Биотелеметрическая система централизованной многопараметричной экспрес диагностики и мониторингуа функционального состояния человека

Биотелеметрическая система централизованной многопараметричной экспрес диагностики и мониторингуа  функционального состояния человека

Разработана идеология построения и структура пространственно распределенной биотелеметрической системы сбора, обработки и хранения биомедицинской информации с использованием концепции IoT (Internet of Things - Интернет вещей). Система состоит из персональных измерительных устройств пациента, обеспечивающих неинвазивную регистрацию совокупности параметров основных жизненно определяющих биосигналов (электрокардиографических (ЭКГ), электроэнцефалографических (ЭЭГ) фотоплетизмографичних пульсовых (ФПГ), импедансных), современной многоканальной системы биотелеметрии и центрального сервера. Разработан облачный сервис для хранения и анализа результатов измерений параметров биосигналов, алгоритмы и программное обеспечение анализа биосигналов для выделения диагностически значимых параметров оценки функционального состояния человека на основе
электрокардиографии и электроэнцефалографии высокого разрешения, пульсометрии и импедансометрии. Проанализированы и развиты подходы к использованию машинного обучения для определения аномалий в работе органов и систем пациента. Разработаны макетные образцы персональных измерительных устройств пациента и устройства приставки к существующему диагностическому оборудованию в составе системы ближней биотелеметрии, проведенны их экспериментальные исследования, наработаны базы данных биотелеметрических сигналов в различных условиях существования человека.
С использованием методов машинного обучения определены информативные признаки для выявления патологических состояний организма, а также использованы классификаторы, которые обеспечивают наивысшую точность для этой задачи. Рассмотрены биологические сигналы во временной области, частотной области, их спектрально-временные и вейвлет характеристики. С помощью этих наборов параметров получены результаты работы классификаторов на основе деревьев решений, дискриминантного анализа, логистической регрессии, метода k-ближайших соседей. Предложены наборы признаков и модели машинного обучения, которые обеспечивают высокую точность распознавания нормы и патологии функционального состояния человека.

ВложениеРазмер
PDF icon 2020_2216.pdf470.28 КБ