Zanotti, Michelle
(2023)
Implementazione e Valutazione di Architetture Deep Learning per la Predizione End-to-End della Qualità dei Processi Riabilitativi in Telemedicina.
[Laurea magistrale], Università di Bologna, Corso di Studio in
Informatica [LM-DM270]
Documenti full-text disponibili:
![[img]](http://amslaurea.unibo.it/style/images/fileicons/application_pdf.png) |
Documento PDF (Thesis)
Disponibile con Licenza: Salvo eventuali più ampie autorizzazioni dell'autore, la tesi può essere liberamente consultata e può essere effettuato il salvataggio e la stampa di una copia per fini strettamente personali di studio, di ricerca e di insegnamento, con espresso divieto di qualunque utilizzo direttamente o indirettamente commerciale. Ogni altro diritto sul materiale è riservato
Download (5MB)
|
Abstract
Un processo riabilitativo - l’esecuzione di un determinato esercizio di riabilitazione - solitamente è analizzato e valutato da specialisti presenti durante lo svolgimento di questo, presso strutture mediche.
La telemedicina introduce la possibilità di valutare la qualità di un determinato processo riabilitativo da remoto sfruttando sistemi intelligenti ed esperti.
All’interno di questo lavoro di tesi ci si concentra sullo sviluppo di sistemi di Machine Learning, nel dettaglio sistemi Deep Learning supervisionati, in grado di fornire la qualità di un processo riabilitativo partendo dal video dell’esecuzione di un esercizio, con particolare attenzione rispetto alla possibile relazione presente tra la correttezza della predizione ottenuta e il livello di automazione introdotto da un modello.
Gli esercizi da valutare possono essere di cinque tipologie differenti e le valutazioni di questi sono composte da cinque aspetti distinti del movimento.
I video dello svolgimento degli esercizi subiscono alcune manipolazioni sfruttando la stima della posa di un individuo.
I framework sviluppati sono tre con automazione crescente, ma sfruttano le stesse architetture deep: Multi Layer Perceptron multi-output, per fornire la predizione della qualità, e Long Short Time Memory, per il riconoscimento dell’attività.
Si parte da un modello differente in base al tipo di esercizio da analizzare, successivamente viene introdotto il riconoscimento dell’attività al fine di poter utilizzare un unico modello indipendentemente dall’esercizio e infine viene implementata un’architettura con addestramento End-to-End.
Le performance dei modelli vanno di pari passo con l’aumento dell’automazione al loro interno, infatti l’architettura con il livello di automazione maggiore risulta essere anche quella con prestazioni migliori.
Il lavoro si conclude con una dimostrazione, tramite video non sfruttati per l’addestramento dei modelli, con la finalità di simulare il reale utilizzo di quanto implementato.
Abstract
Un processo riabilitativo - l’esecuzione di un determinato esercizio di riabilitazione - solitamente è analizzato e valutato da specialisti presenti durante lo svolgimento di questo, presso strutture mediche.
La telemedicina introduce la possibilità di valutare la qualità di un determinato processo riabilitativo da remoto sfruttando sistemi intelligenti ed esperti.
All’interno di questo lavoro di tesi ci si concentra sullo sviluppo di sistemi di Machine Learning, nel dettaglio sistemi Deep Learning supervisionati, in grado di fornire la qualità di un processo riabilitativo partendo dal video dell’esecuzione di un esercizio, con particolare attenzione rispetto alla possibile relazione presente tra la correttezza della predizione ottenuta e il livello di automazione introdotto da un modello.
Gli esercizi da valutare possono essere di cinque tipologie differenti e le valutazioni di questi sono composte da cinque aspetti distinti del movimento.
I video dello svolgimento degli esercizi subiscono alcune manipolazioni sfruttando la stima della posa di un individuo.
I framework sviluppati sono tre con automazione crescente, ma sfruttano le stesse architetture deep: Multi Layer Perceptron multi-output, per fornire la predizione della qualità, e Long Short Time Memory, per il riconoscimento dell’attività.
Si parte da un modello differente in base al tipo di esercizio da analizzare, successivamente viene introdotto il riconoscimento dell’attività al fine di poter utilizzare un unico modello indipendentemente dall’esercizio e infine viene implementata un’architettura con addestramento End-to-End.
Le performance dei modelli vanno di pari passo con l’aumento dell’automazione al loro interno, infatti l’architettura con il livello di automazione maggiore risulta essere anche quella con prestazioni migliori.
Il lavoro si conclude con una dimostrazione, tramite video non sfruttati per l’addestramento dei modelli, con la finalità di simulare il reale utilizzo di quanto implementato.
Tipologia del documento
Tesi di laurea
(Laurea magistrale)
Autore della tesi
Zanotti, Michelle
Relatore della tesi
Scuola
Corso di studio
Indirizzo
Curriculum B: Informatica per il management
Ordinamento Cds
DM270
Parole chiave
Telemedicina,Riabilitazione,Architetture deep,Addestramento end-to-end
Data di discussione della Tesi
12 Ottobre 2023
URI
Altri metadati
Tipologia del documento
Tesi di laurea
(NON SPECIFICATO)
Autore della tesi
Zanotti, Michelle
Relatore della tesi
Scuola
Corso di studio
Indirizzo
Curriculum B: Informatica per il management
Ordinamento Cds
DM270
Parole chiave
Telemedicina,Riabilitazione,Architetture deep,Addestramento end-to-end
Data di discussione della Tesi
12 Ottobre 2023
URI
Statistica sui download
Gestione del documento: