Analiza dejavnikov napovedne uspešnosti temeljnih modelov za signale PPGMujagić, Amer (Avtor) Kastrin, Andrej (Mentor) Slapničar, Gašper (Komentor) Temeljni modeliFotopletizmogramFotopletizmografPPGSintetično vrednotenjeVrednotenje modelovGeneriranje PPGSintetični PPGFotopletizmografija (PPG) je neinvazivna optična metoda, ki odraža predvsem spremembe lokalnega krvnega volumna, nanjo pa vplivajo različni fiziološki dejavniki. V zadnjih letih so bili razviti temeljni modeli za PPG, ki se učijo predstavitev signalov, namenjenih ponovni uporabi pri različnih ciljnih nalogah. Te v tej magistrski nalogi opredeljujemo kot napovedne probleme, določene z vrsto in obliko vhodnih podatkov ter odzivno spremenljivko. Njihovo vrednotenje na omejenem naboru realnih nalog pa daje le malo vpogleda v to, katere značilnosti signala in lastnosti nalog so povezane z napovedno uspešnostjo. Za obravnavo te omejitve predstavljamo metodološko ogrodje za analizo in primerjavo temeljnih modelov za PPG s sintetičnimi nalogami. Z ogrodjem preučujemo, kako dobro je mogoče iz predstavitev modelov oceniti različne morfološke značilke signala PPG ter kako se napovedna uspešnost razlikuje glede na fiziološko motivirane dele posameznih pulzov, načine agregiranja, dolžino vhodnega okna in količino šuma. Uporabnost ogrodja smo prikazali s preliminarnim sintetičnim vrednotenjem, ki je pokazalo velike razlike v uspešnosti, povezane z izbranimi lastnostmi nalog. To analizo smo dopolnili z navzkrižno preverjenim vrednotenjem na realnih nalogah napovedovanja krvnega tlaka in srčnega utripa ter zaznavanja dogodkov zmanjšanja nasičenosti krvi s kisikom. Za oblikovanje sintetičnih nalog smo najprej razvili generator signalov z razširitvijo obstoječega modela pulza z dvema Gaussovima krivuljama. Izvirni pristop je daljša zaporedja tvoril s ponavljanjem povprečnega pulza, mi pa smo namesto tega uporabili modele časovnih vrst, ki opisujejo, kako so parametri posameznega pulza odvisni od parametrov predhodnih pulzov, s čimer smo omogočili spreminjanje morfologije skozi čas. Obravnavali smo tri pristope, in sicer ločene avtoregresijske modele za posamezne parametre pulza, vektorsko avtoregresijo in avtoregresijski skriti model Markova (AR-HMM). S štirikratnim navzkrižnim preverjanjem smo izbrali njihove zamike, pri AR-HMM pa tudi število skritih stanj, nato pa izbrane konfiguracije primerjali med seboj in z izvirnim modelom z dvema Gaussovima krivuljama. AR-HMM je dosegel najboljše skupno ujemanje z obravnavanimi značilnostmi realnih zaporedij pulzov. Na naboru OPTIVAS je v primerjavi z izvirnim pristopom zmanjšal razlike v porazdelitvah sprememb parametrov med zaporednimi pulzi in v korelacijah med parametri. Obe izboljšavi sta bili statistično značilni pri 5-odstotni stopnji značilnosti. Razlike v marginalnih porazdelitvah posameznih parametrov pulza so bile prav tako manjše, vendar ta izboljšava ni bila statistično značilna. Izbrani AR-HMM smo nato uporabili za generiranje oken signala za sintetične naloge, pri katerih so temeljni modeli GPT-PPG, PaPaGei-S, PaPaGei-P in Pulse-PPG za posamezno okno napovedovali eno odzivno vrednost. To smo izračunali tako, da smo v določenem delu vsakega pulza izmerili izbrano morfološko značilko in dobljene vrednosti agregirali čez pulze v oknu. Štiri različne dele pulza smo določili na podlagi fiziološko motiviranih parametrov modela pulza z dvema Gaussovima krivuljama. Dva dela sta obdajala središči Gaussovih komponent, povezanih s sistolično in diastolično fazo, v bližini pripadajočih vrhov. Druga dva sta zajemala prehod med tema deloma ter prehod od konca enega pulza do začetka naslednjega. Obravnavane morfološke značilke so bile povprečna vrednost signala, povprečna absolutna vrednost prvega in drugega odvoda ter časovni integral. Te značilke so bile predhodno uporabljene v modelih strojnega učenja, ki so pri napovedovanju fizioloških spremenljivk dosegli boljše rezultate od primerjalnih metod. Za agregiranje smo uporabili povprečje, maksimum ali uteženo povprečje, pri katerem so večjo utež dobili pulzi, katerih vrednost značilke je bolj odstopala od povprečja teh vrednosti v oknu. S temi načini agregiranja smo preučevali, ali modeli zajamejo povprečne vrednosti značilk, izrazitejša odstopanja posameznih pulzov ter spreminjanje vrednosti značilk med pulzi. Definicije nalog so vključevale tudi vhodna okna dolžine 10, 30 ali 60 sekund ter eno ravni izmed štirih ravni dodanega šuma. Rezultate preliminarnega sintetičnega vrednotenja smo eksploratorno analizirali z linearnimi modeli, s katerimi smo povzeli razlike v uspešnosti glede na izbrane referenčne ravni. Napovedna uspešnost je bila praviloma slabša pri nalogah, ki so temeljile na delu pulza okoli diastoličnega vrha, kot pri nalogah, ki so temeljile na delu okoli sistoličnega vrha. Slabša je bila tudi pri uporabi uteženega povprečja glede na odstopanje in maksimuma namesto povprečja kot načina agregiranja. Posebej zahtevne so bile tudi naloge, pri katerih je bila odzivna spremenljivka določena na podlagi povprečne absolutne vrednosti drugega odvoda. Te razlike podpirajo uporabnost predlaganega vrednotenja in utemeljujejo obsežnejšo raziskavo z natančnejšimi ocenami ter eksperimentalnim načrtom, ki bi omogočal vzročno interpretacijo. Značilke, ki jih je iz predstavitev modelov težko oceniti, bi bilo mogoče dodatno vključiti ob obstoječih predstavitvah in preveriti, ali s tem izboljšamo napovedno uspešnost na ciljnih nalogah. Pri vrednotenju na realnih nalogah smo uporabili iste štiri temeljne modele, pri čemer so bile njihove hrbtenice v celoti zamrznjene. Pulse-PPG je dosegel najboljšo povprečno uspešnost pri večini obravnavanih metrik. Pri napovedovanju srčnega utripa sta GPT-PPG in Pulse-PPG dosegla povprečni absolutni napaki približno 8,0 oziroma 7,3 utripa na minuto, ki sta bili statistično značilno nižji kot pri napovedovanju s povprečno vrednostjo. Pulse-PPG je dosegel tudi korelacijo približno 0,8, ki je bila statistično značilno višja kot pri drugih obravnavanih temeljnih modelih. Pri klasifikaciji dogodkov desaturacije kisika so vsi štirje modeli pri več metrikah statistično značilno presegli metodo napovedovanja večinskega razreda, čeprav je bila njihova skupna uspešnost še vedno omejena. Preciznost je pri večini modelov znašala približno 0,5, občutljivost pa od 0,16 do 0,30, kar pomeni, da je velik delež dogodkov ostal nezaznan. Pri napovedovanju krvnega tlaka noben model ni statistično značilno presegel napovedovanja s povprečno vrednostjo pri obravnavanih merah napake. Korelacije pri sistoličnem krvnem tlaku so znašale približno od 0,30 do 0,48 in so bile statistično značilno pozitivne pri vseh modelih razen pri PaPaGei-S. Pri diastoličnem krvnem tlaku je statistično značilno pozitivno korelacijo dosegel le Pulse-PPG, in sicer približno 0,26.20262026-10-08 09:30:05Magistrsko delo/naloga189511sl