Identification of Parkinson’s disease facial symptoms by utilizing deep learning techniques.

Απλή σελίδα τεκμηρίου
dc.contributor.advisorTsiknakis, Emmanouilen
dc.contributor.advisorΤσικνάκης, Εμμανουήλel
dc.contributor.authorKyprakis, Ioannisen
dc.contributor.authorΚυπράκης, Ιωάννηςel
dc.date.accessioned2025-01-21T08:14:42Z
dc.date.available2025-01-21T08:14:42Z
dc.date.issued2025-01-21
dc.description.abstractParkinson’s Disease (PD) is a progressive neurological disorder characterized by motor and non-motor symptoms, including hypomimia, a significant reduction in facial expressiveness. Hypomimia, in conjunction with other symptoms, complicates the accurate assessment of depression in PD patients. This research presents a novel approach for estimating depression in PD patients by analyzing facial video recordings using deep learning techniques. The study leverages two datasets: a comprehensive video dataset comprising 1,875 facial recordings from 173 patients, and a detailed clinical dataset consisting of 140 patients and 18 features, including critical patient information such as UPDRS III scores and LEDD. Our results demonstrate that the 3D-CNN-LSTM model with attention outperforms other models, achieving an accuracy of 82% in binary classification and 71.17% in multiclass classification tasks. Furthermore, machine learning models applied to clinical data to reinforce the findings, highlighting key features such as UPDRS III scores and LEDD as significant predictors of depression. This research establishes a new benchmark for the automated detection of depression in PD patients, emphasizing the potential of integrating facial video analysis with clinical data for more accurate and early diagnosis.en
dc.description.abstractΗ νόσος του Πάρκινσον (ΝΠ) είναι μια προοδευτική νευρολογική διαταραχή που χαρακτηρίζεται από κινητικές και μη κινητικές διαταραχές. συμπτώματα, συμπεριλαμβανομένης της υπομιμίας, μιας σημαντικής μείωσης της εκφραστικότητας του προσώπου. Η υπομιμία, σε συνδυασμό με άλλα συμπτώματα, περιπλέκει την ακριβή εκτίμηση της κατάθλιψης σε ασθενείς με PD. Αυτό το έρευνα παρουσιάζει μια νέα προσέγγιση για την εκτίμηση της κατάθλιψης σε ασθενείς με PD αναλύοντας βίντεο προσώπου καταγραφές προσώπου με τη χρήση τεχνικών βαθιάς μάθησης. Η μελέτη αξιοποιεί δύο σύνολα δεδομένων: ένα ολοκληρωμένο βίντεο σύνολο δεδομένων που περιλαμβάνει 1.875 καταγραφές προσώπου από 173 ασθενείς και ένα λεπτομερές κλινικό σύνολο δεδομένων που αποτελείται από από 140 ασθενείς και 18 χαρακτηριστικά, συμπεριλαμβανομένων κρίσιμων πληροφοριών για τον ασθενή, όπως οι βαθμολογίες UPDRS III και LEDD. Τα αποτελέσματά μας καταδεικνύουν ότι το μοντέλο 3D-CNN-LSTM με προσοχή υπερτερεί έναντι άλλων μοντέλων, επιτυγχάνοντας ακρίβεια 82% σε δυαδική ταξινόμηση και 71,17% σε εργασίες ταξινόμησης πολλαπλών κατηγοριών. Επιπλέον, τα μοντέλα μηχανικής μάθησης εφαρμόζονται σε κλινικά δεδομένα για την ενίσχυση των ευρημάτων, αναδεικνύοντας βασικά χαρακτηριστικά, όπως οι βαθμολογίες UPDRS III και η LEDD, ως σημαντικοί προγνωστικοί παράγοντες της κατάθλιψης. Αυτή η έρευνα καθιερώνει ένα νέο σημείο αναφοράς για την αυτοματοποιημένη ανίχνευση της κατάθλιψης σε ασθενείς με PD, τονίζοντας την δυνατότητες ενσωμάτωσης της ανάλυσης βίντεο προσώπου με κλινικά δεδομένα για ακριβέστερη και έγκαιρη διάγνωση.el
dc.identifier.urihttps://apothesis.hmu.gr/handle/123456789/11192
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.subjectνόσος Πάρκινσον
dc.subjectΒαθιά μάθηση
dc.subjectΜηχανική μάθηση
dc.subjectΚατάθλιψη
dc.subjectΥπομιμία
dc.subjectParkinson's disease
dc.subjectDeep learning
dc.subjectMachine learning
dc.subjectDepression
dc.subjectHypomimia
dc.titleIdentification of Parkinson’s disease facial symptoms by utilizing deep learning techniques.en
dc.titleΠροσδιορισμός των συμπτωμάτων του προσώπου της νόσου Πάρκινσον αξιοποιώντας τεχνικές βαθιάς μάθησης.el
dc.typeΜεταπτυχιακή Διατριβή
heal.academicPublisherIDΕΛΜΕΠΑ Ελληνικό Μεσογειακό Πανεπιστήμιο
Αρχεία
Πρωτότυπος φάκελος/πακέτο
Τώρα δείχνει 1 - 1 of 1
Μικρογραφία εικόνας
Ονομα:
KyprakisIoannis2024.pdf
Μέγεθος:
4.54 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