{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5461818"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5461818","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Actigraphy Feature Representations for Mild Cognitive Impairment Classification: Comparing Summary, Circadian and Wavelet Features across Sensitivity–Specificity Operating Points","abstract":"Η ήπια γνωστική διαταραχή (MCI) χαρακτηρίζεται από γνωστικά ελλείμματα πέραν των αναμενόμενων για τη φυσιολογική γήρανση, χωρίς σημαντικό περιορισμό της αυτονομίας στις καθημερινές δραστηριότητες. Η ακτιγραφία αποτελεί μη επεμβατική μέθοδο καταγραφής των προτύπων ανάπαυσης–δραστηριότητας και ενδέχεται να προσφέρει πρόσθετες πληροφορίες για την αναγνώριση της γνωστικής έκπτωσης. Η παρούσα διπλωματική εργασία διερεύνησε τη δυνατότητα διαφορετικών αναπαραστάσεων χαρακτηριστικών ακτιγραφίας να διακρίνουν άτομα με MCI από άτομα με φυσιολογική γνωστική λειτουργία. Συγκρίθηκαν τρεις οικογένειες χαρακτηριστικών: συνοπτικά στατιστικά μέτρα, συνδυασμός περιγραφικών μέτρων cosinor και μη παραμετρικών δεικτών ανάπαυσης–δραστηριότητας, και χαρακτηριστικά του διακριτού μετασχηματισμού κυματιδίων (DWT). Αναπτύχθηκε ολοκληρωμένο λογισμικό για την προεπεξεργασία σημάτων, την εξαγωγή και επιλογή χαρακτηριστικών και την αξιολόγηση κλασικών αλγορίθμων μηχανικής μάθησης μέσω επαναλαμβανόμενης εμφωλευμένης διασταυρούμενης επικύρωσης. Οι διαμορφώσεις που πληρούσαν προκαθορισμένα κριτήρια αξιολογήθηκαν βάσει μετώπων Pareto ευαισθησίας–ειδικότητας, με προτίμηση στα απλούστερα μοντέλα. Οι τρεις οικογένειες χαρακτηριστικών παρουσίασαν διαφορετικούς συμβιβασμούς μεταξύ ευαισθησίας και ειδικότητας. Τα συνοπτικά στατιστικά μέτρα πέτυχαν την υψηλότερη διάμεση ευαισθησία (0,818), με ειδικότητα 0,700. Τα συνδυασμένα μέτρα cosinor και οι μη παραμετρικοί δείκτες πέτυχαν ευαισθησία 0,800 και ειδικότητα 0,750, ενώ τα χαρακτηριστικά DWT εμφάνισαν την υψηλότερη ειδικότητα (0,850), με ευαισθησία 0,727. Παρότι τα μοντέλα αποκλειστικά με την ηλικία αποτέλεσαν ανταγωνιστικό σημείο αναφοράς, η ενσωμάτωση χαρακτηριστικών ακτιγραφίας βελτίωσε τους επιτεύξιμους συνδυασμούς των δύο μετρικών. Συμπαγέστερες αναπαραστάσεις σημάτων διατήρησαν υψηλή ειδικότητα, με χαμηλότερη ευαισθησία σε σχέση με την καλύτερη διαμόρφωση πλήρους χρονοσειράς. Ανταγωνιστικές επιδόσεις επιτεύχθηκαν επίσης με απλούστερα μοντέλα και χωρίς ρύθμιση υπερπαραμέτρων. Συνολικά, η καταλληλότερη αναπαράσταση της ακτιγραφίας εξαρτάται από την επιθυμητή ισορροπία ευαισθησίας και ειδικότητας, καθώς καμία οικογένεια χαρακτηριστικών δεν υπερείχε καθολικά. Η εργασία συνεισφέρει ένα ολοκληρωμένο λογισμικό ανάλυσης και μια συστηματική συγκριτική αξιολόγηση συμπληρωματικών αναπαραστάσεων της δραστηριότητας για την ταξινόμηση της MCI. Τα αποτελέσματα αναδεικνύουν τη δυνητική αξία της ακτιγραφίας στην υποστήριξη κλινικών αποφάσεων, ενώ το περιορισμένο μέγεθος του δείγματος και ο διερευνητικός χαρακτήρας της επιλογής μοντέλων καθιστούν αναγκαία την ανεξάρτητη επικύρωση πριν από οποιαδήποτε κλινική εφαρμογή.","abstract_html":"Η ήπια γνωστική διαταραχή (MCI) χαρακτηρίζεται από γνωστικά ελλείμματα πέραν των αναμενόμενων για τη φυσιολογική γήρανση, χωρίς σημαντικό περιορισμό της αυτονομίας στις καθημερινές δραστηριότητες. Η ακτιγραφία αποτελεί μη επεμβατική μέθοδο καταγραφής των προτύπων ανάπαυσης–δραστηριότητας και ενδέχεται να προσφέρει πρόσθετες πληροφορίες για την αναγνώριση της γνωστικής έκπτωσης. Η παρούσα διπλωματική εργασία διερεύνησε τη δυνατότητα διαφορετικών αναπαραστάσεων χαρακτηριστικών ακτιγραφίας να διακρίνουν άτομα με MCI από άτομα με φυσιολογική γνωστική λειτουργία. Συγκρίθηκαν τρεις οικογένειες χαρακτηριστικών: συνοπτικά στατιστικά μέτρα, συνδυασμός περιγραφικών μέτρων cosinor και μη παραμετρικών δεικτών ανάπαυσης–δραστηριότητας, και χαρακτηριστικά του διακριτού μετασχηματισμού κυματιδίων (DWT). Αναπτύχθηκε ολοκληρωμένο λογισμικό για την προεπεξεργασία σημάτων, την εξαγωγή και επιλογή χαρακτηριστικών και την αξιολόγηση κλασικών αλγορίθμων μηχανικής μάθησης μέσω επαναλαμβανόμενης εμφωλευμένης διασταυρούμενης επικύρωσης. Οι διαμορφώσεις που πληρούσαν προκαθορισμένα κριτήρια αξιολογήθηκαν βάσει μετώπων Pareto ευαισθησίας–ειδικότητας, με προτίμηση στα απλούστερα μοντέλα. Οι τρεις οικογένειες χαρακτηριστικών παρουσίασαν διαφορετικούς συμβιβασμούς μεταξύ ευαισθησίας και ειδικότητας. Τα συνοπτικά στατιστικά μέτρα πέτυχαν την υψηλότερη διάμεση ευαισθησία (0,818), με ειδικότητα 0,700. Τα συνδυασμένα μέτρα cosinor και οι μη παραμετρικοί δείκτες πέτυχαν ευαισθησία 0,800 και ειδικότητα 0,750, ενώ τα χαρακτηριστικά DWT εμφάνισαν την υψηλότερη ειδικότητα (0,850), με ευαισθησία 0,727. Παρότι τα μοντέλα αποκλειστικά με την ηλικία αποτέλεσαν ανταγωνιστικό σημείο αναφοράς, η ενσωμάτωση χαρακτηριστικών ακτιγραφίας βελτίωσε τους επιτεύξιμους συνδυασμούς των δύο μετρικών. Συμπαγέστερες αναπαραστάσεις σημάτων διατήρησαν υψηλή ειδικότητα, με χαμηλότερη ευαισθησία σε σχέση με την καλύτερη διαμόρφωση πλήρους χρονοσειράς. Ανταγωνιστικές επιδόσεις επιτεύχθηκαν επίσης με απλούστερα μοντέλα και χωρίς ρύθμιση υπερπαραμέτρων. Συνολικά, η καταλληλότερη αναπαράσταση της ακτιγραφίας εξαρτάται από την επιθυμητή ισορροπία ευαισθησίας και ειδικότητας, καθώς καμία οικογένεια χαρακτηριστικών δεν υπερείχε καθολικά. Η εργασία συνεισφέρει ένα ολοκληρωμένο λογισμικό ανάλυσης και μια συστηματική συγκριτική αξιολόγηση συμπληρωματικών αναπαραστάσεων της δραστηριότητας για την ταξινόμηση της MCI. Τα αποτελέσματα αναδεικνύουν τη δυνητική αξία της ακτιγραφίας στην υποστήριξη κλινικών αποφάσεων, ενώ το περιορισμένο μέγεθος του δείγματος και ο διερευνητικός χαρακτήρας της επιλογής μοντέλων καθιστούν αναγκαία την ανεξάρτητη επικύρωση πριν από οποιαδήποτε κλινική εφαρμογή.","abstract_has_math":false,"creators":["Παναγιωτοπούλου Ελένη","Panagiotopoulou Eleni"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2026,"date_issued":"2026","date_published":"2026","updated_at":"2026-11-19T05:21:17Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5461818"],"render_values":[{"text":"uoadl:5461818","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5461818","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5461818","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%3A5461818","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Παναγιωτοπούλου Ελένη","Panagiotopoulou Eleni"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2026"]},{"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":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5461818","https://pergamos.lib.uoa.gr/uoa/dl/object/5461818"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η ήπια γνωστική διαταραχή (MCI) χαρακτηρίζεται από γνωστικά ελλείμματα πέραν των αναμενόμενων για τη φυσιολογική γήρανση, χωρίς σημαντικό περιορισμό της αυτονομίας στις καθημερινές δραστηριότητες. Η ακτιγραφία αποτελεί μη επεμβατική μέθοδο καταγραφής των προτύπων ανάπαυσης–δραστηριότητας και ενδέχεται να προσφέρει πρόσθετες πληροφορίες για την αναγνώριση της γνωστικής έκπτωσης. Η παρούσα διπλωματική εργασία διερεύνησε τη δυνατότητα διαφορετικών αναπαραστάσεων χαρακτηριστικών ακτιγραφίας να διακρίνουν άτομα με MCI από άτομα με φυσιολογική γνωστική λειτουργία. Συγκρίθηκαν τρεις οικογένειες χαρακτηριστικών: συνοπτικά στατιστικά μέτρα, συνδυασμός περιγραφικών μέτρων cosinor και μη παραμετρικών δεικτών ανάπαυσης–δραστηριότητας, και χαρακτηριστικά του διακριτού μετασχηματισμού κυματιδίων (DWT). Αναπτύχθηκε ολοκληρωμένο λογισμικό για την προεπεξεργασία σημάτων, την εξαγωγή και επιλογή χαρακτηριστικών και την αξιολόγηση κλασικών αλγορίθμων μηχανικής μάθησης μέσω επαναλαμβανόμενης εμφωλευμένης διασταυρούμενης επικύρωσης. Οι διαμορφώσεις που πληρούσαν προκαθορισμένα κριτήρια αξιολογήθηκαν βάσει μετώπων Pareto ευαισθησίας–ειδικότητας, με προτίμηση στα απλούστερα μοντέλα. Οι τρεις οικογένειες χαρακτηριστικών παρουσίασαν διαφορετικούς συμβιβασμούς μεταξύ ευαισθησίας και ειδικότητας. Τα συνοπτικά στατιστικά μέτρα πέτυχαν την υψηλότερη διάμεση ευαισθησία (0,818), με ειδικότητα 0,700. Τα συνδυασμένα μέτρα cosinor και οι μη παραμετρικοί δείκτες πέτυχαν ευαισθησία 0,800 και ειδικότητα 0,750, ενώ τα χαρακτηριστικά DWT εμφάνισαν την υψηλότερη ειδικότητα (0,850), με ευαισθησία 0,727. Παρότι τα μοντέλα αποκλειστικά με την ηλικία αποτέλεσαν ανταγωνιστικό σημείο αναφοράς, η ενσωμάτωση χαρακτηριστικών ακτιγραφίας βελτίωσε τους επιτεύξιμους συνδυασμούς των δύο μετρικών. Συμπαγέστερες αναπαραστάσεις σημάτων διατήρησαν υψηλή ειδικότητα, με χαμηλότερη ευαισθησία σε σχέση με την καλύτερη διαμόρφωση πλήρους χρονοσειράς. Ανταγωνιστικές επιδόσεις επιτεύχθηκαν επίσης με απλούστερα μοντέλα και χωρίς ρύθμιση υπερπαραμέτρων. Συνολικά, η καταλληλότερη αναπαράσταση της ακτιγραφίας εξαρτάται από την επιθυμητή ισορροπία ευαισθησίας και ειδικότητας, καθώς καμία οικογένεια χαρακτηριστικών δεν υπερείχε καθολικά. Η εργασία συνεισφέρει ένα ολοκληρωμένο λογισμικό ανάλυσης και μια συστηματική συγκριτική αξιολόγηση συμπληρωματικών αναπαραστάσεων της δραστηριότητας για την ταξινόμηση της MCI. Τα αποτελέσματα αναδεικνύουν τη δυνητική αξία της ακτιγραφίας στην υποστήριξη κλινικών αποφάσεων, ενώ το περιορισμένο μέγεθος του δείγματος και ο διερευνητικός χαρακτήρας της επιλογής μοντέλων καθιστούν αναγκαία την ανεξάρτητη επικύρωση πριν από οποιαδήποτε κλινική εφαρμογή.","Mild cognitive impairment (MCI) is characterized by cognitive deficits that exceed those expected with normal aging without substantially compromising independence in everyday activities. Actigraphy provides a non-invasive means of monitoring rest-activity patterns and may offer additional information for identifying cognitive impairment. This thesis investigated how different actigraphy-derived feature representations distinguish participants with MCI from those with normal cognition. We compared three feature families: summary statistics, combined cosinor and non-parametric rest-activity descriptors, and discrete wavelet transform (DWT) features. An integrated software pipeline supported signal preprocessing, feature extraction, feature selection, and evaluation of multiple classical machine-learning algorithms within a repeated nested cross-validation framework. We compared configurations that met predefined performance criteria using recall-specificity Pareto fronts and parsimony-based selection. The feature families supported different recall-specificity trade-offs. Summary statistics achieved the highest median recall, reaching 0.818 at a median specificity of 0.700. Combined cosinor and non-parametric descriptors achieved recall of 0.800 and specificity of 0.750, while DWT features achieved the highest specificity (0.850) with recall of 0.727. Age-only models provided a competitive reference, but incorporating actigraphy features improved the attainable trade-offs. Compact actigraphy representations for wavelet feature extraction retained high specificity, although with lower recall than the leading full-series configuration. Simpler models and configurations without hyperparameter tuning also achieved competitive performance. These findings indicate that the preferred actigraphy representation depends on the sensitivity-specificity balance sought, rather than a single feature family being universally superior. The thesis contributes an extended analysis pipeline and a systematic comparison of complementary activity representations for MCI classification. The results encourage further investigation of actigraphy as a source of information for clinical decision support, while the limited cohort and exploratory configuration-selection process necessitate independent validation before clinical application."]},{"key":"dc:title","label":"Title","values":["Actigraphy Feature Representations for Mild Cognitive Impairment Classification: Comparing Summary, Circadian and Wavelet Features across Sensitivity–Specificity Operating Points"]}]}],"canonical_facts":{"dc:creator":["Παναγιωτοπούλου Ελένη","Panagiotopoulou Eleni"],"dc:date":["2026"],"dc:description":["Η ήπια γνωστική διαταραχή (MCI) χαρακτηρίζεται από γνωστικά ελλείμματα πέραν των αναμενόμενων για τη φυσιολογική γήρανση, χωρίς σημαντικό περιορισμό της αυτονομίας στις καθημερινές δραστηριότητες. Η ακτιγραφία αποτελεί μη επεμβατική μέθοδο καταγραφής των προτύπων ανάπαυσης–δραστηριότητας και ενδέχεται να προσφέρει πρόσθετες πληροφορίες για την αναγνώριση της γνωστικής έκπτωσης. Η παρούσα διπλωματική εργασία διερεύνησε τη δυνατότητα διαφορετικών αναπαραστάσεων χαρακτηριστικών ακτιγραφίας να διακρίνουν άτομα με MCI από άτομα με φυσιολογική γνωστική λειτουργία. Συγκρίθηκαν τρεις οικογένειες χαρακτηριστικών: συνοπτικά στατιστικά μέτρα, συνδυασμός περιγραφικών μέτρων cosinor και μη παραμετρικών δεικτών ανάπαυσης–δραστηριότητας, και χαρακτηριστικά του διακριτού μετασχηματισμού κυματιδίων (DWT). Αναπτύχθηκε ολοκληρωμένο λογισμικό για την προεπεξεργασία σημάτων, την εξαγωγή και επιλογή χαρακτηριστικών και την αξιολόγηση κλασικών αλγορίθμων μηχανικής μάθησης μέσω επαναλαμβανόμενης εμφωλευμένης διασταυρούμενης επικύρωσης. Οι διαμορφώσεις που πληρούσαν προκαθορισμένα κριτήρια αξιολογήθηκαν βάσει μετώπων Pareto ευαισθησίας–ειδικότητας, με προτίμηση στα απλούστερα μοντέλα. Οι τρεις οικογένειες χαρακτηριστικών παρουσίασαν διαφορετικούς συμβιβασμούς μεταξύ ευαισθησίας και ειδικότητας. Τα συνοπτικά στατιστικά μέτρα πέτυχαν την υψηλότερη διάμεση ευαισθησία (0,818), με ειδικότητα 0,700. Τα συνδυασμένα μέτρα cosinor και οι μη παραμετρικοί δείκτες πέτυχαν ευαισθησία 0,800 και ειδικότητα 0,750, ενώ τα χαρακτηριστικά DWT εμφάνισαν την υψηλότερη ειδικότητα (0,850), με ευαισθησία 0,727. Παρότι τα μοντέλα αποκλειστικά με την ηλικία αποτέλεσαν ανταγωνιστικό σημείο αναφοράς, η ενσωμάτωση χαρακτηριστικών ακτιγραφίας βελτίωσε τους επιτεύξιμους συνδυασμούς των δύο μετρικών. Συμπαγέστερες αναπαραστάσεις σημάτων διατήρησαν υψηλή ειδικότητα, με χαμηλότερη ευαισθησία σε σχέση με την καλύτερη διαμόρφωση πλήρους χρονοσειράς. Ανταγωνιστικές επιδόσεις επιτεύχθηκαν επίσης με απλούστερα μοντέλα και χωρίς ρύθμιση υπερπαραμέτρων. Συνολικά, η καταλληλότερη αναπαράσταση της ακτιγραφίας εξαρτάται από την επιθυμητή ισορροπία ευαισθησίας και ειδικότητας, καθώς καμία οικογένεια χαρακτηριστικών δεν υπερείχε καθολικά. Η εργασία συνεισφέρει ένα ολοκληρωμένο λογισμικό ανάλυσης και μια συστηματική συγκριτική αξιολόγηση συμπληρωματικών αναπαραστάσεων της δραστηριότητας για την ταξινόμηση της MCI. Τα αποτελέσματα αναδεικνύουν τη δυνητική αξία της ακτιγραφίας στην υποστήριξη κλινικών αποφάσεων, ενώ το περιορισμένο μέγεθος του δείγματος και ο διερευνητικός χαρακτήρας της επιλογής μοντέλων καθιστούν αναγκαία την ανεξάρτητη επικύρωση πριν από οποιαδήποτε κλινική εφαρμογή.","Mild cognitive impairment (MCI) is characterized by cognitive deficits that exceed those expected with normal aging without substantially compromising independence in everyday activities. Actigraphy provides a non-invasive means of monitoring rest-activity patterns and may offer additional information for identifying cognitive impairment. This thesis investigated how different actigraphy-derived feature representations distinguish participants with MCI from those with normal cognition. We compared three feature families: summary statistics, combined cosinor and non-parametric rest-activity descriptors, and discrete wavelet transform (DWT) features. An integrated software pipeline supported signal preprocessing, feature extraction, feature selection, and evaluation of multiple classical machine-learning algorithms within a repeated nested cross-validation framework. We compared configurations that met predefined performance criteria using recall-specificity Pareto fronts and parsimony-based selection. The feature families supported different recall-specificity trade-offs. Summary statistics achieved the highest median recall, reaching 0.818 at a median specificity of 0.700. Combined cosinor and non-parametric descriptors achieved recall of 0.800 and specificity of 0.750, while DWT features achieved the highest specificity (0.850) with recall of 0.727. Age-only models provided a competitive reference, but incorporating actigraphy features improved the attainable trade-offs. Compact actigraphy representations for wavelet feature extraction retained high specificity, although with lower recall than the leading full-series configuration. Simpler models and configurations without hyperparameter tuning also achieved competitive performance. These findings indicate that the preferred actigraphy representation depends on the sensitivity-specificity balance sought, rather than a single feature family being universally superior. The thesis contributes an extended analysis pipeline and a systematic comparison of complementary activity representations for MCI classification. The results encourage further investigation of actigraphy as a source of information for clinical decision support, while the limited cohort and exploratory configuration-selection process necessitate independent validation before clinical application."],"dc:identifier":["uoadl:5461818","https://pergamos.lib.uoa.gr/uoa/dl/object/5461818"],"dc:language":["English"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Actigraphy Feature Representations for Mild Cognitive Impairment Classification: Comparing Summary, Circadian and Wavelet Features across Sensitivity–Specificity Operating Points"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:21:17Z"}