| Περίληψη |
Οι φορητοί αισθητήρες σώματος σε συνεργασία με τις τεχνικές ανάλυσης δεδομένων
έχουν αρχίσει να χρησιμοποιούνται πρόσφατα στον τομέα της εξατομικευμένης
υγειονομικής περίθαλψης, δεδομένου ότι η φορητή τεχνολογία μπορεί να
παρακολουθεί τη φυσική δραστηριότητα, να συλλέγει δεδομένα και να παρέχει
πληροφορίες σε πραγματικό χρόνο σε άτομα ή εμπειρογνώμονες. Ωστόσο, υπάρχουν
αρκετές προκλήσεις που σχετίζονται με την παρακολούθηση της απόδοσης του
ασθενούς με τη χρήση δεδομένων από αισθητήρες σώματος. Συγκεκριμένα, τα ληφθέντα
δεδομένα μπορεί να είναι πολύ εξατομικευμένα με βάση τον ασθενή και ανεπαρκή για
τη διαφοροποίηση της φυσιολογικής και της ανώμαλης συμπεριφοράς για την
μοντελοποίηση ενός προβλήματος ταξινόμησης. Έτσι, απαιτείται μια εξατομικευμένη
προσέγγιση για την ανάλυση της δραστηριότητας του ασθενούς με ένα μη
εποπτευόμενο ή ημι-εποπτευόμενο τρόπο για την αναγνώριση των προτύπων, η οποία
θα είναι επίσης εφαρμόσιμη σε πολλαπλούς ετερογενείς αισθητήρες που καταγράφουν
διαφορετικά δεδομένα.
Η πλειοψηφία των υφιστάμενων τεχνικών διάγνωσης χρησιμοποιεί χαρακτηριστικά που
εξάγονται από συμβολικές αναπαραστάσεις ή μελετώντας την συχνότητα των σχετικών
δεδομένων, ενώ είτε αγνοούν πλήρως τη συμπεριφορά του υποκείμενου δυναμικού
συστήματος που παράγει τα δεδομένα, είτε δεν έχουν την ικανότητα ταυτόχρονης
επεξεργασίας πολλαπλών διαστάσεων. Για να επισημάνει αυτό το πρόβλημα, η εργασία
αυτή προτείνει μια νέα αυτόματη αρχιτεκτονική για την εξαγωγή χαρακτηριστικών,
μοντελοποιώντας άμεσα την εγγενή δυναμική των δεδομένων των πολυδιάστατων
χρονοσειρών που παράγονται από φορητούς αισθητήρες, σε υψηλότερης διάστασης
χώρους φάσεων όπου στη συνέχεια κωδικοποιούνται οι επανεμφανίσεις των
καταστάσεων που αφορούν μια συγκεκριμένη διαδικασία. Στην πραγματικότητα, η
εργασία αυτή επεκτείνει την γνωστή από τη βιβλιογραφία μέθοδο Ανάλυσης Ποσοτικής
Επαναληψιμότητας (RQA) σε πολυδιάστατα δεδομένα που βασίζεται σε διανύσματα
καταστάσεων, σε μια αρχιτεκτονική που βασίζεται σε πίνακες καταστάσεων. Οι πίνακες
καταστάσεων θεωρούνται περισσότερο κατάλληλες για την περιγραφή πολυδιάστατων
σημάτων από τη μαθηματική σκοπιά, επιτρέποντάς τους να μοντελοποιήσουν τους
συσχετισμούς όχι μόνο εντός ενός σήματος, αλλά και μεταξύ διαφορετικών σημάτων.
Αξίζει να σημειωθεί ότι σε αντίθεση με την ήδη υπάρχουσα προσέγγιση της
βιβλιογραφίας, το παρόν προτεινόμενο πλαίσιο εφαρμόζεται άμεσα σε διάφορες δομές
δεδομένων, όπως εικόνες, υπερφασματικά δεδομένα ή ροές βίντεο.
Η μελέτη αυτή χρησιμοποιεί επιπλέον τεχνικές μηχανικής μάθησης για να σχεδιάσει ένα
αποδοτικό σύστημα εξαγωγής χαρακτηριστικών για την ανακάλυψη πλούσιων σε
πληροφορία προτύπων που καταγράφουν την υποκείμενη δυναμική των δεδομένων
πολυδιάστατων χρονοσειρών για την ανίχνευση της δυσλεξίας. Η δυσλεξία είναι μια
αναπτυξιακή διαταραχή εκμάθησης της ακρίβειας ή / και της ευχέρειας ανάγνωσης
λέξεων, με την έρευνα να κατευθύνεται προς την κατανόηση της συμβολής του οπτικού
συστήματος. Παρόλο που η δυσλεξία δεν είναι μια οφθαλμοκινητική ασθένεια, οι
αναγνώστες με δυσλεξία έχουν δείξει διαφορετικές κινήσεις των ματιών από ότι οι
τυπικά ανεπτυγμένοι μαθητές κατά την ανάγνωση κειμένου. Η πειραματική αξιολόγηση
σε πραγματικά δεδομένα παρακολούθησης των ματιών για τη διάγνωση της δυσλεξίας
καταδεικνύει μια βελτιωμένη απόδοση της μεθόδου μας όσον αφορά την ακρίβεια
ταξινόμησης, το F-score και την ευρωστία παρουσία θορύβου σε σύγκριση με το
μονοδιάστατο και το πολυδιάστατο μοντέλο RQA της βιβλιογραφίας.
|
Automated dynamical analysis of multivariate physiological data for personalized healthcare
