Sistema de recomendación musical para eHealth
Se ha observado en estudios médicos que escuchar música, cantar o tocar un instrumento trae un efecto de rehabilitación positivo en varias enfermedades neurológicas. ParkinSons es una aplicación móvil nacida como una iniciativa de OPENeHealth entre la Universitat Oberta de Catalunya, el Hospital de...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2020 |
| País: | España |
| Institución: | Universitat Oberta de Catalunya (UOC) |
| Repositorio: | O2, repositorio institucional de la UOC |
| OAI Identifier: | oai:openaccess.uoc.edu:10609/120146 |
| Acceso en línea: | http://hdl.handle.net/10609/120146 |
| Access Level: | acceso abierto |
| Palabra clave: | recommender system collaborative filtering matrix factorization factorization machines autoencoder sistema de recomendación filtro colaborativo factorización matricial máquinas de factorización sistema de recomanació filtre col·laboratiu factorització matricial màquines de factorització Data mining -- TFM Mineria de dades -- TFM Minería de datos -- TFM |
| Sumario: | Se ha observado en estudios médicos que escuchar música, cantar o tocar un instrumento trae un efecto de rehabilitación positivo en varias enfermedades neurológicas. ParkinSons es una aplicación móvil nacida como una iniciativa de OPENeHealth entre la Universitat Oberta de Catalunya, el Hospital de la Santa Creu i Sant Pau y GMV que tiene la intención de mejorar la calidad de vida de personas con la enfermedad de Parkinson mediante ejercicios personalizados de música, vídeo y audio. Los Sistemas de Recomendación son sistemas de filtrado de información, originalmente destinados a proporcionar sugerencias de interés a un usuario particular. El objetivo de este trabajo es desarrollar un sistema de recomendación que ayude a modelar la relación entre los objetos multimedia considerados en la aplicación Parkinsons (en concreto, música) y los usuarios para mejorar en los diferentes aspectos de la enfermedad. Para conseguir alcanzarlo, se realizan las siguientes acciones: Se analizan las distintas enfoques existentes en el estado del arte (content-based, collaborative-filtering e híbridas). Se investiga sobre la contribución de la información contextual a la hora de realizar recomendaciones. Se implementan algoritmos de recomendación, en función del análisis anterior, con las técnicas más punteras mediante redes neuronales: Autoencoder, Matrix Factorization y Factorization Machines. Finalmente, se realizan experimentos para determinar la mejor arquitectura y un estudio comparativo entre todas las soluciones. Se determina que la técnica Factorization Machine (basada en collaborative-filtering) proporciona unos resultados óptimos utilizando la información contextual. Como lineas de trabajo futuras, proponemos la implementación de soluciones Factorization Machine basadas en grafos. |
|---|