bachelor's thesis
Andrej Petrushevski (Avtor), Marko Robnik Šikonja (Mentor), Anita Valmarska (Komentor)

Povzetek

A time series is a sequence of points ordered in time. Time series analysis can often reveal useful patterns for describing certain behavior or for predicting future events. In this thesis, we experimentally express the relationship between the symptoms severity scores of the patients and their gait signals defined as time series. We used different deep neural networks for time series classification and investigated the ability of deep neural networks to automatically extract discriminatory features from raw sensory data. We show how transferred features from the bottom, middle, or top layer of the neural network for human activity recognition affect the models' performance for detection of the symptoms. We empirically assess the accuracy of deep neural networks in a practical scenario where we try to automatically predict the patients' symptoms based on their gait signals.

Ključne besede

wearable sensors;Parkinson's disease;deep learning;computer and information science;diploma;

Podatki

Jezik: Angleški jezik
Leto izida:
Tipologija: 2.11 - Diplomsko delo
Organizacija: UL FRI - Fakulteta za računalništvo in informatiko
Založnik: [A. Petrushevski]
UDK: 004.8:616.858(043.2)
COBISS: 1538421187 Povezava se bo odprla v novem oknu
Št. ogledov: 735
Št. prenosov: 294
Ocena: 0 (0 glasov)
Metapodatki: JSON JSON-RDF JSON-LD TURTLE N-TRIPLES XML RDFA MICRODATA DC-XML DC-RDF RDF

Ostali podatki

Sekundarni jezik: Slovenski jezik
Sekundarni naslov: Detekcija simptomov Parkinsonove bolezni na podlagi nosljivih senzorjev
Sekundarni povzetek: Časovna vrsta je zaporedje časovno razporejenih točk. Analiza časovnih vrst pogosto razkrije uporabne vzorce za opis določenih vedenj ali za napovedovanje prihodnjih dogodkov. Namen diplomskega dela je eksperimentalno določiti resnost simptomov bolnikov z meritvami, pridobljenimi iz pospeškometra in žiroskopa, ki so definirane kot časovne vrste. Za klasifikacijo časovnih vrst smo uporabili globoke nevronske mreže. Raziskali smo sposobnost globokih nevronskih mrež, da samodejno pridobivajo diskriminatorne lastnosti iz surovih senzoričnih podatkov. Pokažemo, kako značilke iz začetnih, sredinskih in končnih nivojev mreže za prepoznavanje človeške dejavnosti vplivajo na uspešnost modelov za odkrivanje simptomov parkinsonove bolezni. Empirično preverimo natančnost globokih nevronskih mrež v praktičnem scenariju, kjer poskušamo oceniti bolnikove simptome na podlagi signalov nosljivih senzorjev med hojo.
Sekundarne ključne besede: nosljivi senzorji;konvolucijske nevronske mreže;Parkinsonova bolezen;globoko učenje;računalništvo in informatika;univerzitetni študij;diplomske naloge;
Vrsta dela (COBISS): Diplomsko delo/naloga
Študijski program: 1000468
Konec prepovedi (OpenAIRE): 1970-01-01
Komentar na gradivo: Univ. v Ljubljani, Fak. za računalništvo in informatiko
Strani: 61 str.
ID: 11255027