kierownik pracowni:
dr hab. inż. Marian Kotas
Pracownia zajmuje się przetwarzaniem, analizą i modelowaniem sygnałów biomedycznych dla potrzeb diagnostyki medycznej.
Przetwarzanie sygnałów zawierających informację o stanie zdrowia pacjenta jest zwykle bardzo utrudnione przez obecność występujących w tych sygnałach zakłóceń, generowanych przez pola elektromagnetyczne, spowodowanych przez dużą rezystancję przejścia elektroda-skóra, czy też wynikających z aktywności mięśni pacjenta. Szczególnie trudne jest tłumienie zakłóceń mięśniowych, których szerokopasmowe widmo mocy nakłada się na widma większości znanych sygnałów biomedycznych (EEG, EKG, EOG, itp.).
Na początku lat dziewięćdziesiątych w ośrodkach badawczych zajmujących się zagadnieniami dynamiki nieliniowej opracowano metodę nieliniowego rzutowania w przestrzeni stanów. Chociaż metoda ta, modelująca przetwarzane sygnały jako złożenie składowej deterministycznej z losową, była początkowo przeznaczona tylko do tłumienia zakłóceń deterministycznych sygnałów chaotycznych, wkrótce jednakże okazało się, że umożliwia ona także przetwarzanie wielu sygnałów biomedycznych i skuteczne tłumienie występujących w nich zakłóceń mięśniowych. Uproszczony schemat działania metody przedstawiono na Rys.1. Kolorem niebieskim przedstawiono przetwarzany, zakłócony sygnał elektrokardiograficzny i tworzoną na jego podstawie postać przestrzenną (trajektorię w tzw. przestrzeni fazowej, określanej również jako przestrzeń stanów). Kolorem czerwonym natomiast zaprezentowano wyniki działania metody: skorygowaną trajektorię w przestrzeni stanów i zrekonstruowany sygnał jednowymiarowy.
Ogromne koszty obliczeniowe tej metody nie pozwalały dotychczas na jej praktyczne użycie. Dlatego w ramach prac laboratorium projektowane są jej nowe odmiany, o mniejszych kosztach i jak największej skuteczności tłumienia zakłóceń, a jednocześnie trwają próby zrównoleglenia wykonywanych obliczeń przy użyciu dostępnych procesorów graficznych. Akceleracja sprzętowa umożliwia wszechstronne badania metody na większych zbiorach danych, np. rejestrowanych za pomocą tzw. systemów holterowskich.
W ramach pracy laboratorium prowadzone są szerokie badania nowatorskich metod biofizycznej oceny stanu pacjentów, ze szczególnym uwzględnieniem nadzoru przed i okołoporodowego.
Monitorowanie płodu na podstawie analizy sygnału czynności serca płodu (FHR) jest najczęściej stosowaną metodą biofizycznej oceny stanu płodu w czasie ciąży i porodu. Analiza zmienności rytmu serca płodu umożliwia bowiem pośrednią ocenę decydującego dla zdrowia płodu parametru – poziomu utlenowania jego krwi. W procesie diagnostycznym lekarz bazując na swojej wiedzy, doświadczeniu oraz przyjętych w położnictwie standardach dokonuje interpretacji zapisu sygnału FHR wykrywając
w nim charakterystyczne cechy, a następnie w oparciu o ich liczbę i wielkość ocenia stopień zagrożenia płodu. Wzrokowa analiza krzywej FHR jest trudna z uwagi na bardzo złożony kształt tej krzywej. Z tego względu komputerowo-wspomagane systemy monitorowania stanu płodu dostarczają szeregu parametrów będących rezultatem ilościowej analizy rejestrowanego sygnału.
Przykład systemu rejestrującego sygnał rytmu serca płodu nieinwazyjną techniką kardiologiczną i realizującego automatyczną analizę diagnostyczną tego sygnału przedstawiono na Rys.2. W systemie tym zastosowanie znalazły algorytmy i metody przetwarzania sygnałów opracowane przez członków naszego zespołu.
Dodatkowy, ilościowy opis sygnału dostarczany przez algorytmy jego automatycznej analizy zapewnia większą obiektywność oraz powtarzalność klasyfikacji rejestrowanych zapisów dokonywanej przez lekarza. Niestety, zjawiska niepokojące czy też patologiczne mogą pojawić się zarówno w przypadku rzeczywistego zagrożenia niedotlenieniem, jak i przy jego całkowitym braku. Sytuacja taka w połączeniu z brakiem doświadczenia lekarza, może prowadzić do przedwczesnych, inwazyjnych interwencji położniczych (najczęściej nieuzasadnionych), o czym niewątpliwie świadczy stale rosnąca liczba cięć cesarskich. Dlatego od wielu lat projektowane są systemy, których zadaniem jest jak najskuteczniejsze wspieranie procesu diagnostycznego. Wśród nich znalazły się również propozycje przedstawione przez pracowników zespołu. Należy do nich, np. oprogramowanie do oceny ryzyka niskiej masy urodzeniowej noworodka w postaci systemu neuronowo-rozmytego o parametrycznej konkluzji, którego algorytm uczenia oparto na połączeniu metod deterministycznego wyżarzania oraz uczenia nieczułego. Z kolei w innych pracach przedstawiono system do automatycznej, rozmytej analizy sygnału FHR, który stanowi rozwinięcie idei skal punktowych wykorzystywanych w praktyce klinicznej do jakościowej oceny stanu płodu. Wspólną cechą wymienionych metod jest ich stosunkowo wysoka złożoność czasowa wynikająca z iteracyjnego charakteru obu algorytmów. Jednocześnie, metody te wymagają określenia szeregu parametrów istotnie wpływających na trafność klasyfikacji. Zwykle proces doboru wartości tych parametrów odbywa się metodą prób i błędów, co w sposób znaczący wydłuża czas oczekiwania na wynik. Prowadzone są próby przezwyciężenia powyższych ograniczeń przez zastosowanie technologii obliczeń na bazie wielordzeniowej architektury procesorów graficznych.
Zespół uczestniczy w badaniach nowych metod wspomagania diagnozy medycznej w celu oceny i monitorowania stanu klinicznego pacjentów.
Analiza sygnałów biomedycznych prowadzi do wyznaczenia cech, które charakteryzują stan pacjenta. Jednakże często wartości tych cech muszą być interpretowane w powiązaniu z innymi licznymi parametrami diagnostycznymi ustalonymi na podstawie wywiadu oraz badania przedmiotowego, a nawet z uwzględnieniem subiektywnych odczuć pacjenta (np. bólu). Wyniki takiej interpretacji powinny być przedstawione lekarzowi w zrozumiałej i łatwej w percepcji postaci, najlepiej w postaci lingwistycznej. Dotychczas nie opracowano praktycznie przydatnych, tanich i możliwych do implementacji w systemach informacyjnych szpitala, narzędzi wspomagania diagnozy, spełniających powyższe wymagania. Dlatego konieczne jest badanie nowych metod wspomagania diagnozy medycznej w celu oceny i monitorowania stanu klinicznego pacjentów. Jak ustalono podczas wstępnych prac nad wspomaganiem diagnozy, można znacznie poprawić trafność wniosków diagnostycznych, jeśli wiedza heurystyczna będzie uzupełniona współczynnikami pewności obliczonymi na podstawie danych leczonej populacji. Opracowanie metod wyznaczania takich współczynników wymaga jednak zbadania wielu wariantów reprezentacji nieprecyzyjności i niepewności reguł diagnostycznych dla danych populacyjnych. Dlatego odpowiednia infrastruktura obliczeniowa jest absolutnie konieczna aby dokonać postępu w tej dziedzinie.
Ważnym obszarem zagadnień podejmowanych przez pracowników zespołu są badania nowych metod nadzorowanego i nienadzorowanego grupowania danych.
Wprowadzono metodę uzyskiwania przesłanek reguł warunkowych 'if-then' systemów klasyfikujących o strukturze Mamdaniego-Assilana (MA) stosującą rozmyte grupowanie danych za zbioru uczącego, gdzie poszukiwana jest struktura danych z jednej klasy, ale struktura innych klas także jest brana pod uwagę. Do uzyskania konkluzji reguł 'if-then' ze współczynnikami przekonania zastosowano iteracyjnie reważoną metodę najmniejszych kwadratów.
Zaproponowano metodę odpornego grupowania danych, która dla uzyskania odporności jednocześnie stosuje zmodyfikowane funkcje strat oraz operację sortowania danych względem ich odległości od prototypu grupy.
Wprowadzono metodę odpornego grupowania z zastosowaniem prototypów będących hiperpłaszczyznami, która jednocześnie stosuje huberowskie M-estymatory i – jako operator agregacji – uogólnione ważone uśrednianie z operacją sortowania. Wynikiem zastosowania tych rozwiązań było uzyskanie braku katastroficznego załamania metody przy analizie sygnałów biomedycznych dla których energia zakłóceń przewyższała energię składników użytecznych.
