Show simple item record

Pain detection through biosignal analysis.

Dublin Core metadata

dc.creatorΚαλογεράκη, Μαρίαel
dc.creatorKalogeraki, Mariaen
dc.date.accessioned2022-05-12T09:33:03Z
dc.date.available2022-05-12T09:33:03Z
dc.date.issued2022-05-12
dc.identifier.urihttp://hdl.handle.net/20.500.12688/10269
dc.description.abstractΟ πόνος είναι μια σύνθετη και υποκειμενική εμπειρία. Η ικανότητα έγκυρης ανίχνευσής αποτελεί σημαντικό εργαλείο στην εκτίμηση της υγείας των ασθενών στην ιατρική κοινότητα. Οι κύριες προσεγγίσεις για την εκτίμηση του πόνου είναι η αυτοαναφορά (self-report) από τον ασθενή, η οποία θεωρείται πρότυπο εκτίμησης του πόνου, καθώς και η χρήση ερωτηματολογίων πολλαπλής επιλογής. Παρόλα αυτά οι προσεγγίσεις αυτές φαίνεται να αποτυγχάνουν σε περιπτώσεις όπου οι ασθενείς δεν μπορούν να επικοινωνούν προφορικά την ένταση του πόνου ή όταν δεν έχουν τις απαιτούμενες γνωστικές-νοητικές ικανότητες. Αντικείμενο της παρούσας πτυχιακής εργασίας είναι ο σχεδιασμός και η ανάπτυξη αλγορίθμων επεξεργασίας και ανάλυσης βιοσημάτων (φυσιολογικά σήματα), με σκοπό την ανίχνευση, τη μελέτη και την αξιολόγηση του πόνου. Συγκεκριμένα, διερευνάται η εφαρμογή μίας προσέγγιση μάθησης πολλαπλών καθηκόντων (multitask learning) μέσω της οποίας θα αποδίδονται μεμονωμένες διαφορές στις αντιδράσεις του πόνου. Για τις ανάγκες της πτυχιακής χρησιμοποιήθηκε το ανοικτό σύνολο δεδομένων «BioVid Heat Pain Database»[1], και συγκεκριμένα το υποσύνολο «Part A», για τη δοκιμή των αλγορίθμων επεξεργασίας φυσιολογικών χαρακτηριστικών όπως, η ηλεκτροδερμική δραστηριότητα και το ηλεκτροκαρδιογράφημα, τα οποία σχετίζονται με σωματικές εκδηλώσεις του πόνου, τα αποτελέσματα από τη παρούσα μελέτη για την αναγνώριση και την ένταση του πόνου έδειξαν ότι μπορούν να υπολογιστούν σε ικανοποιητικό βαθμό όπως είχαν υποδείξει προηγούμενοι ερευνητές[2][3][4][5] , πιο συγκεκριμένα τα αποτελέσματα ήταν της τάξης του 77,6% . «Η εκτίμηση του πόνου είναι κρίσιμη για να είναι αποτελεσματική η διαχείριση του πόνου»[6].el
dc.description.abstractPain is a complex and subjective experience. Accurate detection of pain is an important tool in assessing patients' health within the medical community. Current approaches for the detection and estimation of pain include self-reporting by the patient, which is considered as standard, as well as the use of multiple choices questionnaires. However, these approaches appear to fail in cases where patients are unable to communicate verbally the intensity of pain or when they do not have the cognitive-mental abilities needed. The aim of this dissertation is the design and development of biomarkers derived from the processing and analysis of physiological signals for the detection and evaluation of pain. In particular, the implementation of a multitask learning approach is explored through which, individual differences in pain reactions are attributed. For the needs of this work, the open-source “BioVid Heat database” [1] is used, specifically the “Part A” subset, to test algorithms that process physiological characteristics such as, electrodermal activity and electrocardiogram, which are related to nonverbal manifestations of pain. Τhe results show that recognition of pain and different intensities of pain can be estimated to a satisfactory degree of 77.6%, as it has been reported in previous works [2][3] [4][5], as well. . "Pain assessment is critical to effective pain management" [6].en
dc.languageΕλληνικάel
dc.languageGreeken
dc.publisherΕΛ.ΜΕ.ΠΑ., ΣΧΟΛΗ ΜΗΧΑΝΙΚΩΝ (ΣΜΗΧ), Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστώνel
dc.publisherΗ.Μ.U, School of Engineering (ScENG), Electrical and Computer Engineering Depten
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 United States*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/us/*
dc.titleΑνίχνευση πόνου μέσω της ανάλυσης βιοσημάτων.el
dc.titlePain detection through biosignal analysis.en

healMeta

heal.creatorNameΚαλογεράκη, Μαρίαel
heal.creatorNameKalogeraki, Mariaen
heal.publicationDate2022-05-12
heal.identifier.primaryhttp://hdl.handle.net/20.500.12688/10269
heal.abstractΟ πόνος είναι μια σύνθετη και υποκειμενική εμπειρία. Η ικανότητα έγκυρης ανίχνευσής αποτελεί σημαντικό εργαλείο στην εκτίμηση της υγείας των ασθενών στην ιατρική κοινότητα. Οι κύριες προσεγγίσεις για την εκτίμηση του πόνου είναι η αυτοαναφορά (self-report) από τον ασθενή, η οποία θεωρείται πρότυπο εκτίμησης του πόνου, καθώς και η χρήση ερωτηματολογίων πολλαπλής επιλογής. Παρόλα αυτά οι προσεγγίσεις αυτές φαίνεται να αποτυγχάνουν σε περιπτώσεις όπου οι ασθενείς δεν μπορούν να επικοινωνούν προφορικά την ένταση του πόνου ή όταν δεν έχουν τις απαιτούμενες γνωστικές-νοητικές ικανότητες. Αντικείμενο της παρούσας πτυχιακής εργασίας είναι ο σχεδιασμός και η ανάπτυξη αλγορίθμων επεξεργασίας και ανάλυσης βιοσημάτων (φυσιολογικά σήματα), με σκοπό την ανίχνευση, τη μελέτη και την αξιολόγηση του πόνου. Συγκεκριμένα, διερευνάται η εφαρμογή μίας προσέγγιση μάθησης πολλαπλών καθηκόντων (multitask learning) μέσω της οποίας θα αποδίδονται μεμονωμένες διαφορές στις αντιδράσεις του πόνου. Για τις ανάγκες της πτυχιακής χρησιμοποιήθηκε το ανοικτό σύνολο δεδομένων «BioVid Heat Pain Database»[1], και συγκεκριμένα το υποσύνολο «Part A», για τη δοκιμή των αλγορίθμων επεξεργασίας φυσιολογικών χαρακτηριστικών όπως, η ηλεκτροδερμική δραστηριότητα και το ηλεκτροκαρδιογράφημα, τα οποία σχετίζονται με σωματικές εκδηλώσεις του πόνου, τα αποτελέσματα από τη παρούσα μελέτη για την αναγνώριση και την ένταση του πόνου έδειξαν ότι μπορούν να υπολογιστούν σε ικανοποιητικό βαθμό όπως είχαν υποδείξει προηγούμενοι ερευνητές[2][3][4][5] , πιο συγκεκριμένα τα αποτελέσματα ήταν της τάξης του 77,6% . «Η εκτίμηση του πόνου είναι κρίσιμη για να είναι αποτελεσματική η διαχείριση του πόνου»[6].el
heal.abstractPain is a complex and subjective experience. Accurate detection of pain is an important tool in assessing patients' health within the medical community. Current approaches for the detection and estimation of pain include self-reporting by the patient, which is considered as standard, as well as the use of multiple choices questionnaires. However, these approaches appear to fail in cases where patients are unable to communicate verbally the intensity of pain or when they do not have the cognitive-mental abilities needed. The aim of this dissertation is the design and development of biomarkers derived from the processing and analysis of physiological signals for the detection and evaluation of pain. In particular, the implementation of a multitask learning approach is explored through which, individual differences in pain reactions are attributed. For the needs of this work, the open-source “BioVid Heat database” [1] is used, specifically the “Part A” subset, to test algorithms that process physiological characteristics such as, electrodermal activity and electrocardiogram, which are related to nonverbal manifestations of pain. Τhe results show that recognition of pain and different intensities of pain can be estimated to a satisfactory degree of 77.6%, as it has been reported in previous works [2][3] [4][5], as well. . "Pain assessment is critical to effective pain management" [6].en
heal.languageΕλληνικάel
heal.languageGreeken
heal.academicPublisherΕΛ.ΜΕ.ΠΑ., ΣΧΟΛΗ ΜΗΧΑΝΙΚΩΝ (ΣΜΗΧ), Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστώνel
heal.academicPublisherΗ.Μ.U, School of Engineering (ScENG), Electrical and Computer Engineering Depten
heal.titleΑνίχνευση πόνου μέσω της ανάλυσης βιοσημάτων.el
heal.titlePain detection through biosignal analysis.en
heal.typeΠτυχιακή Εργασίαel
heal.typeBachelor thesisen
heal.keywordηλεκτροκαρδιογράφημα, πόνος, βαθιά μάθηση, νευρωνικά δίκτυα, επεξεργασία σήματοςel
heal.keywordelectrocardiography, pain, deep learning, neural networks, signal processingen
heal.accessfreeel
heal.advisorNameΤσικνάκης, Εμμανουήλel
heal.advisorNameTsiknakis, Emmanouilen
heal.academicPublisherIDΕΛ.ΜΕ.ΠΑ. Ελληνικό Μεσογειακό Πανεπιστήμιοel
heal.academicPublisherIDΗ.Μ.U Hellenic Mediterranean University‎en
heal.fullTextAvailabilitytrueel
tcd.distinguishedfalseel
tcd.surveyfalseel


Files in this item

Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record

Attribution-NonCommercial-NoDerivs 3.0 United States
Except where otherwise noted, this item's license is described as Attribution-NonCommercial-NoDerivs 3.0 United States