Πρωτότυπος Τίτλος:
Δίκτυα transformer για την αυτόματη ανίχνευση πρόσληψης τροφής από δεδομένα έξυπνου ρολογιού
Συγγραφέας:
Αλημίσης, Παναγιώτης, Δημήτριος
Επιβλέπων καθηγητής:
Δίου, Χρήστος
Περίληψη:
Τα τελευταία χρόνια, οι φορετές συσκευές όπως τα έξυπνα ρολόγια έχουν αποκτήσει μεγάλη δημοτικότητα ως μέσο παρακολούθησης διαφόρων καθημερινών δραστηριοτήτων. Εργαλεία που παρακολουθούν και ανιχνεύουν διάφορες ενέργειες των ανθρώπων στο- χεύουν κυρίως στη βελτίωση της ποιότητας ζωής αλλά και την αντιμετώπιση προβλημάτων υγείας. Οι διατροφικές συνήθειες μας, συντελούν σε αρκετά προβλήματα υγείας, οπότε η αυτόματη παρακολούθηση τους θα μπορούσε να οδηγήσει σε πρόβλεψη αλλά και περιορισμό διάφορων ασθενειών.
Στην παρούσα πτυχιακή εργασία μοντελοποιούμε το πρόβλημα της αυτόματης πα- ρακολούθησης των διατροφικών συνηθειών, μέσω της ανίχνευσης των κύκλων λήψης τροφής (μπουκιές) κατά της διάρκεια ενός γεύματος. Για τον σκοπό αυτόν αναπτύσσουμε 3 μοντέλα βαθιάς μάθησης. Δύο εξ αυτών βασίζονται στα Δίκτυα Μετασχηματιστών (ΔΜ) και το τρίτο αποτελείται από CNN και LSTM επίπεδα. Οι αρχιτεκτονικές που βασίζονται στα ΔΜ, διαφέρουν στον τρόπο επεξεργασίας των δεδομένων αφού στην πρώτη αρχιτεκτονική επιλέξαμε μία ενιαία ροή επεξεργασίας, ενώ στη δεύτερη υπάρχουν δύο ξεχωριστές αλλά παράλληλες ροές επεξεργασίας.
Χρησιμοποιήσαμε το σύνολο δεδομένων Food Intake Cycle (FIC) για την εκπαίδευση αλλά και την αξιολόγηση των μοντέλων που υλοποιήσαμε. Το συγκεκριμένο σύνολο δεδομένων αποτελείται από τις καταγραφές 21 γευμάτων από 12 υποκείμενα. Τα δε- δομένα έχουν τη μορφή σήματος και προέκυψαν από τις μετρήσεις αισθητήρων, επι- ταχυνσιόμετρου και γυροσκοπίου, ενός έξυπνου ρολογιού όπου φορούσαν τα υποκείμενα κατά τη διάρκεια των γευμάτων.
Τα πειράματα πραγματοποιήθηκαν με τη μέθοδο διασταυρωμένης επικύρωσης Leave-One-Subject-Out (LOSO) και χρησιμοποιήσαμε μία μεθοδολογία αξιολόγησης για την εξαγωγή των συμπερασμάτων μέσω διάφορων στατιστικών μετρικών. Τελικά οι αρ- χιτεκτονικές που δοκιμάσαμε πετυχαίνουν F1 score ίσο με 91.2% (ΔΜ 1 ροής), 87.4% (ΔΜ 2 ροών) και 90.6% (CNN-LSTM).
Στην παρούσα πτυχιακή εργασία μοντελοποιούμε το πρόβλημα της αυτόματης πα- ρακολούθησης των διατροφικών συνηθειών, μέσω της ανίχνευσης των κύκλων λήψης τροφής (μπουκιές) κατά της διάρκεια ενός γεύματος. Για τον σκοπό αυτόν αναπτύσσουμε 3 μοντέλα βαθιάς μάθησης. Δύο εξ αυτών βασίζονται στα Δίκτυα Μετασχηματιστών (ΔΜ) και το τρίτο αποτελείται από CNN και LSTM επίπεδα. Οι αρχιτεκτονικές που βασίζονται στα ΔΜ, διαφέρουν στον τρόπο επεξεργασίας των δεδομένων αφού στην πρώτη αρχιτεκτονική επιλέξαμε μία ενιαία ροή επεξεργασίας, ενώ στη δεύτερη υπάρχουν δύο ξεχωριστές αλλά παράλληλες ροές επεξεργασίας.
Χρησιμοποιήσαμε το σύνολο δεδομένων Food Intake Cycle (FIC) για την εκπαίδευση αλλά και την αξιολόγηση των μοντέλων που υλοποιήσαμε. Το συγκεκριμένο σύνολο δεδομένων αποτελείται από τις καταγραφές 21 γευμάτων από 12 υποκείμενα. Τα δε- δομένα έχουν τη μορφή σήματος και προέκυψαν από τις μετρήσεις αισθητήρων, επι- ταχυνσιόμετρου και γυροσκοπίου, ενός έξυπνου ρολογιού όπου φορούσαν τα υποκείμενα κατά τη διάρκεια των γευμάτων.
Τα πειράματα πραγματοποιήθηκαν με τη μέθοδο διασταυρωμένης επικύρωσης Leave-One-Subject-Out (LOSO) και χρησιμοποιήσαμε μία μεθοδολογία αξιολόγησης για την εξαγωγή των συμπερασμάτων μέσω διάφορων στατιστικών μετρικών. Τελικά οι αρ- χιτεκτονικές που δοκιμάσαμε πετυχαίνουν F1 score ίσο με 91.2% (ΔΜ 1 ροής), 87.4% (ΔΜ 2 ροών) και 90.6% (CNN-LSTM).
Ημερομηνία κατάθεσης:
2023-08-22
Γλώσσες Τεκμηρίου:
Ελληνικά
Θεματικές Κατηγορίες:
Ηλεκτρονικοί υπολογιστές. Επιστήμη των υπολογιστών
Λοιπά Θέματα:
Τεχνολογικές καινοτομίες - Ελλάδα
Εφαρμογές, εργαλεία, κλπ.
Εφαρμογές, εργαλεία, κλπ.
Λέξεις-κλειδιά:
Βαθιά μάθηση, έξυπνο ρολόι, Δίκτυα Μετασχηματιστών, Ανίχνευση Τροφής
Περιγραφή:
73 σ.,πίν.,σχ.
Άδεια χρήσης:
Αναφορά Δημιουργού – Μη Εμπορική Χρήση – Όχι Παράγωγα Έργα 4.0
