Ζερβακης ΜιχαηλΛαγουδακης ΜιχαηλΠετρακης ΕυριπιδηςLagoudakis MichailPetrakis EvripidisZervakis MichailΚατσουπης ΕυαγγελοςKatsoupis EvangelosΟι 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.Developing 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 LCDhttp://purl.tuc.gr/dl/dias/626FCEE9-404E-472A-96CD-F0A874CB2DB410.26233/heallink.tuc.100510engECGContinuous wavelet transform (CWT)ECG morphological featuresNon-invasive diagnosticsMedical ECGDeep learningMLII ECGPortable systemsDeep Learning-based arrhythmia detectorSignal processingECG-derived respirationBLECardiovascular diseasesΑνάπτυξη συστήματος επιτήρησης για καρδιολογικές παθήσειςDevelopment of a cardiovascular disease monitoring systembachelorThesis2024Πτυχιακή εργασίαBachelor thesisΕπιστήμη Ηλεκτρολόγου Μηχανικού, Ηλεκτρονικού Μηχανικού, Μηχανικού Η/ΥElectrical engineering, Electronic engineering, Information engineeringFrascati 42Πολυτεχνείο ΚρήτηςGreek Aggregator OpenArchives.gr | National Documentation Centre (EKT)