Back to search

National and Kapodistrian University of Athens

Fine-Tuning a Pretrained Actigraphy Transformer for Mild Cognitive Impairment Classification

Abstract

dc:description

Η Ήπια Γνωσιακή Διαταραχή (ΗΓΔ) αποτελεί πρόδρομο στάδιο της άνοιας και επηρεάζει περίπου το 15–20% των ενηλίκων άνω των 60 ετών. Προς το παρόν, εξακολουθούν να λείπουν εργαλεία αξιολόγησης που να μπορούν να εφαρμοστούν σε μεγάλη κλίμακα και με μικρή επιβάρυνση για τους εξεταζόμενους. Η ακτιγραφία καρπού αναδεικνύεται ως μία υποσχόμενη μέθοδος, επιτρέποντας την συνεχή και μη παρεμβατική καταγραφή των ρυθμών ανάπαυσης-δραστηριότητας σε πραγματικές συνθήκες. Αν και οι διαταραχές των κιρκάδιων ρυθμών έχουν συσχετιστεί με την γνωσιακή έκπτωση, οι προσεγγίσεις κλασικής μηχανικής μάθησης που αξιοποιούν χαρακτηριστικά ακτιγραφίας έχουν γενικά επιδείξει μέτρια μόνο αποτελεσματικότητα στη διάκριση μεταξύ γνωσιακά φυσιολογικών ατόμων (ΓΦΑ) και ατόμων με ΗΓΔ. Η παρούσα διπλωματική εργασία διερευνά κατά πόσον ένα προεκπαιδευμένο θεμελιώδες μοντέλο ακτιγραφίας (PAT foundation model) μπορεί να προσαρμοστεί στο πρόβλημα ταξινόμησης της ΗΓΔ χωρίς να απαιτείται εξαγωγή χαρακτηριστικών (feature extraction), καθώς και κατά πόσο οι αναπαραστάσεις που μαθαίνει μπορούν να ερμηνευθούν ως προς κιρκάδια πρότυπα σχετικά με τη γνωσιακή έκπτωση. Η μελέτη περιλαμβάνει τη λεπτομερή προσαρμογή (fine-tuning) του Προεκπαιδευμένου Μοντέλου Βαθιάς Μάθησης σε δεδομένα Ακτιγραφίας (Pretrained Actigraphy Transformer, PAT-Large), το οποίο εκπαιδεύτηκε μέσω ανακατασκευής κρυμμένων τμημάτων (masked patch reconstruction) σε 29.307 συμμετέχοντες της NHANES, για δυαδική ταξινόμηση μεταξύ ΓΦΑ και ατόμων με ΗΓΔ. Χρησιμοποιούνται εξαήμερες καταγραφές ακτιγραφίας καρπού από 150 κλινικά χαρακτηρισμένους συμμετέχοντες της έρευνας ALBION (98 ΓΦΑ, 52 ΗΓΔ). Μέσω συστηματικής αναζήτησης διαμορφώσεων, εντοπίστηκαν δύο βέλτιστες κατά Pareto στρατηγικές λεπτομερούς προσαρμογής: μια διαμόρφωση με πλήρως παγωμένο τον κωδικοποιητή (Head-Only) και μια τύπου ULMFiT στρατηγική μερικής προσαρμογής του κωδικοποιητή σε δύο φάσεις. Οι προσεγγίσεις αυτές αξιολογήθηκαν σε σύγκριση με βασικά μοντέλα βαθιάς μάθησης εκπαιδευμένα από την αρχή και με μοντέλα μηχανικής μάθησης που χρησιμοποιούν προκαθορισμένα χαρακτηριστικά, χρησιμοποιώντας σε όλες τις περιπτώσεις τις ίδιες διαιρέσεις διασταυρούμενης επικύρωσης (cross-validation). Μεταξύ των μοντέλων που εκπαιδεύτηκαν αποκλειστικά σε δεδομένα ακτιγραφίας, τα μοντέλα PAT παρουσίασαν από τις πλέον ανταγωνιστικές επιδόσεις συνολικά. Το PAT ULMFiT πέτυχε τον υψηλότερο Συντελεστή Συσχέτισης Matthews (MCC ≈ 0,49), καθώς και τις υψηλότερες τιμές F1-score και ισορροπημένης ακρίβειας (balanced accuracy). Ξεπέρασε τόσο τα μοντέλα βαθιάς μάθησης όσο και τα μοντέλα κλασικής μηχανικής μάθησης ως προς αυτές τις μετρικές. Η επίδοση ήταν επίσης ανταγωνιστική σε σχέση με μοντέλα μηχανικής μάθησης που χρησιμοποίησαν την ηλικία των συμμετεχόντων ως χαρακτηριστικό, παρότι στις λύσεις που βασίζονται στο PAT δεν δόθηκε η ηλικία, γεγονός που υποδηλώνει ότι οι προεκπαιδευμένες αναπαραστάσεις ακτιγραφίας αποτυπώνουν διακριτική χρονική δομή πέρα από όσα μπορούν να συλλάβουν οι συνοπτικοί κιρκάδιοι δείκτες. Για την ερμηνεία των μοντέλων χρησιμοποιήθηκε ένα μεθοδολογικό πλαίσιο, το οποίο συνδυάζει τις Ολοκληρωμένες Κλίσεις (Integrated Gradients), τον μηχανισμό προσοχής (learned attention pooling) και την ανάλυση απόκρυψης (occlusion analysis). Το πλαίσιο αυτό ανέδειξε ένα κιρκάδιο πρότυπο ευαισθησίας εστιασμένο στη νυχτερινή δραστηριότητα και στην ημερήσια μειωμένη δραστηριότητα. Τα μοντέλα αποδίδουν ενδείξεις υπέρ της ΗΓΔ σε αυξημένη νυχτερινή δραστηριότητα και σταθερά μειωμένη ημερήσια δραστηριότητα, με την πολικότητα των συνεισφορών να μεταβάλλεται κοντά στο όριο ύπνου–αφύπνισης. Επιπλέον, η ανάλυση απόκρυψης αναδεικνύει ανεξάρτητα τη σημασία των νυχτερινών περιόδων και συμπληρώνει την παρατηρούμενη χρονική υστέρηση φάσης μεταξύ της μέγιστης ευαισθησίας των μοντέλων και της κορύφωσης του νυχτερινού κατακερματισμού που σχετίζεται με την ΗΓΔ. Ως μελέτη απόδειξης της ορθότητας της ιδέας σε ένα μόνο κλινικό δείγμα, τα ευρήματα αυτά υποδηλώνουν ότι οι προεκπαιδευμένες αναπαραστάσεις ακτιγραφίας μπορούν να αξιοποιηθούν στην ταξινόμηση της κλινικά διαγνωσμένης ΗΓΔ και να αναδείξουν ερμηνεύσιμες κιρκάδιες υπογραφές, οι οποίες είναι συνεπείς με γνωστές διαταραχές των ρυθμών ανάπαυσης–δραστηριότητας που σχετίζονται με τη γνωσιακή έκπτωση.

Author and committee

dc:creator, dc:contributor.*
Authors dc:creator
  • Χατζητόλιος Βασίλειος-Κλέαρχος
  • Chatzitolios Vasileios-Klearchos

Subjects

dc:subject × 2

Rights

Language dc:language
English

Identifiers

dc:identifier.*
Identifier
uoadl:5421901

Chain of custody

source
Harvested from
National and Kapodistrian University of Athens
Base URL
pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh
Last updated
2026-11-19
Source record
OAI-PMH GetRecord
citation

Χατζητόλιος Βασίλειος-Κλέαρχος; Chatzitolios Vasileios-Klearchos. Fine-Tuning a Pretrained Actigraphy Transformer for Mild Cognitive Impairment Classification. 2026. https://pergamos.lib.uoa.gr/uoa/dl/object/5421901