Ανίχνευση ψυχοκινητικών διαταραχών από μοτίβα πληκτρολόγησης σε οθόνες αφής χρησιμοποιώντας προηγμένες τεχνικές μηχανικής μάθησης

Περίληψη

Η απουσία οικολογικά έγκυρων μεθόδων ανίχνευσης συμπτωμάτων αποτρέπει την πυκνή δειγματοληψία παραμέτρων που θα καταστήσουν εφικτή τη διαμήκη και απομακρυσμένη παρακολούθηση της υγείας. Τα παραπάνω υπήρξαν εφαλτήριο για την ανάπτυξη μηχανισμών εξαγωγής πληροφορίας από απομακρυσμένη και οικολογικά έγκυρη συλλογή δεδομένων με σκοπό τη δημιουργία ψηφιακών βιοδεικτών. Αρχικά διερευνήσαμε πώς τα ψυχοκινητικά συμπτώματα της νόσου του Πάρκινσον μπορούν να επηρεάσουν τις μεταβλητές πληκτρολόγησης από τις χρονικές ακολουθίες πίεσης και απελευθέρωσης πλήκτρων. Το πρώτο πείραμα συλλογής δεδομένων έγινε σε ελεγχόμενες συνθήκες καταγραφής (εντός της κλινικής) καταγράφοντας μοτίβα πληκτρολόγησης σε οθόνες αφής από υγιείς και ασθενείς της νόσου. Η ανάπτυξη μεθοδολογίας βασισμένης σε μηχανική μάθηση απέδωσε ικανοποιητικά αποτελέσματα για την ανίχνευση της ψυχοκινητικής επιβάρυνσης αντανακλώντας χαρακτηριστικά που συσχετίζονται με κλινικές αξιολογήσεις. Ως επόμενο βήμα, ελέγξαμε την εγκυρότητα των ευρη ...
περισσότερα

Περίληψη σε άλλη γλώσσα

In this thesis, we contributed methods for digital biomarkers extraction based on commercial devices used in an ecologically valid framework (in-the-wild) based on machine learning methods to detect fine-motor impairment (FMI) from keystroke variables from routine typing activity from the natural user-interaction with smartphone’s touchscreens. We initially explored how the symptoms of Parkinson’s Disease (PD) related with FMI can influence the keystroke variables that resembles the time-sequences of typing; key hold and key flight time. This was initiated from an in-the-clinic data collection experiment which reflected promising results on detecting PD from typing pattern analysis, achieving promising diagnostic properties with features plausibly correlating with clinical scores of relevant PD motor symptoms. As a next step we expanded the validity of the latter findings in-the-wild scenarios as a regression problem to interpret the footprint of specific underlying symptoms such as br ...
περισσότερα
Η διατριβή είναι δεσμευμένη από τον συγγραφέα  (μέχρι και: 7/2023)
Διεύθυνση Handle
http://hdl.handle.net/10442/hedi/49741
ND
49741
Εναλλακτικός τίτλος
Detection of psychomotor impairment from typing patterns on touchscreens using advanced machine learning techniques
Συγγραφέας
Ιακωβάκης, Δημήτριος του Ευάγγελος
Ημερομηνία
2021
Ίδρυμα
Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης (ΑΠΘ). Σχολή Πολυτεχνική. Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τηλεπικοινωνιών
Εξεταστική επιτροπή
Χατζηλεοντιάδης Λεόντιος
Ρέκανος Ιωάννης
Ντελόπουλος Αναστάσιος
Σεργιάδης Γεώργιος
Μπαμίδης Παναγιώτης
Chaudhury Ray-Kallol
Κουγιουμτζής Δημήτριος
Επιστημονικό πεδίο
Επιστήμες Μηχανικού και ΤεχνολογίαΕπιστήμη Ηλεκτρολόγου Μηχανικού, Ηλεκτρονικού Μηχανικού, Μηχανικού Η/Υ ➨ Μηχανική και συστήματα επικοινωνιών, Τηλεπικοινωνίες
Επιστήμες Μηχανικού και ΤεχνολογίαΒιοϊατρική Μηχανική ➨ Βιοϊατρική μηχανική
Λέξεις-κλειδιά
Βιοϊατρική; Μηχανική μάθηση και Αναγνώριση προτύπων; Διεπαφή ανθρώπου μηχανής; Δείκτης πρώϊμης διάγνωσης; Ψυχοκινητικές διαταραχές; Επεξεργασία σήματος
Χώρα
Ελλάδα
Γλώσσα
Αγγλικά
Άλλα στοιχεία
εικ., πιν., σχημ., γραφ.
Στατιστικά χρήσης
ΠΡΟΒΟΛΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής.
Πηγή: Google Analytics.
ΞΕΦΥΛΛΙΣΜΑΤΑ
Αφορά στο άνοιγμα του online αναγνώστη.
Πηγή: Google Analytics.
ΜΕΤΑΦΟΡΤΩΣΕΙΣ
Αφορά στο σύνολο των μεταφορτώσων του αρχείου της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
ΧΡΗΣΤΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.