Aprendizado de máquina para estudos vasculares portáteis (DopplerZAM)

Existem três tarefas principais de pesquisa para este projeto: 1) a identificação de características discriminantes de áudio Doppler para classificação de pacientes, 2) a seleção e treinamento de algoritmos de classificação e 3) enriquecimento de dados de áudio CWD usando modelos baseados em física. Os investigadores determinarão quais recursos discriminantes são ideais para a classificação do paciente a partir do áudio Doppler de ultrassom.

Para tanto, os investigadores empregarão características do sinal no domínio da frequência, como largura de banda, frequência de pico, potência média, frequência média, distorção harmônica no tempo, entre outras.

Além disso, os investigadores investigarão se as características do domínio do tempo são necessárias para uma classificação sonora precisa. Outros estudos mostraram que características específicas de formas de onda de áudio podem classificar os dados. Os investigadores empregarão alguns dos algoritmos de aprendizado de máquina mais eficazes para classificação, como SVM, regressão logística e Naïve Bayes, entre outros. Os investigadores começarão com um problema de classificação binária em que os indivíduos serão classificados como saudáveis ​​ou não saudáveis. Em seguida, os investigadores passarão em complexidade para problemas de classificação multiclasse nos quais os indivíduos serão categorizados em diferentes grupos de acordo com condições arteriais anormais definidas. Enriquecimento de dados usando modelos baseados em física que empregam modelos de elementos finitos fisiologicamente precisos do fluxo de fluido nas artérias para gerar sinais sonoros sintéticos correspondentes a várias condições arteriais. Simulações baseadas em física permitiriam aos investigadores produzir uma riqueza de dados de treinamento que podem abranger muitas condições arteriais conhecidas. Essa capacidade pode aumentar a precisão da classificação e a generalização de nossos algoritmos, pois os dados clínicos podem não ser exaustivos o suficiente para incorporar todas as condições arteriais conhecidas. Os investigadores estudarão o desempenho dos algoritmos treinados nos dados do paciente. Para esse fim, os investigadores dividirão os dados em amostras de treinamento e teste. As amostras de treinamento serão usadas para treinar os algoritmos, enquanto o conjunto de teste será usado para avaliar a capacidade de generalização. Os investigadores calcularão taxas de erros de classificação para cada algoritmo como uma métrica de desempenho.