Optischer Fasersensor für die kardiovaskuläre Bewertung

Nach Angaben der Weltgesundheitsorganisation (WHO) sind Herz-Kreislauf-Erkrankungen die Haupttodesursache in den Industrieländern. Die Analyse der arteriellen Pulswellenform (APW) bietet eine nicht-invasive Möglichkeit zur Frühdiagnose von Herz-Kreislauf-Erkrankungen. Die vorliegende Arbeit befasst sich mit der Entwicklung eines automatischen Algorithmus zur Extraktion und Klassifizierung der erfassten Daten von APW-Signalen auf der Grundlage des Risikos von CVD-Problemen. Zur Extraktion der Daten wurden verschiedene Signalvorverarbeitungsmethoden zur Rauschunterdrückung und Pulssegmentierung angewandt. Anschließend wurde ein K-Means-Clustering-Algorithmus angewandt, um die qualitativ besseren APWs auszuwählen. Die Diskrepanz zwischen einer parallelen manuellen Extraktion der Wellen und dem Ergebnis des K-Means-Algorithmus war praktisch null. Es wurde ein Pool von 32 Parametern zur Charakterisierung der Wellenform extrahiert, darunter Zeitbereichs-, Wavelet-Transformations-, Root Mean Square Error- und Frequenzbereichsmerkmale. Einige Parameter wurden für das K-Means-Clustering verwendet, der Rest diente zum Trainieren eines mehrschichtigen neuronalen Perzeptron-Netzes für die Klassifizierung von APW mit niedrigem/hohem CVD-Risiko bei jedem Patienten. Die erzielten Ergebnisse sind sehr vielversprechend. Ein Teil dieser Arbeit wurde mit dem Nascimento-Leitão-Preis ausgezeichnet.

Autorentext

Licenciado en Ingeniería Biomédica en el departamento de física de la Universidad de Aveiro con interés en el aprendizaje automático en el apoyo a la decisión clínica.