SIGNAL ANALYSIS FOR MONITORING AN EXTRACORPOREAL MEMBRANE OXYGENATION SYSTEM IN REAL TIME

Abstract

Esta tesis desarrolla un sistema basado en el active learning para la predicción de fallos en tiempo real y la monitorización de máquinas ECMO (Extracorporeal Membrane Oxygenation) portátiles, con el objetivo de detectar anomalías como la formación de coágulos de sangre y alertar a los médicos. El sistema también estima la frecuencia respiratoria y el ritmo cardiaco del paciente con señales no invasivas como auriculares de botón. Utilizando datos in-vitro e in-vivo demostramos una detección eficaz de anomalías y una precisión prometedora para la monitorización de las constantes vitales.

This thesis develops an active learning-based system for real-time failure prediction and monitoring of portable ECMO (Extracorporeal Membrane Oxygenation) machines, aiming to detect anomalies like blood clot formation and alert doctors. The system also estimates the patient's breathing rate and heart rhythm with non-invasive signals such as in-ear headphones. Using in-vitro and in-vivo data we demonstrate effective anomaly detection and promising accuracy for vitals monitoring.