Виявлення шаблонів дихання людини за допомогою глибоких згорткових нейронних мереж

Автор(и)

  • Anatoly Petrenko Національний технічний університет України "Київський політехнічний інститут імені Ігоря Сікорського" пр. Перемоги, 37, м. Київ, Україна, 03056, Україна https://orcid.org/0000-0001-6712-7792
  • Roman Kyslyi Національний технічний університет України "Київський політехнічний інститут імені Ігоря Сікорського" пр. Перемоги, 37, м. Київ, Україна, 03056, Україна https://orcid.org/0000-0002-8290-9917
  • Ihor Pysmennyi Національний технічний університет України "Київський політехнічний інститут імені Ігоря Сікорського" пр. Перемоги, 37, м. Київ, Україна, 03056, Україна https://orcid.org/0000-0001-7648-2593

DOI:

https://doi.org/10.15587/1729-4061.2018.139997

Ключові слова:

акселерометр, глибинне навчання, шаблони дихання, згорткові нейронні мережі, машинне навчання

Анотація

Запропоновано метод розпізнавання в реальному часі типів (шаблонів) дихання пацієнта з ціллю моніторингу його стану і загроз для здоров’я, що є частковим випадком проблеми розпізнавання людських активностей (HAR). Метод заснований на застосуванні глибинного машинного навчання з допомогою згорткової нейронної мережі (CNN) для класифікації швидкості руху його грудної клітки. Показано, що прийняті при цьому рішення узгоджуються з технологією мобільної медицини (mHealth) з використання натільних датчиків і смартфонів для оброблення їх сигналів в якості обчислювальних edge-вузлів, але CNN відкривають важливі додаткові можливості з підвищенні якості оброблення сигналів датчика-акселерометра в умовах наявності перешкоджаючих сигналів (шумів) від інших джерел та інструментальних похибок пристрою. Вхідні сигнали попередньо нормалізується щодо осі обертання, щоб зменшити вплив шуму на результати, оскільки акселерометр вимірює гравітаційне прискорення (g) і лінійне прискорення (a). Запропоновано спосіб перетворення одновимірних сигналів (1d) акселерометра в двовимірні (2d) графічні зображення, які оброблюються за допомогою CNN із декількома обробними шарами, завдяки чому точність визначення шаблону дихання в різних ситуаціях для різних фізичних станів пацієнтів зростає в порівнянні з випадком, коли двовимірні перетворення сигналів акселерометра не вживаються. При цьому зростання точності (або якості) визначення різних типів дихання відбувається при збереженні достатньої швидкості процедур запланованого методу, що дозволяє проводити класифікацію типів дихання в реальному часі. Дану методику було випробувано в якості компоненту Body Sensor Network (BSN) і встановлено високу точність (88%) визначення стану дихання пацієнта, що в поєднанні з даними контексту, отриманими з інших вузлів BSN, дозволяє визначати стани пацієнтів і передбачати загострення їх респіраторних хворoб

Біографії авторів

Anatoly Petrenko, Національний технічний університет України "Київський політехнічний інститут імені Ігоря Сікорського" пр. Перемоги, 37, м. Київ, Україна, 03056

Доктор технічних наук, професор, завідувач кафедри

Кафедра системного проектування

Інститут прикладного системного аналізу

Roman Kyslyi, Національний технічний університет України "Київський політехнічний інститут імені Ігоря Сікорського" пр. Перемоги, 37, м. Київ, Україна, 03056

Аспірант

Кафедра системного проектування

Інститут прикладного системного аналізу

Ihor Pysmennyi, Національний технічний університет України "Київський політехнічний інститут імені Ігоря Сікорського" пр. Перемоги, 37, м. Київ, Україна, 03056

Аспірант

Кафедра cистемного проектування

Інститут прикладного пистемного аналізу

Посилання

  1. Goodfellow, I., Bengio, Y., Courville, A. Deep Learning. Available at: http://www.deeplearningbook.org/
  2. Huynh, T., Schiele, B. (2005). Analyzing features for activity recognition. Proceedings of the 2005 Joint Conference on Smart Objects and Ambient Intelligence Innovative Context-Aware Services: Usages and Technologies – sOc-EUSAI ’05. doi: https://doi.org/10.1145/1107548.1107591
  3. Larson, E. C., Goel, M., Boriello, G., Heltshe, S., Rosenfeld, M., Patel, S. N. SpiroSmart: Using a Microphone to Measure Lung Function on a Mobile Phone. Available at: https://homes.cs.washington.edu/~shwetak/papers/SpiroSmart.CR.Final.pdf
  4. Shephard, R. J. (1966). The oxygen cost of breathing during vigorous exercise. Quarterly Journal of Experimental Physiology and Cognate Medical Sciences, 51 (4), 336–350. doi: https://doi.org/10.1113/expphysiol.1966.sp001868
  5. Rakhimov, A. Abnormal breathing pattern causes asthma and attacks. Available at: https://www.worldwidehealth.com/health-article-Abnormal-breathing-pattern-causes-asthma-and-attacks.html
  6. Fekr, A. R., Janidarmian, M., Radecka, K., Zilic, Z. (2005). Movement analysis of the chest compartments and a real-time quality feedback during breathing therapy. In Proceedings of the 2005 Joint Conference on Smart Objects and Ambient Intelligence: Innovative Context-aware Services: Usages and Technologies.
  7. Bates, A., Ling, M. J., Mann, J., Arvind, D. K. (2010). Respiratory Rate and Flow Waveform Estimation from Tri-axial Accelerometer Data. 2010 International Conference on Body Sensor Networks. doi: https://doi.org/10.1109/bsn.2010.50
  8. Que, C.-L., Kolmaga, C., Durand, L.-G., Kelly, S. M., Macklem, P. T. (2002). Phonospirometry for noninvasive measurement of ventilation: methodology and preliminary results. Journal of Applied Physiology, 93 (4), 1515–1526. doi: https://doi.org/10.1152/japplphysiol.00028.2002
  9. Liu, G.-Z., Guo, Y.-W., Zhu, Q.-S., Huang, B.-Y., Wang, L. (2011). Estimation of Respiration Rate from Three-Dimensional Acceleration Data Based on Body Sensor Network. Telemedicine and e-Health, 17 (9), 705–711. doi: https://doi.org/10.1089/tmj.2011.0022
  10. Yoon, J.-W., Noh, Y.-S., Kwon, Y.-S., Kim, W.-K., Yoon, H.-R. (2014). Improvement of Dynamic Respiration Monitoring Through Sensor Fusion of Accelerometer and Gyro-sensor. Journal of Electrical Engineering and Technology, 9 (1), 334–343. doi: https://doi.org/10.5370/jeet.2014.9.1.334
  11. Jin, A., Yin, B., Morren, G., Duric, H., Aarts, R. M. (2009). Performance evaluation of a tri-axial accelerometry-based respiration monitoring for ambient assisted living. 2009 Annual International Conference of the IEEE Engineering in Medicine and Biology Society. doi: https://doi.org/10.1109/iembs.2009.5333116
  12. Uddin, J., Van, D. N., Kim, J.-M. (2015). Accelerating 2D Fault Diagnosis of an Induction Motor using a Graphics Processing Unit. International Journal of Multimedia and Ubiquitous Engineering, 10 (1), 341–352. doi: https://doi.org/10.14257/ijmue.2015.10.1.32
  13. Ciobotariu, R., Adochiei, F., Rotariu, C., Costin, H. (2011). Wireless breathing system for long term telemonitoring of respiratory activity. Advanced topics in electrical engineering, Proceedings of the 7th international symposium ATEE, 635–638.
  14. Bulling, A., Blanke, U., Schiele, B. (2014). A tutorial on human activity recognition using body-worn inertial sensors. ACM Computing Surveys, 46 (3), 1–33. doi: https://doi.org/10.1145/2499621
  15. Zhang, J., Mitliagkas, I. YellowFin and the Art of Momentum Tuning. Available at: https://arxiv.org/pdf/1706.03471.pdf
  16. Yang, J. B., Nguyen, M. N., San, P. P., Li, X. L., Krishnaswamy, S. (2015). Deep Convolutional Neural Networks On Multichannel Time Series For Human Activity Recognition. Proceeding IJCAI'15 Proceedings of the 24th International Conference on Artificial Intelligence, 3995–4001.
  17. Zeng, M., Nguyen, L. T., Yu, B., Mengshoel, O. J., Zhu, J., Wu, P., Zhang, J. (2014). Convolutional Neural Networks for Human Activity Recognition using Mobile Sensors. Proceedings of the 6th International Conference on Mobile Computing, Applications and Services. doi: https://doi.org/10.4108/icst.mobicase.2014.257786
  18. Jiang, W., Yin, Z. (2015). Human Activity Recognition Using Wearable Sensors by Deep Convolutional Neural Networks. Proceedings of the 23rd ACM International Conference on Multimedia – MM ’15. doi: https://doi.org/10.1145/2733373.2806333
  19. Ordóñez, F., Roggen, D. (2016). Deep Convolutional and LSTM Recurrent Neural Networks for Multimodal Wearable Activity Recognition. Sensors, 16 (1), 115. doi: https://doi.org/10.3390/s16010115

##submission.downloads##

Опубліковано

2018-08-02

Як цитувати

Petrenko, A., Kyslyi, R., & Pysmennyi, I. (2018). Виявлення шаблонів дихання людини за допомогою глибоких згорткових нейронних мереж. Eastern-European Journal of Enterprise Technologies, 4(9 (94), 6–13. https://doi.org/10.15587/1729-4061.2018.139997

Номер

Том 4 № 9 (94) (2018): Інформаційно-керуючі системи

Розділ

Інформаційно-керуючі системи

Ліцензія

Авторське право (c) 2018 Anatoly Petrenko, Roman Kyslyi, Ihor Pysmennyi

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.