Avtomatska segmentacija bolnikov na podlagi fizioloških signalov in strojnega učenjaPOTOČNIK, JURE (Avtor) Košir, Andrej (Mentor) Strle , Gregor (Komentor) časovne vrstestrojno učenjegručenjeperiferna arterijska bolezenV delu obravnavamo problem avtomatske analize in segmentacije gleženjskega indeksa (GI) kot podporo diagnostiki periferne arterijske bolezni (PAB). GI je neinvazivna meritev, ki jo izračunamo kot razmerje sistoličnega krvnega tlaka v gležnjih in rokah ter služi za diagnosticiranje stanja spodnjih okončin. Klasične meritve GI so podvržene šumu in subjektivni interpretaciji, kar otežuje diagnozo. Cilj naloge je zato razviti model, ki bo sposoben prepoznati vzorce časovnih vrst signalov PAB. Namen modela je prepoznati med normalnim pretokom, kalcificiranimi arterijami in perifernim arterijskim obolenjem ter nuditi podporo zdravnikom za hitrejšo analizo tovrstnih signalov. Iz vhodnih podatkov, ki so bili podani kot časovne vrste in so predstavljali stanja (normalno, kalcifikacije, PAB, šum), smo pridobili značilke s pomočjo različnih metod ekstrakcije, ki so omogočile zajem ključnih informacij za nadaljnjo analizo in gručenje. Osnovne značilke smo generirali s pomočjo knjižnice Sktime in metode SummaryTransformer. Za dodatne značilke smo uporabili orodje Catch22, ki je zasnovano za pomoč pri analizi časovnih vrst, ter tsfresh. Na teh smo uporabili nenadzorovano učenje, kjer smo se osredotočili na gručenje podatkov z različnimi algoritmi, kot so K-povprečja, spektralno gručenje, Ward in model Gaussove mešanice. Za vrednotenje uspešnosti gručenja smo uporabili metrike, kot so: koeficient silhuete, Calinski-Harabasz indeks in Davies-Bouldin indeks. Nato smo v sklopu nadzorovanega učenja, za katerega smo ročno anotirali 400 podatkov, izvedli klasifikacijo, da smo pridobili podnabor značilk, ki najbolj prispevajo k uspešnosti gručenja. Z uporabo teh značilk smo izboljšali kakovost gručenja in pridobili bolj uravnotežene gruče. Tu smo uporabili različne metrike uspešnosti, kot so indeks Rand, prilagojeni indeks Rand, prilagojena medsebojna informacija ter metrika homogenosti, popolnosti in V-mera. Iz pridobljenih rezultatov je bilo razvidno, da podnabor najrelevantnejših značilk pripomore k izboljšanju uspešnosti gručenja. Za algoritem K-povprečij smo na tem podnaboru značilk dosegli, v primerjavi z referenčnim naborom, višji silhuetni koeficient (0,213 pred tem 0,182) in višjo vrednost indeksa Calinski-Harabasz (2075,410 pred tem 1265,620) in ohranitev ugodne vrednosti indeksa Davies–Bouldin (1,478 iz 1,614). Končne slike pa prikazujejo, da s pomočjo gručenja lahko ločimo pričakovana stanja (normalno, kalcifikacije, PAB, šum).20252025-09-17 10:35:00Magistrsko delo/naloga173462VisID: 62970COBISS_ID: 257118211sl