Vis enkel innførsel

dc.contributor.advisorHellevik, Leif Rune
dc.contributor.advisorSturdy, Jacob
dc.contributor.authorAhlsand, Anine
dc.contributor.authorDalheim, Kari Anne
dc.date.accessioned2021-10-21T18:14:03Z
dc.date.available2021-10-21T18:14:03Z
dc.date.issued2021
dc.identifierno.ntnu:inspera:78584794:25284173
dc.identifier.urihttps://hdl.handle.net/11250/2824660
dc.description.abstractDenne oppgaven impementerer og analyserer modeller som predikerer blodtrykkskurver for hypertensive personer etter en periode med en gitt trening. Målet med studien var å vurdere anvendelsen av informert maskinlæring (IML) i denne konteksten, og flere modeller har blitt implementert for å sammenligne ulike IML-metoder. Hypertensjon er definert som vedvarende høyt blodtrykk, og øker risikoen for livsstilssykdommer. Norges teknisk-naturvitenskapelige universitet, Trondheim, jobber for tiden med et projekt som heter My Medical Digital Twin (MyMDT). Prosjektets ambisjon er å utvikle en personlig medisinsk digital tvilling som overvåker en hypertensiv persons blodtrykk og gir individspesifikke behandlingsråd. Vårt prosjekt har som mål å bistå MyMDT ved å evaluere ulike maskinlæringsmodeller for å predikere effekten av fysisk aktivitet på blodtrykket. Tidligere studier har vist at å inkludere fysikkbasert kunnskap i en maskinlæringsmodell kan hjelpe modellen til å gjøre fysisk riktige og mer nøyaktige prediksjoner. I tillegg viser litteraturen at relevant kunnskap kan være verdifullt når en jobber med utilstrekkelige mengder data. Basert på tidligere studier av IML implementerer dette prosjektet to forskjellige IML-metoder for å predikere blodtrykkskurver. Den ene metoden inkluderer en fysikkbasert tapsfunskjon, og den andre metoden predikerer feilen av etimatet til en fysisk modell. Dette prosjektet presenterer seks ulike modeller som predikerer blodtrykkskurver til personer etter en treningsperiode. Dataen benyttet i prosjektet er hentet fra en 12-ukers studie ved St. Olavs Universitessykehus, Trondheim. En lineær regresjonsmodell er implementert som et sammenligningsgrunnlag, i tillegg til to nevrale nettverk med ulik tapsfunskjon, der den ene innholder et fysikkbasert ledd. Videre er to residualmodeller implementert og evaluert for å vurdere anvendbarheten til denne IML-metoden. Til slutt er et nevralt nettverk basert på store mendger syntetisk data implementert for å vurdere effekten av en større datamendge enn det som er tilgjengelig i dette prosjektet. Sammenligning av ulike modeller viser nytten av IML i prediksjoner av blodtrykkskurver. Resultatene viser at de implementerte IML metodene presterer bedre enn de standard maskinlærlingsmodellene, og analysene indikerer at mindre data kreves for IML for å oppnå like gode prediskjoner.
dc.description.abstractThis thesis implements and analyzes models that predict blood pressure curves of hypertensive individuals after a period of a given exercise. The objective of the study was to assess the application of informed machine learning (IML) in this context, and multiple models have been implemented to compare the applicability of different IML approaches. The medical condition of hypertension is defined by persistently high blood pressure and increases the risk of lifestyle diseases. Norwegian University of Science and Technology, Trondheim, is currently working on a project called My Medical Digital Twin (MyMDT). The project's ambition is to develop a personal medical digital twin that monitors a hypertensive individual's blood pressure and gives individual-specific treatment advice. Our project aims to assist MyMDT by evaluating different machine learning models to predict the effect of physical activity on the blood pressure. Previous studies have proven that incorporating physics-based knowledge into a machine learning model can encourage the model to make physically consistent and more accurate predictions. Additionally, literature shows that relevant knowledge may be valuable when dealing with insufficient amounts of data. Based on previous studies of IML, this project implements two approaches for IML prediction of blood pressure curves. The first method incorporates a physics-based loss function, and the second method predicts the residual of a physics model's estimate. This project presents six different models predicting the blood pressure curve of individuals after an exercise period. Data was obtained from a 12-week study at St. Olavs University Hospital, Trondheim. A baseline model with linear regression has been implemented, in addition to two neural networks differentiated by a physics-based loss function. Further, two residual models are implemented and evaluated to examine the applicability of this IML approach. Lastly, a neural network based on large amounts of synthetic data is implemented to assess the effect of a greater amount of data than provided for this project. Comparison of different models demonstrates the benefits of IML in the task of predicting blood pressure curves. The results show that the implemented IML approaches perform better than the standard machine learning models, and the analyses indicate that less data is required for IML to achieve equal performance quality.
dc.languageeng
dc.publisherNTNU
dc.titleInformed machine learning models to predict blood pressure curves of hypertensive individuals after cumulative physical activity
dc.typeMaster thesis


Tilhørende fil(er)

Thumbnail

Denne innførselen finnes i følgende samling(er)

Vis enkel innførsel