Εκτίμηση/πρόβλεψη κλινικών παραμέτρων ηλικιωμένων ανθρώπων από πολυμορφικά δεδομένα
Loading...
Date
2024-02-23
Authors
Σίνα, Κλεάντα
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Η φθορά του ανθρώπινου οργανισμού έρχεται αναπόφευκτα με την πάροδο του χρόνουκαι επηρεάζει όλους τους ανθρώπους, αν και όχι στον ίδιο βαθμό. Στην γεροντολογία, η φθοράαυτή ποσοτικοποιείται με το μέτρο της ευθραυστότητας/ευπάθειας. Στα πλαίσια τουΕυρωπαϊκού έργου FrailSafe, διεξήχθησαν μελέτες σε ηλικιωμένους με σκοπό την εκτίμηση/πρόβλεψη κλινικών παραμέτρων που αναφέρονται στην ευπάθεια μέσω της παρακολούθησήςτους με διάφορες συσκευές κατά την διάρκεια της καθημερινής ζωής τους.Τα πολυδιάστατα δεδομένα εμφανίζονται σε μια μεγάλη ποικιλία εφαρμογών στηνκλινική διάγνωση και υγειονομική περίθαλψη. Η κύρια πρόκληση είναι να εξαχθούνχαρακτηριστικά από δεδομένα υψηλών διαστάσεων με τρόπο που να διατηρεί τηνπολυδιάστατη δομή τους, ενώ ταυτόχρονα να μοντελοποιεί την αλληλεπίδραση τωνδιαστάσεων. Τα σήματα καρδίας (ECG), της αναπνοής, της πίεση στο στήθος καιεπιταχυνσιόμετρου (ACC) αποτελούν αναπόσπαστα στοιχεία στη διαδικασία παρακολούθησηςκαι διάγνωσης για διάφορες καταστάσεις υγείας. Ωστόσο, η αξιοπιστία αυτών των σημάτωνμπορεί να τεθεί σε κίνδυνο από διάφορες πηγές θορύβου.Σε αυτή τη διπλωματική, περιγράφεται λεπτομερώς η μεθοδολογική προσέγγιση γιατην προεπεξεργασία των σημάτων. Για τα σήματα της αναπνευστικής λειτουργίας μέσω ενόςπιεζοηλεκτρικού αισθητήρα, το ρυθμό της αναπνοής, το καρδιακό ρυθμό μέσωηλεκτροκαρδιογραφήματος (ECG), τη μεταβλητότητα του καρδιακού ρυθμού (heart ratevariability) μέσω ηλεκτροκαρδιογραφήματος και τέλος το διάστημα RR τουκαρδιογραφήματος, χρησιμοποιήθηκε το Discrete Wavelet Transform (DWT) για τοναποτελεσματικό μετριασμό του θορύβου, επιτρέποντας σαφέστερη απεικόνιση και ανάλυσητης ευπάθειας των ηλικιωμένων. Από την άλλη πλευρά, το μέτρο της επιτάχυνσης στους τρειςχωρικούς άξονες, υποβλήθηκε σε επεξεργασία χρησιμοποιώντας ένα συνδυασμό του φίλτρουKalman και ενός φίλτρου Butterworth.Αφού ολοκληρωθεί η προεπεξεργασία, για την αξιολόγηση της, αξιοποιήθηκαν δύοδιαφορετικά μοντέλα μηχανικής μάθησης. Το πρώτο μοντέλο, που αποτελεί έρευναπροηγούμενων, εστίασε στην αναπαράσταση και εξαγωγή χαρακτηριστικών, μετατρέπονταςτα δεδομένα από έναν πολυδιάστατο σε έναν χώρο μειωμένης διαστατικότητας μέσω τηςτανυστικής αποδόμησης CP (StrProxSGD). Αυτή η διαδικασία επέτρεψε την πιοαποτελεσματική ανάλυση και κατηγοριοποίηση των δεδομένων, παρέχοντας μιασυμπυκνωμένη και εύκολα διαχειρίσιμη μορφή της πληροφορίας. Η δεύτερη φάση τηςαξιολόγησης έγινε μέσω της Μάθησης Πολλαπλών Στιγμιότυπων, με το μοντέλο (TensMIL)για την κατηγοριοποίηση των δεδομένων.Στο δεύτερο μοντέλο, χρησιμοποιήθηκε ένας ταξινομητής Random Forest μετά τηνεξαγωγή στατιστικών χαρακτηριστικών από τα δεδομένα, προκειμένου να διερευνηθείπεραιτέρω η αποτελεσματικότητα της προεπεξεργασίας. Αυτά τα μοντέλα συγκρίθηκαν με τααποτελέσματα προηγούμενων ερευνών, όπου τα ίδια δεδομένα αξιολογήθηκαν χωρίς ναυποστούν κάποια ιδιαίτερη προεπεξεργασία.
Description
Keywords
Γηριατρική Ανάλυση, Επιλογή χαρακτηριστικών, Επεξεργασία σημάτων, Σήμα καρδιάς, Σήμα αναπνοής, Σήμα πίεσης στο στήθος, Σήματα επιταχυνσιομέτρου, Kalman φίλτρο, Butterworth φίλτρο