Aprendizaje automático para estudios vasculares portátiles (DopplerZAM)

Hay tres tareas de investigación principales para este proyecto: 1) la identificación de características discriminantes del audio Doppler para la clasificación de pacientes, 2) la selección y entrenamiento de algoritmos de clasificación, y 3) el enriquecimiento de datos de audio CWD utilizando modelos basados ​​en la física. Los investigadores determinarán qué características discriminantes son óptimas para la clasificación de pacientes a partir del audio de ultrasonido Doppler.

Con este fin, los investigadores emplearán características de la señal en el dominio de la frecuencia, como el ancho de banda, la frecuencia máxima, la potencia media, la frecuencia media y la distorsión armónica temporal, entre otras.

Además, los investigadores investigarán si las características del dominio del tiempo son necesarias para una clasificación precisa del sonido. Otros estudios han demostrado que las características específicas de las formas de onda de audio pueden clasificar los datos. Los investigadores emplearán algunos de los algoritmos de aprendizaje automático más efectivos para la clasificación, como SVM, regresión logística y Naïve Bayes, entre otros. Los investigadores comenzarán con un problema de clasificación binaria en el que los individuos se clasificarán como saludables o no saludables. Luego, los investigadores avanzarán en complejidad a problemas de clasificación de múltiples clases en los que los individuos se clasificarán en diferentes grupos de acuerdo con condiciones arteriales anormales definidas. Enriquecimiento de datos utilizando modelos basados ​​en la física que emplean modelos de elementos finitos fisiológicamente precisos del flujo de fluidos en las arterias para generar señales de sonido sintéticas correspondientes a diversas condiciones arteriales. Las simulaciones basadas en la física permitirían a los investigadores producir una gran cantidad de datos de entrenamiento que pueden abarcar muchas afecciones arteriales conocidas. Esta capacidad puede aumentar la precisión de la clasificación y la generalización de nuestros algoritmos, ya que los datos clínicos pueden no ser lo suficientemente exhaustivos para incorporar todas las afecciones arteriales conocidas. Los investigadores estudiarán el rendimiento de los algoritmos entrenados en los datos de los pacientes. Con este fin, los investigadores dividirán los datos en muestras de entrenamiento y prueba. Las muestras de entrenamiento se utilizarán para el entrenamiento de los algoritmos, mientras que el conjunto de pruebas se utilizará para evaluar la capacidad de generalización. Los investigadores calcularán las tasas de clasificación errónea para cada algoritmo como una métrica de rendimiento.