VILNIUS TECH didžiuojasi savo doktorantų disertacijomis, todėl VILNIUS TECH Biblioteka kviečia sekti skelbiamas naujas apgintas disertacijas. Šiandien pristatoma disertacija „Mašininio mokymo metodų tyrimas ir taikymas migrenos priepuoliui prognozuoti“ („Research and application of machine learning methods for migraine attack prediction“), kurią parengė doktorantė Viroslava Kapustynska. Disertacija rengta 2021–2026 metais Vilniaus Gedimino technikos universitete, vadovas – prof. dr. Šarūnas Paulikas.
Disertacija ginama viešame Elektros ir elektronikos inžinerijos mokslo krypties disertacijos gynimo tarybos posėdyje 2026 m. birželio 9 d. 14 val. Vilniaus Gedimino technikos universiteto Aula Doctoralis posėdžių salėje.
Migrena yra sudėtingas neurologinis sutrikimas, pasižymintis didele tarpindividualine ir intraindividualine kintamumo variacija, todėl ankstyvas priepuolių prognozavimas remiantis vien klinikiniais stebėjimais yra sudėtingas. Nešiojamieji biosensoriai kartu su mašininio mokymosi metodais suteikia galimybę nustatyti subtilius fiziologinius pokyčius, galinčius pasireikšti prieš migrenos priepuolį, ir kurti individualizuotus prognozavimo metodus.
Disertacijoje tiriama migrenos analizė ir kitos dienos migrenos prognozavimas naudojant fiziologinius duomenis, surinktus realiomis gyvenimo sąlygomis. Duomenys buvo registruojami naudojant nešiojamąjį įrenginį Empatica Embrace Plus ir apima elektroderminės odos veiklos, pulso dažnio, odos temperatūros ir judesio signalus. Analizė orientuota į naktinius įrašus, nes nakties laikotarpis pasižymi stabilesnėmis fiziologinėmis sąlygomis ir mažesne išorinių veiksnių įtaka. Naktys buvo standartizuotos taikant miego pagrindu paremtą kontekstinį atrinkimą ir nuoseklias naktų parinkimo taisykles.
Eksperimentinė analizė organizuota dviem etapais. Pirmajame etape taikoma lango lygmens dvejetainė klasifikacijos užduotis, siekiant įvertinti, kaip metodiniai sprendimai veikia modelių veikimą. Naktiniai įrašai suskirstomi į analizės langus nuo penkių iki šimto dvidešimties minučių trukmės, apskaičiuojami statistiniai požymiai, o signalų išankstinio apdorojimo ir požymių reprezentacijos įtaka vertinama taikant kelias klasifikatorių šeimas, įskaitant Random Forest, XGBoost, histograminį gradientinį stiprinimą, atraminių vektorių mašinas ir artimiausių kaimynų metodą.
Antrajame etape vertinamas kitos dienos migrenos prognozavimas, remiantis visos nakties duomenimis. Šiame etape taikoma griežtesnė validavimo schema, siekiant gauti patikimesnius modelių veikimo įverčius, o analizėje daugiausia dėmesio skiriama laiko agregavimo poveikiui, lyginant tas pačias klasifikatorių šeimas nuoseklioje vertinimo aplinkoje.
Rezultatai rodo didelę dalyvių tarpusavio variaciją tiek prognozavimo tikslumo, tiek optimalių modelių konfigūracijų atžvilgiu. Trumpesni analizės langai dažniau išsaugo informatyvius trumpalaikius fiziologinius pokyčius, o ilgesni langai linkę šiuos svyravimus išlyginti. Signalų išankstinis apdorojimas pasižymi nuo lango trukmės priklausančiu poveikiu ir neužtikrina nuoseklaus rezultatų pagerėjimo.
Gauti rezultatai pabrėžia laiko rezoliucijos, griežtos validacijos ir individualizuoto modeliavimo svarbą kuriant migrenos prognozavimo sistemas, paremtas nešiojamųjų įrenginių duomenimis.
Mokslo darbą galite rasti VILNIUS TECH Virtualiojoje bibliotekoje.
