strngnamehashMJPWMJJN1 year2017 strngnamehashMJPWMJJN1 strngnamehashMJPWMJJN1 volume38 strngnamehashMJPWMJJN1 volume38 strngnamehashMJPWMJJN1… [609657]

strngnamehashMJPWMJJN1
strngnamehashMJPWMJJN1
strngnamehashMJPWMJJN1
strngnamehashMJPWMJJN1 year2017
strngnamehashMJPWMJJN1
strngnamehashMJPWMJJN1 volume38
strngnamehashMJPWMJJN1 volume38
strngnamehashMJPWMJJN1 volume36
strngnamehashMJPWMJJN1 volume36
strngnamehashMJPWMJJN1 volume44
strngnamehashMJPWMJJN1 year2009
strngnamehashMJPWMJJN1
strngnamehashMJPWMJJN1 volume13
strngnamehashMJPWMJJN1
i

Universitatea Politehnica București
F acultatea de Automatică si Calculatoare
Managementul si Protecția Informației
Realizarea modelului de coerență cardiacă
din semnalele de tip puls
Student: [anonimizat]-CIOCÎRLAN
Coordonator
Conf. dr. ing. Andreea Udrea
București, 2019

Cuprins
Listă de figuri iii
Listă de tabele iv
Listă de algoritmi v
1 Introducere 1
1.1 Stadiu Actual al T ehnologiei . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1 Dispozitive actuale de monitorizare a activității . . . . . . . . . . . . . . . 2
1.1.1.1 Fitbit Charge 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.1.2 Compararea cu alte dispozitive . . . . . . . . . . . . . . . . . . . 2
1.1.2 Arhitectura Hardware . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2 Soluția Propusă 4
2.1 Componenta Hardware . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.1.1 Ce măsoară senzorii de la o brațară inteligentă . . . . . . . . . . . . . . . 4
2.1.2 Prelevarea datelor de la brațără . . . . . . . . . . . . . . . . . . . . . . . . 5
2.1.3 Coerența cardiacă și coerența fiziologică . . . . . . . . . . . . . . . . . . . 5
2.1.3.1 V ariabilitatea bătăilor inimii – HR V . . . . . . . . . . . . . . . . 6
2.1.4 Corelația dintre HR V și puls . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.2 Componenta Software . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.2.1 Predicția datelor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.2.1.1 Rețele Neurale . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.2.1.2 Problema dependenței pe termen lung . . . . . . . . . . . . . . . 9
2.2.2 Long Short-T erm Memory . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2.3 Algoritmul LSTM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.2.4 Precizia algoritmului LSTM . . . . . . . . . . . . . . . . . . . . . . . . . . 11
3 Evaluare și Rezultate 12
3.1 Predicția EKG-ului . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.2 Predicția pulsului . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
4 Concluzii și viitoare propuneri de dezvoltare 17
iii

Listă de figuri
2.1 HR V grafic . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.2 RNN cu buclă de recurență . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.3 1 bloc din cele 4 ale unei rețele de tip LSTM . . . . . . . . . . . . . . . . . . . . 9
2.4 Modulul lstm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3.1 Evaluare RMSE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3.2 Predicția EKG-ului . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.3 Evaluare RMSE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3.4 Predicția pulsului . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
iv

Listă de tabele
3.1 Evaluările parametrilor de interes ai algoritmului LSTM . . . . . . . . . . . . . . 12
3.2 Evaluările parametrilor de interes ai algoritmului LSTM . . . . . . . . . . . . . . 15
v

Listă de algoritmi
vi

1 Introducere
Încă de la naștere și până în ultimele momente ale vieții, o inimă sănătoasă funcționează fără
odihnă. De-a lungul unei vieți de 80 ani, inima bate neîncetat de mai mult de 3 miliarde de ori.
Asemenea unei pompe, ea furnizează puterea de a trăi. Oamenii reprezintă cea mai importantă
parte a unui viitor mai sănătos. Cauzele principalele ale unui deces timpuriu se datorează în
proporție de 40% bolilor de inimă și a accidentelor vasculare[ russell1995artificial ].
Motivația principală pentru alegerea temei o constituie nevoia de inovație ce
ajută la conturarea unui model de coerență cardiacă care să vină în sprijinul persoa-
nelor ce necesită o monitorizare permanentă asupra ritmului cardiac . În momentul
de față, această monitorizare se face doar cu ajutorul personalului medical specializat care preia
informații necesare conturării unui model din analizele de tip EKG1sau din măsurarea pulsului
și a tensiunii.
De asemenea, importanța subiectului este dată de incapacitatea oamenilor de a-și autoregla
calitatea sentimentelor și a emoției experienței momentului în care se află. Legătura dintre cele
doua este dată de fiziologia noastră și de interacțiunile reciproce dintre sistemele fiziologice,
cognitive și emoționale.
În rezolvarea problemei impuse, am avut în vedere preluarea unor date indispensabile
pentru reconstruirea modelului de coerență cardiacă. Aceste date au fost preluate cu ajutorul
unor brățări inteligente de la persoane care și-au dat acordul părtășirii datelor prin purtarea
lor. Pe lângă semnalele de tip puls, au fost preluate și date referitoare la greutate, sex, înălțime
și tipul activității desfășurate pe perioada purtării dispozitivelor. Lucrarea reprezintă un punct
de plecare în determinarea căilor de comunicație dintre inimă și creier, precum și modul în care
acestea sunt legate de funcțiile cognitive și emoționale și de capacitatea de autoreglementare.
Scopul este dat de modul în care se reflectă emoțiile pozitive în modelul ritmului inimii.
1.1 Stadiu Actual al T ehnologiei
În continuare vom urmări stadiul actual al tehnologiei. Subiectul este structurat în 3 părți:
modalitățile actuale prin care se preiau informațiile necesare analizei ritmului cardiac, care sunt
particularitățile fiecărei modalități în parte și care sunt facilitățile din punct de vedere software
pe care acestea le prezintă.
Am împărțit acest capitol în 3 secțiuni pentru a avea o vedere de ansamblu clară asupra
subiectelor principale. În ceea ce privește primul subiect, vom descrie dispozitivele actuale care
sunt pe piață cu ajutorul cărora se preiau date legate de greutate, sex, numărul de bătăi pe
minut (BPM2) și timpul la care sunt înregistrate. În a doua secțiune vom descrie ce reprezintă
fiecare dispozitiv în parte și care sunt particularitățile lui, și in cele din urmă voi avea în vedere
ce este necesar pentru o suită completă în curs de dezvoltare.
1Electrocardiogramă – investigație esențială în cardiologie care verifică activitatea electrică a inimii. Afișajul ei
se face pe hartie
2Beats per minute (Bătăi pe minut) – reprezintă ritmul cardiac al fiecărei persoane în parte. Arată de câte ori
bate inima unei persoane într-un minut.
1

Capitolul 1. Introducere
1.1.1 Dispozitive actuale de monitorizare a activității
În România, dar și în alte țări, există numeroase dispozitive prin care se monitorizează atât
activitățile fizice în raport cu ritmul cardiac, cât și calitatea activităților obișnuite. Scopul
utilizării acestor dispozitive este destinat atât încurajării unui mod de viață sănătos, cât și
conturării unui șablon de analiză a activității fiecărei entități în parte.
Dintre dispozitivele inteligente utilizate în scopul umăririi unor serii de parametri, se nu-
mără atât brățările pentru fitness de la diferiți producatori, dar și ceasurile inteligente. Brățările
destinate activității de tip fitness înregistrează pulsul și stabilesc metrici de ghidare pentru ac-
tivitatea fizică. Spre deosebire de brățările pentru traking3, ceasurile pot fi utilizate fie pentru
activități de tip fitness și care nu presupun o intensitate foarte mare de efort fizic, dar și ceasuri
multisport concepute pentru sportivi profesioniști. Programele de antrenare pentru aceste dis-
pozitive inteligente sunt planuri de formare personalizate care se bazează pe valori individuale.
Se adaptează bazându-se pe evoluția caracteristică a fiecărui individ în parte și permite diferite
grade de conștientizare a moderării antrenamentului. Sunt generate informații esențiale care
indică dacă antrenamentul trebuie intensificat, sau dacă efortul trebuie redus. În plus, pe lângă
scopul destinat activității fizice care este caracterizat de puls, semnal ce este preluat direct de
la nivelul încheieturii, ceasurile au în dotare și centuri ce pot fi atașate la nivelul abdomenului
și care măsoară semnale de tip EKG. Aceste măsurători sunt destinate îmbunătățirii preciziei
informației preluate de la dispozitiv.
Doua dintre dispozitivele utilizate in procesul de realizarea a sesiunilor de inregistrare
zilnice, au fost FitBit Charge 2 și FitBit Charge 3.
1.1.1.1 Fitbit Charge 3
Acest dispozitiv este un traker inteligent, rezistent la apă, proiectat pentru a urmări o serie de
parametri. Dintre aceștia se numără caloriile consumate, numărul de pași, ritmul cardiac, dar și
o serie de exerciții fizice. Dispozitivul poate detecta în medie 15 tipuri de execiții fizice. A vând
în vedere această monitorizare, cu scopul realizării unei statistici care să genereze nivelul de
activitate al fiecărui individ, este prezentat și un raport în ceea ce privește progresul fizic, dar
și prezentarea celor 3 stagii de somn. Aceste stagii sunt zilnic urmărite pentru a se putea face
o corelație între ele și nivelul de a fi mai mult sau mai puțin apt din punct de vedere fizic. Spre
deosebire de alte dispozitive de analiză inteligente, acesta permite și notificări pentru apeluri,
mesaje text și aplicații.
Motivul pentru care am utilizat cu precădere acest dispozitiv se datorează nevoii de a
utiliza un traker cât mai modern și actual, care sa asigure o acuratețe foarte mare. În testele
realizate cu diferite dispozitive, trakerul Fitbit Charge 3 a fost singurul dispozitiv este rezistent
la apa și care prezintă un grad de acuratețe a redării activităților foarte ridicat.
1.1.1.2 Compararea cu alte dispozitive
Diferența majoră dintre Charge 3 și predecesorul său, cel puțin dintr-o perspectivă hardware este,
pe lângă diferența de design, trecerea de la un buton fizic la unul inductiv care face trackerul
impermeabil.
Există, de asemenea, un touchscreen complet care are rolul de a permite o utilizare cât
mai la îndemână. T otodată, majoritatea fețelor de ceas incluse sunt suficient de dense pentru
3Monitorizare a activitații zilnice cu ajutorul instrumentelor inteligente de analiză
2

Capitolul 1. Introducere
a furniza date despre pasul și ritmul cardiac de fiecare dată când mâna este ridicată sau se
atinge ecranul și o glisare de sus în jos dezvăluie un rezumat al oricărei metrici care s-ar dori a
fi evaluată, de la caloriile arse la minutele active și apa consumată.
A vând în vedere faptul că societatea nu a avut întotdeauna o reputație solidă pentru
acuratețe, aceste probleme au fost în mare parte rezolvate cu îmbunătățiri ale senzorilor din
interiorul dispozitivelor de urmărire, împreună cu actualizările algoritmilor pentru a detecta
mai bine ceea ce reprezintă de fapt un mers la pas o alergare sau înotul.
1.1.2 Arhitectura Hardware
Accesoriile inteligente cu senzori incorporați sunt dintre cele mai utilizate dispozitive. Problema
lor se datorează indicațiilor pe care le oferă în perioadele în care ritmul cardiac crește. Princi-
palele motive pentru care sunt generate imprecizii foarte mari sunt date atât de tehnologie, cât
și de poziționarea senzorilor la nivelul brățării. În urma testelor efectuate, indicațiile cu privire
la ritmul cardiac sunt în parametrii optimi doar în perioadele de repaos sau în cele cu activitate
sportivă redusă.
Senzorii care se regăsesc pe dispozitivele inteligente și care sunt capabili să măsoare pulsul
la nivelul încheieturii, sunt senzorii optici și cei cu impedanță. Dintre cei doi senzori menționați,
senzorii optici sunt cel mai des intâlniți luând în considerare atât costul, cât și ușurința în
poziționarea lor pe cureaua unei brățări. Pot fi senzori cu LED-uri infraroșii, dar și senzori cu
LED-uri verzi. Spre deosebire de senzorii cu LED-uri roșii care sunt mai eficienți în lumina
puternică, cei verzi sunt mai eficienți la temperaturi scăzute. Pentru creșterea eficacității, unii
producători aleg ori să folosească ambii senzori la un dispozitiv, sau să folosească accelerometrul
pentru a compensa cu mișcările bruște care nu sunt detectate.
Spre deosebire de senzorii optici, cei de bioimpedanță sunt folosiți doar pe brățările de
fitness deoarece sistemul de măsurare are nevoie de electrozi multipli care trebuie plasați la
distanțe mari, ceea ce-i face improprii pentru implementarea pe capacul posterior al unui ceas.
Fiind o rudă îndepărtată a electrocardiografului, deci și a centurii sportive pentru piept, acesta
nu măsoară curenții slabi din organism, ci îi generează pe cei proprii. Senzorul măsoară astfel
conductivitatea electrică a țesuturilor, iar fluctuațiile sunt apoi analizate și interpretate. Spre
deosebire de senzorul optic, senzorul de bioimpedanță este versatil, el fiind responsabil nu doar
de măsurarea ritmului cardiac, ci și de cantitatea de grăsime din corp, hidratarea și alte aspecte.
Această polivalență nu este însă garantată, diferitele tipuri de măsurători necesitând curenți
diferiți și poziționări diferite. De exemplu, brățările UP3 și UP4 de la Jawbone pot măsura
hidratarea și pulsul.
Centura pentru piept poate fi considerată singura opțiune cu o precizie suficient de mare
pentru sportivii serioși. Atunci când confortul este important, senzorul optic este opțiunea
recomandată.
3

2 Soluția Propusă
În evaluarea modelului de coerență cardiacă, este necesar un studiu atât asupra dispozitivelor
hardware utilizate și specificațiile fiecărora dintre ele, cât și o analiză software care constă într-o
primă etapă de prelevare a datelor de la dispozitivul utilizat și analiza unor concepte medicale.
O primă etapă în construirea unui model de coerență cardiacă o reprezintă prelevarea datelor de
la dispzitivul utilizat. Pentru această etapă se stabilește prin diferite teste care sunt parametrii
de interes ce influențează pulsul. De asemenea, o etapă emergentă asupra prelevării datelor de
la brațară este cunoașterea termenilor de coerență cardiacă și modul în care este interpretată
variabilitatea batăilor inimii.
2.1 Componenta Hardware
2.1.1 Ce măsoară senzorii de la o brațară inteligentă
Senzorii pentru puls sunt disponibili atât în implementările de tip hardware, cât și software și
permite, de la verificarea la cerere a pulsului și până la monitorizarea permanentă a acestuia.
Cel mai des intâlniți senzori la nivelul unui dispozitiv digital de tip brățară, sunt senzorii optici.
Aceștia folosesc unul sau mai multe LED-uri care emit intermitent cu o frecvență de zeci sau
sute de ori pe secundă și un senzor foto care analizează rezultatul. În funcție de tehnologie, unii
dintre senzori folosesc LED-uri roșii care emit în spectrul infraroșu, alții folosesc doar LED-uri
verzi, iar alții folosesc combinația dintre cele 2 variante posibile.
Datorită faptului că sângele absoarbe radiațiile infraroșii și le reflectă pe cele din spectrul
roșu vizibil, mișcările ritmice ale vaselor sanguine sunt detectate pe fundalul constant al țesu-
turilor translucide și mai apoi asociate cu bătăile inimii. În cazul tehnologiei cu LED-uri verzi,
sângele absoarbe lumina din acest spectru, iar variațiile de luminozitate sunt interpretate în ace-
lași mod. Anumite produse, precum Apple W atch1, folosesc ambele metode de citire deoarece
sistemele cu LED verde tind să aibă o precizie mai bună, în special la temperaturi scăzute, în
timp ce sistemele cu LED infraroșu tind să fie mai eficiente în lumina puternică.
A vând o acuratețe bună în repaus, acest tip de senzor are anumite probleme care îl face
să fie ineficient în foarte multe condiții. Purtat în general la încheietură, senzorii optici nu au
capacitatea de a detecta mișcarea vaselor de sânge prea subțiri din această zonă, iar mișcarea
continuă a pielii, mușchilor și tendoanelor va împiedica uneori și fixarea unei imagini de fundal a
țesuturilor care să poate fi folosită ca etalon. Unii producători folosesc accelerometrul pentru a
compensa aceste mișcări, însă sistemul de stabilizare nu este întotdeauna eficient. În plus, există
și alți factori ce pot afecta precizia unui dispozitiv și modul în care purtăm un ceas inteligent
sau o brățară de fitness poate afecta precizia: strânsă prea tare, aceasta nu va avea suficientă
lumină pentru a funcționa, în timp ce o legătura prea largă va lăsa prea multă lumină și va
împiedica cu totul măsurarea.
1Primul ceas inteligent din istoria companiei Apple care are o precizie a datelor foarte ridicată
4

Capitolul 2. Soluția Propusă
2.1.2 Prelevarea datelor de la brațără
O primă etapă în prelevarea datelor este reprezentată de utilizarea corectă a dispozitivului
hardware. Acesta trebuie să fie tot timpul strâns legat de încheietura mâinii, pentru ca cei
2 senzori care măsoară pulsul să facă corect înregistrarile. Datele sunt preluate continuu și
transmise în aplicația ce se poate utiliza pe telefonul mobil. Aplicația este configurată cu scopul
de a seta toți parametrii care se doresc a fi evaluați. Printre ei se numără genul (feminin sau
masculin), greutatea fiecărei persoane, cantitatea de apă pe care dorește sau de care are nevoie
să o consume în fiecare zi, numărul de pași pe care îi are ca scop și numărul de calorii consumate.
A vând toți acești parametri setați ca fiind un scop, se poate urmări evoluția în atingerea lui pe
parcursul timpului.
Pentru stabilirea unui model de coerență cardiacă, este necesară analiza pulsului. Această
analiză este realizată cu baza de date de valori de tip BPM. V alorile de BPM sunt preluate
din aplicația web, aplicație care necesită sincronizarea cu aplicația de pe telefon și care permite
obținerea valorilor de BPM și de timestamp2sub formă de JSON (JavaScript Object Notation)3.
Așa cum se observă în figura de mai jos, fișierul json conține un câmp în care se află
informații referitoare la data exactă în care au fost înregistrate datele, și un camp valoare care
conține informații legate de bpm șiconfidence .
1 } , {
”dateTime ” : ”1 1 / 0 4 / 1 8 2 2 : 0 0 : 2 7 ”,
3 ”v a l u e ” : {
”bpm ” : 7 7 ,
5 ”c o n f i d e n c e ” : 3
}
7 } , {
”dateTime ” : ”1 1 / 0 4 / 1 8 2 2 : 0 0 : 3 7 ”,
9 ”v a l u e ” : {
”bpm ” : 7 8 ,
11 ”c o n f i d e n c e ” : 3
}
Blocul dateTime din figura de mai sus conține informații cu privire la momentul în care
sunt înregistrate datele. De asemenea, într-un câmp de tip value sunt analizate parametrul de
bpm și câmpul confidence . Acesta câmp este caracterizat de un număr ce identifică gradul de
calitate al măsurătorii. Evaluarea se face pe o scară de la 0 la 3, 3 simbolizând gradul cel mai
înalt de incredere al înregistrărilor .
2.1.3 Coerența cardiacă și coerența fiziologică
T ermenii de coerență cardiacă și coerență fiziologică sunt folosiți alternativ pentru a descrie
măsurarea ordinii, stabilității și armoniei în rezultatele oscilatorii ale sistemelor de reglementare
în orice perioadă de timp, ca de exemplu, datele de tip HR V4obținute de la o populație de soldați
care au revenit cu un diagnostic de tulburare de stres posttraumatic (PTSD5). S-a descoperit
că cei care au un diagnostic de PTSD au avut atât niveluri mai scăzute de HR V, cât și niveluri
mai scăzute de coerență decât subiecții de control fără PTSD. Într-un studiu asupra efectelor
2O secvență de informații care identifică momentul în care a avut loc un anumit eveniment; de cele mai multe
ori oferă informații cu privire la oră, dată, zi și uneori chiar și secunde
3Un format text de reprezentare a obiectelor și a structurilor de date folosit pentru structurarea informațiilor
4Heart Rate V ariability – Reprezintă măsurarea variației în timp în intervale consecutive ale bătăilor inimii
5T ulburarea de stres post-traumatic – Reprezintă o tulburare care se dezvoltă în urma experimentării unui
eveniment perceput ca fiind periculos, șocant sau înfricoșător, precum un accident grav de mașină, rănirea sau
moartea unei persoane apropiate etc.
5

Capitolul 2. Soluția Propusă
jocurilor video violente și nonviolente, s-a constatat de asemenea, că atunci când jucatorii de
jocuri video violente, au avut niveluri mai scăzute de coerență cardiacă și niveluri mai ridicate
de agresiune decât jucatorii de jocuri video fără violență și că nivelurile mai ridicate de coerență
au fost legate negativ de agresiune.
Numeroase studii au furnizat dovezi că antrenamentul de coerență constând în activarea
intenționată a emoțiilor pozitive și calmante asociate cu feedback-ul coerenței HR V facilitează
îmbunătățiri semnificative ale indicatorilor de sănătate și bunăstare într-o varietate de populații.
2.1.3.1 Variabilitatea bătăilor inimii – HRV
Pe perioada ritmului normal de bătăi ale inimiii, HR6variază de la bătaie la bătaie. V ariabili-
tatea bătăilor inimii este rezultată din interacțiunea dintre multiplele mecanisme psihologice ce
ajută la procesul de regulare a HR. În ultimele decenii au existat foarte multe studii cu privire
la HR V, el fiind utilizat ca o unealtă în mai multe procese de studiu al bolilor. Multiple ramuri
medicale contruiesc o analiză în jurul termenului de HR V. Atât pentru diabet, cât și pentru
bolile de inimă, a fost dovedit ca fiind ceva predictiv.
Originile bătăilor inimii sunt localizate într-un nod sino-atrial al inimii, unde un grup de
celule specializate generează continuu un impuls electric care se împrăștie în toți mușchii inimii
printre căile specializate și crează un proces de contracție a mușchilor inimii. Acest proces este
foarte bine sincronizat între atrii și ventricule. Nodul sino-atrial generează în timpul odihnei un
număr de 100-120 de impulsuri pe minut. Cu toate acestea, în momentele benefice de odihnă,
HR nu va fi niciodată atât de mare. Acest fapt se datorează controlului continuu al sistemului
nervos autonom (ANS7) al cărui efect regulator generează HR-ul real.
Figura 2.1 :HR V grafic
Ritmul cardiac reprezintă numărul de bătăi pe minut ale inimii. V ariabilitatea frecven-
ței cardiace (HR V) reflectă reglarea echilibrului autonom, a tensiunii arteriale, a intestinului, a
inimii și a tonusului vascular. Un exemplu de HR V este descris în imaginea din figura 2.1 . O
inimă sănătoasă nu este un metronom. Oscilațiile unei inimi sănătoase sunt complexe și nelini-
are. Fluctuațiile de bătăi ale inimii sănătoase sunt cel mai bine descrise de haosul matematic.
V ariabilitatea sistemelor neliniare oferă flexibilitatea de a face față rapid unui mediu incert și în
schimbare.
V aloarea unui HR V mai mare nu este întotdeauna mai bună, deoarece condițiile patolo-
gice pot produce HR V. Atunci când anomaliile de conducere cardiacă ridică măsurătorile HR V,
aceasta este strâns legată de creșterea riscului de mortalitate (în special în rândul vârstnicilor).
Examinarea în detaliu a morfologiei electrocardiogramei (EKG) poate determina dacă valorile
HR V crescute se datorează unor probleme cum ar fi fibrilația atriala. Un nivel optim de HR V
este asociat cu capacitatea de sănătate, adaptabilitate sau rezistență.
6Heart Rate – Rata de bătăi a inimii
7Autonomic Nervous System – Reprezintă un sistem de control care acționează în mare parte incoștient și care
reglează funcțiile corpului, comportându-se ca un mecanism primar de control
6

Capitolul 2. Soluția Propusă
2.1.4 Corelația dintre HRV și puls
Lucrarea în cauză se desfașoară în jurul colectării pulsului de la diferite versiuni de dispozitive
inteligente. Motivul pentru care am studiat și corelarea cu noțiunea de HR V se datorează faptului
că cele două elemente ce caracterizează inima, și anume frecvența și pulsul, se substituie unul
pe celalalt.
Până în momentul de față, doar trakerul inteligent creat de Apple W atch deține o in-
frastructură care să permită colectarea ratei de variabilitate a inimii. Cu toate că majoritatea
brațărilor și a ceasurilor inteligente conțin în documentațiile lor informații cu privire la colec-
tarea HR V-ului, niciunul dintre ele nu au reusit să facă acest lucru până acum. T oate celelalte
dispozitive preiau doar informațiile cu privire la puls.
În ceea ce privește statisticile actuale, un puls mai mic (considerat neurologic mai sănătos
decât un puls mai mare) este legat de o variabilitate mai mare a ritmului cardiac (considerată
neurologic mai sănătoasă decât HR V mai mică). De asemenea, ratele de puls manuale au arătat
atât o corelație inversă moderată cu valoarea SDNN8în variabilitatea ritmului cardiac cat și o
puternică corelație directă cu ritmul cardiac derivat din HR V.
2.2 Componenta Software
2.2.1 Predicția datelor
Predicția reprezintă condiția esențială a oricărei științe. Luându-se în considerare diferite eveni-
mente care au avut loc, prin învățare, se poate analiza o astfel de procedură. Predicția susține
ipoteza că a prevedea înseamnă a susține intelectiv modul în care va evolua un fenomen. Cunoaș-
terea fenomenului implică atât cunoașterea legilor care îl fac să aibă loc, dar și ce îl condiționează.
O altă etapă importantă a procesului de predicție este dată de testare și validare.
Datele preluate de la brățările inteligente sub formă de CSV9sunt prelucrate spre a se
învăța, cu ajutorul unei rețele neurale să se realizeze o predicție pe o perioada de timp a unor
stări viitoare, luând în considerare stările anterioare. Performanțele predicției diferă atât în
funcție de algoritm, cât și de modul în care sunt prelucrate datele. De asemenea, informațiile
care sunt prelucrate în rețeaua neurală sunt obținute pe o perioadă îndelungată de timp și apoi,
sunt făcute teste pentru a se verifica dacă informația trebuie analizată toată odată, daca se pot
utiliza secvențe de timp, sau se pot încerca și alte proceduri.
În ceea ce privește etapele predicției, dintre acestea se regăsește o etapă esențială și anume
extragerea datelor și crearea unei baze de date care să fie conformă cu cerințele. Pentru a se
stabili caracteristicile bazei de date, este nevoie ca după procesarea lor sub forma unei extensii pe
care dorim să o folosim, să se facă o analiză manuală sau automată a asupra tuturor informațiilor.
Se analizează valorile de 0 și în funcție de importanța sau de procentul sub care se regăsesc se
decide dacă se elimină sau se înlocuiesc cu o valoare medie și totodată se încearcă validarea
bazei de date pentru a decide dacă ea se poate folosi, sau nu. Pentru o analiză cât mai amplă,
se pot realiza histograme care să exprime corelația dintre valori într-un mod grafic, ușor de
vizualizat. Această etapă are din nou un rol semnificativ în validarea corectitudini datelor.
După proiectarea modelului cu ajutorul rețelelor neurale, se face învățarea modelului și apoi
pașii de final care presupun analiza rezultatelor: validarea, respectiv pregătirea și prezentarea
rezultatelor.
8Standard deviation of the NN intervals – Deviația standard a intervalelor dintre două vârfuri succesive
9Character Separated V alues – fișier de text ce conține liste de date
7

Capitolul 2. Soluția Propusă
2.2.1.1 Rețele Neurale
O rețea neurală este reprezentată de mai mulți neuroni care sunt interconectați și care au
capacitatea de a învăța funcții noi pe baza unora care au fost deja învățate. În urma studiilor,
a fost demonstrat că orice rețea poate fi îmbunătățită prin învățare. Dintre aplicațiile rețelei
neurale, se regăsesc exemple complexe ca: recunoașterea scrisului de mână și aplicația de la
Google translate care este un dicționar de traducerea a oricărei limbi în alta. Complexitatea
acestor aplicații practice este dată atât de o bază de date foarte mare și bine documentată, cât și
de serii de teste implementate cu scopul de a dezvolta un algoritm de învățare cât mai complex.
Dintre rețele neurale utilizate în industrie, cele mai uzitate sunt Rețele neurale Artificiale
(ANN10) și Retele neurale Recurente (RNN11). Diferența dintre cele două este dată de o poartă
în care este analizat cât anume se poate ține minte.
Noi, oamenii, nu începem în fiecare secundă să gândim de la 0. Gândirea noastră se
face pe baza înțelegerii cuvintelor anterioare, este subliniată persistența ideilor. Această etapă
generează recurența rețelei. Problema principală a rețelelor recurente este faptul că ele nu pot
să țină minte ceva ce s-a întamplat anterior, ceea ce este un neajuns major.
În imaginea din figura 2.2 este exemplificat un bloc al unei rețele neurale format din patru
elemente. Pe lângă blocul A, intrarea și ieșirea sistemului, se regăsește și o buclă de recurență ce
permite informației să treacă de la un pas la altul al rețelei. De asemenea, rețeaua implementată
în figura 2.2 este un simplu perceptron12cu un strat ascuns. O astfel de rețea funcționează bine
cu probleme de clasificare simple. Pe măsură ce se adaugă mai multe straturi ascunse, rețeaua
va putea deduce secvențe mai complexe în datele de intrare și va crește precizia predicției.
Figura 2.2 :RNN cu buclă de recurență
Pentru o punere în funcțiune cât mai utilă a rețelelor neuronale recurente, este necesară
determinarea unei rețele care să ”țină minte” cât mai mult. O astfel de rețea este definită ca
fiind un LSTM13. Implementarea de tip LSTM funcționează pentru mai multe sarcini și asigură
precizie în luarea deciziilor datorită eficienței în utilizarea memoriei pe termen lung. F actorul
determinat pe care îl are această rețea este că e suficient de inteligentă pentru a ști cât timp
este necesară păstrarea informației vechi, când să iți amintești și să uiți și cum se fac legăturile
între memoria veche și cea nouă.
10Atificial Neural Network – Rețelele neurale artificiale caracterizează ansambluri de elemente de procesare inter-
conectate care urmăresc să interacționeze cu mediul înconjurător într-un mod asemănător creierelor biologice
și care prezintă capacitatea de a învăța.
11Recurrent Neural Network – Rețele special proiectate pentru clasificarea de date care formează secvențe
12Un neuron prevăzut cu un mecanism de învățare. Învățarea presupune un mecanism de stabilire pe bază de
exemple a ponderilor sinaptice în funcție de comportamentul ce se dorește a i se atribui
13Long Short-T erm Memory – este o celulă de memorie care are rolul de a reține dependențele pe termen lung
8

Capitolul 2. Soluția Propusă
2.2.1.2 Problema dependenței pe termen lung
Cu toate că rețelele neurale recurente sunt utile și reușesc să anticipeze evenimente pe baza
învățării unei rețele neurale, în anumite cazuri, decalajul dintre informațiile relevante și spectrul
din care este necesară completarea cuvântului lipsă, este redus. Drept urmare, RNN-urile pot
învăța să folosească informațiile anterioare.
Pe lângă exemplele simple și care necesită utilizarea informațiilor anterioare pentru a
aduce completări, există și cazuri în care avem nevoie de mai mult context. Luând în considerare
încercarea de a prezice ultimul cuvânt din textul ”Am crescut în F ranța, V orbesc fluent franceza” .
Informațiile recente sugerează faptul că următorul cuvânt este probabil numele unei limbi străine.
În cazul în care vrem să restrângem domeniul de limbi straine de care avem nevoie în contextul
F ranței, este posibil ca decalajul dintre informațiile relevante și locul în care este necesar cuvântul
lipsă să devină foarte mare.
Din păcate, pe măsură ce acest decalaj crește, RNN-urile devin incapabile să învețe să
conecteze informațiile.
2.2.2 Long Short-T erm Memory
O soluție la rezolvarea problemelor rețelelor neurale recurente este utilizarea unor rețele de tip
LSTM ce au o durată lungă a memoriei pe termen scurt, așa cum sugerează și numele: ”Long
Short T erm Memory” . Acestea au fost introduse în anul 1997 și de-a lungul anilor au suferit
diverse modificări. Fiind utilizate pe o scară largă, sunt concepute în mod explicit pentru a
evita problema dependenței pe termen lung. Amintirea informațiilor pentru perioade lungi de
timp este comportamentul lor implicit și nu ceva ce se străduiesc să învețe.
Spre deosebire de RNN, LSTM, de asemenea, au o structură de lanț, singura diferență
fiind faptul că blocul care este recurent are o structură diferită. În loc să aibă un singur strat
de rețea neuronală, există patru, interacționând într-un mod diferit. De asemenea, diferența
principală dintre o rețea neurală și o rețea de tip LSTM este dată de conectarea informației,
care de data aceasta se face prin intermediul blocurilor, ca în exemplul din figura 2.3 .
Figura 2.3 :1 bloc din cele 4 ale unei rețele de tip LSTM
Cheia unui LSTM este reprezenatată de vectorul de intrare, starea celulei utilizând infor-
mațiile de la memoria din blocul precedent și permițând rularea întregului lanț până la ieșire
doar cu cateva interacțiuni liniare minore. De asemenea, rețeaua din figura 2.3 , are abilitatea
de a șterge sau a adauga informații în vectorul de stare cu ajutorul structurilor numite porți. Pe
lângă elementele de intrare ale sistemului se regăsesc și informațiile obținute în urma procesării și
9

Capitolul 2. Soluția Propusă
anume, memoria actualizată din blocul curent, dar și iețirea din blocul curent. Rolul bias-urilor
prezente la actualizarea fiecărui lanț este de a reprezenta caracteristicile neliniare simple.
Primul pas în construirea algoritmului LSTM este de a decide ce informații sunt folosite
de către celulă. Această decizie se face printr-un strat sigmoid , denumit ”stratul de uitare” .
După cum se observă în figura 2.4 , funcția sigmoid produce o normare, generând valori de ieșire
după aplicarea funcției, între 0 si 1. În timp ce 1 reprezintă păstrarea elementelor obținute până
în acel punct, 0 înseamnă că valorile nu se actualizează.
Figura 2.4 :Modulul lstm
În scopul filtrării informațiilor stocate în interiorul celului, funcția tanh crează un vector
de noi valori. Cele două straturi ce conțin funcțiile sigmoid șitanh sunt memorate. În final,
după ce rămân doar informațiile de care este nevoie, este necesar să se decidă care va fi ieșirea
sistemului. Se execută din nou un strat sigmoid care decide ce parți din starea celulei urmează
a fi luate în considerare, apoi un strat tanh pentru a forța rezultatele să fie între -1 si 1, așa
cum se observă și în figura 2.4 și apoi se multiplică rezultatul cu ieșirea porții sigmoid .
2.2.3 Algoritmul LSTM
În ceea ce privește algoritmul LSTM, acesta este invățat utilizând tehnica de ”Backpropaga-
tion”14în timp, tehnică ce permite modificarea ponderilor cu fiecare parcuregere a rețelei neu-
rale. Ponderile sunt modificare cu scopul de a se minimiza eroarea obținută la sfârșitul învățării
cât mai mult. De asemenea, algoritmul LSTM este suficient de inteligent pentru a determina
cât timp este necesară păstrarea informațiilor vechi, când să se aducă aminte, când să se uite și
cum să se facă legături între memoria veche și noua intrare.
În implementarea algoritmului, se utilizează biblioteca Keras15, care este un API16de nivel
înalt folosit pentru rețelele neuronale și care funcționează cu T ensorFlow17sau Theano18.
14Metodă utilizată pentru învățarea unei rețele neurale care presupune actualizarea ponderilor rețelei în scopul
minimizării erorii finale
15Librarie publică pentru Python utilizată ca suport pentru rețelele neurale artificiale, convoluționale și recurente
16Application Programming Interface – Un set de standarde și instructiuni de programare ce permit anumtor
sisteme interacțiunea, facilitând schimbul de date
17O librărie de programe open source ce crează și învață modele pentru programarea fluxului de date într-o serie
de sarcini și este dezvolat de Google.
18Este un cadru de prelucrare open source, dezvoltat de LISA Lab la Université de Montréal.
10

Capitolul 2. Soluția Propusă
Pașii de implementare ai algoritmului LSTM:
1. Importarea dependențelor din biblioteca Keras și Scikit-learn19
2. Pregatirea și încărcarea setului de date astfel încât să se poată extrage matrici pentru a
converti valorile într-un mediu util implementării rețelelor neurale
3. Împărțirea blocului de date în date de învățare, date de testare și date utilizate pentru
predicție
• este una dintre cele mai importante etape pentru că la o bază mare de date, este
necesar să se poată adăuga ușor date noi și predicția să se facă pe baza unei învățări
structurate
4. Determinarea unei tehnici utile de preprocesare a datelor prin scalarea lor
5. Remodelarea blocurilor și testarea unei valori optime pentru poarta de uitare
• presupune implementarea de teste multiple, până la obținerea unui rezultat favorabil
6. Procesul de creare și de învățare al rețelei
7. Salvarea modelelor obținute în urma învățării
• importanța ei este dată de faptul că se pot învăța de mai multe ori același lucru, lucru
care de fapt nu se dorește
8. Etapa de predicție
9. Calcularea RMSE20, a timpului de învățare și a timpului de testare
• pentru a face o evaluare a procesului de predicție este absolut necesar calculul celor
3 parametri care indică atât precizia algoritmului, cât și convergența lui
10. Evaluarea, interpretarea și plotarea21erorii graficelor obținute
2.2.4 Precizia algoritmului LSTM
Precizia algoritmului LSTM este dată de evaluarea RMSE obținut în urma procesului de în-
vățare. RMSE reprezintă un indice care arată cât de aproape este rezultatul de valoarea de
adevar.
Radăcina erorii medii pătratice (RMSE) este o măsură a diferențelor dintre valorile prezise
de un model și valorile observate efectiv, frecvent utilizată. Pentru verificarea faptului că modelul
contruit a fost favorabil, valorile lui RMSE pentru antrenament și pentru seturile de testare
trebuie să fie foarte asemănătoare. Dacă RMSE pentru setul de test este mult mai mare decât
cel al ansamblului de antrenament, este foarte probabil ca datele să fie eronate.
Pe lângă evaluarea RMSE-ului, se analizează și timpii de învățare și de testare care de-
monstrează cât de repede sau cât de încet converge un algoritm. Se spune că un algoritm iterativ
converge atunci când, în timp ce iterațiile continuă, ieșirea devine din ce în ce mai aproape de
o valoare specifică. În anumite circumstanțe, un algoritm nu va converge, ar putea chiar să
devieze. Ieșirea sistemului poate suferi oscilații mai mici și mai mari, fără însă, a se apropia de
un rezultat util.
19Un instrument util în analiza datelor ce dispune de algoritmi de clasificare, regresie și grupare
20Root Mean Squared Error – Rădăcina medie pătratică dintre valorile reale și cele prezise
21Operația de reproducere a graficelor
11

3 Evaluare și Rezultate
3.1 Predicția EKG-ului
În scopul validării algoritmului utilizat în procesul de predicție a datelor, înainte de analiza
rezultatelor preluate din puls, am testat algoritmul LSTM cu o bază de date de tip EKG. Baza
de date a fost preluată de pe un site oficial al cercetătorilor de la MIT1. Scopul utilizării acestei
baze de date este acela de a valida algoritmul și de a folosi rezultatele ca o comparație cu
informațiile preluate din semnalele de tip puls.
O primă etapă în realizarea problemei impuse este prelucrarea bazei de date într-o formă
care să se poată utiliza în mediul de lucru. În primul rând, baza de date de tip EKG este preluată
de la 90 de persoane, existând câte 2 înregistrări pentru fiecare în parte. De asemenea, aceasta
este documentată generând informații cu privire la vârstă, gen și data la care a fost realizat
testul medical de tip EKG. Vârstele persoanelor care au fost suspuse testului sunt cuprinse între
16 și 55 de ani.
În scopul implementării algoritmului LSTM, cea mai bună modalitate de învățare a fost
stabilită în urma testelor, având în vedere lipsa documentației în ceea ce privește acest domeniu.
Într-o primă etapă a fost folosită toată baza de date de 90 persoane și învățarea s-a facut pe
67% dintre ele, iar predicția pe restul de 33%. Această modalitate nu a adus nici un rezultat,
fiindcă, conform calculelor, algoritmul ar fi trebuit să ruleze undeva la 105 h, adică 4 zile și încă
câteva ore. De aceea, algoritmul, sub aceleași procente de învățare și testare, s-a aplicat pe o
bază de date de 10 persoane. Predicția a fost cu mult deviată de semnalul real reprezentat.
Drept urmare, această modalitate de învățare s-a dovedit neconformă cu rezultatul pe care îl
doream.
T abela 3.1 :Evaluările parametrilor de interes ai algoritmului LSTM
Evaluare 1 Evaluare 2 Evaluare 3 Evaluare 4 Evaluare 5
Poartă Intrare 11 persoane 11 persoane 15 persoane 15 persoane 20 persoane
Procent învățare 80% 80% 80% 80% 80%
Poartă de uitare 3 5 3 5 5
Nr epoci 100 100 100 100 100
RMSE 16.25 13.13 14.47 12.39 11.90
Timp antrenare 3h 05 min 3h 58 min 4h 15 min 5h 15 min 6h 26 min
Timp testare 14 min 17 min 12 min 14 min 19 min
O a doua interpretare a algoritmului LSTM a presupus implementarea a câte unei etape
de învățare pentru fiecare persoana în parte. Această etapă s-a aplicat pe un procent de 80-90%
pacienți, și a existat o poartă de uitare aleasă convenabil. Astfel că, predicția s-a facut doar pe
10% dintre pacienți, procent care s-a dovedit a fi suficient pentru generarea unor rezultate care
să demonstreze cerința impusă.
1The Massachusetts Institute of T echnology – Institut recunoscut pentru performanțe în domeniul științelor fizice
și a ingineriei
12

Capitolul 3. Evaluare și Rezultate
Așadar, pentru teste, așa cum se observă și în tabelul din figura 3.1 , am ales să antrenez
din cei 90 pacienți doar 11-15 din ei, în medie, datorită timpului de rularea al algoritmului. Se
observă că pentru 80% sau 90% dintre ei, adică în jur de 11-15 pacienți, timpul de antrenare
a fost în medie de 3h-4h. A vând în vedere procentul folosit pentru învățarea rețelei, restul
pacienților în numar de 3-4 au fost folosiți pentru predicție.
Pe lângă modul în care s-a realizat procesul de antrenare, există încă câțiva parametri
a căror importanță este vitală. Unul dintre aceștia este ”poarta de uitare” . Acest parametru,
denumit look_back arată cât anume trebuie să se țină minte din rețeaua învățată precedent.
Conform tabelului 3.1 , se observă că un parametru cu o valoare mai mare are rezultate mai
bune, dar și un timp de antrenare mai lung. Rezultatele în ceea ce privește toți acești parametri
sunt evaluate cu ajutorul RMSE-ului.
RMSE evaluează conform graficului din figura de mai jos, distanța euclidiană dintre sem-
nalul generat de algoritm și predicția care a fost facută. Practic, parametrul evaluat ca fiind
rădăcina medie pătratică dintre valorile reale și cele precise, evaluează eroarea. Cu cât eroarea
este mai mică, cu atât algoritmul este mai precis. De asemenea, parametrul este reprezentat de
funcția sigmoid descrisă în etapa de prezentare a algoritmului Long Short-T erm Memory .
Figura 3.1 :Evaluare RMSE
Un alt parametru decisiv în obținerea unor performanțe cât mai bune în ceea ce privește
predicția datelor, este numărul de epoci . Numărul de epoci este un hiperparametru al gradien-
tului care controlează numarul de treceri complete prin setul de date de antrenament. O epocă
înseamnă că fiecare eșantion din setul de date de instruire a avut ocazia să actualizeze parametrii
modelului intern. Numărul de epoci este în mod tradițional mare, permițând algoritmului de
învățare să funcționeze până când eroarea din model a fost suficient de redusă.
În imaginea din figura 3.2 se observă afișarea EKG-ului cu culoarea albastră, iar cu culoarea
portocalie, predicția acestuia. Evaluarea prezentată este cea cu numarul 4, conformă și cu tabelul
3.1 . S-au folosit ca date de intrare 15 persoane, dintre care au intrat în procesul de învățare
doar 80% dintre ele, mai exact, 12.
Rata cu care s-a trecut prin setul de date de antrenament în scopul învățării este de 100,
rată reprezentată de numarul de epoci. O altă caracteristică ce face parte din calupul datelor de
intrare este poarta de uitare, și anume look_back-ul . V aloarea lui este 5 și a fost aleasă prin
testare și totdată prin comparație cu celelalte seturi de teste.
13

Capitolul 3. Evaluare și Rezultate
Conform informațiilor prezentate în tabel, se observă că pentru o bază de date cât mai
mare posibil, o poartă de uitare de valoare mare generează rezultate mult mai bune. Evaluarea
rezultatelor se face cu ajutorul indicelui care arată cât de aproape este rezultatul de valoarea de
adevar. Cu cât valoarea RMSE-ului este mai mică, cu atât algoritmul este mai precis.
Figura 3.2 :Predicția EKG-ului
Pe lângă evaluarea caracteristicilor de intrare menționate deja, rezultatele timpului de
antrenare și ale celui de testare nu sunt neaparat favorabile. În ceea ce privește timpii de
antrenare și de testare, ei diferă într-o masură semnificativă cu cei de la evaluările anterioare.
În urma observațiilor făcute cu privire la întreg tabelul din figura 3.1 , atât timpii de antrenare
(în principal) și de testare, dar și performanțele procesului de predicție cresc direct proporțional
cu dimensiunea bazei de date. Această concluzie este atât favorabilă, cât și nefavorabilă. Odată
cu creșterea bazei de date, lucru necesar atingerii scopului propus, timpul de procesare devine
o problemă care necesită soluționare.
3.2 Predicția pulsului
Spre deosebire de datele preluate de la baza de date de EKG, informațiile preluate prin puls
nu au o acuratețe la fel de mare și nu există o documentație care să descrie vârsta și genul
persoanelor. Pentru a putea documenta informațiile, a fost nevoie ca fiecare dintre cei care au
purtat dispozitivele inteligente care generează pulsul să își noteze vârsta, genul și evenimentele
semnificative care ar fi putut declanșa o schimbare în puls, ca: efort fizic abundent, perioade
de somn, stare de nervozitate, zile mai puțin active și tot așa. Motivul pentru care am dorit
preluarea datelor și cu ajutorul brățării inteligente sunt faptul că am dorit să realizez o compa-
rație între o predicție folosind o bază de date obținută cu ajutorul unei electrocardiograme, dar
care însa a fost preluata de pe site-ul oficial de la MIT și o baza de date preluată de mine prin
tehnicile pe care piața le pune la dispoziție în momentul de față.
În realizarea testelor am folosit o brățară de tipul Fitbit Charge 3, cea mai nouă din punctul
de vedere al tehnologiei, având ca scop utilizarea unor senzori de masurare cât mai preciși și
o documentație cât mai amplă. În urma purtării dispozitivului pe perioada a 3 saptamani și
documentarea acțiunilor întreprinse de mine, am putut prelua baza de date de pe site-ul oficial
al celor de la Fitbit și așadar, am interpretat rezultatele cu ajutorul unui algoritm de rețele
neurale.
14

Capitolul 3. Evaluare și Rezultate
T estele au fost făcute cu scopul realizării unei comparații, utilizând același număr de
persoane cu aceleași porți de intrare și același număr de epoci. Principalele deosebiri care se pot
observa în analiza tabelului din figura 3.2 , sunt valorile indicelui are arată cât de aproape este
rezultatul de valoarea de adevar, dar și timpii de antrenare și de testare.
T abela 3.2 :Evaluările parametrilor de interes ai algoritmului LSTM
Evaluare 1 Evaluare 2 Evaluare 3 Evaluare 4
Poartă Intrare 11 înregistrări 11 înregistrări 15 înregistrări 20 înregistrări
Procent învățare 80% 80% 80% 80%
Poartă de uitare 3 5 3 5
Nr epoci 100 100 100 100
RMSE 36.43 33.7 33.57 36.32
Timp antrenare 4h 28min 4h 16min 5h 43min 7 h 12 min
Timp testare 50 min 25 min 33 min 55 min
În tabelul de mai sus sunt urmăriți cu precădere parametrii principali care se utilizează în
algoritmul LSTM, fiind aceeași ca în exemplul predicției EKG-ului. Pe lângă faptul că valorile
RMSE-ului sunt duble de cele obținute la predicția EKG-ului, un alt dezavantaj este reprezentat
de timpul de învățare. La un calup de date egal cu cel folosit în primul set de teste, timpul
crește cu cel puțin o oră. A vând în vedere dimensiunea bazei de date utilizate la această etapă,
problema nu este una foarte mare. Pentru creșterea cantității bazei de date, această abordare
de implementare a algoritmului este nefavorabilă atingerii scopului lucrării de față.
Calculul valorii RMSE-ului se poate face direct pe baza graficului. În ceea ce privește
graficul din figura 3.3 , evaluarea indicelui de predicție se calculează ca fiind distanța euclidiană
dintre valoarea semnalului prezis și valoarea reala a EKG-ului. În figura 3.3 , graficul cu culoarea
portocalie este semnalul EKG în etapa de învățare, iar cel cu culoarea albastră este rezultatul
obținut în urma predicției.
Figura 3.3 :Evaluare RMSE
Algoritmul utilizat în scopul stabilirii unui model de coerență a fost același ca cel utilizat
în predicția EKG-ului, și anume LSTM. Există însă un alt mod de abordare a datelor de intrare
care au fost utilizate în algoritm.
Spre deosebire de predictia EKG-ului unde 80% dintre persoanele din baza de date au fost
folosite pentru etapa de învățare și restul pentru predicție, în rezultatul obținut în figura 3.4 ,
66% dintre date au fost folosite pentru învățare și restul de 33% pentru predicție. De asemenea,
15

Capitolul 3. Evaluare și Rezultate
o altă diferență față de predicția EKG-ului este aceea că datele au fost antrenate secvențial și
nu au fost introduse toate odată, pe când în modelarea pulsului, datele au fost introduse drept
un calup de 66% cu 33%. În ceea ce privește documentarea figurii, se observă în label etichetă
faptul că semnalul marcat cu culoarea este reprezentat de valorile prezise ale pulsului, iar linia
albastră de valorile reale.
Figura 3.4 :Predicția pulsului
Într-o primă observație, spre deosebire de graficul din figura 3.1 , graficul din figura 3.4
conține mult mai puține date. Motivul se datorează modului în care au fost obținute și mai apoi
prelucrate cele două baze de date. În al doilea rând, se observă că algoritmul LSTM utilizat
atât în predicția EKG-ului, cât și în predicția pulsului este facil. Procesul de învățare relevă și
validează rezultatele obținute chiar și în grafic. Se observă, de asemenea, cum predicția, linia
graficului reprezentată cu culoarea portocalie ”urmărește” semnalul inițial, cel al pulsului real.
Făcând o comparație cu rezultatele obținute în urma implementării celor două predicții
prin 2 variante diferite de modelare a rețelelor neurale cu ajutorul algoritmului lstm, se observă
clar faptul că o învățare succesivă are rezultate mai bune. Alegerea utilizării unui calup de date
ca poartă de intrare nu s-a dovedit a fi una favorabilă.
16

4 Concluzii și viitoare propuneri de dezvoltare
În concluzie, în scopul realizării unui model de coerență cardiacă din semnalele de tip puls, am
studiat secțiuni importante ale problemei și am adus contribuții în ceea ce le privește. Pentru
început, făcând un studiu al pieței tehnologiei, am descoperit că există multe studii cu privire
la BPM și HR V, însă există o singură aplicație care să analizeze și să concretizeze aceste date
în niște informații utile. A vând la dispoziție o bază de date documentată de la MIT și o serie
de dispozitive inteligente cu ajutorul cărora am preluat pulsul mai multor persoane, am reușit
să concretizez informațiile utile construirii unui model de coerență cardiacă. Cu toate că că
până în momentul de față în țara noastră tehnologia nu a evoluat suficient de mult în acest
domeniu, am abordat un proiect foarte amplu care să poată rezolva problema în cauză: lipsa
unei documentații care să analizeze ritmul cardiac.
Pentru început, am descoperit că în această industrie este necesară documentarea dispozi-
tivelor inteligente cu privire la modul în care evoluează atât activitatea fizică, cât și activitatea
cardiacă. Pe lângă scopul tinerilor destinat analizei nivelului de activitate, există cu precadere
și un scop informativ care să servească persoanelor care suferă sau care se tem că ar putea suferi
de diferite disfuncții ale inimii. A vând în vedere capacitațile dispozitivelor inteligente foarte ușor
de purtat și accesibile din punctul de vedere al costurilor, am studiat proiectarea unui model de
coerență cardiacă care să realizeze predicția stării pulsului.
În implementarea algoritmului de predicție, am utilizat rețele neurale recurente capabile
să țină minte secvențe utile atât cât este necesar. În vederea prelucrarii algoritmului s-au utilizat
două seturi de date: unul format dintr-o bază de date de EKG documentată și o bază de date
prelucrată cu ajutorul brățărilor inteligente. Ambele documentații au avut ca scop extragerea
unor metrici pentru a converti informațiile într-un mediu util implementării rețelelor neurale.
Una dintre cele mai importante etape au fost cele de învățare a rețelei și mai precis, cantitatea
de informație care a fost necesară supunerii învățării pentru ca rezultatul să fie unul satisfacator.
De asemenea, realizându-se o comparație, etapa de învatare a crescut cu o precizie de 30% având
în vedere testele utilizate de la o învățare la alta.
În concluzie, pentru realizarea modelului de coerență cardiacă din semnale de tip puls s-au
utilizat într-o primă etapă două baze de date ce au avut ca scop preluarea informațiilor importante
cu privire la puls și apoi prelucrarea lor cu ajutorul unui algoritm de învățare automată de tip
LSTM ce a avut la bază rețelele neurale recurente.
Concluzii și viitoare propuneri de dezvoltare presupun o serie de implementări pe care aș
dori să le aduc sitemului de față. O primă completare în funcționalitate ar fi creșterea numărului
de persoane care să poarte dispozitivul inteligent spre a mări baza de date utilizată în realizarea
modelului de coerență cardiacă. Spre o documentare și o informare cât mai utilă, consider
necesară informarea cu privire la anomaliile ce pot apărea în formarea unui model de coerență
cardiacă, informații ce necesită a fi documentate din partea unui medic specializat pe cardiologie.
De asemenea, consider necesară informarea cu privire la factorii ce pot influența pulsul spre a
elimina erorile umane și a îmbunătăți calitatea preluării datelor cu ajutorul trakerului inteligent.
În urma obținerii unei baze de date mai ample și cu atat mai bine documentate, care
să prezinte o acuratețe mai mare, doresc îmbunătățirea algoritmului de învățare utilizând un
algoritm de tip LSTM de tip Attention. T ot în scopul realizării modelului de coerență cardiacă
17

Capitolul 4. Concluzii și viitoare propuneri de dezvoltare
din semnale de tip puls, mi-am propus să construiesc un algoritm care să interogheze persoana
care folosește trakerul inteligent și să permită introducerea de detalii legate de acțiunea care
este în curs de desfașurare la perioade de 30 minute și care să aducă informații suplimentare în
documentarea bazei de date.
18

Anexe
19