Αποθορυβοποίηση χρονοσειρών με χρήση νευρωνικών δικτύων βαθέων αρχιτεκτονικών
Ο κορονοϊός 2019 (Covid 19) έχει μπει στην ζωή μας τα τελευταία τρία έτη. Η επιστημονική κοινότητα, μελετώντας τα χαρακτηριστικά του Covid, έχει δημιουργήσει εμβόλια και τεστ ανίχνευσης με στόχο την καταπολέμηση και καταστολή του. Οι γιατροί, έχοντας έρθει σε επαφή με χιλιάδες κρούσματα, έχουν απο...
Κύριος συγγραφέας: | |
---|---|
Άλλοι συγγραφείς: | |
Γλώσσα: | Greek |
Έκδοση: |
2022
|
Θέματα: | |
Διαθέσιμο Online: | http://hdl.handle.net/10889/16246 |
id |
nemertes-10889-16246 |
---|---|
record_format |
dspace |
spelling |
nemertes-10889-162462022-09-05T14:07:05Z Αποθορυβοποίηση χρονοσειρών με χρήση νευρωνικών δικτύων βαθέων αρχιτεκτονικών Timeseries denoising with deep neural network architectures Κοντογιάννης, Μύρων Kontogiannis, Myron Αποθορυβοποίηση Μηχανική μάθηση Νευρωνικά δίκτυα Denoising Machine learning Neural networks Ο κορονοϊός 2019 (Covid 19) έχει μπει στην ζωή μας τα τελευταία τρία έτη. Η επιστημονική κοινότητα, μελετώντας τα χαρακτηριστικά του Covid, έχει δημιουργήσει εμβόλια και τεστ ανίχνευσης με στόχο την καταπολέμηση και καταστολή του. Οι γιατροί, έχοντας έρθει σε επαφή με χιλιάδες κρούσματα, έχουν αποκτήσει την εμπειρία για να διακρίνουν τα συμπτώματα των ασθενών που έχουν προσβληθεί από τον κορονοϊό. Ταυτόχρονα, οι ερευνητές από την αρχή της πανδημίας μελετούν την πιθανότητα ανίχνευσης του ιού μέσω του βήχα. Αν αυτό ήταν δυνατό, μια μηχανή θα μπορούσε εύκολα να διακρίνει αν το σήμα του βήχα που εξετάζεται ανήκει σε άτομο που πάσχει από κορονοϊό ή όχι. Σε αυτή την μελέτη, τα δεδομένα έχουν τεράστιο βάρος. Στην βιβλιογραφία τα περισσότερα δεδομένα προέρχονται από πάσχοντες που νοσηλεύονται σε νοσοκομεία του κόσμου. Είναι γνωστό πως στο περιβάλλον του νοσοκομείου είναι αρκετά δύσκολο, έως και ακατόρθωτο, να γίνουν ηχογραφήσεις χωρίς την παρουσία θορύβου στο υπόβαθρο. Επιπλέον μια σημαντική πηγή θορύβου είναι οι συσκευές οξυγόνωσης. Ο θόρυβος θεωρείται χρωματισμένος, καθώς αυτός είναι συγκεκριμένος και προέρχεται από κάποιο νοσοκομειακό περιβάλλον. Aν θεωρήσουμε πως ο θόρυβος του υπόβαθρου είναι αμελητέος, μπορούμε να εκπαιδεύσουμε κάποιο σύστημα κατηγοριοποίησης. Στην βιβλιογραφία η κατηγοριοποίηση των ασθενών με την παραπάνω παραδοχή, παρουσιάζει τεράστια ποσοστά επιτυχίας. Ωστόσο τα ποσοστά αυτά είναι μακριά από την πραγματικότητα, καθώς ο χρωματισμένος θόρυβος λειτουργεί ως χαρακτηριστικό του κορονοϊού με αποτέλεσμα το σύστημα να μην μελετάει τα χαρακτηριστικά του βήχα. Το σύστημα θεωρεί πως κάθε ηχογράφηση σε περιβάλλον νοσοκομείου, ανήκει σε κάποιον ασθενή με Covid. Η λειτουργία του συστήματος προφανώς δεν είναι σωστή και έτσι η αποθορυβοποίηση των δεδομένων κρίνεται αναγκαία. Επειδή οι καταγραφές είναι μη-στάσιμες και ο θόρυβος του υπόβαθρου είναι στοχαστικός, οι κλασικές τεχνικές αποθορυβοποίησης δεν είναι επαρκείς. Επομένως πρέπει να αναζητηθούν οι κατάλληλες μέθοδοι αποθορυβοποίησης, οι οποίες είναι σε θέση να απομονώσουν το χρήσιμο σήμα ενώ παράλληλα διατηρούνται τα χαρακτηριστικά του βήχα στο χρήσιμο σήμα. Στην παρούσα διπλωματική θα παρουσιαστούν μέθοδοι αποθορυβοποίησης χρονοσειρών, δηλαδή ηχογραφήσεων ασθενών με θόρυβο στο υπόβαθρο. Θα γίνει αναφορά σε μεθόδους που υπάρχουν ήδη στη βιβλιογραφία, και στην συνέχεια θα παρουσιαστούν προτάσεις βελτίωσης των ήδη υπάρχοντων μεθόδων. Στόχος της παραπάνω μελέτης είναι η χρήση των μεθόδων αποθορυβοποίησης για την δημιουργία μιας βάσης δεδομένων απαλλαγμένη από τον θόρυβο του υπόβαθρου, η οποία θα μπορεί να χρησιμοποιηθεί σε άλλα μελλοντικά έργα. 2022-06-17T05:20:14Z 2022-06-17T05:20:14Z 2022-06-15 http://hdl.handle.net/10889/16246 gr application/pdf |
institution |
UPatras |
collection |
Nemertes |
language |
Greek |
topic |
Αποθορυβοποίηση Μηχανική μάθηση Νευρωνικά δίκτυα Denoising Machine learning Neural networks |
spellingShingle |
Αποθορυβοποίηση Μηχανική μάθηση Νευρωνικά δίκτυα Denoising Machine learning Neural networks Κοντογιάννης, Μύρων Αποθορυβοποίηση χρονοσειρών με χρήση νευρωνικών δικτύων βαθέων αρχιτεκτονικών |
description |
Ο κορονοϊός 2019 (Covid 19) έχει μπει στην ζωή μας τα τελευταία τρία έτη. Η επιστημονική κοινότητα, μελετώντας τα χαρακτηριστικά του Covid, έχει δημιουργήσει εμβόλια και τεστ ανίχνευσης με
στόχο την καταπολέμηση και καταστολή του. Οι γιατροί, έχοντας έρθει σε επαφή με χιλιάδες κρούσματα,
έχουν αποκτήσει την εμπειρία για να διακρίνουν τα συμπτώματα των ασθενών που έχουν προσβληθεί
από τον κορονοϊό. Ταυτόχρονα, οι ερευνητές από την αρχή της πανδημίας μελετούν την πιθανότητα ανίχνευσης του ιού μέσω του βήχα. Αν αυτό ήταν δυνατό, μια μηχανή θα μπορούσε εύκολα να διακρίνει αν
το σήμα του βήχα που εξετάζεται ανήκει σε άτομο που πάσχει από κορονοϊό ή όχι.
Σε αυτή την μελέτη, τα δεδομένα έχουν τεράστιο βάρος. Στην βιβλιογραφία τα περισσότερα δεδομένα προέρχονται από πάσχοντες που νοσηλεύονται σε νοσοκομεία του κόσμου. Είναι γνωστό πως στο
περιβάλλον του νοσοκομείου είναι αρκετά δύσκολο, έως και ακατόρθωτο, να γίνουν ηχογραφήσεις χωρίς
την παρουσία θορύβου στο υπόβαθρο. Επιπλέον μια σημαντική πηγή θορύβου είναι οι συσκευές οξυγόνωσης. Ο θόρυβος θεωρείται χρωματισμένος, καθώς αυτός είναι συγκεκριμένος και προέρχεται από
κάποιο νοσοκομειακό περιβάλλον. Aν θεωρήσουμε πως ο θόρυβος του υπόβαθρου είναι αμελητέος,
μπορούμε να εκπαιδεύσουμε κάποιο σύστημα κατηγοριοποίησης. Στην βιβλιογραφία η κατηγοριοποίηση των ασθενών με την παραπάνω παραδοχή, παρουσιάζει τεράστια ποσοστά επιτυχίας. Ωστόσο τα
ποσοστά αυτά είναι μακριά από την πραγματικότητα, καθώς ο χρωματισμένος θόρυβος λειτουργεί ως
χαρακτηριστικό του κορονοϊού με αποτέλεσμα το σύστημα να μην μελετάει τα χαρακτηριστικά του βήχα.
Το σύστημα θεωρεί πως κάθε ηχογράφηση σε περιβάλλον νοσοκομείου, ανήκει σε κάποιον ασθενή με
Covid. Η λειτουργία του συστήματος προφανώς δεν είναι σωστή και έτσι η αποθορυβοποίηση των δεδομένων κρίνεται αναγκαία. Επειδή οι καταγραφές είναι μη-στάσιμες και ο θόρυβος του υπόβαθρου είναι
στοχαστικός, οι κλασικές τεχνικές αποθορυβοποίησης δεν είναι επαρκείς. Επομένως πρέπει να αναζητηθούν οι κατάλληλες μέθοδοι αποθορυβοποίησης, οι οποίες είναι σε θέση να απομονώσουν το χρήσιμο
σήμα ενώ παράλληλα διατηρούνται τα χαρακτηριστικά του βήχα στο χρήσιμο σήμα.
Στην παρούσα διπλωματική θα παρουσιαστούν μέθοδοι αποθορυβοποίησης χρονοσειρών, δηλαδή
ηχογραφήσεων ασθενών με θόρυβο στο υπόβαθρο. Θα γίνει αναφορά σε μεθόδους που υπάρχουν ήδη
στη βιβλιογραφία, και στην συνέχεια θα παρουσιαστούν προτάσεις βελτίωσης των ήδη υπάρχοντων
μεθόδων. Στόχος της παραπάνω μελέτης είναι η χρήση των μεθόδων αποθορυβοποίησης για την δημιουργία μιας βάσης δεδομένων απαλλαγμένη από τον θόρυβο του υπόβαθρου, η οποία θα μπορεί να
χρησιμοποιηθεί σε άλλα μελλοντικά έργα. |
author2 |
Kontogiannis, Myron |
author_facet |
Kontogiannis, Myron Κοντογιάννης, Μύρων |
author |
Κοντογιάννης, Μύρων |
author_sort |
Κοντογιάννης, Μύρων |
title |
Αποθορυβοποίηση χρονοσειρών με χρήση νευρωνικών δικτύων βαθέων αρχιτεκτονικών |
title_short |
Αποθορυβοποίηση χρονοσειρών με χρήση νευρωνικών δικτύων βαθέων αρχιτεκτονικών |
title_full |
Αποθορυβοποίηση χρονοσειρών με χρήση νευρωνικών δικτύων βαθέων αρχιτεκτονικών |
title_fullStr |
Αποθορυβοποίηση χρονοσειρών με χρήση νευρωνικών δικτύων βαθέων αρχιτεκτονικών |
title_full_unstemmed |
Αποθορυβοποίηση χρονοσειρών με χρήση νευρωνικών δικτύων βαθέων αρχιτεκτονικών |
title_sort |
αποθορυβοποίηση χρονοσειρών με χρήση νευρωνικών δικτύων βαθέων αρχιτεκτονικών |
publishDate |
2022 |
url |
http://hdl.handle.net/10889/16246 |
work_keys_str_mv |
AT kontogiannēsmyrōn apothorybopoiēsēchronoseirōnmechrēsēneurōnikōndiktyōnbatheōnarchitektonikōn AT kontogiannēsmyrōn timeseriesdenoisingwithdeepneuralnetworkarchitectures |
_version_ |
1771297237332131840 |