Біотелеметрична система централізованої багатопараметричної експрес діагностики та моніторингу функціонального стану людини

Продовжуємо цикл публікацій по завершеним держбюджетним роботам.

Біотелеметрична система централізованої багатопараметричної експрес діагностики та моніторингу функціонального стану людини.

Науковий керівник – д.т.н., проф. Шарпан О.Б.

Розроблено ідеологію побудови і структуру просторово-розподіленої біотелеметричної системи збору, оброблення і збереження біомедичної інформації з використанням концепції IoT (Internet of Things – Інтернет речей). Система складається з персональних вимірювальних пристроїв пацієнта, що забезпечують неінвазивну реєстрацію сукупності параметрів основних життєво визначальних біосигналів (електрокардіографічних (ЕКГ), електроенцефалографічних (ЕЕГ) фотоплетизмографічних пульсових (ФПГ), імпедансних), сучасної багатоканальної системи біотелеметрії та центрального сервера. Створено хмарний сервіс для збереження і аналізу результатів вимірювань параметрів біосигналів, алгоритми і програмне забезпечення аналізу біосигналів для виділення діагностично значимих параметрів оцінювання функціонального стану людини на основі електрокардіографії і електроенцефалографії високого розрізнення, пульсометрії і імпедансометрії. Проаналізовано та розвинуто підходи до використання машинного навчання для визначення аномалій в роботі органів і систем пацієнта. Розроблено макетні зразки персональних вимірювальних пристроїв пацієнта та пристрої приставки до існуючого діагностичного обладнання в складі системи ближньої біотелеметрії, проведені їх експериментальні дослідження, напрацьовані бази даних біотелеметричних сигналів в різних умовах існування людини.
З використанням методів машинного навчання визначено інформативні ознаки для виявлення патологічних станів організму, а також обрано методи класифікації, що забезпечують найвищу точність для цього завдання. Розглянуто біологічні сигнали у часовій області, частотній області, їх спектрально-часові та вейвлет характеристики. За допомогою цих наборів функцій отримано результати роботи класифікаторів на основі дерев рішень, дискримінантного аналізу, логістичної регресії, методу k найближчих сусідів. Запропоновано набори ознак та моделі машинного навчання, що забезпечують найвищу точність розпізнавання норми та патології функціонального стану людини.
Детальніше.

Comments are closed.