Ανίχνευση ήπιας γνωστικής εξασθένησης με χρήση παιχνιδιών σοβαρού σκοπού και αλγορίθμων μηχανικής μάθησης

Abstract

Στη παρούσα διπλωματική εργασία εξετάζουμε το θέμα της ήπιας γνωστικής εξασθένησης, σε συνδυασμό με τα παιχνίδια σοβαρού σκοπού και τους αλγόριθμους μηχανικής μάθησης. Ο κύριος σκοπός της εργασίας είναι να απαντήσει στο ερώτημα του κατά πόσο είναι εφικτό να δημιουργηθεί ένα μοντέλο μηχανικής μάθησης το οποίο θα είναι σε θέση να κατηγοριοποιήσει έναν χρήστη μιας εφαρμογής παιχνιδιών σοβαρού σκοπού σε επιμέρους κατηγορίες γνωστικής επάρκειας. Το θέμα προσεγγίστηκε με μια προσαρμοσμένη μεθοδολογία, η οποία περιλαμβάνει μια σειρά διαδικασιών μέσω των οποίων προσπαθούμε να φτάσουμε στο σημείο όπου θα δημιουργήσουμε ένα μοντέλο το οποίο θα παρέχει έναν ικανοποιητικό βαθμό ακρίβειας για τη τρέχουσα συλλογή δεδομένων και έναν βαθμό αξιοπιστίας για δεδομένα μελλοντικών ερευνών. Τα δεδομένα που αναλύονται αποτελούν τη καταγραφή των επιδόσεων, μιας συγκεκριμένης ομάδας εστίασης, στην εφαρμογή παιχνιδιών σοβαρού σκοπού MCI Rehab. Στα πρώτα βήματα της μεθοδολογίας, επικεντρωνόμαστε σε διαδικασίες που έχουν να κάνουν με τη μεταφορά και το μετασχηματισμό των δεδομένων, έως ότου αυτά έρθουν στη μορφή που επιθυμούμε. Στη συνέχεια, ο κύριος όγκος της εργασίας αφορά τη διερευνητική ανάλυση των δεδομένων, με σκοπό να προκύψουν συμπεράσματα για το ποια θα ήταν τα ιδανικά Features, ο πιο αποδοτικός αλγόριθμος αλλά και οι κατάλληλες μέθοδοι βελτιστοποίησης για τη δημιουργία του επιθυμητού μοντέλου. Έπειτα θα μας απασχολήσουν διαδικασίες που έχουν να κάνουν με τη δημιουργία μιας παραγωγικής έκδοσης του μοντέλου που έχει κριθεί ως ιδανικό από τα προηγούμενα βήματα, αλλά και της ενσωμάτωσής του σε μια υπηρεσία η οποία θα μπορούσε να λειτουργήσει ως ένα REST API. Κλείνοντας πριν καταλήξουμε στα συμπεράσματα, γίνεται αναλυτική αναφορά στα αποτελέσματα του κάθε μοντέλου σε συγκεκριμένα Metrics, τόσο για τα πειραματικά μοντέλα που δημιουργήθηκαν κατά τη διερευνητική ανάλυση όσο και για αυτό που ονομάζουμε παραγωγικό μοντέλο. Κάτω από ιδανικές συνθήκες, μια τέτοια υπηρεσία θα μπορούσε να κάνει χρήση ενός ή και περισσοτέρων από τα μοντέλα που έχουν δημιουργηθεί από τη προσαρμοσμένη μεθοδολογία με σκοπό να αποτελέσουν ένα συμπληρωματικό εργαλείο ανίχνευσης της ήπιας γνωστικής εξασθένησης.

In this thesis we examine the topic of Mild Cognitive Impairment, in conjunction with serious games and machine learning algorithms. The main purpose of this work is to give an answer to the question of whether it is possible to develop a machine learning model that will be able to classify a user of a serious-games application to distinct classes of cognitive competence. The way we approach this issue, is by creating a custom methodology, which consists of a series of processes that we are going to use to create a machine learning model that will be able to classify a user with sufficient confidence and that will be able to retain sufficient accuracy for datasets that will be generated in future studies. The dataset used for this purpose is the record of in-game performance for a focus group in the application of serious games MCI Rehab. During the first steps of this custom methodology, we focus on processes relative to data manipulation until the dataset reaches a certain state in terms of storage and format. In the following steps, the bulk of the work focuses on the exploratory analysis of the data, through which we try to draw conclusions for the ideal feature set to use, the algorithm that creates the most accurate model and the processes to follow for the optimization of the model. Later we deal with processes that are related to creating a production level version of the model and its integration to a service that will play the role of a REST API. Before we draw the final conclusions related to this work, we analyze the results of each model created during the exploratory analysis process and of the production model. In ideal circumstances, such a service could make use of one or more of the models created in order to play the role of a complementary process to the existing process of Mild Cognitive Impairment detection.