Maskinlæring for håndholdte vaskulære studier (DopplerZAM)

Det er tre hovedforskningsoppgaver for dette prosjektet: 1) identifisering av diskriminerende trekk ved Doppler-lyd for pasientklassifisering, 2) valg og opplæring av klassifiseringsalgoritmer, og 3) CWD-lyddataberikelse ved bruk av fysikkbaserte modeller. Etterforskerne vil finne ut hvilke diskriminerende funksjoner som er optimale for pasientklassifisering fra ultralyd Doppler-lyd.

For dette formål vil etterforskerne bruke signalfunksjoner i frekvensdomenet som blant annet båndbredde, toppfrekvens, gjennomsnittlig effekt, gjennomsnittlig frekvens og tidsharmonisk forvrengning.

Videre vil etterforskerne undersøke om tidsdomenefunksjoner er nødvendige for nøyaktig lydklassifisering. Andre studier har vist at spesifikke funksjoner ved lydbølgeformer kan klassifisere dataene. Etterforskerne vil bruke noen av de mest effektive maskinlæringsalgoritmene for klassifisering som SVM, logistisk regresjon og Naive Bayes, blant andre. Etterforskerne vil starte med et binært klassifiseringsproblem der individer vil bli klassifisert som sunne eller usunne. Deretter vil etterforskerne gå i kompleksitet til multi-klasse klassifiseringsproblemer der individer vil bli kategorisert i forskjellige grupper i henhold til definerte unormale arterielle forhold. Dataanriking ved bruk av fysikkbaserte modeller som bruker fysiologisk nøyaktige endelige elementmodeller av væskestrøm i arterier for å generere syntetiske lydsignaler som tilsvarer forskjellige arterielle forhold. Fysikkbaserte simuleringer vil tillate etterforskerne å produsere et vell av treningsdata som kan spenne over mange kjente arterielle forhold. Denne evnen kan øke klassifiseringsnøyaktigheten og generaliseringen av våre algoritmer, ettersom kliniske data kanskje ikke er uttømmende nok til å inkludere alle kjente arterielle tilstander. Etterforskerne vil studere ytelsen til de trente algoritmene på pasientdata. For dette formål vil etterforskerne dele dataene inn i trenings- og testprøver. Treningsprøvene vil bli brukt til trening av algoritmene, mens testsettet vil bli brukt til å vurdere generaliseringsevne. Etterforskerne vil beregne feilklassifiseringsrater for hver algoritme som en beregning for ytelse.