Robust Computational ECG Methods for Automated Diagnosis of Cardiac Diseases from Long-Term Recordings

Project Details

Description

Tämä hanke on kytköksissä terveysteknologian digitalisoitumiseen, yksilöllistettyyn terveyssuunnitteluun sekä datatieteen teknologioiden käyttöön avohoidon parantamisessa, mukaan lukien sairaalassa vietettyjen päivien vähentäminen. Erityisesti hankkeessa kehitetään luotettavia, dataohjattuja menetelmiä äkillisten sydänkuolemien sekä aivoinfarktien ennustamiseen pitkäaikaisista sydäntallenteista. Pääasiallinen mittaustapa on elektrokardiografia (EKG), mutta tarkoituksenamme on käyttää myös liikeantureita sekä pulssioksimetrejä mittauksen luotettavuuden parantamiseksi. Pääkeskittymiskohteina ovat kehittyneen data-analyysin, signaalinkäsittelyn sekä ohjelmiston näkökulmat. Tulevat muutokset Suomen terveydenhuoltojärjestelmässä sekä muissa länsimaisissa yhteiskunnissa luovat valtavan liiketoimintamahdollisuuden eHealth- ja mHealth-palveluntarjoajille. Paine vähentää kustannuksia ja siirtää tiettyjä toimintoja sairaaloista perusterveydenhuoltoon sekä yksityisille klinikoille mahdollistaa selkeän liiketoimintamahdollisuuden kolmansina osapuolina toimiville etälääketiedeoperaattoreille. Hankkeessa kehitettävät sydänmonitorointimenetelmät voivat olla yksi liiketoiminnan teknologisista mahdollistajista.
Short titleECG-Challenge
StatusFinished
Effective start/end date01/06/201631/12/2018
  • Spectro-Temporal ECG Analysis for Atrial Fibrillation Detection

    Zhao, Z., Särkkä, S. & Bahrami Rad, A., 2018, 2018 IEEE International Workshop on Machine Learning for Signal Processing, MLSP 2018. Pustelnik, N., Tan, Z-H., Ma, Z. & Larsen, J. (eds.). IEEE, 6 p. (IEEE International Workshop on Machine Learning for Signal Processing).

    Research output: Chapter in Book/Report/Conference proceedingConference contributionScientificpeer-review

    Open Access
    File
    7 Citations (Scopus)
    211 Downloads (Pure)