Analyse av metoder for å estimere kompresjonsdybde under hjerte-lunge-redning med smartklokke
Master thesis
Permanent lenke
http://hdl.handle.net/11250/2560150Utgivelsesdato
2018Metadata
Vis full innførselSamlinger
Sammendrag
Denne oppgaven har forsøkt å estimere kompresjonsdybden under Hjerte- Lunge-redning basert på sensormålingene fra en smartklokke. Presis estimering av kompresjonsdybde er viktig for å kunne a lage en assistent til HLR som kan veilede brukeren i sanntid. Formålet med en HLR-veileder er å sørge for at HLR blir utført så korrekt som mulig på den skadede for å maksimere sjansen for å redde den skadedes liv. For å få til dette ble det implementert en dybdemåler i en gjenopplivingsdukke som logget kompresjonsdybde i sanntid, som kommuniserte med en android-smartklokke. Data logget fra disse to enhetene ble behandlet og sammenlignet. Målet var å estimere referanse-dybden fra gjenopplivingsdukken basert på smartklokkens målinger. Sensormålingene fra smartklokken ble brukt for å lage et estimat for kompresjonsdybde basert på dobbeltintegrasjon av akselerasjon. Videre ble dette dybde-estimatet og sensormålingene analysert med PCA, en metode innen Multivariate Data-Analysis. Informasjonen fra denne analysen ble brukt for å lage en Partial Least Square Regression-modell for å kunne øke nøyaktigheten til dybde-estimatene.
Hjertekompresjoner ligger optimalt rundt 40-60mm, og en presisjon på under 3mm ansees som å være ønskelig for å kunne klassifisere kompresjoner som "for grunne", "passe", eller "for dype". Både PLSR-modellen og den tradisjonelle metoden ble testet på ny og ukjent data. På det nye testsettet estimerte PLSR-modellen kompresjonsdybde med et gjennomsnittlig avvik på 2.6mm. Det beste estimatet uten bruk av multivariat modell ga et gjennomsnittlig avvik på 3.4mm. Begge disse estimeringsteknikkene fremstår som robuste og burde være representative for fremtidige scenarioer. Det fremstod derfor av arbeidet i denne oppgaven som det er fullt mulig å implementere en HLR-assistent på smartklokke.