Naslov magistrskega dela: Modeliranje fotopletizmogramov z globokim učenjem

Povzetek:

Hipertenzija je eden najpogostejših kroničnih zdravstvenih problemov sodobnega časa in glavni dejavnik tveganja za bolezni srca in možgansko kap. Ker bolezen pogosto ne povzroča opaznih simptomov, redno merjenje krvnega tlaka ostaja edini zanesljiv način za pravočasno odkrivanje. Standardne metode merjenja so invazivne ali neprimerne za dolgotrajno neprekinjeno spremljanje, zato so raziskave neinvazivnih alternativ izjemno aktivne. Ena izmed obetavnih smeri je ocenjevanje krvnega tlaka iz fotopletizmografskih (PPG) signalov, ki jih že danes zaznavajo senzorji v pametnih urah in nosljivih napravah. Kljub spodbudnim rezultatom pristopov globokega učenja pa večina modelov deluje kot črna škatla, brez jasnega vpogleda v to, katere morfološke lastnosti signala so odločilne.

V tej nalogi razvijemo avtokodirnik z razpletenim latentnim prostorom za PPG signale, pri katerem vsaka dimenzija latentnega prostora ustreza enemu fiziološko interpretabilnemu morfološkemu parametru signala. Na podlagi izbranih morfoloških parametrov generiramo sintetične signale z modelom dveh Gaussovih krivulj in metodo vzorčenja z latinsko hiperkocko. Na sintetičnih podatkih primerjamo tri modele: navadni avtokodirnik in standardni variacijski avtokodirnik (VAE) brez predpisane strukture in nadzorovani VAE, ki z dodatno napovedno glavo eksplicitno usmerja posamezne dimenzije latentnega prostora k vrednostim morfoloških parametrov. Naučene modele nato brez dodatnega učenja prenesemo na realne PPG signale in ocenimo kakovost rekonstrukcije ter strukturo latentnega prostora.

Rezultati na sintetičnih signalih pokažejo, da nadzorovani variacijski avtokodirnik doseže najbolj strukturiran in razložljiv latentni prostor, pri čemer ohrani rekonstrukcijsko natančnost, primerljivo z navadnim avtokodirnikom. Intervencijska analiza dodatno potrdi, da posamezne latentne dimenzije omogočajo neposredno razlago in nadzorovano spreminjanje morfoloških lastnosti generiranih signalov. Standardni variacijski avtokodirnik zaradi sesutja posteriorne porazdelitve odpove tako pri rekonstrukciji kot pri organizaciji latentnega prostora. Pri prenosu na realne PPG signale se zmogljivost vseh modelov poslabša, kar kaže na domensko vrzel med sintetičnimi in realnimi podatki. Čeprav nadzorovani variacijski avtokodirnik doseže delno prekrivanje obeh domen v latentnem prostoru, to ne vodi nujno do boljše morfološke skladnosti med realnimi signali in njihovimi najbližjimi sintetičnimi predstavitvami. Rezultati kažejo, da nadzorovano usmerjanje latentnega prostora omogoča učinkovito in razložljivo predstavitev morfoloških značilnosti sintetičnih PPG signalov, medtem ko prenos teh predstavitev na realne podatke brez dodatnega prilagajanja ostaja omejen zaradi domenske vrzeli med sintetično in realno domeno.
 

Mentor: doc. dr. Jure Žabkar

Komisija za zagovor:

izr. prof. dr. Veljko Pejović (predsednik),

doc. dr. Aljaž Zalar (član),

doc. dr. David Modic (član).

Prostor: Diplomska soba