FenixEdu™

Dissertação

{en_GB=Discovery of temporal patterns from multivariate time series data to support the classification of dementia profiles} {} EVALUATED

Detalhes: {pt=O recurso à prospecção de dados é crescentemente comum na Medicina como forma de auxiliar o diagnóstico e prognóstico. Contudo, os métodos actuais estão limitados na sua capacidade de lidar com o elevado número de variáveis e a inerente natureza temporal dos dados biomédicos. O presente trabalho procura estudar o papel discriminativo dos padrões temporais na classificação de séries temporais multivariadas, com o objectivo de apoiar o diagnóstico dos diferentes estágios da doença de Alzheimer. Para isso, foram extraídos dados da ADNI, uma base de dados que contém dados clínicos para a prevenção e tratamento da doença de Alzheimer (AD). Neste contexto, este trabalho analisa fontes heterogéneas de dados incluindo biomarcadores, líquido cefalorraquidiano, testes neuropsicológicos e imagens por ressonância magnética. No trabalho proposto, foram aplicadas diferentes técnicas, incluindo triclustering e classificação associativa para a análise de séries temporais multivariadas provenientes da ADNI. Os resultados recolhidos superaram as abordagens base implementadas, evidenciando a importância do uso de padrões temporais discriminativos em classificadores associativos de séries temporais multivariadas, e em particular, oferecem evidência empírica do seu papel no suporte de diagnóstico clínico., en=Data Mining has been used in the Medical field as an auxiliary method to support diagnostics and prognostics. However, the current methods are limited in their ability to deal with the high multivariate order and inherent temporal nature of biomedical data. The present work aims to study the role of discriminative temporal patterns in the classification of Multivariate Time Series (MTS) data with the aim of diagnosing the different phases of the Alzheimer’s Disease (AD). To this end, we use data extracted from the Alzheimer’s Disease Neuroimaging Initiative (ADNI), a database which stores clinical trial data for the prevention and treatment of AD. In this context, this work analysis heterogeneous data sources from the ADNI database obtained along periodic assessments, including biomarkers, cerebrospinal fluid indicators, neuropsychological tests and features extracted from structural Magnetic Resonance Imaging (MRI). In the proposed study, we apply different techniques, including triclustering and associative classification for the analysis of multivariate time series data derived from ADNI. Gathered results outperformed the implemented baselines approaches, highlighting the importance of using discriminative temporal patterns in associative MTS classifiers, and in particular, offer empirical evidence that confirms their role in supporting clinical diagnostics.}
Keywords: {pt=Doença de Alzheimer, Dados de Séries Temporais Multivariadas, Classificação Associativa, Triclustering, ADNI, en=Alzheimer’s Disease, Multivariate Time Series Data, Associative Classification, Triclustering, ADNI}

Discussão: outubro 24, 2019, 10:30