Ανάλυση δεδομένων από σοβαρά παιχνίδια με τεχνικές μηχανικής μάθησης
| datacite.contributor.RelatedPerson | Σιούτας, Σπυρίδων | |
| datacite.contributor.RelatedPerson | Μακρής, Χρήστος | |
| datacite.contributor.Supervisor | Βασίλειος Μεγαλοοικονόμου | |
| dc.contributor.author | Ζαχαροπούλου, Ηλιάνα | |
| dc.contributor.other | Zacharopoulou, Iliana | |
| dc.date.accessioned | 2024-01-31T08:22:09Z | |
| dc.date.available | 2024-01-31T08:22:09Z | |
| dc.date.issued | 2024-01-26 | |
| dc.degree | masterThesis | |
| dc.description.abstract | Η γήρανση του πληθυσμού αυξάνεται κατακόρυφα παγκοσμίως. Συνέπεια της μείωσης που σχετίζεται με την ηλικία είναι η κλινική κατάσταση της αδυναμίας, η οποία ορίζεται ως ευπάθεια. Η ευπάθεια είναι ένα βιολογικό σύνδρομο που ενέχει αυξημένο κίνδυνο για κακή έκβαση της υγείας, συμπεριλαμβανομένων πτώσεων, περιστατικών αναπηρίας, νοσηλείας και θνησιμότητας. Ωστόσο, η αδυναμία αυτή είναι μια δυναμική και όχι μία μη αναστρέψιμη διαδικασία και φαίνεται ότι μπορεί να προληφθεί, να καθυστερήσει ή να αντιστραφεί. Το σύστημα FrailSafe παρέχει μία νέα προσέγγιση σε αυτό το περίπλοκο, ιατρικό, κοινωνικό και δημόσιο πρόβλημα υγείας. Αποτελείται από διάφορα μέρη, όπως διάφορους αισθητήρες ικανούς να καταγράφουν με διακριτικότητα μεγάλο όγκο δεδομένων, παιχνίδια, φορητές συσκευές εξοπλισμένες με αισθητήρες και άλλες συσκευές, καθώς και εφαρμογές λογισμικού για συλλογή και επεξεργασία δεδομένων και εφαρμογές smartphone. Στόχος του είναι η καλύτερη κατανόηση της αδυναμίας και της σχέσης της με συννοσηρότητες, για τον εντοπισμό ποσοτικών και ποιοτικών μετρήσεων μέσω προηγμένων προσεγγίσεων εξόρυξης δεδομένων σε πολυπαραμετρικά δεδομένα, και στη χρήση τους για την πρόβλεψη βραχυπρόθεσμων και μακροπρόθεσμων αποτελεσμάτων και κινδύνου αδυναμίας. Η σουίτα παιχνιδιών του FrailSafe αποτελείται από μία ποικιλία παιχνιδιών που στοχεύουν τόσο στη κατανόηση της φυσιολογικής και γνωστικής κατάστασης των ηλικιωμένων, όσο και στην παροχή ασκήσεων αποκατάστασης. ΄Ολα τα παιχνίδια είναι διαφορετικά ως προς τη γνωστική αξιολόγηση και σχεδιάστηκαν για να στοχεύουν διαφορετικούς γνωστικούς και φυσικούς τομείς, όπως η μνήμη, η αντοχή/δύναμη, ισορροπία, παρατηρητικότητα, λήψη αποφάσεων κ.α. Η εργασία αυτή αποσκοπεί στην αξιοποίηση αυτών των δεδομένων για ανάλυση χρησιμοποιώντας τεχνικές μηχανικής μάθησης, ώστε να καθοριστεί ένα μοτίβο που θα εξηγούσε την παρουσία αδυναμίας μεταξύ των εθελοντών. ΄Ετσι θα βοηθούσε το ηλικιωμένο άτομο να λάβει μέτρα ώστε να αποφύγει ανεπιθύμητα γεγονότα που θα μπορούσαν να επηρεάσουν την κλινική, φυσική και γνωστική κατάστασή του, με σκοπό να αποτρέψει την εμφάνιση της αδυναμίας. | |
| dc.description.translatedabstract | Population aging is increasing rapidly worldwide. A consequence of age-related decline is the clinical condition of frailty. Frailty is a biological syndrome that carries an increased risk for poor health outcomes, including falls, incident disability, hospitalization, and mortality. However, this weakness is a dynamic rather than an irreversible process and appears to be preventable, delayed or reversed. FrailSafe system provides a new approach to this complex medical, social and public health problem. It consists of various components, such as various sensors capable of discretely recording a large amount of data, games, sensor-equipped mobile devices and other devices, as well as software applications for data collection and processing and smartphone applications. It aims to better understand frailty and its relationship to comorbidities, to identify quantitative and qualitative metrics through advanced data mining approaches on multiparametric data, and to use them to predict short- and longterm outcomes and risk of frailty. FrailSafe’s games suite consists of a variety of games aimed at both sensing the physiological and cognitive state of the elderly, as well as providing rehabilitative exercises. All games are different in cognitive demand and were designed to target different cognitive and physical domains, such as memory, endurance/strength, balance, observation, decision making, etc. This work aims to leverage this data for analysis using machine learning techniques to help determine a pattern that would explain the presence of frailty among the volunteers. Thus, it would help the elderly person to take measures to avoid adverse events that could affect their clinical, physical and cognitive status, in order to prevent the onset of frailty. | |
| dc.identifier.uri | https://hdl.handle.net/10889/26449 | |
| dc.language.iso | el | |
| dc.subject | Μηχανική μάθηση | |
| dc.subject | Κατηγοριοποίηση ευπάθειας | |
| dc.subject | Πρόβλεψη δυσμενών γεγονότων | |
| dc.subject | Ανάλυση δεδομένων | |
| dc.subject.alternative | Machine learning | |
| dc.subject.alternative | Frailty status assessment | |
| dc.title | Ανάλυση δεδομένων από σοβαρά παιχνίδια με τεχνικές μηχανικής μάθησης | |
| dc.title.alternative | Data analysis from serious games through machine learning techniques |