CONVERGENCE - aut.unitbv.roaut.unitbv.ro/CONVERGENCE/Convergence-Newsletter-2.pdf · aplicând legile dinamicii fluidelor, calculează diverși parametrii ce indică prezența și/sau

CONVERGENCE :: Frictionless Energy Efficient Convergent Wearables for Healthcare and Lifestyle Applications

Newsletter

Numărul 2

Aprilie 2019

http://aut.unitbv.ro/CONVERGENCE/

CONVERGENCE

Frictionless Energy Efficient Convergent

Wearables for Healthcare and Lifestyle

Applications

Newsletter Numărul 2

Aprilie 2019

Diagnosticarea diverselor afecțiuni ale sistemului cardiovascular se face de obicei într-o

manieră invazivă, implicând astfel expunerea pacienților la riscuri asociate interventiilor,

și, în același timp, costurile sunt mai ridicate.

Pentru a adresa această problemă, pot fi folosite modele cardiovasculare, care, pe baza

unei serii de variabile fiziologice măsurabile în mod non-invaziv (sau minim-invaziv),

aplicând legile dinamicii fluidelor, calculează diverși parametrii ce indică prezența și/sau

severitatea diverselor afecțiuni circulatorii. Un exemplu de astfel de algoritm, folosit în

cadrul activitatilor din acest an, este modelul cu parametrii distribuiti (denumit si model

0D).

Totuși, astfel de modele necesită un timp de execuție indelungat (timp de convergență),

fapt ce determină inposibilitatea folosirii acestora în timpul intervențiilor (în timp real).

Din acest motiv, lucrarea de față prezintă, de asemenea, o abordare bazată pe tehnici de

inteligență artificială (AI) ce poate fi folosită intervențional datorită capacității sale de a

calcula rezultatul modelului hemodinamic aproape in timp real.

În cadrul acestei etape a proiectului a fost dezvoltată o aplicație intitulată Whole body

circulation (WBC) hemodynamics, aplicație ce reprezintă un instrument util pentru

calculul si analiza hemodinamicii sistemului circulator.

1.

Modelul cu parametrii distribuiți al sistemului

cardiovascular .................................................... 2

2.

Utilizarea tehnicilor de inteligență artificială

pentru calculul în timp real al mărimilor de

interes ................................................................ 4

CONVERGENCE Newsletter

Nr. 2 | Aprilie 2019

2


1.

Modelul cu parametrii distribuiți al sistemului cardiovascular

1.1. Introducere

Modelul sistemului cardiovascular considerat (vezi figura 1) conține

un model de inimă (ventricul stâng – LV – și atriu, ventricul drept și

atriu, valve), circulația sistemică (artere, capilare, vene) și circulația

pulmonară (artere, capilare, vene). Pentru toate cele patru camere

ale inimii s-au folosit modele de elastanță cu variație în timp. Valvele

au fost modelate printr-o rezistență și o inertanță. Un model

Windkessel din trei elemente s-a folosit la circulația arterială,

sistemică și pulmonară, în timp ce un model Windkessel din două

elemente s-a folosit la circulația venoasă, sistemică și pulmonară.

Personalizarea a fost efectuată cu privire la pulsul pacientului,

măsurat în timpul cateterizării.

1.2. Obiectivele și parametrii personalizați

Obiectivele personalizarii folosite in acest studiu sunt:

6 obiective de bază pentru circulaţia sistemică,

8 obiective speciale pentru circulaţia sistemică,

6 obiective de bază pentru circulaţia pulmonară.

Toate obiectivele sunt bazate pe presiuni şi volume ventriculare şi

aortice.

Figura 1. Model cu parametrii distribuiti al sistemului cardiovascular.

1.2.1. Obiective formulate pe baza presiunilor

Obiectivele de bază extrase din măsurătorile de presiune sunt:

presiunea ventriculară maximă, presiunea aortică medie, presiunea

aortică minimă, intervalul de timp de-a lungul căruia valva aortică

este deschisă. Acestea sunt formulate atât pentru circulaţia sistemică

cât şi pentru circulaţia pulmonară. Obiectivele speciale formulate pe

baza presiunilor sunt prezentate în figura 2. Acestea sunt:

Panta 1: panta presiunii ventriculare la începutul sistolei

(înainte de deschiderea valvei aortice);

Presiunea ventriculară diastolică;

Panta 2: panta presiunii aortice de-a lungul diastolei.

1.2.2. Obiective formulate pe baza volumelor

Obiectivele de bază extrase din măsurătorile de volum sunt:

Volumul ventricular maxim (la finalul diastolei)

Volumul ventricular minim (la finalul sistolei)

Acestea sunt formulate atât pentru circulaţia sistemică cât şi pentru

circulaţia pulmonară.

Obiectivele speciale formulate pe baza volumelor sunt prezentate în

figura 3.



3


Figura 2. Obiectivele speciale formulate pe baza presiunilor.

Figura 3. Obiectivele speciale formulate pe baza volumelor.

În vederea formulării acestor obiective, pacienţii au fost împărţiţi în

trei categorii, care sunt enumerate în continuare împreună cu

obiectivele speciale:

Pacienţi cu platou diastolic: nivelul platoului diastolic, exprimat

în procentaje în raport cu valorile minime şi maxime ale

volumului; Δt1: intervalul de timp dintre momentele la care

volumul este egal cu media dintre volumul minim şi volumul la

platoul diastolic; panta 1: panta curbei de volum la cel de-al

doilea moment de timp utilizat pentru determinarea lui Δt1;

Δt2: durata platoului diastolic; panta 2: panta curbei de volum

când atriul se contractă (panta maximă a curbei de volum după

platoul diastolic);

Pacienţi fără creştere a volumului în ultima parte a diastolei:

Δt1: intervalul de timp dintre momentele la care volumul se află

la 30% între valoarea minimă şi maximă; panta 1: panta curbei

de volum la cel de-al doilea moment de timp utilizat pentru

determinarea lui Δt1;

Pacienţi fără platou diastolic, dar cu diferite pante ale

volumului: valoarea volumului la care începe contracţia

volumului (punctul de tranziţie de la prima pantă la cea de-a

doua pantă a volumului diastolic); panta 1: panta curbei de

volum în prima parte a diastolei, înainte de contracţia atriului;

panta 2: panta curbei de volum în a doua parte a diastolei,

după contracţia atriului; Δt1: intervalul de timp dintre

momentele la care volumul este egal cu media dintre volumul

minim şi volumul la care se declanşează contracţia atriului.

În trecut s-a folosit o metodă pentru care, deoarece numărul de

obiective este foarte mare, la început se realizează o iniţializare



4


iterativ-individuală a parametrilor. Pentru acest pas s-a realizat o

asociere între obiectivele definite şi parametrii care trebuie

personalizaţi (tabelul 1 prezintă asocierea pentru circulaţia

sistemică).

Această asociere a fost stabilită în urma realizării unei analize de

sensibilitate: pentru fiecare obiectiv s-a determinat parametrul care

are cea mai mare influenţă asupra obiectivului respectiv. Apoi fiecare

parametru a fost adaptat pe rând pentru a îndeplini obiectivul care îi

corspunde. După ce au fost adaptaţi toţi parametrii, procedura a fost

reluată până când valorile obiectivelor extrase din simulare se

apropie de valorile de referinţă. Reluarea procedurii este necesară

deoarece prin personalizarea succesivă a parametrilor, obiectivele

ale căror valori au fost apropiate de cele de referinţă se vor îndepărta

din nou de aceste valori prin modificarea altor parametrii care au

influenţă asupra acestor obiective.

Tabelul 1. Corespondenţa între obiectivele şi parametrii circulaţiei sistemice la iniţializare.

Obiectiv Parametrii

Presiunea aortică medie Volumul iniţial al sistemului în circuit închis

Valoare medie a volumului ventriculului Volum mort al ventriculului

Interval de timp valva deschisă Momentul de timp la care se atinge elastanţa maximă

Δt1 Momentul de final al curbei de elastanţă

Presiune diastolică Valoarea minimă a elastanţei ventriculului

Nivelul platoului diastolic Elastanţa minimă a atriului

Panta 1 volum Rezistenţa valvei mitrale

Δt2 – durata platoului Moment de timp la care se declanşează contracţia atriului

Panta 2 volum Elastanţa maximă a atriului

Panta 1 presiune Elastanţa maximă a ventriculului stâng

Presiune de puls aortică Raportul dintre rezistenţa proximă şi rezistenţa distală sistemică

Panta 2 presiune Complianţa sistemică

2. Utilizarea tehnicilor de inteligență artificială pentru calculul în timp

real al mărimilor de interes

2.1. Introducere

Această activitate s-a desfășurat suplimentar față de cele prevăzute

în cadrul proiectului pentru acest an și a constat în dezvoltarea unui

model bazat pe inteligență artificială pentru a determina în timp real

mărimile de interes care sunt calculate cu ajutorul modelului cu

parametrii distribuiți.

Conceptul este prezentat în figura 4, fiind bazat pe:

generarea unui set mare de date sintetice reprezentând diferite

cazuri patologice,

rularea modelului cu parametrii distribuiți pentru a genera

mărimile de interes,

antrenarea unui model bazat pe inteligență artificială pentru a

prezice mărimile de interes.

aplicarea modelului antrenat pe date preluate de la pacienți

pentru a determina în timp real mărimile de interes.

Figura 4. Fluxul de lucru pentru dezvoltarea și aplicarea metodologiei bazate pe inteligență artificială.



5


Fig.5. Interfața grafică a aplicației.

2.2. Descrierea aplicației desktop

Pe baza metodologiei descrise mai sus a fost dezvoltată o aplicație

desktop descrisă în continuare. Aplicația dispune de o interfață

grafică (figura 5) ușor de utilizat, compusă dintr-un singur tab cu

două mari regiuni.

Prima regiune, denumită Inputs, este formată din câmpuri în care

utilizatorul trebuie să seteze valoarea variabilelor de intrare, variabile

ce reprezintă măsurători fiziologice care descriu parametrii ciclului

cardiac măsurați atât în artera pulmonară, cât și în aortă.

Acești parametrii sunt:

Frecvența cardiacă;

Presiunea sistolică în aortă;

Presiunea diastolică în aortă;

Volumul ventriculului stâng la sfârșitul diastolei;

Volumul ventriculului stâng la sfârșitul sistolei;

Presiunea sistolică în artera pulmonară;

Presiunea diastolică in artera pulmonară;

Volumul ventriculului drept la sfârșitul diastolei;

Volumul ventriculului drept la sfârșitul sistolei.

Pe baza parametrilor menționați mai sus, aplicația calculează în timp

real următoarele mărimi:

Media presiunii aortice într-un ciclu cardiac;

Media presiunii din artera pulmonară într-un ciclu cardiac;

Timpul de ejecție al ventriculului stâng;

Timpul de ejecție al ventricului drept.

Tot în această regiune se pot găsi și două butoane, prin care

utilizatorul poate lansa în execuție fie modelul cu parametri

distribuiți – butonul LPM (Lumped Parameter Model), fie algoritmul

de predicție bazat pe inteligență artificială – butonul AI.

În partea de mijloc și de jos a interfeței grafice se regăsește regiunea

destinată afișării rezultatelor generate atât de modelul hemodinamic,

LPM, cât și de modelul bazat pe AI.

Ambele modele au ca intrări valorile introduse de utilizator în

regiunea Inputs și generează două mari categorii de ieșiri:

Valori numerice reale:

o Elastanța maximă;

o Volumul mort al ventriculului;

o Momentul de timp la care se atinge elastanța maximă;

o Rezistența totală;

o Complianța totală;

o Raportul dintre rezistența proximă și rezistența distală;

Serii de timp:

o Presiunea aortică/arterială într-un ciclu cardiac;

o Presiunea ventriculară;

o Presiunea atrială;

o Volumul ventricular;

o Debitul sanguin.

După rularea a cel puțin unuia dintre modele, regiunea centrală a

interfeței grafice va prezenta graficele corespunzătoare seriilor de

timp descrise mai sus.



6


Figura 6. Regiunea de prezentare a seriilor de timp și meniul de selectare a modului de vizualizare.

În partea din dreapta a acestei regiuni se pot regăsi două butoane

prin care utilizatorul poate selecta pentru ce parte a inimii doreste sa

vizualizeze rezultatele. Dacă se selectează Right ventricle, vor fi afișați

parametrii din atriul drept, ventriculul drept si artera pulmonară, iar

dacă Left ventricle este selectat, atunci în interfața grafică se pot

vizualiza parametrii din ventriculul stâng, atriul stâng și aortă.

Un meniu aflat tot în acea zonă poate fi folosit pentru a alege

modelul ale cărui rezultate se doresc a fi vizualizate. Această opțiune

este disponibilă doar în cazul în care ambele modele au fost aplicate.

Mai mult, în acest caz, un alt mod de vizualizare a rezultatelor este

disponibil, și anume, modul de comparare (Comparison Mode).

Astfel, utilizatorul poate compara rezultatele oferite de modelul

bazat pe AI cu cele obținute cu modelul cu parametrii distribuiti.

Selectarea acestui mod duce la apariția unui nou meniu (figura 7), pe

care utilizatorul îl poate folosi pentru a selecta parametrul a cărui

evoluție de-a lungul unui ciclu cardiac urmează să fie vizualizată.

Figura 7. Vizualizarea rezultatelor în modul de comparare.

Figura 8. Mărimile de interes calculate cu cele două metode pentru circulația sistemică (ventricul stang)

și pentru circulația pulmonară (ventricul drept).



7


Zona de jos a interfeței grafice pezintă un tabel cu rezultatele

mărimilor descrise mai sus, atât pentru circulația sistemică (ventricul

stang), cât și pentru circulația pulmonară (ventricul drept).

2.3. Metode bazate pe inteligența artificială pentru calculul

mărimilor de interes

Datorită evoluției continue a puterii de procesare oferite de

calculatoare, tehnicile de inteligență artificială sunt din ce în ce mai

răspândite în rezolvarea unei game extrem de largi de probleme. În

principiu, un model bazat pe AI reprezintă o mapare a unui domeniu

în altul, mapare învățată pe baza unui număr mare de exemple

reprezentative. Din păcate, de cele mai multe ori, în aplicațiile

medicale obținerea unui set de date suficient de mare - pentru a

putea fi folosit la instruirea unei rețele neurale – este foarte

costisitioare și riscantă.

Din motivul menționat mai sus, s-a procedat la crearea unui set de

date sintetice: în prima fază a fost generat un set de parametrii de

intrare pseudo-aleatori, ținându-se cont de constrângerile fiziologice,

urmând ca aceștia să fie apoi folosiți ca date de intrare în modelul

hemodinamic. În acest fel a fost creat un set de date sintetice care

conține aproximativ 7000 de exemple, ce pot fi folosite la instruirea

rețelelor neurale.

Setul de date a fost împărțit după cum urmează: 70% date de

antrenare, 15% date de validare și 15% date de testare. Totodată,

datele au fost normalizate în funcție de valoarea medie și deviația

standard a fiecărui parametru în parte.

Pentru a prezice ieșirea modelului cu parametrii distribuiți au fost

create două modele.

1. Pentru predicția valorilor tabelare a fost creată o rețea simplă,

densă, care conține 3 straturi ascunse.

Figura 9. Rețea neurală Fully connected.

Stratul de intrare este compus din 12 neuroni – câte unul pentru

fiecare parametru de intrare –, primele două straturi ascunse conțin

câte 64 de neuroni având tangenta hiperbolică pe post de funcție de

activare, iar al treilea strat ascuns conține 32 de neuroni având un

selu ca funcție de activare. Stratul d ieșire este format din 12 neuroni,

câte unul pentru fiecare parametru prezis. Dat fiind faptul că

problema pe care încercăm să o rezolvăm este una de regresie,

stratul de ieșire nu are funcție de activare, fiecare valoare de ieșire

fiind o combinație liniară a valorilor rezultate în ultimul strat ascuns.

Învățarea se face prin minimizarea erorii medie absolute folosind

optimizatorul Adam, iar ca și metrică a fost folosită abaterea medie

pătratică.

Tabelul 2. Rezultatele modelulului de predicție a valorilor tabelare pe setul de testare.

Mean Squared Error Root Mean Squared Error Mean Absolute Error Pearson correlation

l_emax (const) 2.58e-31 5.08e-16 3.80e-16 nan

l_v0 0.35 0.59 0.37 0.999

l_timeEmax 1.26e-06 0.001 0.0007 0.999

l_res 182.41 13.50 8.72 0.999

l_compl 31595.85 177.75 89.73 0.981

l_prox 1.30e-05 0.003 0.001 0.973

r_emax (const) 1.64e-31 4.053e-16 3.59e-16 -0.411

r_v0 1.77 1.33 0.91 0.998

r_timeEmax 5.66e-07 0.0007 0.0005 0.998

r_res 4.52 2.12 1.34 0.999

r_compl 6124.72 78.26 53.27 0.997

r_prox (const) 5.663e-34 2.379e-17 1.701e-17 -0.071



8


2. Predicția seriilor de timp

Modelul de predicție a seriilor de timp este format din două părți:

una convoluțională și una densă. Pe parametrii de intrare se aplică

două convoluții unu-dimensionale succesive urmate de două straturi

dense. Fiecare serie de timp este văzută ca un strat separat de ieșire

care se leagă la ultimul strat ascuns. La final, ieșirea modelului va

rezulta din concatenarea celor 10 straturi corespunzătoare fiecărei

serii de timp.

Tabelul 3. Rezultatele obținute de modelul de predicție a seriilor de timp pe setul de testare.

Mean Squared Error Root Mean Squared Error Mean Absolute Error

Pao 0.12 0.35 1.46

PLA 0.0005 0.02 0.52

PLV 0.036 0.189 1.335

VLV 0.275 0.524 1.855

Qao 0.007 0.087 6.228

PPAo 0.004 0.065 0.565

PRA 0.0001 0.010 0.522

PRV 0.0001 0.010 0.571

VRV 0.291 0.540 1.339

QPAO 0.005 0.076 3.132

Documents

CONVERGENCE - aut.unitbv.roaut.unitbv.ro/CONVERGENCE/Convergence-Newsletter-2.pdf · aplicând legile dinamicii fluidelor, calculează diverși parametrii ce indică prezența și/sau