Методи та засоби прогнозування захворювань дихання та апное на основі штучного інтелекту та мікро сервісної архітектури
Вантажиться...
Дата
2025
Автори
Науковий керівник
Назва журналу
Номер ISSN
Назва тому
Видавець
КПІ ім. Ігоря Сікорського
Анотація
Болобан О.А. МЕТОДИ ТА ЗАСОБИ ПРОГНОЗУВАННЯ ЗАХВОРЮВАНЬ ДИХАННЯ ТА АПНОЕ НА ОСНОВІ ШТУЧНОГО ІНТЕЛЕКТУ ТА МІКРО СЕРВІСНОЇ АРХІТЕКТУРИ. – Кваліфікаційна наукова праця на правах рукопису. Дисертація на здобуття наукового ступеня доктора філософії з галузі знань 122 Комп’ютерні науки за спеціальністю 122 Комп’ютерні науки. – Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», Київ, 2025. Синдром обструктивного апное сну та хропіння є поширеними патологіями, що значно впливають на якість життя пацієнтів, особливо після пандемії COVID19. Розлади сну можуть спричиняти сонливість, зниження концентрації, когнітивні порушення та підвищувати ризик серцево-судинних захворювань і смертності. Однак лише 20% пацієнтів отримують вчасний діагноз, оскільки існуючі засоби діагностики є дорогими, малодоступними або не забезпечують комплексного аналізу дихальних параметрів. Більшість комерційних пристроїв обмежені лише вимірюванням рівня кисню в крові та серцевого ритму, що не дозволяє ефективно ідентифікувати дихальні патології. Дане дослідження спрямоване на розробку інтелектуальної системи моніторингу та прогнозування порушень дихання під час сну на основі штучного інтелекту. Запропонована система поєднує технології машинного навчання, нейронних мереж та методів обробки біомедичних сигналів для виявлення апное та інших дихальних розладів. Архітектура рішення базується на мікросервісному підході з використанням розподілених обчислень, а саме прикінцевих обчислень, що забезпечує ефективну обробку даних безпосередньо на пристрої та мінімізує затримки передачі. Запропонований підхід передбачає адаптивну обробку сигналів фотоплетизмограми (англ. Photoplethysmography (PPG)) та інших біомедичних показників з використанням методів фільтрації шумів, а також прогнозування стану пацієнта за допомогою моделі довга короткочасна пам'ять (англ. Long shortterm memory (LSTM)). Інтеграція сервісно-орієнтованої архітектури дозволяє масштабувати систему для подальшого розвитку, що робить її придатною для персонального та клінічного використання. Результати дослідження відповідають сучасним тенденціям розвитку цифрової медицини, сприяють впровадженню інноваційних технологій у сфері діагностики розладів сну та можуть бути використані в програмах розвитку «Інтернету медичних речей» (англ. Internet of Medical Things (IoMT)) та когнітивних обчислень. Метою дисертації є розробка моделі класифікатора апноегіпопное сну та впровадження в мікросервісну архітектуру, забезпечуючи ефективну класифікацію типу апное-гіпопное сну в реальному часі. Об’єкт дослідження – процеси збору, обробки та прогнозування респіраторних захворювань на основі біомедичних сигналів із використанням штучного інтелекту та мікро сервісної архітектури. Предмет дослідження – методи фільтрації, аналізу та прогнозування респіраторних захворювань на основі сигналів фотоплетизмографії, нейронних мережевих алгоритмів та технологій мікросервісної архітектури для забезпечення ефективного моніторингу та автоматизованої діагностики. Наукова новизна отриманих результатів полягає у тому, що в дисертаційній роботі: 1. Вперше запропоновано модель прогнозування респіраторних патологій, яка використовує сигнали фотоплетизмографії та методи глибокого навчання для оцінки стану дихальної системи. Відмінністю запропонованого підходу є застосування адаптивної моделі довгої короткочасної памʼяті, що аналізують часові ряди біомедичних сигналів та виявляють закономірності, пов’язані з апное та іншими порушеннями дихання. На відміну від традиційних методів, які базуються на простому порівнянні порогових значень кисню в крові, запропонована модель дозволяє враховувати багатофакторний аналіз змін сигналу та його динаміку, що суттєво підвищує точність виявлення патологій. 2. Модифіковано підхід до фільтрації медичних даних та реалізовано комбінований метод обробки фотоплетизмографічних сигналів. Вперше запропоновано вдосконалений підхід до фільтрації біомедичних сигналів, що включає комбіноване використання адаптивного фільтра Калмана, середньозваженого фільтра та алгоритмів машинного навчання для очищення сигналів у реальному часі. Особливістю підходу є динамічне налаштування параметрів фільтрації залежно від характеристик шуму та артефактів, що виникають під час рухової активності або зміни умов вимірювання. Проведений аналіз показав, що запропонований метод перевершує традиційні фільтри нижніх частот, верхніх частот та ковзного середнього за точністю відновлення сигналу та стабільністю його обробки у змінних умовах. Практичне значення отриманих результатів полягає у наступному: 1. Розроблена інтегрована система для відстеження та прогнозування дихальних патологій за межами медичних закладів. Запропонована система забезпечує можливість моніторингу стану дихальної системи пацієнтів у домашніх умовах, що значно покращує доступність діагностики. Використання мікросервісної архітектури дозволяє легко інтегрувати нові сенсори та моделі прогнозування, що робить систему гнучкою та масштабованою для різних груп користувачів. 2. Розроблена система моніторингу і класифікації стадій апное під час сну на основі штучного інтелетку для домашнього використання, яка дозволяє попереджати пацієнтів про ризики захворювання апное під час сну самостійно. Запропоноване рішення надає користувачам можливість безперервного моніторингу показників дихання та їх аналізу за допомогою штучного інтелекту. Система не лише відображає поточні параметри, але й проводить аналіз тенденцій та класифікує можливі стадії апное сну, що дає змогу пацієнтам своєчасно звертатися до лікаря. 3. Система підтримує прийняття діагностичних рішень шляхом автоматичної класифікації подій апное за 30-секундними вікнами сигналів фотоплетизмографії, сатурації та ЧСС, надаючи лікарю результати класифікації для аналізу, корекції та подальшого визначення необхідності стаціонарного догляду за пацієнтом. Завдяки інтеграції системи з медичними інформаційними платформами лікарі отримують можливість доступу до історії змін стану пацієнтів, що допомагає у прийнятті обґрунтованих рішень щодо діагностики та лікування. Віддалений моніторинг дозволяє зменшити навантаження на клініки та покращити якість обслуговування пацієнтів.
Опис
Ключові слова
машинне навчання, нейронні мережі, класифікація, інтернет речей, енергоефективні обчислення, формальна специфікація, розподілені система, апное та гіпопное сну, мікросервіси, COVID-19, моделювання, скорочення часу виконання, часова логіка дій, machine learning, neural networks, classification, Internet of Things (IoT), energy-efficient computing, formal specification, distributed systems, sleep apnea and hypopnea, microservices, modeling, execution time reduction, Temporal Logic of Actions (TLA)
Бібліографічний опис
Болобан, О. А. Методи та засоби прогнозування захворювань дихання та апное на основі штучного інтелекту та мікро сервісної архітектури : дис. … д-ра філософії : 122 Комп’ютерні науки / Болобан Олег Анатолійович. – Київ, 2025. – 156 с.