ハンドヘルド血管研究のための機械学習 (DopplerZAM)

このプロジェクトには 3 つの主要な研究タスクがあります。1) 患者分類のためのドップラー オーディオの判別機能の識別、2) 分類アルゴリズムの選択とトレーニング、3) 物理学ベースのモデルを使用した CWD オーディオ データの強化。 研究者は、超音波ドップラー オーディオから患者の分類に最適な判別機能を決定します。

この目的のために、研究者は帯域幅、ピーク周波数、平均電力、平均周波数、時間高調波歪みなどの周波数領域の信号機能を採用します。

さらに、研究者は、時間領域の特徴が正確な音の分類に必要かどうかを調査します。 他の研究では、オーディオ波形の特定の特徴がデータを分類できることが示されています。 研究者は、SVM、ロジスティック回帰、ナイーブ ベイズなどの分類に最も効果的な機械学習アルゴリズムを採用します。 調査員は、個人が健康か不健康かを分類するバイナリ分類問題から始めます。 次に、研究者は、定義された異常な動脈状態に従って個人が異なるグループに分類されるマルチクラス分類問題に複雑に移行します。 動脈内の流体の流れの生理学的に正確な有限要素モデルを使用して、さまざまな動脈状態に対応する合成音信号を生成する物理学ベースのモデルを使用したデータ強化。 物理学に基づくシミュレーションにより、研究者は多くの既知の動脈疾患にまたがる豊富なトレーニング データを作成できるようになります。 この機能により、分類の精度とアルゴリズムの一般化を強化できます。これは、臨床データがすべての既知の動脈疾患を組み込むのに十分ではない可能性があるためです。 調査員は、患者データに対するトレーニング済みアルゴリズムのパフォーマンスを調査します。 この目的のために、調査員はデータをトレーニング サンプルとテスト サンプルに分割します。 トレーニング サンプルはアルゴリズムのトレーニングに使用され、テスト セットは汎化能力の評価に使用されます。 調査員は、パフォーマンスの指標として各アルゴリズムの誤分類率を計算します。