Ανίχνευση της νόσου Πάρκινσον με χρήση μηχανικής μάθησης μέσω φωνητικών χαρακτηριστικών

Καββαδάς, Στέφανος

dc.contributor.advisor	Πρέντζα, Ανδριάνα
dc.contributor.author	Καββαδάς, Στέφανος
dc.date.accessioned	2025-03-28T09:09:03Z
dc.date.available	2025-03-28T09:09:03Z
dc.date.issued	2025-02
dc.identifier.uri	https://dione.lib.unipi.gr/xmlui/handle/unipi/17588
dc.description.abstract	Η μηχανική μάθηση (Machine Learning - ML) αποτελεί έναν από τους πλέον ανερχόμενους κλάδους της τεχνητής νοημοσύνης και έχει ήδη αποδειχθεί ότι είναι ένα από τα ισχυρότερα εργαλεία της ανάλυσης μεγάλων δεδομένων και της ανάπτυξης μοντέλων πρόβλεψης. Ειδικότερα, στον χώρο της ιατρικής, η μηχανική μάθηση έχει ανοίξει νέους δρόμους για τη διάγνωση, την πρόβλεψη και την εξατομικευμένη θεραπεία, προσφέροντας λύσεις που πλησιάζουν και ξεπερνούν σε αρκετές περιπτώσεις τις παραδοσιακές προσεγγίσεις. Η παρούσα εργασία επικεντρώνεται στην ανάπτυξη και αξιολόγηση αλγορίθμων μηχανικής μάθησης με σκοπό την ανίχνευση της νόσου Πάρκινσον, μέσω της ανάλυσης των φωνητικών δεδομένων. Πιο συγκεκριμένα, χρησιμοποιείται η φωνή ως βιοδείκτης, καθώς η νόσος φαίνεται να προκαλεί αλλοιώσεις σε αυτή. Κάνοντας χρήση αλγορίθμων μηχανικής μάθησης, όπως οι μηχανές διανυσμάτων υποστήριξης (SVM), τα τυχαία δάση, η λογιστική παλινδρόμηση, ο αλγόριθμος XGBoost και τα δέντρα απόφασης, επιτεύχθηκαν υψηλές τιμές ακρίβειας στη πρόβλεψη, αναδεικνύοντας την αξία της μηχανικής μάθησης στην ανίχνευση νευροεκφυλιστικών διαταραχών. Επιπλέον, αναπτύχθηκε μια εφαρμογή χρησιμοποιώντας το Flask, η οποία ενσωματώνει το προεκπαιδευμένο μοντέλο, τη φωνητική ανάλυση μέσω της οποίας εξάγονται κρίσιμα χαρακτηριστικά και ένα web interface, όπου τελικά επιτρέπει στους χρήστες να ανεβάζουν φωνητικά δείγματα και να λαμβάνουν άμεση πρόβλεψη, σχετικά με την παρουσία της νόσου Πάρκινσον.	el
dc.format.extent	94	el
dc.language.iso	el	el
dc.publisher	Πανεπιστήμιο Πειραιώς	el
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc/3.0/gr/	*
dc.title	Ανίχνευση της νόσου Πάρκινσον με χρήση μηχανικής μάθησης μέσω φωνητικών χαρακτηριστικών	el
dc.type	Master Thesis	el
dc.contributor.department	Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Ψηφιακών Συστημάτων	el
dc.description.abstractEN	Machine Learning (ML) is one of the most rapidly emerging fields within artificial intelligence and has already proven to be one of the most powerful tools in big data analysis and predictive model development. Especially in the medical field, machine learning has opened up new horizons for diagnosis, prognosis, and personalized treatment, offering solutions that often approach and even surpass traditional methods. This study focuses on the development and evaluation of machine learning algorithms to detect Parkinson's disease through voice data analysis. More specifically, voice is used as a biomarker, since the disease appears to cause alterations in it. By utilizing machine learning algorithms such as Support Vector Machines (SVM), Random Forests, Logistic Regression, XGBoost, and Decision Trees, high accuracy rates were achieved in diagnosis, highlighting the value of machine learning in detecting neurodegenerative disorders. Additionally, an application was developed using Flask, which incorporates the pre-trained model, voice analysis through which critical features are extracted and a web interface. This setup allows users to upload voice samples and receive immediate predictions regarding the presence of Parkinson's disease. This application provides accessible and flexible diagnostic support, particularly valuable for remote clinical or research applications.	el
dc.contributor.master	Πληροφοριακά Συστήματα και Υπηρεσίες	el
dc.subject.keyword	Μηχανική μάθηση	el
dc.subject.keyword	Νόσος Πάρκινσον	el
dc.subject.keyword	Ανάλυση φωνής	el
dc.date.defense	2025-03-14

Αρχεία σε αυτό το τεκμήριο

Name:: Kavvadas_me2213.pdf
Μέγεθος:: 1.912Mb
Τύπος:: PDF
Description:: Μεταπτυχιακή διατριβή

Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Τμήμα Ψηφιακών Συστημάτων
Department of Digital Systems

Εμφάνιση απλής εγγραφής

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