• Treffer 2 von 3
Zurück zur Trefferliste

Permittivity biosensor for the recognition of saliva samples of COPD patients using neuromorphic-based machine learning

Permittivitäts-Biosensor für die Charakterisierung von Speichelproben von COPD-Patienten mit neuromorphischem maschinellem Lernen

  • Chronic Obstructive Pulmonary Disease (COPD) is an inflammatory lung disease, causing breathing difficulties in patients due to obstructed airflow in lungs. COPD is one of the main leading causes of death worldwide with an annual mortality rate of three million people. Despite the absence of an effective treatment for COPD, an early-stage diagnosis plays a crucial role for the effective management of the disease. However, majority of patients with objective COPD go undiagnosed until late stages of their disease due to the lack of a reliable technology for the recognition and monitoring of COPD in Point-of-Care (PoC). Alternative diagnostic approaches such as the accurate examination of respiratory tract fluids like saliva can address this issue using a portable biosensor in a home-care environment. Nonetheless, the accurate diagnosis of COPD based on this approach is only possible by concurrent consideration of patients demographic--medical parameters. Therefore, Machine Learning (ML) tools are necessary for the comprehensiveChronic Obstructive Pulmonary Disease (COPD) is an inflammatory lung disease, causing breathing difficulties in patients due to obstructed airflow in lungs. COPD is one of the main leading causes of death worldwide with an annual mortality rate of three million people. Despite the absence of an effective treatment for COPD, an early-stage diagnosis plays a crucial role for the effective management of the disease. However, majority of patients with objective COPD go undiagnosed until late stages of their disease due to the lack of a reliable technology for the recognition and monitoring of COPD in Point-of-Care (PoC). Alternative diagnostic approaches such as the accurate examination of respiratory tract fluids like saliva can address this issue using a portable biosensor in a home-care environment. Nonetheless, the accurate diagnosis of COPD based on this approach is only possible by concurrent consideration of patients demographic--medical parameters. Therefore, Machine Learning (ML) tools are necessary for the comprehensive recognition of COPD in a PoC setting. On the other hand, drawbacks of cloud-based ML techniques for medical applications such as data safety, immerse energy consumption, and enormous computation requirements need to be addressed for this application. Therefore, the objective of this thesis was to develop a ML-equipped system for the management of COPD in a PoC setup. A portable permittivity biosensor was developed in this work and its in-vitro performance was evaluated throughout clinical experiments. ML techniques were applied on biosensor results, demonstrating the significant role of these algorithms for the recognition of COPD. Moreover, developed ML models were deployed on a neuromorphic platform for addressing the shortcomings of cloud-based approaches.zeige mehrzeige weniger
  • Die chronisch obstruktive Lungenerkrankung (COPD) ist eine entzündliche Lungenerkrankung, die bei Patienten Atembeschwerden aufgrund eines behinderten Luftstroms in der Lunge verursacht. COPD ist eine der häufigsten Todesursachen weltweit mit einer jährlichen Sterblichkeitsrate von drei Millionen Menschen. Obwohl es keine wirksame Behandlung für COPD gibt, spielt die Diagnose im Frühstadium eine entscheidende Rolle für die effektive Behandlung der Krankheit. Die Mehrheit der Patienten mit objektiver COPD bleibt jedoch bis in späte Stadien ihrer Erkrankung unerkannt, da es keine zuverlässige Technologie zur Erkennung und Überwachung von COPD am Point-of-Care (PoC) gibt. Alternative diagnostische Ansätze wie die genaue Untersuchung von Atemwegsflüssigkeiten wie Speichel können dieses Problem mit Hilfe eines tragbaren Biosensors in einer Home-Care-Umgebung beheben. Die genaue Diagnose von COPD auf Basis dieses Ansatzes ist jedoch nur bei gleichzeitiger Berücksichtigung der demographisch-medizinischen Parameter des Patienten möglich.Die chronisch obstruktive Lungenerkrankung (COPD) ist eine entzündliche Lungenerkrankung, die bei Patienten Atembeschwerden aufgrund eines behinderten Luftstroms in der Lunge verursacht. COPD ist eine der häufigsten Todesursachen weltweit mit einer jährlichen Sterblichkeitsrate von drei Millionen Menschen. Obwohl es keine wirksame Behandlung für COPD gibt, spielt die Diagnose im Frühstadium eine entscheidende Rolle für die effektive Behandlung der Krankheit. Die Mehrheit der Patienten mit objektiver COPD bleibt jedoch bis in späte Stadien ihrer Erkrankung unerkannt, da es keine zuverlässige Technologie zur Erkennung und Überwachung von COPD am Point-of-Care (PoC) gibt. Alternative diagnostische Ansätze wie die genaue Untersuchung von Atemwegsflüssigkeiten wie Speichel können dieses Problem mit Hilfe eines tragbaren Biosensors in einer Home-Care-Umgebung beheben. Die genaue Diagnose von COPD auf Basis dieses Ansatzes ist jedoch nur bei gleichzeitiger Berücksichtigung der demographisch-medizinischen Parameter des Patienten möglich. Daher sind Werkzeuge des maschinellen Lernens (ML) für die umfassende Erkennung von COPD in einer PoC-Umgebung notwendig. Auf der anderen Seite müssen die Nachteile von Cloud-basierten ML-Techniken für medizinische Anwendungen, wie z.B. die Datensicherheit, der immersive Energieverbrauch und der enorme Rechenaufwand, für diese Anwendung adressiert werden. Daher war das Ziel dieser Arbeit, ein ML-ausgerüstetes System für das Management von COPD in einem PoC-Setup zu entwickeln. In dieser Arbeit wurde ein tragbarer Permittivitäts-Biosensor entwickelt und seine in-vitro Leistung wurde in klinischen Experimenten evaluiert. ML-Techniken wurden auf die Ergebnisse des Biosensors angewandt, was die bedeutende Rolle dieser Algorithmen für die Erkennung von COPD demonstrierte. Darüber hinaus wurden die entwickelten ML-Modelle auf einer neuromorphen Plattform eingesetzt, um die Unzulänglichkeiten von Cloud-basierten Ansätzen zu beheben.zeige mehrzeige weniger

Volltext Dateien herunterladen

Metadaten exportieren

Weitere Dienste

Suche bei Google Scholar Anzahl der Zugriffe auf dieses Dokument
Metadaten
Verfasserangaben: Pouya Soltani ZarrinORCiD
URN:urn:nbn:de:kobv:co1-opus4-55016
Gutachter / Betreuer:Prof. Dr. Christian WengerORCiD
Dokumentart:Dissertation
Sprache:Englisch
Erstellungsjahr:2021
Datum der Abschlussprüfung:28.04.2021
Datum der Freischaltung:14.05.2021
Freies Schlagwort / Tag:BiCMOS Permittivitäts-Biosensoren; Bioneuromorphie; COPD-Management; Maschinelles Lernen in der Medizin; Speichelcharakterisierung
BiCMOS permittivity biosensors; Bioneuromorphics; COPD management; Machine learning in medicine; Saliva characterization
GND-Schlagwort:Obstruktive Ventilationsstörung; Speichel; BICMOS; Biosensor; Maschinelles Lernen
Fakultät / Fachgebiet:Fakultät 1 MINT - Mathematik, Informatik, Physik, Elektro- und Informationstechnik / FG Halbleitermaterialien
Lizenz (Deutsch):Keine Lizenz vergeben. Es gilt das deutsche Urheberrecht.
Einverstanden ✔
Diese Webseite verwendet technisch erforderliche Session-Cookies. Durch die weitere Nutzung der Webseite stimmen Sie diesem zu. Unsere Datenschutzerklärung finden Sie hier.