Kardiyovasküler hastalıklar (KVH'ler) dünya çapında bir numaralı ölüm nedenidir: her yıl daha fazla insan kardiyovasküler hastalıklardan ölmektedir. sebeb olmak.

COVID-19 pandemisi organizasyonları etkiledi sağlık hizmeti sunumunu değiştir personelin hasta insanlarla temasını ve sağlık sistemi üzerindeki genel baskıyı azaltmak. Bu teknoloji, kuruluşların hasta sağlığını riske atabilecek koşulları izleyen ve tespit eden tele sağlık çözümleri sunmasını sağlar.

Bu gönderide, yaygın kullanılan giyilebilir cihazlardan canlı elektrokardiyogram (EKG) beslemelerini işleyen, verileri analiz eden ve bir web panosu aracılığıyla gerçek zamanlıya yakın bilgiler sağlayan bir AWS mimarisi sunuyoruz. Potansiyel bir kritik durum tespit edilirse, abone olan kişilere gerçek zamanlı uyarılar gönderir.

Çözüme genel bakış

Mimari altı farklı katmana ayrılmıştır:

• Veri alımı
• Canlı EKG akış depolaması
• EKG veri işleme
• Tarihi EKG patoloji arşivi
• Canlı uyarılar
• Görselleştirme kontrol paneli

Aşağıdaki diyagram üst düzey mimariyi göstermektedir.

Aşağıdaki bölümlerde, her katmanı daha ayrıntılı olarak ele alıyoruz.

Veri alımı

Veri alma katmanının kullandığı AWS IoT Çekirdeği harici uzak sensörler ile uzak giyilebilir cihazlardan alınan canlı yayınlardan içgörüleri depolama, dönüştürme, analiz etme ve bunlardan içgörüler gösterme yeteneğine sahip AWS Bulut mimarisi arasındaki bağlantı noktası olarak.

Uzak giyilebilir cihazlardan gelen veriler AWS IoT Core'a ulaştığında, bir AWS IoT kuralı ve ilişkili eylemler kullanılarak gönderilebilir.

Önerilen mimaride, bir kural ve bir eylem kullanıyoruz. Kural, aşağıdaki AWS IoT Core kural tanımı SQL kodunda belirtildiği gibi basit bir SQL deyimi kullanarak ham akıştan veri çıkarır.

SELECT device_id, ecg, ppg, bpm, timestamp() as timestamp FROM ‘dt/sensor/#’

İşlem, kuraldan çıkarılan verileri bir Amazon Zaman Akışı veri tabanı.

AWS IoT Core kullanılarak iş yüklerinin nasıl uygulanacağı hakkında daha fazla bilgi için bkz. AWS IoT Core'da zaman açısından kritik buluttan cihaza IoT mesaj modellerini uygulama.

Canlı EKG akış depolaması

Bağlı EKG sensörlerinden gelen canlı veriler, zaman serisi verilerini depolamak için özel olarak tasarlanmış olan Timestream'de hemen depolanır.

Timestream'den, veriler periyodik olarak parçalara ayrılır ve daha sonra tarafından işlenir. AWS Lambda spektrogramlar oluşturmak ve Amazon Rekognisyon EKG spektrogram sınıflandırmasını gerçekleştirmek için.

aracılığıyla bir Timestream veritabanı oluşturabilir ve yönetebilirsiniz. AWS Yönetim Konsolu, Dan AWS Komut Satırı Arayüzü (AWS CLI) veya API çağrıları aracılığıyla.

Timestream konsolunda, aşağıdaki ekran görüntüsünde gösterildiği gibi çeşitli veritabanı metriklerini gözlemleyebilir ve izleyebilirsiniz.

Ek olarak, belirli bir veritabanına karşı çeşitli sorgular çalıştırabilirsiniz.

EKG veri işleme

İşleme katmanı şunlardan oluşur: Amazon EventBridge, Lambda ve Amazon Tanıma.

Algılamanın özü, bir zaman serisi adımından spektrogramlar oluşturma ve kullanma becerisine odaklanır. Amazon Rekognition Özel Etiketleri, Lambda tarafından spektrogramlara dönüştürülen gelen EKG verilerinin canlı akışının bir sınıflandırmasını gerçekleştirmek için çeşitli patolojilerden etkilenen hastalardan alınan EKG verilerinin zaman serisi adımlarından oluşturulan bir spektrogram arşivi ile eğitildi.

EventBridge olay ayrıntıları

EventBridge ile AWS genelinde geniş ölçekte olay odaklı uygulamalar oluşturmak mümkündür.

EKG neredeyse gerçek zamanlı analiz durumunda, bir olay oluşturmak için EventBridge kullanılır (SpectrogramPeriodicGeneration) ham EKG verilerinden spektrogramlar oluşturmak ve anormallik belirtilerini algılamak üzere spektrogramları analiz etmesi için Amazon Rekognition'a bir istek göndermek üzere düzenli olarak bir Lambda işlevini tetikler.

Aşağıdaki ekran görüntüsü, yapılandırma ayrıntılarını gösterir. SpectrogramPeriodicGeneration olay.

Lambda işlevi ayrıntıları

Lambda işlevi GenerateSpectrogramsFromTimeSeries, tamamen Python'da yazılmıştır, bir EKG spektrogramının sınıflandırılmasını gerçekleştirmek için gereken farklı adımlar arasında orkestratör olarak işlev görür. Gelen bir EKG sinyalinin olası anormallik belirtileri gösterip göstermediğini algılayan işlem katmanının çok önemli bir parçasıdır.

Lambda işlevinin üç ana amacı vardır:

• Canlı EKG akışından 1 dakikalık bir adım alın
• Ondan spektrogramlar oluştur
• Oluşturulan spektrogramların sınıflandırılmasını gerçekleştirmek için bir Amazon Rekognition işi başlatın

Amazon Tanıma ayrıntıları

Anormalliklerin olup olmadığını saptamak için yapılan EKG analizi, 1 dakikalık EKG iz adımlarından oluşturulan spektrogramların sınıflandırılmasına dayanır.

Bu sınıflandırma işini gerçekleştirmek için, çeşitli kardiyak rahatsızlıkları olan kişilerin EKG izlerinden oluşturulan spektrogramlarda bulunan farklı kardiyak patolojileri tanımlayabilen bir modeli eğitmek için Rekognition Özel Etiketleri kullanıyoruz.

Rekognition Özel Etiketlerini kullanmaya başlamak için, Amazon Rekognition'ın etiketleme, eğitim ve doğrulama için kullandığı verileri içeren veri kümelerinin konumlarını belirtmemiz gerekir.

Tanımlanan veri kümelerinin içine bakıldığında, Amazon Rekognition'ın verilen veri kümelerinden çıkardığı daha fazla ayrıntıyı görmek mümkündür. Amazon Basit Depolama Hizmeti (Amazon S3) kovası.

Bu sayfada, Amazon Rekognition'ın S3 klasöründe bulunan klasör adlarını eşleştirerek otomatik olarak oluşturduğu etiketleri görebiliriz.

Ayrıca Amazon Rekognition, etiketlenmiş görüntülerin önizlemesini sağlar.

Aşağıdaki ekran görüntüsü, Amazon Rekognition tarafından kullanılan S3 klasörünün ayrıntılarını göstermektedir.

Bir veri kümesi tanımladıktan sonra, verileriniz üzerinde eğitim yapmak için Rekognition Özel Etiketleri kullanabilir ve daha sonra çıkarım için modeli dağıtabilirsiniz.

Rekognition Özel Etiketleri proje sayfaları, mevcut her proje hakkında ayrıntılar ve oluşturulmuş tüm modellerin bir ağaç temsilini sağlar.

Ayrıca, proje sayfaları mevcut modellerin durumunu ve performanslarını gösterir.

Aşağıdaki ekran görüntüsünde gösterildiği gibi, her bir modelin daha fazla ayrıntısını görmek için Rekognition Özel Etiketler konsolunda modelleri seçebilirsiniz.

Modelle ilgili daha fazla detay www. Model ayrıntıları sekmesi.

Model performansının daha fazla değerlendirilmesi için seçin Test sonuçlarını görüntüleyin. Aşağıdaki ekran görüntüsü, modelimizin test sonuçlarının bir örneğini göstermektedir.

Tarihi EKG patoloji arşivi

Patoloji arşiv katmanı ham zaman serisi EKG verilerini alır, spektrogramlar oluşturur ve bunları Rekognition Özel Etiketleri modelinizi daha fazla eğitmek için kullanabileceğiniz ayrı bir grupta depolar.

Görselleştirme kontrol paneli

Gerçek zamanlı EKG'leri, PPG izlerini ve canlı BPM'yi göstermekten sorumlu olan canlı görselleştirme panosu, Amazon Tarafından Yönetilen Grafana.

Amazon Managed Grafana, Grafana Labs ile birlikte geliştirilen ve açık kaynak Grafana'yı temel alan, tümüyle yönetilen bir hizmettir. Kurumsal yeteneklerle geliştirilmiş Amazon Managed Grafana, operasyonel verilerinizi geniş ölçekte görselleştirmenizi ve analiz etmenizi kolaylaştırır.

Amazon Yönetilen Grafana konsolunda, Grafana panoları oluşturabileceğiniz, mantıksal olarak izole edilmiş Grafana sunucuları olan çalışma alanları oluşturabilirsiniz. Aşağıdaki ekran görüntüsü, kullanılabilir çalışma alanlarımızın bir listesini gösterir.

Ayrıca aşağıdakileri de ayarlayabilirsiniz: Çalışma Alanları sayfa:

• Kullanıcılar
• Kullanıcı Grupları
• Veri kaynakları
• Bildirim kanalları

Aşağıdaki ekran görüntüsü, çalışma alanımızın ve kullanıcılarının ayrıntılarını göstermektedir.

içinde Veri kaynakları bölümünde, Grafana panosunu dolduran tüm kaynak beslemelerini inceleyebilir ve ayarlayabiliriz.

Aşağıdaki ekran görüntüsünde, yapılandırılmış üç kaynağımız var:

Seçebilirsiniz Grafana'da Yapılandır Belirli bir veri kaynağının doğrudan Amazon Yönetilen Grafana'da yapılandırılması için.

Grafana içinde kimlik doğrulamanız istenir. Bu yazı için kullandığımız AWS IAM Identity Center (AWS Çoklu Oturum Açma'nın halefi)

Oturum açtıktan sonra Grafana ana sayfasına yönlendirilirsiniz. Buradan, kaydedilen kontrol panellerinizi görüntüleyebilirsiniz. Aşağıdaki ekran görüntüsünde gösterildiği gibi, Kalp Sağlığı İzleme panomuza erişebiliriz.

Ayrıca gezinti bölmesinde dişli simgesini seçebilir ve aşağıdakiler üzerinde çeşitli yapılandırma görevleri gerçekleştirebilirsiniz:

• Veri kaynakları
• Kullanıcılar
• Kullanıcı Grupları
• İstatistikler
• eklentiler
• Tercihler

Örneğin, seçersek Veri kaynakları, Grafana panolarını besleyecek kaynakları ekleyebiliriz.

Aşağıdaki ekran görüntüsü, Timestream için yapılandırma panelini göstermektedir.

Grafana ana sayfasından Heart Health Monitoring panosuna gidersek, panoda yer alan widget'ları ve bilgileri inceleyebiliriz.

Sonuç

AWS IoT Core, Lambda, Amazon SNS ve Grafana gibi hizmetlerle, yaygın kullanılan cihazlar da dahil olmak üzere çeşitli cihazlardan neredeyse gerçek zamanlı olarak veri akışlarını alma, işleme ve izleme yeteneğine sahip olay odaklı bir mimariye sahip sunucusuz bir çözüm oluşturabilirsiniz. giyilebilir cihazlar

Bu gönderide, EKG veri akışında anormalliklerin bulunup bulunmadığını belirlemeye yardımcı olacak içgörüler sağlamak için sentetik bir giyilebilir cihazdan oluşturulan canlı EKG verilerini almanın, işlemenin ve izlemenin bir yolunu araştırdık.

AWS'nin sağlık hizmetlerinde yeniliği nasıl hızlandırdığı hakkında daha fazla bilgi edinmek için şu adresi ziyaret edin: Sağlık için AWS.

Yazar Hakkında

Benedetto Carollo Avrupa, Orta Doğu ve Afrika'daki Amazon Web Services'ta tıbbi görüntüleme ve sağlık hizmetleri için Kıdemli Çözüm Mimarıdır. Çalışmaları, tıbbi görüntüleme ve sağlık hizmetleri müşterilerinin iş sorunlarını teknolojiden yararlanarak çözmelerine yardımcı olmaya odaklanmaktadır. Benedetto, teknoloji ve tıbbi görüntüleme alanında 15 yıldan fazla deneyime sahiptir ve Canon Medical Research ve Vital Images gibi şirketler için çalışmıştır. Benedetto, İtalya'daki Palermo Üniversitesi'nden Yazılım Mühendisliği alanında üstün başarı yüksek lisans derecesini aldı.

• Akıllı para. Avrupa'nın En İyi Bitcoin ve Kripto Borsası.Buraya Tıkla
• Plato blok zinciri. Web3 Metaverse Zekası. Bilgi Güçlendirildi. Buradan Erişin.
• Kaynak: https://aws.amazon.com/blogs/machine-learning/aws-cloud-technology-for-near-real-time-cardiac-anomaly-detection-using-data-from-wearable-devices/