Doktorska disertacija BLIŽJE-INFRARDEČA SPEKTROSKOPIJA NA STANDARDNI RAČUNALNIŠKI MOBILNI NAPRAVI ZA ZAZNAVO IN VIZUALIZACIJO PODKOŽNIH VEN Maribor, september 2015 Simon Jurič
Doktorska disertacija
BLIŽJE-INFRARDEČA SPEKTROSKOPIJA NA STANDARDNI RAČUNALNIŠKI MOBILNI NAPRAVI ZA
ZAZNAVO IN VIZUALIZACIJO PODKOŽNIH VEN
Maribor, september 2015 Simon Jurič
Doktorska disertacija
BLIŽJE-INFRARDEČA SPEKTROSKOPIJA NA STANDARDNI RAČUNALNIŠKI MOBILNI NAPRAVI ZA
ZAZNAVO IN VIZUALIZACIJO PODKOŽNIH VEN
Avtor: Simon Jurič, univ. dipl. inž. rač. in inf.
Študijski program: doktorski študijski program Računalništvo in
informatika
Mentor: red. prof. dr. Borut Žalik, univ. dipl. inž. el.
Oblikovanje: Simon Jurič
Lektor: Nina Štampohar, univ. dipl. prof. slov. j. in univ. dipl. novinarka
Število izvodov: 7
Maribor, 2015
Zahvala
Mentorju prof. dr. Borut Ţaliku za nasvete med
podiplomskim študijem in raziskovalnim delom.
Javni agenciji Spirit, podjetju Farmadent, d. o. o. in mag.
Bojanu Slemniku, ki sta omogočila izvedbo celotnega
programa P-MR-10/42*.
Podjetju Inova IT, d. o. o, predvsem Petru Rincu in dr.
Vladimirju Hozjanu, za njihovo pomoč pri študijah
izvedljivosti, ki so vodile do končnega prototipa.
Univerzitetnemu kliničnemu centru Maribor, predvsem izr.
prof. dr. Vojku Flisu, dr. med, Urbanu Čuješu, dr. med., in
Sarah Dobnik, dr. med., za njihovo podporo pri vseh fazah te
raziskave in veliko pomoč pri ovrednotenju prototipa.
Multidisciplinarnemu raziskovalnemu institutu Maribor za
njihovo podporo pri študijah ovrednotenja.
Doc. dr. Vladimirju Grubelniku za pomoč pri obravnavi
fizikalnega ozadja te raziskave.
Svoji druţini, ki ji posvečam to delo.
* »Operacijo delno financira Evropska unija, in sicer iz Evropskega socialnega sklada.
Operacija se izvaja v okviru Operativnega programa razvoja človeških virov za obdobje
2007–2013, 1. razvojne prioritete: Spodbujanje podjetništva in prilagodljivosti,
prednostne usmeritve 1.1.: Strokovnjaki in raziskovalci za konkurenčnost podjetij.«
I
Kazalo
Povzetek V Abstract VI Seznam tabel VII
Seznam slik IX Seznam kratic in oznak XI
1 Uvod 1 1.1 Opredelitev problema ............................................................................... 1
1.2 Cilji doktorske disertacije ......................................................................... 3
1.2.1 Teze doktorske disertacije ................................................................. 3 1.2.2 Izvirni znanstveni prispevki .............................................................. 4
1.3 Uporabljene metode znanstvenega raziskovanja ...................................... 5 1.4 Predpostavke in omejitve ......................................................................... 6 1.5 Struktura disertacije .................................................................................. 7
2 Predstavitev raziskovalnega področja 9 2.1 Uporaba mobilnih tehnologij na področju medicine in javnega zdravja . 9
2.1.1 Primeri nadgradnje standardnih mobilnih naprav v medicinsko
napravo ............................................................................................ 10 2.2 Problematika venskega dostopa in učinkovitost venepunkcije .............. 14
2.3 Osnove bliţnje-infrardeče spektroskopije .............................................. 16
2.3.1 Optične lastnosti tkiv in širjenje svetlobe ....................................... 18 2.4 Bliţnje-infrardeča spektroskopija in prepoznava podkoţnih ven .......... 21
3 Pregled trţnih rešitev in sorodnih nizkocenovnih raziskav 23 3.1 Obstoječe naprave za prepoznavo podkoţnih ven ................................. 23
3.1.1 VascuLuminator .............................................................................. 23 3.1.2 VeinViewer ..................................................................................... 25
3.1.3 AccuVein ........................................................................................ 26 3.1.4 Veinsite ........................................................................................... 27 3.1.5 Druge naprave ................................................................................. 28
3.2 Klinična učinkovitost namenskih naprav ............................................... 28 3.3 Sorodne raziskave na področju nizkocenovne bliţnje-infrardeče
spektroskopije ......................................................................................... 33
4 Zasnova modela in analiza izvedljivosti 37 4.1 Detektor .................................................................................................. 39
4.1.1 Izvedba v okviru mobilne naprave .................................................. 42 4.2 Vir infrardeče svetlobe ........................................................................... 46
4.2.1 Obsevanost in sevalne lastnosti diod LED ...................................... 48
4.2.2 Zasnova vira osvetlitve ................................................................... 53
II
5 Predlagani postopek obdelave in dodatne vizualizacije 61 5.1 Biometrična prepoznava ......................................................................... 61
5.1.1 Zajem slike in predobdelava ........................................................... 62 5.1.2 Segmentacija in analiza................................................................... 64 5.1.3 Poobdelava ...................................................................................... 66 5.1.4 Prepoznava in primerjava vzorca .................................................... 67
5.1.5 Primerjava postopka biometrične prepoznave z zahtevami
na področju vizualizacije ven za potrebe venepunkcije .................. 69 5.2 Predlagana postopka ............................................................................... 71
5.2.1 Zajem in priprava slike ................................................................... 72 5.2.2 Postopek LAP ................................................................................. 77
5.2.3 Postopek DOG ................................................................................ 79
6 Predstavitev in ovrednotenje prototipa 85 6.1 Prototip »mVeinVision« ........................................................................ 85
6.1.1 Razvoj in implementacija ............................................................... 85 6.1.2 Arhitektura ...................................................................................... 86
6.1.3 Uporabniški vmesnik ...................................................................... 92 6.2 Ovrednotenje prototipa ........................................................................... 95
6.2.1 Ocena varnosti uporabe................................................................... 97
6.2.2 Analiza natančnosti in globine zaznave .......................................... 98 6.2.3 Primerjava učinkovitosti delovanja prototipa in naprave
AccuVein ..................................................................................... 102 6.2.4 Analiza učinkovitosti in ocena uporabnosti na področju
izobraţevanja ................................................................................ 106 6.2.5 Preliminarna analiza klinične učinkovitosti in uporabnosti .......... 110
6.2.6 Analiza postopkov vizualizacije in aplikacijskega ogrodja .......... 111 6.2.7 Stroškovna analiza izvedbe ........................................................... 114
7 Zaključek 117 7.1 Izvirni prispevki in opredelitev do hipotez .......................................... 117
7.2 Omejitve in prihodnje delo ................................................................... 118 7.3 Sklep ..................................................................................................... 120
8 Literatura 121
9 Dodatek 131 9.1 Metodologija pregledne študije klinične učinkovitosti ........................ 131
9.2 Uporabljena orodja, materiali in tehnologije v času razvoja prototipa 132 9.2.1 Razvojna okolja in povezane tehnologije ..................................... 132 9.2.2 Uporabljene mobilne naprave ....................................................... 132 9.2.3 Uporabljene kamere USB ............................................................. 133 9.2.4 Gradnik NIA ................................................................................. 133
9.3 Osvetlitveni profili ............................................................................... 134
III
9.4 Rezultati vprašalnika ovrednotenja sprejemljivosti prototipa . na področju
izobraţevanja ........................................................................................ 136 9.5 Odobritev analize klinične učinkovitosti in uporabnosti ...................... 137 9.6 Vprašalnik SUS .................................................................................... 138
10 Ţivljenjepis 139
Bibliografija kandidata 141 Izjava doktorskega kandidata 143 Izjava kandidatovega mentorja o ustreznosti doktorske disertacije 145
Kopija izjave o istovetnosti tiskane in elektronske verzije 147
IV
V
Povzetek
Naslov: Bliţje-infrardeča spektroskopija na standardni računalniški mobilni
napravi za zaznavo in vizualizacijo podkoţnih ven
Venepunkcija je eden izmed najbolj pogostih invazivnih posegov, ki ga opravlja
medicinsko osebjo, v okviru katerega se lahko pojavi klinično stanje oteţenega
perifernega venskega dostopa. Ta za uspešnost odvzema venske krvi ali vstavitve venske
kanile zahteva večkratne prepoznave primernih podkoţnih ven in punkcije na perifernih
delih telesa. Predlagane so bile številne izboljšave, ki bi zmanjšale število potrebnih
punkcij (poskusov), med drugim vizualizacija oziroma prepoznava ven z uporabo bliţnje-
infrardeče spektroskopije kot najbolj perspektivna metoda, ki je ţe na voljo v obliki
namenskih medicinskih naprav. Pomankljivosti zadnjih sta predvsem v njihovi ceni in
omejeni mobilnosti. Porast uporabe in aplikativnost vse bolj napredne, zmogljive in
cenovno dostopne mobilne tehnologije, mobilnih omreţij ter brezţičnih senzorjev sta v
zadnjih letih vodila v številne inovacije na področju medicine in javnega zdravja ter
posredno v razvoj novega področja, imenovanega m-zdravje. Doktorska disertacija
obravnava problematiko učinkovitosti iskanja najboljših perifernih mest za odvzem
venske krvi in predlaga izboljšavo v zasnovi nizkocenovnega modela za zaznavo in
vizualizacijo podkoţnih ven, ki temelji na bliţnje-infrardeči spektroskopiji in ga je moţno
realizirati na standardni mobilni napravi. Disertacija povzema vse raziskovalne dejavnosti
od zasnove modela, njegove realizacije v obliki prototipa, funkcionalne analize do
ovrednotenja učinkovitosti na dveh praktičnih področjih uporabe. Predlagano aplikacijsko
ogrodje in optimiziran model vizualizacije, ki temelji na iskanju in prepoznavi robov s
pomočjo slikovnih filtrov razlike Gaussovih funkcij in Laplaceovi transformaciji
Gaussovega filtra, omogočata brezstično vizualizacijo podkoţnih ven na mobilnih
napravah z operacijskim sistemom Android (različica vsaj 4.0). Rezultati ovrednotenja
učinkovitosti in presoje sprejemljivosti prototipa (mVeinVision) kaţejo potencialnost
uporabe v izobraţevanju in klinični praksi. Doktorska disertacija predstavlja znanstveno
izhodišče za nadaljnje raziskave na področju nadgradnje trenutnega modela in njegove
uporabe v praksi.
Ključne besede: mobilne aplikacije, bliţnje-infrardeča spektroskopija, diagnostične
naprave, izobraţevanje, vrednotenje izvedljivosti, vrednotenje kakovosti, m-zdravje,
venepunkcija, digitalna obdelava signalov
UDK: 681.785.57:004.383.3(043.3)
VI
Abstract
Title: Near-infrared spectroscopy using a standard mobile device and its application
in visualization of peripheral veins
Venipuncture is the process of obtaining intravenous access and is an everyday invasive
medical procedure. Excessive venipunctures are a significant problem both in emergency
rooms and during hospital stays. Near-infrared illumination devices improve venipuncture
success rate but their availability is limited by economic cost and their mobility. Mobile
devices, such as smartphones and tablets, are becoming increasingly affordable and are
showing promise as diagnostic and monitoring devices for a range of medical conditions.
M-health is an emerging field of practical solutions for improving healthcare using low-
cost mobile devices and associated software solutions. However, their usage as a
visualization aid for vascular access procedures has remained largely unexplored. This
dissertation proposes a low-cost model for subcutaneous vein detection using near-
infrared spectroscopy, which can be implemented on a standard mobile device. It
summarizes all the research activities from the initial conceptual model definition to its
prototype implementation and evaluation, including its efficacy and acceptance assesment
as an educational tool for nursing-medical students, and as a diagnostic tool in clinical
settings, to improve the success rate of vein location. The proposed application
framework and the accompanying optimized vizualization model, which is based on edge
detection techniques using the Laplace and the difference of Gaussians operators, enable
real-time visualization of peripheral veins on a variety of Android-based devices
(versions 4.0 and higher). The preliminary evaluations of the prototype (mVeinVision)
suggest that the prototype has promising potential utility as a learning aid in the medical
curriculum and as a tool for venipuncture in hospitals, particularly with patients who are
known to be difficult cases. This dissertation serves as a scientific reference for future
investigations of the model and its application on a larger numbers of participants.
Key words: mobile applications, near-infrared spectroscopy, diagnostic device, health
education, feasibility studies, m-health, venipuncture, digital signal processing
UDK: 681.785.57:004.383.3(043.3)
VII
Seznam tabel
Tabela 3–1: Povzetek klinične učinkovitosti namenskih naprav .......................... 31
Tabela 6–1: Število zaznanih ven na PI ................................................................ 99
Tabela 6–2: Izmerjene in analizirane vrednosti zaznanih ven .............................. 99
Tabela 6–3: Primerjava učinkovitosti zaznave ................................................... 103
Tabela 6–4: Uspešnost izbire primernih mest venepunkcije na pacientih .......... 109
Tabela 6–5: Skupne povprečne frekvence slik za izbrani način vizualizacije .... 113
Tabela 6–6: Povprečne frekvence slik v nadzorovanih okoliščinah zaznave ..... 113
Tabela 6–7: Kazalniki uporabniških aktivnosti med postopki ovrednotenj ........ 114
Tabela 6–8: Stroškovna analiza potrebnih gradnikov. ........................................ 115
Tabela 6–9: Povprečne cene nakupa namenskih naprav ..................................... 116
VIII
IX
Seznam slik
Slika 2–1: Porazdelitev mobilnih aplikacij na področju m-zdravja.. .................... 10
Slika 2–2: Uporabniški vmesniki predstavljenih mobilnih aplikacij .................... 13 Slika 2–3: Primeri nadgradenj mobilnih naprav v diagnostična orodja. ............... 14
Slika 2–4: Razdelitev elektromagnetnega spektra na posamezna področja .......... 17 Slika 2–5: Absorpcijska spektra oksigeniraneg in deoksigeniranega
hemoglobina ........................................................................................ 18 Slika 2–6: Slabljenje svetlobe pri prehodu skozi biološko tkivo .......................... 19 Slika 2–7: Osnovni načini vibracij vezi med atomi .............................................. 21
Slika 2–8: Osnovni model NIR-spektroskopa ...................................................... 22
Slika 3–1: VascuLuminator in primer uporabe ..................................................... 24 Slika 3–2: Izvedba osnovnega modela v primeru naprave VascuLuminator ....... 25
Slika 3–3: VeinViewer in primer uporabe ............................................................ 25 Slika 3–4: Izvedba osnovnega modela v primeru naprave VeinViewer ............... 26 Slika 3–5: AccuVein in primer uporabe ............................................................... 27 Slika 3–6: Veinsite in primer uporabe .................................................................. 28
Slika 3–7: Izvedba osnovnega modela v primeru naprave Veinsite. .................... 28 Slika 3–8: Splošna izvedba osnovnega modela v primeru nizkocenovnih
NIR-sistemov ...................................................................................... 35 Slika 4–1: Konceptualni model predlaganega pristopa ........................................ 37 Slika 4–2: Zaţeljen način prikaza obdelane slike perifernega dela telesa ............ 38
Slika 4–3: Zgradba standardnega slikovnega senzorja ......................................... 40 Slika 4–4: Povprečna občutljivost senzorjev CMOS in CCD .............................. 41
Slika 4–5: Optične lastnosti razvitega in osvetljenega klasičnega filma .............. 42 Slika 4–6: Uporaba predelanih kamer in primerjava zajetih slik v IR-prostoru ... 43
Slika 4–7: Primerjava časa delovanja mobilnih naprav s priključenim detektorjem
in brez .................................................................................................. 46
Slika 4–8: Porazdelitev intenzivnosti oddajne svetlobe izbrane diode
NIR LED ............................................................................................. 47
Slika 4–9: Ponazoritev padanja obsevanosti ......................................................... 48 Slika 4–10: Obsevanost ploskve, ki ni pravokotna na smer sevanja .................... 49 Slika 4–11: Ponazoritev obsevanosti točke na podlagi enačb 4.4–4.9 ................. 51
Slika 4–12: Primer obsevanosti dveh diod ............................................................ 52 Slika 4–13: Primer obsevanosti s upoštevanjem enačbe 4.12 ............................... 52
Slika 4–14: Osvetljeno površje in vidni kot kamere ............................................. 53
Slika 4–15: Zaslonska slika orodja TracePro ........................................................ 54
Slika 4–16: Zasnovan model osvetlitve končne različice prototipa ...................... 55 Slika 4–17: Primer zajete slike v okviru našega sistema ...................................... 56 Slika 4–18: Vezalna shema modela, predstavljenega na sliki 4-16 ...................... 57 Slika 4–19: Primerjava časov delovanja ............................................................... 57 Slika 4–20: Končni predlagani model prototipa – strojni dodatek ....................... 58
Slika 4–21: Končni predlagani model prototipa – programska arhitektura .......... 59 Slika 5–1: Postopek obdelave zajete slike na področju biometrije ....................... 62 Slika 5–2: Prikaz prereza in strukture doline, na katerih temelji algoritem sledenja
linijam .................................................................................................. 66
X
Slika 5–3: Segmentirana slika venskega vzorca in vizualiziran skelet ................. 68
Slika 5–4: Visokonivojski koraki postopka vizualizacije ven .............................. 70 Slika 5–5: Model predlagane vizualizacije ........................................................... 72 Slika 5–6: Predstavitev pikslov v formatu YUV2 ................................................. 73 Slika 5–7: Zajeta slika roke z uporabo standardne kamere in prototipa
NIR-spektroskopa................................................................................ 75
Slika 5–8: Izboljšava kontrasta zajetega venskega vzorca na Sliki 5–7 ............... 76 Slika 5–9: Histogram sivin Slik 5–7 in 5–8 .......................................................... 76 Slika 5–10: Primer vizualizacije ORG .................................................................. 77 Slika 5–11: Primer vizualizacije LAP1 ali LAP2 ................................................. 79 Slika 5–12: Primer vizualizacije DOG1 ............................................................... 81
Slika 5–13: Primer vizualizacije DOG2 ............................................................... 82 Slika 5–14: Primeri obdelave zajetih slik ............................................................. 83
Slika 5–15: Primeri vizualizacije ORG na različnih delih telesa .......................... 83 Slika 6–1: Postopek razvoja končne različice prototipa ....................................... 86 Slika 6–2: Strojna arhitektura dodatka .................................................................. 87 Slika 6–3: Izvedba strojnega dodatka v primeru tabličnega računalnika ............. 88
Slika 6–4: Aplikacijsko ogrodje prototipa ............................................................ 88 Slika 6–5: Diagram poteka zajema in obdelave zajete slike ................................. 90 Slika 6–6: Koraki obdelave zajete slike v gradniku NIP ...................................... 91
Slika 6–7: Uporabniški vmesnik prototipa ........................................................... 93 Slika 6–8: Prikaz uporabniškega vmesnika med postopkom uporabe .................. 95
Slika 6–9: Zajeto področje zanimanja in prikaz obeh primerov definicije ven .... 96 Slika 6–10: Temperaturni učinek gradnika NIA ................................................... 98
Slika 6–11: Ocena zgornje meje zaznave prototipa ............................................ 100 Slika 6–12: Primer analize in preverbe zaznanih ven z ultrazvočno napravo .... 101
Slika 6–13: Prikaz primerjave zaznave prototipa in naprave AccuVein ............ 105 Slika 6–14: Stategija izbire udeleţencev raziskave ............................................ 108 Slika 6–15: Anketni vprašalnik ovrednotenja sprejemljivosti in uporabnosti
prototipa ......................................................................................... 109
Slika 7–1: Predvidena izvedba strojnega dodatka v naslednji različici .............. 119
XI
Seznam kratic in oznak
Kratice
CCD senzor svetlobe, ki zazna električni naboj, ki ga svetloba generira v
polprevodniku (angl. Charge Coupled Device)
CMOS senzor svetlobe, ki temelji na komplementarnem metal-oksidnem
polprevodniku (angl. Complementary Metal Oxid Semiconductor)
DOG slikovni filter razlike Gaussovih funkcij (angl. Difference of Gaussians)
EXCAM upravitelj detektorja kamere (angl. External Camera Manager)
FASR uspešnost v prvem poskusu (angl. First Attempt Success Rate)
FR frekvenca prikazanih slik (angl. frame rate)
GTM programska knjiţnica Google Tag Manager
IR infrardeče območje (angl. infrared region)
IR-CUT filter, ki preprečuje dostop IR-svetlobe (angl. Infrared cut-off filter)
IR-PASS filter, ki omogoči dostop IR-svetlobe (angl. Infrared passthrough filter)
JNI izvirni vmesnik Java (angl. Java Native Interface)
JVM navidezno izvajalno okolje Java (angl. Java Virtual Machine)
LOG Laplaceova transformacija Gaussovega filtra (angl. Laplacian of Gaussian)
MFD algoritem izboljšane Hausdorffove razdalje (angl. Modified Hausdorff
Distance)
NIA gradnik vira osvetlitve (angl. NIR illumination accessory)
NIP upravitelj vizualizacije NIR (angl. NIR Image Processing Manager, NIP)
NIR bliţnje-infrardeče območje (angl. near-infrared, NIR)
OTG funkcija gostiteljskega načina USB (angl. On-The-Go USB)
PDVA klinično stanje oteţenega perifernega venskega dostopa (angl. Peripheral
Difficult Venous Access)
ROI področje zanimanja (angl. region of interest)
SUS meritev uporabnosti in uporabniške prijaznosti (angl. System Usability
Scale)
TAM metrika ocene sprejemljivosti tehnologije in informacijskih sistemov (angl.
Technology Acceptance Model)
Oznake in simboli
)(dj gostota svetlobnega toka (Wm-2
)
XII
diferencialna dolţina poti potovanja fotonov (m)
A slabljenje svetlobnega toka, izraţeno z desetiškim algoritmom (enota
transmisijska optična gostota OD)
molarni absorpcijski koeficient (μM-1
cm-1
)
c mnoţinska koncentracija absorberja (μM)
operator Laplace
operator konvolucije
morfološka operacija krčenja
morfološka operacija raztezanja
morfološka operacija odpiranja
morfološka operacija zapiranja
izbran način vizualizacije
( ) mnoţica operacij, ki jih izvedemo na sliki glede na izbrani način
vizualizacije
Uvod
1
1 Uvod
Doktorska disertacija obravnava problematiko učinkovitosti zaznave primernih mest za
odvzem venske krvi in predlaga izboljšavo z zasnovo nizkocenovnega modela za
vizualizacijo podkoţnih ven, ki temelji na bliţnje-infrardeči spektroskopiji, tako da ga je
moţno udejanjiti na standardni mobilni napravi. V uvodnem poglavju predstavimo
motivacijo za izbor teme raziskovanja, umestitev naše raziskave v obravnavana
raziskovalna področja ter namen,vsebino in glavne cilje disertacije. Poglavje zaključimo s
kratkim pregledom poglavij, ki jih disertacija obsega.
1.1 Opredelitev problema Porast uporabe vse bolj napredne, zmogljive in cenovno dostopne mobilne računalniške
tehnologije ter raznovrstnih senzorjev je v zadnjih letih omogočilo številne inovacije na
področjih medicine in javnega zdravja. Te so vodile v razvoj novega področja,
imenovanega m-zdravje (angl. m-health), ki ga označujemo kot naslednjo stopnjo razvoja
telemedicine in e-zdravja [1-4]. Primarna cilja m-zdravja sta laţja dostopnost obstoječih
storitev zdravstvenega sistema ter povečanje njegove učinkovitosti prek raziskav in
inovacij, ki omogočajo razvoj novih nizkocenovnih računalniških rešitev (npr. na
področju preprečevanja bolezni, spremljanja bolezni in epidemij ter izboljšanje
medicinske diagnostike). S tem pa posredno pridemo do niţjih stroškov zdravstvene
oskrbe [5,6].
Rezultati začetne stopnje razvoja m-zdravja so številne aplikacije za mobilne telefone in
tablične računalnike, namenjene:
uporabnikom (npr. splošen dostop do spletnih informacij s področja zdravstva,
namenske aplikacije za kronične bolezni, stiki pacientov z zdravniki, dostop do
izobraţevalnih vsebin, štetje kalorij) ali
zdravstvenemu osebju (npr. dostop do kartotek in drugih podatkov, pomoč
reševalnim ekipam na terenu, sledenje boleznim in epidemijam, podajanje obvestil
in navodil) [4,8-10].
Aktualne raziskave na področju m-zdravja temeljijo na večji izrabi napredka mobilnih
tehnologij (npr. zmogljiva večmedijska podpora in vgrajeni senzorji v obliki
pospeškometrov, elektronskih kompasov, merilnikov naklona in orientacije) in
povezljivosti z drugimi tehnologijami [11,12]. Te interdisciplinarne raziskave, podprte od
številnih organizacij in podjetij [13,14], v središče postavijo cenovno dostopno mobilno
napravo (npr. mobilni telefon ali tablični računalnik) in raziskujejo načine, kako napravo
nadgraditi in uporabiti kot poceni in uporaben medicinski pripomoček z razvojem
specifičnih programskih rešitev ali v kombinaciji z novimi strojnimi dodatki. V naslednji
fazi preverijo učinkovitost takšnih rešitev s kliničnimi študijami. Doktorska disertacija
predstavlja primer takšnih interdisciplinarnih raziskav, in sicer na področju vizualizacije
Uvod
2
podkoţnih ven z namenom izboljšanja učinkovitosti medicinskega postopka
venepunkcije.
Odvzem venske krvi, vnos intervenskih tekočin ali vstavitev venske kanile (kar strokovno
označujemo z izrazom venepunkcija) so eni izmed najbolj pogostih invazivnih posegov,
ki jih opravlja medicinsko osebje. V okviru postopka se lahko pojavi klinično stanje
oteţenega perifernega venskega dostopa (angl. Peripheral Difficult Venous Access,
PDVA) [15-18], ki za uspešno venepunkcijo zahteva večkratne prepoznave in punkcije na
perifernih delih telesa – večkratne poskuse. To lahko povzroči številne negativne
posledice (npr. poslabšanje zdravstvenega stanja pacienta ali povečanje posrednih
stroškov zdravstvene ustanove) [19].
Predlagane so bile številne izboljšave, ki posredno vodijo do hitrejše in natančnejše
prepoznave primernega mesta venepunkcije, med drugim:
ročni postopki [20],
uporaba ultrazvočnih naprav [21],
uporaba dodatnih virov svetlobe (rdeča ali bela svetloba) [22] in
aktualni postopki vizualizacije ven z uporabo infrardeče (angl. infrared, IR)
spektroskopije, ki temelji na dejstvu, da tkiva na različne načine absorbirajo IR-
svetlobo različnih valovnih dolţin [23].
V primeru podkoţnih ven je dokazano, da te zaradi višje vsebnosti deoksigeniranega
hemoglobina skoraj v celoti absorbirajo infrardečo (IR) svetlobo valovne dolţine od 740
nm do 760 nm. Medtem pa arterije zaradi višje vsebnosti oksigeniranega hemoglobina
omenjeno svetlobo skoraj v celoti prepuščajo [23 - 25]. Omenjeni interval valovnih dolţin
spada v t. i. bliţnje-infrardeče območje (angl. near-infrared, NIR), ki v celoti zajema
valovne dolţine od 700 nm do 1400 nm. Iz opisanih lastnosti tkiv izhaja dejstvo, da so
vene v določeni globini vidne v NIR-prostoru (odvisno od moči NIR-osvetlitve in načina
postavitve ter občutljivosti kamere). To je vodilo do prvih trţnih oziroma namenskih
naprav (prva pojavitev v letu 2010), ki so v kliničnih študijah in v praksi ţe pokazale
svojo učinkovitost [26-29]. Osnovna arhitektura teh naprav je sestavljena iz:
svetlobnega vira NIR-svetlobe,
kamere, ki zajema sliko v NIR-spektru s pomočjo dodatnih filtrov (preprečijo
dostop vidne svetlobe), in
algoritmov za obdelavo zajete slike in naknadne dodatne vizualizacije.
Čeprav se dejanske izvedbe (na podlagi osnovne arhitekture in namena uporabe)
razlikujejo, lahko povzamemo njihove pomankljivosti:
velikost in omejena mobilnost določenih izvedb,
potreba po dodatnem usposabljanju in
visoka cena, zaradi katere so večinoma nedosegljive širši ciljni mnoţici.
Uvod
3
Primarno raziskovalno vprašanje, na katerega smo ţeleli v okviru disertacije odgovoriti,
se glasi:
»Ali je moţno dozdajšnje znanje in stanje tehnike na področju razvoja nizkocenovne IR-
spektroskopije ter zaznave podkoţnih ven uspešno prenesti v okvir tehnologije mobilnih
telefonov in računalniških tablic ter jih zdruţiti v napredno nizkocenovno mobilno
rešitev?«
Dozdajšnje raziskave in posredni rezultati na področju nizkocenovne IR-spektroskopije
so dokazali splošno izvedljivost alternativnih rešitev z uporabo nizkocenovnih gradnikov
[30-37], vendar predstavljajo tudi vrsto omejitev (npr. arhitektura in prototipne izvedbe,
ki temeljijo na osebnem računalniku kot centralnemu gradniku), ki omejujejo njihovo
uporabnost izven raziskovalnega okolja. V naši raziskavi smo stremeli k optimalni
zdruţitvi vseh potrebnih gradnikov in postopkov delovanja NIR-spektroskopa z uporabo
današnjih zmoţnosti mobilnih tehnologij ter tako preseči omejitve trenutnega stanja na
področju nizkocenovne NIR-spektroskopije. Raziskav v tem kontekstu skoraj ni zaslediti,
saj v preteklosti ustrezna tehnologija ni bila na voljo oziroma ni bila dovolj zmogljiva, kar
dodatno izkazuje aktualnost naše raziskave.
1.2 Cilji doktorske disertacije Na podlagi opredelitve raziskovalnega problema in obravnavanih področij sta glavna cilja
disertacije zasnova modela, ki omogoča brezstično prepoznavo podkoţnih ven s pomočjo
NIR-spektroskopije na standardni mobilni napravi, in analiza učinkovitosti prototipa,
razvitega na podlagi tega modela. V okviru raziskave smo ţeleli zasnovati model, ki bo
predstavljal optimizacijo obstoječih nizkocenovnih rešitev in novost na področju m-
zdravja ter bo izpolnjeval naslednje lastnosti:
enostaven za uporabo,
prenosljiv,
nizkocenoven,
omogoča prepoznavo in vizualizacijo v realnem času in bo
primerljivo učinkovit z dozdajšnjimi obstoječimi trţnimi napravami.
Temeljni cilj modela je čim večja kompaktnost, torej odprava vseh trenutnih
pomanjkljivosti nizkocenovnih rešitev z zasnovo vseh potrebnih gradnikov in postopkov
delovanja NIR-spektroskopa v okviru ene same naprave.
1.2.1 Teze doktorske disertacije
Dozdajšnje raziskave in posredni rezultati na področju nizkocenovne IR-spektroskopije
so dokazale splošno izvedljivost alternativnih rešitev z uporabo nizkocenovnih gradnikov
(navadna kamera USB, diode IR LED in improviziranih filtrov), vendar predstavljajo tudi
vrsto omejitev (npr. arhitektura in prototipne izvedbe, ki temeljijo na osebnem
računalniku kot centralnemu gradniku), ki omejujejo njihovo uporabnost izven
raziskovalnega okolja. Pomanjkljivosti v mobilnosti, kompaktnosti in enostavnosti bi
Uvod
4
lahko izboljšali s sodobnimi mobilnimi tehnologijami, zato v okviru disertacije postavimo
naslednjo temeljno hipotezo.
Hipoteza 1 (H1)
Na osnovi napredka, funkcionalnosti, strojne in programske razširljivosti mobilnih
naprav lahko razvijemo model za prepoznavo podkožnih ven na računalniški mobilni
napravi, temelječ na NIR-spektroskopiji.
V okviru preverjanja te hipoteze ţelimo razrešiti dve pomembni teţavi:
realizacija vseh potrebnih gradnikov NIR-spektroskopa v povezavi z mobilno
napravo in njenimi omejitvami (npr. zmogljivost naprave, moţnost zajema slike v
bliţnje-infrardečem prostoru in potrebo po dodatni NIR-osvetlitvi) in
zasnova in implementacija optimiziranega postopka, ki bo omogočal prepoznavo
in vizualizacijo podkoţnih ven na mobilni napravi v realnem času.
Iz opisanega izhajata naslednji hipotezi.
Hipoteza 2 (H2)
Na osnovi spoznanj o lastnostih nizkocenovnih NIR-spektroskopov in zmožnostih mobilne
tehnologije lahko izdelamo učinkovit in kompakten strojni dodatek mobilni napravi, ki
zajema dodatno kamero USB, diode LED in potrebne filtre.
Hipoteza 3 (H3)
Na osnovi obstoječih algoritmov prepoznave lahko razvijemo algoritem, ki bo omogočal
prepoznavo in vizualizacijo podkožnih ven na mobilni napravi v realnem času.
Obe hipotezi H2 in H3 predstavljata izziv, saj je znano, da večina realno-časovnih
algoritmov v preteklosti ni bila obravnavana ali analizirana na mobilnih napravah,
predvsem zaradi slabše zmogljivosti in omejene sistemske podpore. Teţava se je
razreševala v povezavi z drugimi napravami [30-36]. Prav tako imajo standardne mobilne
naprave dokaj omejene moţnosti povezljivosti z drugimi napravami (neupoštevajoč
načine brezţičnih povezav, ki v kontekstu lastnosti ciljnega modela niso sprejemljive).
1.2.2 Izvirni znanstveni prispevki
Najpomembnejši izvirni prispevek predstavlja zasnova in izvedba učinkovitega modela
NIR-spektroskopije na sodobnih mobilnih tehnologijah, ki ga v preteklosti v takšni obliki
in obsegu ni bilo moţno zasnovati in razviti, saj potrebna tehnologija ni bila na voljo ali
dovolj zmogljiva. Razrešitev te omejitve posledično pomeni, da je moţno zgraditi
povsem dinamičen in nizkocenoven sistem, ki bi lahko predstavljal učinkovito alternativo
večjim komercialnim sistemom, kar bi lahko dalo povsem nov pogled na uporabo
standardnih tehnologij mobilnih telefonov in pametnih tablic na širšem področju zdravja
in medicine.
Uvod
5
Dodatni prispevki k znanosti so v disertaciji še:
analiza raziskovalnih področij (m-zdravje, venepunkcija in nizkocenovna NIR-
spektroskopija),
analiza potrebnih gradnikov NIR-spektroskopa in moţnosti izvedbe v povezavi z
mobilno napravo,
pregled algoritmov prepoznave in vizualizacije, ki se uporabljajo pri prepoznavi
podkoţnih ven, in analiza moţnosti njihovih izvedb na mobilni napravi,
razviti optimizirani postopki za realno-časovno vizualizacijo podkoţnih ven na
mobilni napravi, ki temeljijo na iskanju in prepoznavi robov s pomočjo slikovnih
filtrov razlike Gaussovih funkcij in Laplace,
razvoj prosto dostopnega prototipa (programska oprema in tehnična
dokumentacija) [40] in
funkcionalna analiza razvitega modela s sorodnimi rešitvami in v praksi (študija
uporabnosti, enostavnosti in učinkovitosti v okviru postopka venepunkcije).
1.3 Uporabljene metode znanstvenega raziskovanja
Znano je, da je ob razvoju medicinskih naprav nujno upoštevati različne vidike v vseh
razvojnih korakih [41-44], predvsem s ciljem optimizacije končnega izdelka v:
klinični uporabnosti,
varnosti uporabe,
času razvoja in povezanih stroških ter
zadovoljstvu končnih uporabnikov.
Skladno s tem dejstvom je raziskovalne dejavnosti nadzorovala in ovrednotila
interdisciplinarna raziskovalna skupina.
Celotna raziskava je potekala v dveh fazah:
Faza 1: pregled področij in postavitev hipotez,
Faza 2: zasnova modela, njegova realizacije v obliki prototipa, funkcionalna
analiza in druga ovrednotenja končne različice prototipa.
Za obravnavano problematiko smo najprej opravili sistematičen in celovit pregled
znanstvene ter strokovne literature temeljnih področij, analizo problema, študijo
obstoječih rešitev (namenskih in nizkocenovnih sorodnih raziskav) ter izpostavili
pomanjkljivosti, ki onemogočajo uporabo teh rešitev v zahtevanih okoliščinah. Za
razrešitev pomanjkljivosti smo opravili podrobno študijo potrebne funkcionalnosti,
strojne in programske razširljivosti sodobnih mobilnih naprav in njihove uporabe na
področju m-zdravja.
Na osnovi znanja in ugotovitev smo zasnovali začetni konceptualni model, v okviru
katerega smo opravili:
Uvod
6
študijo na področju potrebnih gradnikov NIR-spektroskopa in eksperimentalne
moţnosti izvedbe v povezavi z mobilno napravo,
študijo in analizo algoritmov prepoznave in vizualizacije, ki se uporabljajo pri
prepoznavi podkoţnih ven, in moţnosti njihovih izvedb na mobilni napravi ter
zdruţitev in analizo ugotovitev predhodnih študij za definicijo optimalnega (na
podlagi ciljnih lastnosti) modela NIR-spektroskopa na mobilni napravi.
Na podlagi zasnovanega končnega modela smo razvili prototip, s katerim smo:
preverili delovanje modela,
primerjali in analizirali rezultate delovanja s pričakovanimi,
identificirali in analizirali pomanjkljivosti in
na podlagi ugotovitev ustrezno prilagodili arhitekturo prototipa (iterativno uvajali
izboljšave).
Prototip smo ovrednotili na podlagi:
funkcionalne analize,
primerjave s sorodnimi rešitvami in
analize v praksi (študija uporabnosti, enostavnosti in učinkovitosti v okviru
postopka venepunkcije).
Na podlagi analize pridobljenih rezultatov in spoznanj v času celotne raziskave smo se
opredelili do postavljenih hipotez. Izsledki raziskave so bili predstavljeni v dveh
znanstvenih objavah [38-39].
1.4 Predpostavke in omejitve V disertaciji se omejimo samo na uporabnost (aplikativnost) modela na področju
venepunkcije (razrešitev problematike učinkovitosti iskanja podkoţnih ven na perifernih
delih telesa) in predpostavljamo, da bi zasnovani model bil primeren tudi na drugih
področjih, na katerih se uporablja NIR-spektroskopija in obstaja potreba po prenosljivosti
sistema (z nadaljnjimi raziskavami na področju celotnega modela ali posameznih
gradnikov) v praksi ali v izobraţevalne namene.
Pri razvoju prototipa se omejimo na mobilne naprave z operacijskim sistemom Android
različice vsaj 4.0 in predpostavljamo, da je podoben razvoj modela moţen tudi na drugih
mobilnih napravah (z drugimi operacijskimi sistemi), ki so s stališča zmogljivosti in
zmoţnosti primerljive.
Ovrednotenje prototipa je omejena na:
funkcionalno analizo in primerjavo (natančnost in zanesljivost) z ţe zajetimi in
dostopnimi rezultati namenskih naprav,
eksperimentalno analizo z realnimi podatki iz prakse (natančnost, zanesljivost in
izvajanje v realnem času) in
Uvod
7
analizo uporabnosti in učinkovitosti.
1.5 Struktura disertacije
Doktorska disertacija je organizirana v sedem poglavij. V drugem poglavju predstavimo
vsa temeljna raziskovalna področja, ki se navezujejo na problematiko in cilje doktorske
disertacije. Poglavje dopolnimo z osnovami in teoretičnim ozadjem IR-spektroskopije. V
tretjem poglavju predstavimo namenske (trţne) rešitve, ki uporabljajo NIR-
spektroskopijo za vizualizacijo podkoţnih ven in predstavimo sorodna znanstveno-
raziskovalna dela na področju nizkocenovne NIR-spektroskopije. Drugo in tretje poglavje
predstavljata rezultate prve faze celotne raziskave. Na podlagi ugotovitev predstavimo
zasnovo modela in izvedljivost njegovih gradnikov v četrtem poglavju, ki ga dopolnimo s
predlaganim postopkom vizualizacije v petem poglavju. V šestem poglavju predstavimo
prototip in njegov razvoj ter metodologijo ovrednotenja končne različice. V zadnjem,
sedmem poglavju podamo zaključke svojega dela, se opredelimo do hipotez in nakaţemo
naslednje moţne korake.
Uvod
8
Predstavitev raziskovalnega področja
9
2 Predstavitev raziskovalnega področja
V poglavju predstavimo raziskovalna področja, ki se navezujejo na problematiko in cilje
doktorske disertacije. Skladno s strukturo disertacije in načrtovano metodologijo poglavje
povzema začetne raziskovalne aktivnosti z analizo raziskovalnih področij m-zdravja in
venepunkcije. Poglavje končamo z osnovami in teoretičnim ozadjem infrardeče
spektroskopije, ki so potrebni za nadaljnji pregled in analizo obstoječih rešitev
(namenskih in nizkocenovnih sorodnih raziskav).
2.1 Uporaba mobilnih tehnologij na področju medicine in javnega zdravja Mobilne računalniške tehnologije (npr. prenosni telefon in tablični računalnik) so v
zadnjih letih s svojo eksponentno rastjo korenito spremenile naš svet in njegovo
dojemanje. Tehnologija je od leta 2007 (s predstavitvijo pametnega telefona iPhone
podjetja Apple) doţivela izjemno hiter tehnološki napredek, ki se v obliki raznovrstnih
mobilnih rešitev, dosegljivih prek trgovin z namenskimi mobilnimi aplikacijami (npr.
Apple App Store in Google Play) prenaša skoraj na vsa področja naših vsakdanjih
dejavnosti. Ocenjeno je, da ima pribliţno 75 % svetovne populacije [45] omogočen
dostop do uporabe mobilnih tehnologij in je na trgu pribliţno 1 milijarda pametnih
(naprednih) mobilnih naprav, ki omogočajo namestitev in uporabo namenskih aplikacij
[46]. Sočasno z drugimi področji je porast uporabe vse bolj napredne, zmogljive in
cenovno dostopne mobilne tehnologije, mobilnih omreţij ter brezţičnih senzorjev v
zadnjih letih omogočilo številne inovacije na področju medicine in javnega zdravja. To je
posredno vodilo v razvoj novega področja, imenovanega m-zdravje (angl. m-health), ki
predstavlja novo vejo ali naslednjo stopnjo razvoja telemedicine in e-zdravja ter ga je
Svetovna zdravstvena organizacija (angl. World Health Organization) definirala kot
uporabo medicinskih (zdravstvenih) storitev z mobilnimi tehnologijami [47].
Rezultati razvoja m-zdravja so številne aplikacije za mobilne telefone in tablične
računalnike, namenjene bodisi uporabnikom (npr. splošen dostop do spletnih informacij s
področja zdravstva, namenske aplikacije za kronične bolezni, stiki pacientov z zdravniki,
dostop do izobraţevalnih vsebin, štetje kalorij – glej sliko 2-1) bodisi zdravstvenemu
osebju (npr. dostop do kartotek in drugih podatkov, pomoč reševalnim ekipam na terenu,
sledenje boleznim in epidemijam, podajanje obvestil in navodil) [4,8-10].
Aktualne raziskave in namenske rešitve na področju m-zdravja, ki temeljijo na večji
izrabi mobilnih tehnologij (npr. zmogljiva večmedijska podpora in vgrajeni senzorji v
obliki pospeškometrov, elektronskih kompasov, merilnikov naklona in orientacije) in
povezljivosti z drugimi tehnologijami [11,12], lahko razdelimo v tri skupine:
raziskave in razvoj avtonomnih, zahtevnejših in specializiranih rešitev (predvsem
za standardne mobilne telefone in tablične računalnike) kot pomoč pri diagnostiki
(npr. na področjih dermatologije, radiologije, oftalmologije in patologije) ter
spremljanju (angl. monitoring) pacienta na daljavo [49,50],
Predstavitev raziskovalnega področja
10
raziskave in razvoj rešitev, povezanih z drugimi merilnimi napravami in senzorji
(npr. z uporabo protokolov WLAN, Bluetooth, IRDA in v povezavi s standardno
mobilno napravo) [51,52] in
raziskave za specifično-namenske oziroma trţne (posredno draţje) mobilne
naprave, ki jih razvijajo proizvajalci medicinskih naprav [53,54].
Slika 2–1: Porazdelitev aplikacij (namenjenih civilnemu prebivalstvu) glede na področje uporabe
(v okviru m-zdravja) na podlagi podatkov iz trgovine Apple App Store (povzeto iz podatkov
[48]).
Doktorska disertacija temelji na prepletu prve in druge skupine raziskav s ciljem dosega
funkcionalnosti in učinkovitosti namenskih rešitev tretje skupine. Takšne
interdisciplinarne raziskave v središče postavijo cenovno dostopno mobilno napravo
(mobilni telefon ali tablični računalnik) in raziščejo načine, kako jo nadgraditi in
uporabiti kot poceni in uporaben medicinski pripomoček (z razvojem specifičnih
programskih rešitev ali v kombinaciji z novimi tehnološkimi dodatki). V naslednji fazi
preverijo učinkovitost končnih rešitev v okviru kliničnih študij. V nadaljevanju
povzemamo nekatere rešitve.
2.1.1 Primeri nadgradnje standardnih mobilnih naprav v medicinsko napravo
Poh [55] je v okviru svoje disertacije predstavil mobilni prototip, ki omogoča brezstično
meritev srčnega utripa na daljavo na podlagi realno-časovne analize uporabnikovega
obraza, zajetega z vgrajeno kamero in ovrednotenjem posameznih barvnih komponent
zajete slike. Dokazal je veliko zanesljivost pristopa s primerjavo z obstoječim namenskim
merilnikom srčnega utripa na podlagi korelacijske analize in analize Bland-Altman [56].
Pristop sicer ne predstavlja celotnega nadomestila obstoječih naprav (npr.
elektrokardiograma ali drugih na oksimetriji temelječih merilnikov) s stališča zmoţnosti,
Predstavitev raziskovalnega področja
11
vendar omogoča enostavno in nizkocenovno dolgoročno spremljanje bolnikovih srčnih
signalov na daljavo, kar je ena izmed prednostnih nalog m-zdravja. Hyekyun [57] je
predstavil podobno rešitev, ki z zajemom zvoka in naknadne analize tega omogoča
spremljanje razvoja nekaterih kroničnih bolezni dihal (npr. astma) na mobilnih napravah z
OS iOS. Prav tako na podlagi zajetega zvoka in namenske aplikacije (AliveECG) za OS
iOS je Lau [58] omogočil zaznavo in spremljanje atrijske fibrilacije, ki je najpogostejša
motnja srčnega utripa pri odraslih in kar za petkrat poveča moţnost nastanka moţganske
kapi [59]. Opisani pristopi predstavljajo primere nadgradnje z razvojem specifičnih in
inovativnih programskih rešitev (apliciranih v mobilne aplikacije – glej sliko 2–2). V
nadaljevanju bomo predstavili rešitve, ki v kombinaciji s tehnološkimi dodatki
(obstoječimi ali inovativnimi) nadgradijo mobilno napravo v nizkocenovna diagnostična
orodja.
Richard [62] je skupaj s sodelavci leta 2008 predstavil osnovni prototip, ki je na podlagi
razvite programske knjiţnice USB in povezane ultrazvočne sonde nadgradil mobilno
napravo z OS Windows Mobile v prenosni ultrazvok, kar je predstavljajo eno izmed prvih
rešitev takšnih nadgradenj in je danes na voljo na trgu kot trţna aplikacija. Kljub temu da
so razvijalci morali upoštevati določene omejitve naprave (omejeno napajanje) in
posredno optimizirati količino prenesenih podatkov (posredno manjša velikost zajete
slike), je rešitev uporabna na številnih zdravstvenih področjih. Raziskovalci Univerze v
Stanfordu [64] so z razvojem inovativnega in kompaktnega dodatka zasnovali
diagnostično orodje (OSan) za zaznavo raka ustne votline. Dodatek je sestavljen iz
ustnega nastavka, fluorescentnih diod LED in potrebnega električnega vezja, ki skupaj
omogočajo, da se dodatek uporabi v povezavi z vgrajeno kamero na mobilni napravi.
Rešitev zajame sliko ustne votline (osvetljene z diodami LED), jo analizira ter nakaţe
teţavna območja s črnimi mesti. Arhitekturno podobna rešitev (CellScope) [65]
predstavlja dodatek, ki omogoča nizkocenovno nadomestilo standardnega otoskopa
(naprava za pregled notranjega ušesa). V dodatni študiji so dokazali (v primerjavi z
standardnim otoskopom), da rešitev zanesljivo identificira različne infekcije ušesa (npr.
akutno vnetja srednjega ušesa). Podobna diagnostična orodja so bila realizirana na
področju oftamologije. Haddock [66] je predstavil nadgradnjo, ki omogoča zajem visoko
kakovostne slike očesne mreţnice. Myung [67] je predstavil nizkocenoven dodatek
(sestavljen iz makro leče, osvetlitve LED in okvirja za namestitev na napravo), ki
omogoča pregled zunanje in notranje strani očesa. Raziskovalci iz Univerze v
Massachusettsu so predstavili rešitev (in potreben dodatek), ki omogoča pregled vida za
predpis očal ali kontaktnih leč [68]. V okviru Univerze v Kaliforniji so predstavili dve
nadgradnji na področju mikroskopije. Rešitev [69] nadgradi mobilno napravo v
mikroskop (z zaznavo delcev velikosti 1,5 μm) in [70] v fluorescentni mikroskop, ki
omogoča analizo pretočne citometrije (merimo in analiziramo lastnosti posameznih celic).
Obe rešitvi vsebujeta tudi pripadajočo programsko opremo, ki omogoča nadaljnjo analizo
zajetih slik. Raziskovalci Univerze v Washingtonu so predstavili nadgradnjo v
spirometer, ki so jo pozneje nadgradili v tester alkohola v izdihanem zraku [71].
Opisani primeri (predstavljeni na sliki 2–3) nakazujejo, da takšne raziskave – v obliki
nadgradenj standardnih mobilnih naprav – predstavljajo novo področje z velikim
Predstavitev raziskovalnega področja
12
raziskovalnim in poznejšim trţnim potencialom [47]. Vzporedno s klinično uporabo
imajo tudi velik potencial na področju širšega zdravstvenega in medicinskega
izobraţevanja (npr. kot nizkocenoven pripomoček pri učenju) in ţe postajajo del učnih
načrtov [72,73]. Ameriška agencija za hrano in zdravila (angl. Food and Drug
Administration, FDA) je v letu 2013 nadgradnje v tem kontekstu opredelila kot mobilne
medicinske rešitve (angl. mobile medical applications), jih razvrstila v posamezne razrede
in definirala uredbe (v okviru potrebnih ovrednotenj glede na izbrani razred) za
zagotavljanje varnosti in učinkovitosti pred klinično uporabo ali prodajo na trgu [74].
Pričakuje se, da bodo podobne uredbe uvedli tudi v drugih drţavah in se s tem izognili
morebitnim teţavam napačne diagnoze, ki bi jih takšne rešitve lahko povzročile. Takšen
primer prikazuje študija [75], v kateri so raziskovalci in medicinsko osebje analizirali
učinkovitost ter zanesljivost delovanja rešitev, ki omogočajo zaznavo in analizo malignih
melanomov (samo z uporabo vgrajene kamere in naknadne analize zajete slike), in
ugotovili, da več kot polovica dostopnih rešitev ni delovala zanesljivo ali je delovala celo
napačno.
Predstavitev raziskovalnega področja
13
Slika 2–2: Uporabniški vmesniki mobilnih aplikacij za (1) meritev srčnega utripa [55] (povzeto po
[60]), (2) spremljanje razvoja astme [57] in (3) spremljanje atrijske fibrilacije [58] (povzeto po
[61]).
Predstavitev raziskovalnega področja
14
1 2
3 4
Slika 2–3: Primeri nadgradenj mobilnih naprav v (1) ultrazvok [62] (povzeto po [63]), (2)
fluorescentni mikroskop [70], (3) diagnostično orodje za zaznavo raka ustne votline [64] in (4)
otoskop [65].
2.2 Problematika venskega dostopa in učinkovitost venepunkcije Venepunkcija predstavlja najbolj pogost invaziven poseg, ki ga opravi medicinsko osebje
[15-16], ki je potreben za namene:
odvzema venske krvi,
vnosa intervenskih tekočin,
vstavitve venske kanile ali
drugih posegov, ki vključujejo dostop do perifernega venskega sistema.
Ocenjuje se, da je venepunkcija izvedena na 80–90 % bolnikov, ki so sprejeti v
bolnišnično oskrbo [15]. V optimalnih okoliščinah je venepunkcija izvedena v prvem
poskusu na podlagi pregleda s prostim očesom in otipavanja (angl. palpation). Med
njenim izvajanjem pa se lahko pojavi (ali je identificirano prej) klinično stanje oteţenega
perifernega venskega dostopa (angl. Peripheral Difficult Venous Access, PDVA) [15-18],
Predstavitev raziskovalnega področja
15
ki zahteva večkratne prepoznave in punkcije na perifernih delih telesa. Pojav PDVA je
najbolj pogost pri [15-17]:
otrocih,
osebah s prekomerno teţo,
dehidriranih,
temnopoltih,
tetoviranih,
narkomanih,
starostnikih,
in pri bolnikih z določenimi ţe diagnosticiranimi boleznimi (npr. dermatološka in
kardiovaskularna obolenja).
Posebej izrazita skupina so otroci. V študiji [17], v kateri so preverjali uspešnost
venepunkcije v prvem poskusu (angl. first attempt success rate, FASR) na osebah, starih
od 4 do 7 let, so predstavili, da je bila ta uspešna v manj kot polovici primerov. V
povprečju sta bila potrebna 2,2 poskusa. Podobne rezultate predstavi študija [76], pri
kateri je bila uspešnost v prvem poskusu 53-odst., v drugem 67-odst. in v četrtem 91-odst.
V isti študiji je bil FASR na osebah, mlajših od 3 let, 33 %. Čeprav je FASR odvisen tudi
od drugih dejavnikov, npr. usposobljenosti osebja in kakovosti medicinskega materiala,
so študije pokazale, da ima tudi zelo usposobljeno osebje v primeru PDVA teţave z
uspešno FASR-venepunkcijo [17, 77].
Neuspešna FASR-venepunkcija lahko vodi do naslednjih nezaţelenih učinkov [15-18, 76,
77]:
povečanje anksioznosti, bolečine in trpljenja bolnikov (predvsem pri otrocih),
povečanje verjetnosti neposredne poškodbe ven ali okoliškega tkiva, ki lahko
povzroči znake modric ali hujšo okuţbo,
podaljšanje časa diagnoze in potrebnega zdravljenja, kar je v določenih primerih
lahko kritično za bolnika,
povečanje stresa osebja, ki lahko negativno vpliva na druga področja in povzroči
nadaljnje napake v zdravstveni oskrbi, in
povečanje stroškov zdravstvene ustanove, in sicer neposredno (npr. dodaten
material) ter posredno (npr. potrebno dodatno osebje, dodatna oskrba, ki izvira iz
povzročenih poškodb v času venepunkcije).
Z namenom izboljšanja uspešnosti venepunkcije in posredno zmanjšanja števila ali
obsega negativnih učinkov so predlagani naslednji pristopi, ki dopolnjujejo standarden
postopek slepega poskusa na podlagi poznavanja anatomije.
Uporaba dodatnih postopkov, ki dopolnjujejo pregled s prostim očesom in
otipavanjem na podlagi povečanja širine ven, kar lahko doseţemo s premiki
perifernih delov telesa (npr. premik roke k poloţaju srca), uporabo podvez
(ujamejo kri v venah), udarci po koţi ali močnim premikajočim pritiskom v
dolţini vene (razporejanje krvi) in z uporabo dodatnih virov toplote ali kemikalij
Predstavitev raziskovalnega področja
16
[15,20]. Postopki imajo svoje prednosti (v določenih primerih PDVA), vendar tudi
posredne omejitve, in lahko vodijo do drugih nezaţelenih učinkov (npr. poškodbe
pri uporabi kemikalij, poškodbe ven v primeru venskih bolezni).
Postopki, ki temeljijo na dodatni vizualizaciji podkoţnih ven [21-23], in sicer z
uporabo ultrazvočnih naprav (poudarjene pomanjkljivosti: vprašljiva dostopnost,
potreba dodatnega osebja in visoka cena) ali presvetlitvijo perifernih delov telesa
z drugimi viri svetlobe (npr. rdeča ali bela svetloba). Njihove slabosti so potreba
po zatemnjenem prostoru, dodatno osebje in velika moţnost poškodb, ki jih lahko
povzroči oddajna toplota [78]. V to skupino spadajo tudi aktualne tehnike (od leta
2008) uporabe bliţnje-infrardeče svetlobe.
Aktualni postopki vizualizacije ven z uporabo infrardeče (angl. infrared, IR) svetlobe
temeljijo na dejstvu, da tkiva na različne načine absorbirajo IR-svetlobo različnih
valovnih dolţin [23]. V primeru podkoţnih ven je znano, da so te v IR-prostoru ločljive
(na podlagi fizikalnih in optičnih lastnosti) od preostalega tkiva [23-25], kar je vodilo do
številnih inovacij na področju biometrike in se od leta 2008 postopoma uvaja tudi na
področju vizualizacije ven za potrebe venepunkcij. Na trgu so ţe dostopne prve namenske
naprave (t. i. IR-spektroskopi) z ţe dokazano klinično učinkovitostjo. V nadaljevanju
bomo predstavili fizikalno ter kemijsko ozadje, na katerih temeljijo te naprave in
posredno naša disertacija.
2.3 Osnove bližnje-infrardeče spektroskopije
Vidni spekter je del elektromagnetnega spektra (EM), ki ga zazna človeško oko, in sicer v
pribliţnem razponu (opredeljen s subjektivnim preskušanjem in fizikalnimi meritvami) od
400 nm (vijolična barva) do 700 nm (rdeča barva) valovne dolţine (t. i. vidna svetloba)
[23, 25, 79, 80]. IR-valovanje (sevanje) je EM-valovanje z valovnimi dolţinami od
pribliţno 700 nm do 1 mm (IR-območje ali spekter), torej daljšimi od valovnih dolţin
vidne svetlobe. IR-območje lahko razdelimo v več skupin (slika 2–4) od katerih je za
našo disertacijo zanimivo samo NIR-območje, ki zajema valovne dolţine od 700 do 1,4
µm. Poznamo tri osnovne načine interakcije EM-valovanja s površjem oziroma snovjo
(razmerje odvisno od lastnosti snovi in valovne dolţine svetlobe) [25, 79, 80]:
absorpcija (angl. absorption), pri kateri se valovanje vpije v snov v obliki energije,
transmisija (angl. transmission), pri kateri celotno ali del valovanja prodre skozi
snov, in
odboj (angl. reflection), pri katerem se valovanje odbije nazaj v prostor.
Spektroskopija (spektrometrija) je veda, ki kvantitativno in kvalitativno preučuje snov na
podlagi interakcij z EM-valovanjem [24, 79]. Na osnovi emisijskega ali absorpcijskega
spektra EM-valovanja (molekule absorbirajo ali oddajajo EM-valovanje na določenih
valovnih dolţinah) lahko sklepamo na zgradbo snovi. Glede na opazovani spekter ločimo
spektroskopijo na emisijsko, fluorescenčno in absorpcijsko, glede na vrsto vzorca pa na
atomsko in molekulsko. V primeru IR-prostora govorimo o IR-spektroskopiji, torej
raziskovanju predmetov (snovi), obsevanih z IR-svetlobo, in primerjavi njihovih odzivov
(spektralnih podpisov) pri različnih valovnih dolţinah [25, 79]. To nam omogoča, da
Predstavitev raziskovalnega področja
17
predmete med seboj ločimo, kar pri opazovanju z eno valovno dolţino pogosto ni mogoče
(npr. voda in rastline imajo skoraj enak odboj v vidnem spektru, medtem ko jih v IR
vedno ločimo med seboj). V okviru disertacije se omejimo na IR-spektroskopijo, ki
temelji na absorpciji in je omejena na NIR-območje.
IR-prostor je leta 1800 odkril Herschel [81, 82] med postopkom določitve toplote
posameznih komponent sončne svetlobe, ko je za referenco ţelel izmeriti temperaturo
izven območja rdečega dela spektra vidne svetlobe in je nepričakovano izmeril še višjo
vrednost. Z nadaljnjimi poskusi je ugotovil, da tudi v tem delu spektra veljajo enaki
načini interakcije snovi z EM-valovanjem kot v vidnem spektru. Danes se IR-valovanje
uporablja za različne namene na številnih področjih [81, 83].
Slika 2–4: Razdelitev elektromagnetnega spektra na posamezna področja (povzeto po [84]).
Na področju medicinske diagnostike je svetloba v NIR-območju še posebej primerna za
opazovanje tkiva in organov, saj je njena vdorna globina (na podlagi optičnih lastnosti
tkiv) veliko večja kot pri vidni svetlobi (do 8 cm med oddajnim in sprejemnim mestom)
[79,83]. Človeško telo sestavlja pribliţno 70 % vode in 20 % maščob, ki imata zelo
podoben absorpcijski spekter (določen z valovnimi dolţinami, ki se absorbirajo). V
ultravijoličnem območju (UV) sestavini močno absorbirata UV-svetlobo, medtem ko je
vpojnost mnogo niţja v vidnem in IR-območju (do valovne dolţine 1200 nm). Vidno
svetlobo močno absorbirajo tudi tkivna barvila (npr. hemoglobin in mioglobin), medtem
ko je njihova vpojnost niţja v NIR-območju, kar omogoča optično merjenje
prekrvljenosti in oksigenacije tkiv [79,83].
Predstavitev raziskovalnega področja
18
Hemoglobin je rdeče barvilo, prisotno v rdečih krvnih celicah. Sestavljen je iz štirih
atomov ţeleza, na katere se lahko reverzibilno veţejo molekule kisika, kar omogoči
njihov prenos po telesu. V primeru vezanega kisika govorimo o oksigenirani obliki
hemoglobina, v nasprotnem primeru o deoksigenirani obliki. Obe obliki imata v NIR-
območju različne absorpcijske spektre (slika 2–5), kar omogoča prepoznavo vsake oblike
posebej [79, 83]. Na tej podlagi lahko s pomočjo NIR-spektroskopije (merjenjem
sprememb absorbcije NIR-svetlobe pri različnih valovnih dolţinah) ugotavljamo (ali
opazujemo) spremembe v tkivih in organih, ki vsebuje zadostne količine in ustrezne
oblike hemoglobina.
Slika 2–5: Absorpcijska spektra oksigeniranega (HbO2) in deoksigeniranega (Hb)
hemoglobina, z označenim območjem NIR, primernim za vizualizacijo ven [79].
V primeru podkoţnih ven je dokazano, da te zaradi višje vsebnosti deoksigeniranega
hemoglobina skoraj v celoti absorbirajo IR-svetlobo valovnih dolţin od 740 nm do 760
nm (del NIR-območja), medtem ko arterije zaradi višje vsebnosti oksigeniranega
hemoglobina omenjeno svetlobo skoraj v celoti prepuščajo [23-25]. V nadaljevanju bomo
podrobneje razloţili optične lastnosti tkiv, ki skupaj z omenjenim dejstvom predstavljajo
osnovo prepoznave podkoţnih ven s pomočjo NIR-spektroskopije.
2.3.1 Optične lastnosti tkiv in širjenje svetlobe
Znano je, da svetlobni tok pri prehodu skozi snov (medij) oslabi [25, 79, 80]. Za
slabljenje svetlobnega toka v tkivu (slika 2–6) sta odgovorna dva procesa, in sicer
absorpcija in sipanje (angl. scattering), ki sta odvisna od valovne dolţine osvetlitve in
optičnih lastnosti opazovane snovi [79]. V bioloških tkivih k slabljenju največ prispeva
sipanje (skoraj 90 %), in sicer zaradi velike gostote delcev oz. nehomogenosti lomnih
količnikov teh. NIR-spektroskopija tkiv pa temelji na spremembah v absorpciji, ki
nastanejo kot posledica prenosa deleţa energije svetlobnega toka (na račun slabljenja) v
Predstavitev raziskovalnega področja
19
molekule opazovanega tkiva [79, 83]. V nadaljevanju predstavimo fizikalno ozadje
slabljenja svetlobnega toka in molekularno ozadje absorpcije svetlobe.
Slika 2–6: Slabljenje svetlobe (gostote svetlobnega toka) pri prehodu skozi biološko tkivo zaradi
absorpcije in večkratnega sipanja.
Slabljenje gostote svetlobnega toka na podlagi absorpcije kot posledico pretvorbe
svetlobne energije v toplotno lahko opišemo z naslednjo enačbo [79]:
( ) , (2.1)
pri čemer je gostota svetlobnega toka (Wm-2
) na mestu vstopa in gostota svetlobnega
toka (Wm-2
) na razdalji d (cm) od vstopnega mesta (slika 2–6) te (cm-1
) absorpcijski
koeficient snovi. Iz enačbe 2.1 izrazimo slabljenje An kot:
. (2.2)
Z uporabo desetiškega logaritma slabljenje A (transmisijska optična gostota OD – angl.
optical density) zapišemo kot [79]:
, (2.3)
ki pove, za koliko razredov se je zmanjšala gostota svetlobnega toka zaradi absorpcije. V
enačbi je molarni absorpcijski koeficient (μM-1
cm-1
) in (μM) mnoţinska
koncentracija absorberja. Enačba 2.2 je znana kot Lambert-Beerov zakon [83].
Slabljenje gostote svetlobnega toka na podlagi enkratnega sipanja lahko opišemo z
naslednjo enačbo [79]:
, (2.4)
Predstavitev raziskovalnega področja
20
pri čemer je (cm-1
) koeficient sipanja. Enačba 2.3 je posplošitev v obliki enkratnega
sipanja in v večini primerov ni realna glede na razmere v tkivu, v katerem prihaja do
večkratnih sprememb poti. V tem primeru slabljenje ni več sorazmerno , temveč
postane funkcija širitve svetlobe na podlagi oblike predmeta, po katerem se širi, in
moramo upoštevati dodatno slabljenje. Prav tako postane povprečna pot fotonov (cm)
bistveno daljša od . Definirana je kot [79]:
, (2.5)
pri čemer koeficient podaja razmeje med povprečno potjo fotonov in dolţino .
Vključimo ga v enačbo 2.3 in izpeljemo t. i. spremenjen Lambert-Beerov zakon [79, 83]:
. (2.6)
Prvi člen predstavlja absorpcijske izgube znanih absorberjev, v koeficientu pa so zajeti
vsi dodatni prispevki slabljenja zaradi sipanja, absorpcijske izgube neznanih absorberjev
in odboja svetlobe pri prehodu med sredstvi z različnimi lomnimi količniki. Če
predpostavimo, da so vse spremenljivke v v času opazovanja konstantne in se
spreminja le mnoţinska koncentracija absorberja , lahko spremembo slabljenja zapišemo
kot [79]:
. (2.7)
Iz enačbe 2.7 lahko nadalje izrazimo spremembo mnoţinske koncentracije (npr.
deoksigeniranega hemoglobin – Hb) kot posledico spremembe slabljenja svetlobe pri
določeni valovni dolţini, in sicer kot [79]:
( ) ( )
, (2.8)
pri čemer je (nm) valovna dolţina uporabljene svetlobe. Enačba 2.8 se uporablja v
okviru merjenja oksigenacije tkiv s pomočjo NIR-spektroskopije.
Iz predstavljenih enačb in spoznanih dejstev v tem podpoglavju lahko povzamemo
naslednje zaključke:
vene zaradi višje vsebnosti deoksigeniranega hemoglobina skoraj v celoti
absorbirajo NIR-svetlobo valovne dolţine 740 nm–760 nm [25],
količina absorbcije je odvisna od gostote NIR-svetlobnega toka, razdalje do
površja (v tem primeru koţe) in koncentracije deoksigeniranega hemoglobina,
gostota NIR-svetlobnega toka, ki prodre do ven (na določeni globini), je odvisna
od fizikalnega ozadja slabljenja svetlobe v tkivu (optičnih lastnosti tkiv) in
globina prodiranja NIR-svetlobe je zaradi slabljenja (absorpcija in sipanje) lahko
omejena odvisna od jakosti osvetlitve.
Predstavitev raziskovalnega področja
21
Na molekularn ravni absorpcija temelji na stalnih vibracijah med vezmi, ki povezujejo
posamezne atome in delujejo kot vzmet, ki se krči, zvija ali razteza z določeno frekvenco
(slika 2–7). Med širjenjem svetlobe določena molekula absorbira samo tisto svetlobo –
spekter valovnih dolţin –, ki ustreza frekvenci njenih nihanj. Posredno prejeta energija
poveča amplitudo teh nihanj [85]. Število moţnih nihanj eksponentno raste s številom
atomov v molekuli, kar posredno vodi do zmoţnosti natančne prepoznave določenih
spojin v molekuli na podlagi zajetega IR-spektra (z nadaljnjimi obdelavami), saj je zelo
majhna verjetnost, da bi imeli dve različni molekuli enak spekter. Iz tega spoznanja izhaja
osnovno delovanje IR-spektroskopov, ki so v večini primerov najzanesljivejši pokazatelj
nekaterih spojin v molekulah.
Slika 2–7: Osnovni načini vibracij vezi med atomi, in sicer (A) raztezanje, (B) nihanje in (C)
rotacija.
2.4 Bližnje-infrardeča spektroskopija in prepoznava podkožnih ven Splošen NIR-spektroskop, ki se uporablja na področju kemije in posredne analize
vzorcev, je sestavljen iz naslednjih gradnikov [82, 83, 85, 86]:
vira IR-svetlobe,
optične naprave ali telesa, ki prepušča ali zajema samo del svetlobe (izbrane
valovne dolţine) in je lahko vsebovan ţe v viru svetlobe,
celice ali prostora, v katerega vstavimo merjeni vzorec, ki del svetlobe absorbira,
detektorja, ki meri prepuščeno ali odbito svetlobo (svetlobni tok), in
v večini primerov računalnika, s katerim obdelujemo in analiziramo zajete
informacije.
Na osnovi splošnega sprektroskopa in prejšnjih spoznanj lahko NIR-spektroskop, ki
omogoča prepoznavo podkoţnih ven, opišemo z naslednjimi gradniki [25, 83,85]:
svetlobnega vira, ki omogoča obsevanje (osvetlitev) perifernega dela telesa z NIR-
svetlobo (optimalne valovne dolţine 740 nm–760 nm),
Predstavitev raziskovalnega področja
22
detektorja (npr. kamere), ki zajame NIR-sliko osvetljenega dela (vene so zaradi
absorpcije temnejše od preostalega tkiva), in
računalnika, ki zajeto sliko pred uporabo dodatno digitalno obdela z namenom
izboljšave in vizualizacije ven.
Opisani gradniki predstavljajo osnovni model NIR-spektroskopa, ki se uporablja za
zaznavo in vizualizacijo podkoţnih ven (slika 2–8). Predstavljen model bomo v
nadaljevanju uporabili za opis delovanja dejanskih izvedb (naprav) in njihovih gradnikov.
Slika 2–8: Osnovni model NIR-spektroskopa, ki omogoča prepoznavo in vizualizacijo podkoţnih
ven na podlagi optičnih zakonitosti tkiv.
Pregled tržnih rešitev in sorodnih nizkocenovnih raziskav
23
3 Pregled tržnih rešitev in sorodnih nizkocenovnih raziskav
V poglavju predstavimo namenske rešitve, ki so za namene prepoznave podkoţnih ven in
izboljšanja učinkovitosti venepunkcije ţe dostopne na trgu. Sledi pregled sorodnih
znanstveno-raziskovalnih del na področju nizkocenovne IR-spektroskopije. Cilji
raziskovalnih aktivnostih, ki jih povzema to poglavje, so bili:
identifikacija namenskih naprav in analiza njihovih arhitektur,
analiza splošne in klinične učinkovitosti namenskih naprav,
pregled aktualnih dognjanj na področju nizkocenovne IR-spektroskopije in
izpostavitev pomanjkljivosti obstoječih rešitev, ki jih ţelimo zajeti v okviru naše
raziskave.
Poseben poudarek smo namenili analizi dejanske izvedbe gradnikov (vira svetlobe,
detektorja in naknadne obdelave zajete slike), ki smo jih predstavili v osnovnem modelu
NIR spektroskopa (slika 2–8) in načina delovanja posameznih izvedb (naprave ali
prototipa v okviru nizkocenovnih raziskav). Iz rezultatov analize bomo delno izpeljali
zahteve in pričakovane lastnosti našega konceptualnega modela (in poznejšega prototipa)
v naslednjem poglavju.
3.1 Obstoječe naprave za prepoznavo podkožnih ven Prve namenske naprave, ki omogočajo vizualizacijo ven za potrebe izboljšanja
učinkovitosti venepunkcije oziroma širše medicinske diagnostike, so se na trgu pojavile
leta 2008. Na podlagi analize trga in dostopne literature so (2014) v prosti prodaji
(odobrene za uporabo v klinične namene) dostopne naslednje naprave:
VascuLuminator [26],
VeinViewer [27],
AccuVein [28] in
Veinsite [19].
V nadaljevanju sledita kratka predstavitev posameznih naprav in analiza njihovih
kliničnih učinkovitosti.
3.1.1 VascuLuminator
VascuLuminator [23, 29, 87, 88] (De Koningh Medical Systems, Arnhem, Nizozemska)
je rezultat večletnega sodelovanja medicinskega osebja in znanstvenikov, ki so prek
zasnovanega modela, prvih prototipov, funkcionalnih in učinkovitostnih analiz razvili
napravo, ki je potrjena za uporabo v klinične namene. VascuLuminator je sestavljen iz
premičnega ogrodja, v katerega so nameščeni vsi potrebni gradniki, in sicer:
svetlobni vir z diodami LED (valovne dolţine 800 nm), ki je vgrajen v gibljiv
podaljšek, ki ga namestimo pod opazovani periferni del telesa (npr. roka),
detektor kamera (občutljiva za NIR-svetlobo), ki je nameščena (vrtljiva za 360 °)
na ogrodju naprave (skupaj s prikazovalnikom) in mora biti postavljena nad
opazovanim delom telesa (v razdalji od 10 do 15 cm),
Pregled tržnih rešitev in sorodnih nizkocenovnih raziskav
24
prikazovalnik (ločljivosti pikslov) za prikaz zajete slike in
ostale nastavitve, ki omogočajo upravljanje naprave.
Razen standardnih nastavitev (npr. kontrast, svetilnost) naprava ne vključuje drugih
načinov obdelave zajete slike (npr. dodatne vizualizacije venskega sistema) ali drugih
dodatnih storitev. Osnovno delovanje naprave lahko opišemo z naslednjimi koraki:
gibljiv podaljšek s svetlobnim virom postavimo pod periferni del telesa,
na podlagi optičnih lastnosti tkiv se NIR-svetloba (valovne dolţine 800 nm)
absorbira v venski sistem osvetljenega dela telesa,
s kamero zajeto sliko prikaţemo na prikazovalniku v realnem času.
VascuLuminator in prikaz delovanja sta predstavljena na sliki 3–1 in sliki 3–2.
Slika 3–1: VascuLuminator in primer uporabe (povzeto po [87]).
Pregled tržnih rešitev in sorodnih nizkocenovnih raziskav
25
Slika 3–2: Izvedba osnovnega modela v primeru naprave VascuLuminator.
VascuLuminator omogoča samostojno delovanje do 10 ur.
3.1.2 VeinViewer
VeinViewer [26, 89] (Christie Medical Holdings, Memphis, Tennessee, ZDA) je v svoji
standardni različici (na trgu je prisoten tudi v prilagojenih – namenskih izvedbah) prav
tako sestavljen iz premičnega in nastavljivega ogrodja, ki zajema vse potrebne gradnike.
Največja razlika je v načinu prikaza zajete slike, ki je v tem primeru projicirana nazaj na
opazovan in z NIR-svetlobo (diode LED z valovno dolţine 740 nm) osvetljeni del telesa
(slika 3–3).
Slika 3–3: VeinViewer in primer uporabe (povzeto po [89]).
Pregled tržnih rešitev in sorodnih nizkocenovnih raziskav
26
Naprava omogoča zaznavo ven do globine 15 mm s priporočljivo uporabo na razdalji 33
cm. Dodatno k moţnim standardnim nastavitvam naprava omogoča skaliranje zajete
slike, naknadno izostritev podrobnosti in projiciranje (prek diod LED valovne dolţine 638
nm) obdelane slike z nastavljivo barvo. Samostojnost naprave je zagotovljena do 3 ure.
slika 3–4 prikazuje izvedbo naprave (postavitev gradnikov in načina delovanja) na
podlagi osnovnega modela.
Slika 3–4: Izvedba osnovnega modela v primeru naprave VeinViewer.
3.1.3 AccuVein
AccuVein [27, 90, 91] (AccuVein LLC, Cold Spring Harbor, New York, ZDA) deluje na
podoben (projekcijski) način kot VeinViewer, s poudarkom na večji prenosljivosti in
ročni uporabi (ogrodje, ki omogoča brezročno uporabo je na voljo kot dodatek). V tem
kontekstu je izvedba naprave deloma sorodna enemu izmed ciljev našega modela –
izvedba vseh gradnikov v okviru ene naprave ali kompaktnega strojnega dodatka, a z
glavno razliko, da je naš cilj uporaba standardne mobilne naprave kot glavnega
(nosilnega) gradnika.
Pregled tržnih rešitev in sorodnih nizkocenovnih raziskav
27
Slika 3–5: AccuVein in primer uporabe (povzeto po [90]).
Za razliko od naprave VeinViewer temelji AccuVein na uporabi laserske tehnologije. Za
osvetlitev dela telesa uporablja NIR-laser (valovne dolţine 740 nm in moči 10 mW) in za
projekcijo zajete slike rdeči laser (valovne dolţine 630 nm). Naprava omogoča zaznavo
ven do globine 10 mm (globina je odvisna od raznovrstnih parametrov bolnika in
okolice), s priporočljivo uporabo na razdalji od 10 do 45 cm. Samostojnost naprave je
zagotovljena do 3 ure in vsebuje dodatne moţnosti obdelave zajete slike (npr. spremembo
kontrasta, izostritev in dodatno vizualizacijo igle v primeru njene uporabe med
postopkom). Zaradi podobnega načina delovanja kot VienViewer lahko izvedbo naprave
na podlagi osnovnega modela opišemo s sliko 3–4.
3.1.4 Veinsite
Inovativnost naprave Veinsite [19, 92] (VueTek Scientific, Grey, Mein, ZDA) je v
izvedbi vseh potrebnih gradnikov v okviru naglavnega prikazovalnika (angl. head
mounted display), ki omogoča hkratno (v IR-območju in v vidni svetlobi) prostoročno
opazovanje perifernega dela telesa (npr. med izvajanjem venepunkcije). Naprava (slika 3–
6), ki vsebuje kamero, občutljivo za NIR-svetlobo (ločljivost ), diode LED (z
valovno dolţino 850 nm) in osnovne nastavitve (npr. kontrasta, ki je dostopen prek
namenske tipke), omogoča prepoznavo podkoţnih ven na razdalji od 25 do 50 cm in
samostojnost 4 ure. Slika 3–7 prikazuje izvedbo naprave na podlagi osnovnega modela.
Pregled tržnih rešitev in sorodnih nizkocenovnih raziskav
28
Slika 3–6: Veinsite in primer uporabe (povzeto po [91]).
Slika 3–7: Izvedba osnovnega modela v primeru naprave Veinsite, ki ima vse potrebne gradnike
nameščene v naglavni enoti.
3.1.5 Druge naprave
Pregled in analiza trga sta razkrila, da so v razvoju tudi druge namenske naprave, ki se
osredotočajo na problematiko venepunkcije in razrešitev v okviru NIR-spektroskopije,
npr. naprava Evena Eyes-On Glasses [94] (Evena Medical, Los Altos, Kalifornija, ZDA),
ki temelji na podobni izvedbi kot Veinsite. Aktualna osredotočenost na izboljšanje
učinkovitosti venepunkcije s tehnologijami NIR-spektroskopije in stroški nakupa
predstavljenih naprav (do nekaj tisoč ali deset tisoč EVRO, upoštevajoč stroške
izobraţevanja) predstavljajo dodaten kazalnik aktualnosti in smiselnosti naše raziskave.
3.2 Klinična učinkovitost namenskih naprav S pregledom klinične učinkovitosti (uporaba v praksi) smo ţeleli:
preveriti dejanske učinkovitosti naprav v klinični praksi,
izpostaviti morebitne ugotovljene pomanjkljivosti,
Pregled tržnih rešitev in sorodnih nizkocenovnih raziskav
29
analizirati posredne rezultate uporabniške izkušnje (npr. enostavnost, uporabnost),
ki jih bomo upoštevali pri zasnovi našega modela in uporabniškega vmesnika, ter
identificirati primerne metrike ovrednotenj, na podlagi katerih bomo razvili svoje
metode za dodatno analizo prototipa in primerjavo njegove učinkovitosti z
namenskimi napravami.
Skladno z opisanimi cilji smo naredili pregledno študijo znanstvenih člankov
(raziskovalna metodologija je priloţena v dodatku – glej podpoglavje 9.1). Analiza je
razkrila, da naprave sicer nudijo dodano vrednost in uporabnost na področju vizualizacije
ven in posredno vplivajo na učinkovitost venepunkcije, vendar so rezultati preveč skopi,
da bi bilo na podlagi teh moţno sklepati o vsesplošni učinkovitosti v primeru
venepunkcije in njeni hitrosti izvedbe. Nekatere študije sicer dokazujejo hitrejšo
identifikacijo primernih ven [29, 95, 100, 105] in manj potrebnih poskusov [95, 105],
vendar druge [99, 101, 106] niso zaznale nobenega izboljšanja postopkov na podlagi
uporabe naprav (te študije večinoma temeljijo na manjšem številu opazovanih primerov).
Večina študij je subjektivno ocenila napravo kot uporabno. Povzeta analiza učinkovitosti
naprav je predstavljena v tabeli 3–1. Predvidevamo, da sta primarna razloga za takšne
neodločne (angl. inconclusive) rezultate, na podlagi katerih ne moremo sklepati o
vsesplošni učinkovitosti, naslednja:
uporaba NIR-tehnologij za namene vizualizacije ven in izboljšanje učinkovitosti
venepunkcije predstavlja dokaj nov pristop (prve študije uporabe izvirajo iz leta
2010), ki je bil ovrednoten na sorazmerno majhnem in enoličnem vzorcu
bolnikov, in
dostopnost naprav, ki so zaradi svoje skupne cene (npr. cena naprave in stroški
izobraţevanja) dosegljivi le manjšemu številu zdravstvenih ustanov, v okviru
katerih bi lahko naprave ovrednotili na širši mnoţici v daljšem obdobju.
Te ugotovitve so skladne z aktualno študijo [107], v kateri so avtorji povzeli naslednje
pristranskosti metodologij ovrednotenj kliničnih učinkovitosti namenskih naprav:
osredotočanje na pediatrične bolnike,
statistično vzorčenje na podlagi manjšega števila primerov,
neupoštevanje izkušenj osebja, ki je opazovani postopek izvajala, in
neupoštevanje znanja operaterja pri uporabi naprave .
V isti študiji so avtorji tudi izpostavili vzroke nizke razpoloţljivosti teh naprav v okviru
zdravstvenih ustanov, in sicer:
stroški nakupa,
stroški izobraţevanja,
nepraktičnost določenih izvedb naprav in
pomankljive analize upravičenosti nakupa kot posledica manjkajočih študij
vsesplošne učinkovitosti – analiza učinkovitosti glede na stroške (angl. cost-
effectiveness analysis).
Pregled tržnih rešitev in sorodnih nizkocenovnih raziskav
30
Analizo kliničnih učinkovitosti lahko povzamemo z zaključkom, da je na podlagi dokaj
novega pristopa, pomanjkanja širših analiz učinkovitosti in lastnosti določenih izvedb
uporaba naprav v klinični praksi sicer omejena, vendar predstavljajo te in koncept, na
katerem temeljijo (neinvaziven in hiter pregled podkoţnih ven), velik potencial prihodnje
širše uporabe na področju klinične prakse in izobraţevanja.
Pregled tržnih rešitev in sorodnih nizkocenovnih raziskav
31
Tab
ela
3–1
: P
ovze
tek z
ajet
ih š
tudij
(n =
14),
ki
so a
nal
izir
ale
uči
nkovit
ost
nam
ensk
ih n
apra
v k
ot
med
icin
ski
pri
pom
oče
k m
ed
post
opkom
ven
epunkci
je a
li s
plo
šno u
pora
bnost
v k
linič
ni
pra
ksi
.
Pregled tržnih rešitev in sorodnih nizkocenovnih raziskav
32
Pregled tržnih rešitev in sorodnih nizkocenovnih raziskav
33
3.3 Sorodne raziskave na področju nizkocenovne bližnje-infrardeče spektroskopije
Eden izmed ciljev m-zdravja je nadgradnja cenovno dostopnih mobilnih naprav v poceni
in uporaben medicinski pripomoček (z razvojem specifičnih programskih rešitev ali v
kombinaciji z novimi tehnološkimi dodatki), kar smo predstavili v prejšnjem poglavju.
Med pregledom področja m-zdravja nismo odkrili obstoječih rešitev, ki bi na standardni
mobilni napravi omogočale zaznavo in vizualizacijo podkoţnih ven, kar je glavni cilj te
disertacije. Predvidevamo, da sta razloga naslednja:
aktualnost uporabe NIR-tehnologij na področju vizualizacije ven za potrebe
venepunkcije in
dejstvo, da rešitev v okviru standardne mobilne naprave v preteklosti v takšni
obliki in obsegu ni bila moţna, saj potrebna tehnologija ni bila na voljo ali dovolj
zmogljiva.
Takšne rešitve tudi ni razkrila aktualna pregledna študija [110], v kateri so avtorji
analizirali obstoječe mobilne aplikacije na širšem področju ţilne medicine in diagnostike
ter ugotovili pomanjkanje inovativnih rešitev s področja m-zdravja. V naslednjem koraku
je bil naš cilj pregledati in analizirati vsa raziskovalna dognanja, skladna s cilji naše
disertacije, in sicer na:
področju uporabe nizkocenovnih NIR-sistemov za namene zaznave podkoţnih
ven ali
širšem področju, in sicer v obliki splošnih sistemov, ki omogočajo izvedbo
nizkocenovnega NIR-spektroskopa.
S terminom nizkocenovnost se osredotočamo na vse študije (izvedljivostne in
formativne), ki so uspešno eksperimentirale z razvojem NIR-sistemov na podlagi uporabe
nizkocenovnih gradnikov, saj bi te lahko pomembno vplivale na zasnovo našega modela
v nadaljevanju. V tem kontekstu smo izvedli pregledno analizo študij, pri čemer smo se
osredotočili predvsem na arhitekture takšnih sistemov, uporabljene gradnike, postopek
razvoja in ovrednotenja ter druge tehnične ali splošne izkušnje, ki so bile izpostavljene v
času izvajanja študij. Na podlagi opisane izbirne strategije smo analizirali 10 sorodnih
študij, ki bodo predstavljene v nadaljevanju.
V prvi identificirani študiji je Crisan [31] s sodelavci predstavil konceptualni model, ki
omogoča zaznavo ven z uporabo nizkoc
enovnih gradnikov. Sistem je sestavljen iz navadne kamere USB, ki je s predelavo
občutljiva samo v NIR-prostoru (prepušča samo NIR-svetlobo, kar bomo razloţili v
naslednjem poglavju), in svetlobnega vira na podlagi diod LED (valovne dolţine 800
nm), ki v sistemu predstavlja ločen gradnik s svojim električnim napajanjem. Kamera je
povezana z računalnikom, prek katerega namenska aplikacija poskrbi za zajem slike in
poznejšo obdelavo pred prikazom. V študiji sicer niso udejanjili celotnega sistema (na
podlagi modela), so pa na podlagi ločenih eksperimentov (zajem z NIR-svetlobo
osvetljene slike in naknadne obdelave s trţno aplikacijo) predpostavili njegovo
Pregled tržnih rešitev in sorodnih nizkocenovnih raziskav
34
izvedljivost. Obdelava slike temelji na standardnih postopkih (odprava šuma, sprememba
kontrasta in iskanje robov), ki v okviru predstavljenega sistema niso zasnovani za realno-
časovno izvajanje in uporabo. V študiji avtorji sicer poudarijo, da je sistem samo zasnova,
in nakaţejo optimalno izvedbo v prihodnosti – v obliki kompaktne in prenosne naprave,
kar je tudi predmet te disertacije. V dodatni študiji [32] na ţe uresničenem prototipu
predstavijo moţnosti uporabe na področju medicinske diagnostike (npr. za potrebe
venepunkcije) in biometrične analize. Podoben sistem, ki temelji na modelu Crisana [31],
je v poznejši študiji predstavil Mansoor [30]. Sistem temelji na enakih gradnikih, ki so
med seboj povezani in z njimi upravlja namenska aplikacija, razlika je le v svetlobnem
viru, ki v tem sistemu več ne uporablja ločenega vira napajanja. Obdelava zajete slike je
udejanjena s pomočjo knjiţnice OpenCV in temelji na spremembi kontrasta in iskanju
robov s pomočjo konstantnega praga (angl. threshold). Kot zanimivost lahko izpostavimo
dejstvo, da avtorji, hkrati z nizkocenovnostjo, predstavljajo svoj sistem kot mobilno
rešitev, čeprav ta še vedno uporablja računalnik kot osrednji gradnik. V študiji [33]
avtorji nadgradijo model [30,31] z uporabo dveh ločenih virov svetlobe, ki osvetlita
opazovani del telesa z dveh strani (npr. spodnje in zgornje strani roke). To naj bi
izboljšalo zajeto sliko v primerjavi z obstoječimi nizkocenovnimi izvedbami, vendar
avtorji ne predstavijo rezultatov primerjave in ne predstavijo dejanskega prototipa. V
študiji [34] je Chakravorty s sodelavci uspešno udejanjil model [30,31] v okviru
enoploščnega računalnika (angl. single-board computer) kot osrednjega gradnika. Prototip
je, sicer omejen v svoji izvedbi in lastnostih, zelo zmanjšal velikost vseh predhodnih
eksperimentalnih sistemov. Vendar izpostavljamo problem optimalnosti delovanja, saj so
za NIR-osvetlitev uporabili diode LED z valovno dolţino 850 nm, kar je izven
dokazanega optimalnega območja (740 nm–760 nm), kjer vene skoraj v celoti absorbirajo
NIR-svetlobo. Podobno rešitev predlagata v novejših študijah tudi Gayathri [35] in
Priyadarshini [108], in sicer z izvedbo modela v okviru manjšega vgrajenega sistema.
Gayathri tudi analizira tehnične zmoţnosti razvoja algoritmov nadaljnje obdelave zajete
slike v okviru omejenega sistema. Na tej podlagi je Liu [36] s sodelavci predlagal izvedbo
nizkocenovnega biometričnega sistema, ki omogoča zaznavo venskega prepleta v prstu, v
katerem so vsi gradniki izvedeni v kompaktnem ohišju. Uporabo nizkocenovnih
gradnikov predlagajo tudi v študiji [109], v kateri predstavijo konceptualni model
sistema, ki bi omogočal samodejno izvedbo venepunkcije za vstavitev venske kanile.
Postopki obdelave zajete slike, ki so bili uporabljeni v predstavljenih študijah, bodo
podrobneje zajeti v naslednjem poglavju v okviru študije izvedljivosti obdelave v okviru
mobilne naprave in predlaganega pristopa.
Analizo lahko povzamemo z zaključkom, da vse opisane študije in posredno predstavljeni
rezultati temeljijo na splošnih študijah izvedljivosti ali analizi konceptualnih modelov.
Sicer so nekatere [32-35, 108] dokazale splošno izvedljivost alternativnih rešitev z
uporabo nizkocenovnih gradnikov, kot sta standardna kamera USB in diode LED (slika
3–8), vendar predstavljajo tudi vrsto pomanjkljivosti, ki omejujejo njihovo uporabnost
izven raziskovalnega okolja, in sicer:
arhitektura in prototipne izvedbe, ki temeljijo na osebnem računalniku kot
centralnemu gradniku, ali druge eksperimentalne izvedbe, ki niso primerne za
Pregled tržnih rešitev in sorodnih nizkocenovnih raziskav
35
okoliščine izvajanja venepunkcije (npr. potrebe po mobilnosti, kompaktnosti in
enostavnosti uporabe),
zelo omejene funkcionalne analize razvitih prototipov, dodatno večina študij
predstavi samo omejen nabor zajetih slik brez primerjave z obstoječimi sistemi
ali rezultati drugih raziskav in
neprisotnost dejanskih ovrednotenj v praksi (npr. študije uporabnosti in
učinkovitosti), kar predstavlja predpogoj za morebitno uporabo v klinični praksi.
Raziskav, ki bi predlagale izvedbo NIR-spektroskopa na standardni mobilni napravi, z
izjemo [37], ni zaslediti. V tej kratki predstavitveni študiji Nundy s sodelavci predlaga
uporabo mobilnega telefona in vgrajene kamere kot osrednja gradnika nizkocenovnega
NIR-spektroskopa. Čeprav je pristop deloma soroden našemu, lahko zagotovo trdimo, da
takšna izvedba ni moţna oziroma je zelo omejena in neuporabna v praksi, kar bomo v
nadaljevanju dodatno argumentirali in dokazali pri zasnovi našega modela ter povezanih
študijah izvedljivosti. Študija dodatno razen predlaganega pristopa, okvirne arhitekture in
povzetka optičnih lastnosti tkiv ne predstavi drugih podrobnosti.
Slika 3–8: Izvedba osnovnega modela na podlagi povzetka predlaganih modelov in gradnikov
nizkocenovnih NIR-sistemov.
Pregled tržnih rešitev in sorodnih nizkocenovnih raziskav
36
Zasnova modela in analiza izvedljivosti
37
4 Zasnova modela in analiza izvedljivosti
Na podlagi pregleda področij, namenskih naprav, nizkocenovnih raziskav, lastnih
izkušenj na področju mobilnih tehnologij in postavljene primarne hipoteze smo zasnovali
konceptualni model (slika 4–1). Iz njega bomo na podlagi iterativnih izvedljivostnih
študij zasnovali končni model, ki ga bomo pozneje udejanjili v obliki prototipne izvedbe.
Slika 4–1: Konceptualni model predlaganega pristopa – izvedba NIR-spektroskopa in vseh
potrebnih gradnikov v okviru standardne mobilne naprave.
Na podlagi modela smo definirali naslednje ciljne lastnosti končne izvedbe prototipa:
enostaven za uporabo,
prenosljiv,
nizkocenoven,
omogoča prepoznavo in dodatno vizualizacijo podkoţnih ven v realnem času ter
primerljivo učinkovit z dozdajšnjimi obstoječimi trţnimi napravami, kar bomo
ovrednotili ob koncu disertacije.
Prenosljivost bomo dosegli z uporabo mobilne naprave kot osrednjega gradnika.
Enostavnost uporabe zajema naslednje ciljne lastnosti:
kompaktna zasnova, ki na podlagi uporabe nizkocenovnih gradnikov omogoča
hitro in enostavno nadgradnjo mobilne naprave v NIR-spektroskop brez
negativnega učinka na napravo in uporabo te za primarne namene (npr.
telefoniranje in fotografiranje),
samostojnost električnega napajanja, ki pogojuje uporabo mobilne naprave kot
edinega vira energije, in
enostavnost uporabe končne namenske mobilne aplikacije in uporabniškega
vmesnika, brez potrebe po daljšem izobraţevanju, kot je potrebno v primeru
namenskih naprav.
Zasnova modela in analiza izvedljivosti
38
Prepoznava podkoţnih ven (celoten postopek obdelave) mora potekati v realnem času in
omogočati dodatno vizualizacijo, tako kot je to v primeru nekaterih namenskih naprav, ki
vene dodatno označijo in obarvajo. V izvedbi ţelimo podoben način prikaza kot v
primeru naprav VienViewer [26] in AccuVien [27] (glej podpoglavje 3.1), vendar s
prikazom na zaslonu mobilne naprave. Slika 4–2 prikazuje način prikaza, ki ga bomo v
okviru naše obdelave zajete slike in predlaganih algoritmov zajeli. Predlagani postopek
vizualizacije bomo predstavili v naslednjem poglavju.
Slika 4–2: Pričakovan način prikaza obdelane slike perifernega dela telesa – zaznane in dodatno
vizualizirane podkoţne vene v območju zanimanja (delu zajete slike).
Na podlagi konceptualnega modela in ciljnih lastnosti smo zasnovo končnega modela
razdelili v naslednji dve fazi:
študija izvedljivosti potrebnih gradnikov (detektorja in NIR-osvetlitve) z
uporabo mobilne naprave kot osrednjega gradnika in
na podlagi uspešne realizacije ter analize izvedbe gradnikov študija izvedljivosti
postopka obdelave zajete slike, ki bo vodila v predlagani postopek zaznave in
vizualizacije podkoţnih ven.
Študije izvedljivosti temeljijo na delu z mobilnimi napravami z OS Android (različice
vsaj 4.0). Android [112] je odprtokodni OS, ki temelji na omejeni različici jedra OS
Linux [113]. Odprtokodnost in arhitektura OS Android omogočata razvijalcem skoraj
neomejen dostop do vseh zmoţnosti mobilne naprave, ki so večinoma uporabnikom na
voljo ali v omejeni obliki ali so skrite. To postavlja Android v primerjavi z drugimi OS
(npr. iOS) v vlogo najprimernejše raziskovalne in eksperimentalne platforme na področju
m-zdravja
Zasnova modela in analiza izvedljivosti
39
4.1 Detektor
Detektor, ki omogoča zajem NIR-slike, je primarni gradnik NIR-spektroskopa. V okviru
mobilne naprave, bi bi bila za realizacijo tega praktična uporaba ţe vgrajene kamere, ki
večinoma omogoča dovolj kakovosten in za nadaljnjo obdelavo primeren zajem slike, saj
večina teh kamer omogoča zajem vsaj 5 milijonov pikslov. Na podlagi uporabe vgrajene
kamere in njenih posrednih zmoţnosti so bile uresničene in predstavljene ţe številne
inovacije na področju m-zdravja (glej podpoglavje 2.1). V tej smeri, torej na podlagi
uporabe vgrajene kamere, razmišlja v svoji kratki predstavitveni študiji tudi Nundy [37].
Ne glede na to, da avtorji izpostavijo, da gre le za konceptualni model in so potrebne še
dodatne študije izvedljivosti, trdimo, da takšna izvedba ni mogoča oziroma je neuporabna
v praksi. Namreč kot večina vsakdanjih kamer in fotoaparatov tudi kamere, vgrajene v
standardne mobilne naprave, temeljijo na dveh vrstah slikovnih senzorjev [114, 115], in
sicer:
vrsti, ki temelji na komplementarnem metal-oksidnem polprevodniku (angl.
Complementary Metal Oxid Semiconductor, CMOS) in
vrsti, ki zazna električni naboj, ki ga svetloba generira v polprevodniku (angl.
Charge Coupled Device, CCD).
Ne glede na različno zgradbo senzorja CMOS ali CCD je osnovno delovanje obeh vrst
enako, in sicer pretvorba svetlobe v električni signal in naprej prek analogno-digitalnega
pretvornika v digitalne podatke, na podlagi katerih ustvarimo sliko. Delovanje lahko
povzamemo z naslednjimi koraki in gradniki [115]:
Slikovni senzor je sestavljen iz mreţe majhnih (merjeni v μm) senzorjev, celotna
mreţa pa predstavlja ločljivost naprave, ki jo opišemo z enoto megapiksel, pri
čemer en svetlobni senzor predstavlja en piksel.
Svetlobni senzor je realiziran s pomočjo fotodiode, ki vpadlo svetlobo pretvori v
električni naboj, ta je lahko ojačan neposredno v vezju fotodiode (vrsta CMOS) ali
posredno prek zunanjega ojačevalnika (vrsta CCD).
Fotodiode zaznajo samo svetlobo (svetlost in intenzivnost), za določitev barv pa
so potrebni dodatni filtri, ki prepuščajo samo določeno barvo svetlobe (rdečo,
zeleno ali modro).
Svetlobni senzor je pokrit samo z enim barvnim filtrom, zato je za določitev
dejanske barve potrebna naknadna barvna interpolacija, ki temelji na vrednosti
prepuščene svetlobe sosednjih senzorjev, ki so prekriti s filtri drugih barv.
Kombinacijo različnih filtrov na sosednjih piklsih imenujemo barvna mreţa (angl.
Color Filter Array) in jo poznamo v različnih izvedbah, najbolj pogosta izvedba je
t. i. filter Bayer (slika 4–3).
V zgradbi je barvna mreţa postavljena nad celotno mreţo svetlobnih senzorjev.
Nad barvno mreţo je v večini primerov izvedb CMOS in CCD postavljen še vsaj
en filter, ki preprečuje dostop IR-svetlobe (angl. Infrared cut-off filter, IR-CUT)
do slikovnega senzorja in s tem prepreči negativne učinke, ki bi jih lahko IR-
svetloba povzročila pri zajemu slike v vidnem spektru – primarna funkcionalnost
standardnih kamer.
Zasnova modela in analiza izvedljivosti
40
Opisana sestava in delovanje slikovnega senzorja sta le pribliţek občutljvosti
zaznave barv in tonov, ki jo v človeškem telesu opravlja mreţnica (retina).
Večina standardnih digitalnih fotoaparatov, vgrajeni v mobilne naprave, vsebuje filter IR-
CUT [114, 115]. Ta posredno s filtriranjem valovnih dolţin, višjih od vidnega spektra
(nad 700 nm), ţe v osnovi prepreči uporabo oziroma zajem slike v IR-prostoru in s tem
širšo izvedljivost pristopa [37]. V podrobni analizi mobilnih naprav, ki so primerne za
uporabo na področju m-zdravja (t. i. pametni telefoni), smo ugotovili, da je omenjeni
filter (pribliţne debeline 1 mm) ţe samodejno dodan pri proizvodnji namenskih slikovnih
senzorjev, ki se uporabljajo v vsakodnevnih mobilnih napravah, in ga je, predvsem zaradi
optimizirane izvedbe senzorja in manjše dimenzije, teţko odstraniti. Prav tako smo
ugotovili, da prve mobilne naprave (med letoma 2004 in 2006), ki so imele vgrajeno
kamero, tega filtra v večini niso vsebovale. Znano je, da so bile te naprave zelo omejene v
velikosti prikazovalnika, kakovosti vgrajene kamere in zajete slike (pod 1 megapiksel) ter
razvoju namenskih aplikacij. So pa te še vedno na voljo (t. i. osnovni telefoni, angl.
featured phone), a so posredno neprimerni za uporabo na področju m-zdravja. V primeru,
da pristop [37] temelji na teh napravah, lahko zagotovo trdimo, da je uporabnost take
rešitve omejena oziroma neuporabna na področju venepunkcije, predvsem glede
učinkovitosti.
Slika 4–3: Zgradba standardnega slikovnega senzorja sestavljena iz (1) mreţe svetlobnih
senzorjev, prekritih z (2) barvno mreţo – v primeru filtra Bayer sestavljene iz celic velikosti 2 x 2
(2 zelena, 1 model in 1 rdeč filter) – in (3) filtra, ki prepreči dostop IR-svetlobe [115].
V podpoglavju 3.3 smo predstavili obstoječe raziskave na področju nizkocenovne IR-
spektroskopije [30-36], ki so temeljile na predelavi in uporabi standardne kamere USB
kot primernega detektorja. Takšna predelava, ki je enostavno izvedljiva zaradi večjih
gradnikov kamere in izvedbe filtra IR-CUT, ki je večinoma vgrajen dodatno in ni
vsebovan na slikovnem senzorju [30-16, 114], zajema:
Zasnova modela in analiza izvedljivosti
41
odstranitev filtra IR-CUT, kar omogoči prehod IR-svetlobe do slikovnega
senzorja,
vgradnjo dodatnega filtra, ki prepreči dostop vidne svetlobe (angl. Infrared
Passthrough Filter, IR-PASS), in
temelji na dejstvu, da je večina senzorjev CCD in CMOS, ki se uporabljajo v standardnih
kamerah USB, občutljivih na IR-svetlobo do valovne dolţine pribliţno 1200 nm, kar
zajema NIR-spekter, ki je primeren za zaznavo podkoţnih ven (slika 4–4) [26-29, 30-36,
116]. Zaradi tega dejstva je v večini primerov dodan filter IR-CUT, saj je znano, da lahko
IR-svetloba povzroči motnje na zajeti sliki v vidni svetlobi (npr. dodatni svetli segmenti
ali poškodbe barv na sliki) [115, 116]. Uporaba filtrov IR-PASS je prav tako ustaljena
praksa fotografov, ki pa pri svojem delu uporabljajo namenske fotaparate, pri katerih je
izvedba filtra IR-CUT drugačna. Dejstvo je tudi, da sočasna uporaba filtrov IR-CUT in
IR-PASS (slika 4–4) prepreči dostop skoraj vse svetlobe do slikovnega senzorja.
Postopek, predlagan v [37], je v tem primeru in v okviru sodobnih mobilnih naprav
praktično neuporaben.
Slika 4–4: Povprečna občutljivost senzorjev CMOS – CCD in območje delovanja filtrov IR-CUT
in IR-PASS [115].
Iz slike 4–4 je razvidno, da so standardni senzorji CMOS ali CCD z dodatno vključitvijo
filtra IR-PASS primerni za uporabo v IR-območju med valovnima dolţinama 700–1000
nm, više pa sta njihova občutljivost in posredna uporabnost vprašljivi. Slika prikazuje
najbolj pogosti različici obeh filtrov in valovnih dolţin, v okviru katerih delujeta. Filter
IR-PASS lahko kupimo v obliki namenskega filtra (cenovni razpon od 40 do 50 EUR), ki
je večinoma v obliki, primerni za namestitev na objektiv fotoaparata. Študije na področju
Zasnova modela in analiza izvedljivosti
42
nizkocenovne spektroskopije pa temeljijo na uporabi klasičnega filma za razvijanje slik,
in sicer na podlagi osvetljenega in razvitega neuporabljenega dela barvnega filma, ki
predstavlja učinkovito nizkocenovno različico filtra IR-PASS [30-36, 114, 116]. Iz slike
4–5 je razvidno, da takšen filter prepušča zelo majhen del vidne svetlobe v primerjavi s
prepuščeno IR-svetlobo. Prav tako je, zaradi fizične oblike filma, preprosta poznejša
vgradnja v okvir kamere USB.
Slika 4–5: Optične lastnosti razvitega in osvetljenega klasičnega filma KodaColor 100 (Kodak,
ZDA) [117].
4.1.1 Izvedba v okviru mobilne naprave
V okviru eksperimentalnega dela smo, ne glede na ţe predstavljena dognanja, najprej
preverili moţnost predelave vgrajene kamere, pri čemer smo ugotovili:
da je filter IR-CUT prisoten in je postopek odstranitve prezahteven za splošnega
uporabnika ter lahko hitro vodi v poškodbe slikovnega senzorja (zaradi
optimizirane izvedbe), saj smo bili z odstranitvijo (tehnično osebje) uspešni samo
v enem izmed 4 poskusov,
da je obraten postopek skoraj nemogoč brez nakupa celotnega slikovnega
senzorja, prav tako je za zamenjavo potrebno usposobljeno osebje, in da
z odstranitvijo filtra kamere več ni moţno uporabljati za osnovni namen, saj zajeta
slika vsebuje preveč motenj, ki jih povzroči IR-svetloba.
Poskus smo izvedli na 4 mobilnih napravah Samsung Galaxy S II (Samsung Group, Juţna
Koreja), ki vsebujejo slikovni senzor vrste CMOS (velikosti 4,54 mm x 3,42 mm) in na
katerega je prilepljen filter IR-CUT. Predstavljene ugotovitve in pridobljene izkušnje so v
nasprotju s ciljnimi lastnostmi našega modela, predvsem s stališča preproste nadgradnje
brez negativnega učinka na napravo in uporabo te za primarne namene. Posledično je bila
uporaba vgrajene kamere izključena in izbran je bil pristop uporabe dodatne kamere kot
detektorja, pri čemer smo imeli na voljo:
nakup namenske kamere, ki deluje samo v NIR-prostoru, ali
Zasnova modela in analiza izvedljivosti
43
predelavo standardne kamere USB.
Skladno s ciljem nizkocenovne končne izvedbe smo izbrali pristop predelave standardne
kamere USB, in sicer na podlagi obstoječih izkušenj na področju nizkocenovnih raziskav
IR-spektroskopije in drugih virov [30-36, 114]. Za predelavo so bile izbrane naslednje
kamere:
Logitech HD Webcam C270 (Logitech International S.A., Švica),
Logitech HD Webcam C310 (Logitech International S.A., Švica) in
Logitech HD Pro Webcam C920 (Logitech International S.A., Švica).
Za izvedbo filtra IR-PASS sta bila izbrana:
klasični film (FujiFilm ISO 200 35mm Color Print Film, Fujifilm Holdings
Corporation, Japonska), ki smo ga neuporabljenega razvili, ter
namenski filter (Hoya Infrared R72, Kenko Tokina Co. Ltd., Japonska), ki
prepušča svetlobo z valovno dolţino 720 nm in više.
Odstranitev filtra IR-CUT se je v primerjavi z vgrajeno kamero izkazala za preprost
postopek, prav tako so na trgu dostopne ţe predelane kamere. V kamero C270 smo
vgradili namenski filter IR-PASS, v kamero C310 pa nizkocenovno različico v obliki
klasičnega filma. Obe kameri sta primerljive kakovosti. Prepustnost obeh izvedb smo
preverili na osebnem računalniku, povezanim z obema kamerama, namenske aplikacije za
zajem slike in dnevne svetlobe (brez neposredne izpostavljenosti viru svetlobe). Ugotovili
smo, da nizkocenovna različica filtra sicer prepušča še deleţ rdeče svetlobe, vendar je bilo
ocenjeno, da to ne bo bistveno vplivalo na nadaljnji postopek obdelave. Kakovost zajete
slike je bila v obeh različicah podobna (slika 4–6). Skladno z načelom nizkocenovnosti
smo za nadaljnje korake izbrali različico, ki kot filter IR-PASS uporablja klasični film.
1 2
Slika 4–6: Uporaba predelanih kamer in primerjava zajetih slik v IR-prostoru. (1) Uporaba
nizkocenovnega filtra in kamere C310 in (2) uporaba namenskega filtra in kamere C270.
Cilj naslednjega koraka je bila dejanska izvedba (uporaba predelane kamere kot
detektorja) v okviru mobilne naprave, pri čemer smo za nadaljnje delo izbrali naslednji
napravi z OS Android:
mobilni telefon Samsung GALAXY Nexus (Android 4.0.4, Samsung Group,
Juţna Koreja) in
Zasnova modela in analiza izvedljivosti
44
tablični računalnik Acer Iconia Tab A510 (Android 4.1.0, Acer Inc., Tajska).
Ţe na začetku smo se soočili z naslednjima izzivoma:
izvedbo načina električnega napajanja, ki ga potrebuje kamera, in
povezljivostjo ter posredno uporabo zunanje kamere USB na mobilni napravi.
Razrešitve obeh izzivov, ki sta skoraj neopazna v povezavi z osebnim računalnikom kot
osrednjim gradnikom v preteklosti in upoštevanjem ciljnih lastnosti našega modela, ni
bilo mogoče izvesti, saj ustrezna mobilna tehnologija ni bila na voljo ali dovolj
zmogljiva.
Izvedbo načina električnega napajanja smo razrešili na podlagi univerzalnega serijskega
vodila (angl. Universal Serial Bus, USB) in omejene podpore tega na mobilni napravi. V
zadnjih letih se večina mobilnih naprav polni prek enotnega priključka mikro USB, ki v
novejših napravah (npr. Android 4.0) podpira funkcijo gostiteljskega načina USB (angl.
On-The-Go, OTG) [118]. Ta omogoča, da mobilna naprava prevzame vlogo gostitelja in s
tem omogoči povezljivost s drugimi zunanjimi napravami, ki so napajane prek vodila
USB ali pa imajo lasten zunanji vir, kar na podlagi naših zahtev ni zaţeljeno. Za
povezavo je potreben vmesnik (imenovan USB OTG adapter), ki omogoča pretvorbo
USB moškega vmesnika zunanje naprave v USB mikro moški vmesnik, ki je za potrebe
napajanja vgrajen v mobilno napravo, in s tem omogoči neposreden prenos podatkov med
mobilno napravo in zunanjo napravo USB. Specifikacije USB OTG omejujejo napajanje
prek vodila na 100 mA električnega toka in posredno ne prepoznajo naprav, ki zahtevajo
več in so brez lastnega vira napajanja, zato je bil naš prvi poskus priključitve kamere (na
podlagi opisanega sistema) neuspešen. To smo razrešili s programsko spremembo prek
izvirnega vmesnika Java (angl. Java Native Interface, JNI) in omejitev dvignili na 500
mA, ki predstavlja zgornjo mejo jedra OS Android. Ker uporabljene kamere na podlagi
meritev porabijo od 70 mA (v stanju mirovanja) do 700 mA pri zajemu videovsebine v
najvišji kakovosti (720 p), je bila sprejeta odločitev, da bomo pri nadaljnjem delu
podpirali zajem v ločljivosti do pikslov, kjer kamere v povprečju za svoje
delovanje potrebujejo 240 mA. Ne glede na omejitev 500 mA smo na podlagi meritev
uspeli testne naprave obremeniti z dodatnimi 940 mA, vendar nismo dodatno preverili
dolgoročne stabilnosti delovanja (nad 4 ure).
Po razrešitvi teţave napajanja je bil naš naslednji korak omogočiti dejansko uporabo
zunanje kamere, saj zaradi prisotnosti vgrajenih kamer te niso podprte na standardnih
mobilnih napravah. Na začetku poglavja smo omenili, da OS Android temelji na okrnjeni,
a optimizirani za uporabo na mobilni napravi različici jedra OS Linux, ki ne vsebuje
potrebnih gonilnikov in programskih knjiţnic (na vseh ravneh predstavljene arhitekture
OS Android), ki bi omogočale splošno delovanje in posredno uporabo zunanjih kamer v
namenski mobilni aplikaciji. Podpora prek USB OTG pa je sistemsko omejena na
preproste naprave (npr. vhodne enote in zunanje pomnilniške medije USB). Po temeljitem
pregledu smo ugotovili, da obstaja samo ena trţna rešitev v obliki dodatnega
programskega ogrodja [119], ki omogoča uporabo zunanjih kamer na OS Androidu. Po
Zasnova modela in analiza izvedljivosti
45
analizi pogojev uporabe in povezane licenčnine smo moţnost uporabe tega ogrodja
opustili in se odločili za razvoj lastne rešitve v okviru okrnjene različice jedra OS Linux,
na kateri temelji OS Android.
Splošna arhitektura, ki na OS Linux omogoča uporabo zunanjih kamer USB, je
sestavljena iz naslednjih gradnikov [112, 113]:
kamere, ki je zdruţljiva s standardom USB Video Class (UVC); ta za svoje
delovanje ne potrebuje posebnega gonilnika, temveč je ţe v OS-u,
omenjenega splošnega gonilnika, ki je v primeru OS Linux poznan kot gonilnik
uvcvideo, in
knjiţnice Video4Linux (V4L2), ki je del gonilnika uvcvideo in omogoča višje
nivojski dostop in upravljanje s kamero prek programskih vmesnikov.
Primarna cilja našega pristopa sta bila priprava in razvoj okrnjene različice obstoječega
odprtokodnega gonilnika uvcvideo, ki bo deloval na OS Androidu skladno s cilji našega
modela. Zasnovana uspešna rešitev, ki se je med nadaljnjim razvojem nadgrajevala, nam
v osnovi omogoča:
uporabo s standardom UVC zdruţljive zunanje kamere USB na OS Android
(večina kamer USB ta standard podpira),
zajem slike ali videotoka v ločljivosti pikslov v formatu YUY2
(predstavljen v nadaljevanju) in
upravljanje vseh nastavitev kamere (npr. spreminjanje kontrasta in svetilnosti za
potrebe nadaljnje obdelave).
S predlaganimi pristopi in razrešitvijo obeh izzivov smo dokazali izvedljivost detektorja
kot prvega gradnika NIR-spektroskopa na standardni mobilni napravi. Vpliv predlagane
izvedbe na samostojnost delovanja prikazuje slika 4–7. Test samostojnosti je temeljil na
primerjavi časa delovanja naprave (izključena moţnost mirovanja) in naprave, ki je imela
priključeno predlagano izvedbo detektorja in je prikazovala zajeti videotok v testni
aplikaciji. V povprečju je detektor na opazovanih napravah zmanjšal samostojnost za
32,75 %. Pred testom so vse naprave imele polno (100 %) baterijo, čas delovanja pa je bil
pozneje povzet iz dnevniških datotek posamezne naprave.
Zasnova modela in analiza izvedljivosti
46
Slika 4–7: Primerjava časa delovanja mobilnih naprav s priključenim detektorjem in brez.
V primerjavi z namenskimi napravami (glej podpoglavje 3.1), ki imajo povprečen čas
samostojnosti do 3 ure, smo bili v tej fazi raziskave (udejanjen samo detektor) s
pridobljenimi razultati visoko nad tem povprečjem. Spodnja meja končnega prototipa je
sicer s namenskimi primerljiva učinkovitost samostojnosti.
4.2 Vir infrardeče svetlobe Naslednji korak je predstavljala realizacija gradnika, ki bo omogočal osvetlitev
perifernega dela telesa in posredno zaznavo sevanja z ţe realiziranim pristopom
detektorja. Poleg sonca, ki predstavlja največji naravni vir NIR-svetlobe, a je zaradi moči
in okoliščin uporabe večinoma neprimeren na področju venepunkcije, obstaja več načinov
in izvedb vira IR-svetlobe [80, 81]:
volfram-halogenska ţarnica, ki seva širok spekter svetlobe,
diode LED, ki predstavljajo točkovni vir svetlobe in oddajajo ozek spekter z
omejeno močjo ter za svoje delovanje ne potrebujejo veliko energije,
laserji (ali laserske diode), ki lahko v IR-spektru oddajajo samo eno valovno
dolţino, in
drugi namenski viri, ki so omejeni s področjem uporabe.
Pri izbiri ustreznega vira za izbrano uporabo je treba upoštevati več okoliščin, saj se ti
razlikujejo po svojih lastnostih (npr. intenzivnosti svetlobe, usmerjenosti, obsegu
valovnih dolţin, velikosti, potrebni moči in ceni). Cena in potrebna moč sta pomembna
vidika v naši zasnovi, saj smo omejeni z virom napajanja, prav tako pa je končni cilj
nizkocenovna izvedba. Na tej podlagi in rezultatov obstoječih nizkocenovnih raziskav ter
potrebne valovne dolţine, ki je optimalna za absorpcijo, smo kot vir NIR-svetlobe izbrali
Zasnova modela in analiza izvedljivosti
47
svetleče diode LED (OIS-330-740-X-T, OSA Opto Light GmbH, Nemčija) z naslednjimi
lastnostmi [120]:
zgornja meja porabe električnega toka je 30 mA, kar nam je omogočilo
eksperimentiranje z večjim številom diod in moţnosti povezav teh na mobilni
napravi,
oddajajo IR-svetlobo v razponu 660–850 nm z vrhom (angl. peak) pri 740 nm,
torej znotraj našega ciljnega območja (slika 4–8),
usmerjena svetilnost (obsevanost) s kotom osvetlitve 40 ° in
močjo sevanja 6 mWsr-1
.
Slika 4–8: Porazdelitev intenzivnosti oddajne svetlobe izbrane diode NIR LED z vrhom pri
valovni dolţini 740 nm [120].
Sledila je zasnova vira osvetlitve v obliki polja diod LED (angl. LED array) z naslednjimi
cilji:
zadostna osvetlitev v področju zanimanja (ROI), ki bo omogočila zaznavo ven z
uporabo izbranega detektorja,
delovanje v okviru razpoloţljivega vira napajanja in vidnega kota detektorja ter
zasnova v kompaktni obliki, primerni za izvedbo in enostavno uporabo na
mobilni napravi.
Z virom ţelimo zagotoviti čim bolj primerno enakomerno osvetlitev, ki bo v ROI
omogočala zadostno zaznavo NIR-absorpcije in ne bo povzročila presvetlitve na podlagi
omejitev izbranega detektorja (slikovnega senzorja). Zasnova polja LED kot alternativna
rešitev nizkocenovne osvetlitve predstavlja velik izziv na številnih področjih [121,122]. V
nadaljevanju predstavimo radiometrično in fotometrično ozadje [123], na katerem temelji
zasnova našega vira. Ker smo pri našem delu omejeni na NIR-svetlobo, bomo v
nadaljevanju uporabljali radiometrične velikosti, pri čemer enačimo osvetlitev z
obsevanostjo.
Zasnova modela in analiza izvedljivosti
48
4.2.1 Obsevanost in sevalne lastnosti diod LED
Površini, ki je obsevana (ali osvetljena na področju fotometrije) z virom sevanja,
obsevanost pada s kvadratom razdalje od vira (slika 4–9) [124]:
(4.1)
pri čemer je (Wm-2
) obsevanost (angl. irradiance) dane točke na razdalji od svetila,
ki leţi na površju, katerega normala kaţe v smeri vpadnih ţarkov in (Wsr-1
) sevalnost
(ali svetilnost na področju fotometrije) točkastega vira v dani smeri. V primeru
nagnjenosti obsevane površine glede na smer vpadnih ţarkov moramo upoštevati še
vpadni kot sevanja (slika 4–11):
(4.2)
pri čemer je vpadni kot (angl. angle of incidence) med smerjo vpadnih ţarkov in
normalo na ploskev [123]. Enačbo 4.2 poznamo kot Lambertov kosinusni zakon [121-
123], ki določa obsevanost površja v odvisnosti od vpadnega kota ţarkov.
Slika 4–9: Ponazoritev padanja obsevanosti.
Zasnova modela in analiza izvedljivosti
49
Slika 4–10: Obsevanost ploskve, ki ni pravokotna na smer sevanja, je enaka prejetemu sevanju
pravokotne ploskve, pomnoţeni s kosinusom kota sevanja.
Vir sevanja označimo kot popolni Lambertov vir [124], če je njegova porazdelitev gostote
izsevanega svetlobnega toka neodvisna odsmeri sevanja. V tem primeru je sevalnost
(svetilnost) vira odvisna od smeri opazovanja:
( ) (4.3)
pri čemer je sevalnost v smeri normale sevalne površine in kot opazovanja glede na
normalo.
V primeru LED-diode nimamo več opravka s popolnim Labertovim virom. Porazdelitev
sevalnosti diode podaja enačba [126, 127]:
( ) (4.4)
pri čemer je vrednost, ki je odvisna od izvedbe diode in posredno razpoloţljivega kota
sevanja (podan v specifikacijah diode kot vidni kot diode – v našem primeru je
). Vrednost na podlagi izrazimo iz enačbe 4.4 z:
( ) (4.5)
pri čemer je polovični kot sevanja (angl. half view angle). Ta določa območje (slika 4–
11), kjer sevalnost svetila in s tem obsevanost površja pade pod polovico (v naših
izbranih diodah je ). Večina diod ima , v primeru govorimo o
Zasnova modela in analiza izvedljivosti
50
popolnem Lambertovem viru (enačba 4.3). Obsevanost (osvetljenost) točke na površju je
definirana z [126, 127]:
( ) ( )
(4.6)
pri čemer je vpadni kot med smerjo vpadnih ţarkov in normalo na ploskev, razdalja
točke od svetila (dioda LED) in kot opazovanja glede na normalno obsevano površje.
V primeru vzporednih ravnin (površja in svetila) velja = in lahko obsevanost
zapišemo kot [127]:
( )
=
(4.7)
Če upoštevamo, da je ( ) , lahko enačbo 4-7 izrazimo kot:
( )
(4.8)
S postavitvijo diode na poloţaj ( ) in pretvorbo enačbe 4-8 v kartezijeve koordinate
lahko obsevanost točke ( ) izrazimo z [126, 127]:
( )
,( ) ( ) -
. (4.9)
Posredno lahko obsevanost izbrane točke z diodami opišemo z:
( ) ∑
,( ) ( )
-
(4.10)
Na podlagi enačbe 4.10 lahko preprost primer obsevanosti točke, obsevani z dvema
diodama, ki sta med seboj oddaljeni z razdaljo d in leţita v isti ravnini, ponazorimo z
enačbo:
( )
{0(
)
1
0(
)
1
}
(4.11)
Ponazoritev obsevanosti točke na podlagi opisanih enačb prikazuje slika 4–11. Enačba
4.11 in slika 4–12 predstavljata primer enostavnega linearnega polja LED, kjer je
obsevanost točke na površju odvisna od razdalje med diodama, kota sevanja in razdalje
posamezne diode do izbrane točke. V primeru dveh diod LED je razdalja , ki omogoča
enakomerno obsevanost povečanega površja (v primerjavi z eno diodo, slika 4–13),
določena z [121]:
Zasnova modela in analiza izvedljivosti
51
√
(4.12)
Slika 4–11: Ponazoritev obsevanosti točke na podlagi enačb 4.4–4.9. Izven območja
obsevanost površja pade pod polovico.
Enačba 4.11 predstavlja samo preprost primer, saj se v praksi uporabljajo različne
konfiguracije in postavitve večjega števila diod (npr. kroţna ali mreţna polja LED), in
sicer glede na ciljno porazdelitev obsevanosti površine ter druge okoliščine (npr. omejena
velikost izvedbe polja). Vse izvedbe pa temeljijo na enačbi 4.10, ki je naprej razvita glede
na matematičen model določene izvedbe (postavitve in števila diod). Zaradi zahtevnih
izračunov, ki so potrebni za najboljše udejanjenje polja, se večinoma pri njegovem
razvoju uporabljajo ustrezne simulacijske programske rešitve.
Zasnova modela in analiza izvedljivosti
52
Slika 4–12: Obsevanost točke z dvema diodama, kjer sta na površju opazna oba vira sevanja.
Na podlagi enačbe 4.10 in slike 4–13 vidimo, da bi za enokomerno obsevanost celotne
površine (vseh točk) bilo primerno mreţno polje LED. Predstavljene enačbe in primeri ne
upoštevajo morebitnih drugih virov svetlobe (naravnih ali umetnih) in njihovega vpliva
na obsevanost površja. V nadaljevanju bomo vnovič uporabljali fotometrične veličine.
Slika 4–13: Primer obsevanosti z upoštevanjem enačbe 4.12. Enakomerno obsevano površje je
večje kot v primeru samostojne diode, pri čemer na površju ne opazimo dveh virov sevanja.
Zasnova modela in analiza izvedljivosti
53
4.2.2 Zasnova vira osvetlitve
V našem primeru je bil torej cilj zasnova polja LED, ki bi omogočilo primerno
enakomerno osvetlitev (ali zadosten pribliţek) na površini, ki jo zajame vidni kot kamere,
in sicer brez uporabe dodatnih filtrov (npr. polarizacijskih). To ponazori slika 4–14. Ker
sta od načina in intenzivnosti osvetlitve odvisna absorpcija (glej podpoglavje 2.3.1) in
posredno zaznava ven na zajeti sliki [128], bi neustrezna osvetlitev lahko povzročila:
nepravilen ali prekinjen prikaz ven na mestih v ROI, ki ne bi bili osvetljeni,
povečanje moţnosti slabše zaznave podmnoţice ven v ROI, v primeru, da bi te
bile osvetljene izven območja, določenega s sevalnim kotom diode LED, in
manjšo prodornost NIR-svetlobe in s tem slabšo zaznavo ven v večji globini.
Slika 4–14: Osvetljeno površje in vidni kot kamere. Cilj je zagotoviti enakomerno osvetlitev v
ROI, ki ga zajame detektor.
Pri tem je treba še upoštevati omejitve slikovnega senzorja detektorja. S poskusi smo
ugotovili, da ta povzroči presvetlitev in posledično vidne motnje na sliki, ko je razdalja
posamezne izbrane diode zelo blizu (manj kot 10 cm) od ROI. V točki na ROI, ki je
pravokotna na diodo, je prisotna največja intenzivnost osvetlitve, ki pada na podlagi
zakona oddaljenosti in sevalnega kota diode. Te točke in njihova neposredna okolica so
bile zaradi povzročene presvetlitve označene kot mejne in so bile upoštevane pri zasnovi
polja, njihov učinek pa je bil upoštevan pri nadaljnji določitvi ROI v okviru postopka
vizualizacije. Pri zasnovi modela in ob upoštevanju okoliščin (ki vplivajo na osvetlitev)
smo uporabili simulacijsko orodjo (preizkusna različica) TracePro 7.5.7 (Lambda
Research Corporation, ZDA). Slika 4–15 prikazuje zaslonsko sliko orodja TracePro.
Zasnova modela in analiza izvedljivosti
54
Slika 4–15: Zaslonska slika orodja TracePro.
Slika 4–16 predstavlja končno zasnovo predlaganega vira osvetlitve, ki temelji na
predstavljenem ozadju, ciljnih lastnostih končne izvedbe in eksperimentalnem delu, ki je
bil potreben za končno optimizacijo modela osvetlitve. Zasnova je temeljila na analizi
slik, zajetih z izbranimi detektorji (NIR-slike perifernih delov telesa), in potrebni
optimizaciji modela na podlagi rezultatov. Cilj je predstavljala zadostna zaznava ven na
zajetih slikah, ki so temnejše od preostalega tkiva (slika 4–17).
Optimizacija modela je pri tem temeljila na:
primerjavi zajetih slik z obstoječimi razpoloţljivimi slikami, ki so bile zajete v
okviru uporabe namenskih naprav (podpoglavje 3.1),
Zasnova modela in analiza izvedljivosti
55
primerjavi zajetih slik z določeno različico (iteracijo) našega modela osvetlitve in
detektorja ter slik, ki smo jih zajeli z našim detektorjem in uporabo volfram-
halogenskih ţarnic različnih valovnih dolţin (OSRAM Licht AG, Nemčija),
spremembah števila diod in postavitvi na podlagi simulacijskih rezultatov in
analiz zajetih slik ter
analizi globine zaznanih ven na zajeti sliki, pri čemer smo za meritev globine
uporabili ultrazvočno napravo ACUSON Sequoia 512 (Siemens Medical
Solutions, ZDA), ki je bila na voljo v okviru raziskovalne skupine.
Slika 4–16: Zasnovani model osvetlitve končne različice prototipa na razdalji 30 cm od ROI. (1)
Območje sevanja ene izbrane diode LED (označena z rdečim krogom), ki ji intenzivnost
(označena s sivim gradientom) pade pod 50 % pri polmeru 10 cm (pribliţek). (2) Zasnovano
mreţno polje LED s 4 diodami. (3) Vidni kot kamere, ki predstavlja ROI, in posredno območja
zajete slike.
Predstavljeni model (slika 4–16) je bil na podlagi dodatnih meritev in testiranj v različnih
okoliščinah osvetlitve (npr. pod vplivom ambientalne svetlobe) izbran kot končna rešitev
trenutne različice prototipa, ki bo predstavljena v tej disertaciji. Pripadajoča vezalna
shema je prikazana na sliki 4–18.
Zasnova modela in analiza izvedljivosti
56
Slika 4–17: Primer zajete slike v okviru našega sistema (detektor in vir osvetlitve) pred
postopkom obdelave.
Izvedbo na mobilni napravi smo skladno s ciljem kompaktne zasnove in preprostosti
uporabe razrešili z:
vgradnjo celotnega vira osvetlitve v splošni nizkocenovni gibljivi ovitek (ali
okvir), ki se uporablja za zaščito zadnje strani mobilne naprave in je enostaven za
predelavo, in
priključitev vira na vodilo USB za potrebe električnega napajanja, in sicer s
predelavo kabla USB, ki ga uporablja detektor in je posredno napajan prek
povezave USB OTG z mobilno napravo (glej podpoglavje 4.1.1).
Pri zasnovi smo dodatno upoštevali še razpoloţljiv vir napajanja, ki je vplival na izbrano
število diod in končno izvedbo. Podobno kot v prejšnjem podpoglavju smo analizirali
vpliv skupne izvedbe (detektorja in vira osvetlitve) na samostojnost delovanja mobilne
naprave, pri čemer je primerjana naprava imela priključen detektor in vir osvetlitve. Vpliv
na samostojnost delovanja je prikazan na sliki 4–19. V povprečju je celotna izvedba na
opazovanih napravah zmanjšala samostojnost za 55,13 %. Opazili pa smo primer, ki smo
ga uspeli večkrat ponoviti na mobilnem telefonu Samsung GALAXY Nexus. Ko je stanje
baterije padlo na pribliţno 10 %, je intenzivnost sevanja diod začela naključno pojenjati.
To je bilo ocenjeno kot sprejemljivo, saj smo še vedno ostali znotraj zaţeljenega okna
samostojnosti.
Zasnova modela in analiza izvedljivosti
57
Slika 4–18: Vezalna shema modela, predstavljenega na sliki 4–16.
Slika 4–19: Primerjava časov delovanja.
Zasnova modela in analiza izvedljivosti
58
Z zduţitvijo dobljenih rezultatov in predlaganih izvedb primarnih gradnikov lahko
osnovni konceptualni model (slika 4–1) predstavimo v obliki končnega modela na sliki 4–
20 in sliki 4–21. Na podlagi iterativnega razvoja končnega modela so bile udejanjene prve
različice prototipa, ki bo v končni izvedbi predstavljen v 6. poglavju.
1
2
3
Slika 4–20: Končni predlagani model – izvedba strojnega dodatka. (1) Dodatek, ki vključuje
izbrani detektor v obliki predelane standardne kamere USB in vir osvetlitve. Oba gradnika sta v
okviru gibljivega okvirja, ki se namesti na zadnjo stran mobilne naprave. (2) Distribucija
osvetlitve ene diode LED. (3) Povezava dodatka (1) s kablom USB in vmesnikom USB OTG.
Zasnova modela in analiza izvedljivosti
59
Slika 4–21: Končni predlagani model prototipa – osnovna arhitektura pripadajoče mobilne
aplikacije. (1) Programske knjiţnice za zajem in obdelavo slike (zajem slike in videotoka,
upravljanje nastavitev, postopki izboljšanja zajete slike in dodatne vizualizacije). (2) Uporabniški
vmesnik aplikacije (realno-časovna vizualizacija ven in druge nastavitve oziroma
funkcionalnosti).
Zasnova modela in analiza izvedljivosti
60
Predlagani postopek obdelave in dodatne vizualizacije
61
5 Predlagani postopek obdelave in dodatne vizualizacije
Osnovni namen poglavja je predstavitev postopkov obdelave zajete slike in dodatne
vizualizacije podkoţnih ven. Predlagana vizualizacija temelji na širši študiji postopkov in
vsebujočih algoritmov prepoznave in vizualizacije, ki se uporabljajo na področju
biometrije in v okviru predstavljenih namenskih naprav ter sorodnih raziskav na področju
nizkocenovne spektroskopije (v nadaljevanju nizkocenovne raziskave). Na podlagi
analize omenjenih postopkov, ki jih bomo predstavili v nadaljevanju, in ţe udejanjenih
gradnikov, smo zasnovali dva nova postopka, ki ob upoštevanju določenih predpostavk
uporabe omogočata primerno realno-časovno vizualizacijo na izbranih mobilnih
napravah.
5.1 Biometrična prepoznava Biometrija se ukvarja s prepoznavo oseb na podlagi njihovih enoličnih (fizioloških ali
telesnih) značilnosti, kot so npr. prstni odtis, očesna mreţnica, obraz, ušesa in, skladno z
našim področjem, prepoznavo na osnovi venskega pleteţa [116, 129, 130]. Za
prepoznavo vsake izmed naštetih značilnosti se uporabljajo različni sistemi, ki zajemajo
ustrezne strojne in programske rešitve. V primeru prepoznave na podlagi venskega
pleteţa se uporabljajo podobni gradniki, ki smo jih opisali v okviru NIR-spektroskopije,
in temeljijo na enakih izhodiščih. V primerjavi z uporabo NIR-spektroskopije na področju
vizualizacije ven za potrebe venepunkcije, ki predstavlja dokaj nov pristop, je
biometrična prepoznava ven ţe ustaljena tehnologija, ki je bila prenešena v številne
izvedbe in področja uporabe [116, 129]. Osnovni namen teh sistemov je zelo natančna
prepoznava vzorca, na podlagi katerega lahko osebo določimo enolično. V nadaljevanju
se bomo omejili na področje ven (venskega pleteţa) in prepoznave venskega vzorca na
podlagi zajete NIR-slike. Ker se biometrija večinoma uporablja na področju varnosti,
lahko postopke obdelave zajete slike (prepoznava, zajem in primerjava vzorca) označimo
kot zelo natančne in zahtevne, ki sicer ne zahtevajo realno-časovnega izvajanja, vendar
predstavljajo preverjeno izhodišče pri zasnovi našega pristopa. Slika 5–1 predstavlja
visokonivojski potek celotnega postopka prepoznave venskega vzorca na podlagi zajete
slike.
Predlagani postopek obdelave in dodatne vizualizacije
62
Slika 5–1: Postopek obdelave zajete slike venskega pleteţa za uporabo na področju biometrije.
Predlagane biometrične pristope digitalne obdelave slik venskega pleteţa pri
posameznem koraku bomo povzeli v nadaljevanju. Pri tem bodo opisane enačbe
predstavljale osnovno ozadje posameznih pristopov in pripadajočih algoritmov, na katerih
deloma temeljita tudi naša predlagana postopka.
5.1.1 Zajem slike in predobdelava
Zajem temelji na enakih izhodiščih kot naš predlagani sistem, in sicer na uporabljenih
gradnikih (detektor in vir osvetlitve) ter optičnih lastnostih tkiv v območju valovne
dolţine 740–760 nm. Iz razlogov praktičnosti izvedb biometrični sistemi temeljijo
predvsem na zajemu slike dela roke (npr. prst) v mirovanju. To predstavlja prvo razliko s
sistemi na področju venepunkcije, kjer bi ta omejitev negativno vplivala na praktičnost
uporabe. Zajeto sliko, ki se prek vzorčenja in kvantizacije pretvori v digitalno sivinsko
sliko, lahko v dvodimenzionalnem prostoru definiramo kot matriko ( ). V večini
primerov se na področju NIR-spektroskopije srečujemo z 8-bitnimi sivinskimi slikami
[116]. V prvem koraku je potrebna določitev ROI, ki bo predmet nadaljnje obdelave.
Uporabljata se dva pristopa:
izvedba, ki zahteva postavitev roke na točno določeno mesto pod kamero, kjer je
ROI določena s poloţajem in dimenzijo na zajeti sliki [131], in
samodejna določitev ROI na podlagi analize zajete slike in prepoznanih ključnih
točk obrisa [132].
Ne glede na izvedbo je ključnega pomena, da je ROI v izbranem sistemu vedno enake
dimenzije in zajame potreben venski pleteţ. V nadaljevanju definiramo ( ) kot
izbrano področje ROI v ( ). Cilj predobdelave je izboljšanje kakovosti pred
postopkom segmentacije, predvsem zmanjšanje šuma in izboljšanje kontrasta. Predlagani
so različni načini, ki temeljijo na kombinaciji uporabe točkovnih operacij, filtriranja v
prostorski domeni in morfoloških operacij [133]. Najbolj pogosti pristopi [129, 133-135]
za zmanjšanje šuma, ki nastane v postopku zajema, predlagajo uporabo Gaussovega ali
medianinega filtra. Gaussov filter je linearen filter, defniran z:
Predlagani postopek obdelave in dodatne vizualizacije
63
( ) ( ) ( ) (5.1)
pri čemer sta in vhodna in izhodna slika, operator predstavlja operacijo
konvolucije, ki je določena s konvolucijsko matriko ali masko ( ) Ta določa velikost
okolice sosednjih pikslov in njihovih uteţi, ki bodo vplivali na novo vrednost izbranega
piksla v izhodni sliki. Učinek filtra je odvisen od velikosti in vrednosti matrike ki je v
primeru Gaussovega filtra določena na podlagi aproksimacije dvodimenzionalne
Gaussove funkcije, ki izhaja iz enodimenzionalne definicije [130]:
( )
√
(5.2)
pri čemer je standardna deviacija Gaussove distribucije in določa stopnjo glajenja.
Posredno je Gausova funkcija v dvodimenzionalnem prostoru podana z:
( )
(5.3)
Pristopi predlagajo uporabo , matrike (maske) velikosti in dvojne
konvolucije (ločenega navpičnega in vodoravnega prehoda) z uporabo
enodimenzionalnega jedra. Z uporabo medianinega filtra je predlagana odprava šuma, ki
ga v zajeti sliki povzroči poraščenost rok. Dlake so na zajeti sliki vidne kot tanke temne
linije, ki lahko vplivajo na pravilnost prepoznave venskega vzorca v koraku segmentacije.
Medianin filter je nelinearen filter, ki ga lahko opišemo z:
( ) * ( ) | ( ) + (5.4)
Vrednost piksla v sliki se zamenja z mediano vrednosti sosednjih pikslov, ki so določeni z
okolico . V predlaganih pristopih se uporabljajo velikosti okolice od 3 do 5 (odvisno od
izvedbe sistema in ločljivosti zajete slike). Čeprav se vene v zajeti sliki ţe razlikujejo od
preostalega tkiva, se predlaga dodatno izboljšanje kontrasta pred korakom segmentacije,
in sicer z uporabo točkovne operacije raztezanja histograma (angl. histogram stretching).
Ta razporedi sivine (ali barve) v sliki. Preprost algoritem linearnega raztezanja lahko
opišemo z [130]:
( )
{
(5.5)
pri čemer in predstavljata spodnjo in zgornjo mejo, na podlagi katere se določi nova
intenzivnost (sivina) piksla . V večini primerov se vrednosti in določita iz
najtemnejšega in najsvetlejšega piksla v originalni sliki.
Predlagani postopek obdelave in dodatne vizualizacije
64
5.1.2 Segmentacija in analiza
Glavni cilj segmentacije je ločitev venskega pleteţa od preostalih nepomembnih delov v
sliki ( ). Pogosto uporabljana pristopa temeljita na lokalnem upragovljanju (angl.
adaptive local tresholding) [135-137] in odkrivanju robov (angl. edge detection) [138].
Robove opredelimo kot lokalno spremembo intenzivnosti (sivine) na določenem območju
slike [130]. Posredno postopki odkrivanja robov temeljijo na iskanju mnoţice pikslov, v
katerih zaznamo spremembo intenzivnosti vzdolţ neke smeri, in sicer na podlagi
numeričnega odvajanja. Omenili smo, da venam, ki so v zajeti sliki temnejše od
preostalega tkiva, dodatno povečamo intezivnost z raztegom histograma. Najpogostejši
pristopi segmentacije ven na podlagi odkrivanja robov [116, 129, 138] predlagajo
uporabo Laplaceovega filtra, ki predstavlja visokoprepustni (angl. high-pass) filter,
temelječ na drugem odvodu zajete slike [130]:
( ) ( )
(5.6)
pri čemer je Laplaceova vrednost ( je Laplaceov operator) in je določena z
intenzivnostjo piksla v in numeričnim odvajanjem v smereh in . Filtriranje v praksi
izvedemo z uporabo ustrezne diskretne konvolucijske matrike [116, 130], ki predstavlja
aproksimacijo odvodov v smereh in :
[
] (5.7)
pri čemer je primer standardne filtrirne matrike. Velikost izbrane matrike je odvisna
od področja uporabe in zahtev natančnosti ter hitrosti izvajanja. Rezultat uporabe nad
je slika, kjer so vene poudarjene v primerjavi s preostalim tkivom – zaznani obrisi ven.
Ker filtriranje, ki temelji na drugih odvodih, okrepi šum, ga je treba predhodno odpraviti.
Kombinacija filtra Laplace in filtra Gauss, ki predhodno odpravi šum, je znana kot filter
Laplace – Gaussa (angl. Laplacian of Gaussian, LOG), ki je definiran z enačbo [116,
130]:
( ) , ( )- ( ) (5.8)
pri čemer je Laplace – Gaussov operator in ( ) Gaussov operator s standardno
deviacijo . Z upoštevanjem enačb 5.3 in 5.6 lahko filter LOG izrazimo z enačbo:
, ( )-
*
+ (5.9)
na podlagi katere izvedemo filtriranje LOG z diskretno matriko ustrezne velikosti in
operacijo konvolucije.
Predlagani postopek obdelave in dodatne vizualizacije
65
Upragovljanje, drugi način predlagane segmentacije, sivinsko sliko spremeni v
binarno obliko , ki na podlagi praga (angl. treshold) piksle originalne slike
(sivinske vrednosti) spremeni v 0 ali 1. Postopek opišemo z:
{ ( )
( ) (5.10)
Za ustrezno ločitev ven v binarni sliki, ki zajamejo mnoţico pikslov z vrednostjo 0, od
preostalega tkiva (ozadje) je torej potrebna primerna določitev praga . Uporabljata se
dva pristopa.
Globalno upragovljanje, ki vrednost določi kot povprečje sivin vseh pikslov v
zajeti sliki. Ker so vene na zajeti sliki predstavljene z različnimi sivinami, ki so
odvisne od načina osvetlitve, vpliva ambientalne svetlobe in drugih okoliščin,
globalni pristop v večini primerov ni ustrezen.
Lokalno upragovljanje, ki vrednost za določen piksel določi kot povprečje
sivin pikslov v okolici. Posredno postane lokalni prag ( ) piksla ( ) Če
okolico definiramo s kvadratno matriko velikosti , lahko upragovljeno
vrednost piksla ( ) opišemo z enačbo 5.11 in izračun praga ( ) z enačbo
5.12 [116, 130].
( ) { ( ) ( )
( ) ( ) (5.11)
( )
∑
∑ ( )
(5.12)
V dejanskih izvedbah se začetna velikost okolice določi eksperimentalno, njena
sprememba pa je omogočena prek uporabniškega vmesnika [116]. Pristopi [135-137]
temeljijo na lokalnem upragovljanju v koraku segmentacije, ki se sicer lahko uporabi
samostojno ali v povezavi z drugimi postopki obdelave (npr. LOG). Dodatno sta v koraku
segmentacije ven aktualna naslednja pristopa.
Algoritem ponavljajočega sledenja linijam (angl. repeated line tracking), ki
temelji na dejstvu, da so vene temnejše od preostalih delov (sivinska intezivnost
pikslov, ki predstavljajo veno, je niţja od okolice) [139, 140]. Pristop izbere
poljuben piksel ( ) in preveri intenzivnost okoliških pikslov, ki so določeni s
prerezom (angl. cross-section) širine 1 piksla in nastavljive dolţine, ki jo določata
piksla A in B (slika 5–2). V prerezu so piksli, ki zajemajo veno, vsebovani v t. i.
dolini (angl. valley) glede na intenzivnost pikslov okolice, ki je svetlejša. V
primeru, da je piksel ( ) prisoten v dolini, algoritem nadaljuje z naslednjim
pikslom, ki je določen glede na trenutni prerez, in globino doline. V primeru, da
trenutni piksel ( ) ni vsebovan v dolini, algoritem shrani vsebovane
piksle in se začne izvajati na drugem poloţaju. Postopek se iterativno ponovi za
vse piksle na sliki, ki ustrezajo predhodno izbranemu pragu. Posledično se lahko
piksel ( ) identificira v več iteracijah, kar predstavlja veliko verjetnost, da je
Predlagani postopek obdelave in dodatne vizualizacije
66
del venskega vzorca. Čeprav je algoritem časovno zahteven (priporočeno število
iteracij je vsaj 3000 na sliki velikosti pikslov), omogoča kakovostno
segmentacijo ven tudi na slikah slabše kakovosti.
Algoritem prepoznave venskega vzorca z upoštevanjem smeri (angl. direction
based vascular pattern extraction), ki predstavlja nadgradnjo lokalnega
upragovljanja [141]. Algoritem temelji na vzporedni uporabi dveh filtrov in
pragov, ki ločeno poudarita in segmentirata vene v smeri abcise in ordinate ter
zdruţitvi obeh rezultatov. V primerjavi s samostojnim lokalnim upragovljanjem,
pri katerem so lahko prisotne prekinitve venskega vzorca, algoritem omogoča
kakovostnejšo segmentacijo povezanega vzorca. To je pomembno (v določenih
izvedbah) pri določitvi ključnih točk vzorca ali v koraku primerjave.
V
ena
A
B
R(i,j)
A
B
R(i,j)
Področje doline
Sivina (intenziteta)
255
0
1 2
Slika 5–2: Prikaz prereza (1) in strukture doline (2), na katerih temelji algoritem [139].
5.1.3 Poobdelava
Rezultat segmentacije je binarna slika , ki lahko vsebuje dodatne nezaţeljene
informacije, ki vplivajo na kakovost segmentiranega venskega vzorca. Predpostavimo, da
so te informacije in venski vzorec v sliki predstavljeni z binarnimi vrednostmi 0. Cilj
poobdelave je torej:
odprava šuma in mnoţice pikslov (delcev – angl. binary large objects), ki niso del
venskega vzorca, ali
obratno, in sicer dodajanje morebitnih manjkajočih delcev (ali posameznih
pikslov) in s tem posredno izboljšanje strukture vzorca.
Predlagana je uporaba morfoloških operacij [116, 129], ki temeljijo na strukturnem
elementu ( ). Ta ima podobno vlogo kot konvolucijska matrika (glej enačbo 5.1). S
pregledamo vsak piksel v in na podlagi ujemanja ( z ) v izbranem pikslu
izvedemo določeno operacijo. S tem pregledamo in prilagodimo lastnosti vzorca v Osnovni morfološki operaciji sta [129, 130]:
, ki predstavlja operacijo raztezanja (angl. dilation). Ta razširi delce v
z dodajanjem pikslov glede na velikost in obliko .
Predlagani postopek obdelave in dodatne vizualizacije
67
, ki predstavlja operacijo krčenja (angl. erosion). Ta skrči delce v z
odstranitvijo določenih pikslov glede na ujemanje s .
Obe operaciji sta komplementarni in ju večinoma uporabljamo v naslednjih kombinacijah
[130]:
( ) , ki predstavlja operacijo odpiranja (angl. opening).
Ta odstrani delce, ki so manjši od , nato pa preostale delce razširi na pribliţno
enake začetne velikosti.
( ) , ki predstavlja operacijo zapiranja (angl. closing). Ta
zapolni prekinitve (manjkajoče piksle), ki so manjše od , nato pa se preostali
delci skrčijo na pribliţno enake začetne velikosti.
Odpiranje in zapiranje torej pomagata odpraviti šum in izboljšati kakovost
segmentiranega venskega vzorca. Podobno kot pri upragovljanju se velikost in oblika
primernega določi eksperimentalno na podlagi testiranja. Čeprav je omogočena
poznejša sprememba, ta zaradi statičnosti biometričnega sistema in načina uporabe, razen
v postopku začetne kalibracije, ni predvidena [116]. Za odpravo šuma in delcev, ki v
niso v neposredni okolici venskega vzorca, se predlagajo dodatni pristopi. Ti povzeto
zajemajo algoritme, ki poiščejo in odstranijo delce (mnoţice povezanih pikslov z
vrednostjo 0) velikosti od 5 do 10 % največjega delca v , ki predpostavljeno
predstavlja del venskega vzorca [116]. Opisane morfološke operacije niso omejene na
binarne slike, temveč se lahko uporabijo tudi na sivinskih ali barvnih slikah.
5.1.4 Prepoznava in primerjava vzorca
Zadnja dva koraka zajemata pristope prepoznave in primerjave venskega vzorca
(določitev ključnih točk ali strukturnih vzorcev), na podlagi katerih biometrični sistemi
preverijo identiteto uporabnika, in sicer s primerjavo z ţe obstoječimi zapisi v
podatkovnih bazah. Predlagani pristopi, ki sicer niso ustrezni ali potrebni v okviru
vizualizacije ven za potrebe venepunkcije, bodo informativno povzeti v nadaljevanju.
Prvi cilj prepoznave vzorca je izluščitev skeleta (angl. skeleton) venskega pleteţa iz
obdelane segmentirane slike. Neposredna uporaba zadnje namreč ni priporočljiva, saj je
širina ven odvisna od številnih okoliščin (npr. temperature in zdravstvenega stanja osebe),
kar bi lahko vodilo do napak v koraku primerjave. Skelet vzorca [142], ki predstavi
venski vzorec v obliki črt (širine 1 piksla), na drugi strani omogoča primerjavo ne glede
na dejansko stanje ven v trenutku zajema. Pristopi izgradnje skeleta zajemajo [116, 142]:
algoritme tanjšanja (angl. thinning), ki iterativno odstranjujejo (zaporedno ali
vzporedno) piksle venskega vzorca, dokler ta ni predstavljen s širino 1 piksla, in
algoritme klestenja (angl. prunning), ki na podlagi določenega praga odstranijo
odvečne linije v pridobljenem skeletu.
Predlagani postopek obdelave in dodatne vizualizacije
68
1 2
Slika 5–3: Segmentirana slika venskega vzorca (1) in pripadajoči vizualiziran skelet (2) na
podlagi algoritma [142] z večkratnih klestenjem.
Pridobljen skelet (slika 5–2) torej odstrani obliko, a ohrani globalno strukturo venskega
vzorca. Na podlagi skeleta se predlagajo naslednji pristopi prepoznave in primerjave
[116, 129, 143].
Analiza glavnih komponent (angl. Principal Component Analysis), s katero iz
skeleta pridobimo več vektorjev značilk, na podlagi katerih lahko izvedemo
primerjanje.
Modificirana Hausdorffova razdalja (angl. Modified Hausdorff Distance,
MFD), ki temelji na izračunu najmanjših razdalj med dvema mnoţicama točk
( ) na sliki in izbiri največje izmed teh razdalj – med dvema točkama ( ). Posredno Hausdorffova razdalja omogoča dokaj natančno ugotovitev
razlike med dvema slikama. Vendar ta zaradi opisanih pristopov segmentacije,
poobdelave in izgradnje skeleta venskega vzorca, ki lahko vsakokrat vsebuje
minimalne razlike v primerjavi s prejšnjo različico, ni dovolj zanesljiva. Ker lahko
majhna sprememba v skeletu vodi do izračuna napačne razdalje, ne glede na to, da
je večina vzorca enaka, se predlaga uporaba MFD. Ta temelji na zgornji omejitvi
izračuna najmanjših razdalj med dvema mnoţicama točk in dodatni izbiri
povprečne razdalje izmed teh razdalj.
Delaunayeva triangulacija (angl. Delaunay triangulation), ki na podlagi mnoţice
izbranih točk tvori optimalne trikotnike ne glede na vrstni red točk v mnoţici. Ker
so dolţine in koti tvorjenih trikotnikov vedno enaki, se te vrednosti lahko
uporabijo za primerjavo dveh vzorcev, tudi če nista enako usmerjena. Čeprav se
triangulacija večinoma uporablja na področju biometrične prepoznave prstnih
odtisov, je prisotna tudi v nekaterih izvedbah primerjave skeletov venskih
vzorcev.
Houghov transform, ki deluje na osnovi primerjave zaznanih linij in krivulj v
skeletnem vzorcu.
Predlagani postopek obdelave in dodatne vizualizacije
69
5.1.5 Primerjava postopka biometrične prepoznave z zahtevami na področju vizualizacije ven za potrebe venepunkcije
Ne glede na podobnost gradnikov se zahteve, dejanske izvedbe in načini delovanja
sistemov, ki temeljijo na NIR-spektroskopiji, bistveno razlikujejo med obema področjema
(biometrija in medicina). Osnovni zahtevi biometričnih sistemov sta namreč:
zelo natančna in ponovljiva izgradnja ter prepoznava skeleta venskega vzorca in
hramba skeleta (značilnosti ali strukture), ki omogoča poznejšo primerjavo in
identifikacijo uporabnika.
Biometrični postopki torej temeljijo na spremembi strukture venskega vzorca, ki postane
tako neodvisen od trenutnega stanja in oblike zajetih ven. To predstavlja prvo večjo
razliko s sistemi na področju vizualizacije ven za potrebe venepunkcije, kjer sta ohranitev
in čim boljša vizualizacija dejanske oblike nujni (glej podpoglavje 2.2) in predstavljata
primarno zahtevo teh sistemov. Posledično postopki vizualizacije ne zajemajo pristopov
obdelave, ki spremenijo obliko ven, ali pa je njihova uporaba zelo omejena. V tem
kontekstu so postopki, v primerjavi z biometričnimi, sicer enostavnejši, a na drugi strani
zahtevajo dodatne lastnosti, in sicer:
realno-časovno delovanje, ki v primeru biometričnih postopkov ni potrebno, saj ti
temeljijo na obdelavi posamezne zajete slike v razponu od 0,5 do nekaj sekund
[116, 130- 141],
delovanje v različnih okoliščinah uporabe (npr. razpoloţljiva osvetlitev, vpliv
ambientalne svetlobe in uporaba na različnih delih telesa), medtem ko so
okoliščine uporabe biometričnih sistemov dokaj konstantne,
čim bolj natančno vizualizacijo večjega dela ROI z upoštevanjem, da je področje
zajema (npr. roka) lahko v gibanju in ne v statičnem poloţaju kot v večini izvedb
biometričnih sistemov, in
dodatno vizualizacijo venskega vzorca, ki omogoča, da na podlagi zaznanih ven te
dodatno označimo (obarvamo).
Na podlagi analize namenskih naprav in nizkocenovnih raziskav lahko osnovni postopek
vizualizacije ven povzamemo s sliko 5–4, pri čemer je število dejansko potrebnih korakov
odvisno od izvedbe in načinov delovanja ostalih gradnikov. To je tudi razvidno iz
različnih načinov vizualizacije, ki jih omogočajo obstoječe rešitve (glej poglavje 3).
Predlagani postopek obdelave in dodatne vizualizacije
70
Slika 5–4: Visokonivojski koraki postopka vizualizacije ven v medicinske namene.
Skladno z dejstvom, da so namenske naprave [26-29] trţne, so opisi dejansko
uporabljenih pristopov obdelave zajete slike in povezanih algoritmov dokaj skopi. Vendar
lahko na podlagi analize načinov delovanja in uporabniških vmesnikov ter pregleda
razpoloţljive literature uporabljene pristope povzamemo z naslednjimi ugotovitvami:
vse naprave zajemajo pristope izboljšave kontrasta zajete slike in odprave šuma,
omogočajo realno-časovno izvajanje, ki je bilo potrjeno v okviru uporabe v
kliničnih študijah,
celoten postopek obdelave se izvede na napravi (prek namenskih strojnih in
programskih rešitev) in
razen naprave Veinsite [19] ne omogočajo dodatne vizualizacije zaznanih ven, kar
vodi do naše domneve, da ne zajemajo koraka segmentacije, temveč samo
prikaţejo (ali projicirajo) izboljšano – obdelano zajeto sliko.
Če povzamemo, nizkocenovne raziskave [31-36] predlagajo uporabo naslednjih
pristopov:
uporabo Gaussovega ali medianinega filtra kot pristopa odprave šuma,
operacijo raztezanja histograma za izboljšavo kontrasta,
lokalno upragovljanje in iskanje robov v koraku segmentacije ter
delno poobdelavo na podlagi morfoloških operacij.
Pri tem izpostavljamo, da so, podobno kot v primeru namenskih naprav, opisi predlaganih
pristopov omejeni. Prav tako predstavljeni rezultati in analize delovanja ne izkazujejo
realno-časovnega izvajanja dodatne vizualizacije, ki se v nekaterih raziskavah sicer
predlaga. Te ugotovitve smo (glej podpoglavje 3.3) povezali z omejitvami trenutnega
stanja tehnike na področju nizkocenovne spektroskopije in umestitvijo naše raziskave kot
naslednji korak na tem področju.
Predlagani postopek obdelave in dodatne vizualizacije
71
5.2 Predlagana postopka
Na podlagi analize predstavljenih postopkov, ţe udejanjenih gradnikov spektroskopa in
dodatnega raziskovalno-eksperimentalne obdelave zajetih slik v okviru našega sistema sta
bila zasnovana dva nova postopka, ki omogočata primerno realno-časovno vizualizacijo
podkoţnih ven na izbranih mobilnih napravah. Pri tem postopek razumemo kot vse
korake, ki so potrebni za končen prikaz zajete NIR-slike, torej skladno z opisom v sliki 5–
4. Primarna cilja, zastavljena v okviru zasnove, sta bila:
realno-časovno delovanje v različnih okoliščinah uporabe,
čim bolj natančna vizualizacija zajetega venskega vzorca, torej omejitev obdelav,
ki bi lahko spremenile obliko ven.
Postopka omogočata izbiro in uporabo štirih načinov (dodatne) vizualizacije v namenski
aplikaciji prototipa, ki bo predstavljena v naslednjem poglavju. Prvi postopek, ki temelji
na pristopih filtra Laplace in LOG, omogoča 2 načina vizualizacije (poimenovana LAP1
in LAP2). Drugi postopek, ki temelji na zaznavi robov z uporabo filtra razlike Gaussov
(angl. Difference of Gaussians, krat. DOG), omogoča dodatna 2 načina vizualizacije
(DOG 1 in DOG 2). Osnove pristopa DOG bodo opisane v nadaljevanju. Peti način
vizualizacije predstavlja najbolj pogost uporabljen pristop v okviru namenskih naprav in
nizkocenovnih raziskav, in sicer neposreden prikaz zajete NIR-slike z izboljšanim
kontrastom (ORG), torej brez dodatne vizualizacije venskega vzorca. Osnovni model
celotne predlagane vizualizacije je predstavljen na sliki 5–5. Korak zajema in priprave
slike ter določitve ROI je enak za oba predlagana postopka.
Predlagani postopek obdelave in dodatne vizualizacije
72
Slika 5–5: Model predlagane vizualizacije, ki zajema oba predlagana postopka in 5
načinov vizualizacije.
5.2.1 Zajem in priprava slike
Prvi korak zajema:
pretvorbo zajete slike v 8-bitno sivinsko sliko ( ), izboljšavo kontrasta z uporabo točkovne operacije raztezanja histograma (enačba
5.5) in
določitev ROI, torej slike ( ), ki bo predmet nadaljnje obdelave postopkov
LAP in DOG.
V podpoglavju 4.1.1 smo omenili razvito programsko knjiţnico za OS Android, ki
omogoča zajem slike (ali videotoka v ločljivosti 1024 x 768) iz priključenega detektorja
(predelane zunanje kamere USB) v nekompresiranemu formatu YUY2. Čeprav smo v
poznejših iteracijah razvito knjiţnico nadgradili še z drugimi formati stiskanja (MPEG-2
in MPEG-4), teh naknadno v tej raziskavi nismo uporabili. Prav tako smo zajem slike
omejili (kot dodaten prispevek h kočnemu realno-časovnemu delovanju) na velikost
slikovnih točk, ki je bila ocenjena kot zadostna za ciljno uporabo in
primerljiva z obstoječimi namenskimi sistemi. Format YUY2, ki je eden izmed
standardnih formatov kodiranja videosignala, temelji na barvnem modelu YUV, ki je
sestavljen iz naslednjih komponent [144]:
Predlagani postopek obdelave in dodatne vizualizacije
73
akromatičnega kanala Y (angl. luma), ki vsebuje informacijo o svetilnosti (angl.
brightness), in
dveh kromatičnih kanalov U in V, ki vsebujeta informacijo o barvi (angl.
chrominance).
YUY2 (imenovan tudi YUV 4:2:2) predstavlja sistem kodiranja slik (barvni model YUV)
v videosignal, v katerem si zaporedna piksla delita vrednosti U in V (angl. chroma
subsampling), kar omogoča opis posameznega piksla s 16 biti (slika 5–6) [145]. To
posredno vpliva na večjo hitrost prenosa.
Slika 5–6: Predstavitev pikslov v formatu YUV2.
V nasprotju s pristopi na področju nizkocenovne spektroskopije [33-36], ki temeljijo na
neposredni pretvorbi zajete slike iz barvnega modela YUV v barvni model RGB (pred
postopkom obdelave), v našem pristopu informacijo o barvi ignoriramo. Ta namreč v
okviru NIR-spektroskopije, ki temelji na sivinskih slikah, ni pomembna. Prav tako je
splošno znano, da je človeško oko bolj občutljivo na spremembe svetilnosti kot barv, kar
je tudi osnova formata YUV2. Sivinska slika ( ) je torej rezultat ekstrakcije
svetilnosti (Y) zajete slike ( ) in pretvorbe v 8-bitno sivinsko obliko, ki jo lahko
opišemo z enačbo:
( ) ( ) (5.13)
pri čemer sta in sliki v matrični obliki. Opisani pristop predstavlja prvi korak
optimizacije predlaganega modela vizualizacije v primerjavi z obstoječimi
nizkocenovnimi raziskavami. Sicer je celotna pretvorba v model RGB definirana kot
[146]:
[ ] [
] [ ] (5.14)
pri čemer je za pretvorbo v piksel modela RGB treba pregledati dva piksla modela YUV
(delitev vrednosti U in V). V dejanski implementaciji sta (zaradi hitrosti) priporočeni
uporaba iskalnih tabel (angl. lookup tables) in uporaba bitnih operacij seštevanja in
pomika (angl. shifting). Primer te pretvorbe je vsebovan v izvorni kodi našega prototipa
[40].
Slika 5–7 predstavlja primer zajete slike pred postopkom obdelave, ki smo jo pozneje
pretvorili v barvni model RGB in posredno v bitno sliko (angl. bitmap), kar sicer
Predlagani postopek obdelave in dodatne vizualizacije
74
predstavlja zadnji korak vizualizacije (slika 5–5). Pri tem imajo vsi kanali (RGB)
nastavljene enake končne vrednosti, saj celotna vizualizacija (na podlagi enačbe 5.1)
temelji na uporabi enega kanala. Slika 5–8 predstavlja isto sliko z ţe izvedeno operacijo
raztezanja histograma sivin, ki predstavlja prvi način vizualizacije (ORG). Primerjava
histrogramov (razporeditev intenzivnosti sivin) slik 5–7(2) in 5–8 je predstavljena na sliki
5–9.
Predlagani postopek obdelave in dodatne vizualizacije
75
Slika 5–7: Zajeta slika roke z uporabo standardne kamere (1) in posredno zajetega venskega
vzorca na podlagi našega prototipa NIR-spektroskopa (2). Sliki zaradi uporabe različnih kamer
nista v enakem razmerju.
Predlagani postopek obdelave in dodatne vizualizacije
76
Slika 5–8: Izboljšava kontrasta zajetega venskega vzorca na sliki 5–7 (ORG-vizualizacija).
1
2
Slika 5–9: Histogram sivin slik 5–7 (1) in 5–8 (2).
Izbira ROI v primerjavi z biometričnimi postopki ni teţavna ali omejena, saj mobilna
prototipna izvedba omogoča premično uporabo nad celotnim ROI. Za ROI je bilo izbrano
sredinsko področje slike ( ) v velikosti pikslov, ki predstavlja sliko
( ), pri čemer se v koraku predobdelave in segmentacije upoštevajo tudi sosednji
piksli izven R (razrešitev teţav obdelave robnih pikslov). Izbira ROI je skladna z vidnim
kotom detektorja in zasnovano osvetlitvijo. Rezultat obdelave je uporabniku prikazan v
okviru zajete slike (slika 5–10). Končna slika ( ) je torej sestavljena iz:
( ) * +, (5.15)
Predlagani postopek obdelave in dodatne vizualizacije
77
pri čemer je ( ) mnoţica operacij, ki jih izvedemo na glede na izbran način
vizualizacije .
1
Slika 5–10: Primer vizualizacije ORG in (1) izbranega poloţaja R (x,y) – ROI velikosti 320 x 240
slikovnih točk. Za namen tiska je bila zajeta slika dodatno osvetljena.
Izbrani pristopi obdelave in uporabljene vrednosti so bili določeni eksperimentalno na
podlagi delovanja in gradnikov predlaganega prototipa. V nadaljevanju bomo opisali
mnoţico operacij ( ), ki zajemajo postopka LAP in DOG. V obeh postopkih je
bila v ( ) predhodno izvedena izboljšava kontrasta.
5.2.2 Postopek LAP
Za odpravo prisotnega šuma v koraku predodelave uporabimo operaciji krčenja in
raztezanja po naslednji enačbi:
(.(( ) ) / ). (5.16)
je rezultat dvakratnega krčenja in raztezanja s kvadratnim stukturnim elementom
. Za zaznavo robov uporabimo Laplaceov filter:
( ) , (5.17)
pri čemer je diskretna konvolucijska matrika velikosti 31 x 31. Na podlagi izbire (prek
uporabniškega vmesnika) izberemo enega izmed dveh načinov upragovljanja
(spremenljivo globalno ali lokalno upragovljanje), ki ga izvedemo nad Oba načina sta
določena z:
Predlagani postopek obdelave in dodatne vizualizacije
78
( ) { ( ) ( )
( ) ( ) (5.18)
pri čemer je prag ( ), v primeru globalnega upragovljanja, predhodno določen kot
povprečje sivin vseh pikslov v in ga lahko nadaljnje prilagodimo (spremenimo) prek
uporabniškega vmesnika. V primeru lokalnega upragovljanja je prag ( ) določen s
kvadratno matriko velikosti 15 (glej enačbo 5.12). Sicer globalno upragovljanje v okviru
biometričnih postopkov ni priporočeno, vendar se je to v določenih primerih (kombinacija
osvetlitve z našim virom in naravne svetlobe) izkazalo kot zadostno in hitrejše kot
lokalno upragovljanje.
Binarna slika (rezultat upragovljanja) zajame mnoţico pikslov z vrednostjo 0 (venski
vzorec in morebiten šum) ter vrednostjo 1 (ozadje). Dodatna vizualizacija ven, ki jih
označimo z zeleno barvo (piksel obarvamo zeleno), se izvede na podlagi primerjave in
zdruţitve ter :
( ) { ( )
( ) ( ) (5.19)
pri čemer predstavlja piksel zelene barve. torej na mestih, kjer je ( ) , vsebuje , in na preostalih mestih ustrezen piksel iz . V zadnjem koraku ,
ki predstavlja končen rezultat obdelave , zdruţimo z zajeto sliko ( ) v končno sliko
( ):
( ) { ( ) ( )
( ) ( ) (5.20)
Vrednost piksla v ( ) je določena z njegovo vrednostjo v ( ) ali ( ), torej glede na lokacijo in velikost določene ROI na sliki . Meje ROI so v dodatno
označene s . Čeprav je končna vizualizacija na videz enaka, na podlagi izbire
upragovljanja ločimo dva načina te, in sicer:
vizualizacija LAP1 kot rezultat lokalnega upragovljanja in
LAP2 kot rezultat globalnega upragovljanja.
Primer končne vizualizacije LAP1 ali LAP2 prikazuje slika 5–11. V skladu s sprejetimi
omejitvami in primarnimi cilji vizualizacije (glej začetek poglavja) postopek LAP ne
zajema korakov poobdelave . To je delno razvidno na sliki 5–11, in sicer v zgornjem
delu ROI, kjer so prisotni dodatno nepotrebni vizualizirani deli, ki jih lahko razdelimo v
naslednje skupine:
drugi robovi (npr. roke ali robovi zajetih predmetov),
delci, ki nakazujejo prisotnost vene, vendar ta (zaradi premajhne absorpcije NIR-
svetlobe in posredno zajete slike) ni bila prepoznana v koraku segmentacije, in
morebitni ostali šum, ki izvira iz poraščenosti opazovanega dela telesa ali
prisotnosti drugih virov osvetlitve.
Predlagani postopek obdelave in dodatne vizualizacije
79
Na podlagi potrebe po realno-časovnosti delovanja in znanja anatomije uporabnikov so
bile povzete nepravilnosti označene kot sprejemljive in neovirajoče. Prav tako pa bi lahko
dodatna odstranitev delcev spremenila obliko ţe zaznanih ven, kar bi lahko imelo
negativen učinek pri izbiri primernega mesta venepunkcije. Razrešitev teţav, ki so
povezane s slabo zaznavo ven (nezadostna absorpcija NIR-svetlobe), je deloma
razrešljiva s premikom predlagane mobilne izvedbe na drugo lokacijo in posredno
ojačano osvetlitvijo tega področja interesa (npr. k deloma vizualizirani veni v bliţini
spodnjega roba ROI na sliki 5–11).
Slika 5–11: Primer vizualizacije LAP1 ali LAP2.
5.2.3 Postopek DOG
Postopek temelji na zaznavi in vizualizaciji robov (ven) z uporabo filtra DOG, ki
predstavlja razliko dveh Gaussovih filtrov glajenja [130, 147]. V nadaljevanju bodo
najprej predstavljene osnove filtra DOG in predlaganega postopka.
Gaussov filter je linearen filter glajenja, podan z enačbo [130]:
( ) ( ) ( ) (5.21)
pri čemer je konvolucijska matrika, ki aproksimira Gaussovo funkcijo v diskretnem
prostoru (enačba 5.2 in 5.3), in standardna deviacija, ki določa stopnjo glajenja slike . Rezultat konvolucije z ( ) je torej drugače glajena slika:
Predlagani postopek obdelave in dodatne vizualizacije
80
( ) ( ) ( ) (5.22)
Razliko obeh slik lahko podamo z enačbo:
, ( ) ( )- , ( ) ( )- (5.23)
Na podlagi lastnostni konvolucije lahko enačbo 5.21 zapišemo kot:
, ( ) ( )- ( ) ( ) (5.24)
pri čemer je operator operator razlike Gaussov [147, 148] in ga z upoštevanjem
enačbe 5.3 lahko izrazimo kot:
√ (
) (5.25)
Uporabo filtra DOG torej lahko opišemo z enačbo:
( ) ( ) (5.26)
pri čemer za uporabimo ustrezno aproksimacijo v obliki konvolucijske matrike.
Filter DOG predstavlja aproksimacijo filtra LOG, predvsem pri izbiri
√ in
√ [130, 147].
V praksi se zaznava robov s filtrom večinoma izvaja na podlagi enačbe 5.21, torej
uporabi dveh ločenih filtrov in izračunu absolutnih razlik med glajenima slikama. V
biometriji se filter DOG uporablja za prepoznavo značilnosti obraza v koraku
segmentacije [147-149], medtem pa njegova uporaba na področju obdelave NIR-slik in
vizualizacije ven v literaturi skoraj ni prisotna. V nadaljevanju bo opisan predlagan
postopek, ki temelji na filtriranju ROI z DOG. Rezultata postopka sta dva načina
vizualizacije, in sicer DOG1 in DOG2.
Vizualizacija DOG1 zajema naslednje korake obdelave .
1. Glajenje in odprava šuma v z uporabo Gaussovega filtra (na podlagi enačbe
5.21 ter uporabe filtrirne matrike velikosti 9 x 9 in ) .
2. Ločeno glajenje z uporabo dveh Gaussovih filtrov (uporaba matrike
velikosti 9 x 9 in ) in (uporaba matrike velikosti 5 x 5 in ). 3. Izračun absolutne razlike (enačba 5.23) med slikama in .
4. Izravnava histograma sivin (angl. histogram equalization) v , ki ima
v pripadajočem histrogramu enakomerno porazdelitev intenzivnosti (ravni sivin).
V zadnjem koraku na podlagi enačbe 5.20 zdruţimo in ( ) v končno sliko
( ). Meje ROI so v dodatno označene s . Slika 5–12 predstavlja primer
vizualizacije DOG1. Na sliki je dobro razvidna ločitev venskega vzorca od preostalih
Predlagani postopek obdelave in dodatne vizualizacije
81
delov, pri čemer tudi dodatno nepotrebno vizualizirani deli, v primerjavi z vizualizacijo
LAP (slika 5–11), niso tako izraziti in posredno moteči. Vizualizacija DOG1 je bila v
nadaljnji analizi prototipa identificirana kot najbolj uporabljena in učinkovita (glede na
okoliščine izvajanja venepunkcije).
Slika 5–12: Primer vizualizacije DOG1.
Vizualizacija DOG2 uvede dodaten korak v postopku vizualizacije DOG1 pred
zdruţitvijo v končno sliko , in sicer primerjavo intenzivnosti sivin in ter
dodatno vizualizacijo na podlagi rezultata primerjanja. Korak lahko opišemo z enačbo:
( ) { ( ) ( )
( ) ( ) ( ) (5.27)
pri čemer predstavlja piksel zelene barve. Slika 5–13 kaţe primer vizualizacije
DOG2. V primerjavi z DOG1 so dodatno nepotrebno vizualizirani deli sicer bolj izraziti,
vendar ti ne vplivajo na prepoznavo venskega vzorca. Dodatno se je vizualizacija DOG2
v primerih v temnejših prostorih izkazala primernejša kot DOG1.
Predlagani postopek obdelave in dodatne vizualizacije
82
Slika 5–13: Primer vizualizacije DOG2.
Sliki 5–14 in 5–15 prikazujeta različne primere vizualizacij prototipa, ki smo jih zajeli
med zasnovo predlaganih postopkov.
Predlagani postopek obdelave in dodatne vizualizacije
83
Slika 5–14: Primeri predlaganega modela vizualizacije: (1) ORG, (2) DOG1, (3) LAP2 in (4)
LAP1. ROI v teh primerih ni posebej označeno.
Slika 5–15: Primeri vizualizacije ORG na različnih delih telesa.
Predlagani postopek obdelave in dodatne vizualizacije
84
Predstavitev in ovrednotenje prototipa
85
6 Predstavitev in ovrednotenje prototipa
Na podlagi zasnovanega modela in posredno udejanjenih primarnih gradnikov, ki smo jih
podrobno predstavili v predhodnjih poglavjih, v tem poglavju predstavimo končno
različico prototipa, ki omogoča zaznavo in vizualizacijo podkoţnih ven na standardni
mobilni napravi. Poglavje končamo z ovrednotenjem delovanja in učinkovitosti prototipa.
6.1 Prototip »mVeinVision« Prototip predstavlja praktično izvedbo modela, ki smo ga zasnovali v 4. poglavju.
6.1.1 Razvoj in implementacija
Razvoj prototipa (kodno ime: mVeinVision) je temeljil na spiralni metodologiji razvoja
(angl. spiral metod), ki zdruţuje standardno in prototipno metodologijo. Ta temelji na več
iteracijah prototipiranja (angl. incremental prototyping) in postopni izboljšavi ali
nadgradnji funkcionalnosti na podlagi testiranja in analize delnih rezultatov. Slika 6–1
povzeto prikazuje celoten postopek razvoja prototipa na podlagi uporabljene
metodologije.
Na podlagi spiralne metodologije smo izdelali več različic prototipa, ki so zajemale le del
potrebnih gradnikov ali ciljnih funkcionalnosti. Te vmesne različice lahko zdruţimo v
naslednje zaporedne skupine:
prototip različice 0.x zajemajo mobilno napravo in NIR-detektor ter začetno
programsko arhitekturo sistema;
Prototip različice 1.x, ki so vključile vir osvetlitve in posredno uvedle nove
zahteve in povezane nadgradnje celotnega sistema;
prototip različice 2.x vključujejo analizo in optimizacijo vizualizacijskega
postopka in integracijo tega v celotno arhitekturo.
Implementacija je sledila smernicam razvoja mobilnih aplikacij za OS Android. Pri tem
smo uporabili razpoloţljive programske rešitve in razvojna okolja, kar povzemamo v
podpoglavju 9.2. V nadaljevanju bo predstavitev prototipa omejena na končno različico
izvedbe.
Predstavitev in ovrednotenje prototipa
86
Slika 6–1: Postopek razvoja končne različice prototipa na podlagi zasnovanega modela in
inkrementalnega prototipiranja.
6.1.2 Arhitektura
Strojna in programska arhitektura je v sestavljena iz naslednjih gradnikov:
zunanje kamere USB, ki je predelana za uporabo v NIR-prostoru (detektor),
vira osvetlitve (angl. NIR illumination accessory, NIA) in
namenske mobilne aplikacije, ki predstavlja centralni gradnik sistema.
Detektor in gradnik NIA sta realizirana v obliki strojnega dodatka, ki se namesti na
zadnjo stran mobilne naprave (glej podpoglavje 4.2.2). Sliki 6–2 in 6–3 prikazujeta
izvedbo dodatka v primeru tabličnega računalnika.
Predstavitev in ovrednotenje prototipa
87
Mobilna aplikacija je sestavljena iz naslednjih programskih gradnikov (slika 6–4):
upravitelj detektorja (angl. External Camera Manager, EXCAM), ki zajema
programske knjiţnice in vmesnike, ki omogočajo uporabo zunanje kamere ter
upravljanje z nastavitvami,
upravitelj vizualizacije (angl. NIR Image Processing Manager, NIP), ki zajema
implementacijo predlaganega vizualizacijskega postopka,
uporabniška aplikacija, ki zajema uporabniški vmesnik in ostale gradnike, ki so
potrebni za upravljanje in analizo delovanja celotnega sistema.
Skladno s smernicami razvoja in ciljnimi lastnostmi sistema sta gradnika EXCAM in NIP
implementirana v izvirnem programskem jeziku OS Android (C++), medtem ko je
uporabniška aplikacija implementirana v programskem jeziku Java. Komunikacija med
obema ravnema je omogočena prek vmesnika JNI.
Slika 6–2: Strojna arhitektura dodatka, ki zajema (1) detektor in (2) vir osvetlitve NIA, ki je
realiziran v obliki polja diod NIR LED (OIS-330-740-X-T). (3) Predstavlja vidni kot detektorja na
razdalji 30 cm od ROI in (4) porazdelitev osvetlitve ene diode NIR LED na tej razdalji. (1) in (2)
sta z napravo povezana prek ustreznega kabla USB.
Predstavitev in ovrednotenje prototipa
88
Slika 6–3: Izvedba strojnega dodatka v primeru tabličnega računalnika. Detektor in gradnik NIA
sta vgrajena v gibljiv zaščitni okvir, ki je nameščen na zadnji strani mobilne naprave.
Slika 6–4: Aplikacijsko ogrodje prototipa.
Fizično povezljivost strojnega dodatka in aplikacijskega ogrodja smo uresničili na podlagi
vodila USB ter specifikacij USB OTG (glej poglavje 4), in sicer z uporabo ustreznega
kabla USB in adapterja USB OTG. Praktična izvedba modela predlagane vizualizacije, ki
zajema oba predlagana postopka in 5 načinov vizualizacije, je glede na predstavljeno in
povezano arhitekturo sestavljena iz naslednjih osnovnih korakov in gradnikov:
Predstavitev in ovrednotenje prototipa
89
zajema slike v EXCAM,
obdelavi v NIP in
prikaza v mobilni aplikaciji.
Celoten postopek vizualizacije, ki vključuje vse potrebne gradnike ter njihove
medsebojne odvisnosti, predstavljamo na slikah 6–5 in 6–6.
Predstavljena strojna in programska arhitektura je sicer omejena na uporabo na
standardnih mobilnih napravah z OS Android (različice vsaj 4.0), vendar
predpostavljamo, da jo je moţno ustvariti tudi na drugih (primerljivih) mobilnih
napravah. Osnovni koraki takšne realizacije zajemajo:
razrešitev izziva fizične povezljivosti detektorja in gradnika NIA,
prenos (prepis) predlaganega aplikacijskega ogrodja in njegovih programskih
gradnikov v programski jezik ciljnega OS in
optimizacijo delovanja na izbrani mobilni napravi.
Podprtost in moţnost uporabe na vseh najbolj razširjenih in primerljivih mobilnih
napravah (OS iOS in Windows Phone) predstavljata končni cilj razvoja prototipa, kar
bomo podrobneje predstavili v sklepnem delu te disertacije.
Predstavitev in ovrednotenje prototipa
90
Slika 6–5: Diagram poteka zajema in obdelave zajete slike. Posamezni koraki vizualizacije v NIP
so predstavljeni na sliki 6–6.
Predstavljena arhitektura je prirejena za uporabo (aplikativnost) na področju venepunkcije
(s ciljem izboljšanja učinkovitosti prepoznave primernih mest punkcije podkoţnih ven
(npr. biometrija, NIR-analiza umetniških slik in na področju plastične kirurgije, predvsem
pri injiciranju botulin toksinov). Prav tako lahko predlagano in realizirano aplikacijsko
ogrodje razširi aktualne zmoţnosti povezljivosti mobilnih naprav Android z drugimi
napravami prek standarda USB OTG. Podpora tega je namreč sistemsko omejena na
souporabo preprostih naprav, kot so vhodne krmilne enote (npr. tipkovnica) in zunanji
pomnilniški mediji USB. Predstavljeno ogrodje pa omogoča razširitev te podpore, in
sicer:
neposredno, prek ţe uresničenih programskih gradnikov, ki omogočajo souporabo
naprav, ki temeljijo na zajemu slike (npr. uporaba mikroskopa USB ali
ultrazvočne sonde USB na mobilni napravi) in
posredno, z vključitvijo novih programskih gradnikov in gonilnikov v
odprtokodno ogrodje, ki omogočijo souporabo drugih vrst naprav, ki jih po
potrebi lahko napajamo tudi z zunanjim virom električne energije.
Predstavitev in ovrednotenje prototipa
91
Slika 6–6: Koraki obdelave zajete slike v gradniku NIP.
Predstavitev in ovrednotenje prototipa
92
6.1.3 Uporabniški vmesnik
Primarna cilja uporabniškega vmesnika (sliki 6–7 in 6–8) sta prikaz vizualizacije
podkoţnih ven in enostavnost uporabe, ki vpliva na čas izobraţevanja končnih
uporabnikov, da se seznanijo z načini delovanja in splošno uporabo.
Ovrednotenja uporabnosti vmesnika in posredno celotnega prototipa ter potrebnega časa
izobraţevanja na obeh ciljnih področjih uporabe (klinična praksa in v izobraţevalne
namene) bomo predstavili v nadaljevanju.
Ker je kakovost vizualizacije odvisna od kakovosti zajete slike, ki je posredno odvisna od
načina osvetlitve in izbranih nastavitev detektorja, je priporočeno začetno umerjanje (t. i.
kalibracija) glede na dejanske okoliščine uporabe. Umerjanje temelji na ustrezni izbiri
nastavitev detektorja (prek uporabniškega vmesnika) s ciljem čim boljše prepoznave ven
na zajeti sliki. Primarne okoliščine, ki jih je treba upoštevati, so:
obstoječa umetna osvetlitev v prostoru,
vpliv ambientalne ali naravne svetlobe,
lastnosti posameznika (npr. tip in barva koţe ter poraščenost) in
oddaljenost prototipa od območja, kjer je predvidena venepunkcija.
Na podlagi upoštevanja opisanih okoliščin imajo največji vpliv na kakovost vizualizacije
naslednje nastavitve detektorja:
izravnava osvetlitve (angl. exposure),
okrepitev (angl. gain) svetlobe,
kontrast,
svetlost (angl. brightness),
nastavitev beline (angl. white balance) in
način izostritve (angl. focus).
Predstavitev in ovrednotenje prototipa
93
Slika 6–7:Uporabniški vmesnik prototipa. (1) Menijska vrstica na levi strani, kjer izbira določene
menijske (vrhnje) moţnosti prikaţe dodatne (kontekstne) moţnosti na desni strani vmesnika. (2)
Upravljanje nastavitev detektorja in (3) izbira načina vizualizacije, pri čemer je uporabljena
naslednja terminologija: Gray (vizualizacija ORG), Difference of Gaussian (vizualizacija DOG)
in Laplacian (vizualizacija LAP). (4) Prikaz zajete slike (videotoka) v ločljivosti 640 480
pikslov z (5) dodatno vizualizacijo v ROI.
Predstavitev in ovrednotenje prototipa
94
Rezultat prve iteracije testiranja uporabniške izkušnje je bila zdruţitev opisanih in drugih
nastavitev v dve skupini, in sicer v:
osnovno skupino, ki vsebuje nastavitvi izravnave osvetlitve in ojačanja (najbolj
vplivata na kakovost zajema) ter
napredno skupino, ki zajema preostale moţne nastavitve detektorja.
Nadaljnje iteracije in analize uporabniške izkušnje so vodile do eksperimentalno
določenih optimalnih vrednosti nastavitev in zdruţitev teh v 5 skupin (profilov) glede na
najbolj standardne okoliščine uporabe in moţne pogoje obstoječe osvetlitve (naravne ali
umetne ali oboje), in sicer:
Low light – nizka obstoječa osvetlitev prostora,
Medium light – srednja osvetlitev prostora,
Very bright – močna osvetlitev prostora,
LED – zelo nizka osvetlitev prostora, pri čemer je primarni vir svetlobe gradnik
NIA,
None – celotna začetna prilagoditev nastavitev uporabnika.
Standardna začetna umeritev torej zajema izbiro ustreznega profila in poznejšo fino
prilagoditev nastavitev, predvsem izravnave osvetlitve, ojačanja in kontrasta. Elemente
uporabniškega vmesnika, ki predstavljajo upravljanje nastavitev detektorja in izbiro
profilov, prikaţemo na sliki 6–7. Eksperimentalno določene vrednosti posameznega
profila so predstavljene v podpoglavju 9.3. Med določitvijo posameznih vrednosti in
testiranjem v različnih pogojih osvetlitve prostora smo ugotovili, da v določenih
okoliščinah uporabe naravna svetloba ţe vsebuje primerno intenzivnost in porazdelitev
NIR-sevanja, ki omogoča zadostno kakovosten zajem slike brez uporabe dodatnega vira
osvetlitve (NIA). Na podlagi vseh spoznanj v okviru te eksperimentalne raziskave
(določitve profilov) je bil izpostavljen predlog morebitne izboljšave v prihodnosti, in sicer
samodejna prilagoditev nastavitev detektorja in intenzivnosti sevanja gradnika NIA glede
na analizo vrednosti (vidne in NIR-svetlobe), ki jih zajame slikovni senzor (CCD ali
CMOS) detektorja.
Predstavitev in ovrednotenje prototipa
95
Slika 6–8: Prikaz uporabniškega vmesnika med postopkom uporabe. Izbrana profil Medium Light
in vizualizacija LAP1.
6.2 Ovrednotenje prototipa V tem podpoglavju bomo predstavili metodologijo in rezultate ovrednotenja prototipa na
podlagi njegovih ciljnih lastnosti, ki so:
enostaven za uporabo,
prenosljiv,
nizkocenoven,
omogoča prepoznavo in dodatno vizualizacijo podkoţnih ven v realnem času ter
primerljivo učinkovit z dozdajšnjimi obstoječimi trţnimi napravami.
Metodologija ovrednotenja, ki izhaja iz delnih ovrednotenj ciljnega delovanja v času
izvajanja izvedljivostnih študij in prototipnega razvoja končne različice, je sestavljena iz:
analize natančnosti in varnosti uporabe,
primerjave učinkovitosti delovanja prototipa in izbrane (dostopne) namenske
naprave,
Predstavitev in ovrednotenje prototipa
96
analize učinkovitosti in ocena uporabnosti na področju izobraţevanja,
analize učinkovitosti in uporabnosti v okviru klinične prakse,
funkcionalne analize postopkov vizualizacije in aplikacijskega ogrodja ter
stroškovne analize izvedbe prototipa (nadgradnje standardne mobilne naprave).
Pred opisom posameznih korakov sledijo predstavitve osnovne terminologije,
uporabljenih izvedb prototipa in upoštevanih omejitev ovrednotenja. Območje zanimanja
(OZ), ki predstavlja območji zaznave in vizualizacije venskega sistema z uporabo
prototipa, je bilo omejeno na notranjo stran podlakti, in sicer na območje med komolčno
kotanjo (lat. antecubital fossa) in zapestjem. Komolčna kotanja predstavlja eno izmed
najbolj pogostih območij, kjer se opravlja venepunkcija. ROI, kot je opisano v prejšnjih
poglavjih, predstavlja sredinsko področje zanimanja na zajeti sliki. Ker je primarni cilj
venepunkcije zaznava primernih mest punkcije, ki so med drugim odvisna od števila in
velikosti zaznanih ven, v nadaljevanju zaznano veno na zajeti sliki posplošeno definiramo
(DEFV) kot:
samostojno krivuljo poljubne velikosti in oblike ali
posamezen odsek, ki je določen s stikanjem ali prekrivanjem dveh ven na
dvodimenzionalni sliki zajetega venskega vzorca.
Slika 6–9 prikazuje oba opisana primera definicije zaznane vene. Na sliki so
predstavljeni: 1 vena, ki je definirana kot samostojna krivulja, in 16 ven, ki so definirane
kot posamezni odseki.
Slika 6–9: Zajeto področje interesa (PI) in prikaz obeh primerov definicije zaznanih ven, kjer so
meje posamezne vene označene z rdečo barvo. (1) Vena predstavljena kot samostojna krivulja in
(2) vena predstavljena kot posamezen odsek venskega vzorca.
Na podlagi opisanih omejitev vizualizacije polno zaznana vena (PV) predstavlja
nedvoumno zaznano in vizualizirano veno v ROI. Delno zaznana vena (DV) nakazuje
prisotnost vene, vendar ta (zaradi premajhne absorpcije NIR-svetlobe in posredno zajete
slike) ni bila v celoti prepoznana med postopkom vizualizacije. DV lahko postane PV, in
sicer s premikom prototipa na drugo lokacijo in posredno okrepljeno osvetlitvijo področja
DV. Prav tako so lahko posamezna območja DV na podlagi znanja anatomije končnih
uporabnikov označena kot primerna za venepunkcijo.
Za ovrednotenje smo prototip in njegovo arhitekturo udejanjili na naslednjih napravah:
Predstavitev in ovrednotenje prototipa
97
Prototip 1 (P1): tablični računalnik Google Nexus 10 (Android 4.1, Google Inc.,
ZDA) in predelana zunanja kamera Logitech HD Pro Webcam C920 (Logitech
International S.A., Švica);
Prototip 2 (P2): mobilni telefon Samsung GALAXY Nexus (Android 4.0.4,
Samsung Group, Severna Koreja) in predelana zunanja kamera Logitech HD
Webcam C310 (Logitech International S.A., Švica).
6.2.1 Ocena varnosti uporabe
Namen in cilji
Ključen dejavnik vsake naprave, še posebej medicinskih pripomočkov, je njihova varnost
uporabe. Ker prototip temelji na standardni mobilni napravi, ki mora ţe v osnovi
upoštevati raznovrstne varnostne predpise in standarde pred pojavitvijo na trgu, lahko
edino morebitno tveganje predstavlja gradnik NIA. Znano je, da diode LED oddajajo zelo
malo sevalne toplote, vendar se zaradi svoje zgradbe in načina delovanja lahko zelo
ogrejejo, kar lahko vodi do morebitnih opeklin ob neposrednem stiku ali drugih
nezaţelenih učinkov, predvsem pri kritičnih skupinah pacientov. V raziskavi [150] so
ugotovili lokalni dvig temperature za 10 C ob neposrednem stiku diode LED (moči 20
mWsr-1
) in človeške koţe. Ker lahko lokalni dvig temperature povzroči spremembo
oblike vene in pretoka krvi, kar posredno vpliva na uspešnost venepunkcije, sta bila
primarna cilja te raziskave naslednja:
analiza temperaturnega učinka gradnika NIA ob neposrednem stiku in na
priporočeni razdalji uporabe (glej podpoglavje 4.2.2) in
ocena varnosti tveganja na podlagi rezultatov meritev.
Metodologija
Z uporabo merilnega instrumenta (VoltcraftR VC150 digitalni multimeter s
temperaturnim tipalom, Volfcraft, Švica) smo na prostovoljcu izmerili toplotni učinek
gradnika NIA na OZ, in sicer ob neposrednem stiku ene diode LED (moči 6 mWsr-1
) ter
na razdalji 30 cm (razdalja med NIA in OZ). V obeh primerih se je meritev izvajala v
časovnem intervalu 10 min, pri čem smo se osredotočili na izmerjeno vrednost v 1 min
(predviden čas uporabe prototipa pred zaznavo primerne vene) in vrednost po 10 min
uporabe. Prototipa (izvedba P1) med meritvami nismo premikali. Sobna temperatura je
bila 22,3 °C.
Rezultati
Slika 6–10 prikazuje rezultat meritev. Uporaba gradnika NIR na razdalji 30 cm je
povzročila lokalni dvig temperature na OZ za 0,1 °C (1 min) in 0,54 °C (10 min).
Neposreden stik je povzročil dvig temperature na OZ za 0,7 °C (1 min) in 4 °C (10
min). Rezultati so skladni z ugotovitvami podobne raziskave, ki so jo izvedli v okviru
funkcionalne analize namenske naprave VascuLuminator [23]. Glede na pridobljene
rezultate, kratek čas predvidene izpostavitve in načina delovanja prototipa (uporaba na
priporočeni razdalji) je bilo varnostno tveganje uporabe gradnika NIA ocenjeno kot
Predstavitev in ovrednotenje prototipa
98
zanemarljivo. Dodatno so bila v pripadajočo dokumentacijo prototipa dodana varnostna
opozorila izogibanja neposrednemu stiku, ki prav tako zajemajo opozorila negativnega
vpliva očesnega stika z diodami NIR LED, in sicer na podlagi varnostnega standarda
[151].
Slika 6–10: Temperaturni učinek gradnika NIA ob neposrednem stiku in na priporočeni razdalji
uporabe v intervalu 10 min.
6.2.2 Analiza natančnosti in globine zaznave
Namen in cilji
Primarni cilji raziskave so bili:
preverba in potrditev s prototipom zaznanih ven (PV in DV) z ultrazvočno
napravo,
analiza korelacije PV in DV glede na širino ven in globino zaznave,
ocena zgornje meje globine zaznave prototipa, in sicer splošne ter v odvisnosti od
širine ven, ter
primerjalna umestitev rezultatov prototipa glede na razpoloţljive podatke
zmogljivosti namenskih naprav.
Metodologija
Pri petih prostovoljcih smo na OZ s prototipom vizualizirali (vizualizacija ORG in
DOG1) in na podlagi definicije DEFV (slika 6–9) označili meje zaznanih ven. Pri tem
smo meje PV in DV označili z drugo barvo in predhodno s premikom prototipa na drugo
lokacijo preverili moţnost spremembe DV v PV. Označene vene smo pozneje in v skladu
z glavnimi cilji analizirali z ultrazvočno napravo ACUSON Sequoia 512 (Siemens
Medical Solutions, ZDA). Raziskava je potekala pod nadzorom medicinskega osebja, ki
je naredilo ultrazvočno preiskavo. Sobna temperatura je bila 24,6 °C. Prostor je bil
Predstavitev in ovrednotenje prototipa
99
srednje osvetljen, pri čemer OZ ni bilo neposredno izpostavljeno drugemu viru (razen
gradniku NIA) svetlobe.
Rezultati
Število s prototipom (izvedba P1) zaznanih ven na OZ vseh prostovoljcev, predhodno
umeščenih v skupine glede na indeks telesne mase (ITM) [152], kaţe tabela 6–1. Naprava
UZ je potrdila prisotnost vseh označenih ven PV in DV.
Tabela 6–1: Število zaznanih ven na OZ.
Prostovoljec ITM PV DV
1 2 17 8
2 2 15 9
3 2 14 8
4 2 19 6
5 3 9 14
Izmerjene vrednosti globine zaznave ter korelacije PV in DV glede na globino in širino
ven so v tabeli 6–2.
Tabela 6–2: Izmerjene in analizirane vrednosti zaznanih ven (aritmetična sredina in standardni
odklon). Globine so bile izmerjene z napravo UZ.
Tip vene
Maksimalna
globina (izmerjena
širina)
[mm]
Povprečna globina
[mm]
Povprečna širina
[mm]
PV 4,2 (2,8) 2,1 0,4 1,8 0,3
DV 6,1 (4,3) 4,7 0,2 3,2 0,4
V povprečju (PV in DV) je prototip v opazovanih primerih in okoliščinah zaznal vene do
globine 4,8 mm. Na podlagi pridobljenih rezultatov in UZ-analize ven, ki jih prototip ni
zaznal, slika 6–11 predstavlja oceno zgornje meje globine zaznave prototipa v odvisnosti
od širine ven. Slika 6–12 prikazuje primer preverbe zaznanih ven z napravo UZ.
Predstavitev in ovrednotenje prototipa
100
Slika 6–11: Ocena zgornje meje zaznave prototipa na podlagi porazdelitev PV, DV in nezaznanih
ven, ki so prikazane samo v območju bliţine ocenjene zgornje meje.
Na sliki 6–11 so znotraj območja PV (širine ven od 1 do 2 mm in globine 0,5–2 mm)
razvidni tudi primeri prisotnosti PV. Ti so povezani z višjim indeksom ITM prostovoljca
3 in posredno slabši prodornosti NIR-svetlobe gradnika NIA (slabljenja svetlobnega toka
pri prehodu skozi maščobno tkivo – glej podpoglavje 2.3.1).
Predstavitev in ovrednotenje prototipa
101
Slika 6–12: Primer analize in preverbe zaznanih ven z ultrazvočno napravo. (1) in (2)
predstavljata PV in pripadajočo presečno UZ-sliko. (3) Predstavlja primer DV.
Predstavitev in ovrednotenje prototipa
102
Dobljeni rezultati globine zaznave prototipa so primerljivi z objavljenimi ali predvidenimi
(zapisani v tehnični dokumentaciji) rezultati namenskih naprav [23, 29, 89, 90, 92]. V
primeru podobne raziskave [23] je največja globina zaznave naprave VascuLuminator
znašala 5,6 mm (širina vene 3,6 mm), pri čemer je naprava povprečno zaznala vene na
globini 1,5 0,4 mm (širine 1,4 0,5 mm). V tem kontekstu so naši pridobljeni rezultati
sicer boljši (povprečni in v primeru PV), vendar so zaradi razlik v širini opazovanih ven,
dejstva, da je zaznava ven odvisna od posameznika, in različnih okoliščin obeh raziskav
(avtorji ne razkrijejo kakovosti prikaza zaznanih ven in prostorskih okoliščin) pridobljeni
rezultati neprimerni za popoln zaključek zmogljivosti prototipa glede na napravo
VascuLuminator. Prav tako tehnična dokumentacija naprave VascuLuminator predvideva
moţnost zaznave do globine 8 mm. V tem kontekstu naprava AccuVein [27, 90, 91]
predvideva moţnost zaznave ven na globini do 10 mm, ki predstavlja tudi pribliţno
zgornjo mejo zaznave NIR-spektroskopov [23-25], zajetih v okviru te disertacije (glej
podpoglavje 2.4).
6.2.3 Primerjava učinkovitosti delovanja prototipa in naprave AccuVein
Namen in cilji
Na podlagi končnega cilja primerljive učinkovitosti prototipa z namenskimi napravami je
bil glavni cilj te raziskave analiza učinkovitosti zaznave in vizualizacije prototipa v
primerjavi z namensko napravo AccuVein (izvedba AccuVein AV-400)1. Dodatno smo
izvedli tudi ekspertno študijo primerjave funkcionalnih in uporabniških lastnosti obeh
naprav.
Metodologija
Podobno kot v prejšnji raziskavi smo na treh prostovoljcih s prototipom (P1) vizualizirali
(ORG in DOG1) in označili meje zaznanih ven, skladno z definicijo DEFV. OZ in
označene vene smo nato vizualizirali z napravo AccuVein, pri čemer sta glavna cilja
predstavljala:
primerjavo in analizo učinkovitosti zaznave obeh naprav in
morebitno zaznavo dodatnih ven z uporabo naprave AccuVein.
V okviru funkcionalne primerjave obeh naprav smo se osredotočili na:
čas delovanja,
načine in posredne omejitve uporabe,
velikost zornega polja (angl. field of view) na izbrani razdalji uporabe ( 30 cm),
primerjavo uporabniških vmesnikov in moţnosti nastavitev,
vpliv različnih osvetlitev na način delovanja ter
analizo temperaturnega učinka projekcijskega načina vizualizacije naprave
AccuVein.
1 Napravo AccuVein smo za našo raziskavo najeli pri distributerju KREIENBAUM Neoscience GmbH,
Langenfeld, Nemčija (prek posrednika Fas, d. o. o., Maribor, Slovenija).
Predstavitev in ovrednotenje prototipa
103
Sobna temperatura je bila 23,1 °C. Za primarno analizo je bil prostor srednje osvetljen,
pri čemer OZ ni bilo neposredno izpostavljeno drugemu viru svetlobe. Raziskava je
potekala pod nadzorom zdravstvenega osebja. Napravo AccuVein smo uporabljali v
skladu s tehnično dokumentacijo [27, 153] in na podlagi predhodnje preizkušnje uporabe.
Rezultati
V splošnem sta AccuVein in prototip zaznala enake vene in enako število teh. Razlika je
temeljila zgolj na kakovosti prikaza zaznanih ven (slika 6–13), in sicer na podlagi naše
delitve na PV in DV ter subjektivne ocene pripadnosti opazovane vene določeni skupini.
Tabela 6–3 prikazuje rezultate učinkovitosti zaznave obeh naprav.
Tabela 6–3: Primerjava učinkovitosti zaznave.
Prostovoljec Število zaznanih
ven P1 (mVeinVision) AccuVein
PV DV PV DV
1 23 19 4 21 2
2 21 15 6 17 4
2 24 17 7 18 6
Na omejenem vzorcu in v opisanih okoliščinah sta napravi pokazali primerljivo
učinkovitost delovanja. Ta se je v primeru naprave AccuVein poslabšala ob večji
izpostavitvi OZ viru naravne svetlobe. Sicer je naprava še vedno zaznala enako število
ven, vendar je bila zaradi projekcijskega načina delovanja in posredno dodatne osvetlitve
OZ analiza vizualizirane ROI oteţena. Omejena uporaba v tem primeru, ki jo je dodatno
izpostavilo zdravstveno osebje, se z izbiro drugega načina vizualizacije ni bistveno
izboljšala. V primerjavi s prototipom naprava AccuVein omogoča dva načina
vizualizacije, in sicer prikaz črnih ven na projiciranem ozadju (rdeče barve) ali obratno
(rdeče vene in črno ozadje). Dodatno večjo omejitev predstavlja priporočen način
uporabe, ki za natančnost projicirane vizualizacije zahteva pravokoten poloţaj naprave
(predvsem vira osvetlitve) nad ROI [153, 154]. V nasprotnem primeru je projekcija na
ROI lahko zamaknjena (vene niso vizualizirane na dejanskih mestih). Omejitev posredno
vpliva na enostavnost uporabe in dodaten potreben čas izobraţevanja končnih
uporabnikov. Dodatno funkcionalno primerjavo obeh naprav lahko povzamemo z
naslednjimi ugotovitvami.
Velikost zornega polja je na izbrani razdalji uporabe ( 30 cm) znašala 10 x 15
cm (P1) in 12 x 80 cm (AccuVein).
Samostojnost delovanja prototipa (zmogljivost baterije 9000 mAh) je znašala
372 minut in naprave AccuVein (zmogljivost baterije 3000 mAh) 109 minut. V
obeh primerih sta bili napravi nastavljeni na polni način delovanja (osvetlitev in
vizualizacija).
Temperaturni učinek naprave AccuVein je na razdalji 30 cm znašal 0,2 °C
(1 min) in 1,3 °C (10 min).
Predstavitev in ovrednotenje prototipa
104
V primerjavi s prototipom uporabniški vmesnik naprave AccuVein omogoča
osnovno upravljanje in izbiro dveh načinov vizualizacije, ki delujeta na podlagi
prednastavljenih nastavitev, ki jih ni moţno prilagajati.
Za napravo AccuVein je dodatno dobavljiv nastavek, ki omogoča brezročno
uporabo. Ta pripomore k zahtevanem pravokotnem poloţaju naprave (predvsem
vira osvetlitve) nad ROI.
Predstavitev in ovrednotenje prototipa
105
Slika 6–13: Prikaz primerjave in analize učinkovitosti zaznave prototipa (1) in naprave AccuVein
(2). (3) Predstavlja PV, ki je bila v primeru uporabe prototipa slabše zaznana kot z napravo
AccuVein. (1) in (2) zaradi različnih velikosti zornih polj prikazujeta različne velikosti ROI.
Predstavitev in ovrednotenje prototipa
106
6.2.4 Analiza učinkovitosti in ocena uporabnosti na področju izobraževanja
Namen in cilji
Eden izmed ciljnih področij uporabe naprave mVeinVision je na področju izobraţevanja,
in sicer v obliki medicinskega pripomočka, ki bi dopolnjeval aktualne pristope
praktičnega in teoretičnega izobraţevanja izvajanja postopka venepunkcije. Skladno s tem
in ugotovitvami, da na uspešnost venepunkcije vpliva tudi usposobljenost zdravstvenega
osebja [17, 77] sta bila primarna cilja raziskave:
analiza učinkovitosti prototipa v primerjavi z znanjem in izkušnjami izvedbe
postopka venepunkcije študentov zdravstvenih ved ter
ocena sprejemljivosti (angl. acceptance) in uporabnosti prototipa izbranih
študentov, ki so se prvič seznanili s prototipom in njegovim delovanjem ter
posredno predstavljajo morebitne končne uporabnike.
Metodologija
Na podlagi izbirne strategije (slika 6–14) smo za raziskavo izbrali 45 posameznikov, in
sicer 20 študentov, ki so prevzeli vlogo zdravstvenega osebja, ter 25 posameznikov, ki so
predstavljali paciente (v nadaljevanju samo pacienti), na katerih je bilo treba simulirati
postopek venepunkcije. Prototip smo predhodno prilagodili (kalibracija) na okoliščine
izvajanja raziskave in preverili zaznavo ven na vseh pacientih. Prototip je pri vseh
izbranih pacientih pravilno zaznal in vizualiziral vene, kar je potrdilo tudi sodelujoče
medicinsko osebje. Vsi udeleţenci so se strinjali z udeleţbo v raziskavi. Ker je ta
temeljila na opazovalni in neinvazivni študiji učinkovitosti, dodatna etična odobritev ni
bila potrebna. Raziskava je potekala 4 zaporedne dni.
Prvi del raziskave (analiza učinkovitosti) je zajemal naslednje korake in omejitve:
posamezen študent je na vsakem pacientu po lastni presoji označil vsa primerna
mesta venepunkcije na OZ. Pri tem je določitev mesta temeljila na
posameznikovem obstoječem znanju in izkušnjah. Lahko je zajemal pregled s
prostim očesom, otipavanjem ali z uporabo drugih ročnih strategij (glej
podpoglavje 2.2). Vsaka označba je predstavljala en poskus ;
označena mesta smo analizirali s prototipom (P1 in P2) in preverili, če je pod
označenim mestom dejansko vena. Glede na dejansko prisotnost vene je bil
označen kot uspešen ( ) ali neuspešen ( );
postopek smo ponovili za vse študente (n = 20) in vse paciente (n = 25). Število
izbranih mest ni bilo omejeno, čas izbire posameznega mesta pa je bil omejen na
2 minuti, prav tako študentom v tem delu raziskave prototip ni bil uradno
predstavljen.
Na podlagi analize uspešnosti vseh poskusov (n = 500) smo v zadnjem koraku
ovrednotili učinkovitost prototipa.
Drugi del raziskave (ocena sprejemljivosti), ki je zajel samo študente, je bil sestavljen iz
naslednjih zaporednih korakov:
Predstavitev in ovrednotenje prototipa
107
uradna predstavitev prototipa, ko so se študentje spoznali z načinom delovanja in
uporabe v okviru venepunkcije;
samostojna uporaba prototipa in medsebojna preizkušnja na podlagi postopka
prvega dela raziskave (med študenti);
analiza sprejemljivosti na podlagi vprašalnika (samoocene študentov) in
neformalnega pogovora.
Anketni vprašalnik (slika 6–15) je sestavljen na podlagi najbolj uporabljene metrike za
oceno sprejemljivosti tehnologije in informacijskih sistemov (angl. Technology
Acceptance Model, TAM) [155]. Metrika TAM predpostavlja, da sta za oceno
sprejemljivosti in posredno dejanske uporabe končne naprave (ali aplikacije) ključni dve
zaznani lastnosti uporabnikov, in sicer enostavnost uporabe (angl. perceived ease-of-use)
ter subjektivna ocena uporabnosti (angl. perceived usefulness). Zadnja temelji na
posameznikovi oceni, kako in v kolikšni meri bo uporaba določene tehnologije imela
pozitiven učinek na njegovo delo in povezane dejavnosti. Metrika TAM je bila preverjena
v številnih raziskavah s skupno ugotovitvijo, da predstavlja dokaj zanesljivo oceno
prihodnje dejanske uporabe analiziranega prototipa [156]. Skladno z metriko TAM je
vprašalnik sestavljen iz treh trditev uporabnosti in dodatne trditve, na podlagi katere smo
ocenili predhodno seznanjenost študentov z vizualizacijskimi napravami v okviru te
disertacije. Izpolnitev vprašalnika temelji na izbiri ustrezne ocene po Likertovi lestvici
(ocene od 1 do 5) [157].
Predstavitev in ovrednotenje prototipa
108
Slika 6–14: Stategija izbire udeleţencev raziskave.
Predstavitev in ovrednotenje prototipa
109
Slika 6–15: Anketni vprašalnik ovrednotenja sprejemljivosti in uporabnosti prototipa.
Rezultati
Tabela 6–4 prikazuje rezultate uspešnosti vseh poskusov (n = 500) zaznave primernega
mesta venepunkcije študentov. Na podlagi teh je v okviru izbrane metodologije in
okoliščin raziskave prototip izkazal za 35,2 % boljšo učinkovitost kot ročne strategije.
Pri oceni nismo upoštevali dodatnih primernih mest, ki jih je prototip zaznal pri analizi
označenih mest.
Tabela 6–4: Uspešnost izbire primernih mest venepunkcije na pacientih, ki so razdeljeni v tri
skupine (glede na ITM).
Skupina / Deleţ (v %)
ITM 1 23 / 80 28,75
ITM 2 119 / 360 33,05
ITM 3 34 / 60 56,66
Skupaj 176 / 500 35,2
Predstavitev in ovrednotenje prototipa
110
Povzeti rezultati ovrednotenja sprejemljivosti na podlagi ocene prvih treh atributov
vprašalnika so naslednji:
(A) uporabnost: 4,45 0,38,
(B) uporabniška izkušnja: 4,35 0,58 in
(C) enostavnost uporabe: 4,2 0,52.
Na podlagi predstavljenih rezultatov in metrike TAM lahko predpostavljamo, da so
študentje prototip zaznali kot uporaben in koristen na področju izobraţevanja. Vprašalnik
je prav tako razkril slabo poznavanje področja in tehnologij, ki omogočajo zaznavo in
vizualizacijo ven z uporabo NIR-spektroskopije, saj je bila ocena tega atributa dokaj
nizka, in sicer 1,75 0,79. V neformalnem pogovoru so nekateri študentje dodatno
razkrili, da so o teh napravah sicer ţe slišali ali jih zasledili v raznovrstni literaturi, vendar
predvsem na ravni uporabe v klinični praksi. Zadnje je skladno z našimi zaključki
razlogov nizke razpoloţljivosti namenskih naprav (glej podpoglavje 3.2) in aktualnostjo
te disertacije. Posamezni rezultati vprašalnika so priloţeni v dodatku (glej podpoglavje
9.4).
6.2.5 Preliminarna analiza klinične učinkovitosti in uporabnosti
Namen in cilji
Drugo ciljno področje naprave mVeinVision predstavlja uporaba v okviru klinične
prakse, in sicer med dejanskim postopkom venepunkcije za raznovrstne medicinske
potrebe. V primerjavi z uporabo na področju izobraţevanja predstavlja uvedba nove
tehnologije v klinično prakso dolgotrajen postopek, ki zajema raznovrstne predhodne
klinične študije uporabnosti in izpolnitev številnih zahtev (standardov) varnosti. V
podpoglavju 3.1 smo predstavili namenske naprave, ki so ta postopek ţe opravile in so
dosegljive v okviru klinične prakse. Kot prvi korak v opisanem postopku sta bila glavna
cilja raziskave naslednja:
analiza učinkovitosti zaznave prototipa v okoliščinah klinične uporabe in
ocena uporabnosti izkušenega medicinskega in zdravstvenega osebja.
Metodologija
Za sodelovanje v raziskavi smo prosili 4 zaposlene (v nadaljevanju samo zaposleni) iz
Univerzitetnega kliničnega centra Maribor (1 zdravnik in 3 medicinske sestre), ki so
prototip (P1 in P2) uporabili na 64 pacientih, pri čemer je bila pri 27 pacientih označena
velika verjetnost kliničnega stanja oteţenega perifernega venskega dostopa (PDVA). Vsi
zaposleni so po prejeti podrobni predstavitvi delovanja in načinov uporabe prototipa tega
samostojno uporabljali v obdobju 6 tednov. Primarni opazovani učinek prototipa je
predstavljalo dodatno število zaznanih primernih mest za izvedbo postopka venepunkcije.
Učinek prototipa na dejansko izboljšanje uspešnosti venepunkcije (čas postopka in število
potrenih punkcij) v okviru te raziskave ni bil opazovan ali merjen, saj bi za to potrebovali
dodatne odobritve raziskave, prav tako pa bi bili končni rezultati zaradi velikosti vzorca
pacientov in omejene metodologije nepopolni. Etična odobritev raziskave je priloţena v
dodatku (glej podpoglavje 9.5).
Predstavitev in ovrednotenje prototipa
111
Po obdobju uporabe so zaposleni ocenili uporabnost prototipa na podlagi vprašalnika za
merjenje uporabniške prijaznosti (angl. System Usability Scale, SUS). Vprašalnik SUS
[158], ki predstavlja enega izmed standardov ovrednotenja celotnega sistema in
njegovega delovanja na podlagi različnih vidikov uporabniške izkušnje, temelji na 10
trditvah, ki jih uporabniki ocenijo (Likertova lestvica) in s tem izrazijo svoje uporabniško
stališče. V večini primerov je vprašalnik SUS nujen del uporabniško-orientiranega
pristopa razvoja. Uporabljen vprašalnik je priloţen v dodatku (glej podpoglavje 9.6).
Rezultati
Prototip je na vseh pacientih (n = 64) zaznal dodatnih 1,6 1,3 vene, ki bi lahko
zajemala primerna mesta za venepunkcijo. V primeru pacientov z moţnostjo PDVA (n =
27) je prototip zaznal dodatnih 2,4 1,8 vene. Rezultati so sicer slabši od pričakovanih,
vendar ob upoštevanju omejitev, da so zaposleni prototip uporabljali samostojno
(moţnost neustreznih nastavitev ali nepravilne uporabe v določenih okoliščinah) in v
različnih pogojih, rezultati vendarle izraţajo učinkovitost prototipa in opravičujejo daljšo
kontrolirano klinično študijo učinkovitosti v prihodnosti.
Na podlagi postopka ocenjevanja vprašalnika SUS [159], kjer se končni rezultat izračuna
na podlagi ocen posameznih trditev in njihovega vrstnega reda, je skupni rezultat za vse
zaposlene (n = 4) znašal 76,8 8, Povprečna ocena SUS, ki je bila praktično preverjena
na 500 študijah in jo mora predmet ovrednotenja doseči, da lahko zagotovo sklepamo o
njegovi uporabnosti, znaša 68 [158,159]. Zgornja moţna ocena znaša 100, ki pa je v
praksi le redko doseţena. V primeru niţje ocene od 68 je priporočena dodatna iteracija
razvoja, ki zajame razrešitev opaţenih nepravilnosti ali zahtevnosti uporabe. Ker
vprašalnik SUS zajame različne vidike uporabnosti (npr. zahtevnost uporabe, potrebo po
podpori in dodatnem usposabljanju in sprejemljivost), lahko glede na pridobljeno oceno
prototipa predpostavljamo, da so zaposleni tega dejansko zaznali kot funkcionalno
uporabnega in enostavnega za uporabo. Zadovoljiva uporabniška izkušnja je prav tako
rezultat ţe upoštevanih mnenj in zahtev, izpostavljenih med ovrednotenji delnih različic
prototipa od medicinskega osebja.
6.2.6 Analiza postopkov vizualizacije in aplikacijskega ogrodja
Namen in cilji
Na podlagi cilja realno-časovnega delovanja prototipa je bil primarni cilj te raziskave
ovrednotenje delovanja predlaganega modela vizualizacije. Ker je vizualizacija odvisna
od preostalih gradnikov prototipa in izbranih nastavitev (glej podpoglavje 6.1.3), smo se
dodatno osredotočili na analizo uporabe uporabniške aplikacije in posredno analizo
zmogljivosti aplikacijskega ogrodja.
Metodologija
Raziskava je temeljila na analizi merjenih kazalnikov (parametrov) delovanja
aplikacijskega ogrodja in njegovih gradnikov. Spremljanje in merjenje kazalnikov, ki sta
Predstavitev in ovrednotenje prototipa
112
udejanjena v gradniku analitike uporabe (glej podpoglavje 6.1.2), temelji na programski
knjiţnici Google Tag Manager (Google Inc., ZDA, GTM). GTM predstavlja analitično
orodje, ki na podlagi definiranih kazalnikov (v okviru GTM imenovanih značke – angl.
tags) omogoča centralizirano spremljanje uporabe programske rešitve in analizo
delovanja ter uporabniške izkušnje. Posredno spremljanje in analiza opisanih vidikov
predstavljata osnovo za nadaljnje potrebne izboljšave ali prilagoditve.
V primeru analize vizualizacijskega modela smo opazovali frekvenco obdelanih slik
(angl. frame rate, FR) ( ), ki jih v uporabniškem vmesniku zaporedno prikazujemo
v obliki videotoka (glej sliko 6–5). Ker je bil naš cilj ocena realno-časovnosti v dejanskih
okoliščinah uporabe, smo se pri analizi omejili na izmerjene vrednosti kazalnika FR, ki
smo jih zajeli med posameznimi ovrednotenji prototipa. V ta namen smo pred opisanimi
postopki ovrednotenj (prejšnja podpoglavja) na vseh uporabljenih prototipih (4 izvedbe
P1 in 2 izvedbi P2) ponastavili kazalnik FR na začetne (ničelne) vrednosti. Skladno s tem
sta analizi uporabe in posredne zmogljivosti ogrodja temeljili na izmerjenih kazalnikih
delovanja ter kazalnikih uporabniške dejavnosti.
Rezultati
Tabela 6–5 prikazuje skupne povprečne vrednosti frekvenc obdelanih slik glede na
izbrani način vizualizacije, in sicer na podlagi vseh uporabljenih izvedb prototipa in
izmerjenih vrednosti kazalnikov FR v času ovrednotenj. Za primerjavo, tabela 6–6
prikazuje povprečne vrednosti frekvenc slik, ki so bile zajete v okviru nadzorovanih
okoliščin uporabe prototipa. Te so zajemale zaporedno (P1 in P2) zaznavo in
vizualizacijo na OZ na enem prostovoljcu ob enakih pogojih osvetlitve.
Predstavitev in ovrednotenje prototipa
113
Tabela 6–5: Skupne povprečne frekvence slik (v okvirjih na sekundo – angl. fps) in standardni
odklon za izbrani način vizualizacije.
Način vizualizacije Frekvenca slik (v fps)
ORG 16,3 4,6
DOG 1 14,2 5,8
DOG 2 13,8 4,1
LAP 1 14,3 4,8
LAP 2 13,3 4,7
Tabela 6–6: Povprečne frekvence slik v nadzorovanih okoliščinah zaznave.
Način vizualizacije Prototip P1 (1,7 GHz) Prototip P2 (1,2 GHz)
Frekvenca slik (v fps) Frekvenca slik (v fps)
ORG 19,1 18,4
DOG 1 15,7 14,9
DOG 2 15,1 14,7
LAP 1 15,4 14,8
LAP 2 14,7 14,2
Povprečna vrednost frekvence samo zajetih (neobdelanih v gradniku NIP) in prikazanih
slik v nadzorovanih okoliščinah ter uporabljenih prototipnih izvedbah (P1, P2) je znašala
25,2 fps. Zgornja meja uporabljenih detektorjev (na podlagi tehnične dokumentacije)
znaša sicer 30 fps (pri ločljivosti slikovnih točk), ki pa je v okviru gradnika
EXCAM nismo uspeli doseči. Ob upoštevanju tega so rezultati, predstavljeni v zgornjih
tabelah, zadovoljivi in prikazujejo splošno oceno zmogljivosti predlaganega
vizualizacijskega modela. Rezultati so posebej zadovoljivi v primeru tabele 6–5, v kateri
temeljijo na okoliščinah, ki predstavljajo pribliţek dejanskih okoliščin uporabe. V zadnjih
uporabniki niso izrazili teţav s predlagano vizualizacijo.
Glede na vse pridobljene rezultate lahko povzamemo, da je zmogljivost predlaganega
modela vizualizacije in celotnega aplikacijskega ogrodja posredno odvisna od:
zmogljivosti uporabljenih gradnikov,
zmogljivosti mobilne naprave,
izbranih nastavitev v uporabniški aplikaciji in posrednega delovanja programskih
gradnikov aplikacijskega ogrodja in
okoliščin uporabe, saj je znano, da je frekvenca slik, ki jih zajema kamera (na
podlagi delovanja slikovnega senzorja [115]), odvisna od pogojev osvetlitve
prostora.
Predstavitev in ovrednotenje prototipa
114
Predstavljeni rezultati so omejeni na trenutno različico prototipa in uporabljene gradnike,
vendar predstavljajo splošno oceno, na podlagi katere lahko sklepamo na delovanje v
primeru uporabe drugih gradnikov (npr. detektorjev ali mobilnih naprav).
Tabela 6–7 prikazuje povprečne ali skupne vrednosti opozovanih kazalnikov uporabniške
dejavnosti. V tej raziskavi sicer nismo zajeli primerjave kakovosti in uporabnosti
predlaganih načinov vizualizacije, saj je izbira primernega načina odvisna od
posameznega uporabnika. Vendar je bil na podlagi analize uporabe najbolj pogosto
uporabljen način vizualizacije način DOG1. Ker je bil ta omenjen kot najbolj primeren
tudi v okviru predhodnjih ovrednotenj, se izpostavlja moţnost poznejše omejitve števila
načinov vizualizacije kot dodaten korak k izboljšanju enostavnosti uporabe. Podoben
pristop so na podlagi uporabniško-orientiranega razvoja izvedli tudi v okviru razvoja
naprave AccuVein, pri katerem so ob prehodu z različice AV-300 na AV-400 omejili
število podprtih načinov vizualizacije [154], in sicer na 2 načina.
Tabela 6–7: Kazalniki uporabniške dejavnosti, zajeti med postopki ovrednotenj.
Kazalnik Vrednost
Najbolj pogosto uporabljen način vizualizacije DOG1
Skupno število sprememb posameznih nastavitev
vizualizacije 12 475
Najbolj pogosto uporabljena osvetlitvena profila Low Light, LED
Najbolj pogosto uporabljene nastavitve vizualizacije
izravnava osvetlitve,
okrepitev (angl. gain),
kontrast
Povprečen čas uporabe uporabniške aplikacije (v obliki
hh:mm:ss)
00:08:52
Najdaljši čas uporabe aplikacije (v obliki hh:mm:ss) 00:36:29
Število shranjenih zajetih slik 286
6.2.7 Stroškovna analiza izvedbe
Namen in cilji
Glavni cilj raziskave je predstavljala primerjava stroškov nadgradnje standardne mobilne
naprave v prototip mVeinVision s cenami dostopnih namenskih naprav.
Metodologija
Analiza stroškov, povezanih z nakupom in izvedbo vseh gradnikov, ter primerjava
skupnega stroška s cenami namenskih naprav, pridobljenih prek razpoloţljivih virov.
Predstavitev in ovrednotenje prototipa
115
Rezultati
Tabela 6–8, ki temelji na analiziranih in dejansko uporabljenih gradnikih v okviru te
disertacije, predstavlja povprečno oceno stroškov, povezanih z nadgradnjo mobilne
naprave v prototip mVeinVision. Pri oceni stroškov ni zajeta cena mobilne naprave z OS
Android, saj je glede na trţni deleţ teh naprav predpostavljena dostopnost te v okviru
izbranega področja uporabe. V nasprotnem primeru znaša pribliţen strošek primerne
naprave 120 EUR, pri čemer je moţna izvedba celotne arhitekture tudi na manj
zmogljivih in posredno cenejših napravah (spodnjo mejo predstavlja podprtost OS
Android različice vsaj 4.0), vendar z upoštevanjem dejavnikov, ki vplivajo na končno
zmogljivost izvedbe (opisano v prejšnjem podpoglavju).
Tabela 6–8: Stroškovna analiza potrebnih gradnikov.
Gradnik Cena (v EVRO) Opomba
Detektor 40
Povprečen strošek nakupa primerljive
nove ali rabljene kamere USB. Izvedba
opisana v podpoglavju 4.1.1.
NIA (osvetlitev) 10
Povprečen strošek nakupa ustreznih diod
NIR LED in pripadajočega materiala.
Izvedba opisana v podpoglavju 4.1.2.
Gibljiv okvir 5
Povprečen strošek nakupa ustreznega
zaščitnega okvirja za vgradnjo gradnika
NIA.
Filter IR-PASS 2 Povprečen strošek izvedbe filtra z
uporabo klasičnega filma.
Filter IR-PASS
(namenski filter) 40
Povprečen strošek izvedbe filtra z
nakupom namenskega filtra.
Skupni strošek nadgradnje znaša 55–100 EUR. Čas dejanske izvedbe strojnih
gradnikov (NIA, detektor) je ocenjen na 2–3 ure, in sicer za posameznika z osnovnim
elektrotehniškim znanjem.
Tabela 6–9 povzema osnovne cene namenskih naprav, ki ne vključujejo stroškov,
povezanih z izobraţevanjem končnih uporabnikov, garancijo ali drugih stroškov,
povezanih z vzdrţevanjem. Zanimiva je cena osnovnih različic, ki je dokaj primerljiva.
Analiza cen je dodatno razkrila, da se je povprečna cena naprav AccuVein in VeinViewer
v zadnjih dveh letih zniţala za 20 %. Obe sta na voljo ţe v številnih zdravstvenih
ustanovah v ZDA in Evropi [154]. V dodatni stroškovni analizi naprave Veinsite [160], ki
temelji na ovrednotenju posledic neuspešne venepunkcije in posredno uporabljenem
materialu, so ocenili, da uporaba naprave (v srednje veliki zdravstveni ustanovi v ZDA)
na leto prihrani 250 000 USD in s tem upravičuje svojo ceno.
Predstavitev in ovrednotenje prototipa
116
Tabela 6–9: Povprečne cene nakupa namenskih naprav.
Gradnik Cena (v EVRO) Opomba
VascuLuminator 6000 [23] Na voljo samo ena različica.
VeinViewer 5000 [89]
Povprečna cena osnovne različice
(VienViewer flex), večje različice
presegajo 10 000 EUR.
AccuVein 5000 [27]
Povprečna cena osnovne različice AV –
400, in sicer brez dodatne opreme (npr.
ogrodja).
Veinsite 5000 [19] Na voljo samo ena različica.
Zaključek
117
7 Zaključek
Doktorska disertacija obravnava problematiko učinkovitosti zaznave primernih mest za
odvzem venske krvi in predlaga izboljšavo z zasnovo nizkocenovnega modela za
vizualizacijo podkoţnih ven, ki temelji na NIR-spektroskopiji, tako da ga je moţno
udejanjiti na standardni mobilni napravi. Najprej podamo obširen pregled temeljnih
področij in analizo učinkovitosti venepunkcije, pri čemer predstavimo prve namenske
naprave, ki omogočajo vizualizacijo podkoţnih ven kot pripomoček pri postopku
venepunkcije. Pomankljivosti teh so njihova velikost in omejena mobilnost, potreba po
dodatnem usposabljanju in velika začetna naloţba, zaradi katere so naprave nedosegljive
širši ciljni mnoţici. Na drugi strani so dozdajšnje raziskave in posredni rezultati na
področju nizkocenovne IR-spektroskopije dokazale splošno izvedljivost alternativnih
rešitev z uporabo nizkocenovnih gradnikov, vendar predstavljajo tudi vrsto arhitekturnih
in drugih omejitev, ki omejujejo njihovo uporabnost izven raziskovalnega okolja.
7.1 Izvirni prispevki in opredelitev do hipotez Kot ključ za učinkovito razrešitev pomanjkljivosti in omejitev namenskih naprav ter
obstoječih raziskav na področju nizkocenovne IR-spektroskopije disertacija predlaga
standardno mobilno napravo kot centralnem gradniku. Povzemimo hipotezo, ki smo jo v
ta namen podali v uvodu.
Hipoteza 1 (H1)
Na osnovi napredka, funkcionalnosti, strojne in programske razširljivosti mobilnih
naprav lahko razvijemo model za prepoznavo podkožnih ven na računalniški mobilni
napravi, temelječ na IR-spektroskopiji.
Za potrditev H1 smo morali najprej razrešiti dve pomembni teţavi, in sicer udejanjenje
vseh potrebnih strojnih gradnikov IR-spektroskopa ter zasnovo in implementacijo
optimiziranega postopka, ki omogoča realno-časovno zaznavo in vizualizacijo podkoţnih
ven na mobilni napravi. Povzemimo hipotezi, ki smo ju postavili v uvodu.
Hipoteza 2 (H2)
Na osnovi spoznanj o lastnostih nizkocenovnih IR-spektroskopov in zmožnosti mobilne
tehnologije lahko izdelamo učinkovit in kompakten strojni dodatek mobilni napravi, ki
zajema dodatno kamero USB, diode LED in potrebne filtre.
Hipoteza 3 (H3)
Na osnovi obstoječih algoritmov prepoznave lahko razvijemo algoritem, ki bo omogočal
prepoznavo in vizualizacijo podkožnih ven na mobilni napravi v realnem času.
Realizacijo vseh potrebnih gradnikov smo razrešili v okviru izvedljivostnih študij (glej
poglavje 4), ki so vodile do predlagane strojne arhitekture in aplikacijskega ogrodja (glej
Zaključek
118
poglavje 6). S tem smo potrdili hipotezo H2. Prav tako smo s predlaganim
vizualizacijskim modelom, ki podpira 5 načinov vizualizacije, potrdili hipotezo H3 (glej
poglavji 5 in 6).
Razrešitev obeh izzivov in ovrednotenje končne različice prototipa dokazuje izvedljivost
osnovnega cilja te distertacije in s tem potrditev hipoteze H1.
V kontekstu celotnega predstavljenega raziskovalnega dela povzememo naslednje izvirne
prispevke:
aktualna pregledna študija raziskovalnih področij (m-zdravje, venepunkcija in
nizkocenovna NIR-spektroskopija),
pregledna študija na področju potrebnih gradnikov NIR-spektroskopa in moţnosti
izvedbe v povezavi z mobilno napravo,
prva zasnova in izvedba učinkovitega modela NIR-spektroskopije, prilagojenega
za uporabo na področju venepunkcije, na sodobnih mobilnih tehnologijah,
predlagana strojna arhitektura in aplikacijsko ogrodje, ki omogoča praktično
uporabo modela tudi na drugih področjih,
študija in analiza postopkov – algoritmov prepoznave in vizualizacije, ki se
uporabljajo pri prepoznavi podkoţnih ven, in analiza moţnosti njihovih izvedb na
mobilni napravi,
prvi predlagani model vizualizacije, ki na podlagi narejenih postopkov, ki
temeljijo na iskanju in prepoznavi robov s pomočjo slikovnih filtrov razlike
Gaussovih funkcij in Laplace, omogoča zaznavo in vizualizacijo podkoţnih ven
ter se v celoti izvaja na mobilni napravi,
prosto dostopen prototip (programska oprema in tehnična dokumentacija) [40] in
funkcionalna analiza razvitega modela s sorodnimi rešitvami in analiza
učinkovitosi v praksi (študija uporabnosti, enostavnosti in učinkovitosti v okviru
postopka venepunkcije).
7.2 Omejitve in prihodnje delo
Doktorska disertacija temelji na preverbi in potrditvi splošne izvedljivosti NIR-
spektroskopije na standardni računalniški mobilni napravi za zaznavo in vizualizacijo
podkoţnih ven, in sicer z naslednjimi cilji zasnovanega modela:
enostaven za uporabo,
prenosljiv,
nizkocenoven,
omogoča prepoznavo in dodatno vizualizacijo podkoţnih ven v realnem času ter
primerljivo učinkovit z dozdajšnjimi obstoječimi trţnimi napravami.
Čeprav praktična izvedba (prenosljivost, kompaktnost in nizkocenovnost) ter rezultati
posameznih ovrednotenj nakazujejo doseg teh ciljev in predpostavljajo učinkovitost in
uporabnost predlaganega modela, so pridobljeni rezultati nepopolni za širši zaključek
ocene dejanskih zmoţnosti prototipa v primerjavi z obstoječimi namenskimi napravami in
Zaključek
119
v okviru klinične prakse. Prav tako so predstavljeni rezultati realno-časovnega delovanja
predlaganega vizualizacijskega modela omejeni na uporabljene izvedbe prototipa in
vsebujoče gradnike ter izbrane metodologije ovrednotenj.
Nadaljnje delo bo na podlagi dodatnih iteracij razvoja zajelo širše študije učinkovitosti na
obeh ciljnih področjih. V začetnih fazah bodo te osredotočene na področje zdravstvenega
izobraţevanja, v katerem je uvedba mobilnih pripomočkov, ki dopolnjujejo pristope
praktičnega in teoretičnega izobraţevanja, ţe dokazala velik prispevek v izobraţevalnem
procesu [161, 162].
Dodatne iteracije razvoja bodo zajele:
optimizacijo trenutne oblike strojnega dodatka (slika 7–1), ki zdaj temelji na
gibljivem zaščitnem okvirju, v katerem so izvedeni vsi strojni gradniki
predlaganega modela, in
optimizacijo obstoječih programskih gradnikov in širitev podprtosti celotne
izvedbe na druge OS in mobilne naprave.
Zdajšnji model je sicer omejen samo na področje venepunkcije, vendar na podlagi modela
in aplikacijskega ogrodja, ki razširi zmoţnosti in obseg uporabe zunanjih naprav ter
drugih ugotovitev v okviru te disertacije, je posredno načrtovana izvedba mobilne rešitve,
ki omogoča zaznavo prisotnosti kemikalij (npr. na sadju ali zelenjavi) na podlagi IR-
spektroskopije.
Slika 7–1: Predvidena izvedba strojnega dodatka (detektorja in gradnika NIA) v naslednji
različici, in sicer v obliki ţe udejanjenega kompaktnega dodatka, ki zajema vse potrebne gradnike
v prilagojenem ohišju.
Zaključek
120
7.3 Sklep Doktorska disertacija predstavlja ključen prispevek k znanosti na dveh področjih, in sicer:
na področju m-zdravja, pri čemer rezultati tega dela dokazujejo, da je moţno
zgraditi povsem dinamičen in nizkocenoven sistem IR-spektroskopije podkoţnih
ven, ki bi lahko predstavljal učinkovito alternativo večjim namenskim napravam.
S tem disertacija odpira novo smer uporabe standardnih mobilnih naprav na
širšem področju zdravja in medicine, ter
na področju nizkocenovne NIR-spektroskopije, pri čemer disertacija obravnava in
preseţe ključne pomanjkljivosti ter nerešena vprašanja obstoječih raziskav, ki so
omejevala njihovo uporabnost izven raziskovalnega okolja.
Izsledki disertacije so bili predstavljeni v dveh znanstvenih objavah [38-39].
Literatura
121
8 Literatura
Vsi uporabljeni internetni viri so zajeti s sistemom WebCite (http://webcitation.org/) in
posredno trajno dostopni.
[1] Istepanian R., Laxminarayan S., Pattichis C. S. M-health emerging mobile health
systems. Springer, 2006.
[2] Pew Research Center. Smartphone adoption and usage. Dostopno na:
http://www.webcitation.org/6ES3uUHPv, 2014.
[3] The World Bank. IC4D 2012: Maximizing Mobile. Dostopno na:
http://www.webcitation.org/6XAi2sPNa, 2014.
[4] van Heerden A., Tomlinson M., Swartz L. Point of care in your pocket: a research
agenda for the field of m-health. Bull World Health Organ., 90(5):393–4, 2012.
[5] Pyramid Research. mHealth apps market to triple to 600 million by 2012. Dostopno
na: http://www.webcitation.org/6XAjXm9ii, 2010.
[6] McKinsey & Company. Global Mobile Heltcare Opportunity. Dostopno na:
http://www.webcitation.org/6XAjjCgjQ, 2010.
[7] Tang F., Law M., Lee A., Chan L. A mobile phone-integrated health care delivery
system of medical images. J Digit Imaging, 17(3):217–225, 2004.
[8] Crean K. Accelerating innovation in information and communication technology
for health. Health Aff, 29(2):278–283, 2010.
[9] Alepis E., Lambrinidis C. M-health: Supporting automated diagnosis and electronic
health records. Springerplus, 2(1):103–112, 2013.
[10] Agarwal R., Gao G., DesRoches C. The digital transformation of healthcare:
Current status and the road ahead. Inform Syst Res, 21:796–809, 2010.
[11] Boulos M. N., Wheeler S., Tavares C., Jones R. How smartphones are changing the
face of mobile and participatory healthcare: an overview, with example from
eCAALYX, Biomed Eng Online, 10:24, doi:10.1186/1475-925X-10-24, 2011.
[12] Abu Saleh M Mosa, Illhoi Yoo, Lincoln Sheets. A Systematic Review of Healthcare
Applications for Smartphones. BMC Medical Informatics and Decision Making,
12(67), doi:10.1186/1472-6947-12-67, 2012.
[13] XPRIZE Foundation. Qualcomm Tricorder X PRIZE. Dostopno na:
http://www.webcitation.org/6XAlLhIY7, 2014.
[14] Vodafone Americas Foundation. Wireless Innovation Project. Dostopno na:
http://www.webcitation.org/6XAlOocE2, 2014.
[15] Sabri A., Szalas J., Holmes K.S., Labib L., Mussivand T. Failed attempts and
improvement strategies in peripheral intravenous catheterization. Biomed Mater
Eng, 23:93-108, 2013.
[16] Kuensting L.L., DeBoer S., Holleran R., Shultz B.L., Steinmann R.A., Venella J.
Difficult venous access in children: taking control. J Emerg Nurs, 35(5):419-424,
2009.
Literatura
122
[17] Larsen P., Eldridge D., Brinkley J., Newton D., Goff D., Hartzog T., Saad N.D.,
Perkin R. Pediatric peripheral intravenous access: Does nursing experience and
competence really make a difference? J Infus Nurs, 33(4):226–235, 2010.
[18] Hadaway L.C. , Mill D.A. On the road to successful IV starts. Nursing, 35 Suppl
On:1-14, 2005.
[19] VueTek Scientific. Veinsite Hospital Value Analysis - ROI/Payback Models.
Dostopno na: http://www.webcitation.org/6XAmHAwVh, 2014.
[20] Hadaway L.C., Millam D.A. On the road to successful IV starts. Nursing, 35:1-14,
2005.
[21] Doniger S. J., Ishimine P., Fox J. C., Kanegaye J. T. Randomized controlled trial of
ultrasound-guided peripheral intravenous catheter placement versus traditional
techniques in difficult-access pediatric patients. Pediatr Emerg Care, 25:154–159,
2009.
[22] Sen I., Chari P. OT light camera as an intravenous cannulation assist device.
Anesthesia and Analgesia, 100(3):900, 2005.
[23] Cuper N.J., Klaessens J.H., Jaspers J.E., de Roode R., et al. The use of near-infrared
light for safe and effective visualization of subsurface blood vessels to facilitate
blood withdrawal in children. Med Eng Phys, 35(4):433–40, 2013.
[24] Roggan A., Friebel M., Dorsch K., et al. Optical properties of circulating human
blood in the wavelength range 400-2500 nm. J Biomed Opt, 4(1):36–46, 1999.
[25] Bashkatov A. N., Genina E. A., Kochubey V. I., Tuchin V. V. Optical properties of
human skin, subcutaneous and mucous tissues in the wavelength range from 400 to
2000 nm. J Phys D Appl Phys, 38(15):2543–2555, 2005.
[26] Chapman L. L., Sullivan B., Pacheco A. L., et al. VeinViewer assisted intravenous
catheter placement in a pediatric emergency department. Acad Emerg Med,
18(9):966–971, 2011.
[27] AccuVein Inc. Vein Visualization For The Lab. Dostopno na:
http://www.webcitation.org/6NNfhNgXs, 2014.
[28] Chiao F. B., Resta-Flarer F., Lesser J., et al. Vein visualization: Patient
characteristic factors and efficacy of a new infrared vein finder technology. Br J
Anaesth, 110:966-71, 2013.
[29] Cuper N. J., Verdaasdonk R. M., de Roode R, et al. Visualizing veins with near
infrared light to facilitate blood withdrawal in children. Clin Pediatr (Phila),
50(6):508–512, 2011.
[30] Mansoor M., Sravani S. N., Naqvi S. Z. Real-time low-cost infrared vein imaging
system. International Conference of Signal Processing, Image Processing &
Pattern Recognition ICSIPR, IEEE, 117–121, 2013.
[31] Crisan S., Tarnovan I. G., Crisan T. E. A low-cost vein detection device using near
infrared radiation. Proceedings of the Sensors, Applications Symposium 2007,
IEEE, 1–4, 2007.
[32] Crisan S., Crisan T. E., Curta C. Near infrared vein pattern recognition for medical
applications. Qualitative aspects and implementations. 1st International Conference
Literatura
123
on Advancements of Medicine and Health Care through Technology, Springer,
2007.
[33] Zhao S., Wang Y., Wang Yi.: Extracting hand vein patterns from low-quality
images: a new biometric technique using low-cost devices. Fourth International
Conference on Image and Graphics ICIG 2007, IEEE, 667–671, 2007.
[34] Chakravorty T., Sonawane D. N., Sharma S. D., Patil T. Low-cost subcutaneous
vein detection system using ARM9 based single board computer. Third
International Conference on Electronics Computer Technology ICECT 2011, IEEE,
339–343, 2011.
[35] Gayathri S., Gerard K., Nigel J., Prabhakar S. Low-cost hand vein authentication
system on embedded Linux platform. International Journal of Innovative
Technology and Exploring Engineering IJITEE, 2(4):138–141, 2013.
[36] Liu Z., Song S. An embedded real-time finger-vein recognition system for mobile
devices. IEEE Transactions on Consumer Electronics, 58(2):522–527, 2012.
[37] Nundy K. K., Sanyal S. A low-cost vein detection system using integrable mobile
camera devices. Annual IEEE India Conference INDICON. IEEE, 1-3, 2010.
[38] Juric S., Flis V., Debevc M., et al. Towards a low-cost mobile subcutaneous vein
detection solution using near-infrared spectroscopy. The Scientific World Journal,
2014(365902), doi:10.1155/2014/365902, 2014.
[39] Juric S., Zalik B. An innovative approach to near-infrared spectroscopy using a
standard mobile device and its clinical application in the real-time visualization of
peripheral veins. BMC Medical Informatics and Decision Making, 14(100),
doi:10.1186/s12911-014-0100-z, 2014.
[40] mVeinVision Research. mVeinVision Project Repository. Dostopno na:
http://www.webcitation.org/6NNfQXBe9, 2015.
[41] Money A. G., Barnett J., Kuljis J., Craven MP, et al. The role of the user within the
medical device design and development process: medical device manufacturers´
perspective. BMC Medical Informatics and Decision Making, 11(15),
doi:10.1186/1472-6947-11-15, 2011.
[42] Martin J. L., Barnet J. Integrating the results of user research into medical device
development: insights from a case study. BMC Medical Informatics and Decision
Making, 12(74), doi:10.1186/1472-6947-12-74, 2012.
[43] Holzinger A., Searle G., Kleinberger T., et al. Investigating usability metrics for the
design and development of applications for the elderly. 11th International
Conference on Computers Helping People with Special Needs, Lecture Notes in
Computer Science, Springer, 98–105, 2008.
[44] Holzinger A., Leitner H. Lessons from real-life usability engineering in hospital:
from software usability to total workplace usability. In Empowering Software
Quality: How can Usability Engineering Reach These Goals? Austrian Computer
Society, 153–160, 2005.
[45] The World Bank. Information and Communications for Development 2012:
Maximizing Mobile. Dostopno na: http://www.webcitation.org/6XF2EJu9M, 2014.
Literatura
124
[46] PriceWaterhouseCoopers. Emerging mHealth: paths for growth. Dostopno na:
http://www.webcitation.org/6XF2SZuJV, 2014.
[47] World Health Organization. mHealth New horizons for health through mobile
technologies. Dostopno na: http://www.webcitation.org/6XF2UPVRL, 2014.
[48] Sama P. R., Eapen Z. J., Weinfurt K. P., et al. An Evaluation of Mobile Health
Application Tools. JMIR mHealth uHealth, 2(2), doi:10.2196/mhealth.3088, 2014.
[49] Busis N. Mobile Phones to Improve the Practice of Neurology. Neurol Clin,
28:395–410, 2010.
[50] Volonté F., Robert J. H., Ratib O., Triponez F. Volonté F, Robert JH, Ratib O.,
Triponez F. Cardiovasc Thorac Surg, 12:1066–1068, 2011.
[51] Johansson P. E., Petersson G. I., Nilsson G. C. Personal digital assistant with a
barcode reader–A medical decision support system for nurses in home care.
International journal of medical informatics, 79:232–242, 2010.
[52] Worringham C., Rojek A., Stewart I., et al. Development and Feasibility of a
Smartphone. ECG and GPS Based System for Remotely Monitoring Exercise in
Cardiac Rehabilitation. PLoS One, 6(2):e14669, doi:10.1371/journal.pone.0014669,
2011.
[53] Tucker A., Maass A., Bain D., et al. Augmentation of venous, arterial and
microvascular blood supply in the leg by isometric neuromuscular stimulation via
the peroneal nerve. Int J Angiol, 19(1):e31–e37, 2010.
[54] Melanson D. Sanofi-Aventis debuts iBGStar blood glucose meter for iPhone.
Dostopno na: http://www.webcitation.org/6XF3b67xZ, 2014.
[55] Poh M. Z., McDuff D. J., Picard R. W. Non-contact, automated cardiac pulse
measurements using video imaging and blind source separation. Optics Express,
18(10):10762–10774, 2010.
[56] Bland J. M., Altman D. G. Mobile Phones to Improve the Practice of Neurology.
Statistical methods for assessing agreement between two methods of clinical
measurement, 1(8476): 307–310, 1986.
[57] Rhee H., Miner S., Sterling M., et al. The Development of an Automated Device for
Asthma Monitoring for Adolescents: Methodologic Approach and User
Acceptability. JMIR mHealth uHealth, 2(2):e27, 10.2196/mhealth.3118, 2014.
[58] Lau, J., Lowres, N., Neubeck, L., et al. Abstract 16810: validation of an iPhone
ECG application suitable for community screening for silent atrial fibrillation: a
novel way to prevent stroke. Circulation, 126:A16810, 2012.
[59] Lowres N., Neubeck L., Redfern J., Freedman S.B. Community screening programs
to identify unknown atrial fibrillation: a systematic review. Eur Heart J, 33:61,
2012.
[60] Hospital International. App Monitors Heart Rate By Reading Your Face. Dostopno
na: http://www.webcitation.org/6XF4iRJLY, 2014.
[61] Diagnostic and Interventional Cardiology. Study Points to Mobile Device as
Breakthrough for Community Screening and Stroke Prevention. Dostopno na:
http://www.webcitation.org/6XF4qv2EN, 2014.
Literatura
125
[62] Richard W.D., Zar D.M., Solek R. A Low-Cost B-Mode USB Ultrasound Probe.
Ultrasonic Imaging, 30:21-28, 2008.
[63] MobiSante. The MobiUS SP1 System. Dostopno na:
http://www.webcitation.org/6XF52o3Ib, 2014.
[64] Stanford Medicine. New smartphone scans from Stanford could prevent needless
oral cancer deaths. Dostopno na: http://www.webcitation.org/6XF58c80A, 2014.
[65] Cellscope. The otoscope, reinvented. Dostopno na:
http://www.webcitation.org/6XF5IiMOp, 2014.
[66] Haddock L.J., Kim D.Y, Mukai S. Simple, Inexpensive Technique for High-Quality
Smartphone Fundus Photography in Human and Animal Eyes. Journal of
Ophthalmology, 2013(518479), doi:10.1155/2013/518479, 2013.
[67] Myung D., Jais A., He L., et al. Simple, low-cost smartphone adapter for rapid, high
quality ocular anterior segment imaging: a photo diary. J Mobile Tech Med, 3(1):2-
8, 2014.
[68] MIT Media Lab. NETRA: Refractive Tests on a Mobile Phone. Dostopno na:
http://www.webcitation.org/6XF5tQrZX, 2014.
[69] Internet Medicine. iPhone Smartphone as a Microscope. Dostopno na:
http://www.webcitation.org/6XF5tQrZX, 2014.
[70] Zhu H., Ozcan A. Wide-field Fluorescent Microscopy and Fluorescent Imaging
Flow Cytometry on a Cell-phone. J Vis Exp, 74:e50451, doi:10.3791/50451, 2013.
[71] Larson E.C., Goel M., Boriello G., Heltshe S., et.al. SpiroSmart : Using a
Microphone to Measure Lung Function on a Mobile Phone. Proceedings of the 14th
InternationalConference on Ubiquitous Computing, ACM, 280-289, 2012.
[72] Lavizzo-Mourey R. The nurse education imperative. Advances in Nursing Science,
35(2):96-97, doi:10.1097/ANS.0b013e3182537380, 2012.
[73] Husain I. Yale medical school switching to iPad curriculum, Harvard medical
school creating custom apps. Dostopno na:
http://www.webcitation.org/6XF6km94D, 2014.
[74] U.S. Food and Drug Administration. Mobile medical applications. Dostopno na:
http://www.webcitation.org/6XF6pbwKJ, 2014.
[75] Wolf J.A., Moreau J.F., Akilov O., et al. Diagnostic Inaccuracy of Smartphone
Applications for Melanoma Detection. JAMA Dermatol, 149(4):422-426,
doi:10.1001/jamadermatol.2013.2382, 2013.
[76] Black K.J., Pusic M.V, Harmidy D., McGillivray D. Pediatric intravenous insertion
in the emergency department: bevel up or bevel down? Pediatr Emerg Care,
21:707–711, 2005.
[77] Lininger R.A. Pediatric peripheral IV insertion success rates. Pediatr Nurs, 29:351–
354, 2003.
[78] Withey S.J., Moss A.L.H., Williams G.J.P. Cold light, heat burn. Burns, 26:414–
415, 2000.
[79] Tomaţ J. Vpliv elektroterapije na parametre prekrvitve in oksigenacije tumorjev.
Doktorska disertacija, Univerza v Ljubljani, Fakulteta za elektrotehniko, 1999.
Literatura
126
[80] Šporar E. Razvoj modela za dolocanje velikosti delcev hidroksipropilmetilceluloze s
spektroskopijo bližnjega infrardečega območja. Magistrska naloga. Univerza v
Ljubljani, Fakulteta za farmacijo, 2011.
[81] Urbančič I. Infrardeče tehnologije. Izbrana poglavja iz uporabne fizike. Univerza v
Ljubljani, Fakulteta za matematiko in fiziko, 2008.
[82] Wright H. C. Infrared Techniques. Clarendon Press, 1973.
[83] Delpy, D. Optical spectroscopy for diagnosis. Phys. World, 7(9):34-39, 1994.
[84] Lotus Gemology. Introduction to Infrared Spectroscopy. Dostopno na:
http://www.webcitation.org/6XLe7Q9sX, 2014.
[85] Elwell C. E. A. A Practical Users Guide to Near Infrared Spectroscopy.
Hamamatsu Photonics KK, 1995.
[86] Brazy J. E. Near-infrared spectroscopy. Clinics in Perinatology, 18(3):519-534,
1991.
[87] De Koningh Medical Products. Vasculuminator. Dostopno na:
http://www.webcitation.org/6XPdAmKHY, 2014.
[88] Cuper N.J., Near-infrared vascular imaging in peripheral venous and arterial
access. Utrecht University, 2012.
[89] Christie Medical Holdings, Inc. VeinViewer Models. Dostopno na:
http://www.webcitation.org/6XPdlnLI0, 2014.
[90] AccuVein Inc. Vein Viewing System. Dostopno na:
http://www.webcitation.org/6XPe4XoEH, 2014.
[91] Goldman, R. Hunt, D. Mock, M. Marshal, G., et al. Micro vein enhancer. US. Pat.
Appl. 7904138 B2, 2011.
[92] VueTek Scientific. Portable, Hands-Free, Vascular Imaging. Dostopno na:
http://www.webcitation.org/6XPecXeR0, 2014.
[93] VueTek Scientific. Portable, Hands-Free, Vascular Imaging. Dostopno na:
http://www.webcitation.org/6XPecXeR0, 2014.
[94] Evena Medical, Inc. Evena Products. Dostopno na:
http://www.webcitation.org/6XPetCcmL, 2014.
[95] Hess H.A.: A biomedical device to improve pediatric vascular access success.
Pediatr Nurs, 36(5):259–63, 2010.
[96] Strehle E.M. Making the invisible visible: near infrared spectroscopy and
phlebotomy in children. Telemedicine and E-Health, 16(8):889-893, 2010.
[97] Perry A.M., Caviness A.C., Hsu D.C. Efficacy of a near-infrared light device in
pediatric intravenous cannulation: a randomized controlled trial. Pediatr Emerg
Care 27(1):5-10, 2011.
[98] Kaddoum R.N., Anghelescu D.L., Parish M.E., Wright B.B., et al. A randomized
controlled trial comparing the AccuVein AV300 to standard insertion technique for
intravenous cannulation of anesthetized children. Paediatr Anaesth, 22(9):884-889,
2012.
Literatura
127
[99] Kim M.J., Park J.M., Rhee N., et al. Efficacy of VeinViewer in pediatric peripheral
intravenous access: a randomized controlled trial. Eur J Pediatr, 171(7):1121–1125,
2012.
[100] Peterson K.A., Phillips A.L., Truemper E., Agrawal S. Does the use of an assisted
device by nurses impact peripheral intravenous catheter insertion success in
children? J Pediatr Nur, 27(2):134-143, 2012.
[101] Phipps K., Modic A., O´Riordan M.A., Walsh M.: A randomized trial of the Vein
Viewer versus standard technique for placement of peripherally inserted central
catheters (PICCs) in neonates. J Perinatol, 32(7):498-501, 2012.
[102] Cuper N.J., de Graaff J.C., Verdaasdonk R.M., Kalkman C.J.: Near-infrared
imaging in intravenous cannulation in children: a cluster randomized clinical trial.
Pediatrics, 131(1):e191–197, 2013.
[103] de Graaff J.C., Cuper N.J., Mungra R.A., Vlaardinherbroek K., et al. Near infrared
light to aid peripheral intravenous cannulation in children: A cluster randomized
clinical trial of three devices. Anaesthesia, 68(8):835-845, 2013.
[104] Sun C.Y., Lee K.C., Lin I.H., et al. Near-infrared light device can improve
intravenous cannulation in critically ill children. Pediatr Neonatol, 54(3):194–7,
2013.
[105] Van der Woude O.C., Cuper N.J., Getrouw C., Kalkman C.J., de Graaff J.C. The
effectiveness of a near-infrared vascular imaging device to support intravenous
cannulation in children with dark skin color: a cluster randomized clinical trial.
Anesth Analg, 116(6):1266–71, 2013.
[106] Cuper N.J., de Graaff J.C., Hartman B.J., Verdaasdonk R.M., Kalkman C.J.
Difficult arterial cannulation in children: is a near-infrared vascular imaging system
the answer? Br J Anaesth, 109(3):420-426, 2012.
[107] Lamperti M., Pittiruti M. Difficult peripheral veins: turn on the lights. Br J Anaesth,
110(6):888-891, 2013.
[108] Priyadarshini P., Leelavathi G., Siva S. Subcutaneous vein detection using
embedded linux on ARM. Ijates, 2(11):515-524, 2014.
[109] Deepa P., Mohanavelu K., Sundersheshu B.S., Padaki V.C. Vein Identification and
Localizationfor Automated Intravenous Drug Delivery System. 19th IEEE
International Conference on Image Processing (ICIP), Springer, 270-281, 2012.
[110] Carter T., O’Neill S., Johns N., Brady R.R.W. Contemporary Vascular Smartphone
Medical Applications. Annals of Vascular Surgery, 27(6):804-809, 2013.
[111] Evena Medical, Inc. Evena Products. Dostopno na:
http://www.webcitation.org/6XPetCcmL, 2014.
[112] Google Inc. Android Developers. Dostopno na:
http://www.webcitation.org/6XVP720oj, 2014.
[113] The Linux Foundation. Linux Community. Dostopno na:
http://www.webcitation.org/6XVP9lyZ1, 2014.
[114] Verhoeven G. Imaging the invisible using modified digital still cameras for
straightforward and low-cost archaeological near infrared photography. Journal of
Archaeological Science, 35(12):3087-3100, 2008.
Literatura
128
[115] Darmont A. Spectral Response of Silicon Image Sensors – White Paper. Aphesa,
Belgija, 2009. Dostopno na: http://www.webcitation.org/6XjTuB2Wy, 2014.
[116] Department of Electronic Systems. Biometric Identification using Hand Vein
Patterns. Aalborg University, Danska, 2011. Dostopno na:
http://www.webcitation.org/6XjU2vCjF, 2014.
[117] Discover Circuits. Color Film Negative Makes Visible Light Blocking Filter.
Dostopno na: http://www.webcitation.org/6XjU6bTh4, 2014.
[118] USB Implementers Forum. Universal Serial Bus. Dostopno na:
http://www.webcitation.org/6XjVbV9xi, 2014.
[119] Infinitegra. Android App USB Camera. Dostopno na:
http://www.webcitation.org/6XjWFSihV, 2014.
[120] OSA Opto Light GmbH. OIS-330-740-X-T Datasheet. Dostopno na:
http://www.webcitation.org/6XjWPufZV, 2014.
[121] Moreno I., Avendaño-Alejo M, Rumen I. Designing light-emitting diode arrays for
uniform near-field irradiance. Applied Optics, 45(10): 2265-2272, 2006.
[122] Whang A.J., Chen Y.Y., Teng Y.T. Designing Uniform Illumination Systems by
Surface-Tailored Lens and Configurations of LED Arrays. Journal of Display
Technology, 5(3):94-103, 2009.
[123] Guid N. Računalniška grafika. Univerza v Mariboru, Fakulteta za elektrotehniko,
računalništvo in informatiko, 2011.
[124] Lightning Research Center. Illumination Fundamentals. Rensselaer Polytechnic
Institute, 2000. Dostopno na: http://www.webcitation.org/6XjX3xAzi, 2014.
[125] Moreno I., R. I. Tzonchev. Effects on illumination uniformity due to dilution on
arrays of LEDs. Nonimaging Optics and Efficient Illumination Systems - Proc. SPIE
5529, 268–275, 2004.
[126] Lei P., Wang Q., Zou H. Designing led array for uniform illumination based on
local search algorithm. Journal of the european optical society, 9(14014):1-6, 2014.
[127] Su Z., Xue D., Ji Z. Designing LED array for uniform illumination distribution by
simulated annealing algorithm. Opt Express, 20(23): A843-55, 2012.
[128] Elwell C. E. A. A Practical Users Guide to Near Infrared Spectroscopy.
Hamamatsu Photonics KK, 1995.
[129] Jain A. K., Flynn P., Ross A. A. Handbook of Biometrics. Springer, 2008.
[130] Burger W., Burge M.J. Principles of Digital Image Processing: Fundamental
Techniques. Springer, 2011.
[131] Wang L., Leedham G., Cho D. S. Minutiae feature analysis for infrared hand vein
pattern biometrics. Pattern Recognition, 41(3):920-929, 2008.
[132] Kumar A., Prathyusha K. V. Personal Authentication Using Hand Vein
Triangulation and Knuckle Shape. IEEE Transactions on Image Processing, 38(9):
2127 - 2136, 2009.
[133] Nadort A.M. The hand vein pattern used as a biometric feature. Master's thesis,
Free University Amsterdam, 2007.
Literatura
129
[134] Choi H.S. Apparatus and method for identifying individuals through their sub-
cutaneaouc vein patterns and integrated system using said apparatus and method.
US Pat. Appl. 006302375B1, 2001.
[135] Wang L., Leedham G., Cho D. S. A Thermal Hand Vein Pattern Verification
System. Lecture Notes in Computer Science Volume, 3687: 58-65, 2005.
[136] Ding Y., Zhuang D., Wang K. A study of hand vein recognition method.
International Conference on Machatronic and Automation, IEEE, 2106-2110, 2005.
[137] Cross J., Smith C. Thermographic imaging of the subcutaneous vascular network of
the back of the hand for biometric identification. 29th Annual 1995 International
Carnahan Conference - Proceedings of Security technology, IEEE, 20-35, 1995.
[138] Fan K., Lin C.L., Lee W.L. A study of hand vein recognition method. 16th IPPR
Conference on Computer Vision, Graphics and Image Processing, IPPR, 318-323,
2003.
[139] Miura N., Nagasaka A., Miyatake T. Personal identification device and method. US
Pat. Appl. 0047632A1, 2005.
[140] Nagasaka A., Miyatake T., Miura N. Feature extraction of finger-vein patterns
based on repeated line tracking and its application to personal identification.
Machine Vision and Applications, 15(4): 194-203, 2004.
[141] Im S. K., Choi H. S., Kim S.W. A direction-based vascular pattern extraction
algorithm for hand vascular pattern verification. ETRI journal, 5(2):101-108, 2003.
[142] Lam L., Lee S., Suen C. Thinning methodologies - a comprehensive survey. IEEE
Transactions on Pattern Analysis and Machine Intelligence, 14(9):869-879, 1992.
[143] Zalik B. An efficient sweep-line Delaunay triangulation algorithm. Computer-Aided
Design, 37:1027-1038, 2005.
[144] Noor A., Mokhtar M., Rafiqul Z., et al. Understanding Color Models: A Review.
ARPN Journal of Science and Technology, 3(2):265-275, 2012.
[145] Point Grey Research. Understanding YUV data formats. Dostopno na:
http://www.webcitation.org/6YHC3w7qi, 2015.
[146] International Telecommunication Union. Recommendation BT.601-7. Dostopno na:
http://www.webcitation.org/6YHCELqmU, 2015.
[147] Ramirez E., Fraga J., Xochihua O., et al. Performance Analysis of Retina and DoG
Filtering Applied to Face Images for Training Correlation Filters. Research in
Computing Science, 80:67-76, 2014.
[148] Wang S. An Improved Difference of Gaussian Filter in Face Recognition. Journal
of Multimedia, 7(6):429-433, 2012.
[149] Vu N.S., Caplier A. Illumination-robust face recognition using retina modeling.
Proceedings of the 16th IEEE international conference on Image processing, IEEE,
3253-3256, 2009.
[150] Bozkurt A., Onaral B. Safety assessment of near infrared light emitting diodes for
diffuse optical measurements. Biomed Eng Online, 3(9), doi:10.1186/1475-925X-3-
9, 2004.
Literatura
130
[151] Smart Vision Lights. IEC/EN 62471 for LED Lighting Products. Dostopno na:
http://www.webcitation.org/6YfUzjre4, 2015.
[152] Fidimed d.o.o. Kaj je indeks telesne teže? Dostopno na:
http://www.webcitation.org/6YfV5NjIt, 2015.
[153] AccuVein Inc. AccuVein AV400 User Manual. Dostopno na:
http://www.webcitation.org/6YfVLTlce, 2015.
[154] National Institute for Health and Care Excellence. AccuVein AV400 for vein
visualisation. Dostopno na: http://www.webcitation.org/6YfVRYB2L, 2015.
[155] Davis, R. D., Bagozzi, R. R., Warshaw, P. R. User Acceptance of Computer
Technology: Comparison of Two Theoretical Models. Management Science,
35(8):982-1003, 1998.
[156] Röcker, C. Perceived Usefulness and Perceived Ease-of-Use of Ambient
Intelligence Applications in Office Environments. HumanCentered Design, HCII
2009, LNCS 5619, Springer, 1052-1061, 2009.
[157] Research Methods Knowledge Base. Likert Scaling. Dostopno na:
http://www.webcitation.org/6YfWF8DII, 2015.
[158] Brooke J. SUS: A “quick and dirty” usability scale. Dostopno na:
http://www.webcitation.org/6YfWPfsMw, 2015.
[159] Bangor A., Kortum P., Miller, J.A. The System Usability Scale (SUS): An
Empirical Evaluation. Int J Hum-Comp, 24(6): 574–594, 2008.
[160] Veinsite. Veinsite Hospital Value Analysis - ROI/Payback Models. Dostopno na:
http://www.webcitation.org/6YiQ2EZ7l, 2015.
[161] Paddock C. iPads in health and medicine: More than an information revolution?
Dostopno na: http://www.webcitation.org/6NMSCqT94, 2015.
[162] Husain I. Yale medical school switching to iPad curriculum, Harvard medical
school creating custom apps. Dostopno na:
http://www.webcitation.org/6YlWVoJdO, 2015.
Dodatek
131
9 Dodatek
Priloge k doktorski disertaciji.
9.1 Metodologija pregledne študije klinične učinkovitosti namenskih naprav
Na podlagi izbirne strategije (slika 9–1) smo analizirali 14 primernih študij.
Slika 9–1: Izbirna strategija primernosti študij, vključenih v analizo klinične uspešnosti
namenskih naprav. Izključene študije se niso osredotočale na ovrednotenje učinkovitosti, temveč
so temeljile na splošni predstavitvi (npr. predstavitev in zgradba samih naprav, opisi načrtovane
uporabe v praksi).
Dodatek
132
9.2 Uporabljena orodja, materiali in tehnologije tekom razvoja prototipa V nadaljevanju so predstavljena vsa razvojna orodja, tehnologije, naprave in drugi
materiali, ki so se uporabili tekom razvojno-raziskovalnih aktivnosti celotne raziskave.
9.2.1 Razvojna okolja in povezane tehnologije
Android Developer Tools Build: v22.2.1-833290 for Windows and Linux Ubuntu
10.04 (http://developer.android.com/sdk/index.html),
Android NDK toolset: android-ndk-r9
(http://developer.android.com/tools/sdk/ndk/index.html),
OpenCV for Android SDK: OpenCV 2.4.6 (http://opencv.org/downloads.html),
Analytics SDK for Android V4
(https://developers.google.com/analytics/devguides/collection/android/v4/,
Google Tag Manager for Android v4 (https://developers.google.com/tag-
manager/android/v4/),
Android Studio (https://developer.android.com/sdk/index.html),
Gradle: Build Automation for the JVM, Android, and C/C++ (https://gradle.org/),
EventBus - publish/subscribe event bus optimized for Android
(https://github.com/greenrobot/EventBus) in
9.2.2 Uporabljene mobilne naprave
Postopek preverbe delovanja arhitekture in aplikacijskega ogrodja je za naprave, ki niso
posebej omenjene v okviru glavnega dela disertacije, zajemal osnovni zagon in analizo
delovanja (delovanje in napajanje vseh gradnikov, prikaz zajete slike in osnovni test
uporabniškega vmesnika).
Uporabljene naprave:
Google Galaxy Nexus 10 (Android 4.2, Jelly Bean, 1.7 GHz A15 dual-core
processor),
Samsung GALAXY Nexus (Android 4.0.4, Ice Cream Sandwich, 1.2 GHz
Cortex-A9 dual-core processor,
Samsung I9100 Galaxy S II (type: Smartphone, Android 4.1.0, Jelly Bean, 1.2
GHz Cortex-A9 dual-core processor),
Acer Iconia Tab A510 (Android 4.0.4, Ice Cream Sandwich, 1.3 GHz Cortex-A9
quad-core processor),
Google Nexus 5 (Android 5.1),
Galaxy S4 Mini (Android 4.4.4),
Samsung Galaxy Note 4 (Android 4.4.4),
Lenovo IdeaTab A3000-H (Android 4.2.2) in
OnePlus One (Android 5.0.2).
Dodatek
133
9.2.3 Uporabljene kamere USB (predelane za uporabo v NIR-prostoru)
Logitech HD Webcam C310 (http://www.logitech.com/en-us/product/hd-
webcam-c310),
Logitech HD Webcam C270 (http://www.logitech.com/en-us/product/hd-
webcam-c270),
Logitech Webcam C170 (http://www.logitech.com/en-sg/product/webcam-c170),
Logitech QuickCam Pro 4000 (http://reviews.cnet.com/webcams/logitech-
quickcam-pro-4000/4505-6502_7-20276742.html),
Logitech Webcam C905
(http://www.engadget.com/products/logitech/webcam/c905/),
Logitech HD Pro Webcam C920 (http://www.logitech.com/en-us/product/hd-pro-
webcam-c920?crid=34) in
Canyon CNR-FWC113 (http://www.canyon-
tech.com/products/voip/webcams/CNR-FWC113)
9.2.4 Gradnik NIA
Diode NIR LED OSA OPTO LIGHT - OIS-330-740-X-T - LED, IR, 740NM,
LENS, SMD (http://uk.farnell.com/osa-opto-light/ois-330-740-x-t/led-ir-740nm-
lens-smd/dp/1890328?Ntt=1890328),
adapter Micro USB OTG to USB 2.0 Adapter – Cable (
http://tech.firstpost.com/news-analysis/how-to-make-your-own-usb-otg-cable-for-
an-android-smartphone-29503.html),
simulacijsko in načrtovalno orodje LED Optics Designer 1.6
(http://ledopticsdesign.com),
simulacijsko in načrtovalno orodje LightTools 8.1
(http://optics.synopsys.com/learn/training/learn-train-lighttools-intro.html) in
simulacijsko in načrtovalno orodje TracePro 7.5.7 (http://www.lambdares.com/).
Dodatek
134
9.3 Osvetlitveni profili Eksperimentalno določene vrednosti nastavitev detektorja (kamera USB) posameznih
osvetlitvenih profilov, ki so na voljo v uporabniškem vmesniku aplikacije. Vrednosti so
predstavljene v spodnjem izseku programske kode prototipa.
private static final int DEF_EXPOSURE = 480; private static final int DEF_GAIN = 60; private static final int DEF_BRIGHTNES = 128; private static final int DEF_CONTRAST = 255; private static final int DEF_SATURATION = 0; private static final int DEF_WHITE_BALANCE = 2000; private static final int DEF_FOCUS_VALUE = 10; private static final int DEF_ZOOM = 100; private static final int DEF_SHARPNESS = 128; private static final boolean DEF_FOCUS_AVTO = true; private static final boolean DEF_BACKLIGHT_COMPENSATION = false; private static final boolean DEF_EXPOSURE_AUTO = false; private static final boolean DEF_WHITE_BALANCE_AUTO = false; lowProfile = new VideoSettings.Builder()
.setExposure(1200) .setGain(110) .setAutoExposure(DEF_EXPOSURE_AUTO) .setAutofocus(DEF_FOCUS_AVTO) .setAutoWhiteBalance(DEF_WHITE_BALANCE_AUTO) .setBacklightCompensation(DEF_BACKLIGHT_COMPENSATION) .setFocus(DEF_FOCUS_VALUE) .setBrightness(DEF_BRIGHTNES) .setContrast(DEF_CONTRAST) .setSaturation(DEF_SATURATION) .setSharpness(DEF_SHARPNESS) .setWhiteBalance(DEF_WHITE_BALANCE) .setZoom(DEF_ZOOM) .build(); mediumProfile = new VideoSettings.Builder() .setExposure(480) .setGain(60) .setAutoExposure(DEF_EXPOSURE_AUTO) .setAutofocus(DEF_FOCUS_AVTO) .setAutoWhiteBalance(DEF_WHITE_BALANCE_AUTO) .setBacklightCompensation(DEF_BACKLIGHT_COMPENSATION) .setFocus(DEF_FOCUS_VALUE) .setBrightness(DEF_BRIGHTNES) .setContrast(DEF_CONTRAST) .setSaturation(DEF_SATURATION) .setSharpness(DEF_SHARPNESS) .setWhiteBalance(DEF_WHITE_BALANCE) .setZoom(DEF_ZOOM) .build();
Dodatek
135
highProfile = new VideoSettings.Builder() .setExposure(240) .setGain(30) .setAutoExposure(DEF_EXPOSURE_AUTO) .setAutofocus(DEF_FOCUS_AVTO) .setAutoWhiteBalance(DEF_WHITE_BALANCE_AUTO) .setBacklightCompensation(DEF_BACKLIGHT_COMPENSATION) .setFocus(DEF_FOCUS_VALUE) .setBrightness(DEF_BRIGHTNES) .setContrast(DEF_CONTRAST) .setSaturation(DEF_SATURATION) .setSharpness(DEF_SHARPNESS) .setWhiteBalance(DEF_WHITE_BALANCE) .setZoom(DEF_ZOOM) .build(); ledProfile = new VideoSettings.Builder() .setExposure(200) .setGain(0) .setAutoExposure(DEF_EXPOSURE_AUTO) .setAutofocus(DEF_FOCUS_AVTO) .setAutoWhiteBalance(DEF_WHITE_BALANCE_AUTO) .setBacklightCompensation(DEF_BACKLIGHT_COMPENSATION) .setFocus(DEF_FOCUS_VALUE) .setBrightness(DEF_BRIGHTNES) .setContrast(DEF_CONTRAST) .setSaturation(DEF_SATURATION) .setSharpness(DEF_SHARPNESS) .setWhiteBalance(DEF_WHITE_BALANCE) .setZoom(DEF_ZOOM) .build();
Dodatek
136
9.4 Rezultati vprašalnika ovrednotenja sprejemljivosti prototipa na področju izobraževanja
Tabela 9-1: Posamezni rezultati vprašalnika ocene sprejemljivosti na podlagi 4 trditev (atributov).
(A) Naprava je uporabna, (B) zadovoljen sem z načinom delovanja in uporabe, (C) naprava je
enostavna za uporabo in (D) poznam področje in namenske naprave, ki omogočajo zaznavo in
vizualizacijo ven na podlagi NIR spektroskopije.
Likertova lestvica ocen (1-5)
Študent A B C D
1 5 4 4 2
2 5 5 4 1
3 5 4 5 1
4 4 5 5 2
5 5 4 4 3
6 4 4 4 2
7 5 5 4 1
8 5 4 4 1
9 3 4 5 1
10 5 4 4 3
11 5 5 4 2
12 4 4 5 1
13 4 4 4 1
14 4 4 5 2
15 5 5 4 3
16 4 4 4 2
17 4 5 4 1
18 3 3 4 3
19 5 5 3 2
20 5 5 4 1
Povprečna
vrednost
(mean)
4.45 4.35 4.2 1.75
Standardni
odklon 0.68633274 0.58714295 0.52314836 0.78639752
Najbolj
pogosta
vrednost
(mode)
5 4 4 1
Dodatek
137
9.5 Odobritev analize klinične učinkovitosti in uporabnosti
Dodatek
138
9.6 Vprašalnik SUS
Slika 9–2: Vprašalnik SUS uporabljen med ovrednotenjem prototipa v okviru klinične prakse.
Življenjepis
139
10 Življenjepis
Osnovni podatki
Simon Jurič, 22.12.1981 (Maribor), Čebelarska ulica 24, 2312
Orehova vas, Slovenija
Elektronska pošta: [email protected]
Telefon: +386 40 466 282
LinkedIn: https://si.linkedin.com/in/simonjuric
Izobraţevanje
Osnovna šola Franc Lešnik Vuk, Slivnica pri Mariboru - opravljena leta 1996.
II. gimnazija (Maribor) - opravljena leta 2000
Univerzitetni študij računalništva in informatike na Fakulteti za elektrotehniko,
računalništvo in informatiko Univerze v Mariboru - zaključen z diplomo leta
2010.
Leta 2010 vpisan podiplomski študij na Fakulteti za elektrotehniko, računalništvo
in informatiko Univerze v Mariboru, v okviru programa Mladi raziskovalci iz
gospodarstva (MR-2010).
Delovne izkušnje
1999 – 2005, Hermes Softlab (razvijalec)
2003 - 2005, Relief d.o.o (vodilni razvijalec)
2005, Microsoft Corp., Ireland (razvijalec - pripravnik)
2006 - še traja, Inova IT d.o.o. (solastnik, vodja razvoja, prokurist )
2010 - 2014, Farmadent d.o.o. (mladi raziskovalec)
Nagrade in drugo
svetovno tekmovanje Imagine Cup 2005 (Yokohama, Japonska, 2005): 4 mesto,
evropsko tekmovanje Imagine Cup 2005 (Thessaloniki, Grčija, 2005): 1 mesto,
nacionalno tekmovanje Imagine Cup 2005 (Ljubljana, Slovenia, 2005): 1 mesto,
tekmovanje Windows Embedded Student Challenge: (Redmond, ZDA, 2005):
svetovni finalist,
evropsko tekmovanje Imagine Cup 2004 (Cambridge, VB, 2004): 3 mesto,
nacionalno tekmovanje Imagine Cup 2004 (Ljubljana, Slovenija, 2004): 1 mesto,
priznanja Univerze v Mariboru za nadpovprečno raziskovalno delo med
dodiplomskim študijem (2004, 2005),
leta 2005 izbran za enega izmed najboljših študentov z vidnimi doseţki v
mednarodnih tekmovanjih (podeljeno s strani nekdanjega Ministrstvo za visoko
šolstvo, znanost in tehnologijo).
Raziskovalni projekti
SPS 2008 (P2) - vodja projekta,
Življenjepis
140
Kompetenčni center (v okviru Javnega razpisa za razvoj kompetenčnih centrov v
obdobju 2010-2013) storitve podprte z računalništvom v oblaku (KC CLASS) -
vodja pri partnerju (Inova),
Kompetenčni center (v okviru Javnega razpisa za razvoj kompetenčnih centrov v
obdobju 2010-2013) odprta komunikacijska platforma za integracijo storitev (KC
OPCOMM) - vodja pri partnerju (Inova).
141
Bibliografija kandidata v neposredni zvezi z doktorsko disertacijo
1.01 Izvirni znanstveni članek
1. HOLZINGER, Andreas, JURIČ, Simon, ŢALIK, Borut, DEBEVC, Matjaţ, et al.
Mobile computing is not always advantageous : lessons learned from a real-world case
study in a hospital. V: TEUFEL, Stephanie (ur.). Availability, reliability, and security in
information systems : proceedings, (Lecture notes in computer science, ISSN 0302-9743,
8708). Heidelberg; Dordrecht; London; New York: Springer, cop. 2014, vol. 8708, str.
110-123. [COBISS.SI-ID 18065686],[SNIP]
2. JURIČ, Simon, ŢALIK, Borut. An innovative approach to near-infrared spectroscopy
using a standard mobile device and its clinical application in the real-time visualization of
peripheral veins. BMC medical informatics and decision making, ISSN 1472-6947, 2014,
vol.14, str. 1-8. http://www.biomedcentral.com/1472-6947/14/100. [COBISS.SI-
ID18383126], [JCR, SNIP, WoS]
Faktor vpliva:
Leto Faktor
vpliva
Kategorija Uvrstitev
2013 1.496 medical informatics 12/24
1.02 Pregledni znanstveni članek
3. JURIČ, Simon, FLIS, Vojko, DEBEVC, Matjaţ, HOLZINGER, Andreas, ŢALIK,
Borut. Towards a low-cost mobile subcutaneous vein detection solution using near-
infrared spectroscopy. The scientific world journal, ISSN 1537-744X, 2014, vol. 2014,
ilustr. http://www.hindawi.com/journals/tswj/2014/365902/, doi: 10.1155/2014/365902.
[COBISS.SI-ID4954687], [JCR, SNIP, WoS]
Faktor vpliva:
Leto Faktor vpliva Kategorija Uvrstitev
2013 1.219 multidisciplinary
sciences
16/55
142
143
144
145
146
147