{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3366009"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3366009","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Leveraging the Matrix Profile for Real-Time Atrial Fibrillation Detection","abstract":"Η κολπική μαρμαρυγή είναι ένας τύπος καρδιακής αρρυθμίας, η οποία χαρακτηρίζεται από έναν ακανόνιστο και συχνά γρήγορο καρδιακό ρυθμό που μπορεί να οδηγήσει σε κακή ροή του αίματος στο σώμα. Οι κύριες τρέχουσες λύσεις για την ανίχνευση της κολπικής μαρμαρυγής περιλαμβάνουν, α) το Ηλεκτροκαρδιογράφημα (ΗΚΓ); β) τις συσκευές Holter; γ) τις Οθόνες Συμβάντων και δ) τα Έξυπνα ρολόγια (smartwatches) καθώς επίσης και άλλες φορητές συσκευές. Ενώ λοιπόν, τα έξυπνα ρολόγια και οι άλλες φορητές έξυπνες συσκευές κερδίζουν συνεχώς δημοτικότητα όσον αφορά την ανίχνευση αρρυθμίας, λόγω της ευκολίας χρήσης και πρόσβασής τους, τα αποτελέσματά τους δεν είναι τόσο ακριβή όσο των άλλων μεθόδων. Η παρούσα εργασία στοχεύει να αυξήσει την ακρίβεια των έξυπνων ρολογιών για τον εντοπισμό της κολπικής μαρμαρυγής εξετάζοντας την περίπτωση χρήσης ως πρόβλημα ανίχνευσης ανωμαλιών χρονοσειράς. Προσπαθούμε να παρέχουμε μια γρήγορη και ακριβή λύση χρησιμοποιώντας μια τροποποιημένη έκδοση του αλγόριθμου Προφίλ Πίνακα (Matrix Profile), προκειμένου να ανιχνεύσουμε ανωμαλίες χρονοσειρών σε πολλαπλές ροές δεδομένων γρήγορης άφιξης. Για να βελτιώσουμε την ακρίβεια του αλγορίθμου μας, τροποποιούμε το Προφίλ Πίνακα (Matrix Profile) της χρονοσειράς, χρησιμοποιώντας ένα επισημειωμένο διάνυσμα (Annotation Vector) που δημιουργείται απευθείας με βάση έναν αλγόριθμο που παρέχεται από έναν εξειδικευμένο ιατρό καρδιολόγο. Αξιολογήσαμε τα αποτελέσματά μας σε ένα ανοιχτό σύνολο δεδομένων, με πραγματικά δεδομένα που προέρχονταν από καταγραφή συσκευής Holter έχοντας ετικέτες σχολιασμού κολπικής μαρμαρυγής και τα οποία δεδομένα μετασχηματίσαμε για να μιμηθούν τα εισερχόμενα δεδομένα ροής από ένα έξυπνο ρολόι. Η πειραματική αξιολόγηση οδήγησε στο συμπέρασμα ότι η οδηγούμενη μέθοδος εύρεσης που χρησιμοποιήσαμε, ξεπερνάει σε όλες τις μετρικές την απλή μέθοδο του Προφίλ Πίνακα καθώς και μια από τις καλύτερες μεθόδους Μηχανικής Μάθησης.","abstract_html":"Η κολπική μαρμαρυγή είναι ένας τύπος καρδιακής αρρυθμίας, η οποία χαρακτηρίζεται από έναν ακανόνιστο και συχνά γρήγορο καρδιακό ρυθμό που μπορεί να οδηγήσει σε κακή ροή του αίματος στο σώμα. Οι κύριες τρέχουσες λύσεις για την ανίχνευση της κολπικής μαρμαρυγής περιλαμβάνουν, α) το Ηλεκτροκαρδιογράφημα (ΗΚΓ); β) τις συσκευές Holter; γ) τις Οθόνες Συμβάντων και δ) τα Έξυπνα ρολόγια (smartwatches) καθώς επίσης και άλλες φορητές συσκευές. Ενώ λοιπόν, τα έξυπνα ρολόγια και οι άλλες φορητές έξυπνες συσκευές κερδίζουν συνεχώς δημοτικότητα όσον αφορά την ανίχνευση αρρυθμίας, λόγω της ευκολίας χρήσης και πρόσβασής τους, τα αποτελέσματά τους δεν είναι τόσο ακριβή όσο των άλλων μεθόδων. Η παρούσα εργασία στοχεύει να αυξήσει την ακρίβεια των έξυπνων ρολογιών για τον εντοπισμό της κολπικής μαρμαρυγής εξετάζοντας την περίπτωση χρήσης ως πρόβλημα ανίχνευσης ανωμαλιών χρονοσειράς. Προσπαθούμε να παρέχουμε μια γρήγορη και ακριβή λύση χρησιμοποιώντας μια τροποποιημένη έκδοση του αλγόριθμου Προφίλ Πίνακα (Matrix Profile), προκειμένου να ανιχνεύσουμε ανωμαλίες χρονοσειρών σε πολλαπλές ροές δεδομένων γρήγορης άφιξης. Για να βελτιώσουμε την ακρίβεια του αλγορίθμου μας, τροποποιούμε το Προφίλ Πίνακα (Matrix Profile) της χρονοσειράς, χρησιμοποιώντας ένα επισημειωμένο διάνυσμα (Annotation Vector) που δημιουργείται απευθείας με βάση έναν αλγόριθμο που παρέχεται από έναν εξειδικευμένο ιατρό καρδιολόγο. Αξιολογήσαμε τα αποτελέσματά μας σε ένα ανοιχτό σύνολο δεδομένων, με πραγματικά δεδομένα που προέρχονταν από καταγραφή συσκευής Holter έχοντας ετικέτες σχολιασμού κολπικής μαρμαρυγής και τα οποία δεδομένα μετασχηματίσαμε για να μιμηθούν τα εισερχόμενα δεδομένα ροής από ένα έξυπνο ρολόι. Η πειραματική αξιολόγηση οδήγησε στο συμπέρασμα ότι η οδηγούμενη μέθοδος εύρεσης που χρησιμοποιήσαμε, ξεπερνάει σε όλες τις μετρικές την απλή μέθοδο του Προφίλ Πίνακα καθώς και μια από τις καλύτερες μεθόδους Μηχανικής Μάθησης.","abstract_has_math":false,"creators":["Μακρυγιάννης Θωμάς","Σταματόπουλος Βασίλειος","Makrygiannis Thomas","Stamatopoulos Vasilios"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2023,"date_issued":"2023","date_published":"2023","updated_at":"2026-11-19T06:27:01Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3366009"],"render_values":[{"text":"uoadl:3366009","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3366009","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3366009","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%3A3366009","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Μακρυγιάννης Θωμάς","Σταματόπουλος Βασίλειος","Makrygiannis Thomas","Stamatopoulos Vasilios"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2023"]},{"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":["Τεχνολογία – Πληροφορική","Technology - Computer science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3366009","https://pergamos.lib.uoa.gr/uoa/dl/object/3366009"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η κολπική μαρμαρυγή είναι ένας τύπος καρδιακής αρρυθμίας, η οποία χαρακτηρίζεται από έναν ακανόνιστο και συχνά γρήγορο καρδιακό ρυθμό που μπορεί να οδηγήσει σε κακή ροή του αίματος στο σώμα. Οι κύριες τρέχουσες λύσεις για την ανίχνευση της κολπικής μαρμαρυγής περιλαμβάνουν, α) το Ηλεκτροκαρδιογράφημα (ΗΚΓ); β) τις συσκευές Holter; γ) τις Οθόνες Συμβάντων και δ) τα Έξυπνα ρολόγια (smartwatches) καθώς επίσης και άλλες φορητές συσκευές. Ενώ λοιπόν, τα έξυπνα ρολόγια και οι άλλες φορητές έξυπνες συσκευές κερδίζουν συνεχώς δημοτικότητα όσον αφορά την ανίχνευση αρρυθμίας, λόγω της ευκολίας χρήσης και πρόσβασής τους, τα αποτελέσματά τους δεν είναι τόσο ακριβή όσο των άλλων μεθόδων. Η παρούσα εργασία στοχεύει να αυξήσει την ακρίβεια των έξυπνων ρολογιών για τον εντοπισμό της κολπικής μαρμαρυγής εξετάζοντας την περίπτωση χρήσης ως πρόβλημα ανίχνευσης ανωμαλιών χρονοσειράς. Προσπαθούμε να παρέχουμε μια γρήγορη και ακριβή λύση χρησιμοποιώντας μια τροποποιημένη έκδοση του αλγόριθμου Προφίλ Πίνακα (Matrix Profile), προκειμένου να ανιχνεύσουμε ανωμαλίες χρονοσειρών σε πολλαπλές ροές δεδομένων γρήγορης άφιξης. Για να βελτιώσουμε την ακρίβεια του αλγορίθμου μας, τροποποιούμε το Προφίλ Πίνακα (Matrix Profile) της χρονοσειράς, χρησιμοποιώντας ένα επισημειωμένο διάνυσμα (Annotation Vector) που δημιουργείται απευθείας με βάση έναν αλγόριθμο που παρέχεται από έναν εξειδικευμένο ιατρό καρδιολόγο. Αξιολογήσαμε τα αποτελέσματά μας σε ένα ανοιχτό σύνολο δεδομένων, με πραγματικά δεδομένα που προέρχονταν από καταγραφή συσκευής Holter έχοντας ετικέτες σχολιασμού κολπικής μαρμαρυγής και τα οποία δεδομένα μετασχηματίσαμε για να μιμηθούν τα εισερχόμενα δεδομένα ροής από ένα έξυπνο ρολόι. Η πειραματική αξιολόγηση οδήγησε στο συμπέρασμα ότι η οδηγούμενη μέθοδος εύρεσης που χρησιμοποιήσαμε, ξεπερνάει σε όλες τις μετρικές την απλή μέθοδο του Προφίλ Πίνακα καθώς και μια από τις καλύτερες μεθόδους Μηχανικής Μάθησης.","Atrial fibrillation (AF) is a type of cardiac arrhythmia, which is characterized by an irregular and often rapid heart rate (HR) that can lead to poor blood flow to the body. Current solutions for detecting AF include, a) Electrocardiograms (ECG or EKG); b) Holter monitors; c) Event monitors and d) Smartwatches and other wearable devices. While smartwatches and other wearable smart devices have been gaining popularity with regards to arrhythmia detection due to their ease of use and access, their results are not as accurate as the other methods. This work aims to increase the accuracy of smartwatch devices to detect AF by examining the use case as a time series anomaly detection problem. We try to provide a fast and accurate solution by utilizing a modified version of the Matrix Profile algorithm in order to detect time series anomalies in multiple fast arriving data streams. To improve the accuracy of our algorithm, we modify the Matrix Profile of the time series, using an Annotation Vector that is created online based on an algorithm provided by an MD. We evaluated our results on an open dataset with real AF-annotated Holter Monitor data, that we transformed in order to imitate incoming streaming data from a smartwatch. The experimental evaluation showed that our guided search method outperforms both the baseline Matrix Profile method in terms of specificity, sensitivity and recall as well as one of the state-of-the-art Machine Learning (ML) methods."]},{"key":"dc:title","label":"Title","values":["Leveraging the Matrix Profile for Real-Time Atrial Fibrillation Detection"]}]}],"canonical_facts":{"dc:creator":["Μακρυγιάννης Θωμάς","Σταματόπουλος Βασίλειος","Makrygiannis Thomas","Stamatopoulos Vasilios"],"dc:date":["2023"],"dc:description":["Η κολπική μαρμαρυγή είναι ένας τύπος καρδιακής αρρυθμίας, η οποία χαρακτηρίζεται από έναν ακανόνιστο και συχνά γρήγορο καρδιακό ρυθμό που μπορεί να οδηγήσει σε κακή ροή του αίματος στο σώμα. Οι κύριες τρέχουσες λύσεις για την ανίχνευση της κολπικής μαρμαρυγής περιλαμβάνουν, α) το Ηλεκτροκαρδιογράφημα (ΗΚΓ); β) τις συσκευές Holter; γ) τις Οθόνες Συμβάντων και δ) τα Έξυπνα ρολόγια (smartwatches) καθώς επίσης και άλλες φορητές συσκευές. Ενώ λοιπόν, τα έξυπνα ρολόγια και οι άλλες φορητές έξυπνες συσκευές κερδίζουν συνεχώς δημοτικότητα όσον αφορά την ανίχνευση αρρυθμίας, λόγω της ευκολίας χρήσης και πρόσβασής τους, τα αποτελέσματά τους δεν είναι τόσο ακριβή όσο των άλλων μεθόδων. Η παρούσα εργασία στοχεύει να αυξήσει την ακρίβεια των έξυπνων ρολογιών για τον εντοπισμό της κολπικής μαρμαρυγής εξετάζοντας την περίπτωση χρήσης ως πρόβλημα ανίχνευσης ανωμαλιών χρονοσειράς. Προσπαθούμε να παρέχουμε μια γρήγορη και ακριβή λύση χρησιμοποιώντας μια τροποποιημένη έκδοση του αλγόριθμου Προφίλ Πίνακα (Matrix Profile), προκειμένου να ανιχνεύσουμε ανωμαλίες χρονοσειρών σε πολλαπλές ροές δεδομένων γρήγορης άφιξης. Για να βελτιώσουμε την ακρίβεια του αλγορίθμου μας, τροποποιούμε το Προφίλ Πίνακα (Matrix Profile) της χρονοσειράς, χρησιμοποιώντας ένα επισημειωμένο διάνυσμα (Annotation Vector) που δημιουργείται απευθείας με βάση έναν αλγόριθμο που παρέχεται από έναν εξειδικευμένο ιατρό καρδιολόγο. Αξιολογήσαμε τα αποτελέσματά μας σε ένα ανοιχτό σύνολο δεδομένων, με πραγματικά δεδομένα που προέρχονταν από καταγραφή συσκευής Holter έχοντας ετικέτες σχολιασμού κολπικής μαρμαρυγής και τα οποία δεδομένα μετασχηματίσαμε για να μιμηθούν τα εισερχόμενα δεδομένα ροής από ένα έξυπνο ρολόι. Η πειραματική αξιολόγηση οδήγησε στο συμπέρασμα ότι η οδηγούμενη μέθοδος εύρεσης που χρησιμοποιήσαμε, ξεπερνάει σε όλες τις μετρικές την απλή μέθοδο του Προφίλ Πίνακα καθώς και μια από τις καλύτερες μεθόδους Μηχανικής Μάθησης.","Atrial fibrillation (AF) is a type of cardiac arrhythmia, which is characterized by an irregular and often rapid heart rate (HR) that can lead to poor blood flow to the body. Current solutions for detecting AF include, a) Electrocardiograms (ECG or EKG); b) Holter monitors; c) Event monitors and d) Smartwatches and other wearable devices. While smartwatches and other wearable smart devices have been gaining popularity with regards to arrhythmia detection due to their ease of use and access, their results are not as accurate as the other methods. This work aims to increase the accuracy of smartwatch devices to detect AF by examining the use case as a time series anomaly detection problem. We try to provide a fast and accurate solution by utilizing a modified version of the Matrix Profile algorithm in order to detect time series anomalies in multiple fast arriving data streams. To improve the accuracy of our algorithm, we modify the Matrix Profile of the time series, using an Annotation Vector that is created online based on an algorithm provided by an MD. We evaluated our results on an open dataset with real AF-annotated Holter Monitor data, that we transformed in order to imitate incoming streaming data from a smartwatch. The experimental evaluation showed that our guided search method outperforms both the baseline Matrix Profile method in terms of specificity, sensitivity and recall as well as one of the state-of-the-art Machine Learning (ML) methods."],"dc:identifier":["uoadl:3366009","https://pergamos.lib.uoa.gr/uoa/dl/object/3366009"],"dc:language":["English"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Leveraging the Matrix Profile for Real-Time Atrial Fibrillation Detection"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:27:01Z"}