Please use this identifier to cite or link to this item: http://hdl.handle.net/10889/11891
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorΜεγαλοοικονόμου, Βασίλειος-
dc.contributor.authorΜπαλαφούτη, Αφροδίτη-
dc.contributor.otherBalafouti, Afroditi-
dc.date.accessioned2019-02-01T18:21:13Z-
dc.date.available2019-02-01T18:21:13Z-
dc.date.copyright2018-10-31-
dc.identifier.urihttp://hdl.handle.net/10889/11891-
dc.description.abstractΗ παρούσα διπλωματική εργασία μελετά την αξία των αισθητήρων στην κατηγοριοποίηση του frailty status με τη χρήση σύγχρονων αλγορίθμων μηχανικής μάθησης στα πλαίσια του Ευρωπαικού προγράμματος FrailSafe Project. Αρχικά γίνεται μια σύντομη παρουσίαση του συνδρόμου της ευθραυστότητας και του γήρατος και επισημαίνονται οι διαφορές τους από Ιατρική σκοπιά. Αναπτύσσεται η Επιδημιολογία, η Κλινική Εικόνα καθώς και η πρόληψη που προτείνει η επιστήμη της Ιατρικής για το σύνδρομο της ευθραυστότητας. Σκοπός αυτής της αναφοράς είναι να αποκτήσουμε μια καλύτερη αίσθηση του τι σημαίνει ευθραυστότητα. Έπειτα παρουσιάζονται οι εφαρμογές και η θεωρία του Machine Learning. Αρχικά γίνεται αναφορά στα είδη του Machine Learning με βασικό διαχωρισμό το Supervised και Unsupervised Learning και στη συνέχεια παρουσιάζεται η περιγραφή και το μαθηματικό υπόβαθρο των μοντέλων που επιλέχθηκαν να χρησιμοποιηθούν στην υλοποίηση. Ακόμα ένα σημαντικό σημείο του παρουσιάζεται είναι οι διάφορες τεχνικές για να γίνει Multiclass classification το οποίο μας ενδιαφέρει στη παρούσα διπλωματική. Τέλος, περιγράφεται η διαδικασία με την οποία συλλέχθηκαν, επεξεργάστηκαν και εν τέλει χρησιμοποιήθηκαν τα δεδομένα. Ακόμα παρουσιάζεται η υλοποίηση που έγινε και οι δοκιμές των μοντέλων που περιγράφηκαν στο θεωρητικό κομμάτι. Στη συνέχεια παρουσιάζεται η πειραματική διαδικασία και τα αποτελέσματα αυτών καθώς και τα συμπεράσματα που προέκυψαν από αυτά τα αποτελέσματα σχετικά με το ποιος αισθητήρας είχε την καλύτερη απόδοση.el
dc.language.isogrel
dc.rights0el
dc.subjectΜηχανική μάθησηel
dc.subjectΒιοϊατρικά δεδομέναel
dc.subject.ddc006.31el
dc.titleΕφαρμογή μεθόδων μηχανικής μάθησης σε πολυπαραμετρικά βιοϊατρικά δεδομέναel
dc.typeThesisel
dc.contributor.committeeΜακρής, Χρήστος-
dc.description.translatedabstractThis diploma thesis studies the value of sensors in categorizing frailty status using modern learning engineering algorithms in the framework of the European program FrailSafe Project.         Initially, there is a brief presentation of the syndrome of fragility and aging and their differences from a medical point of view are highlighted. Epidemiology, Clinical Image as well as the prevention proposed by the science of Medicine for Fragility Syndrome are developing. The purpose of this report is to get a better sense of what it means to be frail.Then there are presented the applications and the theory of Machine Learning. Initially, there is a reference to the Machine Learning types, with Supervised and Unsupervised Learning being separated, and then the description and mathematical background of the models chosen to be used in the implementation. Yet another important point of it is the various techniques to make Multiclass classification which is of interest to us in this diploma.         Finally, we describe the process by which data was collected, processed and finally used. Still, the implementation of the model and the tests of the models described in the theoretical part are presented. The experimental procedure and its results are presented below, as well as the conclusions that resulted from these results on which sensor had the best performance.el
dc.subject.alternativeMachine learningel
dc.subject.alternativeData scienceel
dc.degreeΔιπλωματική Εργασίαel
Appears in Collections:Τμήμα Μηχανικών Η/Υ και Πληροφορικής (ΔΕ)

Files in This Item:
File Description SizeFormat 
Διπλωματικη Εργασια-Μπαλαφούτη Αφροδίτη.pdf1.93 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons