Apprendimento automatico per studi vascolari portatili (DopplerZAM)

Ci sono tre compiti di ricerca principali per questo progetto: 1) l'identificazione delle caratteristiche discriminanti dell'audio Doppler per la classificazione dei pazienti, 2) la selezione e l'addestramento degli algoritmi di classificazione e 3) l'arricchimento dei dati audio CWD utilizzando modelli basati sulla fisica. Gli investigatori determineranno quali caratteristiche discriminanti sono ottimali per la classificazione dei pazienti dall'audio Doppler a ultrasuoni.

A tal fine, i ricercatori impiegheranno le caratteristiche del segnale nel dominio della frequenza come larghezza di banda, frequenza di picco, potenza media, frequenza media e distorsione armonica temporale, tra gli altri.

Inoltre, gli investigatori indagheranno se le caratteristiche del dominio del tempo sono necessarie per un'accurata classificazione del suono. Altri studi hanno dimostrato che caratteristiche specifiche delle forme d'onda audio possono classificare i dati. I ricercatori impiegheranno alcuni degli algoritmi di apprendimento automatico più efficaci per la classificazione come SVM, regressione logistica e Naïve Bayes, tra gli altri. Gli investigatori inizieranno con un problema di classificazione binaria in cui gli individui saranno classificati come sani o malsani. Quindi, i ricercatori si sposteranno in complessità verso problemi di classificazione multiclasse in cui gli individui saranno classificati in gruppi diversi in base a condizioni arteriose anormali definite. Arricchimento dei dati utilizzando modelli basati sulla fisica che impiegano modelli di elementi finiti fisiologicamente accurati del flusso del fluido nelle arterie per generare segnali sonori sintetici corrispondenti a varie condizioni arteriose. Le simulazioni basate sulla fisica consentirebbero agli investigatori di produrre una vasta gamma di dati di addestramento che possono coprire molte condizioni arteriose conosciute. Questa capacità può aumentare l'accuratezza della classificazione e la generalizzazione dei nostri algoritmi, poiché i dati clinici potrebbero non essere sufficientemente esaustivi da incorporare tutte le condizioni arteriose note. Gli investigatori studieranno le prestazioni degli algoritmi addestrati sui dati dei pazienti. A tal fine, gli investigatori divideranno i dati in campioni di addestramento e test. I campioni di addestramento verranno utilizzati per l'addestramento degli algoritmi, mentre il set di test verrà utilizzato per valutare la capacità di generalizzazione. Gli investigatori calcoleranno i tassi di classificazione errata per ciascun algoritmo come metrica per le prestazioni.