Previsione del declino funzionale tramite l'utilizzo di Reti Neurali Ricorrenti.

Fongo, Daniele (2017) Previsione del declino funzionale tramite l'utilizzo di Reti Neurali Ricorrenti. [Laurea magistrale], Università di Bologna, Corso di Studio in Ingegneria informatica [LM-DM270]
Documenti full-text disponibili:
[img] Documento PDF (Thesis)
Disponibile con Licenza: Creative Commons: Attribuzione - Condividi allo stesso modo 3.0

Download (4MB)

Abstract

PreventIT è un progetto europeo nato con il fine di prevenire il declino funzionale e l'insorgere di disabilità in persone prossime all'anzianità. Questo viene fatto da una parte promuovendo un invecchiamento salutare attraverso l'uso di dispositivi tecnologici come smartphone e smartwatch che incoraggino l'attività fisica, dall'altra parte effettuando degli screening continui, osservazioni o controlli periodici per analizzare i rischi del declino ed individuare le persone più in pericolo al fine di intervenire il prima possibile. A partire dagli stessi dati utilizzati all'interno del progetto europeo sopra citato, lo scopo della tesi è stato quello di sviluppare un tool parallelo basato su Reti Neurali Artificiali in grado di automatizzare tale analisi del rischio, offrendo una buona previsione del possibile declino funzionale futuro a partire da una serie di osservazioni sulle persone. In particolare, l'interesse scientifico del progetto è stato nel constatare quale fosse il modello di rete neurale che meglio riuscisse a predire una classe di rischio partendo da uno scenario complesso in cui le osservazioni risultano eterogenee poiché estrapolate da multipli dataset differenti. I risultati sperimentali dimostrano che l’utilizzo di Long Short-Term Memory e di Deep Feedforward garantiscono ottime previsioni di declino funzionale, con un AUCROC pari a 0.881 e 0.883 rispettivamente. Ciò indica che un approccio ricorrente ed un’analisi temporale di intere sequenze di osservazioni potrebbero non risultare necessari per la predizione del declino funzionale.

Abstract
Tipologia del documento
Tesi di laurea (Laurea magistrale)
Autore della tesi
Fongo, Daniele
Relatore della tesi
Correlatore della tesi
Scuola
Corso di studio
Ordinamento Cds
DM270
Parole chiave
Health Informatics,Functional Decline,Classification,Supervised Learning,Neural Network,Machine Learning,Deep Learning,Long Short-Term Memory,Tensorflow
Data di discussione della Tesi
20 Dicembre 2017
URI

Altri metadati

Statistica sui download

Gestione del documento: Visualizza il documento

^