Ιδρυματικό Αποθετήριο [SANDBOX]
Πολυτεχνείο Κρήτης
EN  |  EL

Αναζήτηση

Πλοήγηση

Ο Χώρος μου

Ανάπτυξη συστήματος επιτήρησης για καρδιολογικές παθήσεις

Katsoupis Evangelos

Απλή Εγγραφή


URIhttp://purl.tuc.gr/dl/dias/626FCEE9-404E-472A-96CD-F0A874CB2DB4-
Αναγνωριστικόhttps://doi.org/10.26233/heallink.tuc.100510-
Γλώσσαen-
Μέγεθος8.8 megabytesen
Μέγεθος89 pagesen
ΤίτλοςDevelopment of a cardiovascular disease monitoring systemen
ΤίτλοςΑνάπτυξη συστήματος επιτήρησης για καρδιολογικές παθήσειςel
ΔημιουργόςKatsoupis Evangelosen
ΔημιουργόςΚατσουπης Ευαγγελοςel
Συντελεστής [Επιβλέπων Καθηγητής]Zervakis Michailen
Συντελεστής [Επιβλέπων Καθηγητής]Ζερβακης Μιχαηλel
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Petrakis Evripidisen
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Πετρακης Ευριπιδηςel
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Lagoudakis Michailen
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Λαγουδακης Μιχαηλel
ΕκδότηςΠολυτεχνείο Κρήτηςel
ΕκδότηςTechnical University of Creteen
Ακαδημαϊκή ΜονάδαTechnical University of Crete::School of Electrical and Computer Engineeringen
Ακαδημαϊκή ΜονάδαΠολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστώνel
ΠερίληψηDeveloping of an open-source, multi-sensor, portable system with real-time preprocessing, user-friendly monitoring, and a post-processing deep learning-based arrhythmia detector with related ECG features. Hardware used: Raspberry Pi 4, Movesense Medical, Whaveshare 7.9 touch LCDen
ΠερίληψηΟι 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.el
ΤύποςΔιπλωματική Εργασίαel
ΤύποςDiploma Worken
Άδεια Χρήσηςhttp://creativecommons.org/licenses/by-nc/4.0/en
Ημερομηνία2024-07-29-
Ημερομηνία Δημοσίευσης2024-
Θεματική ΚατηγορίαCardiovascular diseasesen
Θεματική ΚατηγορίαPortable systemsen
Θεματική ΚατηγορίαECG en
Θεματική ΚατηγορίαMedical ECGen
Θεματική ΚατηγορίαNon-invasive diagnosticsen
Θεματική ΚατηγορίαDeep Learning-based arrhythmia detectoren
Θεματική ΚατηγορίαMLII ECGen
Θεματική ΚατηγορίαSignal processingen
Θεματική ΚατηγορίαECG-derived respirationen
Θεματική ΚατηγορίαContinuous wavelet transform (CWT)en
Θεματική ΚατηγορίαBLEen
Θεματική ΚατηγορίαECG morphological featuresen
Θεματική ΚατηγορίαDeep learningen
Θεματική ΚατηγορίαSignal processingen
Βιβλιογραφική ΑναφοράEvangelos Katsoupis, "Development of a cardiovascular disease monitoring system", Diploma Work, School of Electrical and Computer Engineering, Technical University of Crete, Chania, Greece, 2024en
Βιβλιογραφική ΑναφοράΕυάγγελος Κατσούπης, "Ανάπτυξη συστήματος επιτήρησης για καρδιολογικές παθήσεις", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2024el

Διαθέσιμα αρχεία

Υπηρεσίες

Στατιστικά