{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3245315"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3245315","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"«Εφαρμογή αλγορίθμων Νευρωνικών Δικτύων σε βιοϊατρικά δεδομένα»","abstract":"Η παρούσα εργασία αποσκοπεί στην εφαρμογή των τεχνικών της Μηχανικής και Βαθιάς Μάθησης πάνω στα βιοϊατρικά δεδομένα της επιδημιολογική μελέτης HELIAD για τις νευροψυχιατρικές διαταραχές στη τρίτη ηλικία. Για το σκοπό αυτό αξιοποιήθηκαν οι σύγχρονοι αλγόριθμοι Νευρωνικών Δικτύων που παρέχονται από τις ιδιαίτερα ανεπτυγμένες και εκλεπτυσμένες βιβλιοθήκες της Keras και του TensorFlow, και βέβαια του διόλου αμελητέου scikit-learn. Επιχειρήθηκε η ανάπτυξη Τεχνητών Νευρωνικών Δικτύων Πρόσθιας τροφοδότησης για την πολυμεταβλητή ταξινόμηση δύο μεταβλητών, της G1 για το βαθμό της απώλειας μνήμης με μια κλίμακα από πέντε πιθανές κλάσεις, και της G21, για την κλινική διάγνωση της άνοιας, με τρεις κλάσεις. Στο γενικότερο πλαίσιο των αλγορίθμων Νευρωνικών Δικτύων δοκιμάστηκαν οι Autoencoders και ο μη επιτηρούμενος αλγόριθμος συσταδοποίησης SOM, ο οποίος κατατάσσεται κατά γενική ομολογία στους αλγόριθμους αυτούς. Το σύνολο από τα πρωτογενή δεδομένα της HELIAD είχε δύο βασικά μειονεκτήματα, ένα μεγάλο αριθμό ελλιπών τιμών, και πολύ υψηλές διαστάσεις αναλογικά με το σύνολο των καταχωρήσεων. Προς επίλυση των προβλημάτων αυτών, εφαρμόστηκε μια μεθοδολογία εργασίας η οποία περιλάμβανε μαζί με την εκπαίδευση, δύο διαφορετικές στρατηγικές προεπεξεργασίας , κυρίως για τη συμπλήρωση των ελλιπών τιμών, ενώ ταυτόχρονα αναζητούσε μέσω Grid Search τις καλύτερες υπερπαραμέτρους για τη μοντελοποίηση. Όσον αφορά τη μείωση των διαστάσεων, αρχικά αφαιρέθηκαν κάποιες μεταβλητές χειρωνακτικά, μετά από προσεκτική μελέτη του συνόλου δεδομένων, ενώ αναπτύχθηκαν και οι Autoencoders ως μέσο κωδικοποίησης των πιο σημαντικών μεταβλητών. Για την ταξινόμηση σε κλάσεις κάθε μεταβλητής δοκιμάστηκαν αρκετά μοντέλα με διαφορετικές υπερπαμέτρους και αρχιτεκτονικές έως ότου βρεθούν εκείνα που είχαν την καλύτερη ακρίβεια πρόβλεψης. Τα τελικά μοντέλα επιλέχθηκαν όχι μόνο βάσει της αποτελεσματικότητάς τους αλλά συνολικά για τη βέλτιστη μεθοδολογία εργασίας μαζί με τα βήματα προεπεξεργασίας του συνόλου δεδομένων.","abstract_html":"Η παρούσα εργασία αποσκοπεί στην εφαρμογή των τεχνικών της Μηχανικής και Βαθιάς Μάθησης πάνω στα βιοϊατρικά δεδομένα της επιδημιολογική μελέτης HELIAD για τις νευροψυχιατρικές διαταραχές στη τρίτη ηλικία. Για το σκοπό αυτό αξιοποιήθηκαν οι σύγχρονοι αλγόριθμοι Νευρωνικών Δικτύων που παρέχονται από τις ιδιαίτερα ανεπτυγμένες και εκλεπτυσμένες βιβλιοθήκες της Keras και του TensorFlow, και βέβαια του διόλου αμελητέου scikit-learn. Επιχειρήθηκε η ανάπτυξη Τεχνητών Νευρωνικών Δικτύων Πρόσθιας τροφοδότησης για την πολυμεταβλητή ταξινόμηση δύο μεταβλητών, της G1 για το βαθμό της απώλειας μνήμης με μια κλίμακα από πέντε πιθανές κλάσεις, και της G21, για την κλινική διάγνωση της άνοιας, με τρεις κλάσεις. Στο γενικότερο πλαίσιο των αλγορίθμων Νευρωνικών Δικτύων δοκιμάστηκαν οι Autoencoders και ο μη επιτηρούμενος αλγόριθμος συσταδοποίησης SOM, ο οποίος κατατάσσεται κατά γενική ομολογία στους αλγόριθμους αυτούς. Το σύνολο από τα πρωτογενή δεδομένα της HELIAD είχε δύο βασικά μειονεκτήματα, ένα μεγάλο αριθμό ελλιπών τιμών, και πολύ υψηλές διαστάσεις αναλογικά με το σύνολο των καταχωρήσεων. Προς επίλυση των προβλημάτων αυτών, εφαρμόστηκε μια μεθοδολογία εργασίας η οποία περιλάμβανε μαζί με την εκπαίδευση, δύο διαφορετικές στρατηγικές προεπεξεργασίας , κυρίως για τη συμπλήρωση των ελλιπών τιμών, ενώ ταυτόχρονα αναζητούσε μέσω Grid Search τις καλύτερες υπερπαραμέτρους για τη μοντελοποίηση. Όσον αφορά τη μείωση των διαστάσεων, αρχικά αφαιρέθηκαν κάποιες μεταβλητές χειρωνακτικά, μετά από προσεκτική μελέτη του συνόλου δεδομένων, ενώ αναπτύχθηκαν και οι Autoencoders ως μέσο κωδικοποίησης των πιο σημαντικών μεταβλητών. Για την ταξινόμηση σε κλάσεις κάθε μεταβλητής δοκιμάστηκαν αρκετά μοντέλα με διαφορετικές υπερπαμέτρους και αρχιτεκτονικές έως ότου βρεθούν εκείνα που είχαν την καλύτερη ακρίβεια πρόβλεψης. Τα τελικά μοντέλα επιλέχθηκαν όχι μόνο βάσει της αποτελεσματικότητάς τους αλλά συνολικά για τη βέλτιστη μεθοδολογία εργασίας μαζί με τα βήματα προεπεξεργασίας του συνόλου δεδομένων.","abstract_has_math":false,"creators":["Κάνε Ρεντιόνα","Kane Rediona"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2022,"date_issued":"2022","date_published":"2022","updated_at":"2026-11-19T06:20:07Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3245315"],"render_values":[{"text":"uoadl:3245315","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3245315","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3245315","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A3245315","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Κάνε Ρεντιόνα","Kane Rediona"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2022"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Θετικές Επιστήμες","Science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3245315","https://pergamos.lib.uoa.gr/uoa/dl/object/3245315"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η παρούσα εργασία αποσκοπεί στην εφαρμογή των τεχνικών της Μηχανικής και Βαθιάς Μάθησης πάνω στα βιοϊατρικά δεδομένα της επιδημιολογική μελέτης HELIAD για τις νευροψυχιατρικές διαταραχές στη τρίτη ηλικία. Για το σκοπό αυτό αξιοποιήθηκαν οι σύγχρονοι αλγόριθμοι Νευρωνικών Δικτύων που παρέχονται από τις ιδιαίτερα ανεπτυγμένες και εκλεπτυσμένες βιβλιοθήκες της Keras και του TensorFlow, και βέβαια του διόλου αμελητέου scikit-learn. Επιχειρήθηκε η ανάπτυξη Τεχνητών Νευρωνικών Δικτύων Πρόσθιας τροφοδότησης για την πολυμεταβλητή ταξινόμηση δύο μεταβλητών, της G1 για το βαθμό της απώλειας μνήμης με μια κλίμακα από πέντε πιθανές κλάσεις, και της G21, για την κλινική διάγνωση της άνοιας, με τρεις κλάσεις. Στο γενικότερο πλαίσιο των αλγορίθμων Νευρωνικών Δικτύων δοκιμάστηκαν οι Autoencoders και ο μη επιτηρούμενος αλγόριθμος συσταδοποίησης SOM, ο οποίος κατατάσσεται κατά γενική ομολογία στους αλγόριθμους αυτούς. Το σύνολο από τα πρωτογενή δεδομένα της HELIAD είχε δύο βασικά μειονεκτήματα, ένα μεγάλο αριθμό ελλιπών τιμών, και πολύ υψηλές διαστάσεις αναλογικά με το σύνολο των καταχωρήσεων. Προς επίλυση των προβλημάτων αυτών, εφαρμόστηκε μια μεθοδολογία εργασίας η οποία περιλάμβανε μαζί με την εκπαίδευση, δύο διαφορετικές στρατηγικές προεπεξεργασίας , κυρίως για τη συμπλήρωση των ελλιπών τιμών, ενώ ταυτόχρονα αναζητούσε μέσω Grid Search τις καλύτερες υπερπαραμέτρους για τη μοντελοποίηση. Όσον αφορά τη μείωση των διαστάσεων, αρχικά αφαιρέθηκαν κάποιες μεταβλητές χειρωνακτικά, μετά από προσεκτική μελέτη του συνόλου δεδομένων, ενώ αναπτύχθηκαν και οι Autoencoders ως μέσο κωδικοποίησης των πιο σημαντικών μεταβλητών. Για την ταξινόμηση σε κλάσεις κάθε μεταβλητής δοκιμάστηκαν αρκετά μοντέλα με διαφορετικές υπερπαμέτρους και αρχιτεκτονικές έως ότου βρεθούν εκείνα που είχαν την καλύτερη ακρίβεια πρόβλεψης. Τα τελικά μοντέλα επιλέχθηκαν όχι μόνο βάσει της αποτελεσματικότητάς τους αλλά συνολικά για τη βέλτιστη μεθοδολογία εργασίας μαζί με τα βήματα προεπεξεργασίας του συνόλου δεδομένων.","The aim of this present thesis is to apply Machine Learning and Deep Learning techniques on the biomedical data derived from the HELIAD epidemiologic study, referring to neuropsychiatric disorders in the third age. To accomplish that, Neural Network algorithms were utilized, provided by the refined Keras and TensorFlow APIs, as well as the highly efficient scikit-learn library . The application of Feedforward Neural Networks was proposed for the multiclass classification of two distinct variables; variable G1 referring to the varying severity of memory loss with 5 classes, and variable G21 for the classification of participants with a clinical diagnoses of dementia, comprising of 3 classes. Autoencoders which are traditionally considered as Neural Networks models were also implemented, as well as the SOM clustering algorithm, which falls into unsupervised training methods. The HELIAD raw data had two main drawbacks, which were the ample amount of missing values, and the high dimensionality of features, especially considering the rather limited number of participants. In an effort to tackle these problems, the proposed workflow attempts to incorporate two distinct preprocessing strategies, consisting mainly of two imputation techniques, and hyper-parameter tuning via Grid Search implementation. As far as dimensionality reduction is concerned, some features were manually removed following meticulous inspection, while Autoencoders were additionaly developed as a means to distinguish the most important and informative feaures. Many models were exhaustively examined, investigating different hyperparameters and architectures, in order to achieve the most reasonable performance. The best fitted models were selected not only on the basis of their classification efficiency, but on the overall optimal methodology comprising of the necessary pre-processing steps."]},{"key":"dc:title","label":"Title","values":["«Εφαρμογή αλγορίθμων Νευρωνικών Δικτύων σε βιοϊατρικά δεδομένα»"]}]}],"canonical_facts":{"dc:creator":["Κάνε Ρεντιόνα","Kane Rediona"],"dc:date":["2022"],"dc:description":["Η παρούσα εργασία αποσκοπεί στην εφαρμογή των τεχνικών της Μηχανικής και Βαθιάς Μάθησης πάνω στα βιοϊατρικά δεδομένα της επιδημιολογική μελέτης HELIAD για τις νευροψυχιατρικές διαταραχές στη τρίτη ηλικία. Για το σκοπό αυτό αξιοποιήθηκαν οι σύγχρονοι αλγόριθμοι Νευρωνικών Δικτύων που παρέχονται από τις ιδιαίτερα ανεπτυγμένες και εκλεπτυσμένες βιβλιοθήκες της Keras και του TensorFlow, και βέβαια του διόλου αμελητέου scikit-learn. Επιχειρήθηκε η ανάπτυξη Τεχνητών Νευρωνικών Δικτύων Πρόσθιας τροφοδότησης για την πολυμεταβλητή ταξινόμηση δύο μεταβλητών, της G1 για το βαθμό της απώλειας μνήμης με μια κλίμακα από πέντε πιθανές κλάσεις, και της G21, για την κλινική διάγνωση της άνοιας, με τρεις κλάσεις. Στο γενικότερο πλαίσιο των αλγορίθμων Νευρωνικών Δικτύων δοκιμάστηκαν οι Autoencoders και ο μη επιτηρούμενος αλγόριθμος συσταδοποίησης SOM, ο οποίος κατατάσσεται κατά γενική ομολογία στους αλγόριθμους αυτούς. Το σύνολο από τα πρωτογενή δεδομένα της HELIAD είχε δύο βασικά μειονεκτήματα, ένα μεγάλο αριθμό ελλιπών τιμών, και πολύ υψηλές διαστάσεις αναλογικά με το σύνολο των καταχωρήσεων. Προς επίλυση των προβλημάτων αυτών, εφαρμόστηκε μια μεθοδολογία εργασίας η οποία περιλάμβανε μαζί με την εκπαίδευση, δύο διαφορετικές στρατηγικές προεπεξεργασίας , κυρίως για τη συμπλήρωση των ελλιπών τιμών, ενώ ταυτόχρονα αναζητούσε μέσω Grid Search τις καλύτερες υπερπαραμέτρους για τη μοντελοποίηση. Όσον αφορά τη μείωση των διαστάσεων, αρχικά αφαιρέθηκαν κάποιες μεταβλητές χειρωνακτικά, μετά από προσεκτική μελέτη του συνόλου δεδομένων, ενώ αναπτύχθηκαν και οι Autoencoders ως μέσο κωδικοποίησης των πιο σημαντικών μεταβλητών. Για την ταξινόμηση σε κλάσεις κάθε μεταβλητής δοκιμάστηκαν αρκετά μοντέλα με διαφορετικές υπερπαμέτρους και αρχιτεκτονικές έως ότου βρεθούν εκείνα που είχαν την καλύτερη ακρίβεια πρόβλεψης. Τα τελικά μοντέλα επιλέχθηκαν όχι μόνο βάσει της αποτελεσματικότητάς τους αλλά συνολικά για τη βέλτιστη μεθοδολογία εργασίας μαζί με τα βήματα προεπεξεργασίας του συνόλου δεδομένων.","The aim of this present thesis is to apply Machine Learning and Deep Learning techniques on the biomedical data derived from the HELIAD epidemiologic study, referring to neuropsychiatric disorders in the third age. To accomplish that, Neural Network algorithms were utilized, provided by the refined Keras and TensorFlow APIs, as well as the highly efficient scikit-learn library . The application of Feedforward Neural Networks was proposed for the multiclass classification of two distinct variables; variable G1 referring to the varying severity of memory loss with 5 classes, and variable G21 for the classification of participants with a clinical diagnoses of dementia, comprising of 3 classes. Autoencoders which are traditionally considered as Neural Networks models were also implemented, as well as the SOM clustering algorithm, which falls into unsupervised training methods. The HELIAD raw data had two main drawbacks, which were the ample amount of missing values, and the high dimensionality of features, especially considering the rather limited number of participants. In an effort to tackle these problems, the proposed workflow attempts to incorporate two distinct preprocessing strategies, consisting mainly of two imputation techniques, and hyper-parameter tuning via Grid Search implementation. As far as dimensionality reduction is concerned, some features were manually removed following meticulous inspection, while Autoencoders were additionaly developed as a means to distinguish the most important and informative feaures. Many models were exhaustively examined, investigating different hyperparameters and architectures, in order to achieve the most reasonable performance. The best fitted models were selected not only on the basis of their classification efficiency, but on the overall optimal methodology comprising of the necessary pre-processing steps."],"dc:identifier":["uoadl:3245315","https://pergamos.lib.uoa.gr/uoa/dl/object/3245315"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["«Εφαρμογή αλγορίθμων Νευρωνικών Δικτύων σε βιοϊατρικά δεδομένα»"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:20:07Z"}