Σύγχρονες μέθοδοι μηχανικής μάθησης για την πρόβλεψη διαταραχών ύπνου
| dc.contributor.advisor | Σωτηρόπουλος, Διονύσιος | |
| dc.contributor.author | Χοχορέλος, Ανδρέας | |
| dc.date.accessioned | 2026-03-17T07:19:23Z | |
| dc.date.available | 2026-03-17T07:19:23Z | |
| dc.date.issued | 2026-02 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/19013 | |
| dc.description.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. | el |
| dc.format.extent | 52 | 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 | Σύγχρονες μέθοδοι μηχανικής μάθησης για την πρόβλεψη διαταραχών ύπνου | el |
| dc.title.alternative | Modern machine learning methods for the prediction of sleep disorders | el |
| dc.type | Bachelor Dissertation | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής | el |
| dc.description.abstractEN | Sleep disorders constitute a significant public health issue, as they affect both physical and mental well-being and are strongly associated with lifestyle and health-related factors. The objective of this study is to investigate the relationship between sleep disorders and lifestyle characteristics and to evaluate the performance of machine learning algorithms in predicting the presence of sleep disorders. For this purpose, the Sleep Health and Lifestyle Dataset was utilized, containing demographic, physiological and behavioral features such as sleep duration, stress level, body mass index (BMI), physical activity, blood pressure and occupation. After appropriate data preprocessing and exploratory data analysis, several classification algorithms were implemented, namely Logistic Regression, k-Nearest Neighbors (k-NN), Random Forest and XGBoost. The models were evaluated using weighted average performance metrics, including Accuracy, Precision, Recall and F1-score. The experimental results demonstrated that all classifiers achieved high predictive performance. Logistic Regression and k-NN yielded the best results, reaching an accuracy of 95%, while Random Forest and XGBoost achieved an accuracy of 92%. These findings indicate that lifestyle and health-related features can effectively contribute to the prediction of sleep disorders. In conclusion, the proposed approach highlights the potential of machine learning techniques as supportive tools for the early identification of sleep disorders and the analysis of the impact of lifestyle factors on sleep health. | el |
| dc.subject.keyword | Διαταραχές ύπνου | el |
| dc.subject.keyword | Παράγοντες τρόπου ζωής | el |
| dc.subject.keyword | Μηχανική μάθηση | el |
| dc.subject.keyword | Προγνωστική μοντελοποίηση | el |
| dc.subject.keyword | Δείκτες υγείας | el |
| dc.subject.keyword | Αλγόριθμοι ταξινόμησης | el |
| dc.date.defense | 2026-02-20 |
Files in this item
This item appears in the following Collection(s)
Except where otherwise noted, this item's license is described as
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα