Machine Learning voor handheld vasculaire studies (DopplerZAM)

Er zijn drie hoofdonderzoekstaken voor dit project: 1) de identificatie van onderscheidende kenmerken van Doppler-audio voor patiëntclassificatie, 2) de selectie en training van classificatie-algoritmen, en 3) CWD-audiogegevensverrijking met behulp van op fysica gebaseerde modellen. De onderzoekers zullen bepalen welke discriminerende kenmerken optimaal zijn voor patiëntclassificatie op basis van ultrasone Doppler-audio.

Daartoe zullen de onderzoekers signaalkenmerken in het frequentiedomein gebruiken, zoals onder andere bandbreedte, piekfrequentie, gemiddeld vermogen, gemiddelde frequentie en tijdharmonische vervorming.

Verder zullen de onderzoekers onderzoeken of tijdsdomeinkenmerken nodig zijn voor nauwkeurige geluidsclassificatie. Andere onderzoeken hebben aangetoond dat specifieke kenmerken van audiogolfvormen de gegevens kunnen classificeren. De onderzoekers zullen enkele van de meest effectieve algoritmen voor machine learning gebruiken voor classificatie, zoals onder andere SVM, logistische regressie en Naïve Bayes. De onderzoekers beginnen met een binair classificatieprobleem waarbij individuen worden geclassificeerd als gezond of ongezond. Vervolgens zullen de onderzoekers in complexiteit overgaan op classificatieproblemen met meerdere klassen, waarbij individuen in verschillende groepen worden ingedeeld op basis van gedefinieerde abnormale arteriële aandoeningen. Gegevensverrijking met behulp van op fysica gebaseerde modellen die gebruik maken van fysiologisch nauwkeurige eindige-elementenmodellen van vloeistofstroom in slagaders om synthetische geluidssignalen te genereren die overeenkomen met verschillende arteriële aandoeningen. Op fysica gebaseerde simulaties zouden de onderzoekers in staat stellen een schat aan trainingsgegevens te produceren die veel bekende arteriële aandoeningen kunnen omvatten. Deze mogelijkheid kan de classificatienauwkeurigheid en generalisatie van onze algoritmen vergroten, aangezien de klinische gegevens mogelijk niet volledig genoeg zijn om alle bekende arteriële aandoeningen op te nemen. De onderzoekers gaan de prestaties van de getrainde algoritmen op patiëntgegevens bestuderen. Daartoe verdelen de onderzoekers de gegevens in trainings- en testmonsters. De trainingsvoorbeelden zullen worden gebruikt voor het trainen van de algoritmen, terwijl de testset zal worden gebruikt om het generalisatievermogen te beoordelen. De onderzoekers zullen voor elk algoritme misclassificatiepercentages berekenen als maatstaf voor de prestaties.