CONVERGENCE :: Frictionless Energy Efficient Convergent Wearables for Healthcare and Lifestyle Applications
Newsletter
Numărul 2
Aprilie 2019
http://aut.unitbv.ro/CONVERGENCE/
CONVERGENCE
Frictionless Energy Efficient Convergent
Wearables for Healthcare and Lifestyle
Applications
Newsletter Numărul 2
Aprilie 2019
Diagnosticarea diverselor afecțiuni ale sistemului cardiovascular se face de obicei într-o
manieră invazivă, implicând astfel expunerea pacienților la riscuri asociate interventiilor,
și, în același timp, costurile sunt mai ridicate.
Pentru a adresa această problemă, pot fi folosite modele cardiovasculare, care, pe baza
unei serii de variabile fiziologice măsurabile în mod non-invaziv (sau minim-invaziv),
aplicând legile dinamicii fluidelor, calculează diverși parametrii ce indică prezența și/sau
severitatea diverselor afecțiuni circulatorii. Un exemplu de astfel de algoritm, folosit în
cadrul activitatilor din acest an, este modelul cu parametrii distribuiti (denumit si model
0D).
Totuși, astfel de modele necesită un timp de execuție indelungat (timp de convergență),
fapt ce determină inposibilitatea folosirii acestora în timpul intervențiilor (în timp real).
Din acest motiv, lucrarea de față prezintă, de asemenea, o abordare bazată pe tehnici de
inteligență artificială (AI) ce poate fi folosită intervențional datorită capacității sale de a
calcula rezultatul modelului hemodinamic aproape in timp real.
În cadrul acestei etape a proiectului a fost dezvoltată o aplicație intitulată Whole body
circulation (WBC) hemodynamics, aplicație ce reprezintă un instrument util pentru
calculul si analiza hemodinamicii sistemului circulator.
1.
Modelul cu parametrii distribuiți al sistemului
cardiovascular .................................................... 2
2.
Utilizarea tehnicilor de inteligență artificială
pentru calculul în timp real al mărimilor de
interes ................................................................ 4
CONVERGENCE Newsletter
Nr. 2 | Aprilie 2019
2
http://aut.unitbv.ro/CONVERGENCE/
1.
Modelul cu parametrii distribuiți al sistemului cardiovascular
1.1. Introducere
Modelul sistemului cardiovascular considerat (vezi figura 1) conține
un model de inimă (ventricul stâng – LV – și atriu, ventricul drept și
atriu, valve), circulația sistemică (artere, capilare, vene) și circulația
pulmonară (artere, capilare, vene). Pentru toate cele patru camere
ale inimii s-au folosit modele de elastanță cu variație în timp. Valvele
au fost modelate printr-o rezistență și o inertanță. Un model
Windkessel din trei elemente s-a folosit la circulația arterială,
sistemică și pulmonară, în timp ce un model Windkessel din două
elemente s-a folosit la circulația venoasă, sistemică și pulmonară.
Personalizarea a fost efectuată cu privire la pulsul pacientului,
măsurat în timpul cateterizării.
1.2. Obiectivele și parametrii personalizați
Obiectivele personalizarii folosite in acest studiu sunt:
6 obiective de bază pentru circulaţia sistemică,
8 obiective speciale pentru circulaţia sistemică,
6 obiective de bază pentru circulaţia pulmonară.
Toate obiectivele sunt bazate pe presiuni şi volume ventriculare şi
aortice.
Figura 1. Model cu parametrii distribuiti al sistemului cardiovascular.
1.2.1. Obiective formulate pe baza presiunilor
Obiectivele de bază extrase din măsurătorile de presiune sunt:
presiunea ventriculară maximă, presiunea aortică medie, presiunea
aortică minimă, intervalul de timp de-a lungul căruia valva aortică
este deschisă. Acestea sunt formulate atât pentru circulaţia sistemică
cât şi pentru circulaţia pulmonară. Obiectivele speciale formulate pe
baza presiunilor sunt prezentate în figura 2. Acestea sunt:
Panta 1: panta presiunii ventriculare la începutul sistolei
(înainte de deschiderea valvei aortice);
Presiunea ventriculară diastolică;
Panta 2: panta presiunii aortice de-a lungul diastolei.
1.2.2. Obiective formulate pe baza volumelor
Obiectivele de bază extrase din măsurătorile de volum sunt:
Volumul ventricular maxim (la finalul diastolei)
Volumul ventricular minim (la finalul sistolei)
Acestea sunt formulate atât pentru circulaţia sistemică cât şi pentru
circulaţia pulmonară.
Obiectivele speciale formulate pe baza volumelor sunt prezentate în
figura 3.
CONVERGENCE Newsletter
Nr. 2 | Aprilie 2019
3
http://aut.unitbv.ro/CONVERGENCE/
Figura 2. Obiectivele speciale formulate pe baza presiunilor.
Figura 3. Obiectivele speciale formulate pe baza volumelor.
În vederea formulării acestor obiective, pacienţii au fost împărţiţi în
trei categorii, care sunt enumerate în continuare împreună cu
obiectivele speciale:
Pacienţi cu platou diastolic: nivelul platoului diastolic, exprimat
în procentaje în raport cu valorile minime şi maxime ale
volumului; Δt1: intervalul de timp dintre momentele la care
volumul este egal cu media dintre volumul minim şi volumul la
platoul diastolic; panta 1: panta curbei de volum la cel de-al
doilea moment de timp utilizat pentru determinarea lui Δt1;
Δt2: durata platoului diastolic; panta 2: panta curbei de volum
când atriul se contractă (panta maximă a curbei de volum după
platoul diastolic);
Pacienţi fără creştere a volumului în ultima parte a diastolei:
Δt1: intervalul de timp dintre momentele la care volumul se află
la 30% între valoarea minimă şi maximă; panta 1: panta curbei
de volum la cel de-al doilea moment de timp utilizat pentru
determinarea lui Δt1;
Pacienţi fără platou diastolic, dar cu diferite pante ale
volumului: valoarea volumului la care începe contracţia
volumului (punctul de tranziţie de la prima pantă la cea de-a
doua pantă a volumului diastolic); panta 1: panta curbei de
volum în prima parte a diastolei, înainte de contracţia atriului;
panta 2: panta curbei de volum în a doua parte a diastolei,
după contracţia atriului; Δt1: intervalul de timp dintre
momentele la care volumul este egal cu media dintre volumul
minim şi volumul la care se declanşează contracţia atriului.
În trecut s-a folosit o metodă pentru care, deoarece numărul de
obiective este foarte mare, la început se realizează o iniţializare
CONVERGENCE Newsletter
Nr. 2 | Aprilie 2019
4
http://aut.unitbv.ro/CONVERGENCE/
iterativ-individuală a parametrilor. Pentru acest pas s-a realizat o
asociere între obiectivele definite şi parametrii care trebuie
personalizaţi (tabelul 1 prezintă asocierea pentru circulaţia
sistemică).
Această asociere a fost stabilită în urma realizării unei analize de
sensibilitate: pentru fiecare obiectiv s-a determinat parametrul care
are cea mai mare influenţă asupra obiectivului respectiv. Apoi fiecare
parametru a fost adaptat pe rând pentru a îndeplini obiectivul care îi
corspunde. După ce au fost adaptaţi toţi parametrii, procedura a fost
reluată până când valorile obiectivelor extrase din simulare se
apropie de valorile de referinţă. Reluarea procedurii este necesară
deoarece prin personalizarea succesivă a parametrilor, obiectivele
ale căror valori au fost apropiate de cele de referinţă se vor îndepărta
din nou de aceste valori prin modificarea altor parametrii care au
influenţă asupra acestor obiective.
Tabelul 1. Corespondenţa între obiectivele şi parametrii circulaţiei sistemice la iniţializare.
Obiectiv Parametrii
Presiunea aortică medie Volumul iniţial al sistemului în circuit închis
Valoare medie a volumului ventriculului Volum mort al ventriculului
Interval de timp valva deschisă Momentul de timp la care se atinge elastanţa maximă
Δt1 Momentul de final al curbei de elastanţă
Presiune diastolică Valoarea minimă a elastanţei ventriculului
Nivelul platoului diastolic Elastanţa minimă a atriului
Panta 1 volum Rezistenţa valvei mitrale
Δt2 – durata platoului Moment de timp la care se declanşează contracţia atriului
Panta 2 volum Elastanţa maximă a atriului
Panta 1 presiune Elastanţa maximă a ventriculului stâng
Presiune de puls aortică Raportul dintre rezistenţa proximă şi rezistenţa distală sistemică
Panta 2 presiune Complianţa sistemică
2. Utilizarea tehnicilor de inteligență artificială pentru calculul în timp
real al mărimilor de interes
2.1. Introducere
Această activitate s-a desfășurat suplimentar față de cele prevăzute
în cadrul proiectului pentru acest an și a constat în dezvoltarea unui
model bazat pe inteligență artificială pentru a determina în timp real
mărimile de interes care sunt calculate cu ajutorul modelului cu
parametrii distribuiți.
Conceptul este prezentat în figura 4, fiind bazat pe:
generarea unui set mare de date sintetice reprezentând diferite
cazuri patologice,
rularea modelului cu parametrii distribuiți pentru a genera
mărimile de interes,
antrenarea unui model bazat pe inteligență artificială pentru a
prezice mărimile de interes.
aplicarea modelului antrenat pe date preluate de la pacienți
pentru a determina în timp real mărimile de interes.
Figura 4. Fluxul de lucru pentru dezvoltarea și aplicarea metodologiei bazate pe inteligență artificială.
CONVERGENCE Newsletter
Nr. 2 | Aprilie 2019
5
http://aut.unitbv.ro/CONVERGENCE/
Fig.5. Interfața grafică a aplicației.
2.2. Descrierea aplicației desktop
Pe baza metodologiei descrise mai sus a fost dezvoltată o aplicație
desktop descrisă în continuare. Aplicația dispune de o interfață
grafică (figura 5) ușor de utilizat, compusă dintr-un singur tab cu
două mari regiuni.
Prima regiune, denumită Inputs, este formată din câmpuri în care
utilizatorul trebuie să seteze valoarea variabilelor de intrare, variabile
ce reprezintă măsurători fiziologice care descriu parametrii ciclului
cardiac măsurați atât în artera pulmonară, cât și în aortă.
Acești parametrii sunt:
Frecvența cardiacă;
Presiunea sistolică în aortă;
Presiunea diastolică în aortă;
Volumul ventriculului stâng la sfârșitul diastolei;
Volumul ventriculului stâng la sfârșitul sistolei;
Presiunea sistolică în artera pulmonară;
Presiunea diastolică in artera pulmonară;
Volumul ventriculului drept la sfârșitul diastolei;
Volumul ventriculului drept la sfârșitul sistolei.
Pe baza parametrilor menționați mai sus, aplicația calculează în timp
real următoarele mărimi:
Media presiunii aortice într-un ciclu cardiac;
Media presiunii din artera pulmonară într-un ciclu cardiac;
Timpul de ejecție al ventriculului stâng;
Timpul de ejecție al ventricului drept.
Tot în această regiune se pot găsi și două butoane, prin care
utilizatorul poate lansa în execuție fie modelul cu parametri
distribuiți – butonul LPM (Lumped Parameter Model), fie algoritmul
de predicție bazat pe inteligență artificială – butonul AI.
În partea de mijloc și de jos a interfeței grafice se regăsește regiunea
destinată afișării rezultatelor generate atât de modelul hemodinamic,
LPM, cât și de modelul bazat pe AI.
Ambele modele au ca intrări valorile introduse de utilizator în
regiunea Inputs și generează două mari categorii de ieșiri:
Valori numerice reale:
o Elastanța maximă;
o Volumul mort al ventriculului;
o Momentul de timp la care se atinge elastanța maximă;
o Rezistența totală;
o Complianța totală;
o Raportul dintre rezistența proximă și rezistența distală;
Serii de timp:
o Presiunea aortică/arterială într-un ciclu cardiac;
o Presiunea ventriculară;
o Presiunea atrială;
o Volumul ventricular;
o Debitul sanguin.
După rularea a cel puțin unuia dintre modele, regiunea centrală a
interfeței grafice va prezenta graficele corespunzătoare seriilor de
timp descrise mai sus.
CONVERGENCE Newsletter
Nr. 2 | Aprilie 2019
6
http://aut.unitbv.ro/CONVERGENCE/
Figura 6. Regiunea de prezentare a seriilor de timp și meniul de selectare a modului de vizualizare.
În partea din dreapta a acestei regiuni se pot regăsi două butoane
prin care utilizatorul poate selecta pentru ce parte a inimii doreste sa
vizualizeze rezultatele. Dacă se selectează Right ventricle, vor fi afișați
parametrii din atriul drept, ventriculul drept si artera pulmonară, iar
dacă Left ventricle este selectat, atunci în interfața grafică se pot
vizualiza parametrii din ventriculul stâng, atriul stâng și aortă.
Un meniu aflat tot în acea zonă poate fi folosit pentru a alege
modelul ale cărui rezultate se doresc a fi vizualizate. Această opțiune
este disponibilă doar în cazul în care ambele modele au fost aplicate.
Mai mult, în acest caz, un alt mod de vizualizare a rezultatelor este
disponibil, și anume, modul de comparare (Comparison Mode).
Astfel, utilizatorul poate compara rezultatele oferite de modelul
bazat pe AI cu cele obținute cu modelul cu parametrii distribuiti.
Selectarea acestui mod duce la apariția unui nou meniu (figura 7), pe
care utilizatorul îl poate folosi pentru a selecta parametrul a cărui
evoluție de-a lungul unui ciclu cardiac urmează să fie vizualizată.
Figura 7. Vizualizarea rezultatelor în modul de comparare.
Figura 8. Mărimile de interes calculate cu cele două metode pentru circulația sistemică (ventricul stang)
și pentru circulația pulmonară (ventricul drept).
CONVERGENCE Newsletter
Nr. 2 | Aprilie 2019
7
http://aut.unitbv.ro/CONVERGENCE/
Zona de jos a interfeței grafice pezintă un tabel cu rezultatele
mărimilor descrise mai sus, atât pentru circulația sistemică (ventricul
stang), cât și pentru circulația pulmonară (ventricul drept).
2.3. Metode bazate pe inteligența artificială pentru calculul
mărimilor de interes
Datorită evoluției continue a puterii de procesare oferite de
calculatoare, tehnicile de inteligență artificială sunt din ce în ce mai
răspândite în rezolvarea unei game extrem de largi de probleme. În
principiu, un model bazat pe AI reprezintă o mapare a unui domeniu
în altul, mapare învățată pe baza unui număr mare de exemple
reprezentative. Din păcate, de cele mai multe ori, în aplicațiile
medicale obținerea unui set de date suficient de mare - pentru a
putea fi folosit la instruirea unei rețele neurale – este foarte
costisitioare și riscantă.
Din motivul menționat mai sus, s-a procedat la crearea unui set de
date sintetice: în prima fază a fost generat un set de parametrii de
intrare pseudo-aleatori, ținându-se cont de constrângerile fiziologice,
urmând ca aceștia să fie apoi folosiți ca date de intrare în modelul
hemodinamic. În acest fel a fost creat un set de date sintetice care
conține aproximativ 7000 de exemple, ce pot fi folosite la instruirea
rețelelor neurale.
Setul de date a fost împărțit după cum urmează: 70% date de
antrenare, 15% date de validare și 15% date de testare. Totodată,
datele au fost normalizate în funcție de valoarea medie și deviația
standard a fiecărui parametru în parte.
Pentru a prezice ieșirea modelului cu parametrii distribuiți au fost
create două modele.
1. Pentru predicția valorilor tabelare a fost creată o rețea simplă,
densă, care conține 3 straturi ascunse.
Figura 9. Rețea neurală Fully connected.
Stratul de intrare este compus din 12 neuroni – câte unul pentru
fiecare parametru de intrare –, primele două straturi ascunse conțin
câte 64 de neuroni având tangenta hiperbolică pe post de funcție de
activare, iar al treilea strat ascuns conține 32 de neuroni având un
selu ca funcție de activare. Stratul d ieșire este format din 12 neuroni,
câte unul pentru fiecare parametru prezis. Dat fiind faptul că
problema pe care încercăm să o rezolvăm este una de regresie,
stratul de ieșire nu are funcție de activare, fiecare valoare de ieșire
fiind o combinație liniară a valorilor rezultate în ultimul strat ascuns.
Învățarea se face prin minimizarea erorii medie absolute folosind
optimizatorul Adam, iar ca și metrică a fost folosită abaterea medie
pătratică.
Tabelul 2. Rezultatele modelulului de predicție a valorilor tabelare pe setul de testare.
Mean Squared Error Root Mean Squared Error Mean Absolute Error Pearson correlation
l_emax (const) 2.58e-31 5.08e-16 3.80e-16 nan
l_v0 0.35 0.59 0.37 0.999
l_timeEmax 1.26e-06 0.001 0.0007 0.999
l_res 182.41 13.50 8.72 0.999
l_compl 31595.85 177.75 89.73 0.981
l_prox 1.30e-05 0.003 0.001 0.973
r_emax (const) 1.64e-31 4.053e-16 3.59e-16 -0.411
r_v0 1.77 1.33 0.91 0.998
r_timeEmax 5.66e-07 0.0007 0.0005 0.998
r_res 4.52 2.12 1.34 0.999
r_compl 6124.72 78.26 53.27 0.997
r_prox (const) 5.663e-34 2.379e-17 1.701e-17 -0.071
CONVERGENCE Newsletter
Nr. 2 | Aprilie 2019
8
http://aut.unitbv.ro/CONVERGENCE/
2. Predicția seriilor de timp
Modelul de predicție a seriilor de timp este format din două părți:
una convoluțională și una densă. Pe parametrii de intrare se aplică
două convoluții unu-dimensionale succesive urmate de două straturi
dense. Fiecare serie de timp este văzută ca un strat separat de ieșire
care se leagă la ultimul strat ascuns. La final, ieșirea modelului va
rezulta din concatenarea celor 10 straturi corespunzătoare fiecărei
serii de timp.
Tabelul 3. Rezultatele obținute de modelul de predicție a seriilor de timp pe setul de testare.
Mean Squared Error Root Mean Squared Error Mean Absolute Error
Pao 0.12 0.35 1.46
PLA 0.0005 0.02 0.52
PLV 0.036 0.189 1.335
VLV 0.275 0.524 1.855
Qao 0.007 0.087 6.228
PPAo 0.004 0.065 0.565
PRA 0.0001 0.010 0.522
PRV 0.0001 0.010 0.571
VRV 0.291 0.540 1.339
QPAO 0.005 0.076 3.132