Машинное обучение для портативных сосудистых исследований (DopplerZAM)

В этом проекте есть три основные исследовательские задачи: 1) идентификация дискриминантных особенностей доплеровского звука для классификации пациентов, 2) выбор и обучение алгоритмов классификации и 3) обогащение аудиоданных CWD с использованием физических моделей. Исследователи определят, какие дискриминантные признаки оптимальны для классификации пациентов на основе ультразвукового допплеровского аудио.

С этой целью исследователи будут использовать характеристики сигнала в частотной области, такие как полоса пропускания, пиковая частота, средняя мощность, средняя частота и временные гармонические искажения, среди прочих.

Кроме того, исследователи изучат, необходимы ли признаки во временной области для точной классификации звука. Другие исследования показали, что определенные особенности звуковых сигналов могут классифицировать данные. Исследователи будут использовать некоторые из наиболее эффективных алгоритмов машинного обучения для классификации, такие как SVM, логистическая регрессия и наивный байесовский алгоритм. Исследователи начнут с задачи бинарной классификации, в которой люди будут классифицироваться как здоровые или нездоровые. Затем исследователи перейдут к проблемам многоклассовой классификации, в которых люди будут разделены на разные группы в соответствии с определенными аномальными состояниями артерий. Обогащение данных с использованием физических моделей, использующих физиологически точные конечно-элементные модели потока жидкости в артериях для генерации синтетических звуковых сигналов, соответствующих различным состояниям артерий. Моделирование, основанное на физике, позволит исследователям получить множество обучающих данных, которые могут охватывать многие известные состояния артерий. Эта возможность может повысить точность классификации и обобщение наших алгоритмов, поскольку клинические данные могут быть недостаточно исчерпывающими, чтобы включить все известные состояния артерий. Исследователи изучат эффективность обученных алгоритмов на данных пациентов. С этой целью исследователи разделят данные на обучающую и тестовую выборки. Обучающие выборки будут использоваться для обучения алгоритмов, а набор тестов — для оценки способности к обобщению. Исследователи будут вычислять коэффициенты ошибочной классификации для каждого алгоритма в качестве показателя производительности.