Детальная информация

Данная работа посвящена исследованию применения методов машинного обучения для решения задачи вычисления показателя скорости пульсовой волны по зарегистрированным сигналам от пульсоксиметра. В процессе выполнения работы был проведен анализ способов выделения признаков из фотоплетизмограммы путем вычисления спектрограммы и расчета статистических характеристик полученного изображения. Так же проведен анализ алгоритмов машинного обучения для применения в задаче предсказания скорости пульсовой волны. В ходе работы с использованием среды разработки Matlab, языка программирования Python и библиотеки sklearn разработана программа для определения скорости пульсовой волны с использованием моделей машинного обучения: RF – случайный лес, SVR – регрессия методом опорных векторов и GBR – градиентный бустинг. Для выполнения работы были использованы сгенерированные данные гемодинамики из открытой базы данных. Было проведено сравнение качества предсказаний различных моделей и выбрана модель с наилучшим качеством предсказаний - SVR, а также реализован алгоритм отбора признаков и проведен анализ зависимости качества моделей от количества используемых признаков.

This work is devoted to the study of the application of machine learning methods to solve the problem of calculating the pulse wave velocity index based on regis-tered signals from a pulse oximeter. In the course of the work, an analysis of methods for isolating features from a photoplethysmogram was carried out by calculating the spectrogram and calculating the statistical characteristics of the resulting image. The analysis of machine learning algorithms for use in the task of predicting the pulse wave velocity is also carried out. In the course of work using the Matlab development environment, the Python programming language and the sklearn library, a program was developed to deter-mine the pulse wave velocity using machine learning models: RF – random forest, SVR – regression by the support vector method and GBR – gradient boosting. Generated hemodynamic data from an open database were used to perform the work. The prediction quality of various models was compared and the model with the best prediction quality, SVR, was selected, as well as an algorithm for feature se-lection was implemented and the dependence of model quality on the number of fea-tures used was analyzed.