Malaguti, Federico
(2024)
Tensorflow e test dell’Alzheimer: alcuni risultati sperimentali.
[Laurea], Università di Bologna, Corso di Studio in
Informatica [L-DM270], Documento full-text non disponibile
Il full-text non è disponibile per scelta dell'autore.
(
Contatta l'autore)
Abstract
Con l'aumento dell'aspettativa di vita è in aumento anche l'incidenza di malattie che portano alla degenerazione cognitiva. Si prevede che entro il 2050 il numero di pazienti affetti da malattia di Alzheimer di età superiore ai 65 anni raggiungerà i 13,8 milioni. Gli attuali trattamenti farmacologici sono solo sintomatici e non riescono a rallentare o curare il processo neurodegenerativo alla base della demenza. Di conseguenza, individuare precocemente il declino cognitivo è di vitale importanza per rispondere efficacemente e fornire interventi preventivi. Recenti studi hanno evidenziato che le modifiche nel linguaggio potrebbero costituire uno dei primi segnali di difetti cognitivi, osservabili con largo anticipo rispetto alla manifestazione di altri deficit. Il mondo scientifico si è già mosso nell'utilizzo di tecniche di Machine Learning per rispondere al problema. Questo studio si concentra su un modello di rete neurale già utilizzato in questo ambito, cercando di analizzarne il funzionamento e la spiegabilità. Il modello è composto da un Autoencoder ed un classificatore, addestrato tramite spettrogrammi ricavati da registrazioni audio. Il dataset è composto da 288 file audio registrati da 98 persone 48 sani e 48 affetti da declino cognitivo. I risultati della classificazione del modello, tramite il metodo presentato, ottengono un buon risultato con 92,29% di accuratezza. Dall'analisi sulla spiegabilità emerge che l'utilizzo di una combinazione di modelli senza un collegamento diretto tra le due reti compromette la spiegabilità del modello e l'interpretabilità dei risultati.
Abstract
Con l'aumento dell'aspettativa di vita è in aumento anche l'incidenza di malattie che portano alla degenerazione cognitiva. Si prevede che entro il 2050 il numero di pazienti affetti da malattia di Alzheimer di età superiore ai 65 anni raggiungerà i 13,8 milioni. Gli attuali trattamenti farmacologici sono solo sintomatici e non riescono a rallentare o curare il processo neurodegenerativo alla base della demenza. Di conseguenza, individuare precocemente il declino cognitivo è di vitale importanza per rispondere efficacemente e fornire interventi preventivi. Recenti studi hanno evidenziato che le modifiche nel linguaggio potrebbero costituire uno dei primi segnali di difetti cognitivi, osservabili con largo anticipo rispetto alla manifestazione di altri deficit. Il mondo scientifico si è già mosso nell'utilizzo di tecniche di Machine Learning per rispondere al problema. Questo studio si concentra su un modello di rete neurale già utilizzato in questo ambito, cercando di analizzarne il funzionamento e la spiegabilità. Il modello è composto da un Autoencoder ed un classificatore, addestrato tramite spettrogrammi ricavati da registrazioni audio. Il dataset è composto da 288 file audio registrati da 98 persone 48 sani e 48 affetti da declino cognitivo. I risultati della classificazione del modello, tramite il metodo presentato, ottengono un buon risultato con 92,29% di accuratezza. Dall'analisi sulla spiegabilità emerge che l'utilizzo di una combinazione di modelli senza un collegamento diretto tra le due reti compromette la spiegabilità del modello e l'interpretabilità dei risultati.
Tipologia del documento
Tesi di laurea
(Laurea)
Autore della tesi
Malaguti, Federico
Relatore della tesi
Correlatore della tesi
Scuola
Corso di studio
Ordinamento Cds
DM270
Parole chiave
Autoencoder,Spiegabilità,Alzheimer,Data Augmentation,Speech Recognition
Data di discussione della Tesi
13 Marzo 2024
URI
Altri metadati
Tipologia del documento
Tesi di laurea
(NON SPECIFICATO)
Autore della tesi
Malaguti, Federico
Relatore della tesi
Correlatore della tesi
Scuola
Corso di studio
Ordinamento Cds
DM270
Parole chiave
Autoencoder,Spiegabilità,Alzheimer,Data Augmentation,Speech Recognition
Data di discussione della Tesi
13 Marzo 2024
URI
Gestione del documento: