EUVIMEDEUVIMED entdecken
Crossref

Αναγνώριση Κατηγορίας Νοητικής Έκπτωσης μέσω Χαρακτηριστικών Κειμένου προερχόμενου από μεταγραφή ομιλίας

Καλομιτσίνης, Γεώργιος Ιωάννη

Aristotle University of Thessaloniki · 01.01.2024

DOI: 10.26262/heal.auth.ir.359046 ↗

Kurz gefasst

Fachartikel in der Zeitschrift Aristotle University of Thessaloniki, erschienen am 01.01.2024. Verfasst von Καλομιτσίνης und 1 weiteren Autor:innen.

AbstractSchlagwörterBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Στόχος της παρούσας διπλωματικής εργασίας είναι η χρήση διαφόρων τεχνικών μηχανικής μάθησης (Machine Learning, ML) στην προσπάθεια ανίχνευσης του σταδίου της νοητικής έκπτωσης μέσω της ανάλυσης κειμένου. Αναλυτικότερα, χρησιμοποιήθηκαν δεδομένα από μεταγραφές (transcripts) ηχητικών αρχείων σε κείμενο από συνεντεύξεις υγιών αλλά και μη ατόμων, ενώ τα δεδομένα ταξινομήθηκαν σε 2 και 4 κλάσεις, με βάση τις κατηγορίες των ασθενών, καθώς και σε ανά άτομο και ανά ερώτηση. Αξιολογήθηκαν οι αποδόσεις 7 αλγορίθμων μηχανικής μάθησης (Naive Bayes, Logistic Regression, KNN, SVM, Decision Tree, Random Forest και XGBoost), χρησιμοποιώντας τρία διαφορετικά μοντέλα επεξεργασίας κειμένου (Fast Text, TFIDF και W2V) και οι μέθοδοι για την επαλήθευση που χρησιμοποιήθηκαν ήταν η StratifiedKFold (SKF) και η Leave One Subject Out για την ανάλυση ανά άτομο και η Leave One Group Out για την ανάλυση ανά ερώτηση. Κάθε μοντέλο αξιολογήθηκε χρησιμοποιώντας μετρικές όπως η ακρίβεια (accuracy), η ισορροπημένη ακρίβεια (balanced accuracy), η ακρίβεια (precision), η ανάκληση (recall) και η βαθμολογία F1 (F1 Score), τόσο σε σύνολα δεδομένων εκπαίδευση (training sets) όσο και σε δοκιμές (testing sets). Τα αποτελέσματα των πειραμάτων έδειξαν ότι οι αποδόσεις των αλγορίθμων ήταν υψηλότερες όταν γινόταν χρήση της μεθόδου SKF σε σχέση με την μέθοδο Leave One Subject Out και Leave One Group Out, και επίσης οι αποδόσεις ήταν υψηλότερες στα πειράματα όπου η κατηγοριοποίηση γινόταν σε 2 κατηγορίες. Τέλος, οι αλγόριθμοι που φαίνεται να αποδίδουν καλύτερα είναι οι Naive Bayes και Random Forest, στο πείραμα όπου η κατηγοριοποίηση γίνεται σε 2 κλάσεις, ανά άτομο, χρησιμοποιώντας την μέθοδο επικύρωσης SKF, τη μέθοδο W2V έπειτα από εφαρμογή GridSearch.

Schlagwörter

psychological exhaustionspeech transcriptsspeech analysistext featuresmachine learning classificationnaive Bayesrandom forestartificial neural networksSVMdecision tree

Zitieren

APA

Καλομιτσίνης, & Ιωάννη, Γ. (2024). Αναγνώριση Κατηγορίας Νοητικής Έκπτωσης μέσω Χαρακτηριστικών Κειμένου προερχόμενου από μεταγραφή ομιλίας. Aristotle University of Thessaloniki. https://doi.org/10.26262/heal.auth.ir.359046

Vancouver

Καλομιτσίνης, Ιωάννη Γ. Αναγνώριση Κατηγορίας Νοητικής Έκπτωσης μέσω Χαρακτηριστικών Κειμένου προερχόμενου από μεταγραφή ομιλίας. Aristotle University of Thessaloniki. 2024. doi:10.26262/heal.auth.ir.359046

BibTeX
@article{2024,
  author = {Καλομιτσίνης and Ιωάννη, Γεώργιος},
  title = {Αναγνώριση Κατηγορίας Νοητικής Έκπτωσης μέσω Χαρακτηριστικών Κειμένου προερχόμενου από μεταγραφή ομιλίας},
  journal = {Aristotle University of Thessaloniki},
  year = {2024},
  doi = {10.26262/heal.auth.ir.359046}
}
Kostenlos starten →