Keywords
categorization
hemodialysis
spectral feature
audio signal
How to Cite
Abstract
patients on hemodialysis need to constantly monitor the condition of their fistula, either independently or by visiting a doctor. This can be challenging, as each person may perceive the condition of their arteriovenous fistula differently. In this paper, we present a machine learning model to categorize fistula conditions. We considered various feature filtering methods to enhance the accuracy of the categorization. Additionally, we proposed a new method using spectral features, which allows for a more precise determination of the condition of patients undergoing hemodialysis.
References
Kovesdy C. P. Epidemiology of Chronic Kidney Disease: an Update 2022. Kidney International Supplements. 2022;12(1):7–11. DOI: 10.1016/j.kisu.2021.11.003.
Коннер К. Сосудистый доступ для гемодиализа. Нефрология. 2009;13(4):9–17. Режим доступа: https://cyberleninka.ru/article/n/sosudistyy-dostup-dlya-gemodializa.
Николаев Е. Н., Мазайшвили К. В., Лобанов Д. С., Демина А. В., Блохина А. В. Современное состояние проблемы тромбоза сосудистого доступа у больных на гемодиализе. Вестник СурГУ. Медицина. 2019;3:8–14. Режим доступа: https://cyberleninka.ru/article/n/sovremennoe-sostoyanie-problemytromboza-sosudistogo-dostupa-u-bolnyh-na-gemodialize.
Ota K., Nishiura Y., Ishihara S., Adachi H., Yamamoto T., Hamano T. Evaluation of Hemodialysis Arteriovenous Bruit by Deep Learning. Sensors. 2020;20:4852. DOI: 10.3390/s20174852.
Gromov V. A., Zvorykina E. I., Beschastnov Y. N., Sohrab M. Date-Driven Approach for Identifying State of Hemodialysis Fistulas: Entropy-Complexity and Formal Concept Analysis. Режим доступа: https://arxiv.org/abs/2309.14399.
Munguía M., Vásquez P., Mattsson E., Mandersson B. Acoustical Detection of Venous Stenosis in Hemodialysis Patients Using Principal Component Analysis. Annual International Conference of the IEEE Engineering in Medicine and Biology; 2010. Р. 3654–3657. DOI: 10.1109/IEMBS.2010.5627439.
Grochowina M., Leniowska L. Comparison of SVM and k-NN Classifiers in the Estimation of the State of the Arteriovenous Fistula Problem. Federated Conference on Computer Science and Information Systems. 2015;5:249–254. DOI: 10.15439/2015F194.
Зайляпова О. С., Заикин П. В., Федоров Д. А. Модели исследования звуковых данных артериовенозной фистулы. Наука, образование, инновации: актуальные вопросы и современные аспекты: сб. ст. XV Международ. научно-практич. конф. в 2 ч. Ч. 1. Пенза: Наука и Просвещение (ИП Гуляев Г.Ю.); 2022. С. 55–57. Режим доступа: https://elibrary.ru/download/elibrary_50055026_53743111.pdf.
Федоров Д. А., Назина Н. Б., Кучин И. А. Преобразование и анализ сигнала АВ-фистулы в информационной системе мониторинга сосудистого доступа у больных на гемодиализе. Современная наука и молодые ученые: Сб ст. XIII Международ. научно-практич. конф. Пенза: МЦНС «Наука и просвещение»; 2023. С. 48–57. Режим доступа: https://naukaip.ru/wp-content/uploads/2023/06/MK1741.pdf.
Турлай А. А., Заикин П. В., Назина Н. Б. Применение методов машинного обучения и анализа данных при оценке состояния фистулы. Вестник кибернетики. 2019;4:61–65. Режим доступа: https://elibrary.ru/item.asp?id=42316208.