fibrillation Καραδήμος, Νικόλαος Διάγνωση καρδιακών ασθενειών με ευφυείς μεθόδους |
| description |
Ένα από τα πιο σημαντικά ζητήματα στον τομέα της Ιατρικής είναι η έγκαιρη και έγκυρη διάγνωση ασθενειών. Για τον σκοπό αυτό
έχουν χρησιμοποιηθεί διάφορες μέθοδοι μηχανικής μάθησης, οι οποίες μπορούν να δώσουν ακριβή αποτελέσματα σε σύντομο χρονικό διάστημα. Μια
ενδιαφέρουσα και αποτελεσματική μέθοδος είναι αυτή των νευρωνικών
δικτυών.
Η ιστορία των νευρωνικών δικτύων ξεκινάει περίπου την δεκαετία
του 1940 και 1950, με αφετηρία τον νευρώνα των McCulloch-Pitts, ενώ
παράλληλα έκανε την εμφάνισή του και ο πρώτος αλγόριθμος εκπαίδευσης,
o γνωστός Perceptron. Τα τελευταία χρόνια με την ραγδαία εξέλιξη των
υπολογιστικών πόρων (CPUs, GPUs κτλ) και με την συσσώρευση τεράστιου
όγκου δεδομένων, τα νευρωνικά δικτύα βρίσκουν ολοένα και περισσότερη
εφαρμογή σε διάφορους τομείς της επιστήμης μεταξύ των οποίων είναι και
η Ιατρική. Ιδιαιτερά στον τομέα της Ιατρικής τα νευρωνικά δίκτυα και η
βαθειά μηχανική μάθηση (deep learning) χρησιμοποιούνται ευρέως και με
ικανοποιητική αποτελεσματικότητα για την διάγνωση διαφόρων ασθενιών
και την ληψη αποφάσεων.
Στα πλαίσια λοίπoν της εφαρμογής των νευρωνικών δικτυών στον
τομέα της Ιατρικής κινείται και η παρούσα διπλωματική εργασία, η οποία
ασχολείται με ένα ιδιαίτερα ενδιαφέρον ζήτημα της διάγνωσης καρδιακών αρρυθμιών και συγκεκριμένα της κολπικής μαρμαρυγής, με την χρήση
νευρωνικών δικτύων και τεχνικών βαθειάς μηχανικής μάθησης. Για τις ανάγκες της εργασιάς χρησιμοποιήθηκαν ηλεκτροκαρδιογραφήματα δύο κατηγορίων. Η μια κατηγορία αφόρα άτομα με φυσιολογική δραστηριότητα της
καρδιάς, ενώ η άλλη κατηγορία αφόρα ασθενείς οι οποίοι διαγνώστηκαν
με κολπική μαρμαρυγή. Για την συλλογή των δεδομένων χρησιμοποιήθηκε
η πλατφόρμα Physionet και στην συνέχεια με την κατάλληλη επεξεργασία
τα ηλεκτροκαρδιογραφήματα χρησιμοποιήθηκαν ως είσοδος ενός νευρωνικού δικτύου 8 κρυφών επιπέδων. Για την εκπαίδευση του νευρωνικού
δικτύου έγιναν αρκετές δοκιμές κυριώς όσον αφορά των αριθμό των επίπεδων τον αριθμό των νευρώνων ανά επίπεδο, το ρυθμό εκπαίδευσης και
άλλων παραμέτρων τα οποία παρούσιαζονται αναλυτικότερα σε παρακάτω κεφάλαια.
Ως γλώσσα προγραμματισμού χρησιμοποιήθηκε η Python, η οποία
τα τελευταία χρόνια είναι αρκετά δημοφιλής στον τομέα της τεχνητής νοημοσύνης και της μηχανικής μάθησης καθώς διαθέτει μια πληθώρα βιβλιοθηκών, όπως Tensorflow, Keras κτλ. |
| author2 |
Karadimos, Nikolaos |
| author_facet |
Karadimos, Nikolaos Καραδήμος, Νικόλαος |
| author |
Καραδήμος, Νικόλαος |
| author_sort |
Καραδήμος, Νικόλαος |
| title |
Διάγνωση καρδιακών ασθενειών με ευφυείς μεθόδους |
| title_short |
Διάγνωση καρδιακών ασθενειών με ευφυείς μεθόδους |
| title_full |
Διάγνωση καρδιακών ασθενειών με ευφυείς μεθόδους |
| title_fullStr |
Διάγνωση καρδιακών ασθενειών με ευφυείς μεθόδους |
| title_full_unstemmed |
Διάγνωση καρδιακών ασθενειών με ευφυείς μεθόδους |
| title_sort |
διάγνωση καρδιακών ασθενειών με ευφυείς μεθόδους |
| publishDate |
2020 |
| url |
http://hdl.handle.net/10889/13893 |
| work_keys_str_mv |
AT karadēmosnikolaos diagnōsēkardiakōnastheneiōnmeeuphyeismethodous AT karadēmosnikolaos diagnosisofheartdiseasesbyintelligentmethods |
| _version_ |
1771297262508441600 |
| spelling |
nemertes-10889-138932022-09-05T14:05:40Z Διάγνωση καρδιακών ασθενειών με ευφυείς μεθόδους Diagnosis of heart diseases by intelligent methods Καραδήμος, Νικόλαος Karadimos, Nikolaos Μηχανική μάθηση Νευρωνικά δίκτυα Βαθειά μηχανική μάθηση Κολπική μαρμαρυγή Machine learning Neural networks Deep learning Atrial fibrillation Ένα από τα πιο σημαντικά ζητήματα στον τομέα της Ιατρικής είναι η έγκαιρη και έγκυρη διάγνωση ασθενειών. Για τον σκοπό αυτό έχουν χρησιμοποιηθεί διάφορες μέθοδοι μηχανικής μάθησης, οι οποίες μπορούν να δώσουν ακριβή αποτελέσματα σε σύντομο χρονικό διάστημα. Μια ενδιαφέρουσα και αποτελεσματική μέθοδος είναι αυτή των νευρωνικών δικτυών. Η ιστορία των νευρωνικών δικτύων ξεκινάει περίπου την δεκαετία του 1940 και 1950, με αφετηρία τον νευρώνα των McCulloch-Pitts, ενώ παράλληλα έκανε την εμφάνισή του και ο πρώτος αλγόριθμος εκπαίδευσης, o γνωστός Perceptron. Τα τελευταία χρόνια με την ραγδαία εξέλιξη των υπολογιστικών πόρων (CPUs, GPUs κτλ) και με την συσσώρευση τεράστιου όγκου δεδομένων, τα νευρωνικά δικτύα βρίσκουν ολοένα και περισσότερη εφαρμογή σε διάφορους τομείς της επιστήμης μεταξύ των οποίων είναι και η Ιατρική. Ιδιαιτερά στον τομέα της Ιατρικής τα νευρωνικά δίκτυα και η βαθειά μηχανική μάθηση (deep learning) χρησιμοποιούνται ευρέως και με ικανοποιητική αποτελεσματικότητα για την διάγνωση διαφόρων ασθενιών και την ληψη αποφάσεων. Στα πλαίσια λοίπoν της εφαρμογής των νευρωνικών δικτυών στον τομέα της Ιατρικής κινείται και η παρούσα διπλωματική εργασία, η οποία ασχολείται με ένα ιδιαίτερα ενδιαφέρον ζήτημα της διάγνωσης καρδιακών αρρυθμιών και συγκεκριμένα της κολπικής μαρμαρυγής, με την χρήση νευρωνικών δικτύων και τεχνικών βαθειάς μηχανικής μάθησης. Για τις ανάγκες της εργασιάς χρησιμοποιήθηκαν ηλεκτροκαρδιογραφήματα δύο κατηγορίων. Η μια κατηγορία αφόρα άτομα με φυσιολογική δραστηριότητα της καρδιάς, ενώ η άλλη κατηγορία αφόρα ασθενείς οι οποίοι διαγνώστηκαν με κολπική μαρμαρυγή. Για την συλλογή των δεδομένων χρησιμοποιήθηκε η πλατφόρμα Physionet και στην συνέχεια με την κατάλληλη επεξεργασία τα ηλεκτροκαρδιογραφήματα χρησιμοποιήθηκαν ως είσοδος ενός νευρωνικού δικτύου 8 κρυφών επιπέδων. Για την εκπαίδευση του νευρωνικού δικτύου έγιναν αρκετές δοκιμές κυριώς όσον αφορά των αριθμό των επίπεδων τον αριθμό των νευρώνων ανά επίπεδο, το ρυθμό εκπαίδευσης και άλλων παραμέτρων τα οποία παρούσιαζονται αναλυτικότερα σε παρακάτω κεφάλαια. Ως γλώσσα προγραμματισμού χρησιμοποιήθηκε η Python, η οποία τα τελευταία χρόνια είναι αρκετά δημοφιλής στον τομέα της τεχνητής νοημοσύνης και της μηχανικής μάθησης καθώς διαθέτει μια πληθώρα βιβλιοθηκών, όπως Tensorflow, Keras κτλ. One of the most important tasks in Medicine is the correct and early diagnosis of diseases. To accomplish that, various machine learning methods have been used, which have been proven to produce accurate results in a short amount of time. An interesting and efficient such method are the artificial neural networks. The history of neural networks begins around the decade of 1940- 1950 with the McCulloch-Pitts neuron, while at the same period the first learning algorithm appeared, known as the Perceptron. The last few years, due to the rapid development of computational resources (CPUs, GPUs etc.) as well as the accumulation of large datasets, the neural networks find more and more applications in different scientific fields. Particularly in Medicine, neural networks are widely used with great efficiency for the diagnosis of various diseases and for decision making. Within the scope of applications of neural networks in Medicine, this thesis studies the very interesting problem of diagnosing heart arrhythmias, and in particular atrial fibrillation, with the use of neural networks and deep learning techniques. For the needs of this thesis, two types of electrocardiograms were used. The first type refers to people with normal physiological function of the heart, while the second one refers to patients who were diagnosed with atrial fibrillation. The datasets were collected from the Physionet database and then with the appropriate processing, the electrocardiograms were used as input into a neural network of 8 hidden layers. For the training of the neural network, several experiments were conducted in order to find the suitable number of layers, the number of neurons per layer, the learning rate and other parameters which are extensively described in the following chapters. The programming language of choice was Python, because the last few years it has emerged as one of the most popular programming languages for artificial intelligence and machine learning and it also has a wide variety of libraries like Tensorflow, Keras and others 2020-10-07T08:46:56Z 2020-10-07T08:46:56Z 2020-09-29 http://hdl.handle.net/10889/13893 gr application/pdf |
