Πλοήγηση ανά Συγγραφέας "Lappa, Theodora"

Τώρα δείχνει 1 - 1 of 1
  • Μικρογραφία εικόνας
    Τεκμήριο
    Προσδιορισμός των χαρακτηριστικών της ομιλίας της νόσου του Παρκινσον με τη χρήση τεχνικών βαθιάς μάθησης
    (ΕΛΜΕΠΑ, Σχολή Μηχανικών (ΣΜΗΧ), Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, 2025-09-15) Λάππα, Θεοδώρα; Lappa, Theodora; Τσικνάκης, Εμμανουήλ; Tsiknakis, Emmanouil
    Η Νόσος του Πάρκινσον αποτελεί την δεύτερη πιο διαδεδομένη νευροεκφυλιστική διαταραχή που επηρεάζει την ομιλία των ασθενών στο 90% των περιπτώσεων, με το κύριο σύμπτωμά την υποκινητική δυσαρθρία. Η ανάγκη για έγκαιρη ανίχνευση και παρακολούθηση της νόσου, καθώς και η έλλειψη κατάλληλων διαγνωστικών εργαλείων, επικεντρωμένων στην ελληνική γλώσσα, πυροδοτεί την ανάγκη για την ανάπτυξη καινοτόμων εργαλείων για την διαγνωστική διαδικασία. Η ανάλυση ομιλίας, η οποία είναι μια μη επεμβατική και μη κοστοβόρα διαδικασία μπορεί να εντοπίσει χρήσιμους και αξιοποιήσιμους δείκτες, οι οποίοι θα συμβάλουν στον εντοπισμό της νόσου σε πρώιμο στάδιο, στην συνεχή παρακολούθηση και στην ενίσχυση της παραδοσιακής κλινικής εξέτασης. Η παρούσα διπλωματική εργασία διερευνά την αναγνώριση χαρακτηριστικών ομιλίας της Νόσου του Πάρκινσον, μέσω τεχνικών βαθιάς μάθηση. Για τον σκοπό αυτό, αναλύθηκαν φωνητικά δεδομένα από 154 Έλληνες ασθενείς και από αυτούς εξήχθην 90 ακουστικά χαρακτηριστικά μέσω του τυποποιημένου συνόλου eGeMAPS.Για την αξιολόγηση χρησιμοποιήθηκαν έξι (6) ταξινομητικοί αλγόριθμοι: Logistic Regression, K-Nearest Neighbors, Random Forest, Support Vector Machine, XGBoost και Spiking Neural Networks, προκειμένου να γίνει η πρόβλεψη των κλινικά σημαντικών παραμέτρων της νόσου που είναι το στάδιο της νόσου μέσω της κλίμακας Hoehn & Yahr, η παρουσία δυσκινησίας και κινητικών διακυμάνσεων, καθώς και η ανταπόκριση στην θεραπεία με Levodopa σε ποσοτικό και ποιοτικό επίπεδο (UPDRS III dif class/UPDRS III dif per). Ακόλουθα, για να γίνει η επικύρωση των μοντέλων, αξιοποιήθηκε η αυστηρή μέθοδος Leave-One-Subject-Out (LOSO). Τα μοντέλα συνόλου Random Forest και XGBoost παρουσίασαν της πιο ισορροπημένες επιδόσεις στο σύνολο των περιπτώσεων, αν και η διερεύνηση της ανταπόκρισης στην θεραπεία σε ποιοτικό και ποσοτικό επίπεδο, αποτέλεσε πρόκληση για όλα τα εξεταζόμενα μοντέλα. Το κύριο εύρημα της ανάλυσης αποτελεί ο εντοπισμός ενός προφίλ ασθενών, οι οποίοι παρουσιάζουν συστηματική χαμηλή ακρίβεια ταξινόμησης, και βρίσκονται σε ενδιάμεσα στάδια της νόσου, παρουσιάζουν δυσκινησία και η ανταπόκριση τους στην θεραπεία κυμαίνεται σε χαμηλά επίπεδα. Αυτά τα ευρήματα δείχνουν την δυσκολία που αντιμετωπίζουν τα υπολογιστικά μοντέλα να αποδίδουν σταθερά λόγω της ετερογένειας που εμφανίζει η Νόσος του Πάρκινσον. Η περαιτέρω διερεύνηση των ευρημάτων αυτών μπορεί να συμβάλλει σε μελλοντικό σχεδιασμό πιο εξειδικευμένων, με επεμβατικών εργαλείων, για την υποστήριξη της κλινικής διάγνωσης, την διαρκή καταγραφή και έλεγχο της κατάστασης του ασθενούς, καθώς και στην ανάπτυξη λύσεων που θα είναι προσαρμοσμένες στις εκάστοτε υποομάδες ασθενών, ανάλογα με τις ανάγκες αυτών.