Repository logo
 
No Thumbnail Available
Publication

Smart data driven predictive model application for wound healing tracking

Use this identifier to reference this record.
Name:Description:Size:Format: 
202755410.pdf10.89 MBAdobe PDF Download

Abstract(s)

Chronic wounds affect millions of people around the world. Just in the United States, it is estimated that 6.5 million people suffered from chronic wounds, while in Europe the number is estimated to be around 1.5 to 2 million. The number of chronic wounds in Portugal isn’t well known but at least 14,000 people suffer from leg ulcerations at any given time. Chronic wounds tend to affect people of older age or that suffer from chronic diseases such as diabetes. The increase of the average age of the populations in developed countries, coupled with the increase of diabetes cases will only exacerbate the problem of chronic wound prevalence. Despite all the wide array of innovative and potential treatments, current dressings do not provide any feedback information regarding the wound healing process. Developments in biosensors for wounds are being made, however, the processing of the gathered information is still lacking. Using the computational power of today’s processors, a wound healing application was developed that was able to predict wound healing states, infected vs. non-infected, using only inexpensive sensors, thermal images, simple signal processing techniques, and features. Data was collected from 3D skin models and processed using Wavelet transform a powerful tool used in signal analysis allowing the decomposition of humidity and temperature signals in its frequency, even at the low sampling frequency. Features were collected from both humidity, temperature signal, and thermal images, and were selected through a process of feature selection and then feed to machine learning algorithms. It reached a maximum accuracy of 85.7% using a combination of temperature and humidity features feed to a logistic regression algorithm, as well as a Convolutional Neural Network, demonstrating the viability of this method.
As feridas crónicas afetam milhões de pessoas em todo o mundo. Alguns estudos estimam que as feridas cronicas afetam 6,5 milhões de pessoas nos Estados Unidos e 1,5 a 2 milhões de pessoas na Europa. Apesar de existirem poucos estudos sobre a prevalência de feridas crónicas em Portugal, é estimado que 14 mil doentes sofram de ulcerações crónicas na pele. As feridas crónicas tendem a afetar pessoas mais idosas ou que sofram de doenças crónicas, como por exemplo diabetes. Com o aumento da idade média das populações em países desenvolvidos, aliado ao aumento de casos de diabetes, o problema das feridas crónicas tenderá a agudizar-se. Apesar da ampla gama de tratamentos inovadores, os curativos atuais não fornecem qualquer feedback sobre o estado de cicatrização de feridas. O desenvolvimento de biossensores capazes de recolher informação de uma ferida apresenta-se como um grande passo para o fornecimento de feedback do estado das feridas crónicas. Utilizando a capacidade de processamento dos computadores atuais, foi desenvolvida uma aplicação capaz de prever estados de cicatrização de feridas, infetado versus não infetado, usando apenas sensores de baixo custo, imagens térmicas e técnicas de processamento de sinal. Os dados foram recolhidos a partir de modelos 3D de pele e processados através da transformada de Wavelet, uma poderosa ferramenta utilizada na análise de sinais, permitindo a decomposição de sinais de humidade e temperatura em várias bandas frequenciais, mesmo com baixa frequência de amostragem. Características recolhidas a partir de sinais de humidade, temperatura e imagens térmicas foram selecionadas a partir de um processo de seleção de características, sendo depois fornecidas às entradas de um algoritmo de Machine Learning. Alcançou-se uma precisão de 85,7% usando uma combinação de características de sinais de humidade e temperatura com um algoritmo de regressão logística e também com uma Rede Neuronal Convolucional, demonstrando a viabilidade deste método.

Description

Keywords

Wound healing Chronic wounds Machine learning Wavelet transform Cicatrização de feridas Feridas crónicas Transformada de wavelet

Citation

Research Projects

Organizational Units

Journal Issue