{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3392952"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3392952","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Signal processing and machine learning pipeline to diagnose early cognitive decline","abstract":"Η πρόβλεψη πρώιμων σταδίων γνωσιακής έκπτωσης μπορεί να οδηγήσει σε περαιτέρω διαγνωστικό έλεγχο, έγκαιρη έναρξη φαρμακευτικής αγωγής και εφαρμογή στρατηγικών δευτερογενούς πρόληψης. Από την ανασκόπηση της πρόσφατης βιβλιογραφίας προκύπτει συσχέτιση συγκεκριμένων χαρακτηριστικών ακτιγραφίας με τον κίνδυνο ανάπτυξης άνοιας. Σε αυτή τη διπλωματική εργασία, αναπτύχθηκε ένα ολοκληρωμένο σύστημα ψηφιακής επεξεργασίας σήματος, εξαγωγής χαρακτηριστικών και μηχανικής μάθησης που επιτρέπει τη συστηματική ανάπτυξη και αξιολόγηση μοντέλων πρόβλεψης για μεταβλητές (endpoints) που σχετίζονται με τη γνωσιακή έκπτωση. Για τέσσερις τύπους χαρακτηριστικών που έχουν περιγραφεί στη βιβλιογραφία - παραμετρικά, μη παραμετρικά, βασισμένα στο μετασχηματισμό Fourier και βασισμένα στο μετασχηματισμό Κυματιδίων (Wavelets) - αξιολογήθηκε η απόδοση δέκα διαφορετικών αλγορίθμων μηχανικής μάθησης χρησιμοποιώντας μια διεπίπεδη διαστρωματωμένη μέθοδο επικύρωσης με διασπασμένες πτυχές (nested cross-validation) διατηρώντας τις αναλογίες των κατηγοριών σε κάθε πτυχη (stratified folds). Αποδεικνύουμε ότι η χρήση χαρακτηριστικών βασισμένων σε κυματίδια (wavelets) και μοντέλα τυχαίας ταξινόμησης δασών (Random Forests) μπορεί να προβλέψει με ευαισθησία και ειδικότητα που υπερβαίνουν το 0,8 δυαδική μεταβλητή διάγνωσης της ήπιας γνωσιακής διαταραχής (MCI) όπως αυτή καθορίζεται για κάθε ασθενή από κλινικούς γιατρούς μετά από την επίσκεψη συνυπολογίζοντας διάφορα κριτήρια. Επιπλέον, το σύστημά μας μπορεί να χρησιμοποιηθεί για να βρεθούν συνδυασμοί (τύπος χαρακτηριστικών, αλγόριθμος μηχανικής μάθησης) που να υπερβαίνουν τις απαιτήσεις που έχει ορίσει ο χρήστης (ευαισθησία, ειδικότητα) και να εξερευνήσουν το μεγάλο χώρο των πιθανών λύσεων. Οι μέθοδοί μας εφαρμόζονται σε οποιοδήποτε σύνολο δεδομένων που προκύπτει από σήματα (χρονοσειρές) ακτιγραφίας, ισορροπημένο ή μη ισορροπημένο, και σε σχέση με οποιοδήποτε τελικό σημείο (μεταβλητή) πρόβλεψης (δυαδικό ή συνεχές) που ενδιαφέρει τους γιατρούς για ερευνητικούς σκοπούς ή για την υποστήριξη κλινικών αποφάσεων. Η εργασία αυτή πραγματοποιήθηκε σε συνεργασία με την ομάδα ALBION του Αιγινήτειου Νοσοκομείου του Εθνικού και Καποδιστριακού Πανεπιστημίου, η οποία μας παρείχε το σύνολο δεδομένων που αναλύθηκε.","abstract_html":"Η πρόβλεψη πρώιμων σταδίων γνωσιακής έκπτωσης μπορεί να οδηγήσει σε περαιτέρω διαγνωστικό έλεγχο, έγκαιρη έναρξη φαρμακευτικής αγωγής και εφαρμογή στρατηγικών δευτερογενούς πρόληψης. Από την ανασκόπηση της πρόσφατης βιβλιογραφίας προκύπτει συσχέτιση συγκεκριμένων χαρακτηριστικών ακτιγραφίας με τον κίνδυνο ανάπτυξης άνοιας. Σε αυτή τη διπλωματική εργασία, αναπτύχθηκε ένα ολοκληρωμένο σύστημα ψηφιακής επεξεργασίας σήματος, εξαγωγής χαρακτηριστικών και μηχανικής μάθησης που επιτρέπει τη συστηματική ανάπτυξη και αξιολόγηση μοντέλων πρόβλεψης για μεταβλητές (endpoints) που σχετίζονται με τη γνωσιακή έκπτωση. Για τέσσερις τύπους χαρακτηριστικών που έχουν περιγραφεί στη βιβλιογραφία - παραμετρικά, μη παραμετρικά, βασισμένα στο μετασχηματισμό Fourier και βασισμένα στο μετασχηματισμό Κυματιδίων (Wavelets) - αξιολογήθηκε η απόδοση δέκα διαφορετικών αλγορίθμων μηχανικής μάθησης χρησιμοποιώντας μια διεπίπεδη διαστρωματωμένη μέθοδο επικύρωσης με διασπασμένες πτυχές (nested cross-validation) διατηρώντας τις αναλογίες των κατηγοριών σε κάθε πτυχη (stratified folds). Αποδεικνύουμε ότι η χρήση χαρακτηριστικών βασισμένων σε κυματίδια (wavelets) και μοντέλα τυχαίας ταξινόμησης δασών (Random Forests) μπορεί να προβλέψει με ευαισθησία και ειδικότητα που υπερβαίνουν το 0,8 δυαδική μεταβλητή διάγνωσης της ήπιας γνωσιακής διαταραχής (MCI) όπως αυτή καθορίζεται για κάθε ασθενή από κλινικούς γιατρούς μετά από την επίσκεψη συνυπολογίζοντας διάφορα κριτήρια. Επιπλέον, το σύστημά μας μπορεί να χρησιμοποιηθεί για να βρεθούν συνδυασμοί (τύπος χαρακτηριστικών, αλγόριθμος μηχανικής μάθησης) που να υπερβαίνουν τις απαιτήσεις που έχει ορίσει ο χρήστης (ευαισθησία, ειδικότητα) και να εξερευνήσουν το μεγάλο χώρο των πιθανών λύσεων. Οι μέθοδοί μας εφαρμόζονται σε οποιοδήποτε σύνολο δεδομένων που προκύπτει από σήματα (χρονοσειρές) ακτιγραφίας, ισορροπημένο ή μη ισορροπημένο, και σε σχέση με οποιοδήποτε τελικό σημείο (μεταβλητή) πρόβλεψης (δυαδικό ή συνεχές) που ενδιαφέρει τους γιατρούς για ερευνητικούς σκοπούς ή για την υποστήριξη κλινικών αποφάσεων. Η εργασία αυτή πραγματοποιήθηκε σε συνεργασία με την ομάδα ALBION του Αιγινήτειου Νοσοκομείου του Εθνικού και Καποδιστριακού Πανεπιστημίου, η οποία μας παρείχε το σύνολο δεδομένων που αναλύθηκε.","abstract_has_math":false,"creators":["Καρπούζης Ιωάννης","Karpouzis Ioannis"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2024,"date_issued":"2024","date_published":"2024","updated_at":"2026-11-19T06:28:53Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3392952"],"render_values":[{"text":"uoadl:3392952","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3392952","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3392952","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%3A3392952","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Καρπούζης Ιωάννης","Karpouzis Ioannis"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2024"]},{"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:3392952","https://pergamos.lib.uoa.gr/uoa/dl/object/3392952"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η πρόβλεψη πρώιμων σταδίων γνωσιακής έκπτωσης μπορεί να οδηγήσει σε περαιτέρω διαγνωστικό έλεγχο, έγκαιρη έναρξη φαρμακευτικής αγωγής και εφαρμογή στρατηγικών δευτερογενούς πρόληψης. Από την ανασκόπηση της πρόσφατης βιβλιογραφίας προκύπτει συσχέτιση συγκεκριμένων χαρακτηριστικών ακτιγραφίας με τον κίνδυνο ανάπτυξης άνοιας. Σε αυτή τη διπλωματική εργασία, αναπτύχθηκε ένα ολοκληρωμένο σύστημα ψηφιακής επεξεργασίας σήματος, εξαγωγής χαρακτηριστικών και μηχανικής μάθησης που επιτρέπει τη συστηματική ανάπτυξη και αξιολόγηση μοντέλων πρόβλεψης για μεταβλητές (endpoints) που σχετίζονται με τη γνωσιακή έκπτωση. Για τέσσερις τύπους χαρακτηριστικών που έχουν περιγραφεί στη βιβλιογραφία - παραμετρικά, μη παραμετρικά, βασισμένα στο μετασχηματισμό Fourier και βασισμένα στο μετασχηματισμό Κυματιδίων (Wavelets) - αξιολογήθηκε η απόδοση δέκα διαφορετικών αλγορίθμων μηχανικής μάθησης χρησιμοποιώντας μια διεπίπεδη διαστρωματωμένη μέθοδο επικύρωσης με διασπασμένες πτυχές (nested cross-validation) διατηρώντας τις αναλογίες των κατηγοριών σε κάθε πτυχη (stratified folds). Αποδεικνύουμε ότι η χρήση χαρακτηριστικών βασισμένων σε κυματίδια (wavelets) και μοντέλα τυχαίας ταξινόμησης δασών (Random Forests) μπορεί να προβλέψει με ευαισθησία και ειδικότητα που υπερβαίνουν το 0,8 δυαδική μεταβλητή διάγνωσης της ήπιας γνωσιακής διαταραχής (MCI) όπως αυτή καθορίζεται για κάθε ασθενή από κλινικούς γιατρούς μετά από την επίσκεψη συνυπολογίζοντας διάφορα κριτήρια. Επιπλέον, το σύστημά μας μπορεί να χρησιμοποιηθεί για να βρεθούν συνδυασμοί (τύπος χαρακτηριστικών, αλγόριθμος μηχανικής μάθησης) που να υπερβαίνουν τις απαιτήσεις που έχει ορίσει ο χρήστης (ευαισθησία, ειδικότητα) και να εξερευνήσουν το μεγάλο χώρο των πιθανών λύσεων. Οι μέθοδοί μας εφαρμόζονται σε οποιοδήποτε σύνολο δεδομένων που προκύπτει από σήματα (χρονοσειρές) ακτιγραφίας, ισορροπημένο ή μη ισορροπημένο, και σε σχέση με οποιοδήποτε τελικό σημείο (μεταβλητή) πρόβλεψης (δυαδικό ή συνεχές) που ενδιαφέρει τους γιατρούς για ερευνητικούς σκοπούς ή για την υποστήριξη κλινικών αποφάσεων. Η εργασία αυτή πραγματοποιήθηκε σε συνεργασία με την ομάδα ALBION του Αιγινήτειου Νοσοκομείου του Εθνικού και Καποδιστριακού Πανεπιστημίου, η οποία μας παρείχε το σύνολο δεδομένων που αναλύθηκε.","Predicting early stages of cognitive decline may lead to further diagnostic work up, prompt initiation of medical management, and use of preventive strategies. Recent literature relates specific sleep-wake actigraphy features with the risk of developing dementia or Alzheimer’s disease in the future. In this graduate thesis, an end-to-end signal processing, feature engineering, and machine learning pipeline was developed, allowing us to systematically build and evaluate predictive models of cognitive decline-related endpoints for different feature sets. For four different feature set families - parametric, non-parametric, Discrete Fourier Transform-based, and Discrete Wavelet Transform based - we assessed the performance of ten different machine learning algorithms using the pipeline and a stratified nested cross-validation approach. We demonstrate that using wavelet-based features and Random Forest classifiers may reach sensitivity and specificity levels exceeding 0.8 for an MCI (Minor Cognitive Impairment) early diagnosis endpoint assigned by clinicians. Moreover, our end-to-end pipeline can be used to find different (feature set, ML algorithm) combinations (pairs) that exceed (sensitivity, specificity) levels set by the user and explore the large space of possible predictive model solutions. Our methods apply to any actigraphy time series dataset, balanced or imbalanced, and any prediction endpoint of interest for research purposes or clinical decision support. This work was performed in collaboration with the ALBION project team of Aiginition Hospital, University of Athens, Greece, which provided the dataset we analyzed."]},{"key":"dc:title","label":"Title","values":["Signal processing and machine learning pipeline to diagnose early cognitive decline"]}]}],"canonical_facts":{"dc:creator":["Καρπούζης Ιωάννης","Karpouzis Ioannis"],"dc:date":["2024"],"dc:description":["Η πρόβλεψη πρώιμων σταδίων γνωσιακής έκπτωσης μπορεί να οδηγήσει σε περαιτέρω διαγνωστικό έλεγχο, έγκαιρη έναρξη φαρμακευτικής αγωγής και εφαρμογή στρατηγικών δευτερογενούς πρόληψης. Από την ανασκόπηση της πρόσφατης βιβλιογραφίας προκύπτει συσχέτιση συγκεκριμένων χαρακτηριστικών ακτιγραφίας με τον κίνδυνο ανάπτυξης άνοιας. Σε αυτή τη διπλωματική εργασία, αναπτύχθηκε ένα ολοκληρωμένο σύστημα ψηφιακής επεξεργασίας σήματος, εξαγωγής χαρακτηριστικών και μηχανικής μάθησης που επιτρέπει τη συστηματική ανάπτυξη και αξιολόγηση μοντέλων πρόβλεψης για μεταβλητές (endpoints) που σχετίζονται με τη γνωσιακή έκπτωση. Για τέσσερις τύπους χαρακτηριστικών που έχουν περιγραφεί στη βιβλιογραφία - παραμετρικά, μη παραμετρικά, βασισμένα στο μετασχηματισμό Fourier και βασισμένα στο μετασχηματισμό Κυματιδίων (Wavelets) - αξιολογήθηκε η απόδοση δέκα διαφορετικών αλγορίθμων μηχανικής μάθησης χρησιμοποιώντας μια διεπίπεδη διαστρωματωμένη μέθοδο επικύρωσης με διασπασμένες πτυχές (nested cross-validation) διατηρώντας τις αναλογίες των κατηγοριών σε κάθε πτυχη (stratified folds). Αποδεικνύουμε ότι η χρήση χαρακτηριστικών βασισμένων σε κυματίδια (wavelets) και μοντέλα τυχαίας ταξινόμησης δασών (Random Forests) μπορεί να προβλέψει με ευαισθησία και ειδικότητα που υπερβαίνουν το 0,8 δυαδική μεταβλητή διάγνωσης της ήπιας γνωσιακής διαταραχής (MCI) όπως αυτή καθορίζεται για κάθε ασθενή από κλινικούς γιατρούς μετά από την επίσκεψη συνυπολογίζοντας διάφορα κριτήρια. Επιπλέον, το σύστημά μας μπορεί να χρησιμοποιηθεί για να βρεθούν συνδυασμοί (τύπος χαρακτηριστικών, αλγόριθμος μηχανικής μάθησης) που να υπερβαίνουν τις απαιτήσεις που έχει ορίσει ο χρήστης (ευαισθησία, ειδικότητα) και να εξερευνήσουν το μεγάλο χώρο των πιθανών λύσεων. Οι μέθοδοί μας εφαρμόζονται σε οποιοδήποτε σύνολο δεδομένων που προκύπτει από σήματα (χρονοσειρές) ακτιγραφίας, ισορροπημένο ή μη ισορροπημένο, και σε σχέση με οποιοδήποτε τελικό σημείο (μεταβλητή) πρόβλεψης (δυαδικό ή συνεχές) που ενδιαφέρει τους γιατρούς για ερευνητικούς σκοπούς ή για την υποστήριξη κλινικών αποφάσεων. Η εργασία αυτή πραγματοποιήθηκε σε συνεργασία με την ομάδα ALBION του Αιγινήτειου Νοσοκομείου του Εθνικού και Καποδιστριακού Πανεπιστημίου, η οποία μας παρείχε το σύνολο δεδομένων που αναλύθηκε.","Predicting early stages of cognitive decline may lead to further diagnostic work up, prompt initiation of medical management, and use of preventive strategies. Recent literature relates specific sleep-wake actigraphy features with the risk of developing dementia or Alzheimer’s disease in the future. In this graduate thesis, an end-to-end signal processing, feature engineering, and machine learning pipeline was developed, allowing us to systematically build and evaluate predictive models of cognitive decline-related endpoints for different feature sets. For four different feature set families - parametric, non-parametric, Discrete Fourier Transform-based, and Discrete Wavelet Transform based - we assessed the performance of ten different machine learning algorithms using the pipeline and a stratified nested cross-validation approach. We demonstrate that using wavelet-based features and Random Forest classifiers may reach sensitivity and specificity levels exceeding 0.8 for an MCI (Minor Cognitive Impairment) early diagnosis endpoint assigned by clinicians. Moreover, our end-to-end pipeline can be used to find different (feature set, ML algorithm) combinations (pairs) that exceed (sensitivity, specificity) levels set by the user and explore the large space of possible predictive model solutions. Our methods apply to any actigraphy time series dataset, balanced or imbalanced, and any prediction endpoint of interest for research purposes or clinical decision support. This work was performed in collaboration with the ALBION project team of Aiginition Hospital, University of Athens, Greece, which provided the dataset we analyzed."],"dc:identifier":["uoadl:3392952","https://pergamos.lib.uoa.gr/uoa/dl/object/3392952"],"dc:language":["English"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Signal processing and machine learning pipeline to diagnose early cognitive decline"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:28:53Z"}