Πρωτότυπος Τίτλος:
Ανάπτυξη μοντέλου διάγνωσης μυοσκελετικών και νευρολογικών παθήσεων από περιορισμένα δεδομένα βάδισης
Συγγραφέας:
Πουλημένος, Γεώργιος, Στυλιανός
Επιβλέπων καθηγητής:
Δίου, Χρήστος
Περίληψη:
Οι μυοσκελετικές και νευρολογικές παθήσεις επηρεάζουν σε μεγάλο βαθμό την ποιότητα ζωής των ασθενών, περιορίζοντας την κινητικότητα τους και προκαλώντας τους χρόνιο πόνο. Η έγκαιρη διάγνωση αυτών των παθήσεων κρίνεται κρίσιμη για την αποτελεσματική θεραπεία. Η κλινική αξιολόγηση αποτελείται από τα εξής : διατάσεις, ασκήσεις, εξετάσεις και ψηλάφηση από εξειδικευμένους επαγγελματίες υγείας . Στόχος των παραπάνω είναι η εκτίμηση της λειτουργικότητας του μυοσκελετικού και νευρικού συστήματος. Η βάδιση αποτελεί μια από τις πιο σύνθετες δραστηριότητες του ανθρώπινου σώματος, απαιτεί τη συνεργασία μεγάλου μέρους των μυϊκών ομάδων του σώματος και την ασταμάτητη επικοινωνία μεταξύ τους μέσω των νευρώνων. Σε περιπτώσεις όπου ένα από αυτά τα συστήματα παρουσιάζει ανωμαλίες τότε παρατηρούνται διαταραχές στη βάδιση, όπως αστάθεια, "πάγωμα" της κίνησης, ασυγχρόνιστα βήματα, απώλεια ισορροπίας και εύκολη κόπωση.
Η πρόοδος στη μηχανική μάθηση έχει επιτρέψει την ανάπτυξη αυτοματοποιημένων συστημάτων διάγνωσης, τα οποία μπορούν να βελτιώσουν την ακρίβεια και την ταχύτητα της ανάλυσης, και εν τέλη την ανίχνευση των διαταραχών αυτών. Στην παρούσα εργασία, αναπτύχθηκαν και αξιολογήθηκαν μοντέλα μηχανικής μάθησης και βαθιάς μάθησης, με έμφαση στα XGBoost και CNN-LSTM, για την ταξινόμηση αυτών των παθήσεων. Έγινε η χρήση δεδομένων από συντεταγμένες αρθρώσεων, οι οποίες εξήχθησαν μέσω του λογισμικου MediaPipe. Τα δεδομένα αυτά στη συνέχεια επεξεργάστηκαν, ώστε να αποτυπώσουν χαρακτηριστικά της βάδισης.
Στη διάγνωση παθήσεων, είναι κρίσιμο τα μοντέλα να αναγνωρίζουν σωστά όλες τις κλάσεις, κρατώντας υψηλό Recall και ισορροπημένο F1-Macro. Το XGBoost με στατιστικά χαρακτηριστικά από CNN πέτυχε υψηλή απόδοση στην ταξινόμηση υγιών και οστεοαρθρίτιδας (Recall 91,87%, Precision 90,90%, Accuracy 95,63%, F1 Macro 91,37%), ενώ στην ταξινόμηση τριών παθήσεων παρουσίασε χαμηλότερα αποτελέσματα (Recall 61,39%, Precision 75,53%, Accuracy 75,38%, F1 Macro 69,66%). Το CNN-LSTM με μέθοδο διαχωρισμού L.O.S.O. έδωσε καλύτερα αποτελέσματα για τις τρεις παθήσεις (F1 Macro 76,75%, Ευστοχία 82,42%, Precision 76,88%, Recall 76,70%), και παρόμοια με την άλλη μέθοδο (F1 Macro 74,52%, Recall 73,96%, Precision 77,30%). Ωστόσο, κανένα από τα πειράματα δεν ξεπέρασε τις προηγούμενες έρευνες στην ταξινόμηση των τριών παθήσεων, παρά μόνο στην διάκριση υγιούς βάδισης και οστεοαρθρίτιδας.
Η πρόοδος στη μηχανική μάθηση έχει επιτρέψει την ανάπτυξη αυτοματοποιημένων συστημάτων διάγνωσης, τα οποία μπορούν να βελτιώσουν την ακρίβεια και την ταχύτητα της ανάλυσης, και εν τέλη την ανίχνευση των διαταραχών αυτών. Στην παρούσα εργασία, αναπτύχθηκαν και αξιολογήθηκαν μοντέλα μηχανικής μάθησης και βαθιάς μάθησης, με έμφαση στα XGBoost και CNN-LSTM, για την ταξινόμηση αυτών των παθήσεων. Έγινε η χρήση δεδομένων από συντεταγμένες αρθρώσεων, οι οποίες εξήχθησαν μέσω του λογισμικου MediaPipe. Τα δεδομένα αυτά στη συνέχεια επεξεργάστηκαν, ώστε να αποτυπώσουν χαρακτηριστικά της βάδισης.
Στη διάγνωση παθήσεων, είναι κρίσιμο τα μοντέλα να αναγνωρίζουν σωστά όλες τις κλάσεις, κρατώντας υψηλό Recall και ισορροπημένο F1-Macro. Το XGBoost με στατιστικά χαρακτηριστικά από CNN πέτυχε υψηλή απόδοση στην ταξινόμηση υγιών και οστεοαρθρίτιδας (Recall 91,87%, Precision 90,90%, Accuracy 95,63%, F1 Macro 91,37%), ενώ στην ταξινόμηση τριών παθήσεων παρουσίασε χαμηλότερα αποτελέσματα (Recall 61,39%, Precision 75,53%, Accuracy 75,38%, F1 Macro 69,66%). Το CNN-LSTM με μέθοδο διαχωρισμού L.O.S.O. έδωσε καλύτερα αποτελέσματα για τις τρεις παθήσεις (F1 Macro 76,75%, Ευστοχία 82,42%, Precision 76,88%, Recall 76,70%), και παρόμοια με την άλλη μέθοδο (F1 Macro 74,52%, Recall 73,96%, Precision 77,30%). Ωστόσο, κανένα από τα πειράματα δεν ξεπέρασε τις προηγούμενες έρευνες στην ταξινόμηση των τριών παθήσεων, παρά μόνο στην διάκριση υγιούς βάδισης και οστεοαρθρίτιδας.
Ημερομηνία κατάθεσης:
2025-07-23
Γλώσσες Τεκμηρίου:
Ελληνικά
Θεματικές Κατηγορίες:
Ηλεκτρονικοί υπολογιστές. Επιστήμη των υπολογιστών
Λοιπά Θέματα:
Ιατρική - πληροφορική
Λέξεις-κλειδιά:
Βαθία Μάθηση, Δεδομένα Βάδισης, Νευρολογικά Προβλημάτα, Μυοσκελετικά Προβλήματα, Μηχανική Μάθηση
Περιγραφή:
88 σ.,εικ.,πίν.,διαγρ.,σχ.
Άδεια χρήσης:
Αναφορά Δημιουργού – Μη Εμπορική Χρήση – Όχι Παράγωγα Έργα 4.0
