1. Repository of OAI
  2. ΑΠΟΘΕΤΗΡΙΟ "ΟΛΥΜΠΙΑΣ"
  3. Σχολή Πληροφορικής και Τηλεπικοινωνιών
  4. Τμήμα Πληροφορικής και Τηλεπικοινωνιών
  5. Διατριβές Μεταπτυχιακής Έρευνας (Masters) - ΠΤΠ
Ελληνικά   English  
Please use this identifier to cite or link to this item: https://olympias.lib.uoi.gr/jspui/handle/123456789/38919
Full metadata record
DC FieldValueLanguage
dc.contributor.authorΨαθάς, Αιμίλιοςel
dc.contributor.authorPsathas, Aimiliosen
dc.date.accessioned2025-04-11T05:49:33Z-
dc.date.available2025-04-11T05:49:33Z-
dc.identifier.urihttps://olympias.lib.uoi.gr/jspui/handle/123456789/38919-
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 United States*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/us/*
dc.subjectΝόσος του πάρκινσονel
dc.subjectΑνάλυση δεδομένωνel
dc.subjectΜηχανική μάθησηel
dc.subjectΕπιλογή χαρακτηριστικώνel
dc.subjectΔιαδίκτυο των Αντικειμένωνel
dc.subjectParkinson’s diseaseen
dc.subjectData analysisen
dc.subjectMachine learningen
dc.subjectFeature selectionen
dc.subjectΙnternet of thingsen
dc.titleΠροηγμένες τεχνικές ανάλυσης δεδομένων και μηχανικής μάθησης για την ανίχνευση της νόσου του Πάρκινσονel
dc.titleAdvanced data analysis and machine learning techniques for the detection of Parkinson's disease.en
dc.typemasterThesisen
heal.typemasterThesisel
heal.type.enMaster thesisen
heal.type.elΜεταπτυχιακή εργασίαel
heal.classificationΑνάλυση δεδομένων και μηχανικής μάθησης
heal.classificationΠαρκινσον
heal.classificationData analysis and machine learning
heal.classificationParkinson
heal.dateAvailable2025-04-11T05:50:33Z-
heal.languageelel
heal.accessfreeel
heal.recordProviderΠανεπιστήμιο Ιωαννίνων. Σχολή Πληροφορικής και Τηλεπικοινωνιώνel
heal.publicationDate2025-04-
heal.abstractΗ Νόσος του Πάρκινσον (PD) είναι μια προοδευτική νευροεκφυλιστική διαταραχή, που χαρακτηρίζεται από κινητικά συμπτώματα όπως τρόμος, βραδυκινησία και ακαμψία. Η έγκαιρη και ακριβής διάγνωση αποτελεί πρόκληση λόγω της υποκειμενικότητας των κλινικών αξιολογήσεων. Η παρούσα μελέτη διερευνά τη συνδυασμένη χρήση τεχνολογιών Διαδικτύου των Αντικειμένων (IoT) και τεχνικών Μηχανικής Μάθησης (ML) για τη βελτίωση της ανίχνευσης και παρακολούθησης της PD. Σχεδιάστηκε ένα έξυπνο γάντι (SmartGlove), εφοδιασμένο με επιταχυνσιόμετρα, γυροσκόπια και αισθητήρες κάμψης, για τη συλλογή δεδομένων κίνησης σε πραγματικό χρόνο από ασθενείς. Το γάντι καταγράφει τα μοτίβα κίνησης κατά τη διάρκεια τυποποιημένων ασκήσεων, επιτρέποντας την ποσοτική ανάλυση των συμπτωμάτων. Η προεπεξεργασία των δεδομένων περιελάμβανε εξαγωγή χαρακτηριστικών, όπως στατιστικά μεγέθη, χαρακτηριστικά συχνοτήτων και δυναμικές παραμέτρους, ακολουθούμενη από αυστηρή επιλογή με t-tests, Random Forest και Ανάλυση Κύριων Συνιστωσών (PCA). Βασικά χαρακτηριστικά, όπως η φασματική εντροπία, το εύρος διατεταρτημορίου (IQR) και οι εκθέτες Lyapunov, αναδείχθηκαν ως σημαντικοί διαχωριστικοί παράγοντες μεταξύ ασθενών και υγιών ατόμων. Μοντέλα μηχανικής μάθησης (Λογιστική Παλινδρόμηση, Μηχανές Διανυσμάτων Υποστήριξης (SVM)), Random Forest και Gradient Boosting, εκπαιδεύτηκαν και αξιολογήθηκαν, με το Random Forest να επιτυγχάνει την υψηλότερη ακρίβεια στην ταξινόμηση των κινητικών διαταραχών. Τα αποτελέσματα επιβεβαιώνουν ότι οι συσκευές IoT, σε συνδυασμό με ML, μπορούν να ποσοτικοποιήσουν αντικειμενικά τα συμπτώματα της PD, προσφέροντας ένα κλιμακούμενο εργαλείο για απομακρυσμένη παρακολούθηση και έγκαιρη διάγνωση. Μελλοντικές έρευνες θα εστιάσουν στην επικύρωση του συστήματος σε μεγαλύτερες ομάδες ασθενών και στην ενσωμάτωση πολυτροπικών δεδομένων για τη βελτίωση της προβλεπτικής απόδοσης. Η προσέγγιση αυτή διατηρεί υπόσχεση για εξατομικευμένη θεραπεία και βελτιωμένα κλινικά αποτελέσματα.el
heal.abstractParkinson’s Disease (PD) is a progressive neurodegenerative disorder characterized by motor symptoms such as tremors, bradykinesia, and rigidity. Early and accurate diagnosis remains challenging due to the subjective nature of clinical assessments. This study explores the integration of Internet of Things (IoT) technologies and machine learning (ML) techniques to improve PD detection and monitoring. A custom-designed SmartGlove, equipped with accelerometers, gyroscopes, and flex sensors, was developed to collect real-time kinematic data from patients. The glove captures movement patterns during standardized exercises, enabling quantitative analysis of motor symptoms. Data preprocessing involved feature extraction, including statistical, frequency-domain, and dynamic characteristics, followed by rigorous selection using t-tests, Random Forest, and Principal Component Analysis (PCA). Key features such as spectral entropy, interquartile range (IQR), and Lyapunov exponents were identified as significant discriminators between PD and healthy states. Machine learning models (Logistic Regression, Support Vector Machines (SVM), Random Forest, and Gradient Boosting) were trained and evaluated, with Random Forest achieving the highest accuracy in classifying PD, related motor impairments. The results demonstrate that IoT-enabled devices, combined with ML, can objectively quantify PD symptoms, offering a scalable tool for remote monitoring and early diagnosis. Future work will focus on validating the system in larger cohorts and integrating multimodal data to enhance predictive performance. This approach holds promise for personalized therapy and improved clinical outcomes in neurodegenerative disease management.en
heal.advisorNameGiannakeas, Nikolaosen
heal.committeeMemberNameΤσούλος, Ιωάννηςen
heal.committeeMemberNameΤζάλλας, Αλέξανδροςen
heal.academicPublisherΠανεπιστήμιο Ιωαννίνων. Σχολή Πληροφορικής και Τηλεπικοινωνιών. Τμήμα Πληροφορικής και Τηλεπικοινωνιώνel
heal.academicPublisherIDuoiel
heal.numberOfPages115el
heal.fullTextAvailabilitytrue-
Appears in Collections:Διατριβές Μεταπτυχιακής Έρευνας (Masters) - ΠΤΠ

Show simple item record
Files in This Item:
File Description SizeFormat 
Μ.Ε. Ψαθάς Αιμίλιος (2025).pdf1.8 MBAdobe PDFView/Open
Show simple item record  


This item is licensed under a Creative Commons License Creative Commons