National and Kapodistrian University of Athens
Πρόβλεψη της νόσου Parkinson με τη χρήση μεθόδων μηχανικής μάθησης σε φωνητικά δεδομένα
Abstract
dc:descriptionΗ παρούσα διπλωματική εργασία ασχολείται με την πρόβλεψη της εμφάνισης της νόσου του Parkinson σε διάφορα άτομα μέσω της εφαρμογής μεθόδων μηχανικής μάθησης σε ένα σύνολο φωνητικών δεδομένων με 24 μεταβλητές και 195 εγγραφές. Στο πρώτο κεφάλαιο, αναφερόμαστε στο σκοπό και τους στόχους της εργασίας και μιλούμε για τη νόσο του Parkinson. Επιπροσθέτως, παραθέτουμε μία βιβλιογραφική επισκόπηση σε σχετικές έρευνες που παρακίνησαν τη μελέτη μας και περιγράφουμε τη μεθοδολογία που εφαρμόζουμε, επισημαίνοντας και διαφορές σε αυτή συγκριτικά με τη βιβλιογραφία. Στο κλείσιμο του πρώτου κεφαλαίου, συζητούμε σχετικά με τη μηχανική μάθηση. Στο δεύτερο κεφάλαιο, αρχικά εστιάζουμε στην προέλευση, τις μεταβλητές και ορισμένα δομικά χαρακτηριστικά του συνόλου δεδομένων. Έπειτα, διερευνούμε τόσο τη συνολική κατανομή των μεταβλητών του όσο και τη σχετική κατανομή των ανεξάρτητων μεταβλητών του (φωνητικά χαρακτηριστικά) σε σχέση με την εξαρτημένη (υποδεικνύει αν κάποιος είναι υγιής ή άρρωστος). Στο τέλος αυτού του κεφαλαίου, εξετάζουμε τις συσχετίσεις μεταξύ όλων των μεταβλητών. Στο τρίτο κεφάλαιο, αναλύουμε την προτεινόμενη μεθοδολογία και παραθέτουμε σχετικά τμήματα κώδικα υλοποίησης στη γλώσσα προγραμματισμού Python. Η μεθοδολογία ξεκινά με την αφαίρεση ασήμαντων μεταβλητών και τη διάκριση των υπολοίπων σε ανεξάρτητες (φωνητικές) και εξαρτημένες. Έπειτα διαχωρίζουμε τα δεδομένα σε σύνολα εκπαίδευσης και δοκιμής και επιλέγουμε τα πιο σημαντικά ανεξάρτητα γνωρίσματα με χρήση δέντρου απόφασης. Στη συνέχεια, φέρνουμε όλα τα φωνητικά δεδομένα σε παρόμοια κλίμακα και εξισορροπούμε τις δύο κλάσεις της μεταβλητής απόφασης στο σύνολο εκπαίδευσης. Οι αλγόριθμοι ταξινόμησης, οι οποίοι εφαρμόζονται στο τελευταίο στάδιο της μεθοδολογίας, είναι αυτοί των Κ-κοντινότερων γειτόνων, των μηχανών διανυσμάτων υποστήριξης και του τυχαίου δάσους. Στους αλγορίθμους αυτούς, όπως και στο δέντρο απόφασης, βελτιστοποιούμε ορισμένες υπερπαραμέτρους με σκοπό τη μεγιστοποίηση της μετρικής ανάκλησης. Τέλος, στο τέταρτο κεφάλαιο, αξιολογούμε τους αλγορίθμους ταξινόμησης που εφαρμόσαμε και παραθέτουμε τα συμπεράσματά μας. Όσον αφορά την απόδοση στο σύνολο δοκιμής, οι μηχανές διανυσμάτων υποστήριξης και το τυχαίο δάσος πέτυχαν την καλύτερη βαθμολογία ανάκλησης με 0.977. Το τυχαίο δάσος διέπρεψε επίσης σε ορθότητα και ακρίβεια με 0.949 και 0.956 αντίστοιχα.
Author and committee
dc:creator, dc:contributor.*- Authors dc:creator
-
- ΚΟΡΟΥΛΗΣ ΧΡΗΣΤΟΣ
- KOROULIS CHRISTOS
Subjects
dc:subject × 2Rights
- Language dc:language
- English
Identifiers
dc:identifier.*- Identifier
- uoadl:5306799