Η παρούσα διπλωματική εργασία εκπονήθηκε στα πλαίσια της ολοκλήρωσης των
προπτυχιακών σπουδών του Τμήματος Μηχανικών Βιοϊατρικής του Πανεπιστημίου
Δυτικής Αττικής. Σκοπός της εργασίας είναι η δημιουργία ενός τεχνητού νευρωνικού
δικτύου, το οποίο, μέσω μηχανικής μάθησης, θα μπορεί να ανιχνεύει τρία
διαφορετικά επίπεδα άγχους.
Για τη ανάπτυξη ενός τέτοιου αλγορίθμου, χρησιμοποιήθηκαν σήματα αναπνοής και
ηλεκτροκαρδιογραφήματα που εξήχθησαν από μία βάση δεδομένων ανοιχτής
πρόσβασης. Τα βιοσήματα αυτά αποτελούν πορίσματα μελετών που αποσκοπούν
στην αύξηση και την εδραίωση των αποτελεσμάτων της θεραπείας έκθεσης των
ειδικών φοβιών.
Στα πλαίσια της τρέχουσας εργασίας, τα διαθέσιμα βιοσήματα υπέστησαν ψηφιακή
επεξεργασία τόσο σε περιβάλλον MATLAB όσο και μέσω της χρήσης του
λογισμικού AcqKnowledge της εταιρίας Biopac. Στόχος ήταν η εξαγωγή συνόλων
χαρακτηριστικών τα οποία, αφού ταξινομήθηκαν, αποτέλεσαν τα δεδομένα
επιβλεπόμενης μάθησης του Πολυστρωματικού Δικτύου Perceptron (MLP) που
χρησιμοποιήθηκε.
Οι διάφορες δοκιμές στη δομή και την αρχιτεκτονική του τεχνητού νευρωνικού
δικτύου που παρουσιάζονται έδωσαν αποτελέσματα τα οποία αποδεικνύουν μια
μέτρια δυνατότητα ταξινόμησης των συγκεκριμένων βιοσημάτων ανάλογα με την
ύπαρξη υψηλού, μεσαίου ή χαμηλού άγχους. Στα πλαίσια της συζήτησης, προκύπτει
εύλογα το συμπέρασμα ότι τα εξαγόμενα χαρακτηριστικά μπορούν να αποτελέσουν
βάση για μελλοντικές έρευνες σε συνδυασμό με άλλα στατιστικά χαρακτηριστικά ή
παραμέτρους.
.jpg){kind=logo}
University of West Attica
