Πειραματική αξιολόγηση αλγορίθμων επιβλεπόμενης μηχανικής μάθησης σε δεδομένα υγείας

Γιαννόπουλος, Δημήτριος

dc.contributor.advisor	Φιλιππάκης, Μιχαήλ
dc.contributor.author	Γιαννόπουλος, Δημήτριος
dc.date.accessioned	2024-02-05T06:04:17Z
dc.date.available	2024-02-05T06:04:17Z
dc.date.issued	2023
dc.identifier.uri	https://dione.lib.unipi.gr/xmlui/handle/unipi/16152
dc.identifier.uri	http://dx.doi.org/10.26267/unipi_dione/3574
dc.description.abstract	Τα δεδομένα ηλεκτροεγκεφαλογραφήματος (ΗΕΓ) αποτελούν ένα μη επεμβατικό μέσο παρακολούθησης της ηλεκτρικής δραστηριότητας του εγκεφάλου. Εδώ και χρόνια, οι επιστήμονες και οι επαγγελματίες του ιατρικού κλάδου τα χρησιμοποιούν για να αποκτήσουν γνώσεις σχετικά με διάφορες νευρολογικές καταστάσεις και φαινόμενα. Μια τέτοια εφαρμογή είναι και η αξιολόγηση των οφθαλμικών καταστάσεων των ασθενών, όπου οι μικροσκοπικές αλλαγές στα μοτίβα του ΗΕΓ μπορούν να παράσχουν πολύτιμες διαγνωστικές ενδείξεις. Τα τελευταία χρόνια η ραγδαία ανάπτυξη των τεχνολογιών απόκτησης δεδομένων έχει οδηγήσει σε έκρηξη του όγκου των δεδομένων και, κατ’ επέκταση, των δεδομένων ΗΕΓ που είναι διαθέσιμα για ανάλυση. Οι αλγόριθμοι μηχανικής μάθησης (ΜΜ), μέσω των προσαρμοστικών και προβλεπτικών τους δυνατοτήτων, είναι σε θέση να διακρίνουν μοτίβα και σχέσεις σε δεδομένα που μπορεί να διαφεύγουν από τις παραδοσιακές αναλυτικές μεθόδους. Όταν εφαρμόζονται σωστά, όχι μόνο μπορούν να ενισχύσουν την ακρίβεια των διαγνώσεων, αλλά και να προβλέψουν πιθανές μελλοντικές εξελίξεις. Ο συνδυασμός δεδομένων ΗΕΓ και ΜΜ αντιπροσωπεύει ένα αναπτυσσόμενο πεδίο με ποικίλες μελέτες που εξετάζουν αλγορίθμους από στατιστικά μοντέλα έως προηγμένα νευρωνικά δίκτυα. Η ανάδειξη της χρησιμότητας αυτής της έρευνας στον συνδυασμό των τεχνικών ΜΜ με τα δεδομένα ΗΕΓ είναι στο επίκεντρο της παρούσας διπλωματικής εργασίας. Συγκεκριμένα, στην παρούσα εργασία, εφαρμόστηκε πειραματική αξιολόγηση αλγορίθμων επιβλεπόμενης ΜΜ, σε ένα σύνολο δεδομένων ΗΕΓ που επικεντρώνεται στις καταστάσεις των οφθαλμών. Για το σκοπό αυτό, αρχικά, μελετήθηκαν και παρουσιάστηκαν συνοπτικά τεχνικές από παρόμοιες προηγμένες έρευνες, όπου ανάλογα με τον τομέα εφαρμογής τους διακρίθηκαν σε κατηγορίες. Στη συνέχεια πραγματοποιήθηκε εύρεση των βέλτιστων παραμέτρων και σύγκριση των αλγορίθμων στο αρχικό σύνολο δεδομένων χωρίς περαιτέρω προεπεξεργασία προκειμένου να αποκτηθεί ένα μέτρο σύγκρισης. Η ίδια διαδικασία υλοποιήθηκε εκ νέου, αφού πρώτα εφαρμόστηκαν τεχνικές προεπεξεργασίας, καθώς και έγινε παράθεση των αποτελεσμάτων και των συμπερασμάτων που προέκυψαν. Τέλος, εφαρμόστηκε η μέθοδος ΑΚΣ για τη μείωση της διαστασιμότητας του συνόλου δεδομένων και τη διερεύνηση της απόδοσης της ταξινόμησης μέσα από τις νέες διαστάσεις.	el
dc.format.extent	97	el
dc.language.iso	el	el
dc.publisher	Πανεπιστήμιο Πειραιώς	el
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.title	Πειραματική αξιολόγηση αλγορίθμων επιβλεπόμενης μηχανικής μάθησης σε δεδομένα υγείας	el
dc.title.alternative	Evaluation of supervised machine learning algorithms on health data	el
dc.type	Master Thesis	el
dc.contributor.department	Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων	el
dc.description.abstractEN	Electroencephalogram (EEG) data is a non-invasive method of monitoring the brain's electrical activity. In years, scientists and medical professionals have been using them to gain insights into various neurological conditions and phenomena. One such application is the evaluation of patients' eye states, where tiny changes in EEG patterns can provide valuable diagnostic clues. In recent years the rapid development of data acquisition technologies has led to an explosion in the amount of data and, by extension, the EEG data available for analysis. Machine learning (ML) algorithms, through their adaptive and predictive capabilities, are able to discern patterns and relationships in data that may elude traditional analytical methods. When applied correctly, they can not only enhance the accuracy of diagnoses, but also predict possible future developments. The combination of EEG and ML data represents a growing field with a variety of studies examining algorithms from statistical models to advanced neural networks. Highlighting the usefulness of this research in the combination of ML techniques with EEG data is the focus of this thesis. Specifically, in the present work, an experimental evaluation of supervised ML algorithms was applied to an EEG dataset focusing on eye states. For this purpose, initially, techniques from similar advanced researches were studied and briefly presented, where depending on the field of application they were distinguished into categories. The optimal parameters were then found and the algorithms compared to the original data set without further preprocessing in order to obtain an overview. The same process was implemented again, after preprocessing techniques were first applied, and the results and conclusions obtained were presented. Finally, PCA method was applied to reduce the dimensionality of the data set and investigate the classification’s performance through the new dimensions.	el
dc.contributor.master	Πληροφοριακά Συστήματα και Υπηρεσίες	el
dc.subject.keyword	Ηλεκτροεγκεφαλογράφημα	el
dc.subject.keyword	Αλγόριθμοι	el
dc.subject.keyword	Μηχανική μάθηση	el
dc.subject.keyword	Προεπεξεργασία	el
dc.subject.keyword	Ρύθμιση υπερπαραμέτρων	el
dc.subject.keyword	Διασταυρούμενη επικύρωση	el
dc.subject.keyword	Ανάλυση κυρίων συνιστωσών	el
dc.date.defense	2023-09-26

Αρχεία σε αυτό το τεκμήριο

Name:: Giannopoulos_2131.pdf
Μέγεθος:: 1.886Mb
Τύπος:: PDF
Description:: Μεταπτυχιακή διατριβή

Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Τμήμα Ψηφιακών Συστημάτων
Department of Digital Systems

Εμφάνιση απλής εγγραφής

Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα

Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα