Καθημερινά στα εξωτερικά ιατρεία των νοσοκομείων μας αντιμετωπίζονται πάρα πολλά περιστατικά ελαφρών κρανιοεγκεφαλικων κακώσεων. Πολλά από αυτά ακολουθούνται από παράπονα για εμφάνιση μετατραυματικων συμπτωμάτων όπως ζαλάδες ή και μερικές φορές πιο σοβαρών, το σύνολο των οποίων αποτελούν το μεταδιασεισικό σύνδρομο. Ο συνδυασμός των κρανιοεγκεφαλικών κακώσεων και του μεταδιασεισικού συνδρόμου αποτελούν σοβαρό πρόβλημα στις σύγχρονες κοινωνίες γιατί είναι η αιτία για την επαγγελματική ανικανότητα των πασχόντων αποτελώντας έτσι σοβαρό οικονομικό αντίκτυπο. Σκοπός της παρούσας μελέτης είναι η οικοδόμηση ενός εργαλείου υποστήριξης ιατρικών αποφάσεων που θα μπορεί να εκτιμήσει ποσοτικά την πιθανότητα εμφάνισης του μεταδιασεισικού συνδρόμου σε κάποιον ασθενή με ήπια κρανιοεγκεφαλική κάκωση, στηριζόμενο σε προγνωστικούς παράγοντες που αναδείχθηκαν από δεδομένα που συγκεντρώθηκαν στις εξετάσεις που πραγματοποιούνται στα εξωτερικά ιατρεία. Υλικό-Μέθοδοι: Η μελέτη πραγματοποιήθηκε στο Πανεπιστημιακό Γενικό Νοσοκομείο Πατρών, στη Δυτική Ελλάδα. Η συλλογή των μετρήσεων έγινε στα πλαίσια διδακτορικής διατριβής της Νευροχειρουργικής Κλινικής του Τμήματος Ιατρικής Οι μετρήσεις αυτές χρησιμοποιήθηκαν στη παρούσα μελέτη για την εξαγωγή των δικών μας αποτελεσμάτων. Συνολικά καταγράφηκαν μετρήσεις από 539 ασθενείς με ήπια κρανιοεγκεφαλική κάκωση. 223 από αυτούς τους ασθενείς πληρούσαν τα κριτήρια του "Colorado Medical Society Guidelines" για τον καθορισμό της διάσεισης, με μέση ηλικία τα 30 έτη (εύρος: 18.5-57.5). Για την εξαγωγή των αποτελεσμάτων κατασκευάστηκε ένα δίκτυο πεποίθησης και εντάχθηκε στο λογισμικό Netica για την μαθηματική του ανάλυση. Συμπεράσματα: Μετά την εξεργασία των μετρήσεων πρόεκυψαν ενδιαφέροντα αποτελέσματα σχετικά με την πρόβλεψη εμφάνισης του μεταδιασεισικου συνδρόμου. Φάνηκε λοιπόν ότι δυο από τους πλέον σημαντικούς παράγοντες είναι το φύλο και το είδος του ατυχήματος εξαιτίας του οποίου υπέστη ο ασθενής την κρανιοεγκεφαλικη κάκωση. Χαρακτηριστικά μπορούμε να δούμε ότι η πιθανότητα εμφάνισης για μια γυναίκα που ενεπλακη σε αυτοκινητιστικό δυστύχημα είναι 42,7%, ενώ αντίστοιχα για έναν άντρα είναι 19,8%. Επίσης σε μια γυναίκα που δέχτηκε επίθεση η πιθανότητα είναι 37,4%, ενώ για έναν άντρα είναι 16,5%. Μέσω της χρήσης του Δικτύου Πεποίθησης μπορούμε να ξέρουμε από πριν ποιες είναι εκείνες οι μεταβλητές που με την παρουσία τους αυξάνουν ή ελαττώνουν την πιθανότητα εμφάνισης του μεταδιασεισικού συνδρόμου και να ποσοτικοποιήσουμε αυτή την επίδραση. / Outpatient departments in hospitals treat many cases of mild traumatic brain injury daily. Many of these complaints are followed by the appearance of post traumatic symptoms as dizziness or sometimes more serious, which comprise the post-concussion syndrome. The combination of craniocerebral injuries and post-concussion syndrome is a serious problem in modern societies because it is the cause of occupational disability of patients, thus constituting a serious economic impact. The purpose of this study is to combine the main prognostic factors that lead to post-concussion syndrome in an adult Greek population after a traumatic brain injury into a decision support tool that could be useful in the outpatient department. Material-Methods: The study was conducted at the University Hospital of Patras, Western Greece. The collection of the measurements which were used in this study were made in the context of a doctoral thesis of the Neurosurgery Department. Overall, 539 patients with mild head-injuries were recorded. Of these, 223 patients patients met the criteria of "Colorado Medical Society Guidelines" to determine concussion, with a mean age of 30 years (range: 18.5-57.5). Based on these data, a naïve Bayesian Network was constructed and Netica software for the mathematical analysis that followed. Results: The use of the Bayesian Network allows us to measure the impact of certain prognostic factors to the probability of occurrence of post-concussion syndrome. It was found, that two of the most important factors is the gender and the type of accident which the patient suffered a traumatic brain injury. As an example, the estimated probability to develop a post-concussion syndrome for a woman who was involved in a car accident is 42.7%, while for a man is 19.8%. Also, for a woman who was attacked, the probability is 37.4%, while for a man is 16.5%.

Με τη συνεχώς αυξανόμενη παρουσία αυτόματων συστημάτων στην καθημερινότητά μας, εισέρχεται και το βάρος της αλληλεπίδρασης με αυτά τα συστήματα εξαιτίας της έλλειψης συναισθηματικής νοημοσύνης από την πλευρά των μηχανών [1]. Η συναισθηματική πληροφορία που μεταδίδεται μέσω της ανθρώπινης ομιλίας αποτελεί σημαντικό παράγοντα στις ανθρώπινες επικοινωνίες και αλληλεπιδράσεις. Όταν οι άνθρωποι αλληλεπιδρούν με μηχανές ή υπολογιστικά συστήματα υπάρχει ένα κενό μεταξύ της πληροφορίας που μεταδίδεται και αυτής που γίνεται αντιληπτή. Η εργασία αυτή επικεντρώνεται στον τρόπο με τον οποίο ένα υπολογιστικό σύστημα μπορεί να αντιληφθεί την συναισθηματική πληροφορία που υποβόσκει στην ανθρώπινη ομιλία χρησιμοποιώντας την πληροφορία που βρίσκεται στα διάφορα γλωσσολογικά μοντέλα. Γίνεται μελέτη ενός συστήματος αναγνώρισης της συναισθηματικής κατάστασης του ομιλητή, και πιο συγκεκριμένα επικεντρωνόμαστε στην επεξεργασία ομιλίας και την εξαγωγή των κατάλληλων παραμέτρων, οι οποίες θα μπορέσουν να χαρακτηρίσουν μονοσήμαντα κάθε συναισθηματική κατάσταση. Κάνουμε επεξεργασία οπτικοακουστικού υλικού χρησιμοποιώντας διάφορα εργαλεία λογισμικού με σκοπό να αντλήσουμε αξιόπιστη γλωσσολογική πληροφορία, η οποία να είναι αντιπροσωπευτική των διαφόρων συναισθημάτων που εξετάζουμε. Συνδυάζοντας τη γλωσσολογική με την ακουστική πληροφορία καταλήγουμε σε ένα ολοκληρωμένο μοντέλο αναγνώρισης συναισθημάτων. Τα αποτελέσματά μας υποδεικνύουν το ποσοστό κατά το οποίο τα εξαγόμενα γλωσσολογικά μοντέλα μπορούν να μας προσφέρουν αξιόπιστη αναγνώριση συναισθημάτων ενός ομιλητή. / Along with the constantly increasing presence of automatic systems in our everyday lives, there comes the problem of interaction with thesse sytems because of the lack of artificial intelligence from the systems themselves. Emotion information transcripted through human language is an important factor of human interactions and conversations. When people interact with computer systems though, there is a gap between the information sent and the information perceived. This diploma thesis focuses on the way a computer system can perceive the information of emotions that underlies in human speech, by using the information found in linguistic models. We study a recognition system for the emotional state of the speaker himself and specifically we focus on the speech recognition and its parameters, which could uniquely identify every emotional state. We edit some video samples using the appropriate software in order to draw credible linguistic information, which is representative of the examined emotions. By combining the linguistic information with the aural information, we can reach a state where we can have a complete speech recognition system. The results of our work present the percentage at which these models can provide acceptable emotional recognition of a speaker.

Η Β-χρόνια Λεμφογενής Λευχαιμία (Β-ΧΛΛ) αποτελεί τον πιο κοινό τύπο λευχαιμίας στο Δυτικό κόσμο. Η πρόγνωσή της θεωρείται ως ένα από τα πιο ενδιαφέροντα προβλήματα απόφασης στην κλινική έρευνα και πρακτική. Για διάφορους κλινικούς και εργαστηριακούς δείκτες είναι γνωστό ότι σχετίζονται με την εξέλιξη της νόσου. Για τις παραμέτρους, όμως, που εξάγονται με ανάλυση κυτταρομετρίας ροής, οι οποίες αποτελούν τον ακρογωνιαίο λίθο της διαδικασίας διάγνωσης της νόσου, το αν προσφέρουν επιπρόσθετη προγνωστική πληροφορία αποτελεί ανοιχτό πρόβλημα. Στη διατριβή αυτή προτείνουμε ένα σύστημα υποβοήθησης για τις αποφάσεις των ειδικών του πεδίου, το οποίο πραγματοποιεί πολυπαραμετρική πρόγνωση ασθενών με Β-ΧΛΛ, συνδυάζοντας τη χρήση ποικίλων ετερογενών προγνωστικών δεικτών (κλινικών, εργαστηριακών και κυτταρομετρίας ροής) που σχετίζονται με τη νόσο. Η διάγνωση της Β-ΧΛΛ βασίζεται κυρίως στη μελέτη του αντιγονικού φαινότυπου των κυττάρων των ασθενών, η οποία διενεργείται με κυτταρομετρία ροής. Αν και η διαδικασία που ακολουθείται κατά την ανάλυση αυτή είναι σαφώς ορισμένη, ο τρόπος με τον οποίο οι εργαστηριακοί υπεύθυνοι την πραγματοποιούν παραδοσιακά χαρακτηρίζεται από ανακρίβεια και υποκειμενικότητα. Καθώς η τεχνολογία της κυτταρομετρίας ροής εξελίσσεται ραγδαία, γίνεται όλο και πιο επιτακτική η ανάγκη για την ανάπτυξη αυτοματοποιημένων μεθόδων ανάλυσης των δεδομένων που παράγει. Σε αυτά τα πλαίσια, παρουσιάζουμε ένα χρήσιμο παράδειγμα αυτοματοποιημένης ανάλυσης κυτταρομετρικών δεδομένων, η οποία δεν απαιτεί την άμεση επίβλεψη των ειδικών, για τη διάγνωση ασθενών με Β-ΧΛΛ. Οι τιμές των χαρακτηριστικών παραμέτρων που εξάγονται με εφαρμογή της προτεινόμενης μεθοδολογίας, ενσωματώνονται κατόπιν στο προαναφερθέν προγνωστικό σύστημα. Ανάγοντας το πρόβλημα της πρόγνωσης της Β-ΧΛΛ σε ένα στιγμιότυπο ταξινόμησης προτύπων, καθώς και προσομοιώνοντας κάθε ένα από τα βήματα της διαδικασίας της διάγνωσης της νόσου με ένα στιγμιότυπο συσταδοποίησης δεδομένων, αντιμετωπίσαμε τα δύο προβλήματα εφαρμόζοντας τεχνικές στατιστικής μάθησης. Εστιάσαμε σε μεθοδολογίες δικτύων πεποίθησης, χρησιμοποιώντας συγκεκριμένα το naïve-Bayes μοντέλο και για τις δύο περιπτώσεις, στην επιβλεπόμενη και στη μη επιβλεπόμενη εκδοχή του, αντίστοιχα. Τα χαρακτηριστικά και η φύση των δεδομένων (κυρίως των κυτταρομετρικών) που παράγονται από έναν παθολογικό υποκείμενο μηχανισμό, όπως αυτός της νόσου, δεν ευνοούν την απευθείας εφαρμογή του παραπάνω μοντέλου στο εκάστοτε στιγμιότυπο. Για το λόγο αυτό, συνδυάσαμε την εφαρμογή του naïve-Bayes μοντέλου με κατάλληλες ευρετικές αλγοριθμικές διαδικασίες, για την επίτευξη καλύτερων αποτελεσμάτων, με κριτήριο βέλτιστου όχι μόνο κάποιες συχνά χρησιμοποιούμενες μετρικές αποτίμησης αλγόριθμων, αλλά και τη γνώμη των αιματολόγων. Χάρη στην ιδιότητά τους να ενσωματώνουν την έμπειρη γνώση των ειδικών ως εκ των προτέρων πληροφορία αρχικοποίησης των μεθόδων μάθησής τους, οι Bayesian μεθοδολογίες κρίνονται ως οι πλέον κατάλληλες για την εφαρμογή τους σε τέτοιου τύπου προβλήματα. / B-Chronic Lymphocytic Leukemia (B-CLL) is known to be the most common type of leukemia in the Western world. Its prognosis remains one of the most interesting decision problems in clinical research and practice. Various clinical and laboratory factors are known to be associated with the evolution of the disease. However, for the parameters obtained by flow cytometry analysis, that are traditionally utilized as the cornerstone during the diagnosis procedure of the disease, whether they offer additional prognostic information is an open issue. In this dissertation, we propose a decision support system to the hematologists, that provides multiparametric B-CLL patients’ prognosis, combining the usage of diverse heterogeneous factors (clinical, laboratory and flow cytometry) associated with the disease. B-CLL diagnosis is primarily derived from the study of the antigenic phenotype of the patients’ blood cells, which is held with flow cytometry analysis. Despite the fact that the method of the analysis is well defined, the process traditionally followed by the laboratory experts is characterized by amounts of inexactness and subjectivity. As flow cytometry technology advances rapidly, the need for adequate automated (computer-assisted) analysis methodologies on the data it produces is accordingly increasing. In this context, we present a useful paradigm of automated analysis of flow cytometry data, that does not require the direct supervision of the expert, for B-CLL patients’ diagnosis. The values of the flow cytometry characteristic parameters extracted by applying the proposed methodology are afterward incorporated to the prognostic system for B-CLL mentioned above. By reducing the B-CLL prognosis problem to an instance of the pattern classification problem, as well as by simulating each step of the B-CLL diagnosis procedure with an instance of the data classification problem, we proceeded with applying statistical learning techniques. We focused on Bayesian network methodologies and utilized the naïve-Bayes model for both cases, in its supervised and unsupervised version, respectively. The characteristics of the data (especially of the flow cytometry ones) generated by a pathological underlying mechanism, like the disease’s one, did not encourage the direct use of the above model. Therefore, we combined the naïve-Bayes model with a set of suitable heuristic algorithmic procedures to obtain better results, not only with respect to some commonly used algorithmic optimality metrics, but also by considering the experts’ opinion. Due to their ability of incorporating the expert knowledge as a priori initial information to their learning methods, Bayesian methodologies are considered as the most appropriate ones to make use of in such types of applications.