Σύγχρονες μέθοδοι μηχανικής μάθησης για την πρόβλεψη διαταραχών ύπνου

Abstract

Οι διαταραχές ύπνου αποτελούν ένα σημαντικό ζήτημα δημόσιας υγείας, καθώς επηρεάζουν τόσο τη σωματική όσο και την ψυχική ευεξία και συνδέονται στενά με τον τρόπο ζωής και παράγοντες που σχετίζονται με την υγεία. Στόχος της πτυχιακής είναι η διερεύνηση της σχέσης μεταξύ των διαταραχών ύπνου και των χαρακτηριστικών του τρόπου ζωής και η αξιολόγηση της απόδοσης των αλγορίθμων μηχανικής μάθησης στην πρόβλεψη της παρουσίας διαταραχών ύπνου. Για τον σκοπό αυτό, χρησιμοποιήθηκε το σύνολο δεδομένων Sleep Health and Lifestyle, το οποίο περιείχε δημογραφικά, φυσιολογικά και συμπεριφορικά χαρακτηριστικά όπως η διάρκεια του ύπνου, το επίπεδο στρες, ο δείκτης μάζας σώματος (ΔΜΣ), η σωματική δραστηριότητα, η αρτηριακή πίεση και το επάγγελμα. Μετά από κατάλληλη προεπεξεργασία δεδομένων και διερευνητική ανάλυση δεδομένων, εφαρμόστηκαν διάφοροι αλγόριθμοι ταξινόμησης, συγκεκριμένα η Λογιστική Παλινδρόμηση, οι k-Nearest Neighbors (k-NN), το Random Forest και το XGBoost. Τα μοντέλα αξιολογήθηκαν χρησιμοποιώντας μετρήσεις απόδοσης σταθμισμένου μέσου όρου, συμπεριλαμβανομένων της Ακρίβειας, της Ορθότητας, της Ανάκλησης και τoυ F1-Score. Τα πειραματικά αποτελέσματα έδειξαν ότι όλοι οι ταξινομητές πέτυχαν υψηλή προγνωστική απόδοση. Η Λογιστική Παλινδρόμηση και το k-NN απέδωσαν τα καλύτερα αποτελέσματα, φτάνοντας σε ακρίβεια 95%, ενώ οι Random Forest και XGBoost πέτυχαν ακρίβεια 92%. Αυτά τα αποτελέσματα δείχνουν ότι ο τρόπος ζωής και τα χαρακτηριστικά που σχετίζονται με την υγεία μπορούν να συμβάλουν αποτελεσματικά στην πρόβλεψη των διαταραχών του ύπνου. Η προσέγγιση υπογραμμίζει τις δυνατότητες των τεχνικών μηχανικής μάθησης ως υποστηρικτικών εργαλείων για την έγκαιρη αναγνώριση των διαταραχών του ύπνου και την ανάλυση της επίδρασης των παραγόντων του τρόπου ζωής στην υγεία του ύπνου.