Πλοήγηση ανά Συγγραφέας "Strataki, Despoina"

Τώρα δείχνει 1 - 1 of 1
  • Μικρογραφία εικόνας
    Τεκμήριο
    Το διαδίκτυο των πραγμάτων στο τομέα της υγείας.
    (ΕΛΜΕΠΑ, Σχολή Μηχανικών (ΣΜΗΧ), Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, 2024-07-22) Στρατάκη, Δέσποινα; Strataki, Despoina; Τσικνάκης, Εμμανουήλ; Tsiknakis, Emmanouil
    Η παρούσα πτυχιακή εργασία διερευνά την ενσωμάτωση του Διαδικτύου Ιατρικών Πραγμάτων (ΔτΙΠ) με προηγμένες τεχνικές μηχανικής μάθησης για τη βελτίωση των αποτελεσμάτων της υγειονομικής περίθαλψης. Εμβαθύνει στην αξιοποίηση των δεδομένων βιοϊατρικών αισθητήρων, αναδεικνύοντας τον μετασχηματισμό της υγειονομικής περίθαλψης μέσω της συλλογής και ανάλυσης δεδομένων σε πραγματικό χρόνο. Σημαντική έμφαση δίνεται στο ρόλο της υπολογιστικής ομίχλης στη διαχείριση του τεράστιου όγκου δεδομένων από αισθητήρες υγειονομικής περίθαλψης, δίνοντας έμφαση στην αποτελεσματικότητά της στην προεπεξεργασία για εφαρμογές μηχανικής μάθησης. Η μελέτη εξετάζει διάφορους αλγορίθμους μηχανικής μάθησης, από τα βαθιά νευρωνικά δίκτυα έως την ομαδοποίηση, για την εξαγωγή σημαντικών μοτίβων σε βιοϊατρικά δεδομένα, βοηθώντας έτσι στην παρακολούθηση των ασθενών και την πρόβλεψη ασθενειών. Επιπλέον, η πτυχιακή ασχολείται με τις κρίσιμες προκλήσεις της ασφάλειας δεδομένων και της ιδιωτικότητας στο Διαδίκτυο των Ιατρικών Πραγμάτων προτείνοντας λύσεις όπως η ομοσπονδιακή μάθηση για τη διασφάλιση ευαίσθητων πληροφοριών υγείας. Εξετάζει επίσης τους ηθικούς προβληματισμούς στην αυτοματοποιημένη λήψη αποφάσεων στο πλαίσιο της υγειονομικής περίθαλψης. Επιπλέον, η έρευνα συζητά τη σημασία των εργαλείων οπτικοποίησης στο να γίνουν κατανοητά τα πολύπλοκα αποτελέσματα της Μηχανικής Μάθησης στους επαγγελματίες του τομέα της υγείας, ενισχύοντας τις διαδικασίες λήψης αποφάσεων. Η πτυχιακή επιχειρεί επίσης να εξετάσει τις αρχιτεκτονικές υλικού και βάσεων δεδομένων που απαιτούνται για την υποστήριξη πολυτροπικών δεδομένων αισθητήρων, τονίζοντας την ανάγκη για ισχυρά συστήματα που να χειρίζονται αποτελεσματικά διαφορετικούς τύπους δεδομένων υγειονομικής περίθαλψης. Τέλος, διερευνά τον προγραμματισμό με GPU και τις παράλληλες υπολογιστικές τεχνικές, απαραίτητες για την επεξεργασία βιοϊατρικών δεδομένων μεγάλης κλίμακας, και καταλήγει με την αξιολόγηση της παρακολούθησης της υγείας με βάση σήματα για κάθε ασθενή, υπογραμμίζοντας την πορεία προς την εξατομικευμένη υγειονομική περίθαλψη.