Späť


Spoľahlivosť, analýza rizík a strojové učenie

Garant: prof. Ing. Elena Zaitseva, PhD.
Učitelia: doc. Ing. Miroslav Kvaššay, PhD., doc. Ing. Jozef Kostolný, PhD., Ing. Ján Rabčan, PhD.
Počet študentov: 2 - 12

Strojové učenie (Machine Learning - ML) prenikajú do čoraz väčšieho počtu oblastí. ML je schopné poskytnúť nové poznatky a príležitosti pri riešení dôležitých výziev v oblasti analýzy spoľahlivosti a bezpečnosti. Taktiež dokáže získať presnejšie poznatky zo súborov údajov o nehodách, degradácii a prežití, ktoré presahujú možnosti tradičných analytických nástrojov. Neustále sa zvyšujúca zložitosť systémov vyžaduje nové nástroje na analýzu spoľahlivosti, ktoré pokryjú všetky kroky analýzy spoľahlivosti od návrhu modelu systému až po prognózu správania/zlyhania systému. Údaje na analýzu spoľahlivosti a posúdenie rizika sú často neurčité. Zvyšujúca sa zložitosť systému spôsobuje narastajúcu neurčitosť v spoľahlivosti a analýze rizík. V reálnych systémoch existuje veľa zdrojov neurčitosti. Neurčitosť môže byť napríklad spôsobená aj neúplnou špecifikáciou údajov.

Podľa definície metód ML, tieto metódy umožňujú odhaliť vzory v údajoch a následne použiť tieto vzory na predpovedanie budúcich údajov, alebo na iné druhy rozhodovania v podmienkach neurčitosti. Preto by sa metódy analýzy spoľahlivosti a hodnotenia rizika mali vyvíjať na základe prístupov ML, tak aby sa zohľadnila počiatočná neurčitosť údajov. Predpokladá sa, že tieto metódy budú v blízkej budúcnosti najviac žiadané, napríklad, ako Prognostic and Health Management (PHM). PHM je špičková integrovaná technológia, ktorá využíva znalosti, informácie a údaje o výkone, riadení, prevádzke a údržbe systému ako vstup na detekciu vzniku anomálií, diagnostiku vyskytujúcich sa porúch, predpovedanie budúceho stavu systému a odhad jeho zostávajúcej životnosti, tak aby sa dynamicky podporili rozhodnutia o jeho údržbe.

Spoľahlivosť a analýza rizík sú dôležité pre každý systém. Ale v zdravotníctve je najdôležitejšou vlastnosťou vysoká spoľahlivosť. Všetky systémy a procesy v zdravotníctve by sa preto mali hodnotiť z hľadiska spoľahlivosti. Metódy analýzy spoľahlivosti v zdravotníctve sú založené na ML, pretože systémy v tejto doméne sú zložité a dáta na analýzu sú spravidla neisté.

Cieľom projektu je oboznámiť sa so základnými a pokročilými metódami analýzy spoľahlivosti a rizík a možnosťami využitia strojového učenia pre (a) analýzu medicínskych dát; (b) hodnotenie spoľahlivostí zložitých systémov, (c) predikciu rizík v zdravotníctve; a následne využiť tieto znalosti pri riešení konkrétnej úlohy vhodnými prostriedkami.

Témy / úlohy:

- pokročilé analytické nástroje a funkcie,
- PHM ako technológia analýzy spoľahlivosti pre Industry 4.0,
- Vývoj modulov pre PHM pre technické a medicínske systémy,
- Analýza spoľahlivosti na základe neurčitých dát,
- Analýza EEG a EKG signálov, diagnostika a predikcia chorôb na ich základe,
- vyhodnotenie a analýza dát pre medicínske aplikácie,
- Hodnotenie rizík ochorenia,
- Hodnotenie spoľahlivostí predikcii ochorenia,
- Analýza dát o post Covid-19 pacientoch,
- Správa zdravotnej dokumentácie,
- Integrácia medicínskych systémov (laboratórne systémy, lekárnické služby, doprava, ...)

Metódy riešenia navrhovaných úloh sú podrobne uvedené v odporúčaných publikáciách

Odporúčaná literatúra

Zaitseva, E., Rabcan, J., Levashenko, V., Kvassay, M., Importance analysis of decision making factors based on fuzzy decision trees, Applied Soft Computing, 2023, 134, 109988
Zaitseva, E., Levashenko, V., Rabcan, J., A new method for analysis of Multi-State systems based on Multi-valued decision diagram under epistemic uncertainty, Reliability Engineering and System Safety, 2023, 229, 108868
Rabcan, J., Zaitseva, E., at al., Fuzzy decision tree based method in decision-making of COVID-19 patients’ treatment, Mathematics, 2021, 9(24), 3282
Sedlacek, P., Zaitseva, E., Levashenko, V., Kvassay, M. Critical state of non-coherent multi-state system, Reliability Engineering and System Safety, 2021, 215, 107824
Zaitseva, E., Levashenko, V., Rabcan, J., Krsak, E., Application of the structure function in the evaluation of the human factor in healthcare, Symmetry, 2020, 12(1), 93
Rabcan, J., Levashenko, V., Zaitseva, E., Kvassay, M., Review of methods for EEG signal classification and development of new fuzzy classification-based approach, IEEE Access, 2020, 8, pp. 1897



Mám záujem o projekt
0
študentov
0
učiteľov
0
partnerov

Partneri FRI

Platinový partner

Hlavný partner

Partneri

Projekty a centrá FRI

Projekty

Inteligentné operačné a spracovateľské systémy pre UAV
Transdata
IT akadémia
ACeSYRI
SmartSoc
TECH4EDU4
Centre in Advanced Biomedical and Medical Informatics

Centrá

Cisco Network Academy
PEARSON VUE - Aturizované centrum