Projekte numatoma sukurti mašininiu mokymusi pagrįstą pavojingų aritmijų nuolatinės netrukdančios stebėsenos algoritmą ir integruoti jį į ant riešo dėvimą jutiklį. Pasaulyje apie 38 % visų pacientų, sergančių galutine lėtinės inkstų ligos stadija, miršta dėl gyvybei pavojingų aritmijų, tokių kaip bradikardija ir tachikardija. Šioms aritmijoms atpažinti paprastai naudojama elektrokardiograma (EKG), tačiau nuolatinis EKG registravimas yra nepatogus, kadangi reikalauja bent keleto prie kūno tvirtinamų elektrodų. Galimybė aptikti bradikardijos ir tachikardijos epizodus remiantis fotopletizmogramos (FPG) signalais padarytų nuolatinį aritmijų sekimą patogesniu, kadangi FPG signalams užregistruoti reikalingas tik vienas jutiklis, pvz., tvirtinamas ant riešo. Tai leistų aritmijų stebėseną atlikti neribotą laiką bei įgalintų ankstyvą besimptomių aritmijų epizodų aptikimą ir savalaikį atitinkamo gydymo skyrimą. Viena pagrindinių problemų – anotuotų ir sinchroniškai registruotų EKG bei FPG signalų duomenų bazių trūkumas bei FPG jautrumas judesio sukeltiems artefaktams. Pažangesni biomedicininių signalų apdorojimo metodai, pvz., nuolatinis signalo kokybės sekimas bei mašininio mokymosi algoritmai, iš dalies leistų spręsti šias problemas. Šie metodai atitinkamai aptiktų artefaktais paveiktas FPG signalo dalis taip mažinant klaidų aliarmų skaičių bei išskirtų ir klasifikuotų bradikardijos ir tachikardijos aritmijoms būdingus požymius. Projekto metu numatoma sukurti bradikardijos ir tachikardijos epizodų atpažinimo algoritmą, pagrįstą FPG signalais, įgyvendinant jį ribotus skaičiavimo resursus turinčiame riešo jutiklyje.
Projekto finansavimas:
KTU Mokslo ir inovacijų fondas
Projekto rezultatai:
Sukurtas fotopletizmogramos (FPG) signalais pagrįstas bradikardijos ir tachikardijos detektorius, kuriame naudojamas dviejų atšakų konvoliucinis neuroninis tinklas (KNN). Detektorius buvo apmokytas ir validuotas remiantis simuliuotais FPG signalais (Sološenko et al., 2017), o išbandytas naudojant tikrų anotuotų FPG signalų duomenų baze. Rezultatai rodo, jog detektorius gali būti naudojamas nuolatiniam, ilgalaikiam bradikardijos ir tachikardijos stebėjimui, ypač tada, kai reikalingas aukštesnis atpažinimo jautrumas. Tyrimas taip pat parodė, kad modeliuojamų PPG signalų naudojimas yra tinkamas mokymui ir CNN patvirtinimui. Šio tyrimo rezultatas – mokslinė publikacija: „Sološenko et al., 2022. Training Convolutional Neural Networks on Simulated Photoplethysmography Data: Application to Bradycardia and Tachycardia Detection”
Projekto įgyvendinimo laikotarpis: 2020-04-14 - 2020-12-31
