Physiological Signal Analysis Group

Yksilöllinen terveydenhuolto on viimeaikainen maailmanlaajuinen megatrendi, jonka tavoitteena on parantaa terveyttä ja hyvinvointia. Kehitämme läpimurtoteknologioita ratkaisemaan keskeisiä haasteita, mukaan lukien seuraavan sukupolven signaalianalyysitekniikoita kohti personoituja lääketieteen ja hyvinvoinnin ratkaisuja.

Tutkimusryhmän tiedot

Yksikkö ja tiedekunta

Konenäön ja signaalianalyysin tutkimuskeskus

Tieto- ja sähkötekniikan tiedekunta

Yhteystiedot

Tutkimusryhmän vetäjä

Professor

Tapio Seppänen

Tutkimusryhmän kuvaus

Fysiologisen signaalianalyysitiimin tehtävänä on suorittaa korkeatasoista perus-, soveltavaa ja translatiivista tutkimusta biolääketieteessä. Tavoitteena on kehittää, soveltaa ja arvioida uusia biolääketieteellisiä mittausteknologioita terveyden ja hyvinvoinnin alueilla. Tutkimus keskittyy fysiologisten ilmiöiden mittaamiseen, jotka liittyvät:

verenkiertojärjestelmään
hengityselimistöön
keskushermostoon ja autonominen hermostoon
affektiiviseen järjestelmään / tunteisiin

Tutkimuksemme on monitieteistä ja sitä tehdään yhteistyössä sairaaloiden ja teollisuuskumppaneiden kanssa Suomessa ja ulkomailla. Käytämme suuria kliinisiä aineistoja menetelmien kehittämiseen ja validointiin. Suuret kohortit, digitaaliset biopankit ja muut nousevat digitaaliset terveystietojen varastot ovat yhä tärkeämpiä tietolähteitä tutkimuksellemme. Tutkimuksemme kohdistuu tulevaisuuden e-terveydenhuoltojärjestelmiin, joissa suuren datan analytiikka yhdistettynä arkaluonteisiin terveystietoihin tarjoaa monia mahdollisuuksia, mutta myös haasteita, kuten yksityisyyden ja tietoturvan osalta.
Tutkimusprofiili perustuu tietotekniikan ja lääketieteen linkittämiseen, tavoitteena hyödyntää tietotekniikan, signaalin- ja kuvankäsittelyn, hahmontunnistuksen, biofysiikan, lääketieteellisen kuvantamisen, sovelletun matematiikan, simuloinnin, biolääketieteen ja kliinisen lääketieteen menetelmiä.

Tutkimusalueet

Kardiorespiratorinen tutkimus

Yksi keskeisistä fokusalueistamme on autonomisen hermoston (autonomic nervous system, ANS) toiminnan arviointi, koska se on ihmiskehossa tärkein säätelyjärjestelmä, joka kontrolloi elintärkeitä toimintoja ja homeostaasia. Olemme erityisen kiinnostuneita hengitys- ja verenkiertojärjestelmistä. Vuosikymmenien aikana olemme kehittäneet laajan valikoiman signaalianalyysityökaluja fysiologisten signaalien, kuten monikanavaisen EKG:n, sykkeen, verenpaineen ja hengitysilman virtaussignaalien, analysointiin ja tulkitsemiseen. Laajennamme ja parannamme jatkuvasti työkalupakettiamme viimeisimpien menetelmien avulla. Sovellusalueet vaihtelevat kliinisestä ambulatoriseen, esimerkiksi riskitekijöiden arvioinnista ja äkillisen sydänkuoleman ennustamisesta yksilöllisiin ratkaisuihin, jotka tukevat lisääntynyttä fyysistä aktiivisuutta ja terveellistä elämäntapaa.

Hengitystoiminnan analyysi

Ihmiset hengittävät pääasiassa nenän kautta eli yläilmateiden kautta. Yli 30 % aikuisista kärsii kroonisista toiminnallisista häiriöistä yläilmateissä, ja niiden määrä kasvaa jatkuvasti. Tämän globaalin ongelman vuoksi on perustettu useita kansainvälisiä ja kansallisia liittoja ja ohjelmia (esim. WHO:n GARD: Global Alliance against Respiratory Diseases, ARIA: Allergic Rhinitis and its Impact on Asthma). Niiden mukaan suurinta osaa hengityselinsairauksista alidiagnosoidaan ja alihoidetaan. Yläilmateiden oireet liittyvät pääasiassa astmaan epidemiologisten tutkimusten perusteella. On myös ehdotettu, että lisääntynyt hengitystyö voi kuormittaa sydäntä ja verisuonia ja se voi liittyä autoimmuunisairauksiin, kuten nivelreumaan, systeemisen tulehduksen kautta. Lisäksi yläilmateiden toimintahäiriöt voivat aiheuttaa tai pahentaa uniapneaa.

Allerginen nuha katsotaan immuunihermojärjestelmän häiriöksi, mutta vain vähän tiedetään hermojärjestelmän osuudesta nenän allergisessa reaktiossa. Autonominen hermosto (ANS) on tärkein yläilmateiden toimintaa säätävä järjestelmä, joka muuttaa hengitysvastusta dynaamisesti. Näiden muutosten nopeus voi sisältää tärkeitä tietoja yläilmateiden toiminnan analysointiin. Sydämen sykevälivaihtelun (heart rate variability, HRV) analyysi on epäsuora ei-invasiivinen tapa arvioida autonomisen hermoston säätelyä. Aiemmin näitä nopeasti tapahtuvia muutoksia ei ole voitu tutkia asianmukaisen mittauslaitteiston puutteen vuoksi. Tutkimusryhmämme kehittämä uusi laite mittaa jatkuvasti ilmavirtauksen painetta nenään asetetulla katetrilla ja ilmavirtausta kalibroiduilla hengitysvöillä. Yläilmateiden hengitysvastus johdetaan näistä signaaleista sovittamalla parametrinen malli mitattuihin signaaleihin adaptiivisen signaalinkäsittelytekniikan avulla. Ryhmässä kehitettiin myös uusi hengitysvöiden kalibrointimenetelmä, joka paransi merkittävästi ilmavirtaussignaalin arviointia.

Tietääksemme tämä on ensimmäinen kerta, kun on mahdollista arvioida samanaikaisesti jatkuvaa nenän ilmavirtauksen vastusta ja HRV-parametreja: onko niiden välillä yhteyksiä nenän ilmavirtauksen vastusten ja HRV:n dynaamisissa reaktioissa allergisen reaktion aikana.

Ehdotettu menetelmä avaa täysin uusia mahdollisuuksia arvioida tarkasti samanaikaisia muutoksia ei-stationaarisessa nenätoiminnassa ja ANS:ssa. Tämä voisi lisätä diagnostiikan tarkkuutta ja luotettavuutta sekä arvioida nenähoidon ja desensitisaation vaikutuksia. Odotamme, että ainutlaatuiset tekniikat yläilmateiden vastuksen ja ANS-toiminnan dynaamisten muutosten arvioimiseksi luovat mahdollisuuksia uusille diagnostisille menetelmille tärkeiden hengityselinsairauksien osalta.

VITALSENS: Personoitu terveyden etävalvonnan alusta

VITALSENS-projektin tarkoituksena on suunnitella älykäs, kustannustehokas ja skaalautuva henkilökohtainen biolääketieteellinen terveyden etävalvonnan alusta. Tulostettavia langattomia elektronisia antureita jatkuvaa EKG-valvontaa varten on suunniteltu. EKG-tallenteet tallennetaan pilvitallennustilaan. Kehitämme laskennallisen moottorin, joka käsittelee fysiologisia mittauksia ja tarjoaa automaattisen tapahtumien tunnistuksen sydän- ja verisuonitaudeille (cardiovascular disease, CVD). Pääpaino on älykkään käsittelyjärjestelmän luomisessa, joka sopeutuu potilaan EKG-tallenteeseen.

Olemme kehittäneet Oulu Signal processing platformin (OSPP), jossa on toteutettu erilaisia liukuhihnoja rytmihäiriötapahtumien tunnistamiseen ja sykevälin vaihtelun piirteiden laskemiseen. Liukuhihnat rakennetaan asettamalla prosessointikomponentteja käyttäen hajautetun verkon käsitteitä, jotka on yhdistetty WAMP-alustan avulla, jolloin OSPP voi toimia sekä reaaliaikaisesti että offline-tilassa. Jokaisessa verkon solmussa on yksi tai useampi algoritmi, ja ne yhdistyvät toisiinsa muodostaakseen signaalinkäsittelyliukuhihnoja. Koneoppimis- ja data-analyysitekniikoita käytetään liukuhihnan komponenttien automaattiseen konfigurointiin potilaan EKG-tallenteiden perusteella.

Puettavat älylaitteet

Escape

Escapen tarkoituksena on tutkia puettavien älylaitteiden käyttöä, jotka mittaavat sydän- ja verisuonitoimintaa EKG:n ja ranteeseen perustuvan fotoplethysmografian (PPG) avulla potilaan sydän- ja verisuoni-indeksejä ympäri vuorokauden. Matlabissa kehitetyt algoritmit esikäsittelevät ensin signaalit liikeartefaktien havaitsemiseksi ja poistamiseksi käyttäen kiihtyvyysanturidataa. Sykkeen taajuus- ja aika-alueen mitat lasketaan sitten sykesignaalista. Vertailuja tehdään EKG-pohjaisten ja PPG-pohjaisten laitteiden välillä selvittääksemme, voiko PPG-pohjaisia laitteita käyttää potilaiden kardiovaskulaarisen tilan seurantaan parannetulla helppoudella. Ranteeseen perustuva PPG, ilman elektrodilankoja ja EKG-elektrodeja iholla, tarjoaisi suuria etuja potilaiden jatkuvassa seurannassa.

Älykäs liikunnanhallinta

Suoritamme tutkimus- ja kehitystyötä fyysisen suorituskyvyn tehokkaassa seurannassa, jota voidaan hyödyntää voimahallinnassa ja kuntoilusovelluksissa. Keräämme liittyviä tietokantoja käyttämällä puettavia teknologioita kontrolloiduissa fyysisen aktiivisuuden protokollissa. Koneoppimis- ja signaalinkäsittelytekniikoita käytetään tarjoamaan välitöntä reaaliaikaista tietoa niille, jotka tekevät fyysistä liikuntasuoritusta ja pyrkivät tekemään sen optimaalisesti. Fyysisesti aktiivisten henkilöiden ja urheilijoiden lisäksi erityinen kohderyhmä ovat sydänpotilaat, jotka ovat sydänrehabilitaation alaisia.

Neurologinen tutkimus

Neurologisessa tutkimuksessamme käsittelemme lääketieteellisessä maailmassa esiintyviä haasteita. Ratkaisut kehittyvät teknisen osaamisen ja fysiologian asiantuntemuksen sulautuessa yhteen. Sovellamme viimeisintä teknologiaa signaalinkäsittelyratkaisuissa sekä elektroenkefalografian (EEG) että toiminnallisen magneettikuvauksen (fMRI) aivojen tutkimusalueilla.

Tutkimme aivoseurantaa ja aivojen toiminnan arviointia uudella tekniikalla, jossa yhdistyvät EEG-mittaus ja yleisesti käytetyt farmakologiset yhdisteet. Älykkään signaalianalyysin avulla luotettava diagnostinen tieto erotellaan anestesian aikana.

fMRI-tutkimuksemme käsittää ihmisaivojen fysiologisten ominaisuuksien paljastamisen uusilla korkean aikaresoluution tallenteilla. Käsittelemme sekä teknisiä että lääketieteellisiä haasteita ymmärtääksemme ihmisaivojen monimutkaisia lepotilan ominaisuuksia sekä niiden yhteyksiä ulkoisiin fysiologisiin järjestelmiin, mikä näkyy veren happipitoisuuteen perustuvissa (blood-oxygen-level dependent, BOLD) signaaleissa.

Aivojen toiminnan mittaus tehohoidossa

Joka vuosi miljoonat potilaat otetaan tehohoitoon ympäri maailman hengenvaarallisen tapaturman tai sairauden vuoksi. Tyypillinen oleskelu teho-osastolla kestää useita päiviä, mikä maksaa sairaalalle tuhansia euroja, koska potilaan valvontaan ja hoitoon tarvitaan huomattava määrä resursseja. Vaikka pääpaino on perinteisesti ollut potilaiden sydämen ja hengityksen arvioinnissa, aivotoiminnan mittaaminen tehohoidossa on viime aikoina noussut yhdeksi merkittävimmistä kliinisistä ja tieteellisistä haasteista.

Olemme kehittäneet uudenlaisen tekniikan potilaan aivotoiminnan arvioimiseksi tehohoidossa. Uusi lähestymistapamme yhdistää elektroenkefalogrammin (EEG) mittauksen yleisesti käytettyihin farmakologisiin yhdisteisiin ja kliinisiin menetelmiin, jotta lääkärit voivat saada ensimmäistä kertaa todella objektiivisen ja käytännöllisen mittauksen aivojen toiminnasta. Altistamalla potilaan hallitusti yleisanesteeteille, kuten propofolille, voimme paljastaa tiettyjä EEG-muutoksia, joita voidaan käyttää esimerkiksi ennustamaan pysyvää aivovauriota sydänpysähdyksen seurauksena (hypoksinen iskeeminen enkefalopatia). Sovellamme tekniikkaa myös aivotoiminnan havaitsemiseen sepsiksen aikana (septinen enkefalopatia).

Älykkään signaalianalyysin avulla ainutlaatuinen ratkaisumme tarjoaa luotettavaa diagnostista ja prognostista tietoa, jonka odotetaan auttavan lääkäriä päätöksenteossa ja näin ollen johtavan merkittäviin parannuksiin sekä hoidon laadussa että siihen liittyvissä kustannuksissa. Tekniikalla on myös potentiaalia uusien terapeuttisten interventioiden kehittämiseen potilaan tuloksen parantamiseksi.

fMRI-tutkimus

Uusia työkaluja ja menetelmiä tarvitaan aivojen toiminnan käsittelyyn ja analysointiin nopeasti näytteistetystä fMRI-datasta.

MREG:n (magnetic resonance encephalography), ultranopean fMRI-sekvenssin, avulla on mahdollista tallentaa koko aivojen toiminta 10 Hz:n näytteenottotaajuudella ja hyvällä spatiaalisella tarkkuudella. BOLD fMRI -lepotoiminta ryhmitellään lepotilan verkkoihin, joista aktiivisin on peruslepotilaverkosto (default mode network, DMN). Useiden mielenterveyshäiriöiden on havaittu liittyvän DMN:n toimintahäiriöihin.

Korkeat näytteenottotaajuudet mahdollistavat aivojen fysiologisten pulsaatioiden tallentamisen ilman laskostumista, mutta tämä tekniikka tuottaa myös suuria datamääriä. Nyt on mahdollista erottaa kardiorespiratoriset pulsaatiot fMRI-tallenteista ja paljastaa lyhytaikaisia aivojen toimintailmiöitä, kuten toimintavyöryjä DMN:ssä. Työskentelemme lyhytaikaisen toiminnan leviämisen luonteen ja määrän määrittämiseksi aivoissa.

Suuret datamäärät haastavat datavarastoinnin, ja siten myös datan pakkauksen ja datan lukunopeuden. Olemme saavuttaneet tuhatkertaisen satunnaisen pääsyn nopeutuksen suurille fMRI-tallenteille nykyisen pakkausstandardin avulla, ja työskentelemme uusien pakkaustekniikoiden käyttöönottamiseksi parantaaksemme MREG-tallenteiden analyysinopeutta.

Työmme keskittyy kehittämään menetelmiä ultranopeiden fMRI-tallenteiden tulkitsemiseksi paljastaaksemme erilaisten mielenterveyshäiriöiden yksityiskohtia ja ominaisuuksia ja siten parantaen tulevaisuudessa yksittäisten potilaiden lääketieteellisiä mahdollisuuksia.

Nukutuksen syvyys

Nukutuksen syvyyttä analysoidaan elektroenkefalogrammin signaalista signaalinkäsittelyn ja hahmontunnistuksen avulla, mikä auttaa minimoimaan anestesia-aineiden käyttöä sekä nopeuttamaan palautumista, ja myös tietoisuuden palaaminen leikkauksen aikana voitaisiin välttää. Tulevaisuuden näkymänä on mahdollista kehittää luotettavampaa teknologiaa anestesian vaikutuksen mittaamiseksi potilailla anestesialääkkeiden ja opioidien induktion aikana.

Digitaalinen vesileimaus, bioturvallisuus ja kryptografia

Lääketieteen harjoittaminen kehittyy yhä enemmän kohti personoituja järjestelmiä. Telelääketieteen ja terveyden etäseurannan kehittämisen odotetaan lisäävän terveydenhuollon kustannustehokkuutta. Kommunikaatioteknologioiden käyttö johtaa kuitenkin erilaisiin yksityisyysongelmiin. Henkilökohtaiset lääketieteelliset tiedot ovat erittäin arkaluonteisia ja niitä on suojattava yksityisyys- ja turvallisuusuhilta. Ryhmämme on tutkinut näihin uhkiin vastaavia tietoturvateknologioita aina digitaalisesta vesileimauksesta kryptografiaan.

Digitalisaatio on saapunut myös terveysalaan laajemmassa mielessä. Tutkimus- ja kaupallisiin tarkoituksiin kerättyjä suuria tietokokoelmia tulee yhä enemmän saataville. Lääketieteellisten tietojen luottamuksellisuus sekä tehokas tiedonhallinta ovat välttämättömiä. Tiimimme on työskennellyt suurten lääketieteellisten tietokokoelmien tietojenhallinnan ongelmien, niiden yksityisyyteen liittyvien kysymysten ja menetelmien kehittämisen parissa lääketieteellisten tietojen vesileimaamiseksi. Työmme kohteena on myös piilotettujen tietojen resilienssi fyysisissä tulosteissa. Tämä aihealue - tulostuskameraresilienssi - voidaan katsoa yhdeksi haastavimmista kysymyksistä kuvien vesileimauksessa.

Digitaalinen vesileimaus

Digitaalinen vesileimaus on menetelmä, jolla upotetaan piilotettu bittijono isäntämediasisältöön siten, että sitä on vaikea havaita tai poistaa. Tämän piilotetun tiedon lukeminen tietokoneella on myöhemmin mahdollista. Tämän piilotetun tiedon lukeminen kamerapuhelimella ei ole vielä kovin hyvin tutkittua, mutta se avaisi monia sovellusalueita peleistä ja muista virkistyssovelluksista aina tunnistautumiseen ja muihin turvallisuuteen liittyviin sovelluksiin.

Biolääketieteellisen datan tietoturva

Sähköisen terveydenhuollon sovellukset ovat saapumassa mobiilialustoille, ja biolääketieteellistä materiaalia tallennetaan jatkuvasti biolääketieteen tietokantoihin ja siirretään internetin ja sairaalan verkkojen kautta. Näin ollen tietojen turvaaminen ja todentaminen ovat yhä tärkeämpiä. Digitaalinen vesileimaus ja kryptografiset ratkaisut tarjoavat ratkaisuja biometristen ja biolääketieteellisten tietojen hallintaan myös mobiiliympäristössä.

Toisin kuin tavallinen data, biolääketieteellisen materiaalin tulisi pysyä muuttumattomana, koska jopa havaitsemattomat muutokset voivat vaikuttaa analyysiin ja aiheuttaa virheitä diagnooseissa. Tämän vuoksi pyrimme kehittämään peruutettavissa olevia tiedonkätkemismenetelmiä.

Terveyden etäseurannassa käytetään antureita, joilla on rajoitettu laskentakapasiteetti. Lääketieteellisten tietojen luottamuksellisuus ja eheys ovat ratkaisevia tällaisten järjestelmien turvalliselle toiminnalle. Nämä ominaisuudet voidaan taata oikeanlaisella kryptografian soveltamisella. Esimerkiksi kryptografiset hajautusfunktiot voivat varmistaa lääketieteellisten tietojen eheyden. Kuitenkin rajoitetut laitteet vaativat kevyitä kryptografian primitiivejä ja protokollia. Lisäksi sovellettavien turvamekanismien on oltava käyttäjälle käteviä. Biometrinen tunnistautuminen on kätevä vaihtoehto salakirjoitusavaimille monissa tilanteissa. Olemme myös osoittaneet, että biometrisen identiteetin määrittämisen luotettavuutta voidaan parantaa integroimalla se digitaaliseen vesileimaukseen.

Monimutkaisia tietoja, kuten EEG-MREG:tä, käytetään hyvin yleisesti analyyseissä. Tietojenkätkemistekniikoiden avulla eri modaliteetit yhdistetään yhteen pakettiin, mikä parantaa tietojen hallintaa ja varmistaa sisällön erottamattomuuden. Samalla täytetään myös aitouden ja luotettavuuden vaatimukset, koska piilotettu data paljastaa aitouden tunnistamalla lähteen ja paljastamalla alkuperäisyyden. Alkuperäisyyden määrittäminen on tärkeä kysymys lääketieteellisten tietojen kannalta. Viimeisimmässä työssämme olemme kehittäneet menetelmiä vesileimaamalla hyperspektriset lääketieteelliset kuvat. Tavoitteena on tarjota menetelmiä upottaa suuria määriä dataa ja varmistaa, etteivät kuvat ole muuttuneet.

Kryptografiset tekniikat

Kryptografiset tekniikat takaavat lääketieteellisten tietojen luottamuksellisuuden, eheyden ja saatavuuden. Turvamekanismien asianmukainen soveltaminen on kuitenkin erittäin monimutkaista. Eräs tyypillinen väärinkäsitys on esimerkiksi, että hajautus anonymisoi joukon lääketieteellistä dataa. Kryptografian asianmukaisen soveltamisen varmistamiseksi on tunnettava eri kryptografisten lähestymistapojen rajoitukset ja vahvuudet. Ryhmässämme olemme keskittyneet kryptografian tutkimukseen koskien hajautusfunktioita, salausta ja salausavainten vaihtoa. Hajautusfunktioiden saralla tutkimuksemme keskittyy erottamattomuuteen ja monitörmäysvastukseen. Työ salauksen ja avainten vaihdon parissa keskittyy uusiin kevyisiin kryptografisiin primitiiveihin ja protokolliin, jotka ovat sovellettavissa terveyden etäseurantaan. Työmme keskittyy vaihtoehtoisten ratkaisujen löytämiseen laskennallisesti raskaille julkisen avaimen perusteella toimiville algoritmeille, kuten Diffie-Hellmanin avaimenvaihdolle. Tätä työtä tehdään käyttäen algebraista yleistämistä ja tiukkoja turvallisuuslausekkeita laskennallisen erottamattomuuden standardimallissa. Turvallisuus kvanttilaskennan mallissa on myös erittäin tärkeää. Olemme myös suunnanneet huomiomme biometristen tietojen uuteen sovellukseen turvamekanismien toteuttamisessa osana "Platform technology for Affordable, Continuous Health Monitoring – VitalSens" (TEKES) -projektia. Yhdessä biometristen tietojen kanssa turvamekanismien tutkimus lääketieteellisten laitteiden Internet of Things -alustalla saa myös lisääntyvää huomiota. Lääketieteellisten tietojen luottamuksellisuuden ja potilaiden yksityisyyden varmistamiseksi täytyy kehittää uusia kryptografisia tekniikoita. Joitakin näistä ratkaisuista voidaan pohjata esimerkiksi suosittuun lohkoketjuteknologiaan.

Big data -analytiikka

Digitalisaatio on laajentunut terveydenhuollon alueelle monin tavoin. Suuria lääketieteellisen datan kokoelmia on yhä enemmän saatavilla tutkimus- ja kaupallisiin tarkoituksiin. Esimerkiksi uudet erikoisskannerit (optiset kuvantamislaitteet) ovat mahdollistaneet fyysisten lääketieteellisten näytteiden digitoimisen perinteiseen mikroskooppiin vertailukelpoisella resoluutiolla.

Biopankeissa tämä digitoitu tieto yhdessä siihen liittyvien kliinisten ja tutkimustietojen kanssa muodostaa kumulatiivisen varaston biolääketieteellistä tietoa, jolla on olennainen rooli stratifioituvan lääketieteen tulevaisuudessa. Tämä tieto on arvokasta sekä kansallisissa että kansainvälisissä tutkimusaloitteissa sekä kaupallisissa tarkoituksissa.

Sisäisen ja ulkoisen yhteentoimivuuden mahdollistamiseksi ylläpitäen samalla tehokasta ja turvallista ympäristöä, erilaisia tietojärjestelmiä on integroitava muiden tietojärjestelmien kanssa. Kliinisen tiedon arkaluontoisuuden vuoksi yksityisyys ja tietoturva ovat olennaisessa roolissa. Lisäksi asianmukaisia anonymisointimenetelmiä on sovellettava aina kun tietoja annetaan tutkimustarkoituksiin.

Terveydenhuollossa digitalisaatio luo mahdollisuuden lukuisille uusille työkaluille ja palveluille, kuten kvantitatiiviselle vertailulle, tapausten jakamiselle ja yhteistyölle sekä tietokoneavusteiselle kuvan analysoinnille digitaalisessa patologiassa.

Mainittujen käsitteiden lisäksi suurilla datakokoelmilla on sovelluksia useilla muilla aloilla, kuten urheilussa. Edistyneen videoanalyysin yhdistäminen fysiologisten signaalien analyysiin mahdollistaa esimerkiksi kriittisten tapahtumien analysoinnin, kuten pelitaktiikoiden parantamisen ja niin edelleen. Tietojen visualisointitekniikat voivat tarjota tavan ymmärtää vuorovaikutuksia suurissa tietokokoelmissa, kuten kielitieteellisten datakokoelmien tapauksessa.

Biopankit ja terveystiedot

Biopankkien nousu yhdessä modernien teknologioiden kanssa on mahdollistanut suurten lääketieteellisten datakokoelmien analyysin. Biopankeista on tulossa yhä yleisempi tapa tallentaa ihmisten näytteistä otettuja suuria datakokoelmia asianmukaisen suostumuksen kanssa luovuttajalta sekä oleelliset terveystiedot. Tutkijat voivat tehdä laajoja tutkimuksia potilaiden kliinisestä tilasta ja niihin liittyvistä biolääketieteellisistä näytteistä. Kiinnostus biopankkien käyttöön sekä tutkimuksessa että kaupallisissa terveyssovelluksissa on arvioitu kasvavan. STM (sosiaali- ja terveysministeriö) on aloittanut kansallisen työn biopankkien kokonaisarkkitehtuurin kuvaamiseksi Suomessa. Tarkoituksena on kuvata kokonaisvaltainen toimintaympäristö sekä määritellä tehokkaan toiminnan vaatimukset. Kokonaisen biopankkikehyksen yhteydessä tarvitaan ehdottomasti uusia teknologisia ratkaisuja datan hallinnan tukemiseksi ja turvallisuuden ja yksityisyyden varmistamiseksi.

INKA Digital Biobanks -projektissa, joka käynnistettiin vuonna 2015, tavoitteena on suunnitella biopankkitoimintaa tukeva arkkitehtuuri. Työ tehdään tiiviissä yhteistyössä muiden vakiintuneiden biopankkien kanssa Suomessa, erityisesti Pohjois-Suomen Biopankki Borealis -projektin kautta sekä BBMRI (Biobanking and Biomolecular Resources Research Infrastructure) -työn kautta. Käynnissä olevassa projektissa biopankkien mukana tulevat verkostot ovat hankkineet koko dian skannereita, jotka integroidaan sairaaloiden kokonaistoimintaan. Skannereita käytetään patologianäytteiden digitoimiseen. Digitalisoituja tietoja yhdistetään muiden näytetietojen ja sairaalan tietojärjestelmistä kerättyjen tietojen kanssa, jotta saadaan rikas tietokanta tutkimus- ja liiketoimintatarkoituksiin. Kohteiden yksityisyyden ja datan hyödyllisyyden ylläpitäminen ei ole triviaalia. Tiimimme on tutkinut kryptografian soveltamista potilastietojen anonymisointiin. Lisäksi patologianäytteet tarjoavat haastavan hahmontunnistuksen ja konenäön tutkimuskohteen, jossa useita käyttötapauksia on määritelty yhdessä Pohjois-Suomen Biopankki Borealiksen, PPSHP:n henkilöstön ja rinnakkaisen projektiverkoston kanssa.

Digitaalisten ihmistieteiden data-analyysi

Digitaaliset ihmistieteet ovat nouseva tutkimusalue, joka sijoittuu vankasti perinteisen humanistisen tutkimuksen ja insinööritieteiden välimaastoon. Alan tutkimus pyrkii paljastamaan uutta humanistista tietoa ja tuomaan uutta näkemystä olemassa oleviin teorioihin hyödyntämällä edistystä tietokoneavusteisissa analyysimenetelmissä. Tämän ainutlaatuisen monitieteellisen luonteen vuoksi ala tarjoaa hedelmällisen maaperän monien konenäköön ja signaalianalyysiin liittyvien menetelmien kehittämiselle ja testaamiselle tosimaailman datan ja tutkimuskysymysten parissa.

Edistynyt signaalianalyysi, digitaalisen median sisällön analyysi, älykäs metadatan hyödyntäminen ja uudet informaation visualisointitekniikat ovat keskeisiä tutkimuskohteitamme ja ovat osoittautuneet erittäin arvokkaiksi ratkaistaessa tosielämän tutkimusongelmia, joita syntyy esimerkiksi humanistisista, kasvatustieteen ja lääketieteen aloista.

MORE – A Multimodal Observation System for Groups

MORE-järjestelmä on suunniteltu sosiaalisen vuorovaikutuksen havainnointiin ja koneavusteiseen analyysiin tosielämän tilanteissa, kuten luokkahuoneen opetustilanteissa ja liike-elämän kokouksissa. Järjestelmä hyödyntää monikanavaista lähestymistapaa tiedon keräämiseen, jossa jokaisesta tilanteesta saadaan datavirtoja useasta eri modaliteetista. Tyypillisesti järjestelmä kerää 360 asteen videota ja ääntä useista mikrofoneista tilassa. Järjestelmään sisältyy kehittynyt palvelinpuolen komponentti, joka pystyy suorittamaan videon käsittelyä, piirteiden erottamista ja arkistointitoimintoja käyttäjän puolesta. Piirteiden erottelupalvelut muodostavat järjestelmän keskeisen osan ja perustuvat edistyneisiin signaalianalyysitekniikoihin, kuten puheenkäsittelyyn, liikeaktiviteetin tunnistamiseen ja kasvonilmeiden tunnistamiseen, nopeuttaakseen suurten datasettien analyysia.

Tarjottu verkkokäyttöliittymä yhdistää useat tietovirrat yhteen, käyttää erotteluun otettuja piirteitä metatietona ääni- ja videodatassa ja antaa käyttäjän syventyä tallennettujen tapahtumien analysointiin. Järjestelmän tavoitteena on helpottaa multimodaalisen datan navigointia ja mahdollistaa tallennettujen tilanteiden analysointi esimerkiksi käyttäytymistutkimusten, opettajankoulutuksen ja liiketoiminnan kehittämisen tarkoituksiin. Lisäksi järjestelmän ainutlaatuisena piirteenä on sen vähäinen asennuskuormitus ja korkea kannettavuus, koska kevyin MORE-asennus vaatii vain kannettavan tietokoneen ja valitun anturijoukon paikan päällä.

MORE-järjestelmää on käytetty todellisissa luokkahuoneen havainnointitapauksissa, ja sillä on vankka sovelluspotentiaali muun muassa vokologiassa (ammattimainen äänikoulutus), puhekielen patologiassa (äänentuotto, puheen ja kielen arviointi ja terapia), lääketieteessä (lääkärin ja potilaan vuorovaikutus), psykologiassa (neuvonta ja ohjaus), kasvatustieteessä (luokkahuoneen hallinta), oikeuslääketieteessä (kuulustelu ja haastattelu) ja turvallisuustutkimuksessa. Kehitetty järjestelmä, johon kuuluu sekä laitteisto- että ohjelmistokomponentti, esitellään paperissa, joka on julkaistu Multimedia Tools and Applications -lehdessä (Springer).

Kielimallinnus suurelle kyselytutkimusaineistolle

Pysyvä ongelma kielitieteellisessä tutkimuksessa, ja etenkin murteiden tutkimuksessa, on ollut, miten tehdä yleistyksiä kyselytutkimusaineistosta siitä, missä jokin murteen piirre saattaa esiintyä. Olemme kehittäneet edistyksellisen soluautomaatin (cellular automaton, CA) käytettäväksi todellisen, suuren mittakaavan kyselytutkimusaineiston kanssa, joka on kerätty Linguistic Atlas -projektia (www.lap.uga.edu) varten. CA käynnistää simuloinnin käyttäen todellista informanttitietoa, piirtää paikat, joista kyselytietoja on kerätty, ja soveltaa sitten sääntöjä luodakseen arvion valittujen piirteiden alueellisista jakautumisista. CA tukee monenlaisia sääntöjä, jotka koskevat sekä kerättyjä kielitieteellisiä piirteitä että jokaisesta informantista saatavilla olevaa sosiaalista metatietoa.

Vuonna 2015 arvostetussa English Linguistics -lehdessä julkaistussa artikkelissamme näytämme, että CA voi luoda alueita todellisiin tietoihin perustuvilla yksinkertaisilla säännöillä, jotka noudattavat määrättyä, loogista menettelyä. CA eroaa merkittävästi perinteisestä prosessista, jossa piirretään isoglosseja, koska se tarjoaa täsmällisen, toistettavan prosessin, joka kasvattaa alueita alkuperäisten tietojen sijaintien perusteella eikä piirrä subjektiivisia jakolinjoja niiden välille. Vastaavien CA- ja tiheysarviokuvaajien vertailun avulla olemme osoittaneet, että CA voi vähentää epävarmuutta rajojen piirtämisessä. Lisäksi CA-menetelmämme tunnistaa murteen piirteiden alueet tavalla, joka tunnistaa monet samanaikaisesti käytössä olevat piirteet, joskus samoissa paikoissa, ja sisältää kilpailua piirteiden välillä.