Εκτίμηση ευθραυστότητας και δυσμενών γεγονότων με την χρήση δεδομένων κίνησης και συμπεριφοράς

• Κύριος συγγραφέας: Καφτάνης, Γεώργιος
• Άλλοι συγγραφείς: Kaftanis, Georgios
• Γλώσσα: Greek
• Έκδοση: 2023
• Θέματα: Νευρωνικά δίκτυα; Εκτίμηση ευθραυστότητας; Frailsafe; Neural networks; Long short-term memory networks; Xgboost; Knn; Cnn; Frailty classification

Η παρούσα διπλωματική στοχεύει στην ανασκόπηση του προγράμματος Frail Safe, μέσω της συγκέντρωσης όλων των ερευνών και εργασιών που έχουν πραγματοποιεί σχετικά με αυτό. Παράλληλα, γίνεται προσπάθεια για υλοποίηση νέων μεθόδων, οι οποίες διαφοροποιούνται από τις ήδη υπάρχουσες κυρίως όσον αφορά τις μετρήσεις και τα δεδομένα που αξιοποιούνται, αλλά και ορισμένα μοντέλα ταξινόμησης. Στο πλαίσιο της διπλωματικής εργασίας υλοποιήθηκε μια εφαρμογή σε Python, η οποία περιλαμβάνει την κατάλληλη διεπαφή (interface) για την εκτέλεση διαφορετικών μεθόδων επεξεργασίας δεδομένων και κατηγοριοποίησης δεδομένων χρονικού παραθύρου ή δραστηριότητας σε 3 ("Non-Frail", "Pre-Frail", "Frail") ή 2 κλάσεις ("Non-Frail" , "Frail"), δηλαδή με βάση τον δείκτη ευπάθειας του συμμετέχοντα. Τα δεδομένα τα οποία αξιοποιήθηκαν περιορίζονται μόνο σε δεδομένα κίνησης και συμπεριφοράς τα οποία μπορούν να αντληθούν από ένα «έξυπνο» ρολόι ή τηλέφωνο. Αυτό αποσκοπεί στην εξαγωγή μεθόδων κατηγοριοποίησης ευπάθειας με την χρήση εύχρηστων συσκευών. Για την αντιμετώπιση του προβλήματος των μη ισορροπημένων δεδομένων δοκιμάζονται οι τεχνικές SMOTE, Tomek Links , ένας συνδυασμός αυτών, καθώς και η χρήση βαρών. Στην συνέχεια, διαχωρίζονται τα δεδομένα σε δεδομένα εκπαίδευσης και δοκιμής με 2 διαφορετικούς τρόπους. Για την χρήση τον χρονικών παραθύρων διαχωρίζονται τα δεδομένα για κάθε συμμετέχοντα ξεχωριστά, ενώ για τα παράθυρα με βάση την δραστηριότητα ο διαχωρισμός εφαρμόζεται στο σύνολο των δεδομένων. Παράλληλα, εφαρμόζονται τεχνικές εξαγωγής χαρακτηριστικών και κανονικοποίησης των δεδομένων. Τα μοντέλα κατηγοριοποίησης που ελέγχθηκαν και αξιοποιήθηκαν είναι grandient boosting (μέσω XGBoost), K-Nearest Neighbors classifier, Convolutional Neural Networks (CNN), Artificial Neural Networks (ANN) καθώς και Long Short Term Memory (LSTM) δίκτυα. Τα αποτελέσματα που προέκυψαν για την κατηγοριοποίηση των χρονικών παραθύρων έφτασε στο 83,95% με την χρήση των LSTM δικτύων, ενώ για κάθε δραστηριότητα μέσω του XGBoost ήταν στο 82,64% (ταξινόμηση σε 3 κλάσεις). Με βάση τα περιορισμένα δεδομένα που αξιοποιήθηκαν οι ακρίβειες κρίνονται ικανοποιητικές και τα συγκεκριμένα μοντέλα θα μπορούσαν να παρέχουν επικουρική και συμβουλευτική επιτήρηση στους ηλικιωμένους.