Τεχνικές μηχανικής μάθησης για κατηγοριοποίηση βιοϊατρικών πολυδιάστατων σημάτων

Thumbnail Image
Date
Authors
Βλαχοσπύρος, Σπυρίδων
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Τα τελευταία χρόνια λόγω της τεχνολογικής προόδου και ανάπτυξης της επιστήμης των υπολογιστών κατέστη δυνατή η ύπαρξη και παρατήρηση τεράστιων συλλογών δεδομένων, η επεξεργασία των οποίων οδηγεί πολλές φορές σε αστείρευτη γνώση. Έτσι και στον τομέα της υγείας τα δεδομένα υπάρχουν και η επεξεργασία τους μπορεί να οδηγήσει σε μεγάλη βελτίωση των συστημάτων υγείας, σε έγκαιρες διαγνώσεις ασθενειών, σε ανάλυση της κλινικής εικόνας των ασθενών και κατά συνέπεια σε αύξηση του προσδόκιμου ζωής. Στόχος της παρούσας διπλωματικής εργασίας είναι η παρατήρηση διαφόρων τεχνικών επεξεργασίας βιοϊατρικών δεδομένων. Οι τεχνικές αυτές χωρίστηκαν σε δύο μεγάλες κατηγορίες. Πρώτα, αναλύθηκαν τεχνικές μηχανικής μάθησης για την ταξινόμηση των δεδομένων. Στη συνέχεια, παρουσιάστηκαν τεχνικές διαχείρισης και μείωσης του όγκου των δεδομένων. Πέραν του θεωρητικού υποβάθρου που αναπτύχθηκε και αναλύθηκε, δημιουργήθηκε σε πειραματικό επίπεδο ένα μοντέλο πρόβλεψης της κλινικής εικόνας ηλικιωμένων μέσω της κατηγοριοποίησης βιοϊατρικών σημάτων καθώς και διαχείρισης του όγκου τους. Τα δεδομένα αυτά συλλέχθηκαν στο πλαίσιο ενός ευρωπαϊκού προγράμματος και περιείχαν δεδομένα για το κλινικό προφίλ των ηλικιωμένων μέσω της χρήσης ενός γιλέκου με τοποθετημένους αισθητήρες μέτρησης καρδιακού και πνευμονικού ρυθμού. Το μοντέλο κλήθηκε να ταξινομήσει τα δείγματα ως προς την ευθραυστότητά τους (Frailty) σε τρεις κατηγορίες: frail, pre-frail, no-frail. Για την επίτευξη αυτού του σκοπού αναπτύχθηκε μια μέθοδος η οποία στηρίχθηκε στη Μάθηση Πολλαπλών Στιγμιότυπων (Multi Instance Learning - MIL). Τα σήματα αναλύθηκαν με τεχνικές εξαγωγής χαρακτηριστικών με κυλιόμενα παράθυρα (sliding windows) και όχι στην «ωμή» (raw) μορφή τους, με σκοπό τη μείωση του όγκου των δεδομένων, και αποθηκεύτηκαν σε έναν τανυστή. Τέλος, για να επιτευχθεί η διαστατική μείωση των δεδομένων χρησιμοποιήθηκαν τεχνικές τανυστικής αποδόμησης φτάνοντας έτσι στα τελικά δεδομένα που χρησιμοποιήθηκαν σε αλγόριθμους τόσο μηχανικής μάθησης όσο και αλγόριθμων πολλαπλών στιγμιοτύπων.
Description
Keywords
Μηχανική μάθηση, Μεγάλου όγκου δεδομένα, Μάθηση πολλαπλών στιγμιότυπων, Τανυστική αποδόμηση, Επεξεργασία σημάτων, Εξαγωγή χαρακτηριστικών
Citation