Jegykiválasztás megvalósítása mély neurális hálókkal egészségügyi adatokon

OData támogatás
Konzulens:
Dr. Hullám Gábor István
Méréstechnika és Információs Rendszerek Tanszék

Szakdolgozatom elsődleges célja jegykiválasztási módszerek felkutatása, tanulmányozása, illetve azok képességeinek, és teljesítményének felmérése volt, különös tekintettel a mély neurális hálózaton alapuló vizsgálatokra. Ez utóbbi, összetettebb modellt igénylő módszerek közé tartozik többek között a kimeneti érzékenység vizsgálat, a jel-zaj arány vizsgálat, az Activation Potential Analysis, és a Deep Feature Selection (DFS) is. Mindennek célja, hogy találjak egy olyan jegykiválasztási módszert, amely alkalmas egy, a tanszék által egy kollaboráció keretein belül kapott egészségügyi adatbázison való alkalmazásra. Ezen adatbázis páciensek mentális és fiziológiai adatait, illetve környezeti változóit tartalmazza, esetünkben a célváltozó pedig az orvosilag diagnosztizált depresszió volt. A módszerek viselkedését, és teljesítményét két, az eredeti adathalmazhoz hasonló, mesterségesen generált adathalmazon vizsgáltam, majd az ezeken kapott eredmények alapján állapítottam meg, hogy a megfigyeltek közül mely módszerek a legalkalmasabbak a valós adathalmaz vizsgálatára. Összességében úgy gondolom, hogy a megfigyelések tekintetében sikerült kiválasztani azon két vizsgálatot, amelyek megbízható eredményt adnak a valós adatokon, illetve eredményeik alá is támasztják egymást.

Letölthető fájlok

A témához tartozó fájlokat csak bejelentkezett felhasználók tölthetik le.