Εκτίμηση ευθραυστότητας μέσω χώρο - χρονικών δεδομένων με μεθόδους μηχανικής μάθησης

Καθώς αυξάνεται χρόνο με το χρόνο το ποσοστό των ηλικιωμένων στην κοινωνία, είναι αναπόφευκτη η αύξηση του ποσοστού αυτών που εμφανίζουν ευπάθεια, ένα κλινικό σύνδρομο όπου χαρακτηρίζεται από την φθορά πολλαπλών συστημάτων και μείωση αντιδράσεων σε στρεσογόνες καταστάσεις. Για την πρόβλεψη του δείκτ...

Πλήρης περιγραφή

Λεπτομέρειες βιβλιογραφικής εγγραφής
Κύριος συγγραφέας: Κοκκονός, Δημοσθένης
Άλλοι συγγραφείς: Kokkonos, Dimosthenis
Γλώσσα:Greek
Έκδοση: 2022
Θέματα:
Διαθέσιμο Online:https://hdl.handle.net/10889/23923
id nemertes-10889-23923
record_format dspace
institution UPatras
collection Nemertes
language Greek
topic Μηχανική μάθηση
Μάθηση πολλαπλών στιγμιότυπων
Μάθηση συνόλου
Ευπάθεια ηλικιωμένων
Εντοπισμός ανεπιθύμητων γεγονότων
Machine learning
Ensemble learning
Multiple instance learning
Frailty
Adverse event detection
spellingShingle Μηχανική μάθηση
Μάθηση πολλαπλών στιγμιότυπων
Μάθηση συνόλου
Ευπάθεια ηλικιωμένων
Εντοπισμός ανεπιθύμητων γεγονότων
Machine learning
Ensemble learning
Multiple instance learning
Frailty
Adverse event detection
Κοκκονός, Δημοσθένης
Εκτίμηση ευθραυστότητας μέσω χώρο - χρονικών δεδομένων με μεθόδους μηχανικής μάθησης
description Καθώς αυξάνεται χρόνο με το χρόνο το ποσοστό των ηλικιωμένων στην κοινωνία, είναι αναπόφευκτη η αύξηση του ποσοστού αυτών που εμφανίζουν ευπάθεια, ένα κλινικό σύνδρομο όπου χαρακτηρίζεται από την φθορά πολλαπλών συστημάτων και μείωση αντιδράσεων σε στρεσογόνες καταστάσεις. Για την πρόβλεψη του δείκτη ευπάθειας ηλικιωμένων ανθρώπων αξιοποιούνται δεδομένα του προγράμματος FrailSafe. Τα δεδομένα αυτά μελετούν την κίνηση των ηλικιωμένων στον χώρο με χρήση συσκευών Bluetooth, απεικονίζοντας τις μεταβάσεις μεταξύ δωματίων που εκτελεί ο προς μελέτη ηλικιωμένος. Η μελέτη αυτή έγινε για μία έως επτά ημέρες και αποθηκεύονται δεδομένα πολλαπλών ημερών. Με βάση τα δεδομένα αυτά, παράγεται ένα σύνολο χαρακτηριστικών ώστε να προβλεφθεί ο δείκτης ευπάθειας. Για την ορθή πρόβλεψη του δείκτη ευστάθειας αξιοποιούνται τεχνικές αύξησης των δεδομένων με αυτοματοποιημένες μεθόδους σε πρώτο στάδιο, ενώ στη συνέχεια γίνεται χρήση παραθύρου (μη επικαλυπτόμενου και επικαλυπτόμενου). Το παράθυρο αποσκοπεί στον κατακερματισμό των δειγμάτων που παράγονται για μία ημέρα τις μελέτης σε περισσότερα τμήματα -λόγου χάρη μελέτη ανά ώρα των δεδομένων. Το πρόβλημα επιπλέον, λόγω έλλειψης ισορροπίας των δεδομένων μεταξύ κλάσεων, μετατρέπεται από πρόβλημα τριών κλάσεων σε πρόβλημα δύο κλάσεων. Η πρόβλεψη επιτυγχάνεται τόσο με συμβατικές μεθόδους μηχανικής μάθησης όσο και με μεθόδους συνόλου με μέγιστα ποσοστά ακρίβειας 95%. Ως επέκταση της διαδικασίας αυτής, γίνεται μελέτη της σύνδεσης εμφάνισης ανεπιθύμητων γεγονότων με τις εναλλαγές του δείκτη ευπάθειας. Η πρόβλεψη αυτών υλοποιείται μέσω μάθησης πολλαπλών στιγμιότυπων, παράγοντας σάκους δεδομένων για το κάθε άτομο (πίνακες χαρακτηριστικών) και ετικέτες για τον κάθε σάκο. Οι επιμέρους σάκοι αρχικά συμπιέζονται σε μία γραμμή για την εκτέλεση συμβατικών μεθόδων μηχανικής μάθησης με μέγιστη ακρίβεια πρόβλεψης 97% και στην συνέχεια αξιοποιούνται ως ολότητα μέσω συνελικτικών νευρωνικών δικτύων με ακρίβεια 71%.
author2 Kokkonos, Dimosthenis
author_facet Kokkonos, Dimosthenis
Κοκκονός, Δημοσθένης
author Κοκκονός, Δημοσθένης
author_sort Κοκκονός, Δημοσθένης
title Εκτίμηση ευθραυστότητας μέσω χώρο - χρονικών δεδομένων με μεθόδους μηχανικής μάθησης
title_short Εκτίμηση ευθραυστότητας μέσω χώρο - χρονικών δεδομένων με μεθόδους μηχανικής μάθησης
title_full Εκτίμηση ευθραυστότητας μέσω χώρο - χρονικών δεδομένων με μεθόδους μηχανικής μάθησης
title_fullStr Εκτίμηση ευθραυστότητας μέσω χώρο - χρονικών δεδομένων με μεθόδους μηχανικής μάθησης
title_full_unstemmed Εκτίμηση ευθραυστότητας μέσω χώρο - χρονικών δεδομένων με μεθόδους μηχανικής μάθησης
title_sort εκτίμηση ευθραυστότητας μέσω χώρο - χρονικών δεδομένων με μεθόδους μηχανικής μάθησης
publishDate 2022
url https://hdl.handle.net/10889/23923
work_keys_str_mv AT kokkonosdēmosthenēs ektimēsēeuthraustotētasmesōchōrochronikōndedomenōnmemethodousmēchanikēsmathēsēs
AT kokkonosdēmosthenēs estimationoffragilitythroughspacetimedatawithmachinelearningmethods
_version_ 1771297340323266560
spelling nemertes-10889-239232022-11-15T04:38:04Z Εκτίμηση ευθραυστότητας μέσω χώρο - χρονικών δεδομένων με μεθόδους μηχανικής μάθησης Estimation of fragility through space - time data with machine learning methods Κοκκονός, Δημοσθένης Kokkonos, Dimosthenis Μηχανική μάθηση Μάθηση πολλαπλών στιγμιότυπων Μάθηση συνόλου Ευπάθεια ηλικιωμένων Εντοπισμός ανεπιθύμητων γεγονότων Machine learning Ensemble learning Multiple instance learning Frailty Adverse event detection Καθώς αυξάνεται χρόνο με το χρόνο το ποσοστό των ηλικιωμένων στην κοινωνία, είναι αναπόφευκτη η αύξηση του ποσοστού αυτών που εμφανίζουν ευπάθεια, ένα κλινικό σύνδρομο όπου χαρακτηρίζεται από την φθορά πολλαπλών συστημάτων και μείωση αντιδράσεων σε στρεσογόνες καταστάσεις. Για την πρόβλεψη του δείκτη ευπάθειας ηλικιωμένων ανθρώπων αξιοποιούνται δεδομένα του προγράμματος FrailSafe. Τα δεδομένα αυτά μελετούν την κίνηση των ηλικιωμένων στον χώρο με χρήση συσκευών Bluetooth, απεικονίζοντας τις μεταβάσεις μεταξύ δωματίων που εκτελεί ο προς μελέτη ηλικιωμένος. Η μελέτη αυτή έγινε για μία έως επτά ημέρες και αποθηκεύονται δεδομένα πολλαπλών ημερών. Με βάση τα δεδομένα αυτά, παράγεται ένα σύνολο χαρακτηριστικών ώστε να προβλεφθεί ο δείκτης ευπάθειας. Για την ορθή πρόβλεψη του δείκτη ευστάθειας αξιοποιούνται τεχνικές αύξησης των δεδομένων με αυτοματοποιημένες μεθόδους σε πρώτο στάδιο, ενώ στη συνέχεια γίνεται χρήση παραθύρου (μη επικαλυπτόμενου και επικαλυπτόμενου). Το παράθυρο αποσκοπεί στον κατακερματισμό των δειγμάτων που παράγονται για μία ημέρα τις μελέτης σε περισσότερα τμήματα -λόγου χάρη μελέτη ανά ώρα των δεδομένων. Το πρόβλημα επιπλέον, λόγω έλλειψης ισορροπίας των δεδομένων μεταξύ κλάσεων, μετατρέπεται από πρόβλημα τριών κλάσεων σε πρόβλημα δύο κλάσεων. Η πρόβλεψη επιτυγχάνεται τόσο με συμβατικές μεθόδους μηχανικής μάθησης όσο και με μεθόδους συνόλου με μέγιστα ποσοστά ακρίβειας 95%. Ως επέκταση της διαδικασίας αυτής, γίνεται μελέτη της σύνδεσης εμφάνισης ανεπιθύμητων γεγονότων με τις εναλλαγές του δείκτη ευπάθειας. Η πρόβλεψη αυτών υλοποιείται μέσω μάθησης πολλαπλών στιγμιότυπων, παράγοντας σάκους δεδομένων για το κάθε άτομο (πίνακες χαρακτηριστικών) και ετικέτες για τον κάθε σάκο. Οι επιμέρους σάκοι αρχικά συμπιέζονται σε μία γραμμή για την εκτέλεση συμβατικών μεθόδων μηχανικής μάθησης με μέγιστη ακρίβεια πρόβλεψης 97% και στην συνέχεια αξιοποιούνται ως ολότητα μέσω συνελικτικών νευρωνικών δικτύων με ακρίβεια 71%. As the percentage of older people in society increases year by year, the increase of the elderly population with frailty is expected to raise. Frailty is a clinical syndrome characterized by the deterioration of multiple systems and reduced reactions to stressful situations. Data from the FrailSafe program are used to predict the frailty index of older people. These data study the movement of the elderly in the space using Bluetooth devices, depicting the performed transitions between rooms. This study was performed for one to seven days, therefore multi-day data were stored. Based on these data, a set of characteristics is generated to predict the frailty index. For the correct prediction of said index, data augmentation techniques are utilized, first with automated methods, and afterwards with usage of a window (non-overlapping and overlapping). The windowed method aims to fragment the samples produced for one day of the study into several sections - for example hourly data. The problem also, due to the imbalance of data between classes, is reconfigured from a three-class problem to a two-class one. The prediction is achieved both with conventional machine learning methods and with ensemble learning methods with maximum percentages of 95% accuracy in both cases. As an extension of the process, a link is made between the occurrence of adverse events and changes in the frailty index. Predicting these is done by multiple instance learning, producing data bags for each person (e.g., feature tables) and labels for each bag. The individual bags are initially compressed in a data-row, to perform conventional machine learning methods with a maximum prediction accuracy of 97% and afterwards utilized as a whole through convolutional neural networks with an accuracy of 71%. 2022-11-14T11:50:05Z 2022-11-14T11:50:05Z 2022-06-15 2022 https://hdl.handle.net/10889/23923 gr application/pdf