휴대용 혈관 연구를 위한 기계 학습 (DopplerZAM)

이 프로젝트에는 세 가지 주요 연구 과제가 있습니다. 1) 환자 분류를 위한 Doppler 오디오의 판별 특징 식별, 2) 분류 알고리즘의 선택 및 훈련, 3) 물리 기반 모델을 사용한 CWD 오디오 데이터 강화. 조사관은 초음파 도플러 오디오에서 환자 분류에 가장 적합한 판별 기능을 결정할 것입니다.

이를 위해 연구자들은 대역폭, 피크 주파수, 평균 전력, 평균 주파수 및 시간 고조파 왜곡과 같은 주파수 영역에서 신호 기능을 사용할 것입니다.

또한 조사관은 정확한 사운드 분류를 위해 시간 영역 기능이 필요한지 여부를 조사할 것입니다. 다른 연구에서는 오디오 파형의 특정 기능이 데이터를 분류할 수 있음을 보여주었습니다. 조사관은 SVM, 로지스틱 회귀, Naive Bayes 등과 같은 분류를 위해 가장 효과적인 기계 학습 알고리즘을 사용합니다. 조사관은 개인이 건강하거나 건강하지 않은 것으로 분류되는 이진 분류 문제로 시작할 것입니다. 그런 다음 조사관은 개인이 정의된 비정상적인 동맥 상태에 따라 다른 그룹으로 분류되는 다중 클래스 분류 문제로 복잡하게 이동할 것입니다. 다양한 동맥 조건에 해당하는 합성 사운드 신호를 생성하기 위해 동맥 유체 흐름의 생리학적으로 정확한 유한 요소 모델을 사용하는 물리 기반 모델을 사용하여 데이터를 강화합니다. 물리학 기반 시뮬레이션을 통해 연구자는 많은 알려진 동맥 조건에 걸쳐 있을 수 있는 풍부한 훈련 데이터를 생성할 수 있습니다. 임상 데이터가 모든 알려진 동맥 조건을 통합할 만큼 충분히 철저하지 않을 수 있으므로 이 기능은 알고리즘의 분류 정확도 및 일반화를 강화할 수 있습니다. 연구자들은 환자 데이터에 대한 훈련된 알고리즘의 성능을 연구할 것입니다. 이를 위해 조사관은 데이터를 교육 및 테스트 샘플로 분할합니다. 학습 샘플은 알고리즘 학습에 사용되고 테스트 세트는 일반화 기능을 평가하는 데 사용됩니다. 조사관은 각 알고리즘에 대한 오분류율을 성능 지표로 계산합니다.