授权许可使用仅限于：IEEE Xplore。于2022年9月29日08：21：30 UTC从IEEE Xplore下载。 有限制条件。2022年第44届国际会议2022年7月11日至15日，英国格拉斯哥，IEEE医学一种基于手腕可穿戴的Covid-19预测系统的方法，以保护医疗保健专业人员Dibyanshu Jaiswal1，Dr. Kayapanda Mandana2，Ramesh Kumar Ramakrishnan1，Kartik Murlidharan1，Mithun Basaralu Sheshachala1，Shaanxi Ahmad1，Tanmay Acharia2，Loknath Tiwari2，ArpanB.1和Balakumar Kanagasabapathy1摘要-医疗保健专业人员是抗击新冠肺炎大流行的前线战士，他们接触病毒的风险极高。 我们提出了我们在建立一个系统的经验，旨在监测这些专业人员的生理24/7，希望及时发现感染，从而更好地照顾。 我们讨论了一种机器学习方法和模型，一种手腕可穿戴设备，可以在早期阶段预测感染。在对一小群患者的双盲测试中，我们的模型可以成功地以接近100%的准确率识别感染与非感染病例。我们还讨论了我们所面临的一些挑战，包括技术和非技术方面的挑战，以使这一系统起飞，并提供了一些建议，可以帮助解决这些障碍。I. 一、生产根据该国目前13.5亿人口的估计，目前每1,445名印度人有一名医生，这低于世界卫生组织规定的每1,000人一名医生的标准[1]。医生（和护士）的短缺，加上一线医护人员比其他任何人都更有可能接触到病毒，使保护他们变得至关重要。大多数现有技术围绕经由图像处理技术和深度学习模型从放射学图像（诸如肺部的X射线）检测Covid- 19[2]-[4]。但只有当受试者在咨询医生后选择这种测试时，这种方法才能证明是成功的。最近，一项使用来自近5万名用户的两年Fitbit数据的研究发现，可穿戴数据可以比疾病控制和预防中心使用的标准系统更准确地预测当地流感爆发。其他作品，如如[6]，[7]所示，自我报告和可穿戴数据如何与病毒检测互补。由于冠状病毒和季节性流感有一些共同的症状，因此有可能开发一种算法，利用生理数据来构建基于人工智能（AI）的预警系统。这样的系统可以帮助预测症状的发作，并确定卫生保健工作者是否可能感染了病毒（从而有助于及时采取行动）。此外，它还将使一线医疗保健专业人员（HCP）相信他们是健康的，并持续监测风险。1 印 度 塔 塔 咨 询 服 务 有 限 公 司 ， 电 子 邮 件 ： dibyanshu.tcs.com2Fortis Healthcare，加尔各答，印度我们的方法是开发一个基于AI的系统，为积极参与Covid-19病房和ICU的医疗保健专业人员提供早期预警。系统将使用该设施连续监测心率、呼吸率、活动、皮肤温度等生命参数，以可视化个体水平的趋势。我们还建议收集连续的照片体积描记（PPG）信号，并开发一种可用于预测感染早期迹象我们与印度领先的综合医疗保健服务提供商FortisHealthcare Limited合作，开展了一项涉及参与新型冠状病毒管理的HCP的研究。该研究在印度临床试验注册中心（CTRI）1注册为一项横断面观察性试验，经Fortis伦理委员会批准，在19至60岁年龄组的志愿者中进行。所有志愿者在参与前签署知情同意书。然而，考虑到部署的现实世界性质和研究的关键性，我们在技术和非技术领域都面临着某些挑战。由于HCP使用PPE套件，他们不能携带任何个人设备（如手机），也不能使用标准临床测量设备（如温度计、脉搏血氧仪）频繁采集数据。因此，我们使用了一个手腕可穿戴设备，它可以本地存储数据，并在一天结束时下载将数据从设备输入计算机进行分析。此外，鉴于任何基于Wi-Fi或蓝牙的数据传输都可能干扰ICU电子设备，因此必须避免任何实时数据传输。我们的主要贡献是一个基于人工智能的系统，可以预测感染的发生在实际临床症状/并发症开始的几天前。II. D就业一个故事随着季节性流感等病毒感染的发生，体温和静息心率等指标通常会略有上升。此外，随着疲劳的出现，活动水平下降，睡眠时间增加。因此，有必要持续跟踪这些措施。大多数现代健身追踪器和智能手表，如Fitbit或三星Galaxy Gear，都包括传感器，1 临 床 试 验 注 册 中 心 - 印 度 （ www.ctri.nic.in ） ， 标 识 符 ：CTRI/2020/05/0254952459© IEEE 2022.这篇文章是免费访问和下载，以及全文和数据挖掘，再利用和分析的权利2022年第44届IEEE医学&生物学工程学会（EMBC）国际年会|©2022 IEEE，Inc.版权所有|DOI：10.1109/EMBC48229.2022.9871146授权许可使用仅限于：IEEE Xplore。于2022年9月29日08：21：30 UTC从IEEE Xplore下载。 有限制条件。表I：传感器-测量映射传感器衍生测量表II：队列统计队列开始和结束日期受试者可用持续时间PPG每小时呼吸率（RR）-估计瞬时C4 2021年4月19日至5月5日7 1058.66红外热电堆一小时内的平均呼吸频率[9]。一小时的平均皮肤温度。[10]第10章：一个人的幸福EDA传感器检测手表移除事件。图1：系统部署架构作 为 光 电 容 积 描 记 术 （ PPG ） 和 惯 性 测 量 单 元（IMU），其有助于计算度量，心率和活动水平。对于我们的系统，我们使用 Empatica E4 [8]主要是因为其高水平的数据完整性和设备上可用的传感器数量。表I中突出显示了器械上可用的传感器列表以及从中得出的测量值该试点研究于2020年6月中旬开始，涉及来自印度富通医院的10名医疗保健专业人员（7名医生，2名护士，1名技术人员）治疗冠状病毒患者。每天24小时（包括8-12小时轮班期间）佩戴该设备，除非出现一些不适或在使用洗手间/淋浴期间，在轮班开始前进行数据同步和设备充电/消毒。入职时，使用医用级设备采集血压、体温（Axila）、血氧饱和度（SpO2）和心率等数据，作为基线测量。为了维护数据隐私，医院工作人员处理设备到参与者的映射，并且仅将用户ID存储在数据库中。整个系统部署和数据流如图1所示。鉴于在轮班期间，特别是在新冠病毒病房内，携带移动终端的限制，E4设备以“记录”模式运行，其中数据本地 存 储 在 设 备 上 ， 稍 后 离 线 同 步 到 Empatica 云 。Empatica门户允许我们下载我们在EzyDoc分析服务器上上传（和处理）的同步数据。EzyDoc门户网站还有一个界面，医院可以通过该界面查看其员工的不同测量结果（见表I）III. DATASET DESCRIPTION我们所有受试者的数据收集均使用名为Empatica E4的现成手腕传感设备完成[8]。该设备提供的数据为64 Hz下的PPG、4 Hz下的皮肤电活动（EDA）、32 Hz下的3轴加速度计、4 Hz下的心率（HR）和1 Hz下的温度数据。收集了4个队列的数据（表II），每个队列中有不同的受试者。同一设备不用于给定队列中的多个用户ID。所有的数据都记录在设备本身，这些数据在一天结束时被提取并同步到数据库。特别小心，以确保手表牢固地戴在手腕上，并应保持与皮肤接触，以进行准确的PPG测量。PPE套件佩戴在器械上方。对于队列1（C1），20名参与者报名参加实验。但由于不合规（未佩戴手表或未遵循方案），发现可用数据有限。最终，我们使用了3个受试者的数据w.r.t提供数据的持续时间。队列数据收集2（C2）持续约15天。在该队列中，6名受试者参与，但在6名受试者中，仅4名受试者的数据被证明是有用的。在队列结束时对4例受试者进行了RT-PCR检测，结果2例受试者检测为COVID-19阳性（COV+），另外2例为COVID-19阴性（COV-）。对于由8名受试者组成的队列3（C3），以相同的方式收集数据，并定期进行RT-PCR检测，以评价受试者的任何感染。队列4（C4）由7名受试者组成，其中30例经RT-PCR检测为阳性，1例经RT-PCR检测为阴性。C3和C4的RT-PCR检测结果没有透露给研究人员，因此这是一个双盲试验。一旦数据分析完成，将C3和C4的预测与RT-PCR结果进行比较以进行验证。IV. P ROPOSED方法/方法学图2示出了所采用的处理流水线。收集的数据首先同步到服务器。 然后EzyDoc门户网站使用该数据来估计表I中提到的生命参数。同样，它被处理管道用于进一步分析。收集的数据用于计算不同的参数，如HR、RR等，如表I所述。但是，这些措施只能提供参与者福祉的初步指标。 一种疾病的发作是以某些先前的症状为标志的，这些症状导致人的生理变化。就COVID-19而言，2460每小时心率（HR）-估计的瞬时HR计数(in小时）PPG在一小时内的平均值[9]。C12020年 6月 15日至7月3645.71PPG每小时静息心率-平均心率C22020年 7月 21日至8月4678.6810分钟静止检测后5分钟C32021年 1月 27日至2月81371.53授权许可使用仅限于：IEEE Xplore。于2022年9月29日08：21：30 UTC从IEEE Xplore下载。 有限制条件。−≥图2：拟定的加工管道初期症状与普通流感十分相似，难以分辨和确定真正的病因。在这方面，知道症状对个体的HR和氧饱和度有影响，值得在感染期间研究这些动态，并能够获得一些见解，以便进行早期诊断。PPG已被广泛用于研究上述动力学，并且易于3.因此，我们预期在箱3期间发现感染受试者的生理变化。我们将数据分成3个箱的另一个原因是能够识别箱间差异，从而在周期中尽可能早地识别标记。为了建立模型，我们取组群2的所有受试者的箱1和箱2数据。根据RT-PCR检测结果，将大肠杆菌标记为COV+或COV-。相应地，所有受试者的箱3数据用作测试实例。最后，训练好的模型也会在其他队列数据上进行测试。B. 正实例比率趋势生成所提出的架构旨在在一段时间内监测受试者，如果检测到与正常情况有一些偏差，则会发出警告。在这里，与正常的偏差被视为分类器预测的实例的主题作为积极的类。但是我们不能只依赖一个实例预测，这只对应于来自用户的5分钟数据。因此，要考虑在一段时间内预测阳性标签的分类器的连续流对于给定的主题，我们计算持续时间的正实例比率，如等式1所示，它给出了预测为正类的实例数量相对于在d小时数据中观察到的实例总数的比率。% d小时中的阳性预测数通过基于手腕的可穿戴设备（例如Empatica）捕获PIRt=%d小时内的实例总数（1）E4.从以上收集的数据，我们使用PPG信号在机器学习流水线中构建模型，使得所生成的模型可以用于对新的传入数据是否来自健康对象进行分类。建模数据作为队列2数据，其中包括2例在数据收集过程从每个参与者获得的数据的平均持续时间考虑到数据的大小，选择5分钟的窗口大小用于PPG信号的分析。对原始数据进行预处理，以去除数据中的任何噪声或不良部分。然后将调节信号分成5分钟窗口的块每个这样的窗口然后被馈送到称为特征发现平台的内部工具[11]，该工具返回一组392个特征，包括时域，频域，小波变换导数和赫斯特分量。A. 机器学习模型然后遵循机器学习管道。在开始实验之前，我们对所有参与者进行了感染筛查并宣布为COV，确认所有参与者在开始时都是健康的。每个受试者的数据实例基于按时间顺序的一组日期被分成三个箱例如，如表II中给出的每个4天。由于一些受试者在队列期结束时检测出Covid-19呈阳性，因此假设他们在分组2结束时或分组期间感染在第t个时间步。PIRt涵盖以下范围内的数据[t d，t]小时。由此，我们通过取窗口大小d=24小时和滑动窗口大小k=6小时的移动平均值，从PIRt值生成趋势线PIRavg由于洗手间/淋浴或其他中断，数据并不总是连续的，因此在计算移动平均值时，应注意仅考虑给定时间范围n=24小时内的可用数据点。C. 布尔逐日预测从系统的角度来看，要有一个自动化系统，可以检测一个人是否处于危险之中，使用以下逻辑。如果平均值（PIR平均值）0的情况。在第i天，系统断言该天的COV+标签，否则COV-。阈值根据经验确定0.6，这是C2的COV+受试者的PIR平均V. 实验 和结果鉴于这个问题，我们的目标是正确检测感染病毒的受试者，即阳性类别标签。因此，我们期待获得更高的学习模型的灵敏度，这意味着模型不应该断言受感染的受试者没有被感染，因为它使受试者处于危险之中。A. 学习分类模型为了训练机器学习模型，使用队列2数据，我们有来自4个受试者的数据。将每个受试者的数据按照80-20分割标准分为训练集和测试集。每天80%的实例作为训练数据（简称C2-Train），2461授权许可使用仅限于：IEEE Xplore。于2022年9月29日08：21：30 UTC从IEEE Xplore下载。 有限制条件。表III：使用80%队列2数据进行训练的CINNA：不适用，因为C1-测试只有一类数据（COV-）每天数据的20%作为测试数据（称为C2- Test）。所有受试者都是如此。使用这个标记的训练和测试实例，训练机器学习模型。我们使用了不同的机器学习模型，如支持向量机，k-最近邻，逻辑回归和随机森林。其中100棵树的随机森林分类器对不同的组合给出了最优的结果。如表III所示，使用所有392个特征，我们在C2-Test和队列1数据（称为C1-Test）上获得了89.9%的准确性。使用最大信息系数（MICe）[12]进行特征选择，通过该选择，15个特征的子集直接取上游使用这组15个特征并训练模型，我们在C2-Test数据上获得了84.8%的准确率。据观察，报告的指标有所下降。 减少功能是为了方便系统的实施。计算15个特征的速度要快得多，并且可以为更多的用户进行预测。由于我们的系统每天都根据全天的数据和纵向阈值预测类别图3显示了两名研究受试者的阳性比率图。对于C2-USR 019（图3a），其在整个研究中为COV-，具有持续低于0.6的阈值的PIR。另一方面，对于在研究期间感染的C2-USR 021（图3b），在2020年7月至8月的日期范围此外，为了验证我们的模型，我们在2020年12月从用户21，24收集了更多数据。鉴于受试者已完全康复，在图3b中，我们看到在2020年12月的时间轴期间，正比率值下降，进一步证实了训练模型的正确工作。B. 分类器无偏测试对于队列3和队列4，仅提供了整个14天队列的数据，而不是基础事实。由于这些数据集是双盲的，因此将其用作我们管道的测试集数据。相应的RT-PCR测试结果没有提供给研究人员先验。使用到目前为止经过训练的模型和管道，获得PIR图。图4提供了2个用户的PIR图，其中我们可以看到值仍然低于阈值0.6。根据拟议的管道我们断言队列3的所有受试者都是COV-。后来提供了相应的RT-PCR结果，其中所有受试者均报告为COV-，匹配(a) 队列2用户19，COV-(b) 队列2使用者21，COV+图3：队列2阳性实例比率图(a) 队列3用户7，COV-(b) 队列3用户11，COV-图4：队列3阳性实例比率图我们的预测第三组的参与者均为前线工作人员，他们已接受疫苗注射，因此没有感染。同样，对于队列4，我们的管道进行的预测在7名受试者中，我们的系统预测4名为COV+，3名为COV-。当RT-PCR结果显示时，4名受试者被证明是COV+，其余3名COV-，符合我们的预测。VI. C包含本文提出了一个管道，以检测异常的正常行为，基于训练的分类器和平滑版本的纵向预测在一段时间2462火车测试#特性精度灵敏度特异性C2-列车C2-测试3920.89980.78620.9545C2-列车C1-测试3920.7453不适用0.74539C2-列车C2-测试15只小鼠特征0.84810.71170.9139授权许可使用仅限于：IEEE Xplore。于2022年9月29日08：21：30 UTC从IEEE Xplore下载。 有限制条件。(a) 队列4用户1，COV+感染病毒的7天。警报可用于启动标准体检和RT-PCR检测以确认导致早期干预的发现，从而避免疾病的临床并发症，如细胞因子风暴。在我们的研究中，我们提出了一个布尔模型和架构，以自动化的方式实现，以及我们如何克服技术和非技术挑战。虽然我们的结果非常好，但可用于培训和测试的受试者数量非常有限。因此，结果必须在更大的数据集上进一步验证。目前，受试者是否为Covid阳性的最终判定是基于对阳性比率图的手动观察，需要自动化以满足未来需求。(b) 队列4用户5，COV+图5：队列4阳性实例比率图表IV：队列4评价用户ID地面实况预测C4-USR001COV+COV+C4-USR002COV+COV+C4-USR003COV+COV+C4-USR004COV-COV-C4-USR005COV+COV+C4-USR006COV-COV-C4-USR009COV-COV-时间了在本文中，我们用当前COVID-19大流行的用例来证明这一点，其中收集了来自印度一家知名医院的几名一线工作人员的数据，分析了这些数据，以构建一个机器学习模型，然后进一步使用该模型来获得纵向预测，以判断受试者是否有风险。此管道不限于COVID 19大流行，但可重复使用以获得此类其他用例的通用框架。申报系统主要用于HCP，因为其持续暴露风险最高。这个想法是通过提供一个早期预警系统来增强他们的信心。病人已经转为阳性，因此这种监测是没有用的。此外，该系统不仅限于一线工作人员，而且可以很容易地重复使用，为一般消费者的纵向监测。我们还想说明的是，根据上述用例，我们的目标不是通过可穿戴设备进行纵向监测来取代RT-PCR测试，相反，我们希望开发一种可以作为辅助工具的系统，受试者监测生命体征，并在管道预见到风险时为受试者发出警报。我们的主要贡献是一个系统，可以预测感染趋势的发病前几天的实际临床恶化/经典症状出现。如我们所知，在无症状患者中，RT-PCR在5至10分钟内变为阳性。参考文献[1] 萨米莎·戈尔印度的医生人口比例为1：1456，而世界卫生组织的建议是2020年1月。[2] Amit Kumar Das，Sayantani Ghosh，Samiruddin Thunder，RohitDutta，Sachin Agarwal和Amlan Chakrabarti。使用卷积神经网络集成学习从x射线图像中自动检测covid-19。模式分析和应用，第1-14页[3] DandiYang ， CristhianMartinez， LaraVisunNedra， HardevKhandhar，Chintan Bhatt，and Jesus Carrestrial.使用深度学习技术检测和分析医学图像中的新科学报告，11（1）：1[4] Afshin Shoeibi ， Marjane Khodatars ， Roohallah Alizadehsani ，Navid Ghassemi ， Mahboobeh Jafari ， Parisa Moridian ， AliKhadem ，Delaram Sadeghi ， Sadiq Hussain， Assef Zare ， et al.Automated detection and forecasting of covid-19 using deep learningtechniques：A review. arXiv预印本arXiv：2007.10785，2020。[5] Jennifer M Radin，Nathan E Wineinger，Eric J Topol，and StevenR Steinhubl.利用可穿戴设备数据改善美国流感样疾病的州级实时监 测 ： 一 项 基 于 人 群 的 研 究 。 The Lancet Digital Health ， 2（2）：e85[6] H Ceren Ates等人用于检测新冠肺炎的可穿戴设备Nature Electronics，4（1）：13[7] Gireesh K Bogu和Michael P Snyder。使用可穿戴设备数据的基于深度学习的新型冠状病毒检测。MedRxiv，2021年。[8] Empatica，https://www.empatica.com/embrace2/。[9] Vivek Chandel等人的C2p：一个不引人注目的基于智能手表的平台，用于自动后台监测疲劳。在第一届以人为中心的传感，网络和系统国际研讨会上，HumanSys'17。计算机协会，2017年。[10] Vivek Chandel等人使用智能手机进行不显眼的活动检测和在《无间道》里。Springer International Publishing，2014.[11] Arijit Umartan等人，Automodeling：通过特征子集和分类器的集成选择自动生成模型的集成方法。2018年国际神经网络联合会议（IJCNN），第1-8页。IEEE，2018年。[12] David N Reshef 等 ， 《 Detecting novel associations in large datasets》。science，334（6062）：15182463
我的内容管理
展开
