Abstract

W ostatnim czasie obserwujemy tendencję globalnego starzenia się i znaczących zmian struktur demograficznych na całym świecie. Zgodnie z raportem przedstawionym przez Moody Investors Service, przewiduje się, iż do 2030 roku liczba znacząco-starzejących się krajów wzrośnie z 3 do 34. Światowy proces starzenia się społeczeństw doprowadził do wzrastających oczekiwań wobec starszych osób do pozostania niezależnymi. W związku z tym istnieje potrzeba stworzenia zdalnych systemów monitoringu, które pozwolą na zbieranie informacji na temat stanu zdrowia tych osób. Według ostatnich badań, zdalna diagnostyka medyczna jest możliwa poprzez detekcję zmian zachowania oraz parametrów życiowych, zarówno w świetle widzialnym (pomiar pulsu [1]), jak i w termografii (pomiar częstości oddychania [2]). Przedstawione rozwiązania są metodami bezkontaktowymi - opierają się na przetwarzaniu obrazów. Pozwala to na zwiększenie bezpieczeństwa starszych osób poprzez dostarczenie nieinwazyjnych technik wsparcia ich podczas codziennych czynności, np. czytanie książki. Pomiar podstawowych parametrów życiowych otwiera wiele możliwości zdalnej diagnostyki medycznej, ale równocześnie pociąga za sobą dużą odpowiedzialność. Zachowanie prywatności i bezpieczeństwa danych medycznych jest kluczowym wymaganiem i powinno zostać wzięte pod uwagę podczas tworzenia systemów zdalnego monitoringu. Zgodnie z definicją Gartnera [3] duże zbiory danych są to informacje charakteryzujące się dużą objętością, zmiennością lub dużą różnorodnością, wymagające nowych metod przetwarzania w celu podejmowania decyzji, optymalizacji procesów lub wnioskowania. Obrazowe dane medyczne mogą być uważane za takie zbiory, ponieważ wraz z rozwojem technologii powstały nowe algorytmy służące przetwarzaniu tych danych w celu podejmowania decyzji w zakresie diagnostyki i leczenia wielu schorzeń. W ostatnim czasie, głębokie uczenie stało się kluczowym podejściem używanym w rozpoznawaniu obrazów. Jednym z powodów jest możliwość wykonywania obliczeń na większych modelach, dzięki dostępności szybszych procesorów i kart graficznych. Kolejnym ważnym aspektem jest możliwość dostarczenia modelom odpowiedniej ilości danych, koniecznej do dokonania właściwych obserwacji. Nurt “Big Data” sprawił, iż uczenie maszynowe stało się dużo prostsze, ponieważ istotność głównego ograniczenia technik estymacji (niepoprawne wnioskowanie na podstawie małego zbioru danych) została zredukowana [4].

Authors (3)