В ходе написания выпускной квалификационной работы выполнены все основные задачи. В частности, разработан программно-аппаратный комплекс, который использует анализ данных для контроля за состоянием пациента.
Для эффективного решения поставленной проблемы были выбраны передовые области информационных технологий:
- датчики, считывающие медицинские показания человека;
- средства дополненной реальности;
- клиент-серверное взаимодействие;
- разработка мобильных приложений;
- анализ данных с помощью алгоритмов машинного обучения.
Проведя обзор каждой из областей, мы постарались обоснованно подобрать, используемые при разработке, программные и аппаратные средства.
В противовес смартфонам и планшетам, которые довольно часто применяются в медицинской сфере, мы рассмотрели использование очков дополненной реальности и привели их преимущества перед другими устройствами. При выборе датчиков, необходимых для считывания показаний с человека, мы отдали предпочтение отечественному программно¬аппаратному обеспечению.
Для реализации механизма распознавания маркеров по видеопотоку была внедрена в клиентское приложение библиотека дополненной реальности Vuforia.
Изучая методы анализа данных были найдены оптимальные способы анализа для решения нашей задачи, а именно кластерный анализ и классификация пациентов. Проанализировав требования, поставленные к программно-аппаратному комплексу, и особенности существующих алгоритмов кластеризации и классификации мы выбрали наиболее подходящие - DBSCAN и Decision Tree Classifier.
Алгоритм DBSCAN подходит для использования в нашем комплексе, так как:
1. Нет необходимости указывать число кластеров заранее;
2. Способен обрабатывать большие выборки данных;
3. Каждый объект из выборки соответствует только одному кластеру;
4. При пересчете кластеров количество операций минимизировано.
Из-за того, что выборки пациентов и их показаний будут всё время увеличиваться, нужно было предусмотреть переобучение классификатора и перекластеризацию для получения наилучших результатов. С учетом специфики предметной области мы выбрали несколько сценариев, служащих сигналом для обновления модуля анализа данных:
1. Установка порогового значения для количества ошибок классификатора;
2. Учет количества новых пациентов после крайнего обновления;
3. Проверка даты последнего обновления модуля.
Необходимо отметить возможности для дальнейшего совершенствования программно-аппаратного комплекса и определить вектор будущих исследований. Мы будем следить за развитием области дополненной реальности, так как на данный момент у очков, представленных на рынке, имеется несколько недостатков. Важным этапом дальнейшей разработки будет являться реализация возможности внедрения программно-аппаратного комплекса в существующие информационные системы в сфере здравоохранения.
В заключении необходимо отметить результаты проведенных экспериментов с алгоритмами машинного обучения. Испытания алгоритмов анализа данных показали неплохие итоги и у нас есть уверенность, что в экспериментах с реальными показаниями пациентов мы получим результаты лучше, чем представленные в данной работе.


Купить