ΑΝΑΓΝΩΡΙΣΗ ΚΑΤΗΓΟΡΙΑΣ ΨΥΧΙΚΩΝ ΠΑΘΗΣΕΩΝ ΚΑΙ ΔΙΑΤΑΡΑΧΩΝ ΧΡΗΣΙΜΟΠΟΙΩΝΤΑΣ ΤΕΧΝΙΚΕΣ ΕΠΕΞΕΡΓΑΣΙΑΣ ΚΑΙ ΑΝΑΛΥΣΗΣ ΕΙΚΟΝΩΝ
| dc.contributor.advisor | Κούτρας, Αθανάσιος | |
| dc.contributor.author | Κουργιαλά, Γεωργία | |
| dc.contributor.committee | Δροσόπουλος, Αναστάσιος | |
| dc.contributor.department | Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών | el |
| dc.contributor.faculty | Σχολή Μηχανικών | el |
| dc.contributor.master | Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών (Integrated master) | el |
| dc.date.accessioned | 2025-06-30T07:20:46Z | |
| dc.date.available | 2025-06-30T07:20:46Z | |
| dc.date.issued | 2025-05-20 | |
| dc.description.abstract | Η παρούσα διπλωματική εργασία διερευνά τη χρήση τεχνητής νοημοσύνης για την υποβοήθηση της διάγνωσης ψυχιατρικών διαταραχών, με έμφαση στον Αλκοολισμό (Alcohol Use Disorder) και τη Σχιζοφρένεια. Στην εργασία αυτή, εξετάζεται η δυνατότητα ταξινόμησης των εν λόγω διαταραχών βάσει μη λεκτικών δεδομένων – συγκεκριμένα, σχεδίων που έχουν παραχθεί από ασθενείς. Χρησιμοποιούνται Συνελικτικά Νευρωνικά Δίκτυα (CNNs) υλοποιημένα σε Python με τις βιβλιοθήκες TensorFlow και Keras. Η εργασία προτείνει μια καινοτόμο αρχιτεκτονική συνδυαστικού (fusion) νευρωνικού δικτύου, η οποία συνενώνει χαρακτηριστικά από πολλαπλά μοντέλα για τη βελτίωση της ακρίβειας ταξινόμησης. Τα δεδομένα παρέχονται από τον ψυχίατρο Δρ. Κωνσταντίνο Λιόλιο και περιλαμβάνουν ανωνυμοποιημένα σχέδια ταξινομημένα ανά διαγνωστική ομάδα. Εφαρμόστηκαν τεχνικές επαύξησης δεδομένων και τακτοποίησης για την ενίσχυση της γενίκευσης, ενώ η απόδοση των μοντέλων αξιολογήθηκε μέσω δεικτών όπως η ακρίβεια και η απώλεια. Οπτικοποιήσεις του χώρου χαρακτηριστικών μέσω της μεθόδου t-SNE προσέφεραν περαιτέρω ερμηνεία των αποτελεσμάτων. Η προτεινόμενη αρχιτεκτονική fusion πέτυχε καλύτερα αποτελέσματα συγκριτικά με τα επιμέρους δίκτυα, αναδεικνύοντας τη δυναμική του συστήματος ως ένα καινοτόμο εργαλείο διαγνωστικής υποστήριξης βασισμένο σε γραφική είσοδο. Η παρούσα εργασία σηματοδοτεί ένα πρώτο, πρωτοποριακό βήμα προς την ενσωμάτωση εξηγούμενης τεχνητής νοημοσύνης στην αξιολόγηση ψυχικών διαταραχών. | el |
| dc.description.abstracttranslated | This thesis investigates the use of artificial intelligence to support the diagnosis of psychiatric disorders, focusing on Alcohol Use Disorder and Schizophrenia. Conducted as part of the integrated Master’s program at the Department of Electrical and Computer Engineering, University of Peloponnese, the study explores whether machine learning can reliably classify mental health conditions based on non-verbal data—specifically, patients' drawings. Utilizing Convolutional Neural Networks (CNNs) implemented in Python with TensorFlow and Keras, the work introduces a novel fusion network that combines features from multiple trained models to enhance classification performance. The dataset, provided by psychiatrist Dr. Konstantinos Liolos, consists of anonymized patient drawings categorized into diagnostic groups. Data augmentation and regularization techniques were applied to improve generalization, and model performance was assessed using standard metrics such as accuracy and loss. Feature space visualizations using t-SNE provided further insights into the learned representations. The fusion architecture delivered improved results over individual CNNs, demonstrating the potential of the proposed method as a first-of-its-kind diagnostic support tool based on graphical input. This research marks a novel step toward the integration of explainable deep learning in the clinical assessment of psychiatric conditions. | el |
| dc.format.extent | 109 | el |
| dc.identifier.uri | https://amitos.library.uop.gr/xmlui/handle/123456789/9001 | |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πελοποννήσου | el |
| dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ | * |
| dc.subject.keyword | CNN, VGG16, ΨΥΧΙΑΤΡΙΚΕΣ ΠΑΘΗΣΕΙΣ, ΣΧΙΖΟΦΡΕΝΕΙΑ, ΑΛΚΟΟΛΙΣΜΟΣ | el |
| dc.title | ΑΝΑΓΝΩΡΙΣΗ ΚΑΤΗΓΟΡΙΑΣ ΨΥΧΙΚΩΝ ΠΑΘΗΣΕΩΝ ΚΑΙ ΔΙΑΤΑΡΑΧΩΝ ΧΡΗΣΙΜΟΠΟΙΩΝΤΑΣ ΤΕΧΝΙΚΕΣ ΕΠΕΞΕΡΓΑΣΙΑΣ ΚΑΙ ΑΝΑΛΥΣΗΣ ΕΙΚΟΝΩΝ | el |
| dc.type | Μεταπτυχιακή διπλωματική εργασία | el |