Методи інтелектуальної обробки даних у системах безперервного моніторингу життєвих показників

Abstract

У роботі розглянуто проблему підвищення точності, надійності та ефективності систем безперервного медичного моніторингу на основі інтелектуальних методів обробки біомедичних сигналів. Мета роботи полягає у створенні комплексного підходу до реєстрації, обробки, аналізу та інтерпретації життєвих показників у режимі реального часу. Запропоновано технічне, математичне, алгоритмічне та програмне забезпечення біотехнічної системи, що забезпечує збір даних ЕКГ, PPG та респіраторних сигналів, їх попередню цифрову обробку та інтелектуальну класифікацію фізіологічних станів. Реалізовано програмні модулі у середовищі MATLAB, включаючи фільтрацію, детекцію R-піків, формування ознак та навчання моделей машинного навчання. Проведено експериментальну перевірку працездатності системи на реальних та синтетичних даних, отримано високі показники точності детекції та класифікації. Виконано економічне обґрунтування запропонованої системи. Розраховано загальні витрати на розробку та оцінено економічний ефект її впровадження, який становить приблизно 30000 грн на рік. Термін окупності системи складає близько одного року, що підтверджує доцільність практичного застосування. Результати роботи можуть бути використані у сучасних медичних моніторингових системах, мобільних та телемедичних пристроях, а також в автоматизованих комплексах для ранньої діагностики та контролю стану пацієнтів.

This thesis addresses the problem of improving the accuracy, reliability, and effectiveness of continuous medical monitoring systems through intelligent biomedical data processing methods. The aim of the research is to develop a comprehensive approach for real-time acquisition, preprocessing, analysis, and interpretation of vital signs. The work proposes technical, mathematical, algorithmic, and software solutions for a biomedical monitoring system capable of collecting ECG, PPG, and respiratory signals, performing digital preprocessing, and implementing intelligent classification of physiological states. Software modules were developed in MATLAB, including filtration, R-peak detection, feature extraction, and machine-learning-based classification. The proposed system was experimentally validated on real and synthetic biomedical data, demonstrating high accuracy of signal detection and state classification. An economic evaluation of the developed system was performed. The total development cost and the annual economic benefit were estimated, showing that the system may provide up to 30000 UAH of yearly savings. The payback period is approximately one year, which confirms the practical feasibility of the proposed solution. The obtained results can be applied in modern medical monitoring systems, mobile and telemedicine devices, as well as automated diagnostic platforms for early detection and continuous patient state assessment.