טכנולוגיית AWS Cloud לזיהוי חריגות לב כמעט בזמן אמת באמצעות נתונים ממכשירים לבישים

מחלות לב וכלי דם (CVDs) הן גורם המוות מספר אחת בעולם: יותר אנשים מתים מדי שנה ממחלות CVD מאשר מכל גורם אחר. לגרום.

מגיפת COVID-19 גרמה לארגונים לשנות את שירותי הבריאות לצמצם את הקשר של הצוות עם אנשים חולים ואת הלחץ הכולל על מערכת הבריאות. טכנולוגיה זו מאפשרת לארגונים לספק פתרונות בריאות טלפוניים, המנטרים ומזהים מצבים שעלולים לסכן את בריאות המטופל.

בפוסט זה, אנו מציגים ארכיטקטורת AWS המעבדת הזנות אלקטרוקרדיוגרמה חיה (ECG) ממכשירים לבישים נפוצים, מנתחת את הנתונים, מספקת מידע כמעט בזמן אמת באמצעות לוח מחוונים באינטרנט. אם מזוהה מצב קריטי פוטנציאלי, הוא שולח התראות בזמן אמת לאנשים רשומים.

סקירת פתרונות

הארכיטקטורה מחולקת לשש שכבות שונות:

• בליעת נתונים
• אחסון זרם אק"ג חי
• עיבוד נתוני א.ק.ג
• ארכיון פתולוגיה היסטורי של א.ק.ג
• התראות בשידור חי
• לוח מחוונים להדמיה

התרשים הבא מציג את הארכיטקטורה ברמה גבוהה.

בסעיפים הבאים, נדון בכל שכבה ביתר פירוט.

בליעת נתונים

שכבת קליטת הנתונים משתמשת ליבת IoT של AWS כנקודת החיבור בין החיישנים המרוחקים החיצוניים לארכיטקטורת הענן של AWS, המסוגלת לאחסן, לשנות, לנתח ולהראות תובנות מהפידים החיים שנרכשו ממכשירים לבישים מרוחקים.

כאשר הנתונים מהמכשירים הלבישים המרוחקים מגיעים ל-AWS IoT Core, ניתן לשלוח אותם באמצעות כלל IoT של AWS ופעולות קשורות.

בארכיטקטורה המוצעת, אנו משתמשים בכלל אחד ובפעולה אחת. הכלל מחלץ נתונים מהזרם הגולמי באמצעות משפט SQL פשוט, כפי שמתואר בקוד ה-SQL של ​​כלל ה-AWS IoT Core הגדרת הכללים הבאים.

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

הפעולה כותבת את הנתונים שחולצו מהכלל לתוך an חלון הזמנים של אמזון מאגר מידע.

למידע נוסף על איך ליישם עומסי עבודה באמצעות AWS IoT Core, עיין ב הטמעת דפוסי הודעות IoT קריטיים בזמן ענן למכשיר ב-AWS IoT Core.

אחסון זרם אק"ג חי

נתונים חיים המגיעים מחיישני ECG מחוברים מאוחסנים מיד ב-Timestream, אשר תוכנן בכוונה לאחסן נתוני סדרות זמן.

מ-Timestream, נתונים נשלפים מדי פעם לרסיסים ומעובדים לאחר מכן על ידי AWS למבדה ליצור ספקטרוגרמות ועל ידי אמזון לביצוע סיווג ספקטרוגרמה של אק"ג.

אתה יכול ליצור ולנהל מסד נתונים Timestream באמצעות קונסולת הניהול של AWS, מ ה ממשק שורת הפקודה של AWS (AWS CLI), או באמצעות קריאות API.

במסוף Timestream, אתה יכול לצפות ולנטר מדדי מסד נתונים שונים, כפי שמוצג בצילום המסך הבא.

בנוסף, ניתן להריץ שאילתות שונות מול מסד נתונים נתון.

עיבוד נתוני א.ק.ג

שכבת העיבוד מורכבת מ אמזון EventBridge, Lambda וזיהוי אמזון.

ליבת האיתור מתרכזת ביכולת ליצור ספקטרוגרמות מפסיעה ושימוש בסדרת זמן תוויות מותאמות אישית של Amazon Rekognition, מאומן עם ארכיון של ספקטרוגרמות שנוצרו מצעדי סדרת זמן של נתוני א.ק.ג. ממטופלים שנפגעו מפתולוגיות שונות, כדי לבצע סיווג של זרם ה-ECG הנכנס בשידור חי והומרת לספקטרוגרמות על ידי Lambda.

פרטי אירוע EventBridge

עם EventBridge, אפשר ליצור יישומים מונעי אירועים בקנה מידה רחב ב-AWS.

במקרה של ניתוח א.ק.ג כמעט בזמן אמת, EventBridge משמש ליצירת אירוע (SpectrogramPeriodicGeneration) שמפעיל מעת לעת פונקציית Lambda להפקת ספקטרוגרמות מנתוני ה-ECG הגולמיים ולשלוח בקשה לאמזון זיהוי לנתח את הספקטרוגרמות כדי לזהות סימנים של חריגות.

צילום המסך הבא מציג את פרטי התצורה של SpectrogramPeriodicGeneration מִקרֶה.

פרטי פונקציית למדה

פונקציית הלמבדה GenerateSpectrogramsFromTimeSeries, שנכתב כולו בפייתון, מתפקד כמתזמר בין השלבים השונים הדרושים לביצוע סיווג של ספקטרוגרמה של א.ק.ג. זהו חלק מכריע בשכבת העיבוד שמזהה אם אות ECG נכנס מציג סימנים של חריגות אפשריות.

לפונקציית Lambda שלוש מטרות עיקריות:

• קבל צעד של דקה מזרם ה-ECG החי
• הפק ממנו ספקטרוגרמות
• התחל עבודת זיהוי של אמזון כדי לבצע סיווג של הספקטרוגרמות שנוצרו

פרטי הכרת אמזון

ניתוח ה-ECG כדי לזהות אם קיימות חריגות מבוסס על סיווג הספקטרוגרמות שנוצרו מצעדי עקבות א.ק.ג של דקה אחת.

כדי לבצע את עבודת הסיווג הזו, אנו משתמשים ב-Rekognition Custom Labels כדי להכשיר מודל המסוגל לזהות פתולוגיות לב שונות שנמצאו בספקטרוגרמות שנוצרו מעקבות ECG של אנשים עם מצבי לב שונים.

כדי להתחיל להשתמש בתוויות מותאמות אישית של Rekognition, עלינו לציין את המיקומים של מערכי הנתונים, המכילים את הנתונים שבהם משתמשת Amazon Rekognition לתיוג, הדרכה ואימות.

בהסתכלות בתוך מערכי הנתונים המוגדרים, ניתן לראות פרטים נוספים ש-Amazon Rekognition חילצה מהנתון שירות אחסון פשוט של אמזון (אמזון S3) דלי.

מדף זה, אנו יכולים לראות את התוויות ש-Amazon Rekognition יצרה אוטומטית על ידי התאמת שמות התיקיות הקיימים בדלי S3.

בנוסף, Amazon Rekognition מספקת תצוגה מקדימה של התמונות המסומנות.

צילום המסך הבא מציג את הפרטים של דלי S3 המשמש את אמזון הכרה.

לאחר שהגדרת מערך נתונים, תוכל להשתמש ב-Rekognition Custom Labels כדי להתאמן על הנתונים שלך, ולפרוס את המודל להסקת מסקנות לאחר מכן.

דפי הפרויקט של זיהוי תוויות מותאמות אישית מספקים פרטים על כל פרויקט זמין וייצוג עץ של כל המודלים שנוצרו.

יתרה מכך, דפי הפרויקט מציגים את מצב הדגמים הזמינים וביצועיהם.

אתה יכול לבחור את הדגמים בקונסולת התוויות המותאמות אישית של Rekognition כדי לראות פרטים נוספים על כל דגם, כפי שמוצג בצילום המסך הבא.

פרטים נוספים על הדגם זמינים ב- פרטי דגם TAB.

להערכה נוספת של ביצועי המודל, בחר צפה בתוצאות הבדיקה. צילום המסך הבא מציג דוגמה לתוצאות בדיקה מהמודל שלנו.

ארכיון פתולוגיה היסטורי של א.ק.ג

שכבת ארכיון הפתולוגיה מקבלת נתוני אק"ג גולמיים של סדרות זמן, יוצרת ספקטרוגרמות ומאחסנת את אלה בדלי נפרד שבו תוכל להשתמש כדי להמשיך ולהכשיר את מודל התוויות המותאמות אישית של ההכרה שלך.

לוח מחוונים להדמיה

לוח המחוונים של ההדמיה החיה, האחראי על הצגת א.ק.ג בזמן אמת, עקבות PPG ו-BPM חי, מיושם באמצעות אמזון ניהלה את גרפאנה.

Amazon Managed Grafana הוא שירות מנוהל במלואו שפותח יחד עם Grafana Labs ומבוסס על Grafana בקוד פתוח. משופרת עם יכולות ארגוניות, Amazon Managed Grafana מקל עליך להמחיש ולנתח את הנתונים התפעוליים שלך בקנה מידה.

בקונסולת Amazon Managed Grafana, אתה יכול ליצור סביבות עבודה, שהם שרתי Grafana מבודדים באופן הגיוני שבהם אתה יכול ליצור לוחות מחוונים של Grafana. צילום המסך הבא מציג רשימה של סביבות העבודה הזמינות שלנו.

אתה יכול גם להגדיר את הדברים הבאים ב- סביבות עבודה דף:

• משתמש
• קבוצות משתמש
• מקורות מידע
• ערוצי הודעות

צילום המסך הבא מציג את הפרטים של סביבת העבודה שלנו והמשתמשים בה.

ב מקורות מידע בסעיף, נוכל לסקור ולהגדיר את כל עדכוני המקור המאכלסים את לוח המחוונים של Grafana.

בצילום המסך הבא, יש לנו שלושה מקורות מוגדרים:

אתה יכול לבחור הגדר בגרפאנה עבור מקור נתונים נתון להגדיר אותו ישירות ב-Amazon Managed Grafana.

אתה מתבקש לבצע אימות בתוך גרפאנה. עבור פוסט זה, אנו משתמשים AWS IAM Identity Center (יורש של AWS Single Sign-On)

לאחר שתתחבר, אתה מופנה לדף הבית של Grafana. מכאן, תוכל להציג את לוחות המחוונים השמורים שלך. כפי שמוצג בצילום המסך הבא, נוכל לגשת ללוח המחוונים לניטור בריאות הלב שלנו.

אתה יכול גם לבחור את סמל גלגל השיניים בחלונית הניווט ולבצע משימות תצורה שונות בפעולות הבאות:

• מקורות מידע
• משתמש
• קבוצות משתמש
• סטָטִיסטִיקָה
• תוספים
• העדפות

למשל, אם נבחר מקורות מידע, נוכל להוסיף מקורות שיזין לוחות גראפנה.

צילום המסך הבא מציג את לוח התצורה של Timestream.

אם ננווט ללוח המחוונים של ניטור בריאות הלב מדף הבית של Grafana, נוכל לסקור את הווידג'טים והמידע הכלולים בלוח המחוונים.

סיכום

עם שירותים כמו AWS IoT Core, Lambda, Amazon SNS ו-Grafana, אתה יכול לבנות פתרון ללא שרתים עם ארכיטקטורה מונעת אירועים המסוגלת להטמיע, לעבד ולנטר זרמי נתונים כמעט בזמן אמת ממגוון מכשירים, כולל נפוצים מכשירים לבישים.

בפוסט זה, חקרנו דרך אחת להטמעה, לעבד ולנטר נתוני אק"ג חיים שנוצרו ממכשיר לביש סינתטי על מנת לספק תובנות שיעזרו לקבוע אם עשויות להיות חריגות בזרם נתוני ה-ECG.

למידע נוסף על האופן שבו AWS מאיץ חדשנות בתחום הבריאות, בקר AWS לבריאות.

---

על המחבר

בנדטו קרולו הוא ארכיטקט פתרונות בכיר להדמיה רפואית ובריאות בשירותי האינטרנט של אמזון באירופה, המזרח התיכון ואפריקה. עבודתו מתמקדת בסיוע ללקוחות הדמיה רפואית ושירותי בריאות לפתור בעיות עסקיות על ידי מינוף טכנולוגיה. לבנדטו יש למעלה מ-15 שנות ניסיון בטכנולוגיה והדמיה רפואית ועבד עבור חברות כמו Canon Medical Research ו-Vital Images. בנדטו קיבל בהצטיינות תואר שני בהנדסת תוכנה מאוניברסיטת פאלרמו - איטליה.