3.6 Risultati
3.6.4 Software CEB
Al fine di valutare le prestazioni del tool, sono stati condotti due tipi di test, test delle prestazioni e test sulla sua usabilità [85]. Per valutare le performance di CEB, tre blind team (medici del DAN) sono stati scelti per annotare uno stesso audio più volte, ognuna con un diverso player: CEB, Windows Media Player, QuickTime e Audacity. Tra due annotazioni successive dello stesso audio è intercorso un tempo di 7 giorni al fine di evitare che un esperto ricor- dasse istanti di comparsa delle bolle. Tutti gli esperti hanno annotato i 240 file a disposizione, ma per ognuno di essi l’ordine di annotazione dei file è stato scelto in maniera casuale. Questo tool non è stato sviluppato con l’intento di confrontare le performance dei vari player, bensì per dimostrare che ognuno di essi introduce variabilità nella percezione delle bolle. Le tabelle 3.5, 3.6 e 3.7 mostrano le bolle rilevate da ogni esperto, utilizzando player differenti.
Tabella 3.5: Comparazione Player Blind Team 1 N◦ File N◦ Bolle (WMP) N◦ Bolle (QT) N◦ Bolle (Audacity) N◦ Bolle (CEB) 1 15 14 12 15 2 12 12 11 12 3 7 8 8 7 4 7 9 8 9 5 17 18 16 18 6 24 22 21 24 7 6 6 7 6 8 4 4 4 4 9 13 15 13 14 10 31 26 27 28
Tabella 3.6: Comparazione Player Blind Team 2 N◦ File N◦ Bolle (WMP) N◦ Bolle (QT) N◦ Bolle (Audacity) N◦ Bolle (CEB) 1 16 12 10 15 2 11 12 10 12 3 6 8 8 7 4 8 9 8 9 5 18 18 16 18 6 24 20 20 23 7 6 4 8 6 8 5 4 5 4 9 13 15 12 14 10 30 28 26 28
3.7 Conclusioni
Tabella 3.7: Comparazione Player Blind Team 3 N◦ File N◦ Bolle (WMP) N◦ Bolle (QT) N◦ Bolle (Audacity) N◦ Bolle (CEB) 1 16 14 12 15 2 12 11 11 12 3 6 6 8 7 4 7 7 8 9 5 16 18 16 18 6 24 21 22 24 7 6 5 7 6 8 4 4 5 4 9 14 15 14 14 10 31 28 27 28
I risultati sui 240 file testati hanno dimostrato il 62% di convergenza sul numero di bolle rilevate mediante l’uso di CEB. Del 38% delle annotazioni non corrispondenti, il 35% ha una differenza sul numero di bolle minore dell’1% mentre l’altro 3% compreso tra 1% e 1,7%.
Il test di usabilità si è svolto ponendo ad ogni utente 15 domande circa la sua efficienza e facilità di utilizzo. Il 96% degli utenti ha fornito un punteggio medio di 4/5.
3.7 Conclusioni
In questo capitolo è stato realizzato un sistema in grado di rilevare bolle gassose in segnali eco Doppler audio. Il suo impiego non è legato unicamente al settore subacqueo, bensì trova ampia collocazione anche in ambito sanita- rio. Gli emboli sono particelle gassose che si muovono nel flusso sanguigno, in grado di emettere un suono caratteristico facile da distinguere dalle normali particelle ematiche. La loro presenza è un fondamentale indicatore del rischio di comparsa di malattie cardio vascolari. In ambito sanitario vengono spesso monitorizzati i pazienti sottoposti ad interventi di chirurgia piuttosto che quel- li soggetti a trombosi, dove la concentrazione di emboli è notevole. Benchè in ambito clinico la loro natura e pericolosità è nota, risulta invece difficile anda- re ad individuarli all’interno di uno spettro Doppler. Lo studio condotto ha permesso la realizzazione di un algoritmo in grado di rilevare bolle gassose in segnali eco Doppler audio. In letteratura sono molteplici gli approcci simili, ma tutti scelgono come sito di monitoraggio la zona transcranica o succlavia, dove non tutte le bolle vengono rilevate poichè intrappolate dall’effetto filtrante dei polmoni. L’innovatività dell’algoritmo proposto è in primo luogo la scelta della regione precordiale come sito di monitoraggio. Nonostante in questa zona ci
siano elevate componenti di rumore, l’audio acquisito contiene tutte le bolle circolanti. L’algoritmo è stato anche sviluppato su scheda embedded al fine di fornire al DAN, ente europeo promotore della sicurezza subacquea, un primo strumento di ausilio e stima del livello di Spencer, scala utilizzata per associare la terapia al subacqueo in relazione al numero di bolle presenti. La valutazione delle performance degli algoritmi automatici è basata sul confronto dei risultati prodotti con quelli provenienti da annotazioni manuali. Una comparazione di più risultati manuali, prodotti dai più esperti, ha portato spesso risultati non corrispondenti sia in numero di bolle che nel loro istante di comparsa. Questo ha reso impossibile valutare l’efficienza sia dell’algoritmo proposto che di quelli presenti in letteratura. Da qui è stato sviluppato CEB, un software in grado di facilitare l’annotazione di eco Doppler audio mediante l’utilizzo di librerie, che garantiscono una riproduzione dell’audio uniforme, indipendente dal player e dall’hardware utilizzato. Esso inoltre permette di calcolare il tempo di risposta dell’esaminatore a stimoli acustici esterni, identificando in maniera oggettiva l’istante preciso di comparsa della bolla. Le bolle rilevate da un’annotazione manuale con CEB saranno poi salvate in una struttura standard e ben definita, facile da interpretare sia da personale medico che da algoritmi automatici. Al- tro vantaggio del software CEB è il suo modulo di training capace di allenare l’orecchio di medici, e non, nel riconoscere tempestivamente bolle gassose.
Capitolo 4
Sviluppo di algoritmi per la diagnosi
dei sintomi del Parkinson
In questo capitolo verranno presentati strumenti in grado di rilevare e clas- sificare i principali sintomi della malattia di Parkinson come tremore, freezing e fluttuazioni. Il progetto svolto nasce dalla collaborazione con la casa di cura Villa dei Pini di Civitanova Marche (MC) e il reparto di Neurologia degli Ospe- dale Riuniti Marche Nord di Pesaro (PU). Il lavoro si pone come base di un monitoraggio continuo (h24) di soggetti affetti dalla patologia ed è utilizzabile sia per avvalorare la diagnosi medica che per ottenere una personalizzazione e verifica dell’efficacia della terapia stessa. I dati raccolti da dispositivi inerziali indossabili, poco ingombranti e ad elevate potenzialità, sono stati processati con tecniche di data-fusion in grado di fornire report sull’evoluzione della ma- lattia in apposite interfacce grafiche. Il sistema WebRTC, proposto nel capitolo 2, è stato utilizzato come strumento di file sharing per trasferire sia real-time che off-line i dati acquisiti dai sensori inerziali al medico remoto. Nel caso di trasmissione real-time saranno inviati i singoli campioni acquisiti dal dispo- sitivo, mentre nel caso off-line verrà trasmesso il singolo file dell’acquisizione svolta.