Model za prepoznavanje stopnje prizadetosti s pomočjo testa tapkanja s prsti pri bolnikih s Parkinsonovo boleznijoKržan, Neža (Avtor) Žabkar, Jure (Mentor) Parkinsonova bolezentest tapkanja s prstiavtokodirnikimetoda najbližjega sosedaklasifikacijaParkinsonova bolezen je ena najpogosteje obravnavanih nevroloških bolezni na področju strojnega učenja. Pravočasna obravnava pacienta in ocena stopnje prizadetosti pomembno prispevata k ustrezni terapiji, kar pa je zaradi dolgih čakalnih vrst pogosto oteženo. Razvili smo klasifikacijski model, ki temelji na opisanih merilih lestvice Movement Disorder Society-Unified Parkinson’s Disease Rating Scale (MDS-UPDRS). Glede na opise v lestvici MDS-UPDRS generiramo umetne signale tapkanja s prsti, katere uporabimo za učenje globokih modelov strojnega učenja; razvite modele nato apliciramo na realne podatke, pridobljene iz video posnetkov. Ocene opredeljujejo tri ključne anomalije: upad amplitude, upad hitrosti in prekinitve signala, ki smo jih matematično opisali in ločeno modelirali s pomočjo treh preprostih avtokodirnikov. Latentni prostori avtokodirnikov so služili kot vhodni podatki za metodo k najbližjih sosedov (kNN), s katero smo določali stopnjo prizadetosti glede na posamezno anomalijo. Za nove primere ne uporabljamo učenja, temveč primerjamo signal tapkanja s prsti z naborom umetno generiranih signalov in s pomočjo metode najbližjega soseda (kNN) poiščemo, kateremu od vnaprej definiranih signalov je opazovani signal najbližji, kar omogoča oceno skladno z merili MDS-UPDRS. Največjo točnost je dosegel model za napoved upada hitrosti, čeprav je numerična opredelitev te anomalije otežena zaradi tekstovnega opisa v lestvici MDS-UPDRS. Zbranih je bilo 183 video posnetkov tapkanja s prsti, iz katerih smo s pomočjo orodja MediaPipe Hand pridobili signale tapkanja. Ti signali so omogočili generiranje umetnega nabora podatkov in testiranje klasifikacijskega pristopa. Avtokodirniki in metode kNN prispevajo k razumevanju povezave med matematično opredeljenimi anomalijami v signalih gibanja prstov in ocenami MDS-UPDRS.20252025-07-24 07:20:00Magistrsko delo/naloga170965VisID: 63070COBISS_ID: 244778499sl