Parkinson’s disease prediction using artificial intelligence

Απλή σελίδα τεκμηρίου
dc.contributor.advisorTsiknakis, Emmanouilen
dc.contributor.advisorΤσικνάκης, Εμμανουήλel
dc.contributor.authorPanagiotakis, Georgiosen
dc.contributor.authorΠαναγιωτάκης, Γεώργιοςel
dc.date.accessioned2024-04-08T09:40:10Z
dc.date.available2024-04-08T09:40:10Z
dc.date.issued2024-04-08
dc.description.abstractPrecise diagnosis of Parkinson’s disease (PD) is crucial for effective treatment and management of this progressive neurological condition. Existing diagnostic methods face obstacles due to overlapping symptoms with other neurological disorders and the lack of a conclusive diagnostic test. Sleep disorders are common among PD patients, and nocturnal sleep electroencephalography (EEG) data hold significant insights into the connection between PD and sleep disturbances, providing opportunities for early diagnosis and disease tracking. This research utilizes deep learning methodologies to examine nocturnal sleep EEG data for the differentiation of PD subjects and healthy individuals. An extensive review of current literature is performed to evaluate the state-of-the-art in PD, sleep disorders, EEG data analysis, and deep learning applications for neurological disorder classification. A dataset of nocturnal sleep EEG recordings from PD patients and healthy subjects is obtained, preprocessed, and divided into sleep stages, followed by the extraction of pertinent features. Several deep learning models, such as Convolutional Neural Networks (CNN), Recurrent Neural Networks (RNN), and Gated Recurrent Units (GRU) networks, are explored for their appropriateness in the classification task. The chosen models are developed, executed, and optimized to differentiate PD subjects from healthy controls using nocturnal sleep EEG data. Model performance is assessed using relevant metrics (e.g., accuracy, precision, recall, F1-score) and compared with existing methods found in the literature.en
dc.description.abstractΗ ακριβής διάγνωση της νόσου του Πάρκινσον (ΝΠ) είναι ζωτικής σημασίας για την αποτελεσματική θεραπεία και διαχείριση αυτής της προοδευτικής νευρολογικής πάθησης. Οι υπάρχουσες διαγνωστικές μέθοδοι αντιμετωπίζουν εμπόδια λόγω της επικάλυψης των συμπτωμάτων με άλλες νευρολογικές διαταραχές και της έλλειψης μιας πειστικής διαγνωστικής δοκιμασίας. Οι διαταραχές του ύπνου είναι συχνές μεταξύ των ασθενών με PD και τα δεδομένα του νυχτερινού ηλεκτροεγκεφαλογραφήματος ύπνου (ΗΕΓ) διαθέτουν σημαντικές πληροφορίες για τη σχέση μεταξύ της ασθένειας Πάρκινσον και διαταραχών του ύπνου, παρέχοντας ευκαιρίες για έγκαιρη διάγνωση και παρακολούθηση της νόσου. Η παρούσα έρευνα χρησιμοποιεί μεθοδολογίες βαθιάς μάθησης για την εξέταση ΗΕΓ δεδομένων νυχτερινού ύπνου για τη διαφοροποίηση των ατόμων με Πάρκινσον και των υγιών ατόμων. Πραγματοποιείται εκτενής ανασκόπηση της τρέχουσας βιβλιογραφίας για την αξιολόγηση της τελευταίας τεχνολογίας στον τομέα της νόσου Πάρκινσον, των διαταραχών ύπνου, της ανάλυσης δεδομένων ΗΕΓ και των εφαρμογών βαθιάς μάθησης για την ταξινόμηση νευρολογικών διαταραχών. Λαμβάνεται ένα σύνολο δεδομένων από καταγραφές ΗΕΓ νυχτερινού ύπνου από ασθενείς με Παρκινσον και υγιή άτομα, γίνεται προεπεξεργασία και διαχωρισμός σε στάδια ύπνου, ενώ ακολουθεί η εξαγωγή σχετικών χαρακτηριστικών. Διερευνώνται διάφορα μοντέλα βαθιάς μάθησης, όπως τα συνεπαγωγικά νευρωνικά δίκτυα , τα επαναλαμβανόμενα νευρωνικά δίκτυα και τα δίκτυα μακράς βραχυπρόθεσμης μνήμης, για την καταλληλότητά τους στην εργασία ταξινόμησης. Τα επιλεγμένα μοντέλα αναπτύσσονται, εκτελούνται και βελτιστοποιούνται για τη διαφοροποίηση των ατόμων με νόσο Πάρκινσον από τους υγιείς άνθρωπους, χρησιμοποιώντας δεδομένα ΗΕΓ νυχτερινού ύπνου. Η απόδοση του μοντέλου αξιολογείται με τη χρήση σχετικών μετρικών (π.χ. ακρίβεια, ακρίβεια, ανάκληση) και συγκρίνεται με υπάρχουσες μεθόδους που βρίσκονται στη βιβλιογραφία.el
dc.identifier.urihttps://apothesis.hmu.gr/handle/123456789/10973
dc.language.isoen
dc.publisherΕΛΜΕΠΑ, Σχολή Μηχανικών (ΣΜΗΧ), ΠΜΣ Μηχανικών Πληροφορικής
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 United Statesen
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/us/
dc.subjectParkinson's disease
dc.subjectartificial intelligence
dc.subjectdeep learning
dc.subjectneural network
dc.subjectνόσος Πάρκινσον
dc.subjectτεχνητή νοημοσύνη
dc.subjectβαθιά μάθηση
dc.subjectνευρωνικό δίκτυο
dc.titleParkinson’s disease prediction using artificial intelligenceen
dc.titleΑνίχνευση της νόσου Parkinson με την χρήση τεχνητής νοημοσύνηςel
dc.typeΜεταπτυχιακή Διατριβή
heal.academicPublisherIDΕΛΜΕΠΑ Ελληνικό Μεσογειακό Πανεπιστήμιο
Αρχεία
Πρωτότυπος φάκελος/πακέτο
Τώρα δείχνει 1 - 1 of 1
Μικρογραφία εικόνας
Ονομα:
PanagiotakisGeorgios2023.pdf
Μέγεθος:
4.2 MB
Μορφότυπο:
Adobe Portable Document Format
Λήψη
Φάκελος/Πακέτο αδειών
Τώρα δείχνει 1 - 1 of 1
Δεν υπάρχει διαθέσιμη μικρογραφία
Ονομα:
license.txt
Μέγεθος:
2.17 KB
Μορφότυπο:
Item-specific license agreed upon to submission
Περιγραφή:
Λήψη
Συλλογές
Μεταπτυχιακές εργασίες / Master Theses