Maschinelles Lernen für tragbare Gefäßstudien (DopplerZAM)

Es gibt drei Hauptforschungsaufgaben für dieses Projekt: 1) die Identifizierung von Unterscheidungsmerkmalen von Doppler-Audio für die Patientenklassifikation, 2) die Auswahl und das Training von Klassifikationsalgorithmen und 3) die Anreicherung von CWD-Audiodaten unter Verwendung von physikbasierten Modellen. Die Ermittler werden bestimmen, welche Diskriminanzmerkmale für die Patientenklassifizierung aus dem Ultraschall-Doppler-Audio optimal sind.

Zu diesem Zweck werden die Ermittler unter anderem Signalmerkmale im Frequenzbereich wie Bandbreite, Spitzenfrequenz, mittlere Leistung, mittlere Frequenz und zeitliche harmonische Verzerrung verwenden.

Darüber hinaus werden die Ermittler untersuchen, ob Zeitbereichsmerkmale für eine genaue Schallklassifizierung erforderlich sind. Andere Studien haben gezeigt, dass bestimmte Merkmale von Audiowellenformen die Daten klassifizieren können. Die Ermittler werden einige der effektivsten maschinellen Lernalgorithmen für die Klassifizierung einsetzen, darunter unter anderem SVM, logistische Regression und Naive Bayes. Die Ermittler beginnen mit einem binären Klassifizierungsproblem, bei dem Personen als gesund oder krank klassifiziert werden. Dann werden die Ermittler in der Komplexität zu Mehrklassen-Klassifizierungsproblemen übergehen, bei denen Personen gemäß definierten anormalen arteriellen Zuständen in verschiedene Gruppen eingeteilt werden. Datenanreicherung mit physikbasierten Modellen, die physiologisch genaue Finite-Elemente-Modelle des Flüssigkeitsflusses in Arterien verwenden, um synthetische Schallsignale zu erzeugen, die verschiedenen arteriellen Zuständen entsprechen. Physikbasierte Simulationen würden es den Ermittlern ermöglichen, eine Fülle von Trainingsdaten zu erstellen, die viele bekannte arterielle Zustände umfassen können. Diese Fähigkeit kann die Klassifikationsgenauigkeit und Verallgemeinerung unserer Algorithmen verbessern, da die klinischen Daten möglicherweise nicht vollständig genug sind, um alle bekannten arteriellen Zustände einzubeziehen. Die Ermittler werden die Leistung der trainierten Algorithmen an Patientendaten untersuchen. Zu diesem Zweck teilen die Ermittler die Daten in Trainings- und Teststichproben auf. Die Trainingsbeispiele werden zum Training der Algorithmen verwendet, während das Testset zur Bewertung der Generalisierungsfähigkeit verwendet wird. Die Ermittler berechnen die Fehlklassifikationsraten für jeden Algorithmus als Maß für die Leistung.