Uczenie maszynowe do podręcznych badań naczyniowych (DopplerZAM)

Istnieją trzy główne zadania badawcze tego projektu: 1) identyfikacja cech dyskryminacyjnych dźwięku Dopplera do klasyfikacji pacjentów, 2) wybór i szkolenie algorytmów klasyfikacji oraz 3) wzbogacenie danych dźwiękowych CWD przy użyciu modeli opartych na fizyce. Badacze określą, które cechy dyskryminacyjne są optymalne do klasyfikacji pacjentów na podstawie ultradźwiękowego dźwięku Dopplera.

W tym celu badacze wykorzystają cechy sygnału w dziedzinie częstotliwości, takie jak między innymi szerokość pasma, częstotliwość szczytowa, średnia moc, średnia częstotliwość i zniekształcenie harmoniczne czasu.

Ponadto badacze zbadają, czy cechy domeny czasowej są niezbędne do dokładnej klasyfikacji dźwięku. Inne badania wykazały, że określone cechy przebiegów audio mogą klasyfikować dane. Badacze wykorzystają niektóre z najskuteczniejszych algorytmów uczenia maszynowego do klasyfikacji, takie jak między innymi SVM, regresja logistyczna i Naïve Bayes. Badacze rozpoczną od binarnego problemu klasyfikacji, w którym osoby zostaną sklasyfikowane jako zdrowe lub niezdrowe. Następnie badacze przejdą złożonością do wieloklasowych problemów klasyfikacyjnych, w których osoby zostaną podzielone na różne grupy zgodnie z określonymi nieprawidłowymi warunkami tętniczymi. Wzbogacanie danych za pomocą modeli opartych na fizyce, wykorzystujących fizjologicznie dokładne modele elementów skończonych przepływu płynu w tętnicach w celu generowania syntetycznych sygnałów dźwiękowych odpowiadających różnym warunkom tętniczym. Symulacje oparte na fizyce umożliwiłyby badaczom uzyskanie bogactwa danych treningowych, które mogą obejmować wiele znanych warunków tętniczych. Ta zdolność może zwiększyć dokładność klasyfikacji i uogólnienie naszych algorytmów, ponieważ dane kliniczne mogą nie być wystarczająco wyczerpujące, aby uwzględnić wszystkie znane warunki tętnicze. Badacze zbadają wydajność wyszkolonych algorytmów na danych pacjentów. W tym celu badacze podzielą dane na próbki treningowe i testowe. Próbki uczące posłużą do uczenia algorytmów, a zestaw testowy do oceny zdolności do generalizacji. Badacze obliczą wskaźniki błędnej klasyfikacji dla każdego algorytmu jako miernik wydajności.