Επεξεργασία σήματος σε εφαρμογή θεραπείας άγχους
Signal processing in an anxiety treatment application
Λέξεις-κλειδιά
Μηχανική μάθηση ; Σήματα αναπνοής ; Ηλεκτροκαρδιογραφήματα ; Τεχνητά νευρωνικά δίκτυα ; Πολυστωματικά δίκτυα Perceptrons ; Αγχώδεις διαταραχές ; Ειδικές φοβίεςΠερίληψη
Η παρούσα διπλωματική εργασία εκπονήθηκε στα πλαίσια της ολοκλήρωσης των
προπτυχιακών σπουδών του Τμήματος Μηχανικών Βιοϊατρικής του Πανεπιστημίου
Δυτικής Αττικής. Σκοπός της εργασίας είναι η δημιουργία ενός τεχνητού νευρωνικού
δικτύου, το οποίο, μέσω μηχανικής μάθησης, θα μπορεί να ανιχνεύει τρία
διαφορετικά επίπεδα άγχους.
Για τη ανάπτυξη ενός τέτοιου αλγορίθμου, χρησιμοποιήθηκαν σήματα αναπνοής και
ηλεκτροκαρδιογραφήματα που εξήχθησαν από μία βάση δεδομένων ανοιχτής
πρόσβασης. Τα βιοσήματα αυτά αποτελούν πορίσματα μελετών που αποσκοπούν
στην αύξηση και την εδραίωση των αποτελεσμάτων της θεραπείας έκθεσης των
ειδικών φοβιών.
Στα πλαίσια της τρέχουσας εργασίας, τα διαθέσιμα βιοσήματα υπέστησαν ψηφιακή
επεξεργασία τόσο σε περιβάλλον MATLAB όσο και μέσω της χρήσης του
λογισμικού AcqKnowledge της εταιρίας Biopac. Στόχος ήταν η εξαγωγή συνόλων
χαρακτηριστικών τα οποία, αφού ταξινομήθηκαν, αποτέλεσαν τα δεδομένα
επιβλεπόμενης μάθησης του Πολυστρωματικού Δικτύου Perceptron (MLP) που
χρησιμοποιήθηκε.
Οι διάφορες δοκιμές στη δομή και την αρχιτεκτονική του τεχνητού νευρωνικού
δικτύου που παρουσιάζονται έδωσαν αποτελέσματα τα οποία αποδεικνύουν μια
μέτρια δυνατότητα ταξινόμησης των συγκεκριμένων βιοσημάτων ανάλογα με την
ύπαρξη υψηλού, μεσαίου ή χαμηλού άγχους. Στα πλαίσια της συζήτησης, προκύπτει
εύλογα το συμπέρασμα ότι τα εξαγόμενα χαρακτηριστικά μπορούν να αποτελέσουν
βάση για μελλοντικές έρευνες σε συνδυασμό με άλλα στατιστικά χαρακτηριστικά ή
παραμέτρους.
Περίληψη
This thesis was prepared in the framework of the completion of the undergraduate
studies of the Department of Biomedical Engineering of the University of West
Attica. The aim of the project is the development of an Artificial Neural Network,
which will be able, through machine learning, to detect three different levels of stress.
To develop such an algorithm, respiration signals and electrocardiograms, extracted
from an open-access database, were used.These biosignals are the results of studies
aimed at exploring the effects of exposure therapy in specific phobias.
In the context of the current work, the available biosignals were digitally processed
both in MATLAB and through the use of the AcqKnowledge software designed by
Biopac company. The objective was to derive sets of features which constituted the
supervised learning data of the Multilayer Perceptron Network (MLP) that was used.
The various tests on the structure and architecture of the artificial neural network that
are presented, demonstrate a moderate classification performance of these biosignals,
according to the existence of high, medium or low stress. In the context of the
discussion, it can reasonably be concluded that the features used can form a basis for
future research, in combination with other statistical features or parameters.