塔纳西·萨纳斯

数字健康和数据科学教授/知识交流和研究影响主任

传记

背景

我攻读了工程学本科和硕士学位，并于2012年9月在牛津大学获得了应用数学博士学位。我曾在牛津大学（University of Oxford）担任生物医学工程和应用数学研究员（2012-2016）、工程科学助教（2014-2016）和赛义德商学院讲师（2016）；自2017年1月起，我成为亚瑟人口健康与信息研究所数据科学系的财政大臣研究员。 

我是国家希腊国家奖学金（2003年和2004年）的获得者，毕业时是雅典生物医学工程专业的顶尖学生；这个BNFL公司利物浦大学最佳本科生论文奖（2007年）CTA公司我的奖学金理学硕士纽卡斯尔大学（2007）/EPSRC公司我获得牛津大学博士学位的奖学金（2008-2012年）NOLTA公司国际会议（2010年），牛津大学圣十字学院安德鲁·古迪奖（2011年）EPSRC公司博士奖（2012），国际研讨会青年科学家奖MAVEBA公司（2013），以及EPSRC公司统计与机器学习奖（2015年）。我入选了2011年帕帕尼科劳奖（Papanikolao prize）的最后六名候选人，是牛津生物医学工程团队的一员，该团队凭借“预测死亡率重症监护室患者”。我是《生物与医学计算机》杂志（2015）的“杰出评审员”，并获得了电气与电子工程师协会《生物医学健康信息学杂志》（2015）。 

在学术界之外，我是一名国际象棋爱好者，曾获得希腊20岁以下冠军（2003年），并参加过欧洲和世界象棋锦标赛。

资格

理学学士、工程学学士、理学硕士、哲学博士、FHEA

是否接受博士监督查询？

是的

研究总结

我的研究重点是开发新的工具，用于通过时间序列分析、信号处理和统计机器学习进行数据挖掘和提取领域信息。我主要致力于医疗应用，尤其是神经科学和精神疾病。例如，我的博士研究重点是使用语音（a）区分健康对照组和帕金森病患者，以及（b）复制帕金森病症状严重程度度量。我在演讲相关项目中的其他应用包括语音取证，甚至试图通过处理鼠标的发声来理解鼠标通信。

我还开发了用于特征选择的通用工具，即识别出一个稳健的特征子集，该子集可以最大限度地预测感兴趣的结果。在收集到多个特征或基因的情况下，这可以有多种应用，我们有兴趣关注收集到的特征中最可能的子集，以便进一步处理。此外，我还开发了一个强大的信息融合方案，将多个来源（或专家）聚合在一起，以在来源（或专业）不同意最佳诊断/行动方案时获得最佳结果：在某些假设下，我已经证明它可以优于队列中的单个最佳专家。

最近，我一直在开发算法，以挖掘从智能手表等可穿戴传感器收集的数据。其目的是提供一种有效、稳健、客观的方法来描述活动、睡眠和昼夜节律模式，并帮助人们进行日常生活或通过治疗监测患者群体。挖掘从这些可穿戴传感器收集的数据以及从手机收集的数据，为大规模监测纵向模式提供了前所未有的机会，并有助于改革当代医疗。

路透社、科学日报和MedicalXpress等新闻都报道了我的主要工作成果，我的一篇研究论文被强调为可再生能源和全球创新的“关键科学文章”。

受邀演讲者

哈佛

麻省理工学院

期刊论文

  1. A.Tsanas公司，J.Y.Goulermas、V.Vartela、D.Tsiapras、G.Theodorakis、A.C.Fisher和P.Sfirakis：“重新审视的Windkessel模型：循环系统的定性分析”，《医学工程与物理》，第31卷，第5期，第581-588页，2009年[链接]PDF格式

  2. A.Tsanas公司，M.A.Little，P.E.McSharry，L.O.Ramig：“通过非侵入性语音测试准确远程监测帕金森病进展”，IEEE生物医学工程学报，第57卷，第884-893页，2010年[链接] PDF格式
  3. A.Tsanas公司，M.A.Little，P.E.McSharry，L.O.Ramig：“映射到标准度量的非线性语音分析算法实现了对平均帕金森病症状严重程度的临床有用量化”，《皇家学会界面杂志》，第8卷，第842-855页，2011年[链接] PDF格式，另请参见电子辅助材料 [链接] 了解更多技术细节。（出现此作品的选定媒体报道在这里、和在这里.)
  4. A.Tsanas公司，M.A.Little，P.E.McSharry，J.Spielman，L.O.Ramig：“帕金森病高精度分类的新型语音信号处理算法”，IEEE生物医学工程学报，第59卷，第1264-12712012页[链接] PDF格式
  5. A.Tsanas公司，M.A.Little，P.E.McSharry，B.K.Scanlon，S.Pappetropoulos:“统一帕金森病评分量表到Hoehn和Yahr分期的统计分析和映射”，《帕金森综合征和相关疾病》，第18卷（5），第697-699页，2012年[链接]PDF格式
  6. P.G.Foukas、A.Zourla、S.Tsiodras，A.察纳斯、K.Leventakos、E.Chranioti、A.Spatis、C.Meristoudis、C.Chrelias、D.Kassanos、G.Petrikkos、P.Karakitsos、I.G.Panayiotides：“HPV相关宫颈鳞状上皮病变基质中的B淋巴细胞、巨噬细胞和肥大细胞密度及其与疾病严重程度的关系：一项免疫组化研究”，临床与实验病理杂志2012年2月105日[链接]PDF格式
  7. A.Tsanas公司，A.Xifara：“使用统计机器学习工具准确定量评估住宅建筑的能源性能”，《能源与建筑》，第49卷，第560-567页，2012年[链接]PDF格式，另请参见电子辅助材料 （该论文在可再生能源和全球创新)
  8. M.Kefala、S.G.Papageorgiou、C.K.Kontos、P.Economopoulou、，A.Tsanas公司，V.Pappa，I.G.Panayiotides，V.G.Gorgoulis，E.Patsouris，P.G.Foukas：“磷酸化NBS1（DNA损伤反应机制的关键分子）的表达增加是新生骨髓增生异常综合征患者的不良预后因素”，《白血病研究》，第37卷，第1576-1582页，2013年[链接]，doi:10.1016/j.leukres.2013.08.018
  9. R.Kapal、A.Mehndiratta、P.Anandaraj、，A.Tsanas公司：“印度移动医疗的当前影响、未来前景和影响”，《中亚全球健康杂志》，第3卷（1），2014年[链接]开放式访问
  10. A.Tsanas公司，M.A.Little，C.Fox，L.O.Ramig：“帕金森病康复言语治疗的客观自动评估”，IEEE神经系统与康复工程学报，第22卷（1），第181-190页，2014[链接]PDF格式
  11. A.Tsanas公司，M.Zañartu，M.A.Little，C.Fox，L.O.Ramig，G.D.Clifford：“持续元音的稳健基频估计：使用自适应卡尔曼滤波的详细算法比较和信息融合”，《美国声学学会杂志》，第135卷，第2885-2901页，2014年[链接]PDF格式 开放式访问
  12. A.Tsanas，G.D.Clifford：“使用连续小波变换和局部加权平滑进行独立于阶段的单导联EEG睡眠纺锤波检测”，《人类神经科学前沿》，2015年第9卷第181页[链接]PDF格式 开放式访问
  13. B.滑轮，K.Porcheret，A.Tsanas公司、C.Espie、R.Foster、D.Freeman、P.J.Harrison、K.Wulff、G.M.Goodwin：“失眠、噩梦和时间型是严重精神疾病风险的标志：来自学生群体的结果”，《睡眠》，第39卷（1），第173-181页，2016年[链接]PDF格式
  14. E.奈德诺娃，A.Tsanas公司，S.Howie，C.Casals-Pascal，M.De Vos：“数据挖掘在儿童肺炎诊断中的作用”，《皇家学会杂志》，2016年，13:20160266[链接]PDF格式 开放式访问（出现此作品的选定媒体报道在这里、和在这里.)
  15. A.Tsanas公司，K.E.A.Saunders，A.C.Bilderbeck，N.Palmius，M.Osipov，G.D.Clifford，G.M.Goodwin，M.De Vos：“双相情感障碍和边缘型人格障碍中情绪变异的日常纵向自我监测”，《情感障碍杂志》，第205卷，第225-233页，2016年[链接]PDF格式，另请参见电子辅助材料 开放式访问
  16. N.帕尔米乌斯，A.Tsanas公司，K.E.A.Saunders，A.C.Bilderbeck，J.R.Geddes，G.M.Goodwin，M.De Vos：“从地理位置数据中检测双相抑郁”，IEEE生物医学工程学报，卷。64，第8期，第1761-1771页，2017年[链接]PDF格式 开放式访问
  17. E.圣塞贡多，A.Tsanas公司，P.Gomez-Vilda：“欧几里得距离作为说话人不同性的衡量标准，包括同卵双胞胎：使用源和滤波器语音特征的法医调查”，《国际法医学》，第270卷，第25-382017页[链接]PDF格式 开放式访问
  18. A.察纳斯，K.E.A.Saunders，A.C.Bilderbeck，N.Palmius，G.M.Goodwin，M.De Vos：《情绪症状自我评估精神病问卷潜在变量的临床洞察》，《JMIR精神健康》第4卷第2期，第15页，2017年[链接]PDF格式 开放式访问

 

书籍章节

  1. A.Tsanas公司M.A.Little，P.E.McSharry：《医疗数据分析方法》，《健康系统与复杂性手册》，J.P.Sturmberg编辑，C.M.Martin，Springer，第113-125页（第7章），2013年[链接]PDF格式
  2. P.Gómez-Vilda、A.Alvarez-Marquina、，A.Tsanas公司，C.A.Lázaro Carrascosa，V.Rodellar Biarge，V.Nieto Lluis，R.Martínez Olalla：“量化帕金森病症状严重程度的发声生物力学”，《非线性语音处理的最新进展》，智能创新、系统和技术系列第48卷，施普林格，第93-1022016页[链接]

 

会议文件

  1. V.Vartela，A.Tsanas公司，D.Tsiapras，J.Y.Goulermas，V.Voudris:“压力测试：数学模型在日常临床实践中的应用”，30第个希腊心脏学会泛希腊心脏病大会，希腊雅典，2009年10月29日至31日（希腊语）

  2. A.Tsanas公司，M.A.Little，P.E.McSharry，L.O.Ramig：“增强的经典发音困难测量和稀疏回归用于远程监测帕金森病进展”，IEEE信号处理学会，声学、语音和信号处理国际会议（ICASSP），第594-597页，美国德克萨斯州达拉斯，2010年3月14-19日[链接] PDF格式
  3. A.Tsanas公司，M.A.Little，P.E.McSharry，L.O.Ramig：“新的非线性标记物和语音信号退化洞察力，以有效跟踪帕金森病症状严重程度”，非线性理论及其应用国际研讨会（NOLTA），第457-460页，波兰克拉科夫，2010年9月5日至8日（受邀）PDF格式（获得学生论文奖）
  4. V.Vartela，A.Tsanas公司，D.Tsiapras，P.Sfirakis，V.Voudris：“一种新的数学方法，用于调查患者特定因素，以确定临床上有用的心血管状态标记物”，5第个奥纳西斯心脏外科中心国际会议：心脏外科和心脏病学的当前趋势，希腊雅典，2010年9月16日至18日[链接] PDF格式
  5. A.Tsanas公司，M.A.Little，P.E.McSharry，L.O.Ramig：“稳健节俭地选择发音困难测量值，用于远程监测帕金森病症状严重程度”，7第个2011年8月25日至27日，意大利佛罗伦萨，生物医学应用声发射模型与分析国际研讨会（MAVEBA），第169-172页（受邀） [链接] PDF格式
  6. A.Johnson、N.Dunkley、L.Mayaud、，A.Tsanas公司，A.Kramer，G.Clifford，“使用贝叶斯集成对ICU患者进行特定预测”，《心脏病学计算》，第249-252页，波兰克拉科夫，2012年9月9日至12日[链接] PDF格式 （赢得2012年CinC2012竞赛入围）
  7. A.Tsanas公司M.A.Little，C.Fox，L.O.Ramig：“帕金森病患者可接受或不可接受发声的自动分组”，17第个2013年6月16日至20日，澳大利亚悉尼，帕金森氏病和运动障碍国际会议（摘要出现在运动障碍补充期刊，第28卷，S125-S125，2013）[链接]
  8. A.Tsanas公司，P.Gómez-Vilda：“新型稳健决策支持工具，通过持续元音的声学分析协助病理嗓音的早期诊断”，语音、语音和歌唱用户多学科会议（JVHC 13），第3-12页，大加那利拉斯帕尔马斯，2013年6月27-28日[链接] PDF格式
  9. A.Tsanas公司：“生物医学语音信号处理的声学分析工具包：概念和算法”，第八届生物医学应用声发射模型和分析国际研讨会（MAVEBA），第37-40页，意大利佛罗伦萨，2013年12月16-18日（受邀）[链接] PDF格式 （获得青年科学家奖）
  10. N.Palmius、M.Osipov、A.Bilderbeck、G.Goodwin、K.Saunders，A.察纳斯，G.D.Clifford：“资源受限环境中客观心理健康管理的多传感器监测系统”，IET适用于低资源环境的医疗技术，英国伦敦，2014年9月17-18日[链接] PDF格式
  11. A.Tsanas公司，G.D.Clifford，V.Vartela，P.Sfirakis：“使用电集总元件模型对闭环心血管系统进行定量分析”，《心脏病学计算》，第509-512页，美国波士顿，2014年9月7日至10日[链接]PDF格式
  12. P.Gómez-Vilda、A.Alvarez-Marquina、，A.Tsanas公司，C.A.Lázaro-Carrascosa，V.Rodellar-Biarge，V.Nieto-Lluis，R.Martínez-Olalla，“语音生物力学在量化帕金森氏病症状严重程度中的作用”，非线性语音处理国际会议（NOLISP 2015），意大利南马里维埃特里，2015年5月18-20日[链接]PDF格式
  13. A.C.Bilderbeck、K.E.A.Saunders、G.D.Clifford、，A.Tsanas公司，M.Osipov，P.J.Harrison，C.J.Harmer，A.C.Nobre，J.Geddes，G.M.Goodwin:“每日和每周情绪评级：对双相情感障碍和边缘型人格障碍分化的相对贡献”，17第个国际双相情感障碍学会年会（ISBD 2015），加拿大多伦多，2015年6月3-6日
  14. E.奈德诺娃，A.Tsanas公司，C.Casals-Pascal，M.de Vos，S.Howie：“在资源受限的环境中自动检测儿童肺炎的智能诊断算法”，IEEE全球人道主义技术会议（GHTC），第377-384页，美国华盛顿州西雅图，2015年10月8-11日[链接] PDF格式 开放式访问Elina在Youtube上的演讲
  15. S.Arora，A.Tsanas公司：“使用电话质量录音将帕金森病患者与健康对照组区分开来”，第20届帕金森病和运动障碍国际大会，德国柏林，2016年6月19日至23日[链接]
  16. K.E.A.Saunders，A.C.Bilderbeck，A.Tsanas公司，P.J.Harrison，C.J.Harmer，A.C.Nobre，J.Geddes，G.M.Goodwin：稳定不稳定性：描述双相情感障碍和边缘型人格障碍中情绪不稳定的性质和程度，2016年7月13日至16日，荷兰阿姆斯特丹，国际双相情感障碍学会第18届年会和第8届双年度会议
  17. N.Cooray、M.De Vos、，A.Tsanas公司，“REM睡眠行为障碍诊断工具–自动REM检测”，英国牛津MEIbioeng，2016年9月5-6日
  18. A.Tsanas公司、E.San Segundo、P.Gomez-Vilda： 探索法庭语音学会话中的停顿填充词：在一个西班牙队列中的发现，包括双胞胎，8第个模式识别系统国际会议（ICPRS-17），西班牙马德里，2017年7月11-13日[链接] PDF格式（印刷中）

 

这是我在研究中使用的数据集的集合，可以免费使用。如果你在研究中使用这些数据集，请引用相关论文。数据集也存放在标准中UCI机器学习库.

 

帕金森氏病远程监护

【MATLAB】          [电子表格]         UCI公司

本研究探讨了将发音困难测量值（语音信号特征）映射到帕金森氏病症状严重程度的标准临床测量值的问题。该数据集包括5875个样本和16个特征，用于预测实值响应（回归问题）。如果将响应四舍五入到最接近的整数，它也可以用作多类分类问题。更多详细信息可以在我的IEEE生物医学工程学报2010年论文。如果您在工作中使用，请包括以下引文：

======================================================================================================================================================================

能源效率

【MATLAB】          [电子表格]          UCI公司

本研究探讨了评估热负荷和冷负荷（即能源效率）作为某些建筑参数的函数的问题。该数据集由768个样本和8个特征组成，用于预测两个实值响应（回归问题）。如果响应四舍五入到最接近的整数，它也可以用作多类分类问题。更多详细信息可以在我的能源与建筑2012年论文。另请参阅本补充材料以及其他信息。如果您在工作中使用，请包括以下引文：

======================================================================================================================================================================

LSVT语音康复

【MATLAB】          [电子表格]          UCI公司

本研究使用309个语音信号处理算法对14名患者在语音康复过程中采集的126个信号进行特征分析。其目的是复制专家的评估，指出这些语音信号是“可接受”还是“不可接受”（二进制分类问题）。更多详细信息可以在我的2014年IEEE神经系统与康复工程学报论文。如果您在工作中使用，请包括以下引文：

======================================================================================================================================================================

带有F0基本事实的持续元音/a/

[压缩数据]

基频（F0）的准确估计是语音信号处理研究领域中一个众所周知的具有挑战性的问题。不幸的是，使用依赖于EGG的当代方法很难获得客观的基本真理值。在这里，我们使用了一个复杂的、最先进的语音产生生理模型来构建持续的/a/元音，其中F0值的确切基本事实是已知的。我们对10种已建立的F0估计算法进行了基准测试，并提出了一种新的融合方法来进一步改进F0估计。我们鼓励研究人员在评估F0估计算法时使用此数据库，以便在此应用中对结果进行基准测试。更多详细信息可以在我的2014年IEEE神经系统与康复工程学报论文（请注意，这里我提供了130个*.wav文件，基本真实值在Excel电子表格中提供）。如果您在工作中使用，请包括以下引文：

这篇文章发表于