Μηχανική μάθηση σε ιατρικά δεδομένα
Machine learning on medical data
Λέξεις-κλειδιά
Μεταβλητότητα καρδιακού ρυθμού ; Στρες ; Καρδιακοί παλμοί ; Ηλεκτροκαρδιογράφημα ; Μηχανική μάθηση ; Βαθιά μάθηση ; Heart rate variability ; Stress ; Heartbeat ; Electrocardiogram ; Machine learning ; Deep learningΠερίληψη
Το στρες θεωρείται βασικός παράγοντας στην επιρροή και επίδραση της λήψης αποφάσεων. Εκτός όμως του στρες, υπάρχει και άλλοι παράγοντες που εμπλέκονται στη διαδικασία λήψη αποφάσεων, όπως είναι ο φόρτος εργασίας, η σωματική και ψυχική προσπάθεια και η προσοχή. Όμως, οι ασάφειες των παραπάνω εννοιών οδηγούν πολλές φορές σε σύγχυση. Η μεταβλητότητα του καρδιακού ρυθμού (Heart Rate Variability) αποτελεί μια κοινή μέθοδο μέτρησης του στρες. Μέσω της διερεύνησης της σχέσης του στρες και της μεταβλητότητας του καρδιακού ρυθμού, μπορεί να σημειωθεί με πλήρη σιγουριά πως η μεταβλητότητα του καρδιακού ρυθμού ανταποκρίνεται στις όποιες μεταβολές του στρες. Επίσης, με σκοπό την βέλτιστη αξιολόγηση της μεταξύ τους σχέση, γίνεται χρήση των χαρακτηριστικών της μεταβλητότητας του καρδιακού ρυθμού. Όμως, συχνά αντιμετωπίζεται πρόβλημα υπολογιστικής πολυπλοκότητας, λόγω της ποσότητας των χαρακτηριστικών που φθάνουν στα όρια πλεονασμού. Έναν από τους στόχους της παρούσας διπλωματικής εργασίας αποτελεί η ανίχνευση του ψυχικού στρες, για την οποία χρησιμοποιείται ένα σύνολο δεδομένων ανοικτού κώδικα, το οποίο ονομάζεται SWELL-KW, στο οποίο αποδίδονται τρεις διαφορετικές ετικέτες. Επιπλέον, πραγματοποιείται μελέτη σε πέντε διαφορετικούς αλγορίθμους μηχανικής μάθησης με επίβλεψη, έχοντας ως σκοπό την επίδοση
εκείνου του μοντέλου με την υψηλότερη ακρίβεια για τελική χρήση. Ωστόσο, σημαντικό παράγοντα στη φυσιολογική λειτουργία της καρδιάς αποτελεί και ο έλεγχος των καρδιακών παλμών μέσω ηλεκτροκαρδιογραφήματος (ECG). Το συγκεκριμένο γεγονός έχει ως
αποτέλεσμα το δεύτερο στόχο της διπλωματικής εργασίας, ο οποίος αφορά την ανίχνευση της καρδιακής κατάστασης, για την οποία χρησιμοποιείται ο συνδυασμός δύο βάσεων δεδομένων ανοιχτού κώδικα, της IT-BIH Arrythmia Database και της PTB Diagnostic ECG Database, στον οποίο αποδίδονται πέντε διαφορετικές ετικέτες. Για την επιλογή του ιδανικότερου μοντέλου προς χρήση στη συγκεκριμένη εφαρμογή, πραγματοποιείται μελέτη δύο αλγορίθμων βαθιάς μάθησης με επίβλεψη.
Περίληψη
Stress is considered as an essential element in influencing and affecting decision-making. But apart from stress, there are other elements involved in the decision making process, such as workload, physical and mental effort and attention. However, the ambiguities of them often lead to confusion. Heart Rate Variability (HRV) is a common method of measuring stress. By investigating the correlation between stress and heart rate variability, it can be noted that heart rate variability responds to any stress changes. Also, in order to optimally evaluate the correlation between them, the characteristics of heart rate variability are used. Nevertheless, some problem of computational complexity is often encountered due to the amount of features reaching redundancy limits. One of the objectives of this thesis is the detection of mental stress, for which an open source dataset
called SWELL-KW is used, in which three different labels are assigned. In addition, five different supervised machine learning algorithms are studied, aiming at the performance of the model with the highest accuracy for end use. However, an important factor of the normal functioning of the heart is the monitoring of the heartbeat by an electrocardiogram (ECG). The second objective of this thesis is the detection of cardiac status, for which the combination of two open source databases, the IT-BIH Arrythmia Database and the PTB Diagnostic ECG Database, are used, in which five different labels are assigned. For selecting of the most ideal model in this application, a study of two supervised deep learning algorithms is performed.