Συντάχθηκε 24-07-2024 13:12
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 26/07/2024 10:00
Λήξη: 26/07/2024 11:00
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
Ευαγγέλου Κατσούπη
με θέμα
Ανάπτυξη Συστήματος Επιτήρησης για Καρδιολογικές Παθήσεις
Development of a Cardiovascular Disease Monitoring System
Εξεταστική Επιτροπή
Καθηγητής Μιχαήλ Ζερβάκης (επιβλέπων)
Καθηγητής Ευριπίδης Πετράκης
Καθηγητής Μιχαήλ Γ. Λαγουδάκης
Περίληψη
Οι καρδιοαγγειακές παθήσεις είναι η κύρια αιτία θανάτου παγκοσμίως. Φορητά συστήματα χρησιμοποιούνται όλο και περισσότερο για την πραγματική απόκτηση και ανάλυση βιοσημάτων του ανθρώπινου σώματος. Σε αυτό το πλαίσιο, τέτοια συστήματα έχουν υιοθετηθεί για την παρακολούθηση των καρδιοαγγειακών παθήσεων, δείχνοντας δυνατότητες για μη επεμβατική διάγνωση. Ωστόσο, τα εν λόγω συστήματα είτε βασίζονται σε πολυκριτήριες μεθόδους, οι οποίες δεν βασίζονται σε δεδομένα, είτε είναι εμπορικά προϊόντα με περιορισμένη πρόσβαση στην αξιολόγηση των επιδόσεων. Η διπλωματική αυτή εργασία, προτείνει ένα ανοικτού τύπου κώδικα, πολυαισθητηριακό, φορητό σύστημα, φιλικό προς τον χρήστη κάνοντας ποιο εύκολη την παρακολούθηση και ανιχνευτή αρρυθμιών βασισμένο σε μοντέλο βαθιάς μάθησης, εκπαιδευμένο σε χαρακτηριστικά ηλεκτροκαρδιογραφήματος (ΗΚΓ). Γίνεται χρήση της συσκευής Movesense Medical, που τοποθετημένη σε ζώνη στήθους, είναι ικανή να καταγράφει ιατρικής ποιότητας, μονοκαναλικό ΗΚΓ σε διάφορους ρυθμούς δειγματοληψίας. Το Raspberry Pi 4 χρησιμεύει ως πλατφόρμα επεξεργασίας, παρέχοντας την απαραίτητη υπολογιστική ισχύ για την επεξεργασία σημάτων και την επικοινωνία με τη συσκευή. Για να πραγματοποιηθεί η επικοινωνία με τον αισθητήρα, αναπτύχθηκε μια βοηθητική βιβλιοθήκη και για να δημιουργηθεί το γραφικό περιβάλλον για την διεπαφή χρήστη με, την πλατφόρμα επεξεργασίας και την συσκευή καταγραφής έγινε χρήση της βιβλιοθήκης Dash. Διάφοροι αλγόριθμοι χρησιμοποιήθηκαν και αξιολογήθηκαν για την επεξεργασία του σήματος και την ανίχνευση χαρακτηριστικών μορφολογίας ΗΚΓ, όπως παλμοί R, τα χρονικά διαστήματα RR, η εκτίμηση αναπνοής που προκύπτει από το ΗΚΓ, ο καρδιακός ρυθμός και διάφοροι δείκτες μεταβλητότητας αυτού. Τα εξαγόμενα μορφολογικά χαρακτηριστικά συνδυάστηκαν με αναπαραστάσεις χρόνου-συχνότητας (που προέρχονται από τoν συνεχή μετασχηματισμό με wavelet - CWT) για την εκπαίδευση ενός συνελικτικού νευρωνικού δικτύου για την ανίχνευση τύπων αρρυθμιών σύμφωνα με τα πρότυπα της Ένωσης για την Πρόοδο των Ιατρικών Οργάνων. Η Βάση Δεδομένων MIT-BIH Arrhythmia χρησιμοποιήθηκε για την εκπαίδευση του μοντέλου ανίχνευσης, χρησιμοποιώντας και συγκρίνοντας διάφορες τεχνικές επεξεργασίας σήματος και διαφορετικά κύματα CWT. Τα αποτελέσματα δείχνουν ότι η προεπεξεργασία των σημάτων της βάσης δεδομένων με φίλτρα μέσης τιμής, ακολουθούμενα από φίλτρο notch, και η χρήση της μητρικής κύματος Gaussian 4 (GAUS4), παρήγαγαν υψηλή συνολική ακρίβεια και μετρική F1 για διάφορες κατηγορίες (SVEB - 80.75%, VEB - 93.90%), υπερβαίνοντας αυτά που αναφέρονται σε παρόμοιες μελέτες, γίνοντας αρωγός στην ακριβή και έγκαιρη παρέμβαση στην παρακολούθηση της καρδιοαγγειακής υγείας.
Abstract
Cardiovascular diseases (CVDs) are the leading cause of death globally. Portable and wearable systems have increasingly been used for the real-time acquisition and analysis of human electrophysiological activity. In this regard, these systems have been adopted for monitoring cardiovascular diseases, demonstrating a potential for non-invasive diagnostics. However, these systems either rely on multicriteria-based methods, which are not data-driven, or are commercial products with limited access to performance assessment. This thesis proposes an open-source, multi-sensoric, portable system with real-time preprocessing, user-friendly monitoring, and a post-processing deep learning-based arrhythmia detector (CVD index) with related electrocardiogram (ECG) features. The use of Movesense Medical multisensory device attached to a chest belt is capable of capturing medical grade, 1-lead ECG at various sampling rates. A Raspberry Pi 4 is the processing platform, providing the necessary computational power for signal processing and device communication. To facilitate communication with the sensing device, a wrapper API was developed and the Dash framework was used to create the user interface for communication and monitoring. Various algorithms were employed and benchmarked to clean the signal and detect ECG morphological features such as R-peaks, RR intervals, ECG-derived respiration, heart rate and its variability metrics. The extracted ECG morphological features were combined with time-frequency representations (derived from Continuous Wavelet Transform - CWT) for training a convolutional neural network (CNN) to detect arrhythmia types according to the Association for the Advancement of Medical Instrumentation standards. The MIT-BIH Arrhythmia Database was used to train the detection model, employing and comparing various signal processing techniques and different CWT wavelets. A low-energy consumption and portable system was assembled having the unique opportunity of acquiring and analyzing cardiac activity. For the arrhythmia detection module, an open source database of 44 patients with an overall of 110 thousand labeled heartbeats (normal/abnormal). A median followed by a notch filter, and the using of the Gaussian 4 derivative mother wavelet (GAUS4), were applied as the preprocessing steps. The preprocessed signals were then used for training/testing purposes of the adapted CNN, leading to high overall accuracy and F1 scores at different classes (SVEB-80.75%, VEB-93.90%), surpassing those reported in similar studies. The presented system for cardiac monitoring and arrhythmia detection enables accurate and timely intervention in monitoring cardiovascular health.
