Zbornik 21. mednarodne multikonference INFORMACIJSKA DRUŽBA - IS 2018 Zvezek I Proceedings of the 21st International Multiconference INFORMATION SOCIETY - IS 2018 Volume I Delavnica za elektronsko in mobilno zdravje ter pametna mesta Workshop Electronic and Mobile Health and Smart Cities Uredila / Edited by Matjaž Gams, Aleš Tavčar http://is.ijs.si 8.–12. oktober 2018 / 8–12 October 2018 Ljubljana, Slovenia Zbornik 21. mednarodne multikonference INFORMACIJSKA DRUŽBA – IS 2018 Zvezek I Proceedings of the 21st International Multiconference INFORMATION SOCIETY – IS 2018 Volume I Delavnica za elektronsko in mobilno zdravje ter pametna mesta Workshop Electronic and Mobile Health and Smart Cities Uredila / Edited by Matjaž Gams, Aleš Tavčar http://is.ijs.si 8.–12. oktober 2018 / 8–12 October 2018 Ljubljana, Slovenia Urednika: Matjaž Gams Odsek za inteligentne sisteme Institut »Jožef Stefan«, Ljubljana Aleš Tavčar Odsek za inteligentne sisteme Institut »Jožef Stefan«, Ljubljana Založnik: Institut »Jožef Stefan«, Ljubljana Priprava zbornika: Mitja Lasič, Vesna Lasič, Lana Zemljak Oblikovanje naslovnice: Vesna Lasič Dostop do e-publikacije: http://library.ijs.si/Stacks/Proceedings/InformationSociety Ljubljana, oktober 2018 Informacijska družba ISSN 2630-371X Kataložni zapis o publikaciji (CIP) pripravili v Narodni in univerzitetni knjižnici v Ljubljani COBISS.SI-ID=1537974211 ISBN 978-961-264-142-9 (pdf) PREDGOVOR MULTIKONFERENCI INFORMACIJSKA DRUŽBA 2018 Multikonferenca Informacijska družba (http://is.ijs.si) je z enaindvajseto zaporedno prireditvijo osrednji srednjeevropski dogodek na področju informacijske družbe, računalništva in informatike. Letošnja prireditev se ponovno odvija na več lokacijah, osrednji dogodki pa so na Institutu »Jožef Stefan«. Informacijska družba, znanje in umetna inteligenca so še naprej nosilni koncepti človeške civilizacije. Se bo neverjetna rast nadaljevala in nas ponesla v novo civilizacijsko obdobje ali pa se bo rast upočasnila in začela stagnirati? Bosta IKT in zlasti umetna inteligenca omogočila nadaljnji razcvet civilizacije ali pa bodo demografske, družbene, medčloveške in okoljske težave povzročile zadušitev rasti? Čedalje več pokazateljev kaže v oba ekstrema – da prehajamo v naslednje civilizacijsko obdobje, hkrati pa so notranji in zunanji konflikti sodobne družbe čedalje težje obvladljivi. Letos smo v multikonferenco povezali 11 odličnih neodvisnih konferenc. Predstavljenih bo 215 predstavitev, povzetkov in referatov v okviru samostojnih konferenc in delavnic. Prireditev bodo spremljale okrogle mize in razprave ter posebni dogodki, kot je svečana podelitev nagrad. Izbrani prispevki bodo izšli tudi v posebni številki revije Informatica, ki se ponaša z 42-letno tradicijo odlične znanstvene revije. Multikonferenco Informacijska družba 2018 sestavljajo naslednje samostojne konference:  Slovenska konferenca o umetni inteligenci  Kognitivna znanost  Odkrivanje znanja in podatkovna skladišča – SiKDD  Mednarodna konferenca o visokozmogljivi optimizaciji v industriji, HPOI  Delavnica AS-IT-IC  Soočanje z demografskimi izzivi  Sodelovanje, programska oprema in storitve v informacijski družbi  Delavnica za elektronsko in mobilno zdravje ter pametna mesta  Vzgoja in izobraževanje v informacijski družbi  5. študentska računalniška konferenca  Mednarodna konferenca o prenosu tehnologij (ITTC) Soorganizatorji in podporniki konference so različne raziskovalne institucije in združenja, med njimi tudi ACM Slovenija, Slovensko društvo za umetno inteligenco (SLAIS), Slovensko društvo za kognitivne znanosti (DKZ) in druga slovenska nacionalna akademija, Inženirska akademija Slovenije (IAS). V imenu organizatorjev konference se zahvaljujemo združenjem in institucijam, še posebej pa udeležencem za njihove dragocene prispevke in priložnost, da z nami delijo svoje izkušnje o informacijski družbi. Zahvaljujemo se tudi recenzentom za njihovo pomoč pri recenziranju. V letu 2018 bomo šestič podelili nagrado za življenjske dosežke v čast Donalda Michieja in Alana Turinga. Nagrado Michie-Turing za izjemen življenjski prispevek k razvoju in promociji informacijske družbe bo prejel prof. dr. Saša Divjak. Priznanje za dosežek leta bo pripadlo doc. dr. Marinki Žitnik. Že sedmič podeljujemo nagradi »informacijska limona« in »informacijska jagoda« za najbolj (ne)uspešne poteze v zvezi z informacijsko družbo. Limono letos prejme padanje državnih sredstev za raziskovalno dejavnost, jagodo pa Yaskawina tovarna robotov v Kočevju. Čestitke nagrajencem! Mojca Ciglarič, predsednik programskega odbora Matjaž Gams, predsednik organizacijskega odbora i FOREWORD - INFORMATION SOCIETY 2018 In its 21st year, the Information Society Multiconference (http://is.ijs.si) remains one of the leading conferences in Central Europe devoted to information society, computer science and informatics. In 2018, it is organized at various locations, with the main events taking place at the Jožef Stefan Institute. Information society, knowledge and artificial intelligence continue to represent the central pillars of human civilization. Will the pace of progress of information society, knowledge and artificial intelligence continue, thus enabling unseen progress of human civilization, or will the progress stall and even stagnate? Will ICT and AI continue to foster human progress, or will the growth of human, demographic, social and environmental problems stall global progress? Both extremes seem to be playing out to a certain degree – we seem to be transitioning into the next civilization period, while the internal and external conflicts of the contemporary society seem to be on the rise. The Multiconference runs in parallel sessions with 215 presentations of scientific papers at eleven conferences, many round tables, workshops and award ceremonies. Selected papers will be published in the Informatica journal, which boasts of its 42-year tradition of excellent research publishing. The Information Society 2018 Multiconference consists of the following conferences:  Slovenian Conference on Artificial Intelligence  Cognitive Science  Data Mining and Data Warehouses - SiKDD  International Conference on High-Performance Optimization in Industry, HPOI  AS-IT-IC Workshop  Facing demographic challenges  Collaboration, Software and Services in Information Society  Workshop Electronic and Mobile Health and Smart Cities  Education in Information Society  5th Student Computer Science Research Conference  International Technology Transfer Conference (ITTC) The Multiconference is co-organized and supported by several major research institutions and societies, among them ACM Slovenia, i.e. the Slovenian chapter of the ACM, Slovenian Artificial Intelligence Society (SLAIS), Slovenian Society for Cognitive Sciences (DKZ) and the second national engineering academy, the Slovenian Engineering Academy (IAS). On behalf of the conference organizers, we thank all the societies and institutions, and particularly all the participants for their valuable contribution and their interest in this event, and the reviewers for their thorough reviews. For the sixth year, the award for life-long outstanding contributions will be presented in memory of Donald Michie and Alan Turing. The Michie-Turing award will be given to Prof. Saša Divjak for his life-long outstanding contribution to the development and promotion of information society in our country. In addition, an award for current achievements will be given to Assist. Prof. Marinka Žitnik. The information lemon goes to decreased national funding of research. The information strawberry is awarded to the Yaskawa robot factory in Kočevje. Congratulations! Mojca Ciglarič, Programme Committee Chair Matjaž Gams, Organizing Committee Chair ii KONFERENČNI ODBORI CONFERENCE COMMITTEES International Programme Committee Organizing Committee Vladimir Bajic, South Africa Matjaž Gams, chair Heiner Benking, Germany Mitja Luštrek Se Woo Cheon, South Korea Lana Zemljak Howie Firth, UK Vesna Koricki Olga Fomichova, Russia Mitja Lasič Vladimir Fomichov, Russia Blaž Mahnič Vesna Hljuz Dobric, Croatia Jani Bizjak Alfred Inselberg, Israel Tine Kolenik Jay Liebowitz, USA Huan Liu, Singapore Henz Martin, Germany Marcin Paprzycki, USA Karl Pribram, USA Claude Sammut, Australia Jiri Wiedermann, Czech Republic Xindong Wu, USA Yiming Ye, USA Ning Zhong, USA Wray Buntine, Australia Bezalel Gavish, USA Gal A. Kaminka, Israel Mike Bain, Australia Michela Milano, Italy Derong Liu, USA Toby Walsh, Australia Programme Committee Franc Solina, co-chair Matjaž Gams Vladislav Rajkovič Viljan Mahnič, co-chair Marko Grobelnik Grega Repovš Cene Bavec, co-chair Nikola Guid Ivan Rozman Tomaž Kalin, co-chair Marjan Heričko Niko Schlamberger Jozsef Györkös, co-chair Borka Jerman Blažič Džonova Stanko Strmčnik Tadej Bajd Gorazd Kandus Jurij Šilc Jaroslav Berce Urban Kordeš Jurij Tasič Mojca Bernik Marjan Krisper Denis Trček Marko Bohanec Andrej Kuščer Andrej Ule Ivan Bratko Jadran Lenarčič Tanja Urbančič Andrej Brodnik Borut Likar Boštjan Vilfan Dušan Caf Mitja Luštrek Baldomir Zajc Saša Divjak Janez Malačič Blaž Zupan Tomaž Erjavec Olga Markič Boris Žemva Bogdan Filipič Dunja Mladenič Leon Žlajpah Andrej Gams Franc Novak iii iv KAZALO / TABLE OF CONTENTS Delavnica za elektronsko in mobilno zdravje ter pametna mesta / Workshop Electronic and Mobile Health and Smart Cities .............................................................................................................................. 1 PREDGOVOR / FOREWORD ....................................................................................................................... 3 PROGRAMSKI ODBORI / PROGRAMME COMMITTEES ........................................................................... 5 Študija o pooperativni atrijski fibrilaciji / Čarman Dominik, Cvetkovič Tom, Avbelj Viktor, Kališnik Jurij Matija, Žibert Janez .................................................................................................................................. 7 EMZ in EkoSMART-asistent / Drnovšek Mateja, Gams Matjaž .................................................................11 Pregled asistentov IJS E9 / Drnovšek Mateja, Gams Matjaž, Tavčar Aleš, Grasselli Gregor ...................15 Varnostna ura IJS / Drnovšek Mateja, Kolenik Tine, Gams Matjaž ...........................................................20 New HRV biofeedback technique and monitoring its effects in a psychotherapeutic group of coronary patients with SAVVY mini ECG devices installed / Enova Dušan, Trobec Roman, Mesarič Katja, Slevec Katarina, Ambrožič Borut, Enova Tej .........................................................................................24 The Summoner – "Izbirčnež" / Glavač Aljaž, Zupančič Jernej, Gams Matjaž ............................................28 Zaznavanje srčnega popuščanja z analizo srčnih tonov / Gradišek Anton, Gjoreski Martin, Budna Borut, Simjanoska Monika, Gams Matjaž, Poglajen Gregor .............................................................................32 Elektrokardiografski senzor: uporaba med družinskimi zdravniki / Kocjančič Staša, Avbelj Viktor............35 Pametno okolje za učinkovito ščetkanje zob / Kokol Peter, Colnarič Matjaž, Moravs Stanislav, Zorman Milan, Žlahtič Gregor, Završnik Jernej, Blažun Vošner Helena, Turčin Marko, Završnik Tadej, Jurič Simon, Slemnik Bojan, Detela Jernej .....................................................................................................37 Time Series or Relational Database for Edge and IoT / Luzar Anže, Stanovnik Sašo, Cankar Matija ......40 Spletni obrazec in REST API za naročanje receptov / Pavliha Denis, Kalan Aleš, Planinc Nataša ..........44 Postopki in priporočila za izgradnjo govorne zbirke za potrebe sinteze slovenskega govora / Šef Tomaž .....................................................................................................................................................46 Telemetric ECG monitoring during physical activity in field tests / Širaiy Boris, Trobec Roman................50 Napredni pogovorni svetovalci / Tavčar Aleš, Gams Matjaž ......................................................................53 The potential of Blockchain technology in health monitoring / Tošić Aleksandar, Burnard Michael, Vičič Jernej ......................................................................................................................................................57 Prenos projekta “Asistent IJS” na Python 3.6 / Valič Jakob .......................................................................61 Časovna sinhronizacija brezžičnih EKG senzorjev / Vilhar Andrej, Depol i Matjaž ....................................62 Integration of Oncology Information System with Proton Therapy Software and Think!EHR Platform / Vitorovič M., Kroflič Ž., Bobnar J., , Savadkouhi R., Smokvina A. .........................................................65 Training of precise movements in 3D or 2D for persons with Parkinson’s disease? / Cikajlo Imre, Matjačić Zlatko, Burger Helena, Peterlin Potisk Karmen .......................................................................67 Forecasting the physical fitness and all-cause mortality based of schoolchildren’s fitness measurements / Cigale Matej, Gradišek Anton, Mlakar Miha, Luštrek Mitja ....................................................................69 Zapestnica za pomoč starejšim / Kompara Tomaž ....................................................................................73 A Protocol for Joint Acquisition of Heterogeneous Resources / Grasselli Gregor .....................................75 Sistem za podporo odločanju zdravniku / Brodnik Andrej, Lukšič Nal, Žibert Janez, Živković Nenad, Rus Andrej .....................................................................................................................................................78 Razvoj intervencij za srčne bolnike in bolnike z motnjami gibanja / Cukjati Iztok, Bon Jure, Kališnik Jurij Matija, Žibert Janez, Pirtošek Zvezdan ..................................................................................................82 Indeks avtorjev / Author index ......................................................................................................................85 v vi Zbornik 21. mednarodne multikonference INFORMACIJSKA DRUŽBA – IS 2018 Zvezek I Proceedings of the 21st International Multiconference INFORMATION SOCIETY – IS 2018 Volume I Delavnica za elektronsko in mobilno zdravje ter pametna mesta Workshop Electronic and Mobile Health and Smart Cities Uredila / Edited by Matjaž Gams, Aleš Tavčar http://is.ijs.si 8.–9. oktober 2018 / 8–9 October 2018 Ljubljana, Slovenia 1 2 PREDGOVOR V letu 2016 je bil sprejet Raziskovalno Razvojni in Inovacijski (RRI) program EkoSMART v domeni pametne specializacije S4 na področju pametnih mest in skupnosti, kjer EMZ predstavlja enega od šestih nosilnih stebrov programa v obliki RRP (Raziskovalno-Razvojnega Projekta). V okviru javnega razpisa »RRI v verigah in mrežah vrednosti« − sklop 1: »Spodbujanje izvajanja raziskovalno-razvojnih programov (TRL 3-6)« je predvidenih 5,9 milijona evrov nepovratnih javnih sredstev za program EkoSMART. V letu 2017 smo pripravili tretjo delavnico na temo »EM-zdravstva« (elektronsko in mobilno zdravstvo, kratko EMZ), tj. predlog izvedbe infrastrukture in vpeljave uporabe informacijsko in mobilno podprte celostne zdravstvene oskrbe za izboljševanje preventivne, diagnostične in terapevtske obravnave državljanov, ki bi zmanjšala stroške, obenem pa povečala dostopnost zdravstvene oskrbe v obdobju 2016-2020. V letu 2018 smo izpeljali četrto delavnico na temo EMZ in jo združili s pametnimi mesti. Program EkoSMART sestavlja 6 projektov: RRP 1 – Zasnova ekosistema pametnega mesta RRP 2 – Pametna mobilnost RRP 3 – Aktivno življenje in dobro počutje RRP 4 – Elektronsko in mobilno zdravstvo RRP 5 – Integrirane zdravstvene storitve RRP 6 – Prototipi rešitev Projekt EMZ (RRP 4) sestavlja 5 delovnih sklopov oziroma delovnih paketov (DP), ki jih vodijo UKCL, IJS, FERI UM in FRI UL: • Informacijske tehnologije za podporo celostni oskrbi / bolnice • Podpora na domu za zdrave, starejše in za kronične bolnike / doma • Mobilno spremljanje vitalnih in okolijskih podatkov / mobilno • Računalniška podpora, podatki, kreiranje novih znanj /algoritmi • IKT platforma Delavnica EMZ omogoča celoletno pregledovanje in usklajevanje sklopa EMZ znotraj programa EkoSMART. Podobno kot v letu 2018 se bodo partnerji javno predstavili vsem drugim z že precej usklajenim predlogom. Vse predstavitve bomo nato dokončno uskladili in pripravili specifikacijo dela na programu za naslednje obdobje. Določili bomo podskupine partnerjev, ki bodo integrirale svoje prispevke v smiselno celoto in jih skušale premakniti naprej po TRL lestvici v smeri dejanske uporabe. Povezovali jih bomo najprej znotraj delovnih sklopov (delovnih paketov), nato znotraj RRP EMZ, nato pa še znotraj celotnega programa EkoSMART. Na delavnici bomo vse prispevke poskušali povezati tudi z osnovno integrirno platformo oz. z več platformami, ki se razvijajo znotraj EkoSMARTa. Program EM-zdravstvo so vzpodbudile potrebe po uvajanju novih IKT rešitev v Slovenijo, po horizontalnem in vertikalnem povezovanju. Predlagana pobuda EM-zdravje vpeljuje v zdravstveno oskrbo nove koncepte, ki bodo s svojimi multiplikacijskimi in sinergijskimi učinki 3 sprožili hitrejšo in učinkovitejšo prilagoditev obstoječega sistema celostne zdravstvene oskrbe na današnje izzive. Ključna strokovna komponenta je umetna inteligenca, ki bo po napovedih strokovnjakov revolucionirala zdravstvo skupaj z novimi IKT rešitvami. Javno zdravstvo po vsem svetu se otepa izrednih problemov, najboljšo rešitev pa strokovnjaki po svetu vidijo v vpeljavi storitev IKT in umetne inteligence. EM-zdravstvo (EMZ) vidimo kot eno najbolj perspektivnih smeri v več pobudah od zdravstva do pametnih mest. EM-storitve nudijo izboljšano kvaliteto življenja državljanom ob zmanjšanih stroških, hkrati pa omogočajo preboj Slovenije v svet na EM-področju. EM -zdravstvo se bo predvidoma vsebinsko oblikovalo delno kot samostojna pobuda s svojo platformo, organizacijo in projekti, ki bo povezana tako s pametnimi mesti kot z zdravjem. Ključne komponente za uspešno izvedbo EMZ so inovativni človeški viri, njihovo usklajeno delovanje in vpeljava EMZ v Sloveniji. ZDA generirajo dvakrat več pomembnih inovacij v zdravstvu kot EU ter vlagajo štirikrat več sredstev v nova, z medicino povezana podjetja. Kitajska namenja največ sredstev za znanost, medtem ko je Slovenija tretja najslabša po državnem financiranju znanosti v Evropi. Leta 2025 bo več kot milijarda, ali skoraj osmina svetovnega prebivalstva, starejša od 60 let. Stroški za zdravstveno oskrbo starejše populacije predstavljajo v EU skoraj polovico vseh stroškov za zdravstvo, kar pomeni, da grozi zdravstvenemu in gospodarskemu sistemu in kvaliteti življenja zlom, če ne bomo vpeljali storitev EM-zdravja. Druga pomembna komponenta je povezovanje in ustvarjanje kritične mase komplementarnih partnerjev, ki edino omogoča uspešen prodor na svetovna tržišča. Slovenija potrebuje sodelovanje in koordiniranje že zaradi svoje relativne majhnosti, kar dokazuje relativno slaba izkušnja z velikim številom malih in razdrobljenih projektov, ki nimajo dovolj podpore za vpeljavo novih rešitev. Tretja ključna komponenta je vpeljava EMZ v slovensko zdravstvo, ki bo na ta način dobilo novo priložnost, da vzpostavi nacionalno platformo in mednarodne standarde, preseže ujetost v nedopustno dolge čakalne dobe za pregled pri specialistih, poveže razdrobljene in nekompatibilne sisteme in že samo s tem opraviči vložena sredstva. Po zadnjem povečanju sredstev za področje zdravstva so se čakalne vrste povečale, kar kaže, da sedanji tradicionalni pristop ne zmore prinesti realnih izboljšav ob povečanih zahtevah zaradi staranja prebivalstva. Marko Bajec, Matjaž Gams, Aleš Tavčar 4 PROGRAMSKI ODBOR / PROGRAMME COMMITTEE Matjaž Gams, IJS (chair) Marko Bajec, FRI (co-chair) Roman Trobec, IJS (co-chair) Zvezdan Pirtošek, UKCLJ (co-chair) Roland Petek, Marand Jure Bon, UKCLJ Peter Kokol, FERI Andrej Kos, FE Marko Hren, SVRK Aleš Tavčar, IJS Stanislav Erzar, ISKRA Janez Uplaznik, IKTS 5 6 Študija o pooperativni atrijski fibrilaciji Dominik Čarman Tom Cvetkovič Viktor Avbelj študent Medicinske fakultete študent Medicinske fakultete Institut Jožef Stefan Univerze v Ljubljani Univerze v Ljubljani Jamova cesta 39 Vrazov trg 2 Vrazov trg 2 1000 Ljubljana 1000 Ljubljana 1000 Ljubljana viktor.avbelj@ijs.si dominik.carman@gmail.com tom.cvetkovi@gmail.com Jurij Matija Kališnik Janez Žibert Klinični oddelek za kirurgijo srca in ožilja Katedra za radiološko tehnologijo Univerzitetni klinični center Ljubljana Zdravstvena fakulteta UL Zaloška cesta 7 Zdravstvena pot 5 1000 Ljubljana 1000 Ljubljana jmkalisnik@gmail.com janez.zibert@zf.uni-lj.si POVZETEK Atrijska fibrilacija (AF) je najpogostejša kronična motnja ritma. uveljavitev enokanalnih EKG senzorjev, ki bi jih bolniki lahko Predstavlja pogost zaplet po operaciji srca. Eden od vzrokov je imeli nameščene na sebi nepretrgoma po več dni skupaj, lahko porušen avtonomna modulacija, ki jo lahko določamo s pomočjo tudi v domačem okolju. analize variabilnosti srčne frekvence, predvsem nelinearni Po operaciji srca kazalci. Poleg 12-kanalnega elektrokardiograma (EKG) se vse Atrijska fibrilacija je še posebej značilen zaplet po bolj uveljavlja tudi snemanje visokoločljivostnega EKG signala, operacijah na v zadnjem času tudi na brezžični način. srcu. To je do neke mere pričakovano, saj se veliko dejavnikov tveganja za atrijsko fibrilacijo pojavi takoj po operaciji (ishemija Ključne besede: atrijska fibrilacija, Savvy, nelinearni kazalci atrijev, draženje epikarda s sproščanjem faktorjev vnetja, avtonomne modulacije, P-val hipoksija, kirurška poškodba) [10,11,12]. Po dosedanjih ugotovitvah se atrijska fibrilacija najpogosteje pojavlja 2. in 3. 1. UVOD dan po operaciji [2,11,13,14]. Pogosteje se pojavlja po ponovnih operacijah zaradi zapletov, pri podaljšani ventilaciji ali ob 1.1 Atrijska fibrilacija potrebi po ponovni intubaciji [4]. Splošno Dejavnike tveganja med drugim lahko delimo na preoperativne, Atrijska fibrilacija je najpogostejša kronična motnja ritma [1,2], perioperativne in pooperativne. Med preoperativne štejemo katere prevalenca znaša okoli 1% in narašča s starostjo [2,3]. starost, hipertenzijo, sladkorno bolezen, hipertiroidizem, moški spol, predhodno epizodo atrijske fibrilacije, srčno popuščanje, Znaki in simptomi se pri bolnikih razlikujejo. Pri nekaterih povečan levi atrij [2,4,15,16]. Raziskave kažejo, da je pomemben poteka AF popolnoma brez simptomov, drugi so prisiljeni dejavnik tudi interatrijski blok, ki se kaže kot podaljšan in poiskati zdravniško pomoč zaradi utrujenosti, slabše telesne morfološko spremenjen P-val na EKG [13]. Med perioperativne zmogljivosti, palpitacij, bolečine v prsih ali omotice. Najhujši dejavnike sodijo čas pretisnjenja aorte, mesto venske kanulacije, zaplet je trombembolija [4]. Med morfološke dejavnike tveganja bikavalna kanulacija, ishemija miokarda in poškodba srčne spadata tudi povečan volumen in debelejša stena levega mišice med operacijo [17]. Med pooperativne dejavnike tveganja preddvora [3,5,6]. Povečano tveganje predstavljajo tudi stanja, ki pa štejemo respiratorn zmanjšajo hitrost prevajanja oz. skrajšajo refraktarno dobo [8]. e zaplete, ventilacijo, ki je daljša od 6 ur, Glede na trajanje ločimo paroksizmalno (manj kot 7 dni), hipotenzijo, vnetje, atrijske ekstrasistole, neravnovesje avtonomnega živčevja in podaljšan čas perzistentno (več kot 7 dni), dolgotrajno perzistentno (več kot 1 hospitalizacije [4,10,11,13,18,19,27]. leto) in permanentno (ne vzpostavimo sinusnega ritma) [5,7,8,9]. Pri napredovanju iz ene oblike v drugo imata pomembno vlogo 1.2 Variabilnost srčne frekvence električna in strukturna remodelacija [6,8,9]. Avtonomni sistem ima pri nastanku pooperativne AF zelo Diagnostika pomembno vlogo. Eden izmed načinov kako opredeliti njegovo Diagnostika atrijske fibrilacije temelji na anamnezi in kliničnem aktivnost je preko neinvazivnega določanja variabilnosti srčne pregledu, potrdi pa se z EKG posnetkom v vsaj 1 odvodu med frekvence. Slednjo lahko določamo z linearnimi in nelinearnimi aritmijo in z ustaljenimi kliničnimi protokoli nadzora. Tako metodami. Med linearne spadata časovna in frekvenčna analiza, lahko v ta namen uporabimo večdnevno (več)kanalno snemanje ki pa imata slabo napovedno vrednost pooperativne AF, saj ne EKG. Pomembno diagnostično orodje predstavlja tudi ultrazvok. uspeta prikazati najbolj občutljivih sprememb v stanju Sodobni trendi in razvijajoča se tehnologija težijo k poenostavitvi avtonomne regulacije, ki privedejo do pojava aritmije [20,21]. in tem bolj intuitivni uporabi diagnostičnih orodij, zato ne Nelinearne metode po drugi strani temeljijo na teoriji kaosa, ki preseneča, da je v ospredju znanstvenih prizadevanj skuša pojasniti lastnosti signala s t. i. fraktalno geometrijo oz. s fraktalno analizo fizioloških časovnih serij [22]. Tako govorimo o samopodobnosti, kjer neko fiziološko časovno serijo razdelimo na manjše dele, od teh pa vsi odražajo strukturo prvotne celote [21]. Samopodobnost ima določene meje, znotraj katerih govorimo, da omenjena lastnost podenot drži. Pri detrendni fluktuacijski analizi (DFA) jo opisujemo z eksponentom α, za katerega velja, da bližje kot je vrednosti 1, večja je samopodobnost [22]. 7 Variabilnost srčne frekvence vsebuje vrsto pomembnih DFA α1 pooperativno, večjo absolutno razliko DFA α1 ter večjo informacij. Razpad fraktalne organizacije variabilnosti srčne absolutno razliko DFA α2. frekvence v prekomeren red ali v nepovezano naključje je znak zmanjšane sposobnosti prilagajanja srčno-žilnega sistema na 5. RAZPRAVLJANJE zunanje dejavnike in je značilno prisoten pred pojavom atrijske Izsledki kliničnih študij pri bolnikih s ponavljajočo atrijsko fibrilacije, česar pa linearne metode ne pokažejo [21]. fibrilacijo potrjujejo hipotezo, da pojav aritmije lažje opazimo v daljših obdobjih merjenj – 2. HIPOTEZE drugače: dlje trajajoči nadzor pomeni več opaženih motenj ritma [25,26]. Stalni nadzor z enokanalnim Prva hipoteza, ki smo jo preverjali, govori o tem, da brezžični EKG-jem je v naši študiji zaznal skoraj 1/3 več bolnikov s enokanalni EKG senzor Savvy zazna več epizod atrijske pooperativno atrijsko fibrilacijo, kot jih je bilo zabeleženih na fibrilacije kot obstoječi trenutni klinični protokoli. Z drugo temperaturnem listu, kar je v kliničnem smislu pomembno več. hipotezo smo preverjali ali ima skupina bolnikov z atrijsko Pri tem količina dodatnega dela, morebitno bolnikovo neudobje fibrilacijo statistično značilne različne vrednosti trajanja P-vala in stroški niso zelo povečani. To ponuja številne možnosti in in statistično značilno različno obliko P-vala predoperativno od ideje za prihodnje študije, taki načini spremljanja srčnih aritmij skupine bolnikov brez atrijske fibrilacije. S tretjo hipotezo pa predstavljajo v prihodnosti velike možnosti in še neizkoriščen smo preverjali, ali se obe skupini razlikujeta v vrednostih potencial. indeksov DFA α1 in α2 po operaciji in ali sta razliki obeh Pri dveh izmed štirih primerov atrijske fibrilacije, ki smo ju videli parametrov pred in po operaciji statistično značilno različni. samo s Savvyjem, opažamo, da je bil vzrok temu manj intenziven 3. METODE nadzor. Oba bolnika sta bila namreč takrat že na oddelku, hkrati pa sta razvila epizodo atrijske fibrilacije v večernih urah. Boljše Leta 2015 izvedena pilotna študija o pooperativni atrijski spremljanje bolnikov izven enot intenzivne terapije ali nege tako fibrilaciji je bila prvič predstavljena na konferenci Informacijska predstavlja enega izmed pomembnih izzivov sodobne medicine. družba IS 2015 [23], leta 2016 tudi v reviji Informatica [24]. Mehanska ventilacija povzroča spremembe v intratorakalnem Medtem ko je bil pilotni sistem zasnovan za sočasno spremljanje tlaku, ki imajo direkten vpliv na srce, osrčnik in krvne žile, saj s 6 oseb, smo v izvedbi študije leta 2018 uporabili komercialno pozitivnim tlakom poveča intratorakalni tlak in s tem tlak v dostopen EKG senzor Savvy, s katerim smo sočasno merili do 10 desnem atriju. Slednji pa je povezan z nastankom atrijske oseb. fibrilacije. Obenem mehanska ventilacija poveča aktivnost Soglasje komisije za medicinsko etiko za izvedbo raziskave smo simpatika, ki igra pomembno vlogo pri nastanku atrijske pridobili v začetku leta 2018 – za soglasje smo zaprosili v začetku fibrilacije [13,27]. leta 2017 in prošnjo med letom dopolnili. Bistveno krajši čas trajanja P-vala pooperativno glede na Raziskava je bila prospektivne narave. Izvajala se je na predoperativno vrednost pri skupini z atrijsko fibrilacijo govori v Kliničnem oddelku za kirurgijo srca in ožilja UKC Ljubljana, od prid temu, da je tudi povečana prevodnost med atrijema marca do julija 2018. proaritmogena [28]. Študijo je uspešno zaključilo 47 bolnikov. Vsi so sodelovanje v Daljši PQ interval govori o tem, da je AV blok povezan z študiji potrdili s podpisom obveščenega pristanka, prav tako so nastankom atrijske fibrilacije, kar so pokazale pretekle študije vsi izpolnjevali vključitvene kriterije in nobenega od [6,29,30,31]. izključitvenih (kronična atrijska fibrilacija predoperativno, AV Nižja vrednost DFA α1 pooperativno pri skupini z atrijsko blok II. ali III. stopnje, srčni spodbujevalnik, urgentni bolniki, fibrilacijo nakazuje na razpad fraktalne geometrije oz. bolniki iz drugih oddelkov UKC Ljubljana). Meritve so tekle samopodobnosti signala, ki smo ga dobili iz RR intervalov pred predoperativni dan in nato od 1. dne pooperativno nepretrgoma pojavom prve epizode pooperativne atrijske fibrilacije [32,33]. do 5. pooperativnega dne. Predoperativni dan smo bolniku Podobno lahko gledamo tudi na večjo absolutno razliko DFA α1 izmerili 20-minutni visokoločljivostni EKG (Cardiax), obenem smo mu namestili brezžični enokanalni EKG senzor Savvy, ki ga pri skupini z atrijsko fibrilacijo. Ker se je pooperativna vrednost pri skupini z AF relativno bolj zmanjšala glede na predoperativno je imel bolnik nameščenega do jutra pred operacijo. Prvi vrednost, to prav tako kaže na razpad samopodobnosti signala in pooperativni dan smo bolniku zopet namestili brezžični bi lahko v prihodnosti služil kot pomemben napovedni dejavnik enokanalni EKG senzor Savvy in ga pustili na njem do 5. dne za razvoj atrijske fibrilacije [32,33]. Večja absolutna razlika DFA nepretrgoma; 2., 3. in 5. dan smo izmerili tudi 20-minutni α2 pri skupini z atrijsko fibrilacijo nakazuje na, podobno kot visokoločljivostni EKG posnetek (Cardiax). Meritve smo izvajali opisano zgoraj, razpad samopodobnosti signala, tokrat pri nizu z 10 napravami Savvy, 10 pametnimi telefoni oz. tablicami ter visokoločljivostnim RR intervalov večjih od 11. To govori v prid porušenemu 12-kanalnim EKG aparatom (Cardiax). simpatično-vagalnemu ravnovesju pooperativno, kar se odraža v Pri analizi dokumentacije smo bolnike razvrstili v skupino z znižanju obeh kazalcev DFA α [21]. atrijsko fibrilacijo in skupino brez atrijske fibrilacije. V prvi skupini so imeli bolniki na katerikoli način (Savvy ali s klinično 6. ZAKLJUČEK ustaljenimi protokoli) dokazano atrijsko fibrilacijo. AF je morala Z brezžičnim enokanalnim EKG senzorjem Savvy smo odkrili trajati vsaj 30 sekund, da smo jo označili kot epizodo AF. več bolnikov z atrijsko fibrilacijo, kot jih je bilo zabeleženih s 4. REZULTATI klinično ustaljenimi protokoli, zato smo potrdili prvo hipotezo. Pri analizi dolžine P-vala in njegove morfologije nismo odkrili Izmed 47 bolnikov jih je 13 razvilo atrijsko fibrilacijo. Od tega razlik med obema skupinama, zato smo drugo hipotezo zavrnili. smo vseh 13 zaznali z napravo Savvy, medtem ko jih je bilo s Razloge iščemo predvsem v majhnem naboru preiskovancev. klinično ustaljenimi protokoli in napravami zabeleženih 9. Kljub temu smo z analizo razlike trajanja P-vala pred in po Izključno z napravo Savvy smo tako na novo odkrili 4 primere operaciji pokazali relativno večje skrajšanje P-vala po operaciji atrijske fibrilacije. Skupina z atrijsko fibrilacijo je imela glede na stanje pred operacijo pri skupini z atrijsko fibrilacijo. povprečno daljši čas intubacije. Izmed elektrofizioloških Opazili smo pomembno razliko v trajanju PQ intervala po parametrov je imela skupina z atrijsko fibrilacijo večjo razliko v operaciji, s čimer smo potrdili daljše trajanje tega intervala kot trajanju P-vala (računana kot razlika pooperativne in dejavnik tveganja za pojav atrijske fibrilacije. Potrdili smo nižjo predoperativne vrednosti), daljši PQ interval, nižjo vrednost vrednost DFA α1 pooperativno ter večjo absolutno razliko v 8 DFA α1 in DFA α2 pri skupini z atrijsko fibrilacijo, s čimer smo [12] Creswell LL, Schuessler RB, Rosenbloom M, Cox JL. prepoznali porušeno avtonomno modulacijo srca tik pred Hazards of postoperative atrial arrhythmias. The Annals of pojavom atrijske fibrilacije, zato lahko potrdimo tretjo hipotezo thoracic surgery. 1993 Sep 1;56(3):539-49. - avtonomni kazalci so pri bolnikih z atrijsko fibrilacijo različni [13] Maisel WH, Rawn JD, Stevenson WG. Atrial fibrillation kot pri bolnikih, ki atrijske fibrilacije ne razvijejo. after cardiac surgery. Annals of internal medicine. 2001 Dec Naša študija predstavlja pomemben korak v smeri lažje in 18;135(12):1061-73. hitrejše zaznave motenj ritma s pomočjo pametnih tehnologij. [14] Nair SG. Atrial fibrillation after cardiac surgery. Annals of Rezultati kažejo na velik potencial takega načina merjenja in na cardiac anaesthesia. 2010 Sep 1;13(3):196. številne možnosti, ki se odpirajo s prepoznavo novih napovednih [15] Hayashida N, Shojima T, Yokokura Y, Hori H, Yoshikawa kazalcev za pojav atrijske fibrilacije po operacijah srca. K, Tomoeda H, Aoyagi S. P-wave signal-averaged Verjamemo, da nas v prihodnjih letih čaka velik razmah na electrocardiogram for predicting atrial arrhythmia after cardiac področju odkrivanja motenj srčnega ritma. Hkrati upamo, da bo surgery. The Annals of thoracic surgery. 2005 Mar 1;79(3):859- ta študija predstavljala kvalitetno podlago naslednjim 64. obširnejšim raziskavam, ki bodo sčasoma vodile do novih rešitev [16] Aytemir K, Aksoyek S, Ozer N, Aslamaci S, Oto A. Atrial za izboljšanje kakovosti življenja bolnikov. fibrillation after coronary artery bypass surgery: P wave signal 7. REFERENCE averaged ECG, clinical and angiographic variables in risk assessment1. International journal of cardiology. 1999 Apr [1] Benjamin EJ, Wolf PA, D’Agostino RB, Silbershatz H, 30;69(1):49-56. Kannel WB, Levy D. Impact of atrial fibrillation on the risk of [17] Omae T, Kanmura Y. Management of postoperative atrial death: the Framingham Heart Study. Circulation. 1998 Sep fibrillation. Journal of anesthesia. 2012 Jun 1;26(3):429-37. 8;98(10):946-52. [18] Koch CG, Li L, Van Wagoner DR, Duncan AI, Gillinov [2] Schotten U, Verheule S, Kirchhof P, Goette A. AM, Blackstone EH. Red cell transfusion is associated with an Pathophysiological mechanisms of atrial fibrillation: a increased risk for postoperative atrial fibrillation. The Annals of translational appraisal. Physiological reviews. 2011 thoracic surgery. 2006 Nov 1;82(5):1747-56. Jan;91(1):265-325. [19] Kaireviciute D, Aidietis A, Lip GY. Atrial fibrillation [3] Go AS, Hylek EM, Phillips KA, Chang Y, Henault LE, following cardiac surgery: clinical features and preventative Selby JV, Singer DE. Prevalence of diagnosed atrial fibrillation strategies. European heart journal. 2009 Jan 27;30(4):410-25. in adults: national implications for rhythm management and [20] Heart Rate Variability. Standards of measurement, stroke prevention: the AnTicoagulation and Risk Factors in physiological interpretation, and clinical use. Task Force of the Atrial Fibrillation (ATRIA) Study. Jama. 2001 May European Society of Cardiology and the North American 9;285(18):2370-5. Society of Pacing and Electrophysiology. Eur Heart J. 1996; [4] Fuster V, Rydén LE, Cannom DS, Crijns HJ, Curtis AB, 17(3): 354-81. Ellenbogen KA, Halperin JL, Kay GN, Le Huezey JY, Lowe [21] Kšela J. Novejši kazalci avtonomne regulacije srca kot JE, Olsson SB. 2011 ACCF/AHA/HRS focused updates napovedni dejavniki za pojav aritmij po aortokoronarnih incorporated into the ACC/AHA/ESC 2006 c: a report of the obvodih na delujočem srcu [doktorsko delo]. Ljubljana: American College of Cardiology Foundation/American Heart Univerza v Ljubljani; 2009. Association Task Force on Practice Guidelines developed in partnership with the European Society of Cardiology and in [22] Goldberger AL, Amaral LA, Hausdorff JM, Ivanov PC, collaboration with the European Heart Rhythm Association and Peng CK, Stanley HE. Fractal dynamics in physiology: the Heart Rhythm Society. Journal of the American College of alterations with disease and aging. Proceedings of the national Cardiology. 2011 Mar 15;57(11):e101-98. academy of sciences. 2002 Feb 19;99(suppl 1):2466-72. [5] De Caterina R, Atar D, Hohnloser SH, Hindricks G. 2012 [23] Kališnik J M, Poplas-Susič T, Semeja A, Korošec T, Trobec R, Avbelj V, Depolli M, Stanič U. focused update of the ESC Guidelines for the management of Mobile health atrial fibrillation. European heart journal. 2012;33:2719-47. monitoring pilot systems. Proceedings of the 18th International Multiconference Information Society - IS 2015, October 9th [6] Andrade J, Khairy P, Dobrev D, Nattel S. The clinical and 12h, 2015, Ljubljana, Slovenia. Volume G, pp. 62-65. profile and pathophysiology of atrial fibrillation: relationships among clinical features, epidemiology, and mechanisms. [24] Depolli M, Avbelj V, Trobec R, Kališnik J, Korošec T, Circulation research. 2014 Apr 25;114(9):1453-68. Poplas-Susič T, Stanič U, Semeja A. PCARD platform for mHealth monitoring. Informatica. 2016;40:117-123. [7] Allessie MA, Boyden PA, Camm AJ, Kléber AG, Lab MJ, Legato MJ, Rosen MR, Schwartz PJ, Spooner PM, Van [25] Dilaveris PE, Kennedy HL. Silent atrial fibrillation: Wagoner DR, Waldo AL. Pathophysiology and prevention of epidemiology, diagnosis, and clinical impact. Clinical atrial fibrillation. Circulation. 2001 Feb 6;103(5):769-77. cardiology. 2017 Jun;40(6):413-8. [8] Nattel S, Burstein B, Dobrev D. Atrial remodeling and atrial [26] Fetsch T, Bauer P, Engberding R, Koch HP, Lukl J, fibrillation: mechanisms and implications. Circulation: Meinertz T, Oeff M, Seipel L, Trappe HJ, Treese N, Breithardt Arrhythmia and Electrophysiology. 2008 Apr 1;1(1):62-73. G. Prevention of atrial fibrillation after cardioversion: results of the PAFAC trial. European heart journal. 2004 Aug [9] Iwasaki YK, Nishida K, Kato T, Nattel S. Atrial fibrillation 1;25(16):1385-94. pathophysiology: implications for management. Circulation. 2011 Nov 15;124(20):2264-74. [27] Erdil N, Gedik E, Donmez K, Erdil F, Aldemir M, Battaloglu B, Yologlu S. Predictors of postoperative atrial [10] FRCPS PP, Mitchell LB, Crystal E, Heilbron B. Atrial fibrillation after on-pump coronary artery bypass grafting: is fibrillation following cardiac surgery. Can J Cardiol. 2005 duration of mechanical ventilation time a risk factor?. Annals of Sep;21:45B. Thoracic and Cardiovascular Surgery. 2014;20(2):135-42. [11] Almassi GH, Schowalter T, Nicolosi AC, Aggarwal A, [28] Nielsen JB, Kühl JT, Pietersen A, Graff C, Lind B, Struijk Moritz TE, Henderson WG, Tarazi R, Shroyer AL, Sethi GK, JJ, Olesen MS, Sinner MF, Bachmann TN, Haunsø S, Grover FL, Hammermeister KE. Atrial fibrillation after cardiac Nordestgaard BG. P-wave duration and the risk of atrial surgery: a major morbid event?. Annals of surgery. 1997 fibrillation: Results from the Copenhagen ECG Study. Heart Oct;226(4):501. Rhythm. 2015 Sep 1;12(9):1887-95. 9 [29] Cheng S, Wang TJ. Outcomes in Patients With Prolonged PR Interval or First-Degree Atrioventricular Block—Reply. JAMA. 2009 Nov 11;302(18):1967-8. [30] Nielsen JB, Pietersen A, Graff C, Lind B, Struijk JJ, Olesen MS, Haunsø S, Gerds TA, Ellinor PT, Køber L, Svendsen JH. Risk of atrial fibrillation as a function of the electrocardiographic PR interval: results from the Copenhagen ECG Study. Heart Rhythm. 2013 Sep 1;10(9):1249-56. [31] Nielsen JC, Thomsen PE, Højberg S, Møller M, Riahi S, Dalsgaard D, Mortensen LS, Nielsen T, Asklund M, Friis EV, Christensen PD. Atrial fibrillation in patients with sick sinus syndrome: the association with PQ-interval and percentage of ventricular pacing. Europace. 2011 Nov 20;14(5):682-9. [32] Huikuri HV, Mäkikallio TH, Perkiömäki J. Measurement of heart rate variability by methods based on nonlinear dynamics. Journal of electrocardiology. 2003 Dec 1;36:95-9. [33]Shin DG, Yoo CS, Yi SH, Bae JH, Kim YJ, Park JS, Hong GR. Prediction of paroxysmal atrial fibrillation using nonlinear analysis of the RR interval dynamics before the spontaneous onset of atrial fibrillation. Circulation Journal. 2006;70(1):94-9. 10 EMZ in EkoSMART-asistent Mateja Drnovšek Matjaž Gams Department of Intelligent Systems Department of Intelligent Systems Jozef Stefan Institute Jozef Stefan Institute Jamova cesta 39 Jamova cesta 39 1000 Ljubljana 1000 Ljubljana mateja.drnovsek@ijs.si matjaz.gams@ijs.si POVZETEK • RRP 3: Aktivno življenje, dobro počutje V prispevku “EMZ in EkoSMART-asistent” je podrobneje • RRP 4: Elektronsko in mobilno zdravje (EMZ) opisan program EkoSMART, ki je razdeljen na šest projektov, • RRP 5: Pametni sistem integriranega zdravstva in oskrbe med njimi je tudi projekt EMZ (Elektronsko in mobilno zdravje). Le-ta je podrobneje opisan v 3. poglavju, v • RRP 6: Razvoj prototipov nadaljevanju pa je povezan z občinami in zdravjem (4. in 5. Poleg štirih projektov, ki se ukvarjajo z digitalizacijo izbranih poglavje). EkoSMART-asistent, ki je bil razvit na Institutu področij (RRP2-RRP5), sta v program predvidena še dva “Jozef Stefan”, se nahaja na spletni strani EkoSMART [6], v 6. skupna projekta. Eden se ukvarja s skupnim jedrom oziroma poglavju so naštete in podrobno opisane vse aplikacije, ki jih arhitekturo ekosistema (RRP1), eden pa je namenjen razvoju asistent ponuja. prototipnih rešitev in njihovemu preskušanju v relevantnih okoljih (RRP6). Ključne besede S takšno projektno sestavo sledimo dobrim praksam, ki pravijo, elektronsko in mobilno zdravje, virtualni asistent, občine, da je sisteme sistemov, kar pametna mesta so, potrebno graditi EkoSMART-asistent upoštevajoč oba razvojna modela: od spodaj navzgor (RRP2 do 1. UVOD 5, začenši s posameznimi področji in potem z njihovo integracijo v celoto) in od zgoraj navzdol (RRP1, izhajajoč iz Prispevek “EMZ in EkoSMART-asistent” obravnava sestavo strateških usmeritev mesta in potem z osredotočanjem na programa EkoSMART v 6 raziskovalno-razvojnih projektih, posamezna področja). Ključno je enostavno dodajanje novih med njimi je tudi RRP 4 – EMZ (Elektronsko in mobilno storitev pametnih mest, kar omogoča univerzalna skupna zdravje). V današnjem času tehnologije sta umetna inteligenca arhitektura. in IKT zelo pomembna faktorja k napredku v znanosti, k implementaciji na nove produkte ter, kar je bistveno, k aplikativni uporabi v vsakdanjem življenju. Namen projekta EMZ je bil izboljšati varstvo in varnost zdravih, starejših, kroničnih bolnikov in ljudi s posebnimi potrebami z vpeljavo sodobnih informacijsko-komunikacijskih tehnologij (IKT) v celostno elektronsko in mobilno zdravstveno oskrbo (EMZ). Namen je nadgraditi kakovost obravnave in oskrbe omenjenih skupin s pomočjo elektronskih in mobilnih naprav ter s pripadajočimi programskimi rešitvami, zlasti z uporabo telesnih senzorjev in nosljivih pripomočkov, ki omogočajo spremljanje počutja in zdravja na podlagi meritev ter umetne inteligence nad podatki v EkoSMART-platformi. Za lažji dostop do informacij je bil razvit tudi EkoSMART-asistent z vsemi pripadajočimi aplikacijami. Slika 1. Spletna stran EkoSMART, dostopna na [2]. 2. PROGRAM EKOSMART Ekosmart Pametnega Mesta (EkoSMART) [1] je program, ki je bil sprejet na Javnem razpisu »Spodbujanje izvajanja 3. PROJEKT EMZ raziskovalno-razvojnih programov (TRL3-6)«, in sicer Projekt RRP4: EMZ (Elektronsko in mobilno zdravje) [1] je prednostno področje S4: Pametna mesta in skupnosti. Glavni bistveni del programa EkoSMART. Namen projekta EMZ je cilj tega programa je razviti ekosistem pametnega mesta z vsemi izboljšati varstvo in varnost zdravih, starejših, kroničnih podpornimi mehanizmi, ki so potrebni za učinkovito, bolnikov in ljudi s posebnimi potrebami z uporabo modernih optimizirano in postopno integracijo posameznih področij v tehnologij in pristopov. Cilj projekta je bil tudi izdelati sisteme enovit in povezan sistem vrednostnih verig. Z zagotavljanjem za pomoč slepim in slabovidnim, gluhim, kognitivno, vedenjsko kakovostnih storitev za državljane in gospodarstvo želimo in gibalno motenim ter starejšim, ki so sami doma, in omogočiti omogočiti dvig kakovosti življenja in rast splošne blaginje. kvalitetnejše življenje ljudem s kroničnimi boleznimi, ki občasno ali stalno potrebujejo zdravniško oskrbo. Program EkoSMART sestavlja šest projektov, ki vsak po svoje prispevajo k uresničevanju vizije programa (kratica RRP Projekt EMZ je nastal iz širše iniciative elektronskega in pomeni Raziskovalno-razvojni projekt). mobilnega zdravstva, ki zajema okrog 300 partnerjev, ki želijo sodelovati in si želijo biti seznanjeni z dogajanjem na tem • RRP 1: Zasnova ekosistema pametnega mesta področju. Za potrebe izvedbe projekta RRP4 so bile iz nabora • RRP 2: Pametna mobilnost - sistemi za nadzor in upravljanje partnerjev EMZ skrbno izbrane naslednje organizacije: prometnih tokov 11 1. Institut »Jožef Stefan« (IJS) asistentih – kliknete na svojo občino, levo zgoraj, izberete 2. UL - Medicinska fakulteta (MF) aplikacijo »Zdravstvo in sociala«. 3. Univerzitetni klinični center Ljubljana (UKCL) 4. Marand d.o.o. (MAR) 5. UL - Fakulteta za računalništvo in informatiko (FRI) 6. UM - Fakulteta za elektrotehniko, računalništvo in informatiko (FERI) 7. URI-Soča (SOČA) 8. ZD Adolfa Drolca (ZDM) 9. Cosylab (CSL) 10. Elgoline d.o.o. (ELGO) 11. SRC sistemske integracije d.o.o. (SRC) 12. Špica International d.o.o. (ŠPI) 13. Inova IT d.o.o. (INO) 14. Medis d.o.o. (MED) 15. Nela razvojni center d.o.o. (NELA) Slika 2. Del spletne strani Zdravje[5], kjer so podsistemi za 4. EMZ in OBČINE zdravje. Razvili smo ogrodje in večino sistemov občin [3,4] kot korak Asistent vam ponudi sledeče podsisteme: dlje od pametnih mest in oboje sistematično vpeljali v občine, društva upokojencev in druga društva ter v širšo družbo z  Prva pomoč: Tu dobite nasvete v primeru nujne namenom, da Slovenija ponudi boljšo izkušnjo mest oz. občin pomoči (Mobilno Android IOS). Slovenije za vse, domače in turiste. Asistenti za posamezne  Zdravstveni nasveti (slovensko): Če potrebujete občine ponujajo pomembne informacije o občini, storitve in zdravstveni nasvet, si lahko pomagate s strokovnjaki podporo kvalitetnejšemu življenju. Umetna inteligenca in IKT na spletu. napredujeta zelo hitro, raziskovalni oddelki razvijajo zelo dobre  Zdravstveni nasveti (angleško): Poučne spletne nove sisteme, poleg tega pa se razvijajo tudi sistemi, ki jih strani o zdravstvu v angleškem jeziku. lahko namestijo in vzdržujejo lokalne inštitucije in družba.  NIJZ (Nacionalni inštitut za javno zdravje): Povezava na njihovo spletno stran. Sistem sestavljajo naslednji bloki:  PROJEKTI:  - IN LIFE: Pametna varnostna ura je najpomembnejši Občinska televizija – vsakdo lahko razvije svojo občinsko produkt, ki je bil razvit v okviru projekta IN LIFE. televizijo s sledenjem navodilom. Potreben je prenosnik in kamera in nekaj znanja računalništva. Običajno občinska TV Ura je namenjena starejšim ljudem za izboljšanje prenaša ali sprotno dogajanje v živo, ali pa se vrti vnaprej njihove varnosti in podaljšanju avtonomije. Ura je že pripravljena datoteka z informacijami za tekoči teden. pripravljena za prodajo.  - E-gibalec: mobilna aplikacija, razvita z namenom 3D virtualni asistent – ponovno je z nekaj znanja povečanja računalništva po navodilih možno izdelati sistem 3D športnih aktivnosti in gibanja osnovnošolcev. Hkrati smo s tem preprečevali virtualnega asistenta, ki vodi po stavbah, recimo upravni stavbi občine. debelost v otroštvu, ki je v današnjem času čedalje pogostejša [7].  Turizem – sistem omogoča informiranje o turističnih - ASPO: spletna aplikacija za prepoznavanje in znamenitostih v naravnem jeziku in načrtovanje turističnih informiranje o spolno prenosljivih okužbah. obiskov. Sistem vsebuje preko 3000 znamenitosti v Sloveniji in - Zaznavanje stresa: Spletni pogovorni svetovalec je zato izjemno uporaben. OSVET je namenjen zaznavanju stresa in nudenju  Asistenti – za vsako izmed 200 slovenskih občin je narejen psihosocialne pomoči preko spleta. Z anketo lahko občinski asistent, ki odgovarja na vprašanja v naravnem jeziku. preverite stopnjo svojega stresa. Obstajata tudi pokrajinski asistent in slovenski asistent – - EkoSMART, EMZ: namen programa EkoSMART je slednja sta sestavljena iz pripadajočih občinskih asistentov. razviti ekosistem pametnega mesta. Prav tako je bil Asistent za starejše občane (ZDUS) se imenuje Zdusko, le-ta je v pomoč starejšim ljudem, ki iščejo informacije. V poglavju razvit tudi EkoSMART-asistent, ki je podrobneje opisan v spodnjem poglavju. spodaj je bolj podrobno opisan EkoSMART-asistent, vključno z - HEP-Y: Spletna aplikacija za prepoznavanje in namenom razvoja asistenta in njegovimi aplikacijami [3]. Več o asistentih si lahko preberete v prispevku za IS 2018: “Pregled informiranje o virusnih hepatitisih. IJS E9 asistentov”. - Čakalne vrste: Asistent Čakalne vrste je namenjen iskanju čakalnih dob za določene zdravstvene posege pri posameznih ustanovah (več v prispevku “Pregled 5. EMZ in ZDRAVJE IJS E9 asistentov”). Na spletni strani Občin [4] je Zdravje najpomembnejši blok EMZ-ja [3,5]. Tu so informacije o prvi pomoči, zdravstveni 6. EKOSMART-ASISTENT nasveti iz Slovenije in tujine, informacije iz NIJZ, iz programa Kratek opis: Asistent je namenjen posredovanju informacij o pametne specializacije EkoSMART ter podprojekta Elektronsko programu pametne specializacije EkoSMART. V trenutni in mobilno zdravje, repozitorijev domen in prototipov, sistemov realizaciji odgovarja na vsebinska vprašanja o posameznih za nadziranje stresa in o skrbi za starejše. Storitev je dostopna v projektih, ki so vključeni v program. Posreduje organizacijske podrobnosti in podatke o prototipih produktov, storitvah in 12 izdelkov, ki se razvijajo v okviru programa. V končni različici Na spletni strani EkoSMART v ozadju se odpre pa bo asistent omogočal iskanje različnih vrst podatkov v zavihek “Rešitve” in opis projekta RRP 6. Glavni zdravstvenih platformah in razviti integracijski platformi rezultati in cilji so zagotovitev, vzpostavitev in pametnega mesta [2,5]. testiranje prototipov sistemov v ciljnih okoljih, vključno z izvedbami, ki bodo podobne delovanju v Aplikacije: realnih okoliščinah. - Opis: Ekosmart-asistent odpre v ozadju na spletni strani EkoSMART zavihek “Rešitve”, kjer je - Partnerji/inštitucije: Konzorcij programa Ekosmart navedeno, da je program EkoSMART sestavljen iz sestavlja 25 partnerjev z različnih področij delovanja, šestih projektov. V nadaljevanju so projekti našteti, našteti so na spletni strani v ozadju. ob kliku na projekt pa lahko vidimo njegov opis. - Program Ekosmart: Na spletni strani EkoSMART v ozadju se odpre zavihek “O projektu”, kjer si lahko - Partnerji/ljudje: V Ekosmart-asistenta lahko vpišete ogledate splošen opis in namen projekta EkoSMART. ime in priimek osebe zaposlene na projektu EkoSMART, nato pa vam asistent sporoči kontaktne - Prototipi: Povezava na seznam prototipov. podatke. V ozadju se na spletni strani EkoSMART odpre zavihek “Partnerji”, kjer je naštetih 25 partnerjev. - RRP 1 - Zasnova ekosistema pametnega mesta: EkoSMART-asistentu lahko postavite vprašanje glede projekta RRP 1. Na spletni strani v ozadju pa se odpre zavihek “Rešitve” in opis slednjega projekta. V opisih projektov najdete vodjo projekta, namen, ključne partnerje ter glavne cilje in rezultate. Bistvena je povezava pametnega mesta v celovit ekosistem. - RRP 2 - Pametna mobilnost: EkoSMART-asistentu lahko postavite vprašanje glede projekta RRP 2. Na spletni strani v ozadju pa se odpre zavihek “Rešitve” in opis projekta. Projekt se osredotoča na problem rigidnih semaforskih sistemov, ki so neodzivni na realno stanje v prometu. - RRP 3 - Aktivno življenje in dobro počutje: EkoSMART-asistentu lahko postavite vprašanje glede projekta RRP 3. Na spletni strani v ozadju pa se odpre zavihek “Rešitve” in opis projekta. Poudarjena je pomembnost družine kot osnovne celice ter Slika 3. možnosti medgeneracijskega povezovanja znotraj prikazan je EkoSMART-asistent, ki je dostopen na spletni družine. Poslovni cilj je programska rešitev strani [6]. MyFamily, ki bo v ekosistemu EkoSMART omogočala večjo povezanost družine ter vključevanje v medgeneracijsko povezanost za boljšo kakovost življenja. - RRP 4 - Elektronsko in mobilno zdravstvo (EMZ): V ozadju se na spletni strani odpre širši opis projekta. Glavni poslovni in tehnološki cilji RRP 4 so sledeči: izkoristiti potencial gospodarstva, medicine in znanosti za razvoj celovitega Sistema EMZ v 7. ZAKLJUČEK Sloveniji, ki bo znižal naraščajoče stroške na V prispevku “EMZ in EkoSMART-asistent” je bil v celoti področju zdravstva in sociale, okrepiti, obogatiti in predstavljen program EkoSMART, ki je sestavljen iz 6 nadgraditi ponudbo proizvodov in storitev, podprtih z raziskovalno-razvojnih projektov, med njimi tudi EMZ IKT na področju zdravstva ter drugi. (Elektronsko in mobilno zdravje). Glavni namen EMZ je z umetno inteligenco in IKT izboljšati zdravje in kvaliteto - RRP 5 - Integrirane zdravstvene storitve: življenja ljudem, hkrati pa s programskimi rešitvami EkoSMART-asistentu lahko postavite vprašanje glede razbremeniti zdravstveni sistem. Na Odseku za inteligentne projekta RRP 5. Na spletni strani EkoSMART v sisteme na Institutu “Jožef Stefan” je bil razvit tudi ozadju se odpre zavihek “Rešitve” in opis projekta. EkoSMART-asistent s številnimi aplikacijami za lažji dostop do Opisani so tudi glavni rezultati in cilji projekta, med informacij. drugim tudi povečanje kakovosti in varnosti življenja kroničnih bolnikov in daljša oskrba v domačem okolju. 8. ZAHVALA Raziskave in razvoj so bile izvajane v okviru programa - RRP 6 - Prototipi rešitev: EkoSMART-asistentu EkoSMART in so delno sofinancirane s strani Ministrstva za lahko postavite vprašanja glede projekta RRP 6. izobraževanje, znanost in šport ter Evropske unije iz 13 Evropskega sklada za regionalni razvoj (ESRR). Zahvaljujemo https://is.ijs.si/archive/proceedings/2017/files/Zbornik%20 se tudi sodelavcu Alešu Tavčarju, ki je največ prispeval pri -%20I.pdf programu in vsem ostalim sodelavcem. [4] Spletna stran Ui-Občine IJS [20. 9. 2018], dostopno na https://ui-obcine.ijs.si/ [5] Spletna stran Zdravje [20. 9. 2018], dostopno na https://ui- obcine.ijs.si/zdravje/ 9. REFERENCE [6] Povezava na EkoSMART-asistenta [20. 9. 2018], dostopno na http://projekt-asistent.si/ekosmart [1] Bela knjiga EMZ EkoSMART [28. 9. 2018], dostopno na http://library.ijs.si/Stacks/Literature/Bela%20knjiga%20E [7] Projekt »Uživajmo v zdravju«: Za zmanjšanje debelosti MZ%20EkoSMART.pdf otrok in mladostnikov [20. 9. 2018], dostopno na http://www.nijz.si/sl/projekt-uzivajmo-v-zdravju-za- [2] Spletna stran EkoSMART [20. 9. 2018], dostopno na zmanjsanje-debelosti-otrok-in-mladostnikov-0 http://ekosmart.net/sl/ekosmart/ [3] Gams, M. in Tavčar, A. 2017. Zbornik 20. mednarodne multikonference INFORMACIJSKA DRUŽBA – IS 2017 Delavnica za elektronsko in mobilno zdravje, dostopno na 14 Pregled asistentov IJS E9 Mateja Drnovšek Matjaž Gams Department of Intelligent Systems Department of Intelligent Systems Jozef Stefan Institute Jozef Stefan Institute Jamova cesta 39 Jamova cesta 39 1000 Ljubljana 1000 Ljubljana mateja.drnovsek@ijs.si matjaz.gams@ijs.si Aleš Tavčar Gregor Grasselli Department of Intelligent Systems Department of Intelligent Systems Jozef Stefan Institute Jozef Stefan Institute Jamova cesta 39 Jamova cesta 39 1000 Ljubljana 1000 Ljubljana ales.tavcar@ijs.si gregor.grasselli@ijs.si POVZETEK Asistenti so v zadnjih letih čedalje bolj pogosti in dobrodošli na spletnih straneh. V tem prispevku so opisani asistenti, ki so bili razviti na Odseku za inteligentne sisteme na Institutu »Jožef Stefan«. Zajetih je več asistentov, med drugim asistent IJS, asistent za pametna mesta, asistenta za zdravjem, meta asistent, ki povezuje vse občinske asistente, 3D-asistent in asistent ZDUS. Ključne besede Virtualni asistent, asistent IJS, zdravje, pametna mesta, meta asistent, občine. 1. UVOD Virtualni asistenti so koristni na spletnih straneh, saj nas zelo hitro pripeljejo do željenih odgovorov in nam podajo informacije, ki nas zanimajo. V prispevku je narejen kratek Slika 1. Asistent Robi, ki je na spletnih straneh Instituta pregled asistentov in opis asistentovih aplikacij, ki so bili “Jožef Stefan” [1]. razviti na IJS v okviru Odseka za inteligentne sisteme. Razvoj asistentov je bil usmerjen predvsem na točne informacije v V sredinsko polje uporabnik vpiše vprašanje in spodaj se pojavi povezavi s spletno stranjo v ozadju asistenta. Kot najboljši se je odgovor v obliki spletnega besedila. V ozadju se na spletni izkazal asistent IJS, zelo pomembni pa so tudi občinski strani pojavi zadetek iskalnika, tako da uporabnik vidi odgovor asistenti, ki obiskovalca spletne strani informirajo o dogajanju v asistenta in iskalnika v ozadju. Četudi asistent nič ne najde, še občinah. Zanimivi so tudi ostali asistenti, vsi so opisani v 2. vedno dobimo odgovor spletnega iskalnika. poglavju. Sledi opis asistentov. 2. PREGLED ASISTENTOV Vsi asistenti so v obliki spletne aplikacije / spletnega agenta, ki 2.1 Asistent IJS, Robi se po klicu (kliku) prikaže v obliki okenca. V zgornjem delu je Kratek opis: Asistent Robi odgovarja na vprašanja neka slika, povezana s predstavitvijo sistema, nad njo je rob z obiskovalcev IJS in zaposlenih na IJS. Na vprašanja odgovarja aplikacijami levo, pomočjo in izhoda desno. Aplikacije zgoraj v slovenščini, angleščini, francoščini. Zna govoriti slovensko in levo so pomembne, ker povedo, na katere teme se asistent angleško, zna komunicirati preko robota, npr. Nao, zna izvajati posebej spozna. Če izberemo aplikacijo, asistent najprej animacije preko robota animirano na zaslonu in dejansko, kadar pogleda v omenjenem modulu, ali je kje pripravljena primerna je fizično priključen na robota. aktivnost. Recimo v primeru, da imamo izbrano aplikacijo zaposleni (Slika 1), potem bo sistem iskal najprej po imenih, Aplikacije: priimkih in drugih podatkih o zaposlenih in v primeru zadetka - Zaposleni/imenik: Če vpišete ime ali priimek ali kak prikazal tovrstne odgovore. Če pa isto vprašanje napišemo drug podatek o zaposlenem, bo Robi poiskal vse splošno, potem so moduli enakovredni in lahko sistem najde zaposlene, ki ustrezajo opisu. povsem drug odgovor kot bolj smiseln. - Prireditve, novice: Robi vam ponudi koledar prireditev, ki vas usmeri na napovednik dogodkov. - Vprašanja iz podjetij: Robi odpre obrazec, ki je namenjen podjetjem pri navezovanju stikov z IJS. - Organizacijska struktura IJS: Odpre se spletna stran, kjer najdete organizacijske enote Instituta. 15 - Zaposlitve, študentsko delo: Robi vas usmeri na 2.4 EkoSMART-asistent objavo prostih delovnih in študentskih mest. Kratek opis: Asistent je namenjen posredovanju informacij o - Raziskovalna oprema: Spisek pomembnejše programu pametne specializacije EkoSMART. V trenutni inštitutske raziskovalne opreme na strani Nanocenter. realizaciji odgovarja na vsebinska vprašanja o posameznih - Znotraj hiše, notranji akti in obrazci: Robi v ozadju projektih, ki so vključeni v program. Posreduje organizacijske odpre spletno stran, kjer zaposleni dobijo pomembne podrobnosti in podatke o prototipih produktov, storitvah in informacije. Del informacij je dostopen samo izdelkov, ki se razvijajo v okviru programa. V končni različici zaposlenim. pa bo asistent omogočal iskanje različnih vrst podatkov v - Obvestila vzdrževalcem: Zaposleni lahko preko zdravstvenih platformah in razviti integracijski platformi aplikacije posredujete vzdrževalcem podatke o pametnega mesta [3, 5]. okvarah na infrastrukturi IJS. - Počitnice: Robi vas usmeri na počitniške kapacitete, Aplikacije: ki jih ima IJS. - Opis: Ekosmart-asistent v ozadju odpre kratek opis - Malica: Robi vas seznani s tedenskim jedilnikom v projekta Ekosmart. menzi na IJS. - Partnerji/ljudje: Aplikacija za pomoč iskanju ljudi - Računalniški slovarček: Robi odpre spletno stran z zaposlenih na projektu Ekosmart. računalniškim slovarčkom. - RRP 1 - Zasnova ekosistema pametnega mesta: V - Slovarji: Robi vam odpre slovarje v ozadju. ozadju se odpre kratek opis RRP 1. - Vreme: V ozadju se prikaže ARSO petdnevna - RRP 2 - Pametna mobilnost: V ozadju se odpre kratek vremenska napoved. opis RRP 2. - Znamenitosti Slovenije: Robi vam pomaga najti - RRP 3 - Aktivno življenje in dobro počutje: V ozadju željene znamenitosti po Sloveniji. se odpre kratek opis RRP 3. - Turist: Robi odpre spletno stran e-Turist, s katerim - RRP 4 - Elektronsko in mobilno zdravstvo: V ozadju lahko načrtujete izlet. se odpre kratek opis RRP 4. - 3D IJS: Robi odpre 3D IJS robota, ki zna tudi - RRP 5 - Integrirane zdravstvene storitve: V ozadju se zaplesati in vas vodi po IJS kot virtualni vodič. Pelje odpre kratek opis RRP 5. vas do iskane osebe po simuliranem IJS. - RRP 6 - Prototipi rešitev: V ozadju se odpre kratek - IJS TV, napovednik IJS: V ozadju si lahko ogledate opis RRP 6. vsebino, ki se predvaja na IJS kanalu, zasedenost - Partnerji/inštitucije: Konzorcij programa Ekosmart predavalnic itd. sestavlja 25 partnerjev z različnih področij delovanja. - Program Ekosmart: V ozadju si lahko ogledate opis in 2.2 Čakalne vrste namen projekta Ekosmart. Kratek opis: Asistent Čakalne vrste, dostopen na [2], je - Prototipi: Povezava na seznam prototipov. namenjen iskanju čakalnih dob za zdravstvene posege pri posameznih ustanovah. Asistent deluje tako, da v iskalno okno vpišemo poseg, ki ga želimo (asistent nam lahko sam ponudi več opcij), nato izberemo, kako hitro potrebujemo poseg in regijo Slovenije, zatem pa nam asistent ponudi vse možne ustanove, pri čemer jih razporedi v vrstnem redu od najkrajše do najdaljše časovne dobe. Asistent izpiše tudi kontaktne podatke od zdravstvenih ustanov, zato se lahko hitro naročimo na željeni poseg [3]. 2.3 Stres Kratek opis: Cilj študentskega projekta OSVET je spletni pogovorni svetovalec za zaznavanje stresa pri uporabnikih in nudenje psihosocialne pomoči preko spleta. V spodnjem okencu vpišemo svojo težavo oz. počutje, virtualni svetovalec pa nam pomaga s svojo bazo podatkov. Če nečesa ne ve, nas Slika 3. EkoSMART- asistent, dostopen na spletni strani [6]. prosi, da svojo težavo opišemo kako drugače. Svojo stopnjo stresa lahko ocenimo tudi z uporabo ankete [3]. 2.5 Meta asistent Kratek opis: Meta asistent, imenovan Metka, nam da povezavo na ostale občinske asistente. V levem zgornjem kotu asistenta so na voljo vse aplikacije, pod njimi lahko izberemo tudi regije in občine [7, 8] za zožitev interakcije. Aplikacije: - Splošno: Asistent vam da splošne informacije o občini, občinskem svetu, zaposlenih in zanimivostmi občine. - Okolje, prostor in komunala: Asistent vam odgovori Slika 2. Spletni pogovorni svetovalec za zaznavanje stresa na vprašanja v zvezi s prometom, okoljem in [4]. komunalo. 16 - Kultura, šport in izobraževanje: Asistent vam odgovori na vprašanja glede kulture, športa in izobraževanja. - Zdravstvo in sociala: Asistent vam odgovori na vprašanja v zvezi z zdravstvenim domom, zdravniki, oskrbo na domu in socialno službo. - Zaščita in reševanje: Asistent vam odgovori na vprašanja povezana s civilno zaščito, gasilci, policijo, načrti zaščite in reševanja. - Vloge in obrazci: Asistent za vas poišče različne vloge in obrazce. - Kmetijstvo in gospodarstvo: Asistent odgovori na vprašanja glede kmetijstva, gozdarstva, prehrane in gospodarstva. - Storitve in obrtniki: Asistent odgovori na vprašanja glede storitvenih dejavnosti v občini (npr. seznam trgovin, lokacije bankomatov, kinodvorane, banke, Slika 5. Povpraševanje je možno po Sloveniji, pokrajinah ali seznam obrtnikov ipd.). občinah. - Turizem: Asistent vam odgovori na vprašanja glede turizma (prenočišča, znamenitosti, turistično Aplikacije: informacijski centri). - Splošno: Asistent vam da splošne informacije o - Moja občina: Asistent v ozadju odpre spletno stran, občini, občinskem svetu, zaposlenih in zanimivostmi kjer si lahko preberete novice, dogodke in zanimivosti občine. posameznih občin. - Okolje, prostor in komunala: Asistent vam odgovori - Vreme: V ozadju se odpre spletna stran ARSO, kjer na vprašanja v zvezi s prometom, okoljem in lahko vidite petdnevno vremensko napoved. komunalo. - Prevajanje: V ozadju se vam prikaže prevajalnik - Kultura, šport in izobraževanje: Asistent vam podjetja Amebis, kjer lahko prevajate med odgovori na vprašanja povezana z različnimi slovenščino, nemščino in angleščino. športnimi kot tudi kulturnimi društvi in klubi, - Slovarji: V ozadju lahko uporabite slovarje za večje izobraževalnimi ustanovami in o prireditvah. evropske jezike. - Zdravstvo in sociala: Kontaktni podatki za prvo pomoč. - Zaščita in reševanje: Asistent vam odgovori na vprašanja povezana s civilno zaščito, gasilci, policijo, načrti zaščite in reševanja, ravnanjem v primeru naravnih nesreč. - Vloge in obrazci: Asistent vam lahko poišče različne vloge in obrazce. - Kmetijstvo in gospodarstvo: Asistent vam odgovori na vprašanja povezana s kmetijstvom, gozdarstvom, prehrano in gospodarstvom na splošno. - Storitve in obrtniki: Asistent odgovori na vprašanja povezana s storitvenimi dejavnostmi v občini (seznam trgovin, lokacije bankomatov, kinodvorane, banke, seznam obrtnikov, itd.) - Turizem: Asistent vam nudi koristne informacije Slika 4. Meta asistent, ki je dostopen na [8]. glede turizma. - Novice in prireditve: Na spletni strani v ozadju si lahko ogledate novice in prihajajoče prireditve v občini. 2.6 Občine - Moja občina: Spletna storitev Moja občina je namenjena seznanjenju občanov slovenskih občin z Kratek opis: Vsaka izmed 200 občin ima svojega občinskega novicami. asistenta, do seznama asistentov lahko dostopate na spletni - Vreme: V ozadju se odpre spletna stran ARSO, kjer strani [8], pod zavihkom Občine. Po kliku na “Asistenti za si lahko ogledate vremensko napoved. občine” se vam odprejo vse povezave na občinske asistente. - Izberemo občino in odpre se nam spletna stran občine in Slovenski turizem: V ozadju se odpre spletna stran občinski asistent v levem zgornjem kotu. e-Turist, kjer lahko načrtujete ogled. Na Sliki 5 je primer - Občinska TV: V ozadju se odpre spletna stran TV asistenta, ki prikazuje pokrajine. Ponujene aplikacije so pri vseh občinskih asistentih enake. IJS. 2.7 3D-asistent Kratek opis: 3D-asistent je virtualni vodič po IJS. Če ga vprašate, kje je določeni posameznik, vas popelje pred njegova vrata, tako da hodi pred vami v virtualni 3D resničnosti. 17 3D-asistent omogoča tudi, da vsak zgradi svoj virtualni posnetek resničnega prostora in svojega 3D-asistenta. 3D- asistenti povezujejo številne sisteme, razvite na Odseku za inteligentne sisteme IJS, ki omogočajo virtualno izkušnjo. Uporablja se ga lahko preko spletnega portala, enostavno pa se vzpostavi tudi samostojna aplikacija za pametni telefon Android ali iPhone, računalnik Windows ali Mac. 3D-asistent pride do izraza predvsem pri uporabi v občinskih stavbah, podjetjih, inštitutih, muzejih ali znamenitostih, saj do neke mere nadomešča vodiča ali vratarja. Slika 7. prikazuje ZDUS asistenta, ki je dostopen na spletni strani [11]. Aplikacije: - Splošno: Na spletni strani v ozadju si lahko preberete splošno o društvu ZDUS. - Društva: V ozadju lahko vidite vsa društva in klube. Društva so prikazana na zemljevidu, tako da se lažje orientirate. - Aktivno staranje: V ozadju lahko dobite koristne informacije o aktivnem staranju, vključno s predlogi o tem, katere vaje izvajati. - Zdravje: V ozadju lahko dobite koristne informacije o zdravju (pomoč pri različnih boleznih, kaj je priporočljivo jesti, zdravilne rastline). - Bivalna kultura: Na spletni strani v ozadju si lahko preberete več o bivalni kulturi starejših. Slika 6. 3D IJS asistent, ki ga lahko upravljamo s pomočjo - Letovanje: V ozadju lahko dobite informacije o tipk: W, A, S, D. Po kliku na robotovo glavo mu lahko zanimivih izletih in potovanjih. zastavimo vprašanje. - Zakonodaja: V ozadju si lahko preberete več o sprejetih zakonih. - Aktivno državljanstvo: Na spletni strani v ozadju lahko Do 3D-asistenta dostopate tako, da v svojem občinskem asistentu kliknete levo zgoraj “Aplikacije” in dobite koristne informacije o aktivnem državljanstvu, ki nato “3D- asistent”. spodbuja, da starejši ostanejo aktivni in avtonomni. Primer zanimivega 3D-asistenta je 3D IJS asistent, ki - Informatika: V ozadju lahko dobite koristne informacije je prikazan na Sliki 6. Nudi druge funkcije, recimo če kliknete o tem kako starejše naučiti uporabe IKT, ki je v na glavo 3D robota, po želji tudi zapleše [9, 10]. današnjem času nujna. - Medgeneracijsko sodelovanje: V ozadju je opis načinov medgeneracijskega sodelovanja in primeri dobre prakse. - Slovarji: Zdusko vam pomaga razložiti neznane besede. 2.8 ZDUS - Vreme: V ozadju se vam odpre spletna stran ARSO, Kratek opis: kjer lahko vidite vremensko napoved. ZDUS (Zveza društev upokojencev Slovenije) ima na svoji - Slovenski turizem: Zdusko vas poveže s spletno stranjo spletni strani ZDUS asistenta, imenovanega Zdusko. Le ta vam e-Turist, kjer lahko načrtujete svoj ogled Slovenije. odgovori na vprašanja, ki mu jih zastavite. V levem zgornjem kotu asistenta pa so na voljo tudi aplikacije, ki jih lahko izberete. 2.9 SVIZ Kratek opis: Na spletni strani SVIZ (Sindikat vzgoje, izobraževanja, znanosti in kulture Slovenije) je dostopen virtualni asistent, imenovan Svizec. V levem zgornjem kotu lahko izberete aplikacije, v iskalno okno pa vpišete vprašanje. 18 najpomembnejši je bil opisan Asistent IJS (2.1.), v nadaljevanju pa še dva, ki sta povezana z zdravjem, to sta Čakalne vrste (2.2.) in Stres (2.3.). Sledijo asistent za pametna mesta EkoSMART-asistent (2.4.), nato pa Meta asistent (2.5.), ki pokriva Občine (2.6.). Sledi bolj zabaven 3D-asistent (2.7.), do katerega lahko dostopamo iz občinskih asistentov. Na koncu je opisan asistent ZDUS (2.8.), ki je v pomoč starejšim. 4. REFERENCE [1] Povezava na asistenta IJS [20. 9. 2018], dostopna na http://www.projekt-asistent.si/ijs [2] Povezava na asistenta Čakalne vrste [20. 9. 2018], dostopna na https://salty-retreat-14326.herokuapp.com/ Slika 8. Asistent SVIZec. [3] Spletna stran Zdravje [20. 9. 2018], dostopna na https://ui- obcine.ijs.si/zdravje/ Aplikacije: [4] Spletni pogovorni svetovalec za zaznavanje stresa [20. 9. - Splošno: Asistent vam odgovori na splošna vprašanja 2018], dostopno na http://poluks.ijs.si:12345/ o SVIZu. [5] Spletna stran EkoSMART [26. 9. 2018], dostopno na - Vreme: V ozadju se odpre spletna stran ARSO, na http://ekosmart.net/sl/ekosmart/ kateri si lahko ogledate vremensko napoved. - Prevajanje: V ozadju se pokaže prevajalnik podjetja [6] Povezava na EkoSMART-asistent [28. 9. 2018], dostopno Amebis, kjer lahko prevajate stavke med slovenščino, na http://projekt-asistent.si/ekosmart nemščino in angleščino. [7] Spletna stran Asistenti [28. 9. 2018], dostopno na - Slovarji: V ozadju se odpre slovar za večje evropske https://ui-obcine.ijs.si/asistenti/ jezike. [8] Spletna stran Meta asistent [28. 9. 2018], dostopno na - Računalniški slovarček: V ozadju se nahaja slovarček http://projekt-asistent.si/meta-asistent računalniških izrazov. - [9] Spletna stran 3D-asistent [28.9. 2018], dostopno na Matematika / Znanje: Odpre se spletna stran Wolphram Alpha, zmogljivo orodje za reševanje https://ui-obcine.ijs.si/3d-asistent/ matematičnih, fizikalnih, kemijskih in drugih [10] Povezava na 3D-asistent [28. 9. 2018], dostopno na znanstvenih nalog. ,http://3d.ijs.si/ - Počitnice: V ozadju se odpre spletna stran Odpočij.si, [11] Povezava na asistenta ZDUS [26. 9. 2018], dostopno na kjer lahko najdete počitniški kraj. http://www.projekt-asistent.si/zdus - Predpisi in zakoni: Dostopni splošni zakoni na spletni strani v ozadju. 3. ZAKLJUČEK V prispevku je bil predstavljen pregled večine asistentov, ki so bili razviti na Odseku za inteligentne sisteme Instituta “Jožef Stefan”. Skupno jih je med 200 in 300. Kot prvi in 19 Varnostna ura IJS Mateja Drnovšek Tine Kolenik Matjaž Gams Odsek za inteligentne sisteme Odsek za inteligentne sisteme Odsek za inteligentne sisteme Institut »Jožef Stefan« Institut »Jožef Stefan« Institut »Jožef Stefan« Jamova cesta 39 Jamova cesta 39 Jamova cesta 39 1000 Ljubljana 1000 Ljubljana 1000 Ljubljana mateja.drnovsek@ijs.si tine.kolenik@ijs.si matjaz.gams@ijs.si POVZETEK 2. Opomniki: Opomnike lahko nastavite na spletnem Starejša populacija se vse pogosteje spoprijema s težavami portalu ali jih pošljete preko SMS-a. Lahko so kakovostnega, varnega in samostojnega življenja. Situacija enkratni ali periodični. odpira vrata za inovativne rešitve z uporabo umetne inteligence. 3. Socialni klici (prijatelji): Če od domačega zaslona s Na Institutu »Jožef Stefan« na Odseku za inteligentne sisteme prstom po zaslonu potegnete 2-krat v desno stran, že vrsto let razvijamo sisteme za pomoč starejšim. Med njimi je prispete do kontaktov. Pokličete lahko do 4 shranjene tudi pametna ura, ki omogoča podaljšanje samostojnega številke. življenja, hkrati pa poveča varnost in udobje. Zaradi slednjega je primerna tudi za druge ciljne skupine, kot so odročni delavci, 4. Zunanji klici: Kdorkoli lahko pokliče na uro in začne reševalc pogovor – kot z mobilnim telefonom. i, raziskovalci, avanturisti ipd. V prispevku je splošno predstavljena najnovejša različica ure, ki je zmožna nenehnega 5. Spremljanje aktivnosti: Pametna ura spremlja spremljanja uporabnika. Med najpomembnejšimi funkcijami aktivnost uporabnika. Če se nenavadno malo ali sta zaznavavanje padcev in mirovanja, obenem pa ura vsebuje preveč giblje, kot se običajno, ura to sporoči več kot 15 funkcij, ki so predstavljene v prispevku. skrbniku. Lahko se nastavi, da se sprememba dnevne aktivnosti sporoči na določeno številko. Ključne besede 6. Geo-lociranje: Lociranje uporabnika v primeru EMZ, pametna ura, skrb za starejše, aktivno staranje, nevarnosti. zaznavanje padcev, zaznavanje mirovanja, srčni utrip. 7. Peskovnik: Če uporabnik zaide preko določenega območja, ura o tem obvesti skrbnika. 1. UVOD 8. Števec korakov: Dnevno štetje korakov. Ura nas Razvoj medicine in izboljšanje življenjskih pogojev sta opomni, če se moramo več gibati ali pa če smo že pripomogla k podaljšani življenjski dobi, a tudi hitrejši tempo naredili dovolj korakov v dnevu. življenja ter povečan obseg dela in zmanjšanje rodnosti, zaradi česar se je prebivalstvo začelo starati [1]. Daljše življenje je 9. Merjenje srčnega utripa: Ura meri srčni utrip eno velik civilizacijski dosežek, eden od ključnih izzivov minuto in nato izpiše povprečni utrip. pa je, kako ohraniti samostojnost in varnost starejših ter kako narediti 10. Avtomatski klic na pomoč v primeru padca: starost dostojno in prijetno tako za starejše kot njihove Pametna ura pokliče skrbnika, če se zgodi padec. sorodnike [2]. S tem namenom je bila razvita pametna ura za starejše 11. Avtomatski klic na pomoč v primeru mirovanja: . Razvoj pametne ure temelji na večletnem Pametna ura pokliče skrbnika, če uporabnik obmiruje raziskovalnem delu prepoznavanja aktivnosti in padcev ter dolgotrajnega in natančnega testiranja različnih prototipov pri 1-5 min (odvisno od načina delovanja). številnih ciljnih uporabnikih [3,4,5]. Končni rezultat je pametna 12. Klic na pomoč s pomočjo gumba: Ročni klic na ura, ki uporabniku ne poveča le varnosti, ampak tudi izboljša pomoč, ki ga lahko izvede uporabnik sam, če življenje s številnimi uporabniškimi funkcijami. potrebuje pomoč. 13. Prekinitev klicanja na pomoč. Če se sproži klic na Sistem povezuje starejše in njihove skrbnike ter jim pomaga pri pomoč, ga lahko uporabnik prekine. komunikaciji in hitri pomoči pri nezgodah. Primeren je za starejše, ki želijo dlje 14. Nastavljanje ure s komandnim modulom. Preko časa bivati v domačem okolju, za živeče v domovih za starejše in za uporabnike, ki delajo na tveganih komandnega modula je možno nastavljati uro. območjih. V prispevku predstavimo osrednjo komponento 15. Nastavljanje ure. Uro je možno nastaviti na več našega sistema, pametno uro, ki je namenjena izboljšanju načinov delovanja, parametrov itd. Nastavitve je varnosti uporabnika. možno doseči na skrit način, da ne bi npr. dementni uporabniki narobe nastavljali ure. 2. PAMETNA URA 16. Tovarniške funkcije pametne ure. Ura predstavlja 2.1 Osnovne funkcije nekoliko okrnjen mobilni telefon in ima vse osnovne Varnostna pametna ura IJS ima skupaj s komandnim modulom funkcije tovrstnih naprav. Možen je dostop do naslednje osnovne funkcije: tovarniških funkcij, vendar na skrit način. 1. Čas in datum: Na domačem zaslonu vidite čas, Nekaj teh funkcij je podrobneje opisanih v nadaljevanju. datum, signal, baterijo, števec korakov ter način delovanja. 2.2 Varnost Glavna funkcionalnost in razlog, zakaj si uporabniki sploh želijo takšen sistem, je varnost. En poglavitnih strahov, zakaj se 20 starejši odločijo za zapustitev domačega okolja ter prehod v poročanje o morebitnih alarmih in stanju ure ter enostaven varovano okolje (dom za ostarele, varovana stanovanja), je vpogled svojcem ter skrbnikom. ravno strah pred poškodbo in nezmožnostjo klica na pomoč. Žal Zaradi boljše pokritosti in zanesljivejšega delovanja je primarni se dandanes, kljub vsej sodobni tehnologiji, pogosto dogaja, da sistem, ki se uporablja za komunikacijo s strežnikom, SMS, se starejša oseba poškoduje (pade) v domačem okolju, ni pa naknadno pa smo omogočili tudi uporabo podatkovnega zmožna vstati in poklicati na pomoč. Zaradi dolgotrajnega (tudi prometa z uporabo REST-protokola. večdnevnega) ležanja na tleh s poškodbo se zdravstveno stanje izredno poslabša, okrevanje se podaljša, v najhujših primerih pa Zaradi varovanja osebnih podatkov se na strežniku shranjuje le lahko to privede do smrti. uporabniško ime (ki je poljubno), geslo ter telefonska številka ure, ki je hkrati tudi identifikacija naprave. Uporabnik lahko Sistem je zasnovan tako, da prepoznava določene tipe sam izbira, ali želi določeni osebi (uporabniku, skrbniku) nevarnosti in samodejno pokliče na pomoč v primeru, da dodeliti vpogled do podatkov. Da pa bi bilo delovanje sistema prepozna nevarnost. razširljivo, smo omogočili določene API-klice, ki omogočajo 2.2.1 Zaznavanje padcev povezljivost z drugimi sistemi. To je predvsem primerno za klicne centre, ki želijo ohraniti svoj obstoječ sistem za Zaznavanje padcev temelji na prepoznavanju značilnih pospeškov prejemanje klicev in hranjenje podatkov ter ga na enostaven , ki nastanejo med padanjem in po padanju. Glavni način nadgraditi z dodatnimi funkcionalnostmi, ki jih omogoča senzor, ki ga za to uporabljamo, je pospeškomer. Z uporabo pametna ura. dodatnih senzorjev, kot so barometer, giroskop in PPG, pa lahko natančnost algoritma še izboljšamo. Žal imajo osnovne (cenejše) ure le pospeškomer, višji cenovni razred pa omogoča 3. NAVODILA dodatne senzorje ter s tem višjo natančnost in manj lažnih Sistem umetne inteligence skuša izvajati nekatere funkcije, ki bi alarmov. jih skrbnik-človek s pridom uporabljal. Ura poveča varnost starejših, odraslih in otrok ter podaljša samostojnost življenja Glavna ideja algoritma je prepoznavanje treh obdobij padca; starejših. Možni so trije načini uporabe: gibanje pred padcem, visok pospešek, ki nakazuje padec in mirovanje po padcu (glej sliko 1). Na ta način lahko a) aktivni način, ko se sproži alarm ob vsakem daljšem prepoznamo vse hujše padce, po katerih je oseba tako mirovanju (npr. na izletu, ob zahtevnih hišnih poškodovana, da se ne more več premikati (niti poklicati na opravilih, za varnostnike, vlakovodje, delavce; pomoč). V primeru, da se oseba še lahko premika, trajanje baterije 8 ur), predpostavimo, da lahko pokliče na pomoč z uporabo gumba. b) normalni način, ko se sproži alarm ob velikem Na ta način drastično zmanjšamo število lažnih alarmov, pospešku in nato mirovanju, tj. padcu (npr. izlet; obenem pa zagotavljamo visok nivo varnosti. trajanje baterije 24 ur), in c) varčni način, ko ura ne zaznava padcev in mirovanja, ampak samo SOS-gumb (trajanje baterije 3 dni). Video na YouTube: Varnostna ura IJS (https://youtu.be/bokP2_x-Q3s) Več informacij na spletni strani: http://ura.ijs.si 3.1 Vklop/izklop 1. Za vklop pritisnemo in držimo srednji gumb (slika 2), dokler se na zaslonu ne izpiše »Lemfo 5«, to je znak, da se ura prižiga (ugaša). Po nekaj sekundah bo Slika 1. Prepoznavanje padcev iz pospeškov. Ob padcu nastanejo izstopajoči pospeški, po njem pa se stanje umiri. pametna ura v stanju pripravljenosti in na zaslonu se bo prikazal domači zaslon z uro in dnevom. 2. Za izklop zopet pritisnemo in držimo srednji gumb, 2.2.2 Prepoznavanje mirovanja dokler se na zaslonu ne pokaže slika 2. Pogosto se zgodi, da osebi postane slabo, omedli ipd., a ker ne  Če želimo uro ugasniti, pritisnemo modri gumb na stoji, pri tem ne pride do padca, zato sistem za prepoznavanje zaslonu (glej sliko 2). padcev ne sproži alarma. Z namenom, da bi prepoznali takšne  Če želimo uro ponovno zagnati, pritisnemo zeleni težave, smo razvili metodo za prepoznavanje nenavadnega gumb na zaslonu (glej sliko 2). mirovanja. Metoda ves čas spremlja premikanje osebe  Na sredini zgoraj je tudi SOS-gumb za ročni alarm. (zapestja). Ker merimo mikro-gibe, ki so prisotni skorajda vedno, ko je oseba budna (npr. tudi ko tipkamo po tipkovnici), enostavno določimo mejo, ki predstavlja, da je oseba omedlela. Z namenom zmanjševanja lažnih alarmov sistem v takšnem primeru najprej opozori uporabnika z 10-sekundnim vibriranjem. Če je uporabnik priseben, premakne zapestje, kar pomeni, da je vse v redu. V primeru, da se to ne zgodi, sistem sproži alarm. 2.3 Povezljivost Majhen zaslon na uri onemogoča enostavno upravljanje kompleksnih nastavitev, to je še posebej poudarjeno pri starejših uporabnikih, ki imajo pogosto težave z vidom. Zato smo se odločili, da uro povežemo s spletnim portalom (komandnim modulom), ki omogoča upravljanje ure na daljavo, 21 Slika 4. Polnjenje pametne ure. 3.4 Prehod med načini delovanja Način delovanja nastavimo tako, da na domačem zaslonu s prstom potegnemo od desne proti levi. Pojavi se okno »Moduli« in tri možne izbire (kot je opisano na začetku): a) aktivni način, tu je možnost izbire dveh:  zaznavanje padcev  zaznavanje mirovanja b) normalni način c) varčni način Izbrati je mogoče eno možnost izmed a), b) in c) s pritiskom znotraj ustreznega kroga. 3.5 Klic prijateljev Do kontaktov lahko dostopamo tako, da na domačem zaslonu s Slika 2. Pametna ura s prikazanim SOS-gumbom. prstom dvakrat potegnemo z leve proti desni. Pojavi se okno »Kontakti« z vnaprej shranjenimi številkami. Prijatelje 3.2 Kako pogledamo čas in datum? pokličemo tako, da držimo prst na željenem kontaktu.  Po prižigu ure se pokaže domači zaslon. Na sredini Opomba: Za klice mora biti vstavljena SIM kartica. zaslona se samodejno izpišejo čas, datum, signal, baterija, dan, števec korakov in način delovanja (glej 3.6 Samodejni klic na pomoč v primeru sliko 3). padca  Ura varčuje z energijo, zato se zaslon po nekaj V primeru, da padete in obmirujete 20 sekund ali eno minuto sekundah zatemni. Če je zaslon temen, ga oživimo s (se nastavi v »Napredne nastavitve«), bo pametna ura pritiskom na srednji gumb. samodejno poklicala na pomoč in bo klicala toliko časa, dokler koga ne prikliče. Navodila za preklic klica so spodaj. Pomembno: Uro nosite na roki, v roki, v žepu oz. nekje na sebi, da lahko zazna padec. 3.7 Ročni klic na pomoč Če želimo sami poklicati na pomoč, pritisnemo najprej srednji gumb, da je ura v stanju pripravljenosti, nato pa tri sekunde držimo spodnji gumb. Ura bo poklicala na pomoč, na zaslonu pa se bo pojavila slika 5: »Kličem na pomoč. Pritisni in drži za preklic.« Če želimo, lahko klic na pomoč prekinemo – glej navodila spodaj. 3.8 Preklic klica na pomoč Slika 3. Domači zaslon pametne ure. Ko ura kliče na pomoč, se na zaslonu pojavi slika 5: »Kličem na pomoč. Pritisni in drži za preklic.« Klic prekličemo tako, da 3.3 Polnjenje baterije pritisnemo na zaslon in držimo. Barva zaslona se bo spremenila Uro polnimo preko magnetnega polnilnika. Kabel za z rdeče na zeleno (slika 5) in klic se bo prekinil. polnjenje ima na eni strani magnet ovalne oblike, ki ga prislonimo na rumene kontakte na zadnji strani ure (glej sliko 4). Na drugi strani kabla je USB-priključek, ki ga vstavimo v adapter, le-tega pa v vtičnico. Ob začetku polnjenja pametne ure zaslišimo zvočni signal, govor in vibriranje, na zaslonu pa se pojavi znak za polnjenje. Slika 5. Prikazan je postopek za sprožitev in preklic klica na pomoč. 3.9 Srčni utrip Okno za merjenje srčnega utripa se nahaja levo od okna »Domači zaslon«. Ko je na zaslonu izpisan »Domači zaslon«, s prstom po zaslonu potegnemo z leve proti desni, tako da se na 22 zaslonu prikaže slika 6. Za začetek merjenja srčnega utripa 5. ZAHVALA pritisnemo in držimo na zaslon. Ura približno 25 sekund meri Raziskave in razvoj so nastale v okviru programa EkoSMART srčni utrip in ga nato prikaže na sredini zaslona. in so delno sofinancirane s strani Ministrstva za izobraževanje, Za izhod na »Domači zaslon« s prstom potegnemo po zaslonu znanost in šport ter Evropske unije iz Evropskega sklada za od desne proti levi. regionalni razvoj (ESRR). Zahvaljujemo se vsem, ki so sodelovali pri razvoju pametne ure: Jani Bizjak, Anton Gradišek, Hristijan Gjoreski, Luka Stepančič, Nejc Mlakar, Nejc Kovač, Tadej Magajna, Kristian Remsak, Samo Remec ter ostali sodelavci odseka E9. 6. REFERENCE [1] Lutz, W., Sanderson, W., in Scherbov, S. 2008. The coming acceleration of global population ageing. Nature. 451, 7179 (2008), 716–719. DOI= https://doi.org/10.1038/nature06516. Slika 6. Zaslon pred začetkom merjenja srčnega utripa. [2] WHO, 'Active ageing: a policy framework', 2002. [Splet]. Dostopno na: 4. ZAKLJUČEK http://www.who.int/ageing/publications/active_ageing/en/. V prispevku je opisana najnovejša različica Varnostne ure IJS. [Dostop: 21– Sept– 2018] Ura vsebuje več kot 15 funkcij, med katerimi sta najbolj [3] 'Varnostna ura ijs – Safety watch JSI', 2018. [Splet]. pomembni funkciji za avtomatsko zaznavanje padcev in Dostopno na: http://ura.ijs.si. [Dostop: 21– Sept– 2018] mirovanja. Pametna ura je bila razvita na podlagi večletnih izkušenj in številnih preizkusov prototipov na različnih [4] Bizjak, J., Gradišek, A., Stepančič, L., Gjoreski, H., and stopnjah razvoja z dejanskimi uporabniki, kar je tudi pripeljalo Gams, M. 2017. Intelligent assistant carer for active aging. do trenutnega izdelka, ki je že preizkušen in primeren za končne EURASIP Journal on Advances in Signal Processing. uporabnike. S pomočjo spletnega API-ja je tudi omogočena 2017, 1 (2017), 76. enostavna integracija v že obstoječe sisteme za e-oskrbo ter [5] Bochanovski, M., Gjoreski, H., Bizjak, J., and Gams, M. pomoč na daljavo, s čimer upamo na hiter in učinkovit prodor 2016. Smartwatch fall detection. V Proceedings 19th na trg, najprej v Sloveniji, nato pa v Evropi. international multiconference IS 2016, M. Bajec, Ur. Jožef Stefan Institute, 17–20. 23 New HRV biofeedback technique and monitoring its effects in a psychotherapeutic group of coronary patients with SAVVY mini ECG devices installed Dušan Enova Roman Trobec Katja Mesarič UMC Ljubljana, Division of Internal Institut »Jožef Stefan« UMC Ljubljana, Division of Internal Medicine Jamova 39 Medicine Zaloška cesta 7, 1525 Ljubljana 1000 Ljubljana, Slovenija Zaloška cesta 7, 1525 Ljubljana +386 1 522 81 52 roman.trobec@ijs.si katja.mesaric@kclj.si dusan.enova@kclj.si Katarina Slevec Borut Ambrožič Tej Enova UMC Ljubljana, Division of Internal UMC Ljubljana, Division of Internal Gimnazija Bežigrad Medicine Medicine Peričeva ulica 4, 1001 Ljubljana Zaloška cesta 7, 1525 Ljubljana Zaloška cesta 7, 1525 Ljubljana tej.enova@gimb.org katarina.slevec@gmail.com ambrozicborut@gmail.com ABSTRACT 2. NEW USE OF THE SAVVY DEVICE We believe that we should have a possibility to use the SAVVY In the past years, two techniques for raising heart rate medical device (mini ECG device, developed at the Jožef Stefan variability (HRV) were presented; 1) resonant breathing with a Institute) for the purpose of psychophysiological coronary frequency of 0.1 Hz and 2) rhythmic isometric contraction of rehabilitation. With these devices applicated on each patient, we skeletal muscles with a frequency of 0.1 Hz. Research has could simultaneously measure heart rate variability (HRV) on shown greater efficiency for resonant breathing techniques. the whole group of cardiac patients during psychophysical In our study, we want to test Combined respiratory and relaxation exercises and during exercises aimed at increasing muscular HRV technique, or CBM-HRV, in which muscular the HRV. The next step, however, would be the possibility of and respiratory techniques are combined. For this technique, lending these devices to patients for home use during a period preliminary experiments have shown greater efficiency, as of three months of coronary rehabilitation. In this way, it would compared to other techniques, since it has greatest contribution be easier to monitor the progress and cooperation of patients in to the increase in HRV. Because the technique is not physical means of regular practicing of these exercises at home. We demanding, it could be practiced by patients in the first days believe that this would also increase the motivation of patients after myocardial infarction (MI) in the lying position. In to carry out exercises at home. The results of home HRV addition, a possibility to use the SAVVY medical device (mini measurements could be sent by patients to Psychophysiological ECG device, developed at the Jožef Stefan Institute) for the rehabilitation clinic via e-mail or in some other, even more purpose of psychophysiological coronary rehabilitation is elegant way- for instance telemetry. stressed. 3.1. NEW HRV BIOFEEDBACK Keywords TECHNIQE Heart rate variability, Biofeedback, Resonant breathing, One of the authors of the HRV biofeedback training, professor Rhythmic isometric contraction of skeletal muscles, Combined Vaschillo E.G., presented two techniques for increasing the respiratory and muscular HRV technique, SAVVY medical heart rate variability: resonant breathing with a frequency of 0.1 device Hz and a rhythmic isometric contraction of skeletal muscles with a frequency of 0.1 Hz [4]. In his research, he found that 1. INTRODUCTION the technique of resonance abdominal breathing with a There is a worldwide occurring trend of increasing the number frequency of 0.1 Hz was more effective than the aforementioned of scientific studies on biofeedback training aimed to increase muscles contraction technique. By reviewing professor heart rate variability (HRV-BFB) in patients following a heart Vaschillo's article [4], authors Dušan Enova and Tej Enova attack, as well as in other coronary patients, and in patients with found that participants in the study of isometric muscular some other somatic and psychiatric illnesses [1,2,3]. In the contractions technique did not have a fixed, specific, breathing Internal Clinic, UKCL (Ljubljana UMC), at the Department of rhythm during the exercise, but they breathed spontaneously, Cardiac Rehabilitation, we are also preparing a study in each with their own rhythm. From the results of one of the cooperation with colleagues from the USA, in which we will participants in the study, it is evident that the latter was investigate the impact of psychophysiological coronary breathing with an average rhythm of 0.3 Hz or approx. 18 rehabilitation (standard physiotherapeutic rehabilitation + stress breaths per minute. Dušan and Tej Enova have, by trials on management + HRV-BFB) on the reduction of psychogenic and themselves, came up with biofeedback technique: simultaneous oxidative stress in patients following a heart attack (MI). isometric tensioning of the muscles of the crossed lower limbs 24 in a sitting position, namely for 4 seconds during the inhalation phase; and relaxation of all muscles for 6 seconds in the exhalation phase (the entire respiratory cycle is 10 seconds, 6 breaths per minute, frequency 0.1 Hz). Thus, the respiratory and muscular techniques are combined, both in the rhythm of 0.1 Hz (Combined respiratory and muscular HRV technique or CBM-HRV). It turned out that this new HRV technique is significantly more effective than resonant breathing technique. We are now planning a study to confirm these preliminary results on a sample of young and healthy people. In case of confirmation of this hypothesis, we will use this new HRV technique in the aforementioned planned study at the UKCL Internal Clinic. The technique is not physically demanding and could already be practiced (in the lying position) in the first days after the MI by hospitalized patients. 3.2. PRELIMINARY RESULTS OF THE NEW HRV BIOFEEDBACK TECHNIQUE Figures 1 to 4 show the results of HRV measurements parameters of the four techniques performed by the author himself in a state after experiencing stress (Saturday, 22.9.2018, in the morning). Measurements were done with the Nexus 10, MindMedia medical device. Results of the combined CBM1 technique (tensioning the leg muscles during the inhalation phase with a rhythm of 0.1 Hz) are presented in the final Figure 4. It is evident that, when practicing this technique, SDNN as a Figure 1. Breathing with a frequency of 0.2 Hz (average classical measure of heart rate variability, is significantly higher breathing 12 breaths per minute). SDNN 9.94; Stress Index than when practicing other techniques. This technique was 1091.11 performed after a breathing phase of 12 breaths per minute (0.2 Hz). The other two techniques were carried out later. Duration of each of four measurements presented in Figures 1. to 4. was 3 minutes, but only those intervals without artifacts were counted for calculation. Figure 2. Breathing with a frequency of 0.1 Hz (resonant therapeutic breathing 6 breaths per minute). SDNN 17.55; Stress Index 492.95 25 3.3.PROPOSED PHYSIOLOGICAL EXPLANATION OF THE COMBINED HRV- BFB TECHNIQUE FUNCTIONING According to the explanation in professor Vaschillo's article, it is evident that the physiological effect of isometric contractions of skeletal muscles slightly increases the overall body blood pressure. With a delay of about 5 seconds, the heart rate is adjusted after this change of blood pressure [5]. Therefore, it is clear that, by the principle of respiratory sinus arrhythmia (RSA), the heart rate rises slightly during the inhalation phase and slightly decreases during the exhalation phase, and that the amplitude of this variability is maximally increased during breathing with a frequency of 0.1 Hz - there occurs some sort of cardiac-vascular-vegetative nervous system resonance. By tensioning skeletal muscles, blood pressure is slightly increased, after 5 seconds the heart rate is slightly reduced. Within the resonance breathing with 0.1 Hz frequency, the ratio of 4sec / 6 sec was selected between inhalation and exhalation phase. With muscles tensioning for 4 seconds from the start to the end of the inhalation phase (CBM1), and after a time interval of 5 seconds (counted from the start of the inhalation), an additional slight increase in blood pressure in the exhalation phase (lasting 6 seconds) occurs. Consequently, the heart rate frequency in the exhalation phase is further reduced, which leads to a higher amplitude in the curve of heart rate variability. In the opposite case, when using CBM2 combined technique, muscles tensioning is present only in the exhalation phase. As a Figure 3. Combined CBM2 technique (tensioning skeletal consequence, there occurs some inhibition of heart frequency muscles during the exhalation phase with a 0.1 Hz rhythm). variability - thus a lower efficiency of this combined technique SDNN 18.93; Stress Index 616.99 in comparison with CBM1. Therefore, we suggest that only CBM1 technique is really more effective. 4.CONCLUSION In the paper, we presented the possibility of using a new HRV biofeedback technique to increase the heart rate variability, and at the same time suggested that the effects of this technique could be measured with Savvy medical device (mini ECG device, developed at the Jožef Stefan Institute) for the purpose of psychophysiological coronary rehabilitation. It turned out that this new HRV technique is significantly more effective than resonant breathing technique. We are now planning a study to confirm these preliminary results on a sample of young and healthy people. 5.REFERENCES [1] Yu, L., Lin, I., Fan, S., Chien, C. and Lin, T. 2018. One- Year Cardiovascular Prognosis of the Randomized, Controlled, Short-Term Heart Rate Variability Biofeedback Among Patients with Coronary Artery Disease. International Journal of Behavioral Medicine 25, 3 (Jun. 2018), 271-282. DOI= https://doi.org/10.1007/s12529-017-9707-7 [2] Lehrer, P. M., Vaschillo, E. G. and Vaschillo, B. 2000. Resonant frequency biofeedback training to increase cardiac variability: Rationale and manual for training. Applied Psychophysiology & Biofeedback, 25, 3 (Sep. 2000), 177-191. Figure 4. Combined CBM1 technique (tensioning skeletal [3] Vaschillo, E. G., Lehrer, P. M., Rishe, N. and Konstantinov, muscles during the inhalation phase with a rhythm of 0.1 M. 2002. Heart rate variability biofeedback as a method for Hz). SDNN 35.71; Stress Index 159.62 assessing baroreflex function: a preliminary study of resonance in the cardiovascular system. Applied Psychophysiology & Biofeedback, 27, 1 (Mar. 2002), 1-27. [4] Vaschillo, E. G., Vaschillo, B, Padina, R. J. and Bates, M. E. 2011. Resonances in the Cardiovascular System Caused by 26 Rhythmical Muscle Tension. Psychophysiology, 48, 7 (Jul. Significance of Resonance in the Heart Rate and Vascular Tone 2011) 927-936. DOI = 10.1111/j.1469-8986.2010.01156.x Baroreflexes, In Biostec, A. Fres, J. Filipe and H. Gamboa, Eds. Springer-Verlag, Berlin Heidelberg, 224-237. [5] Vaschillo, E. G., Vaschillo, B., Buckman, J. F., Padina, R. J. and Bates M. E. 2010. The Investigation and Clinical 27 The Summoner – "Izbir čnež" Aljaž Glavač Jernej Zupančič Matjaž Gams Fakulteta za računalništvo in “Jožef Stefan” Institute and “Jožef Stefan” Institute informatiko Jožef Stefan International Jamova cesta 39 Večna pot 113 Postgraduate School Ljubljana, Slovenia Ljubljana, Slovenia Jamova cesta 39 matjaz.gams@ijs.si aljaz.glavac97@gmail.com Ljubljana, Slovenia jernej.zupancic@ijs.com ABSTRACT The paper continues with Sections 2 and 3, where the proto- More and more human to human interactions are these days types and “summon” heuristics are described, in Section 4 we converted into the human to computer interaction. So called describe the agent selection, in Section 5 the user experience agents are replacing human role in serving the users with is addressed and Section 6 concludes the paper. basic information and executing basic tasks. These inter- actions are getting better over time, approaching the point 2. FIRST PROTOTYPE where humans cannot make the difference, whether there The first approach in creating a prototype was to ask all is a real human or a computer agent (virtual assistant) on available 200+ agents a given question and then calculate the other end of the dialog. Similar to a society of humans, a weight, based on which the Summoner would choose the there are also societies of virtual assistants. In this paper most suitable answer. The most suitable answer gives the we describe a meta-agent, i.e. a meta virtual assistant, that user the most information about the question, or at least given a question asks a society of virtual assistants and sum- guides the user in the right direction, where the answer can mons the best reply from them all. The “Summoner”, as we be found. The process is presented in Figure 1. call our system, is therefore an online service that finds the best answer to the users’ question from a predefined list of systems according to the chosen heuristics. Keywords best answer, assistant, text distance, intersect, information retrieval 1. INTRODUCTION Virtual assistants [2] represent a fast developing field with several companies developing at least one of them, e.g. Mi- crosoft, Apple, Google, etc. In Slovenia, Department of in- telligent systems of Jožef Stefan Institute developed several hundred virtual assistants [1]. For 220 Slovenian munici- palities we managed to design 200 virtual assistants, where the knowledge base was extracted from the municipalities’ web pages. 20 municipalities did not have any web page to start with. We call virtual assistants agents and vice versa continuously. Each agent can answer questions for their mu- Figure 1: Basic concept flow chart of the Summoner nicipality. If a user wants to know something about Ljubl- jana, the user needs to find the agent of Ljubljana and ask The user input is processed by removing symbols and stop- this agent a specific question. However, the users who don’t words and running it through lemmatization and stemming know which agent to ask have the problem of finding the services. Out of this step three sets of words are created: right agent. We wanted to resolve this gap so that the users raw (original), lemmas and stems. could get the most out of the already working 200 agents. The original question is then sent to each agent according This project had another goal – to combine all of the already to the municipality agent application programming interface working agents into one general agent. Previous experience (API) specification. Each agent, when asked, responds with demonstrated that often some agents find a good reply, but a Javascript object notation (JSON) object with included it is hard to predict which one will provide the best one the answer ID, the answer text and the corresponding link. for a particular question. Therefore, dynamic selection from The link is present if the agent does not find the answer or if several reply suggestions of different agents is needed. To the agent wants to display more information about the an- achieve this, several heuristics had to be applied, tested and swer. Each answer is then processed in the same way as the improved in order to get the desired performance. question – removing symbols and stop-words and perform- 28 ing lemmatization and stemming. Each answer is stored in a hash map, where the key is the unformatted answer and value is the score or the weight of the answer. Only the user input and agent answers are used for calculat- ing answer weight. We use the simple method of word inter- section between formatted user input and formatted answer, which are a set of lemmes and stems. The weight is simply the size of the intersect. The answer with the most words that also co-occur in the user input is ranked the highest. Figure 2: JSON response format 3. SECOND PROTOTYPE After the testing of the first prototype, it turned out that to the agent title. Doing so reduces the number of suitable retrieving answers from all 220 agents took most of the re- agent significantly for almost every question. The similar- sponse time. First improvement was to use threads for send- ity is again computed using the text distance calculations, ing and retrieving questions from all 220 agents. This feature which might help to improve agent selection. After some reduced the answer fetch time in average to about a quarter simple testing we discovered that we had to compare stems of the original time (Table 1). and lemmas of both, user input question and agent title too. We also added full match intersect, i.e. set of words inter- sect without the transformations of stemming and lemmati- Table 1: Use of threads and without threads, when zation. Additionally, we added a function over this weight requesting all agents with the same question that takes into account the agent title length. Each agent No threads Threads score is defined as the sum of sizes of intersect (raw, stems Time(s) 201 54 and lemmas) each divided by the number of words in the agent title. The final answer score is calculated as the sum In order to measure the performance of the Summoner, a of the weights obtained in computing the agent title similar- benchmarking system was set-up, which includes 100 (ques- ity to the question and agent answer similarity to the user tion, correct answer) pairs. The benchmarking system in- question, where the second weight is computed as described serts all 100 questions into the Summoner and compares the in the first prototype (Figure 3). See Table 3 for benchmark obtained answers to the correct ones that were defined man- results. ually. Using the prototype described in Section 2, i.e. cal- culating the size of word intersect, we get 93 of 100 answers right. Table 3: Benchmark score after implementing text distances into agent selection In order to improve this score, we included several more Text Jaro Stems and Stems, lem- complex text distance1 calculations that compare the user distance lemmas mas and full input and the answer. The computed text distance is then match used as the weight assigned to each answer. The perfor- Score 94 98 97 mance of different text distances was then assessed using the benchmarking system (Table 2). According to the benchmarking results the best score is ob- tained when only the agents, whose title similarity to the Table 2: Different text distances used for weight user question is computed as the interesect of lemmatized calculation and their performance in the benchmark and stemmed words, are asked a question. After the agent Text Jaccard Sorensen Bag Overlap Overlap, selection process we get a list of agents that are most suitable distance qval is for questioning. We identify three typical situations: None Score 91 92 92 93 92 1. Only one agent is found. We ask this agent and return According to the results none of the added text distance the answer. metrics improved our score. The best solution for matching user input with answer remained the simplest one – set of 2. More than one and less than ten agents are found. In the processed words intersection. The response is provided this situation only the found agents are queried for in the JSON format (Figure 2). the answer. The best answer is chosen according to the heuristic described in Section 2. 4. AGENT SELECTION Many of the user questions already have some information 3. If more than ten agents are found all the agents are about which municipality a question is referring to. So the queried for answer. In order to obtain all the answers next improvement idea was to remove the agents that we a special care has to be taken so that the requests to know will not provide a suitable answer. The question is for- the API are not timed out. warded to an agent only if the user input has any similarity 1https://pypi.org/project/textdistance 4.1 Response time 29 Figure 4: Profiling sorted by cumulative time The agent endpoint returns an answer as well as a back- ground website link. This link adds additional information to the answer. If the question is about the mayor of the mu- nicipality then the answer contains information about this mayor and the background website gives the user further and more in depth information about the mayor and the municipality. When investigated, these website links fall in one of three categories. Each of them is treated differently: • First category. Website is fully working and display- ing correct information about the user question. No further processing is made and the link is stored into the response. Figure 3: Summoner flowchart after implementing the agent selection • Second category. When checking the website availabil- ity, status code 404 is returned. Several municipality website links stored in the virtual assistants’ databases A study2 shows that when computer program takes more are outdated and those pages don’t exist anymore. than 0.1 second but less than 1 second to respond, user When this happens, link gets parsed and only base notices the short delay but stays focused on their current of the link is stored into the response, presenting the train of thoughts. More than 10 seconds and the flow is user the main municipality web page. To test or filter broken. Users will often leave the site rather than wait. a website link, a request to the municipality website The goal is to provide the correct answer in less than 10 has to be done. seconds, however, the response time in cases when all the • Third category. The website link is a redirect to na- agents are queried is very long (Table 4). jdi.si3, a Slovenian search engine. This happens when the agent does not have the answer to the given ques- tion. By redirecting the user to the search engine, the Table 4: Time it takes to return answer in different agent hopes that the user will get the information he situations of agent selection is searching for. To overcome this problem, we simply Situation 1 agent se- 2 – 10 agents >10 agents ignore the answers that include search engine results. lected selected selected Time(s) 1.1 6.4 54 5. USER EXPERIENCE We ran the profiling of the source code to determine what Two main goals of every virtual assistant are to give the user function or part of the program takes the most time. Evi- correct answer to his question and to respond as quickly as dently, the time to get all the agents to respond takes the possible. In order to enable easy user interaction the visual most time (Figure 4) – it is the only function that runs in look of the user interface needs to give a user an intuitive way threads. of using the assistant: providing input and answer display fields and the feedback about the state of the system. 4.2 The “unknown answer” problem We provide a simple user interface (Figure 6). On the bot- tom of the page there is the user input field, above it are the 2https://www.nngroup.com/articles/powers-of-10- time-scales-in-ux/ 3https://najdi.si 30 Figure 7: Different system status banners: top – in progress, middle – success, bottom – error We have developed a meta-assistant that enables choosing the correct answer for a given question, when several an- swers are provided by the agent society. Development pro- cess and system heuristic for choosing the right agent and answer were described together with a short presentation of the web application that enables the user to interact with Figure 5: Unknown answer problem visualized the Summoner system. Virtual assistants don’t possess true human intelligence, but response messages from the system, followed by the system only try to imitate human interaction and respond to some status line and the web page with additional information sort of user request based on some heuristics. Disadvan- regarding the system or the website that corresponds to the tage of this type of virtual assistants is that they, unlike provided answer. real artificial intelligence4, cannot learn on their own. For example, with municipality elections new mayor might be elected. Consequently, a person would need to rewrite some entities of the assistants’ knowledge database, which would then enable the Summoner to obtain the correct answer. Looking forward, this type of virtual assistants is improving with user interaction, since the interactions are stored in the database, a system could be designed in the future that would learn to answer user questions on its own. However, in order to implement such a system, several hundred question- answer pairs have to be obtained first. Our Summoner has room for improvement, with the first step of improving the underlying agents by decreasing the response time and improving the knowledge base. Future work will also include improving the user experience in using the web application. Additionally, the goal is to provide search across the municipalities in Slovenian, English and German language, enabling wider user base. Further, other publicly available virtual assistants could be included into the agent society, enabling the Summoner to provide the answer to a wider range of questions. 7. ACKNOWLEDGMENTS The work was co-funded by Cooperation Programme Inter- Figure 6: Summoner web site user interface reg V-A Slovenia-Austria 2014-2020, project AS-IT-IC. As mentioned before, if requests are made to all agents, the 8. REFERENCES long time to retrieve the answer can make the user leave the [1] D. Kužnar, A. Tavčar, J. Zupančič, and M. Duguleana. site, leaving the impression that the system does not work. Virtual assistant platform. Informatica, 40(3):285, 2016. To give a proper feedback about the state of the system we [2] M. Ožek, M. Gams, and J. Krivec. Analiza delovanja added an animated status bar, that gives the user visual virtualnega svetovalca. In Proceedings of the 12th feedback when the Summoner is processing the input. The International Multiconference Information Society - IS animation is a banner above answer display field which uses 2009, volume A, pages 116–119, Ljubljana, Slovenia, different colors, depending on the state of the system. Blue 2009. Jožef Stefan Institute. animation is displayed when the Summoner is processing the answer and it makes the user feel like the website is thinking. When the answer from the service is retrieved, successful or not, the color changes according to the status. Green marks successful and red unsuccessful response (Figure 7). 4http://www.alanturing.net/turing_archive/pages/ 6. CONCLUSION Reference%20Articles/What%20is%20AI.html 31 Zaznavanje srčnega popuščanja z analizo srčnih tonov Anton Gradišek Martin Gjoreski Borut Budna Institut “Jožef Stefan” Institut “Jožef Stefan” Institut “Jožef Stefan” Ljubljana, Slovenija Ljubljana, Slovenija Ljubljana, Slovenija anton.gradisek@ijs.si Monika Simjanoska Matjaž Gams Gregor Poglajen Faculty of Computer Science and Institut “Jožef Stefan” Univerzitetni klinični center Ljubljana Engineering Ljubljana, Slovenija Ljubljana, Slovenija Ss. Cyril and Methodius University Skopje, Makedonija POVZETEK slabšanje simptomov in znakov srčnega popuščanja največkrat že Kronično srčno popuščanje je pogosta kronična bolezen predvsem pomeni, da gre za polno razvito epizodo poslabšanja SP. V pri starejših od 65 let. Ob poslabšanju zdravstvenega stanja je zadnjem času pa ugotavljamo, da se nekateri fiziološki parametri (npr. dodatni srčni toni, porast tlakov v pljučnem krvotoku) pogosto potrebna hospitalizacija, zato razvijamo novo pričnejo spreminjati že nekaj tednov preden pride do klinično telemedicinsko metodo, ki bo na podlagi analize zvoka srčnih tonov sposobna prepoznati poslabšanje stanja in tako preprečiti očitnega poslabšanja SP. Prve analize [2] že kažejo, da zgodnje prepogoste hospitalizacije. V prispevku se osredotočimo na prvi ugotavljanje spreminjanja teh parametrov pomeni precej učinkovitejšo obravnavo SP, saj je epizod polno razvitega korak te metode, na prepoznavanje zdravih posameznikov in pacientov s poslabšanjem srčnega popuščanja. Metoda je poslabšanja srčnega popuščanja manj, s tem pa je tudi manj sestavljena iz filtriranja in segmentacije posnetkov, izračuna potrebe po hospitalni obravnavi teh bolnikov. značilk, gradnje modelov strojnega učenja in združevanja V zadnjem času smo priče hitremu razvoju telemedicine, ki klasifikacijskih algoritmov. Na bazi posnetkov 158 zdravih omogoča spremljanje pacientov na daljavo in tako znatno posameznikov in 40 bolnikov smo dosegli 98,2 % natančnost. razbremeni tako pacienta kot tudi zdravstveni sistem. V pričujočem prispevku predstavimo začetke študije, v kateri Ključne besede uporabimo analizo zvoka srčnih tonov za prepoznavanje Srčno popuščanje, analiza zvoka, strojno učenje. poslabšanja srčnega popuščanja. Cilj je razviti metodo, s pomočjo katere bo uporabnik lahko sam spremljal svoje zdravstveno stanje. Uporabnik bo občasno z mikrofonom posnel bitje svojega srca, 1. UVOD algoritem pa bo ocenil, če se je stanje srčnega popuščanja Kronično srčno popuščanje (angleško: Chronic Heart Failure, poslabšalo do te mere, da je potreben posvet z zdravnikom. CHF) je kronična progresivna bolezen, pri katerem srce ni Dolgoročno bo ta pristop omogočil pravočasno prepoznavanje sposobno črpati dovolj krvi, da bi zadostila potrebam telesa [1]. V poslabšanja in posledično zmanjšal število hospitalizacij. Koncept razvitem svetu bolezen prizadene 1-2 % splošne populacije in je prikazan na Sliki 1. 6-10 % starejših nad 65 let. Glede na trenutno veljavna priporočila Evropskega združenja za kardiologijo srčno popuščanje (SP) diagnosticiramo s pomočjo kliničnega pregleda, z določitvijo nivoja biološkega označevalca SP v krvi (NT-pro BNP ali BNP) ter z ultrazvokom srca. Kljub velikem napredku na področju medikamentozne in nemedikamentozne obravnave kroničnega srčnega popuščanja je prognoza te bolezni še vedno slaba, saj se tudi v zadnjih letih 5-letno preživetje giblje okrog 50 %. Tipično se v kliničnem poteku CHF izmenjujejo obdobja dobrega počutja (tj. kompenzirane faze) in obdobja poslabšanja SP (tj. faze dekompenzacije), kjer bolniki opazijo izrazitejše poslabšanje telesne zmogljivosti, težje dihanje in otekanje v okončine in/ali trebuh. Pogosto je potrebno poslabšanje SP zdraviti hospitalno, saj ti bolniki potrebujejo intravenozna zdravila za učinkovito rekompenzacijo. Zgodnja prepoznava poslabšanja SP pa omogoča, da lahko z ustreznimi terapevtskimi ukrepi (največkrat z omejitvijo vnosa tekočine in povečanjem Slika 1. Shematski prikaz razvoja poslabšanja srčnega odmerka zdravil za odvajanje vode) bolniku hospitalizacijo popuščanja. V zgornjem primeru mora pacient zaradi prihranimo. Izkušen zdravnik lahko nastajajoče poslabšanje SP poslabšanja v bolnišnico, v spodnjem primeru poslabšanje prepozna glede na slabšanje bolnikovega počutja in glede na poslabšanje znakov SP, ki jih lahko ugotovi ob pregledu bolnika. zaznamo dovolj zgodaj, da lahko z ustrezno intervencijo preprečimo nadaljnjo Pri nekaterih bolnikih s poslabšanjem SP lahko pri osluškovanju poslabšanje. (fonokardiografija) srčnih tonov opazimo dodatne srčne tone (tipično tretji ton, ki se pojavi 0,1-0,2 s za drugim tonom). Žal 32 V tej študiji se osredotočimo na prvi korak te metode, tj. na algoritme strojnega učenja na teh 15 značilkah, iz tega dobimo prepoznavanje zdravih posameznikov in dekompenziranih končno odločitev ali gre za zdravega ali za bolnika. pacientov. Za snemanje srčnih tonov smo uporabili profesionalni digitalni stetoskop, za prepoznavanje pa metodo, ki temelji na strojnem učenju. V nadaljevanju opišemo metodo in trenutne rezultate. 2. MATERIALI IN METODE 2.1 Baza podatkov V študiji smo zbrali posnetke 158 zdravih posameznikov in 40 posnetkov bolnikov z razvito epizodo srčnega popuščanja (dekompenziranih). V vzorcu zdravih je bilo 104 moških in 54 žensk, povprečna starost 33,2 let. Z izrazom zdravi tu označujemo posameznike, ki niso imeli nobenih medicinskih stanj, ki bi imele za posledico neobičajne srčne tone. V vzorcu bolnih je bilo 22 moških in 18 žensk, povprečna starost 47,7 let. Bolnike smo posneli v bolnišnici med hospitalizacijo. Za snemanje smo uporabili profesionalni medicinski digitalni stetoskop 3M Littmann Electronic Stethoscope Model 3200. Posnetek, fonokardiogram, je bil vedno sneman na Erbovi točki, nad tretjim medrebrnim prostorom levo od grodnice. Posamezen posnetek je dolg do 30 s, pri nekaterih posameznikih smo posneli več kot en posnetek, da smo povečali količino podatkov v učni množici. Pred začetkom študije smo pridobili pozitivno mnenje Komisije za medicinsko etiko. 2.2 Metoda Metoda za prepoznavanje bolnikov in zdravih je sestavljena iz treh ključnih korakov, kot prikazuje Slika 2. Prvi korak obsega filtriranje in segmentacijo signala. Za filter je bil izbran nizkopasovni Butterworthov filter s pragom 1 kHz, ta prag je bil izbran na podlagi študije [3], kjer so ugotovili, da večina relevantnih srčnih tonov nastane pod tem frekvenčnim območjem. Signal smo razbili na segmente, dolge 1 s, pri tem so se zaporedni segmenti prekrivali po pol sekunde (segmentacija z drsečim oknom). Nato odstranimo segmente z energijo, manjšo od mediane posameznega posnetka – tako odstranimo segmente, kjer se bitje srca slabo sliši. V naslednjem koraku iz vsakega segmenta izračunamo vrsto značilk. Pri tem uporabimo odprto knjižnico značilk OpenSmile [4]. Knjižnica vsebuje značilke tako v časovni kot tudi v frekvenčni domeni, skupaj jih je 1582. Po izračunu značilk je tako vsak segment predstavljen z vektorjem 1582 vrednosti, ki jih uporabimo za gradnjo modelov strojnega učenja. Tretji korak je sestavljen iz treh faz. V prvi fazi zgradimo modele strojnega učenja na podlagi posameznih segmentov. Pri tem testiramo vrsto različnih algoritmov, kot so J48, Naivni Bayes, Random Forest, kNN, SVN in drugi. Tu nas vodi ideja, da se Slika 2. Posamezni koraki metode za prepoznavanje srčnega lahko posamezni algoritmi drugače odzivajo na določene strukture popuščanja. v podatkih. V drugi fazi združimo napovedi modelov na posameznih segmentih v napoved na celotnem posnetku. Tu 3. REZULTATI izhajamo iz dejstva, da vsi segmenti istega posnetka pripadajo Delovanje metode smo preizkusili po načelu »izpusti en istemu razredu (zdravi ali bolni). Združevanje poteka z uporabo minimuma, maksimuma in povprečja napovedi modelov na posnetek«. To izvedemo tako, da iz baze podatkov izločimo en posameznih segmentih. Če denimo uporabljamo pet različnih posnetek, uporabimo preostale posnetke kot učno množico, na modelov in vsak posnetek razdelimo na deset segmentov, bo vsak kateri naučimo metodo, potem pa jo uporabimo za določitev model za vsak segment določil verjetnost, da gre za bolnika. Iz teh izločenega posnetka. Postopek ponovimo za vsak posnetek v bazi. verjetnosti izračunamo povprečno vrednost, minimum in Pri evaluaciji natančnosti algoritma naletimo na manjši problem z maksimum, torej skupno 15 značilk. V tretji fazi poženemo interpretacijo. Ker smo uporabili izrazito neuravnotežen vzorec 33 (158 zdravih in 40 bolnikov, pri tem, da smo pri zdravih pogosto posneli vsaj dva posnetka, da smo povečali učno množico), je večinski razred skoraj 90 % - zanesljivost algoritma, ki je nad 5. ZAHVALA 90 %, je tako pravzaprav pričakovana. Tu zato navedemo rezultate, ki smo jih dobili na nekoliko manjšem set podatkov iz Raziskave in razvoj so bile izvajane v okviru programa prejšnjega koraka te študije [5]. Na množici 99 zdravih in 23 EkoSMART in so delno sofinancirane s strani Ministrstva za bolnikov, kjer smo imeli večinski razred 81 %, izobraževanje, znanost in šport ter Evropske unije iz Evropskega smo dosegli 96 % natančnost. Pri študiji se pokaže, da z uporabo da sklada za regionalni razvoj (ESRR). Zahvaljujemo se tudi vsem, pristopa s kombinacijo klasifikatorjev vsakič dobimo bistveno boljše ki so sodelovali pri zbiranju posnetkov. klasifikacijske rezultate kot če bi upoštevali samo večinski razred. Če se osredotočimo samo na bolnike, vidimo, da naša metoda 6. REFERENCE pravilno zazna 87 % primerov, pri zdravih pa je ta natančnosti 97 [1] J. J. V. McMurray et al., 2005, Heart failure, Lancet, 365, %. 1877-1889. [2] W. T. Abraham et al., 2016, Sustained efficacy of pulmonary 4. ZAKLJUČEK artery pressure to guide adjustment of chronic heart failure Predstavili smo metodo za prepoznavanje srčnega popuščanja na therapy: complete follow-up results from the CHAMPION podlagi zvoka srčnih tonov. Metoda uporablja kombinacijo randomised trial, Lancet, 387, 453-461. algoritmov strojnega učenja in lahko dobro razpoznava med [3] S. Choi and Z. Jiang, 2008, Comparison of envelope zdravimi posamezniki in bolniki z razvito epizodo srčnega extraction algorithms for cardiac sound signal segmentation, popuščanja. Začetni rezultati so obetavni, seveda pa je za resno Expert Systems with Applications, 34, 2, 1056–1069. oceno potrebno testiranje na večji množici posnetkov. Poleg tega se moramo zavedati, da smo v tej začetni študiji ločevali le med [4] F. Eyben, M. Wöllmer, and B. Schuller, 2010, Opensmile: the munichversatile and fast open-source audio feature ekstremnima primeroma – med popolnoma zdravimi posamezniki extractor, in Proceedings of the 18th ACM international in med hospitaliziranimi pacienti. V nadaljevanju študije načrtujemo analizo posnetkov pacientov z različno izraženimi conference on Multimedia. ACM, 1459–1462. stopnjami poslabšanja srčnega popuščanja. To nam bo [5] M. Gjoreski, M. Simjanoska, A. Gradišek, A. Peterlin, M. omogočalo, da bomo zaznali poslabšanje in pacienta napotili k Gams, G. Poglajen, 2017, Chronic heart failure detection zdravniku, še preden bi bila potrebna hospitalizacija. V tej fazi from heart sounds using a stack of machine-learning smo za snemanje srčnih tonov uporabili profesionalni stetoskop. classifiers. The 13th International Conference on Intelligent Cilj je, da bo pacient lahko za snemanje uporabil mikrofon, ki ga Environments, 14-19. priklopi na telefon, metoda za zaznavanje popuščanja pa bo tekla na telefonu ali v oblaku. 34 Elektrokardiografski senzor: uporaba med družinskimi zdravniki Staša Kocjančič Viktor Avbelj Zdravstveni dom Murska Sobota Institut Jožef Stefan Grajska ulica 24 Jamova cesta 39 SI-9000 Murska Sobota SI-1000 Ljubljana stasa.kocjancic@gmail.com viktor.avbelj@ijs.si IZVLEČEK Obravnava bolnika z motnjo ritma v Motnje ritma so pogosto prisotne pri bolnikih v ambulantah ambulanti družinskega zdravnika družinske medicine in tako so družinski zdravniki in tudi Pri obravnavi vsakega bolnika z aritmijo je potrebno odgovoriti specialisti drugih kliničnih strok soočeni s problemom, kako na naslednja vprašanja: katera motnja ritma je prisotna; ali ga ta obravnavati take bolnike. V Zdravstvenem domu Ljubljana smo motnja ritma ogroža trenutno in ali ima dolgoročne posledice; ali pod okriljem Instituta Jožef Stefana v oktobru 2016 začeli s bolnik motnjo ritma dobro prenaša (kakšni so simptomi in pilotnim sistemom za presejanje bolnikov s sumom na nereden vrednost krvnega tlaka); ali je potrebno takojšnje ukrepanje; ali srčni utrip. Z raziskavo smo želeli dobiti vpogled v praktično je potrebna takojšnja hospitalizacija in ali je potreben posvet s uporabo elektrokardiografskega senzorja pri bolnikih, specialistom ter če ja, kdaj [3]. obiskovalcih ambulant družinske medicine, ki v anamnezi navajajo motnje srčnega ritma. Ta metoda lahko revolucionizira Palpitacije so eden najpogostejših problemov bolnikov, ki jih oskrbo bolnikov s srčno-žilnimi obolenji v domačih ambulantah, zdravniki na primarni ravni napotujemo h kardiologom; po nam privarčuje denar in premosti prepad med primarnim in podatkih študije, ki je zajemala 500 bolnikov, naj bi jih zaradi sekundarnim nivojem. palpitacij bilo pregledanih 16 % [4]. Vendar pa dejanske motnje ritma najdemo pri manj kot polovici [5]. Palpitacije so senzorni Ključne besede simptom, ki ga spremlja neprijeten občutek močnega, hitrega ali nepravilnega bitja srca; bolniki radi opisujejo, kot da jim razbija motnje ritma, EKG senzor, telekardiologija, napotovanje v prsih ali v vratu [6]. Diferencialna diagnoza palpitacij je obširna; v študiji, v katero je bilo vključenih 190 bolnikov, so 1. UVOD ugotovili vzroke pri 84%. Pri 43% bolnikov je bil vzrok Motnja srčnega ritma ali aritmija je vsak ritem, ki ni normalni kardialni, pri 31% psihogen in pri 10% mešani vzroki kot sinusni ritem z normalnim prevajanjem preko prevajalnega tireotoksikoza, uživanje kofeina ali kokaina, anemija in podobno sistema; normalni ritem se torej začne z impulzom v [7] . sinoatrialnem vozlu v zgornjem delu desnega atrija, srčni utrip je Da lahko postavimo diagnozo pri bolniku, ki navaja motnje v normalnem območju, torej od 60 do 100 utripov na minuto, P- ritma, v praksi uporabimo EKG. Po enkratnem posnetku, ki valovi so normalni na EKG-posnetku in ritem je stabilen. Motnje nujno ne odraža motnje ritma, ki je lahko prehodnega značaja, se ritma so pogosto prisotne pri bolnikih v ambulantah družinske poslužujemo bolj kontinuiranih metod. V široki uporabi pri medicine in tako so družinski zdravniki in tudi specialisti drugih specialistih kardiologih je holter monitoring, kjer gre za 24- ali kliničnih strok soočeni s problemom, kako obravnavati take 48- urno nepretrgano merjenje EKG-ja [8]. V izogib bolnike. nepotrebnemu napotovanju in zaradi dolgih čakalnih vrst lahko Po podatkih Zdravstvenega statističnega letopisa je bilo leta 2014 v ambulanti uporabimo osebne prenosne merilnike kot npr. event na primarnem zdravstvu opravljenih 1.229.195 preventivnih in loop monitor, zio patch ali implantabilni loop rekorder; gre za 7.525.179 kurativnih pregledov, kar znaša 596 preventivnih in manjše prenosne naprave, ki jih ima bolnik nameščene dlje časa 3.650 kurativnih obiskov na 1.000 prebivalcev. Tako se [9]. Slovenija z 6,5 obiskov pri zdravniku na prebivalca letno uvršča na sredino seznama evropskih držav. Gledano po razlogih za 2. RAZISKAVA obisk na primarni ravni predstavljajo bolezni srca in ožilja 5,73% vseh obiskov letno, to je 290.086 pregledov, in so na šestem Namen, cilji in metode mestu po pojavnosti [1] . V Zdravstvenem domu Ljubljana smo pod okriljem Instituta Med najbolj pogoste aritmije štejemo: supraventrikularne Jožefa Stefana v oktobru 2016 začeli s pilotnim sistemom za prezgodnje utripe, ventrikularne prezgodnje utripe, bradikardijo, presejanje bolnikov s sumom na nereden srčni utrip. Z raziskavo ventrikularno tahikardijo, atrijsko fibrilacijo in undulacijo, smo želeli dobiti vpogled v praktično uporabo EKG-senzorja supraventrikularno tahikardijo, avtriventrikularne bloke ali (Savvy, [10]) pri bolnikih, obiskovalcih ambulant družinske ventrikularno tahikardijo in fibrilacijo. Simptomi določajo, kako medicine, ki v anamnezi navajajo motnje srčnega ritma. Pri njih je treba k bolniku pristopiti in so lahko odvisni od aritmije same smo želeli ugotoviti uporabnost EKG-senzorja, določiti delež (npr. palpitacije) ali hemodinamskih posledic aritmije (npr. bolnikov, ki v anamnezi navajajo motnje ritma in so le-te dispneja, vroglavica). Lahko so podobni drugim medicinskim objektivno potrjene s pomočjo EKG-senzorja, ugotoviti delež stanjem in vključujejo palpitacije, vrtoglavico, sinkopo, bolečine posameznih tipov motenj ritma, ki jih registrira EKG-senzor, v prsih in vratu, dispnejo, slabost in anksioznost. Gre pa lahko ugotoviti skladnost anamnestičnih motenj počutja z dejanskimi tudi za posledico nekega srčnega obolenja, kot so kongestivno motnjami srčnega ritma, ki jih zabeleži EKG-senzor in ugotoviti srčno popuščanje, ishemija ali trombembolični zapleti [2]. način ukrepanja zdravnikov glede na izvid EKG-senzorja. Raziskava je prospektivna, tipa primer – kontrola. Vključeni so bili nekateri družinski zdravniki in njihovi bolniki, ki so navajali 35 motnje srčnega ritma in so ob pregledu imeli normalni izvid 12- 4. ZAKLJUČEK kanalnega EKG-ja. V pilotni raziskavi pacientov s sumom na nereden srčni utrip se Pacienti, ki so sodelovali v raziskavi, so bili izmenoma vključeni je pokazalo, da so pacienti, ki so uporabljali EKG-senzor, tega v eno od dveh skupin. Prva je bila testna skupina, kjer so bolniki dobro sprejeli, saj so ga celo v 64% nosili z veseljem. Zdravniki prejeli EKG-senzor in navodila za ravnanje z njim, druga skupina so bili zadovoljni v še večjem odstotku, saj so v 83% odgovorili, je bila kontrolna, katere bolniki so bili obravnavani brez EKG- da jim je metoda olajšala oziroma zelo olajšala obravnavo senzorja po ustaljeni poti. Vsi v raziskavo vključeni pacienti so bolnikov. Ker se podatki o kontrolni skupini, ki EKG-senzorja ni prejeli dnevnik opažanj, ki so ga pisali doma in se po 5 do 10 imela, še zbirajo, bodo rezultati direktne primerjave med dneh vrnili na kontrolni pregled. Odvisno od situacije je lahko skupinama znani po pridobitvi vseh podatkov. Obširneje o študiji posamezen bolnik ponovil EKG meritve in tako senzor dobil glej v [11]. večkrat, a največ trikrat. Sestavni del EKG-senzorja je bil tudi mobilni telefon, ki pa je bil 5. ZAHVALA v raziskavi uporabljen le kot snemalna naprava za EKG. V pripravah na pilotno študijo smo ugotovili, da bo prikaz EKG na Zahvaljujemo se vsem zdravnikom in njihovim bolnikom, ki so sodelovali v naši raziskavi ter marljivemu osebju SIM zaslonu telefona paciente verjetno preveč motil in smo zato ta -centra. prikaz pacientom onemogočili. Sam EKG Posebna zahvala gre Antoniji Poplas Susič, ki je bila gonilna sila -senzor Savvy sicer omogoča meritve do 7 v tem projektu; brez njene pomoči in spodbujanja na večih dni, telefon pa so bolniki polnili vsako noč, če je meritev trajala več dni. ravneh nam ne bi uspelo tako uspešno uresničiti zadanih ciljev. 3. REZULTATI 6. LITERATURA [1] Zdravstveni statistični letopis 2014. Zdravstveno varstvo na Od oktobra 2016 do januarja 2018 je bilo v raziskavo vključenih primarni ravni. Inštitut za varovanje zdravja RS Ljubljana 30 zdravnikov iz ZD Ljubljana in ZD Murska Sobota ter njihovih [citirano 2018 Jan 23]. 110 bolnikov, od katerih je imelo senzor nameščen 100 bolnikov DOI=http://www.nijz.si/sites/www.nijz.si/files/uploaded/publikaci (90.9%), podatki kontrolnih skupin so trenutno na voljo le pri 10 je/letopisi/2014/5.1_primarna_raven_2014.pdf. bolnikih. Podatki so bili zbrani od vključenih zdravnikov in [2] Levy, S. Olshansky, B. 2017. Arrhytmia management for primary njihovih bolnikov. care clinicians. Uptodate;. Topic 961, Version 11.0 [citirano 2018 Zdravnikov, ki so sodelovali, je bilo 30, od tega 23 žensk in 7 Jan 23]. DOI= https://www.uptodate.com/contents/arrhythmia- moških; 2 sta specializanta družinske medicine, 2 pediatra, ostalo management-for-the-primary-care-clinician. specialisti družinske medicine; povprečna starost je bila 49,18 [3] Shen, WK., Sheldon, R.S., Benditt, D.G., et al. 2017. Guideline let, povprečna delovna doba je 22,12 leti. Odgovarjali so na fort he Evaluation and Management of Patients With Synkope: A vprašanja o uporabnosti te metode: zadovoljni oziroma zelo report of the American College of Cardiology/ American Heart zadovoljni z jasnostjo odčitka so bili v 93,5%, z enostavnostjo Association Task Force on Clinical Practice Guidelines and the odčitka v 77,1%, s Heart Rythm Society. J AM Coll Cardiol. 70 (16). postavljeno diagnozo v 88,7%; 83,9% jih je odgovorilo, da jim je metoda olajšala oziroma zelo olajšala [4] Kroenke, K., Arrington, M.E., Mangelsdorf, A.D. 1990. The obravnavo in 83,9% zdravnikov je bilo zadovoljnih oziroma zelo prevalence of symptoms in medical outpatients and the adeguacy of therapy. Arch Intern Med 150:1685 zadovoljnih z uporabo te metode. Vključenih je bilo 110 bolnikov, od tega je do sedaj zbranih [5] Klein-Wiele, O., Faghih, M., Dreesen, S., et al. 2016. A novel cross-sector telemedical approach to detect arrhythmia in primary podatkov za 10 kontrolnih bolnikov, ostali podatki so v fazi care patients with palpitations using a patient-activated event pridobivanja. Bolniki, ki so bili vključeni v raziskavo, so imeli recorder. Cardiol J. 23 (4): 422–8 pri zdravniku normalen posnetek EKG-ja, vseeno pa je obstajal [6] Zimetbaum, P., Josephson, M.E. 1998. Evaluation of patients with sum na motnjo ritma, bodisi anamnestični (72,2%), klinični palpitations. N Engl J Med 338: 1369–73. (18,7%) ali oba (9,1%). Med bolniki je bilo 71,8% žensk, stari so bili od 18 do 61 let, v povprečju 49,1 let; 41,2% jih je zaposlenih, [7] Weber, B.E., Kapoor, W. 1996. Evaluatin and outcomes of patients with palpitations. Am J Med 100: 138 28,2% upokojenih, 21,2 % nezaposlenih; 71% jih je nekadilcev, za 58,7% jih je njihov zdravnik opredelil kot tvegane pivce [8] Barry, J., Campbell, S., Nabel, E.G. 1987. Ambulantory alkohola. Bolniki so kot najpogostejše vzroke za prih monitoring of the digitized electrocardiogram for detection and od k early arning of transient myocardial ischemia in angina pectoris. zdravniku navedli razbijanje srca (45,3%), nato preskakovanje Am J Cardiol 60: 483 srca (20,3%), ter tiščanje v prsih, bolečina v prsih, omotica in težko dihanje. Bili so tudi povprašani o tem, kako se jim je zdela [9] Joshi, A.K., Kowey, P.R., Prystowsky, E.N. 2005. First experience with Mobile Cardiac Outpatient Telemetry system for uporaba te metode: 69,7% se je zdela namestitev enostavna, the diagnosis and management of cardiac arrhytmia. Am J Cardiol 68,7% se je zdela uporaba enostavna; 53,5% jih nameščen senzor 95: 878 ni motil, 64,3% ga je z veseljem nosilo in 67,1% jih je ocenilo, da večjih težav s senzorjem niso imeli. [10] Savvy. Navodila za uporabo Personal Cardiac Activity monitoring system [citirano 2018 Jan 23]. DOI=http://www.savvy.si Po odčitku posnetka smo ugotovili, da je vzrok bolnikovim [11] Kocjančič, S. 2018. Elektrokardiografski senzor: uporaba med težavam v 39,3% v benignih motnjah ritma, kot prezgodnji utripi, družinskimi zdravniki. Med Razgl. 57 Suppl 2: 37–41 sinusna tahikardija, paroksizmi supraventrikularne tahikardije, v 1% je šlo za paroksizem atrijske fibrilacije, v 13,1 % je šlo za ventrikularne motnje ritma, v 30,3% pa je šlo za anksioznost in panično motnjo. Zdravnikovo naslednje ukrepanje bilo za 63,5% bolnikov nadaljnje opazovanje, 6,7% jih je bilo poslanih na dodatne diagnostične preiskave, 6,7% jih je dobilo novo medikamentozno terapijo; 18,3 % jih je bilo napotenih h kardiologu. 36 Pametno okolje za učinkovito ščetkanje zob Peter Kokol Matjaž Colnarič Stanislav Moravs Fakulteta za elektrotehniko, Fakulteta za elektrotehniko, Fakulteta za elektrotehniko, računalništvo in informatiko, računalništvo in informatiko, računalništvo in informatiko, Koroška Cesta 46, 2000 Koroška Cesta 46, 2000 Koroška Cesta 46, 2000 Maribor Maribor Maribor stanislav.moraus@um.si peter.kokol@um.si matjaz.colnaric@um.si Milan Zorman Grega Žlahtič Jernej Završnik Fakulteta za elektrotehniko, Milan Zorman Zdravstveni dom dr. Adolfa Drolca računalništvo in informatiko, Fakulteta za elektrotehniko, Maribor, Ulica Talcev 9, 2000 Koroška Cesta 46, 2000 računalništvo in informatiko, Maribor Maribor Koroška Cesta 46, 2000 jernej.zavrsnik@zdm-mb.si milan.zorman@um.si Maribor grega.zlahtic1@um.si Helena Blažun Vošner Marko Turčin Tadej Završnik Zdravstveni dom dr. Adolfa Zdravstveni dom dr. Adolfa Zdravstveni dom dr. Adolfa Drolca Drolca Maribor, Ulica Talcev 9, Drolca Maribor, Ulica Talcev 9, Maribor, Ulica Talcev 9, 2000 2000 Maribor 2000 Maribor Maribor helena.blazun@zdm- marko.turcin@um.si tadej.zavrsnik@student.um.si mb.si Simon Jurič Bojan Slemnik Jernej Detela Inova IT, Pesnica pri Mariboru Inova IT, Pesnica pri Mariboru Inova IT, Pesnica pri Mariboru 32e, 2211 Pesnica pri Mariboru 32e, 2211 Pesnica pri Mariboru 32e, 2211 Pesnica pri Mariboru simon.juric@inova.si bojan.slemnik@inova.si jernej.detela@inova.si Ključne besede 2.PAMETNO DRŽALO ZA ŠČETKE pametno zobozdravstvo, pametni ročaj za ščetko, resna igra Prototip pametnega držala ščetke (slika 1), omogoča merjenje položaja, pospeškov in pritiska ščetke, s čimer je omogočeno 1.UVOD merjenje dodatnih parametrov pravilnega čiščenja zob v Področje pametnih zobnih ščetk je v zadnjem letu z vidika primerjavi z že obstoječimi rešitvami. Druga poglavitna razlika tehnologij doživelo napredek [1]. Če je še v letu 2016 družina med naštetimi pametnimi ščetkami in novo rešitvijo je, da ščetk Oral-B SmartSeries, kot ena najpametnejših, ob povezavi imajo vse naštete komercialno dostopne ščetke glavo na s pametnim telefonom omogočala spremljanje časa, lokacije in električni pogon, medtem ko rešitev z držalom omogoča pritiska zobne ščetke v ustih, je v začetku 2017 zobna ščetka uporabo običajne ščetke in s tem povečuje fleksibilnost uporabe Kolibree Ara zajem podatkov o čiščenju zob preselila iz in niža ceno uporabe. pametnega telefona na zobno ščetko, kar je koristno v situacijah, ko pametni telefon ni v dosegu povezave Bluetooth. Namen pametnega držala za zobne ščetke je zagotoviti Podatke zajemajo preko 3D senzorjev, obdelujejo pa jih s instrument za preverjanje pravilnosti čiščenja zob pri otrocih pomočjo metod umetne inteligence. Še korak dalje so naredili ter učenje le-tega. V ta namen je držalo ščetke opremljeno s snovalci ščetke Onvi Prophix, ki za 400USD (skoraj 2-kratnik senzorji, ki naj omogočajo detekcijo gibanja (pospeškometri) in do sedaj najdražjih pametnih ščetk) ponujajo pametno zobno merjenje pritiska ščetke na zobe. Držalo med čiščenjem javlja ščetko s štirimi različnimi nastavki in kamero HD, katera preko podatke na mobilno napravo ali osebni računalnik, od tod pa v aplikacije na pametnem telefonu snema čiščenje zob. Z vidika oblak, kjer se ti podatki analizirajo in se pridobijo vse primerjave s tukaj razvito rešitvijo je zanimiva pametna ščetka relevantne informacije. Za dodatni nadzor pravilnega čiščenja Grush. Intelov modul Curie skrbi za zajem podatkov te pametne zob pri kliničnih preizkusih, je sistem nadgrajen s sistemom ščetke, katera s pomočjo pametnega telefona spremeni čiščenje spremljanja položaja uporabnika na osnovi naprave Kinect. zob v igro za otroke. Podatki obeh sistemov se združujejo (fuzija podatkov) in omogočajo analizo podatkov na bistveno višji ravni. V okviru projekta EkoSmart za razliko od zgoraj navedenih pristopov razvijamo pametno okolje za učinkovito ščetkanje in Prototip je bil zasnovan na osnovi že izdelanih elektronskih vzdrževanje zobne higiene, ki sestoji iz pametnega držala, resne modulov povezanih v celoto znotraj ohišja in vsebuje: igre in Kinect aplikacije za spremljanje položaja ščetke.  absolutno orientacijo držala v prostoru (3 osni pospeškometer, absolutno orientacijski senzor v prostoru), 37  modul za pretvorbo signala iz merilnih lističev (LOAD CELL),  Arduino UNO,  bluetooth modul BlueFruit BLE Shield,  signalne lučke in vibracijski aktuator,  akumulator in indukcijski napajalnik,  tipka za vklop/izklop. Slika 1. Pametno držalo za zobne ščetke – strukturni prikaz Delovanje: Mehanski deli, pospeškometer in pretvornik signalov iz merilnih lističev so montirani v preprostem ohišju. Senzorske signale ob uporabi ščetke (pospeški in sila) sprejema Arduino in jih preko protokola Bluetooth BLE (Low Energy) prenaša na mobilne naprave. Svetlobni indikatorji in vibracijski Slika 2. Prikaz delovanja Kinect aplikacije aktuator se uporabljajo za signalizacijo neustrezne uporabe ščetke, signalizacijo vklopa/izklopa in kot indikator V času umivanja zob zbrani podatki, ki jih senzorji držala zobne napolnjenosti akumulatorja. Držalo je opremljeno tudi z ščetke sicer pridobivajo in hranijo povsem avtonomno (tudi v času, ko/če ščetka ni v ustih), so zmeraj ustrezno validirani in indukcijskim polnilcem, ki se polni preko stojala za ščetko. za kasnejšo obdelavo zapisani le za čas, ko je ščetkanje zob tudi Ohišje prototipa je bilo izdelano z metodo 3D tiska. dejansko potekalo. Na ta način zagotavljamo verodostojnost izmerjenih podatkov, česar sama pametna ščetka ne zmore. Držalo podatke senzorjev pretvori v podatke o položaju ščetke v prostoru (Eulerjevi koti). Za določitev začetnega (nultega) Potrebna oddaljenost obraza osebe, ki ščetkanje izvaja, glede položaja ščetke, je predvidena uporaba Kinect naprave v na mesto postavitve Kinect, je med 1,2 in 2,5 m, medtem ko je kliničnih eksperimentih in tipka v primeru neodvisnega priporočljiva višina postavitve med 1,0 in 1,8 m. delovanja držala. Zaradi preproste prenosljivosti in dobre podprtosti s strani Ker gre za prototip za preverjanje koncepta, bo miniaturizacija algoritmov za kasnejše obdelave, izmerjene podatke hranimo v potekala v naslednjih fazah. Namesto ločenih vezij se bo formatu JavaScript Object Notation (JSON). uporabilo eno, na novo zasnovano vezje, ki bi primerno tudi za V skladu z določili aktualne uredbe o varstvu osebnih podatkov masovno proizvodnjo. Narejena je bila tudi prva študija stroškov za izdelavo držala na osnovi brizgane plastike. (GDPR) smo preverjanje identitet oseb (mladostnikov) za katere bo t. i. Longitudinalni management statusa zobovja S prototipom smo dosegli potrditev, da je mogoče z razmeroma izvajan, omejili izključno na nivo številk ZZZS. Demografski cenenimi senzorji zajeti dovolj relevantne podatke, iz katerih je podatki istih oseb bodo pooblaščenim zdravstvenim delavcem mogoče ugotoviti frekvenco ščetkanja ter smer gibanja in silo, tako dostopni le v povezavi z drugimi zdravstvenimi sistemi na s katero ščetka pritiska na zobe in dlesni. isti Id osnovi. V okviru projekta EkoSMART smo pripravljeno rešitev tudi 4.PAMETNA RESNA IGRA patentirali. S pomočjo zunanje patentne pisarne je bila oddana V prvotni fazi razvoja igre smo naredili pregled orodij s prijava patenta, patent pa je že v fazi objave. katerimi bi jo lahko razvili [2,3]. Tako smo po pregledu V nadaljevanju projekta bo izdelanih deset prototipov držala, ugotovili, da je trenutno eden izmed bolj priljubljenih in prav ki bodo uporabljeni za klinične teste čiščenja zob z otroki. tako fleksibilnih in stabilnih orodji Unity. Orodje najbolj prepriča z dobro dokumentacijo in neverjetno velikim naborom 3.KINECT APLIKACIJA ličnih iger vseh možnih variant. Prav tako se vse v orodju Unity Prototip opreme (slika 2) spremljanje položaja ščetke dela kot objekt kar omogoča hitre spremembe, ki so tako predstavlja naprava Microsoft Kinect for Windows v2 (Kinect), uporabne v sprotnem razvoju, kot v morebitnih nadgradnjah ali z osebnim računalnikom (Microsoft Windows), z vrati USB spremembah delovanja in izgleda iger. (3.0), integrirano tehnologijo Bluetooth Low Energy (BLE ali Pri izbiri tipa iger smo se odločili za tako imenovan »Tower Bluetooth 4.0) in odjemalsko aplikacijo vrste WPF App (.NET defense«, saj se lahko smisel igre lepo preslika na temo ustne Framework). Slednja skrbi za potrebno sprotno identifikacijo in higiene ali bolje rečeno »Ščitenje zob«. V takšnem tipu igre vizualizacijo pravilnosti položaja dlani desne ali leve roke, ki mora igralec namreč trdnjavo braniti pred številnimi skupinami drži ščetko v ustni votlini, vključno z njeno dopustno napadalcev s pomočjo postavljanja stolpov. Pri tem je (predhodno nastavljivo) oddaljenostjo od obraza osebe, ki pomembno taktično postavljanje stolpov, saj so surovine meritev izvaja. 38 omejene in jih je potrebno čim bolj učinkovito porabiti. V našem primeru bo seveda trdnjavo predstavljal zob/zobje, napadalci bodo bakterije, stolpi pa pripomočki za ustno higieno (Slika 3). V igri bo tudi, primerno za otroke, zamenjano uničevanje (ki se lahko interpretira kot ubijanje) bakterij s pretvorbo škodljivih bakterij v pozitivne bakterije, ki se lahko uporabijo za branjenje zob. Prav tako bo s sličicami predstavljeno kako vpliva tip zaužite hrane na število škodljivih bakterij, ki bodo napadale naše zobovje. Za samo motivacijo in omejitev igranja igre bo s pomočjo podatkov pridobljenih s strani pametne ščetke, odvisno od kakovosti umivanja zob, otrok prejel več življenj katera potrebuje za nadaljevanje igranja v kolikor mu jih zmanjka. V primeru zelo dobrega rezultata umivanja zob, dobi otrok dodatno nagrado, ki mu omogoči uporabo predmeta, ki ga v sami igri drugače ne more dobiti. Ta nagrada je predstavljena z jabolkom, ki zmanjša število škodljivih bakterij v naslednjem napadu. Razvili smo tudi model nagrajevanja s točkami na podlagi trajnosti in kakovosti oralne higiene za spletno varianto igre in primerjavo z drugimi igralci, kar bo povečalo motivacijo otrok za ščetkanje zob. Slika 3. Prikaz resne pametne igre LITERATURA [1]. Dowson T. 7 Dental Industry Trends in 2017 & What They Mean For Practice Growth [Internet]. [cited 2017 May 13]. Available from: https://titanwebagency.com/blog/dental- industrytrends/ [2]. LudoScience - Classifying Serious Games: The G/P/S Model (Broacasting our studies) [Internet]. [cited 2017 May 9].Available from: http://www.ludoscience.com/EN/diffusion/537-Classifying- Serious-Games-The-GPS-Model.html [3]. Baranowski T, Blumberg F, Buday R, DeSmet A, Fiellin LE, Green CS, et al. Games for Health for Children—Current Status and Needed Research. Games Health J. 2015;5:1–12. 39 Time Series or Relational Database for Edge and IoT Anže Luzar Sašo Stanovnik Matija Cankar XLAB Research XLAB Research XLAB Research XLAB d.o.o. XLAB d.o.o. XLAB d.o.o. Pot za Brdom 100 Pot za Brdom 100 Pot za Brdom 100 1000 Ljubljana, Slovenia 1000 Ljubljana, Slovenia 1000 Ljubljana, Slovenia anze.luzar@xlab.si saso.stanovnik@xlab.si matija.cankar@xlab.si ABSTRACT This paper explores the efficiency of relational and time se- In Fog and Edge computing data management and process- ries databases on edge devices by measuring and comparing ing is moving from the Cloud closer to the IoT devices. response times and memory footprints of two representa- To perform the work in edge devices, different, more light- tives. From the results a reader can conclude which type of weight, small-footprint and specialized tools need to be em- the database is better for a specific edge device or fog-like ployed. In this paper we perform a side-by-side comparison environment. of relational and time series databases of their speed and re- source consumption. The Results show better performance The research of the database performance will be further of time series over relational databases. used in a fog-to-cloud application called Smartboat, which is developed as a use case for EU H2020 funded project called Keywords mF2C[5]. The application’s goal is to establish support for boats that would simplify sailing and detect different types database, SQL, timeseries, relational, cloud, fog, IoT, edge of threats across the sea. The IoT sensors that are installed onto the boats are used to collect certain amount of data, for 1. INTRODUCTION example they can retrieve the temperature, GPS position, Nowadays plenty of databases are available for storing actual pressure, humidity, they can detect whether doors are open timestamped data to a database. In the past several years, or not, generate flood alarms and so on. Based on that data there are growing appeals for reading and storing data from it is important to take different actions. And since it’s im- IoT devices [8]. In the close future, storing and manipulat- portant when to take these actions, a database that supports ing time series data will play an important role in IoT [1]. storing and aggregating the data annotated with timestamps A common technique is to gather the data using cloud or is required. Different databases that fulfill the requirements fog devices that read IoT sensors [4] and temporarily store for the project were reviewed in order to select the best one it in relational or time series databases. As not all sensor for the use case considering this article. Then a comparison readouts are required to be stored in the Cloud, it is useful between databases and testing of parameters, most impor- to filter and process the sensors on the Edge near them and tantly time efficiency and memory footprint, were made. thus save Cloud resources and bandwidth. To achieve this, one of the most important and desired abilities for Edge de- The paper continues as follows: Section 2 presents the prob- vices is to handle volumes of time series data quickly with lem, its background and the key parameters to evaluate the minimum latency and footprint in order to give the observer database. The experiments and results are presented in Sec- results as quickly as possible [11], [9]. IoT devices can rely tion 3 followed by the discussion and conclusion in the last on different database types behind them and the best choice section. mostly depends on the type and format of the data that is being stored and on the requirements of the edge device 2. DATA STORAGE IN EDGE DEVICES [6]. Among available database types that can be used for Storing data always requires time and has a memory foot- IoT devices are NoSQL (e.g. MongoDB) with its subtype print – that means some CPU and memory usage. On top time series database (e.g. InfluxDB, Prometheus, Time- of that there are many performance problems that can arise caleDB) and relational database (e.g. PostgreSQL, MySQL, due to several reasons that are occasionally hard to deter- MSSQL). Global trends unveil that time series databases are mine. The following section provides additional information currently the fastest growing database type [7]. for understanding the problem of storing the data and the problem itself. 2.1 Sensors, edge devices and cloud storage In a combined fog and cloud environment the processing of data is distributed between edge devices and cloud. Process- ing in the cloud has no resource restrictions such as opposed to processing at the edge. To provide the best and to the user transparent experience of using cloud and edge envi- ronment, the appropriate software has to be applied to each 40 segment of the fog to cloud hierarchy. A similar stack is Supported languages More supported languages are a plus, presented in Figure 1, which is similar to the one proposed but our main focus was on Java and Python support. by mF2C project. We focus on data management close to sensors, i.e. edge devices, such as routers or small computers Data types The support or special/faster handling of floats like Raspberry Pi devices that store, filter and transmit data and timestamps was considered as a better option. collected from IoT sensors. Beside being able to store and License An open-source solution is preferred due to better transmit data, edge devices can serve light-weight services flexibility and potential costs if the databases would and issue notifications based on thresholds. These devices run on a large amount of edge devices. are capable in variety of functions, but do not have an ex- cess of resources, therefore the software needs to be selected carefully. All databases, relational and time series, were evaluated by those parameters and the best candidates of each type were selected for the testing phase. The attributes for databases are collected in the Table 1. 2.3.2 Relational database selection process We chose PostgreSQL as the initial relational database for our endeavors because of its standards compliance, it of- fering a native JSON object storage which we aspired to use elsewhere in the application and because it was eas- ily integrated into other frameworks already in use. Other databases may also be appropriate for this purpose, how- ever PostgreSQL proved to be the most compatible choice Figure 1: The proposed mF2C architecture. at that point in development. The key parameters of our comparison, based on two comparative sources [12, 2] are 2.2 The performance degradation issue shown in Table 1. From the experience we gained by working on Fog, Edge and IoT use-cases, we found that the relational database, 2.3.3 Time series database selection process PostgreSQL, can became unstable and an overkill due to These days, time series data applications such as sensors the lack of resources. The issue occurs when data is con- used in IoT analytics, are growing rapidly due to their sim- tinuously being written into the database for a long period plicity and SQL based query language. For the comparison of time. Performance degradation seems to be a common we have chosen 8 time series databases (Table 1) and finally problem in PostgreSQL [10] and sometimes hard or even selected InfluxDB as the best candidate mainly because of impossible to solve [3]. For shorter continuous periods of official Raspberry Pi Docker support. Other databases were recording (e.g. single day) issue does not manifest due to not selected because they did not fulfill expectations regard- the small amount of the data and also because the database ing Docker or Raspberry Pi support (OpenTSDB, TimescaleDB), requires a reasonable amount of RAM. When recording lasts a proprietary license (Kdb+), low data type flexibility (Prometheus, longer (e.g. more than one day) writing becomes slower. To RRDtool) and a lack of Java support (Graphite, Druid). solve the issue different approaches of saving and different databases were taken into consideration. 3. EXPERIMENT AND RESULTS 2.3 Benefits of using relational or time series 3.1 The test between time series and relational databases and their comparison databases 2.3.1 Criteria for filtering the databases The performance was evaluated by integration of InfluxDB into our application and comparing it with the performance Before performing the evaluation of the databases, a selec- of PostgreSQL. tion of the testing candidates was required, one from each type of database. Our methodology preferred databases with better support for the following attributes: 3.2 Measurement environments The databases could be manipulated through their own ter- minal clients or by libraries that provide support for differ- Supported platforms Applications should run on all ma- ent programming languages. To eliminate the probability of jor platforms like Linux, Windows and macOS, there- poorly written library or additional latencies based on the fore we required to be sure that there will not be any language overhead, the tests were performed in both envi- complication for the applications to use the database. ronments – through a Java program and through the ter- minal with official client. According to the presented lim- Official Docker support Docker, currently the most pop- itations, the following tests were performed: reading and ular container technology for Linux that allows cre- writing to the InfluxDB and PostgreSQL databases using ating and packaging an application along with all its different methods like Java, bash console, reading from file dependencies, was also very important for the imple- and so on. So we tested the database and created a ta- mentation of the services in our project. ble (Table 2) showing first stage results for measuring time Rapsberry Pi Our project was focused and prototyped taken for writing and reading. All times presented in the around the Raspberry Pi, therefore the options that table are for writing ten million records to database or for include this were preferred. retrieving one million lines from the base. 41 Table 1: Relational and time series database feature comparison table time with some deviations that are occurring periodically. Table 2: Time taken table with first-stage results. Most of the data in InfluxDB (Figure 2) is stored to database very quickly and it takes between 0–1 milliseconds. There are also some deviations of records that take around 50 mil- liseconds to be stored to database. The curve that shows the average time taken to write to database is also more diverse than in PostgreSQL plot. To perform thorough testing an InfluxDB faster batching was enabled to be included into the evaluation. The threshold for storing was set to 10000 points per batch or every 200 milliseconds. The result was lower times for writing and faster program execution. However, comparing InfluxDB results with and without faster batch- ing (Figure 2) showed similar performance. The results un- doubtedly show advantage of InfluxDB over the PostreSQL 3.3 IoT characteristics for databases focusing on time consumption. PostgreSQL has less variance IoT devices, especially sensors, usually have the ability of in time taken for transaction, but nevertheless InfluxDB is gathering the data accompanied by data analysis to detect better in the average case. anomalies. Those devices write to database in bursts and are often operating on a lot of data. Table 3: Time for writing million lines to database Database Time taken [s] 3.4 The experiment metrics InfluxDB 58.92580 The metric chosen for performing the experiment is speed, InfluxDBFasterBatching 5.25127 measuring the time for writing a million rows to the database PostgreSQL 300.48325 in chunks of 15 points, which appears to be a common re- quest on an Edge device connected around a dozen IoT de- vices. 3.5.1 Database setup times and resource consump- tion 3.5 The results Beside runtime performance, setup time and resource con- The results in Figure 2 present a comparison between In- sumption were measured. The database setup times, includ- fluxDB and PostgreSQL. The x-axis shows the consecutive ing connecting to the database and building tables and in- block number of 15 records and the y-axis shows time re- dexes is significantly faster with InfluxDB, which is evident quired to save the block. While the results are dispersed in Table 3. The resource consumption comparison was per- a trend curve showing the expected time taken is added to formed by writing and querying data for PostgreSQL and In- the graph. The plots present three cases. From the Post- fluxDB via CLI (Command Line Interface). 100000 records greSQL plot (Figure 2) below we can see that most of the were written to database using CLI and then retrieved back. blocks of fifteen records take 5–8 milliseconds to be stored The results of this test are presented in Table 4, where it is in database, which means that time is constant most of the evident that InfluxDB uses less storage, prepares database 42 Figure 2: Plots for InfluxDB and PostgreSQL and InfluxDB faster batching. faster, a query takes only 30 % of time. It seems that RAM postgres-performance-mystery-51544ceea584, Apr and CPU consumption is higher for InfluxDB. 2018. Accessed on 2018-09-06. [4] J. W. Flory. How time-series databases help make sense of sensors. https://opensource.com/article/ Table 4: Different test methods performed in CLI 17/8/influxdb-time-series-database-stack, Aug InfluxDB PostgreSQL 2017. Accessed on 2018-09-03. Writing time 0.694 s 223.374 s [5] Horizon2020. mf2c project. Query time 1.492 s 5.617 s http://www.mf2c-project.eu/, Jan 2017. Accessed on Database size 5.5 MB 15 MB 2018-09-05. Memory usage 63.98 MB 20.53 MB [6] R. Kumar. 4 steps to select the right database for your CPU usage 107 % 98.3 % internet of things system. https: //thenewstack.io/4-steps-to-select-the-right- database-for-your-internet-of-things-system/, 4. CONCLUSION Apr 2018. Accessed on 2018-09-12. This paper presented the approach towards comparing rela- [7] M. Risse. The new rise of time-series databases. tional and time series databases including comparing charac- https://www.smartindustry.com/blog/smart- teristics and performance. We explored several time series industry-connect/the-new-rise-of-time-series- databases and their use related to the Cloud, sensors and databases/, Feb 2018. Accessed on 2018-09-05. IoT. The results indicates why time series database can be [8] D. G. Simmons. Pushing iot data gathering, analysis, a better solution when it comes to storing IoT-generated and response to the edge. data. We concluded that InfluxDB is a more suitable op- https://dzone.com/articles/pushing-iot-data- tion for handling data gathered from IoT sensors and is also gathering-analysis-and-response-to-the-edge, significantly faster in comparison to a relational database. Apr 2018. Accessed on 2018-09-02. [9] E. Siow, T. Tiropanis, and W. H. Xin Wang. 5. ACKNOWLEDGMENTS Tritandb: Time-series rapid internet of things This project has received funding from the European Union’s analytics. https://arxiv.org/abs/1801.07947v1, Jan Horizon 2020 research and innovation programme under grant 2018. Accessed on 2018-09-13. agreement No. 730929. [10] A. Vorobiev. Performance degradation of inserts when database size grows. 6. REFERENCES https://www.postgresql.org/message-id/BANLkTi% [1] A. Bridgwater. Iot time series data is ‘of the hour’. 3DVKBmRLVLDjy8qxpWx_6-rmbUaXg%40mail.gmail.com, https://internetofbusiness.com/iot-time-series- May 2011. Accessed on 2018-09-04. data-hour-influxdata/, Dec 2017. Accessed on [11] D. G. Waddington and C. Lin. A fast lightweight 2018-09-03. time-series store for iot data. [2] DB-Engines. Db-engines ranking of relational dbms. https://arxiv.org/abs/1605.01435, May 2016. https: Accessed on 2018-09-12. //db-engines.com/en/ranking/relational+dbms, Sep [12] Wikipedia. Comparison of relational database 2018. Accessed on 2018-09-05. management systems. [3] J. DiLallo. Solving a postgres performance mystery. https://en.wikipedia.org/wiki/Comparison_of_ https: relational_database_management_systems, Sep //medium.com/flatiron-engineering/solving-a- 2018. Accessed on 2018-09-05. 43 Spletni obrazec in REST API za naročanje receptov Denis Pavliha Aleš Kalan Nataša Planinc SRC d.o.o. SRC Infonet d.o.o. SRC Infonet d.o.o. Tržaška 116 Cesta talcev 39 Cesta talcev 39 1000 Ljubljana 4000 Kranj 4000 Kranj +386 1 6007000 +386 4 6007600 +386 4 6007600 denis.pavliha@src.si ales.kalan@infonet.si natasa.planinc@infonet.si POVZETEK ambulanti in pacientu, potrditve in zavrnitve naročil, preklici, Razvili smo rešitev za elektronsko naročanje receptov za stalne preusmeritve v drugo ambulanto,…). Izdelali smo ogrodje za posredovanje sporočil (routing) prek treh kanalov: terapije. Zasnovana je kot Representational State Transfer elektronske pošte ( (REST) Application Programming Interface (API) vmesnik, e-mail), platforme za avtomatizacijo marketinških opravil pred katerim se nahaja grafični uporabniški vmesnik ( angl. (Mautic [1]) in prek REST API klica (za npr. klic vmesnika Graphical User Interface – GUI) v obliki preproste spletne platforme Think!EHR [2]). Sistem smo opremili s aplikacije za naročanje zdravil. Za komunikacijo (tj. pošiljanje sinhronizatorjem podatkov iz centralne baze zdravil (CBZ) ter naročil) smo izdelali ogrodje za posredovanje sporočil (routing) implementirali predpomnjenje (caching) seznama. prek treh kanalov: elektronske pošte (e-mail), platforme za avtomatizacijo marketinških opravil (Mautic) in prek REST Tabela 1. Nabor klicev REST API vmesnika in njihove API klica (za npr. klic vmesnika platforme Think!EHR). metode Ključne besede API klic Metoda spletno naročanje, elektronski recept, REST API vmesnik order GET order/new POST 1. UVOD order/status GET Naročanje receptov pri splošnem zdravniku je vsaj za stalne order/last GET terapije, tj. ponavljajoče se že predpisane recepte, zgolj patient GET administrativno opravilo. Pacient mora telefonirati v ambulanto, kar ponavadi traja dolgo zaradi zasedenih telefonskih zvez, nato patient/confirm GET pa zgolj posredovati potrebo po podaljšanju recepta, ki ga prek patient/register POST sistema e-Recept izvede zdravnik na osnovi že postavljenih diagnoz in prejšnjih izdaj zdravil. Gre za postopek, ki jemlje service GET dosti časa vsem udeleženim, zaradi preprostosti pa bi ga lahko service/drugs GET poenostavili z uporabo digitalnih rešitev. ward GET 2. REŠITEV ward/search GET Če želimo postopek digitalizirati, lahko to storimo tako, da del ward/suggest POST procesa (tj. sporočanje prek telefona ali osebno) pretvorimo v ward/register POST izpolnjevanje spletnega obrazca, ki ga nato zdravnik prejme v svoj zdravstveni informacijski sistem. Zato smo pričeli z ward/login POST zasnovo ogrodja za spletno naročanje receptov stalnih terapij. GET Najprej smo definirali podatkovni model, ki bo implementiran v ward/login/forgotten obliki podatkovne baze za hrambo naročil receptov. Nato smo POST rešitev razdelili na zaledni del ( angl. backend), ki je navzven ward/edit POST dostopen prek Representational State Transfer (REST) ward/edit/status POST Application Programming Interface (API) vmesnika, in grafični uporabniški vmesnik ( angl. Graphical User Interface – GUI), ward/edit/forwarding POST ki omogoča pacientom uporabo rešitve v obliki spletne DELETE aplikacije. ward/edit/forwarding/apply POST cron GET 3. REST API VMESNIK ward/confirm POST Zaledni sistem ( angl. backend) smo zasnovali kot ogrodje (framework), ki izpostavlja REST API vmesnike za izvedbo ward/authorize POST vseh podprocesov, povezanih s procesom spletnega naročanja. ward/disable POST Pripravili smo vse potrebne posamezne REST API vmesnike (Tabela 1) ter ustrezne razporejevalnike ( cronjob-driven 4. SPLETNI OBRAZEC (GUI) scheduler) opravil (naročila, pacienti, predlogi novih ambulant, Nazadnje smo razvili še spletni grafični uporabniški vmesnik stanja ambulant). Izdelali smo HTML predloge in vsebinska (GUI), ki je bil implementiran v HTML/JS/CSS tehnologiji z uporabo AngularJS ogrodja [3] (Slika 1). Izdelali smo sporočila, ki se v okviru e-mail sporočil posredujejo ob posamezne podsklope GUI (uporabniški vmesnik, registracija, različnih dogodkih v procesu (oddaja naročila, obvestila potrditveni pogled, administracijski vmesnik) in ustrezne 44 komunikacijske vmesnike za povezovanje z vsemi razvitimi REST API vmesniki posameznih podsklopov (naročila, pacienti, storitve, ambulante, predlogi, zdravila). GUI smo optimizirali tudi za mobilni prikaz (responsiveness). 5. PREIZKUŠANJE Vse razvite REST API vmesnike iz nabora smo preizkusili na način funkcionalnega testiranja: definirali smo nabor pozitivnih in negativnih vhodnih podatkov ter preizkušali odzive posameznih API vmesnikov nanje. S preizkušanjem smo potrdili pravilno delovanje razvite spletne rešitve za naročanje receptov. 6. NADALJNJE DELO Za potrebe povezovanja rešitve v platformo EkoSmart bo potrebno dodatno preizkušanje komunikacijskega vmesnika za pošiljanje sporočil prek REST API klica v platformo Think!EHR [2]. REFERENCE [1] Mautic, Open-Source Marketing Automation, www.mautic.org [2] Think!EHR, Marand, www.marand.com/thinkehr [3] Angular, Google, www.angular.io Slika 1. Grafični uporabniški vmesnik za naročanje receptov. 45 Postopki in priporočila za izgradnjo govorne zbirke za potrebe sinteze slovenskega govora Tomaž Šef Institut “Jožef Stefan” Jamova cesta 39 1000 Ljubljana +386 1 477 34 19 tomaz.sef@ijs.si POVZETEK 2. ANALIZA IZKUŠENJ IN PRAKS Govorna zbirka, uporabljena v sistemu eBralec [4], je bila v osnovi V članku predstavljamo raziskave in razvoj postopkov izgradnje zasnovana za korpusno sintezo govora. Vsebina besedila za govorne zbirke za potrebe sinteze slovenskega govora z vidika snemanje je bila pridobljena s statistično obdelavo vseh besednih pridobivanja govornih posnetkov in določanja optimalnih korpusov, s katerimi smo razpolagali, brez kakšne posebne snemalnih pogojev. vnaprejšnje selekcije. Določila se je pogostost posameznih glasov Za potrebe sinteze govora predlagamo govorno zbirko z branim in glasovnih nizov v besedilu. V zbirko so bili vključeni vsi stavki govorom. Na podlagi analize izkušenj in praks pri gradnji obstoječe (povedni, velelni, vprašalni ipd.), in sicer glede na statistično zbirke, uporabljene v sistemu eBralec, podajamo priporočila za zastopanost v besednem korpusu. razvoj nove zbirke s primarno podporo HMM-sintezi in sodobnejši Pri izbiri povedi se je težilo k temu, da so bile le-te fonetično čim WaveNet-sintezi z možnostjo preproste prilagoditve na korpusno bolj bogate, da so zagotavljale vse možne difone in da je vsaka sintezo. dodatna poved doprinesla čim več novih polifonov (trifonov, Ključne besede štirifonov ipd.). Dolžine izbranih stavkov naj bi čim bolj ustrezale statistični porazdelitvi dolžin stavkov iz besednega korpusa. Govorna zbirka, govorni bralnik besedil, sinteza slovenskega govora. Osnovni statistični podatki govorne zbirke eBralca so podani v tabeli 1. 1. UVOD Velikost besednega korpusa 7.145.345 povedi Govorne zbirke vsebujejo računalniško berljive posnetke govora in 77 milijonov besed priložene podatke z opisom posnetega govora (govorni dejavniki, Obseg govorne zbirke 4.000 povedi dejavniki govorcev, zapisi in označitve posnetega govora) [1, 2]. (46.785 besed) Takšne zbirke so nepogrešljive pri raziskovalno-razvojnem delu na Število različnih difonov 1.883 področju govornih tehnologij in predstavljajo pomemben člen Število različnih trifonov 21.369 osnovne infrastrukture za razvoj govornih tehnologij za posamezno (št. kombinacij v korpusu) (24.702) jezikovno področje [3]. Tabela 1: Statistični podatki o govorni zbirki Razlikujemo med dvema vrstama govornih zbirk: sistema eBralec.  brani govor: med drugim vključuje izvlečke iz knjig, radijske novice, sezname besed in zaporedja števk …  Snemanje govorne zbirke je potekalo v studiu RTV Slovenija ob spontani govor: vključuje dialog (med dvema ali več osebami), prisotnosti izkušenega tonskega tehnika. Med 10 profesionalnimi pripovedovanje (npr. raznih zgodb), opise (npr. poti na govorci smo izbrali najustreznejši moški in ženski glas. Med zemljevidu), dogovarjanje (npr. glede termina sestanka) ipd. branjem besedila so govorci imeli nameščene elektrode Za potrebe sinteze govora predlagamo govorno zbirko z branim Laryngographa, s katerimi smo spremljali nihanje glasilk za lažje govorom. Takšen govor ustreza najpogostejšim oblikam rabe kasnejše označevanje period govornega signala. sintetizatorjev govora. Poleg tega je lažje izdelati transkripcijo Samo snemanje je zaradi obsežnosti besedila, ki ga je bilo potrebno takšnega govora. Snemanje je bolj nadzorovano in predvidljivo. Pri prebrati, trajalo več mesecev. Pri tem smo skušali zagotoviti, da so spontanem govoru je govorno zbirko težko fonetično in prozodično uravnotežiti. nastavitve opreme ves čas ostale čim bolj nespremenjene. To ni bilo najlažje, saj je bila oprema v studiu že precej stara, studio je bil Najpomembnejši preostali dejavniki, ki jih je potrebno upoštevati konstantno v uporabi, konfiguracija prostora pa se je prilagajala pri snovanju govorne zbirke za potrebe sinteze govora so: izbira trenutnim potrebam RTV Slovenija. Pred vsakim snemanjem je vsebine posnetkov, izbira govorcev, snemanje govorne zbirke in govorec poslušal svoje predhodne posnetke, s čimer se je skušalo označevanje posnetkov. zagotoviti čim bolj enak način govora, z enako intonacijo ipd. Izbira velikosti govorne zbirke je posledica kompromisa med Zbirka sintetizatorja eBralec je bila označena na treh nivojih: želenim številom variacij glasov oz. njihovim pokritjem na eni grafemski zapis besedila, fonetični zapis prebranega govora z strani ter časom in stroški, vezanimi na razvoj, na drugi strani. mejami posameznih fonemov, oznake period zvenečih glasov. Upoštevati je treba tudi čas za kasnejše preiskovanje govorne zbirke in potreben prostor za njeno hranjenje. 46 Govorna zbirka oz. njen fonetični prepis se je popravljal s  poleg najpogostejših besed je treba »pokriti« tudi različne programom Transcriber (Slika 1). Govorci vseh besed niso prozodične kontekste, v katerih se te besede običajno izgovorili tako, kot smo pričakovali oz. tako, kot bi jih izgovoril pojavljajo, sam sintetizator govora. Zato je bilo potrebno fonetični zapis  čim bolj se skušamo izogibati besedam, ki niso vsebovane v uskladiti z dejansko prebranim. slovarjih izgovarjav, s katerimi razpolaga projektna skupina, saj je zanje potrebno ročno zagotoviti pravilen fonetični prepis,  v besedilo je priporočljivo vključiti pogoste leksikalne termine oz. pogoste besede, kot so denimo telefonske številke, ekonomsko terminologijo (bančništvo), različne valute, terminologijo s področja računalništva in interneta, medicine, pogosta lastna imena, nekatera tuja imena in izraze, glavne in vrstilne števnike, črkovanje, značilne jedi, turistične znamenitosti, lahko tudi države in njihova glavna mesta; pri tem stavke, ki pokrivajo te termine, kreiramo sami,  v zadnjem času je pomembno, da govorna zbirka pokriva še različne situacije, ki nastopajo v dialogu (aplikacije dialoga in simultanega prevajanja; npr. raba v virtualnih asistentih),  večji zastopanosti raznovrstnih povedi, predvsem vprašalnih in velelnih (pogostost teh povedi mora biti večja, kot je v samem besedilnem korpusu, iz katerega se zajema besedilo za branje),  besedilo naj zajema različne zvrsti novic, razne napovedi (npr. vremenske napovedi) in podajanje informacij (npr. stanje na cestah, borzne informacije) ter navodil (npr. napotki za vožnjo), Slika 1. Postopek popravljanja fonetičnih oznak v govorni  bolj podrobno označevanje govorne zbirke, ki naj vsebuje tudi zbirki eBralca. prozodijske oznake in razne dogodke, vezane na govorne organe, Največje izrazite identificirane pomanjkljivosti govorne zbirke  izbiri ustreznega ženskega glasu – ta naj bo nekoliko nižji in eBralca so naslednje: bolj aspiriran (povprečna osnovna frekvenca naj bo nižja kot  prevelika osredotočenost na čim večje število različnih pri aktualnem ženskem glasu), polifonov (npr. štirifonov, petfonov ipd.),  zagotavljanju enakih snemalnih pogojev med posameznimi  stavki omejenih dolžin znotraj vnaprej določenih intervalov ne sejami snemanja, pokrivajo dovolj vseh situacij, s katerimi se srečamo med  obseg govornega korpusa naj bo večji od obstoječega. dejansko sintezo,  premalo vprašalnih in velelnih povedi, 3. PRIPOROČILA ZA VSEBINO BRANIH  vsebina govorne zbirke ni bila povezana z najbolj pogostimi BESEDIL vsebinami besedil, ki se sintetizirajo v praksi oz. z najpogostejšimi aplikacijami rabe sintetizatorjev govora, Umetno generirani govor mora zveneti naravno in biti prijeten za  poslušanje. Pomembne so tudi nastavitve za hitrost branja in jakost govorna zbirka je brez posebnih prozodijskih oznak, označena zvoka ter možnost uporabe različnih glasov. sta dva nivoja (grafemski in prozodični),  sploh niso oz. pomanjkljivo so označeni razni dogodki, Izbor vsebine posnetkov oz. branih besedil govorne zbirke za povezani z govorilnimi organi, kot so tlesk, zapora, odpora, sintezo govora poteka v več korakih [5]: pripora, pridih,  ustvari se obsežna tekstovna zbirka besedil, ki pokriva različne  govorna zbirka ne vsebuje posebej posnetih števk, števil, zvrsti (dnevni časopisi, revije, leposlovje ipd.), števnikov, ideogramov, aktualnih slovenskih in pogostih tujih  tokenizacija – iz zbirke besedil se odstranijo vse oznake, vezane imen, priimkov, krajev, imen ulic ipd., prav tako ni podprto na oblikovno podobo (glava besedila, tabele ipd.), črkovanje (razumljivo črkovanje je v nekaterih aplikacijah in  okrajšave, števila ipd. se pretvorijo v polno besedno obliko za posebne skupine uporabnikov še posebnega pomena; npr. (normalizacija besedil), slepi in slabovidni uporabniki, uporaba v bralnikih zaslona),  besedila se pretvorijo v predvideni fonetični prepis (grafemsko-  predvsem ženski glas ni najbolj »posrečeno« izbran za potrebe fonemska pretvorba), sinteze slovenskega govora,  optimizira se obseg zbirke glede na vnaprej pripravljene  oddaljenost govorca od mikrofona ni bila najbolj ustrezna; kriterije (metoda požrešnega iskanja); doseči želimo statistično prevelik razpon med konicami signala in preostalim delom ustrezno vzorčenje izbranega področja govorjenega jezika. onemogoča večjo glasnost sintetiziranega govora,  Izbira povedi ne sme potekati naključno, pač pa mora biti skrbno pri snemanju ni bil pred mikrofon postavljen ustrezen filter, ki načrtovana [6]. Priporočamo, da se za čim optimalnejšo izbiro bi zadušil neželene zvoke; npr. razne tleske,  povedi uporabi naslednji postek, ki ga sestavlja več korakov: premajhna pozornost pri zagotavljanju enakih snemalnih 1. Statistična obdelava besedil: pogojev med posameznimi seansami snemanja.  Statistično obdelamo celoten besedni korpus in določimo Pri izgradnji nove govorne zbirke bo na podlagi preteklih izkušenj pogostost pojavljanja posameznih glasov in glasovnih treba več pozornosti nameniti: nizov v besedilu.  večji prozodični pestrosti posnetega besedila, ki bo pokrivala  Vključimo vse stavke (povedne, velelne, vprašalne itd.) in najrazličnejše situacije rabe sintetizatorja govora, besedilo izdelamo statistiko posameznih vrst povedi oz. stavkov. mora vsebovati tudi zelo kratke in zelo dolge povedi, 47 2. Izdelava spiska glasovnih nizov z oceno zaželenosti sintetizator govora najpogosteje uporabljal. Tako se sintetizator posameznega niza: govora še posebej prilagodi izbranim domenam, za katere prebrani  V spisek vključimo nabor vseh teoretično možnih umetni govor potem zveni še posebej naravno in ga »na hitro« kombinacij difonov. skoraj več ni moč ločiti od človeškega govora.  V spisek vključimo vse trifone, štirifone in (po potrebi) Za izbor fonetično in prozodično uravnoteženega besedila ostale zaželene (najpogostejše) polifone, na katere smo predlagamo uporabo besedilnega korpusa Gigafida , ki vsebuje 1,2 naleteli pri statistični obdelavi besedil. milijarde besed v slovenskem jeziku.  Utež oz. ocena zaželenosti niza je odvisna od pogostosti njegovega pojavljanja v besedilu. 4. PRIPOROČILA ZA IZBIRO 3. Postopek izbire povedi:  Ocenimo doprinos glasovnih nizov za vsako poved iz GOVORCEV tekstovnega korpusa. Posname naj se vsaj 10 različnih govorcev. Te krajše posnetke  Doprinos povedi je enak vsoti vseh ocen zaželenosti nizov (nekaj sto stavkov z dobrim pokritjem difonov) se nato strojno (iz spiska), ki se v povedi pojavijo. označi in preizkusi na aktualnem sintetizatorju govora. Po možnosti  Doprinos posamezne povedi normiramo z dolžino povedi se izvede tudi anketa med več poslušalci glede naravnosti in (št. besed v povedi ali št. fonemov v povedi). razumljivosti govora, pa tudi glede subjektivne ocene, kateri glas  Določimo takšno utež, da bodo dolžine izbranih stavkov se jim preprosto zdi najprijetnejši za poslušanje. čim bolj ustrezale statistični porazdelitvi dolžin stavkov iz Dobro je, da je glas takšen, da se v postopku sinteze mesta korpusa. »lepljenja« čim manj opazijo oz. slušno zaznajo. Pri izbiri govorca  Izberemo poved z najvišjim normiranim doprinosom. je potrebno upoštevati tudi njegovo sposobnost sledenja napotkom,  Iz spiska odstranimo vse glasovne nize, ki jih izbrana poved potrebne ponovitve med snemanjem, čas snemanja ipd. vsebuje. Potrebujemo vsaj en moški in en ženski glas. Smotrno je, da  Ponovno ocenimo vsako poved in izberemo najboljšo sintetizator govora razpolaga s po dvema glasovoma za vsak spol. (glede na novi spisek, v katerem so izločeni tisti glasovni Pomembno je, da se kandidate vnaprej seznani z namenom nizi, ki smo jih že pokrili) ter popravimo spisek. snemanja in možne uporabe tako pridobljenih glasov. Pred  Postopek ponavljamo, dokler ne izberemo želenega števila snemanjem morajo izbrani govorci podpisati pogodbo oz. privolilo, povedi. da dovolijo rabo posnetkov za potrebe sinteze govora. 4. Ovrednotenje rezultatov:  Vsakih 1000 povedi izdelamo statistiko difonov, trifonov, DEJAVNIKI GOVORCEV štirifonov in drugih polifonov, ki jih že pokrivamo (gre za Pri izbiri govorcev moramo upoštevati nekatere značilnosti, ki so glasovne nize, ki smo jih do takrat že izločili iz zgoraj povezane z njihovim govorom. Pri tem razlikujemo med [7]: omenjenega spiska).  prehodnimi značilnostmi oz. tranzienti in 5. Dodatne izboljšave algoritma:  trajnimi značilnostmi.  Ker mora zbirka vsebovati vse možne kombinacije difonov, Prehodne značilnosti so morebitne psihološke in fiziološke motnje algoritem popravimo tako, da difone dodatno utežimo glede na ostale polifone. Na takšen način bo algoritem na (npr. počutje, bolezen, psihično stanje). začetku dajal prednost povedim, ki bodo pokrile čim več Med trajne značilnosti pa uvrščamo fiziološke in anatomske novih difonov. Predvidoma se vsi difoni pokrijejo že po ca. značilnosti (npr. spol, starost, težo, okvare na govorilih, kadilske in 100 stavkih. pivske navade) ter geografske in socialno-jezikovne vplive na  Pri trifonih in štirifonih upoštevamo pri robnih glasovih govor (izobrazbo in poklic govorcev, narodnostno-narečno tudi podatek o glasovni skupini, ki ji pripadajo (npr. štirifon področje trenutnega in morebitnega predhodnega bivališča "krak" ne bo doprinesel prav dosti novega v našo zbirko, če govorcev, narodnostno-narečno področje govorčevih staršev). ta že vsebuje štirifon "krat"; zato oceno koristnosti takega GOVORNI DEJAVNIKI štirifona popravimo navzdol). To lahko naredimo preprosto tako, da v spisek vnesemo dodatne nize skupaj z njihovimi Med govorne dejavnike uvrščamo prozodijske značilnosti govora, frekvencami pojavljanja v korpusu (primer takega štirifona: ki se nanašajo na trenutno razpoloženje govorca ter njegov pristop "k"+"r"+"a"+"pripornik"). k tvorjenju govornih posnetkov [7]. Posneti govor lahko tako  Algoritem z različnim uteževanjem izboljšamo tako, da označimo za hiter, počasen, napet, sproščen, odrezav, natančen, končni nabor vsebuje različne povedi (povedne, vprašalne, površen ipd. velelne, enostavne, sestavljene, naštevanje itd.). Tako V praksi se izkaže, da so nekateri glasovi preprosto bolj primerni lahko isti korpus učinkovito uporabimo tudi za generiranje za izdelavo sintetizatorjev govora kot drugi. Pri tem je zelo težko prozodičnih parametrov pri sintezi govora. vnaprej napovedati, ali je nek glas primeren ali ne, pri tem ni splošno veljavnih pravil. Fonetični prepis besedila se izvede z modulom za grafemsko - fonemsko pretvorbo, s katerim razpolagajo projektni partnerji. Posnetih naj bo več 10 (do 50) ur govora. Prva ura posnetkov naj 5. PRIPOROČILA ZA SNEMANJE bo označena na zgoraj opisani način (čim boljša fonetična GOVORNE ZBIRKE uravnoteženost). Besedilo za preostale posnetke do 10 ur se izbere Besedilo, ki vsebuje vsa želena zaporedja alofonov, je tako, da so stavki čim bolj pestri in zajemajo različne prozodične najpriporočljiveje prebrati naenkrat. Zelo pomembno je namreč, da variante. Na takšen način dobimo dovolj učnega gradiva za govorec skozi vso besedilo govori na enak način, z enakim glasom, pravilno nastavljanje prozodičnih parametrov sintetizatorja. z enako intonacijo, skratka z enakimi parametri govora. Razliko do preostanka polnega obsega govorne zbirke se zapolni z Snemanje besedila po kosih v daljšem časovnem obdobju je manj branjem različnih zvrsti besedil, za katere se predvideva, da se bo priporočljivo, saj se govorcu lahko glas zaradi različnih zunanjih 48 vzrokov (vreme, drugačne nastavitve pri snemanju, spremenjen izgovarjav, različne hitrosti govora ipd. popravimo ob snemanju spekter in intenziteta motenj iz okolice) ali notranjih vzrokov naslednje seje. (razpoloženje, bolezen) spremeni, govorna zbirka pa ni v celoti posneta, kar oteži kvalitetno sintezo govora. 6. OZNAČEVANJE GOVORNIH Snemanje govornega gradiva naj poteka ob prisotnosti izkušenega POSNETKOV snemalnega operaterja z namenom, da se preprečijo neustrezne Predlagamo, da se uporabi tri nivoje anotacij oz. prepisov izgovarjave besed in napake pri snemanju govora. Govorcu je govorjenega besedila: grafemski prepis, fonetični prepis in potrebno pred snemalnimi sejami podati ustrezna navodila in ga zaprositi, da povedi prebira razločno in enako prozodijske oznake. merno hitro. Med branjem besedila imajo govorci nameščene elektrode laringografa, Ker je ročna segmentacija govora na fonetičnem nivoju naporna in s katerimi se spremlja nihanje glasilk zaradi lažjega kasnejšega dolgotrajna, pri tem uporabljamo vsaj delno avtomatizirane označevanja osnovnih period govornega signala. postopke, ki so bolj učinkoviti, če vnaprej poznamo grafemski Samo snemanje celotne govorne zbirke zaradi obsežnosti besedil prepis govorjenega gradiva. a, ki ga je treba prebrati, navadno traja več mesecev. Pri tem morajo Avtomatskim metodam in postopkom po potrebi sledi »ročno« nastavitve snemalne opreme ves čas ostati nespremenjene. Pred popravljanje oznak, kar je ne glede na hiter razvoj tehnologije še vsakim snemanjem naj govorec posluša svoje predhodne posnetke, vedno zelo zamudno. s čimer se skuša zagotoviti čim bolj enoten način govora med posameznimi snemalnimi sejami. Na začetku snemanja posamezne 7. ZAKLJUČEK seje naj govorec prebere nekaj vnaprej določenih fiksnih stavkov, Pri razvoju metod in priporočil za izgradnjo govorne zbirke ki omogočajo primerjavo glasnosti in višine govora med CityVOICE smo posebno pozornost namenili določanju optimalnih posameznimi snemalnimi sejami. pogojev za snemanje govornih zbirk, določanju optimalnih Med snemanjem govora je priporočljivo preverjati, ali govorec fonetično in drugače uravnoteženih vsebin za snemanje govornih ustrezno izgovarja predloženo besedilo. To lahko storimo s zbirk ter rešitvam za iskanje optimalnih govorcev. prisotnostjo druge osebe med snemanjem ali pa poskušamo v snemalni postopek vgraditi določeno samodejno preverjanje. 8. ZAHVALA Govor snemamo preko mikrofona v digitalni obliki, po navadi kar Operacijo CityVOICE sofinancirata Republika Slovenija in na namenski računalnik v studiu. Potrebujemo še ustrezno mešalno Evropska unija iz Evropskega sklada za regionalni razvoj, in sicer mizo, zaslon in slušalke (preko katerih govorec prejema navodila v okviru »Operativnega programa za izvajanje evropske kohezijske in posluša povratni govor). Posnetke govora shranimo v digitalni politike v obdobju 2014-2020«. obliki na trajne računalniške pomnilniške medije. Med posameznimi sejami nastavitev ne spreminjamo (uporabljamo 9. LITERATURA IN VIRI vnapej preddefinirane nastavitve opreme). Ustreznost govornih [1] Gorjanc, V. 2005. Uvod v korpusno jezikoslovje. Govor in parametrov lahko preverjamo z ustreznimi merilci (npr. Bruel & jezikovne tehnologije, januar 2014. Kjaer 2230 Sound Level Meter). [2] Zemljarič Miklavčič, J. 2008. Govorni korpusi. Univerza v Govor se snema z več različnimi mikrofoni in pod različnimi koti Ljubljani, Filozofska fakulteta. (npr. Studio Projects T3 Dual Triode). Pred mikrofoni je primeren filter (angl. »anti [3] Žganec Gros, J., Mihelič, F. in Dobrišek, S. 2003. Govorne -pop filter«), ki zaduši razne poke, tleske ipd. tehnologije: Pridobivanje in pregled govornih zbirk za Zaželeno je, da imamo nameščeno tudi spletno kamero in ogledalo. slovenski jezik. Jezik in slovstvo IIL/3–4 (2003), 47–59. S tem se govorcu pomaga, da ohranja konstantno razdaljo do mikrofona (tudi med različnimi seansami snemanja). [4] Žganec Gros, J., Vesnicer, B.,Rozman, S., Holozan, P., Šef, T. 2016. Sintetizator govora za slovenščino eBralec. Zbornik Oseba, ki snemanje nadzoruje, lahko preveri položaj govorca pred konference Jezikovne tehnologije in digitalna humanistika, vsako snemalno sejo in jo primerja s položaji v predhodnih sejah. Filozofska fakulteta, Univerza v Ljubljani, 2016. Majhno ogledalo (na steni) govorcu omogoča ohranjati primerno [5] Šef, T., Romih, M. 2011. Zasnova govorne zbirke za razdaljo tekom same snemalne seje. Govorce se zaprosi, da periodično preverjajo položaj svojega obraza sintetizator slovenskega govora Amebis Govorec, v ogledalu [8]. Informacijska družba IS 2011. Priporočamo frekvenco snemanja 44,1 kHz in 24-bitno vzorčenje [6] Chevelu, J., Lolive, D. 2015. Do Not Build Your TTS Training govornega signala. Corpus Randomly. Proc. EUSIPCO 2015, Francija. Ker je pri snemanju pomembno, da govorec ni preveč utrujen, [7] Dobrišek S. 2001. Analiza in razpoznavanje glasov v predlagamo 10-minutno snemanje znotraj pol urnega intervala. Posamezna seja naj traja dve uri; znotraj tega časa je možno posneti govornem signalu. Doktorska disertacija, Fakulteta za elektrotehniko, Univerza v Ljubljani. 40 minut govornega materiala (v štirih sejah). Vsak govorec naj opravi le eno dveurno sejo na dan. Za 50 ur posnetkov tako [8] Oliveira, L.C., Paulo, S., Figueira, L., Mendes, C., Nunes, A., potrebujemo 75 sej oz. 150 ur časa. Godinho, J. 2008. Methodologies for Designing and Razlike pri pogojih snemanja med različnimi sejami je možno Recording Speech Databases for Corpus Based Synthesis. detektirati s primerjavo povprečnih vrednosti Proceedings of the Sixth International Language Resources MFCC parametrov and Evaluation (LREC 2008), Marrakech, Morocco. posameznih izgovarjav [9]. [9] Richmond, K., Strom, V., Clark, R. A. J., Yamagishi, J., Fitt, Med posameznimi sejami preverimo predhodne posnetke. Morebitne napake zaradi neenakih snemalnih pogojev, napačnih S. 2007. Festival multisyn voices for the 2007 blizzard challenge. Proc. Blizzard Challenge Workshop (Proc. SSW6), ISCA. 49 Telemetric ECG monitoring during physical activity in field tests Boris Širaiy Roman Trobec Institut “Jožef Stefan” Institut “Jožef Stefan” Jamova cesta 39 Jamova cesta 39 1000 Ljubljana 1000 Ljubljana +386 31 616 169 +386 41 708 994 boris.siraiy@hotmail.com roman.torbec@ijs.si ABSTRACT 2. MATERIAL AND METHODS In this paper we show how it is possible to measure ECG signal with telemetric ECG body-sensor during physical activity in 2.1 Study Population regular conditions. Based on previous studies we choose position In this study was included one participant, age 24 years. He was a and type of fixation for sensor. Participant made three different student at the Faculty of Sport and Physical Education at the tests, first test was shuttle run test where speed of running was University of Belgrade. He was healthy and without known increased every minute, second test was Cooper 2400 m test, and previous cardiac problems. Before the tests the study purpose, and third test was 100 m maximal sprint. We measure ECG signal in its protocol were explained to him, and he signed consent for all three tests and analyse it with special software for Holter participation in the study. analysis. 2.2 Experimental Setup Keywords ECG measurements during the field tests were made with wireless ECG body sensors, Shuttle run, Cooper 2400 m, 100 m sprint, ECG body sensors Savvy (Saving d.o.o., Ljubljana, Slovenia) Healthcare. [13], which is a certified medical device, described in detail in the study of Trobec et al. [14]. The body sensor is light and non- 1. INTRODUCTION obstructive for users, which allows long-term exercise ECG measurements. The sensor is fixed on the body via two self- Nowadays sudden cardiac death presents extremely high risk for adhesive skin electrodes. An Android application, MobECG, sudden death of professional sportsmen and recreational athletes. which runs on a smartphone, captures and displays the measured Cardiovascular disease causes more than 90 % of sudden deaths data and saves it in the smartphone’s memory for further during physical activity [1]. Two France studies reported a daily processing. incidence of 3 sudden deaths and 4 myocardial infarctions during physical activity in the general population [2,3]. Studies from USA shows sudden cardiac death incidence between sportsmen in high schools and colleagues is 1:200.000 per year [4,5,6], while European studies shows that incidence is even higher, 1- 1,6:100.000 [7,8]. Considering the fact that 55-80 % of the athletes who died of sudden cardiac death had no prior symptoms of heart disease [9], the question is what else should be done for the prevention of sudden cardiac death, and to detect the people who has increased risk of sudden cardiac death. Telemetric ECG body sensor used in this paper was already used in previous pilot studies made during light physical activity [10], and in maximal laboratory exercise stress test (EST) [11]. Since an EST with ECG monitoring is usually performed in laboratory conditions, our goal is to determine whether it is possible to measure an ECG during regular sport activities, because it will offer a significant advantage for the prevention of cardiovascular accidents [12]. Aim of this study was to evaluate body-sensor ECG signals during three different field tests, and to analyse the quality of the Figure 1. Sensor position and type of sensor fixation in the recorded ECG signal. Next aim was to determine if different types first test (left-hand) and in the second test (right-hand). of sensor fixation influenced the ECG signal. The use of a telemetric ECG during physical activity could be very beneficial for medical doctors and sports scientists, and the most of all for The sensor position should be close to the heart to obtain professional and recreational athletes. appropriate amplitude of ECG signal. In addition, its position should avoid large muscles, due to the signals from the electrical 50 muscular activity (EMG) that could disturb the ECG [14,15]. In this study was used position Left Inferior (LI), shown as most adequate in previous study [11]. In the LI position the sensor electrodes are at the positions V1 and V2 of standard precordial leads, and the sensor is translated by approximately 10 cm, below the xiphoid, where the influence of muscular disturbances is expected to be minimal (see Figure 1). The ECG electrodes were positioned 5 cm apart [16]. Before the positioning, we cleaned the skin of the subjects with diluted ethanol. The participant made six tests, two shuttle run, two Cooper 2400 m, and two 100 m sprint test. In the first test the ECG body sensor were fixed with self-adhesive medical Omniplast 2,5 cm tape (Paul Hartmann AG, Heidenheim, Germany), specially Figure 2. An example of adequate quality signal. designed to fix Holter electrodes. Both parts of the sensors were fixed together with one, approximately 40-cm-long strip of tape. In the second test sensor were fixed with standard Polar belt made An example of screenshot of a signal which is not of for measurements of the heart rate (HR) with Polar system. adequate quality for interpretation and for further analysis is shown in Figure 3. The measured ECG data were continuously stored in the mobile- phone memory and transferred to the personal computer. The ECG analysis were made with medically certified Holter interpretation software QuickReader® AFT-1000 (Holter Supplies, Paris, France). 2.3 Measurement Protocol Every test was made in a separate day, except 100 m sprints where both tests were made in the same day, with 30 min pause in between tests. Before performing the tests, the electrodes and sensors were positioned at the LI position and fastened with self- adhesive tape. After that the participant sat down and waited for 5 minutes, while the ECG was recorded. After 5 minutes the participant started with the test. When the test was finished the participant sat down and rested for 5 minutes, while the ECG was Figure 3. An example of a signal which cannot be interpreted. still recording. The next day the participant took part in a second test. In the second test sensors were fixed with Polar belt. The The computerized heart-rate analysis was successful for most of ECG recording protocol was the same as on the previous day. The the time during both shuttle run tests and during Cooper and 100 next type of test, under the same protocol, were performed in the m tests when sensor was fixed with Polar belt. During the visual next 2 days. The study was conducted in accordance with the inspection we also found erroneously detected QRS complexes, ethical standards of the Faculty of Sport and Physical Education using the Holter interpretation software, often because of the (IRB approval No. 02-1359/18-2), University of Belgrade, and the excessive artefacts that come from the intense activity (right-hand Helsinki Declaration. part of Figure 4). 3. RESULTS In the first shuttle run test participant successfully made 11 minutes of the test (11/2) with the maximal heart rate (HR) 196 beats per minute (bpm), while in second test he successfully made 10 minutes of the test (10/10) with the maximal HR 192 bpm. In the first Cooper test he run 11:49 minute, with the maximal HR 192 bpm, and in the second test he run 13:10 min, with the maximal HR 193 bpm. In the 100 m sprint test he run 13:45 sec in the first test, with maximal HR 172 bpm, while in second test he run 13:84 sec, with the maximal HR 179 bpm. Analyse of the signal show that ECG signal was of adequate quality in both shuttle run tests, while in Cooper and in 100 m Figure 4. Visualization of the detected heart beats using the sprint test signal was of adequate quality only in second test when Holter interpretation software QR. The correctly interpreted sensor was fixed with a Polar belt. An example of screenshot of a QRS complexes are shown in the left-hand panel. An example typical HR signal in bpm, and correct QRS complex detection of a of the erroneously interpreted QRS complexes is shown in the signal which is of adequate quality for interpretation and for right-hand panel. further analysis is shown in Figure 2. 51 4. DISCUSSION [4] Maron, B.J., Gardin, J.M., Flack, J.M., Gidding, S.S., This paper show that a wireless ECG body sensor can be used for Kurosaki, T.T., Bild, D.E. 1995. Prevalence of hypertrophic non-obstructive measurements of an ECG during some regular cardiomyopathy in a general population of young adults: physical activities. The aim of this study was to check if wireless echocardiographic analysis of 4111 subjects in the CARDIA ECG body sensors can be used during field tests. The results show study. Circulation, 92, 785-789. that the type of fixation and the type of test influence the results. [5] Maron, B.J., Shirani, J., Poliac, L.C., Mathenge, R., Roberts, When sensor was fixed with Polar belt signal was of adequate W.C., Mueller, F.O. 1996 . Sudden death in young quality during entire test, but when sensor was fixed with competitive athletes: clinical, demographic, and pathological Omniplast tape the signal was of adequate quality only in shuttle profiles. JAMA, 276, 199-204. run test, when the speed of running starts with 8.5 km/h and [6] Pedoe, D.T. 2000. Sudden cardiac death in sport-spectre or increases 0.5 km/h every minute, while in tests when speed of preventable risk? Br. J. Sports Med., 34, 137-140. running was constantly high the signal was not acceptable. In that case maximal speed of running in shuttle run test was between [7] Epstein, S.E., Maron, B.J. 1986 . Sudden death and the 13.5 and 14.0 km/h, and this was very similar to previous competitive athlete: perspectives on preparticipation laboratory study which confirm that ECG signal on a treadmill screening studies. Journal of the American College of was of adequate quality for speeds of running up to 13.5 km/h. Cardiology, 7, 220-230. [8] Pigozzi, F., Spataro, A., Fagnani, F., Maffulli, N. 2003 . The diagnostic ability of the ECG body sensor, used in this study, Preparticipation screening for the detection of cardiovascular has been compared in various previous pilot studies with other abnormalities that may cause sudden death in competitive similar devices [14] and with standard 12-lead ECG [14,17]. athletes. British Journal of Sports Medicine, 37, 4-5. Previous studies shown that ECG body sensor, even so simple, can also detect most of the arrhythmic events, e.g., atrial or [9] Drezner, J.A., Courson, R.W., Roberts, W.O., Mosesso, ventricular fibrillation, exstrasystole, tachycardias, bradycardias, V.N., Link, M.S., Maron, B.J. 2007. Inter-association task etc. The analysed measurement methodology can provide basic force recommendations on emergency preparedness and information about the heart rhythm’s status. In the case of any management of sudden cardiac arrest in high school and detected abnormality the users can be directed to further college athletic programs: a consensus statement,” J. Athl. diagnostics with a standard stress test and medical personnel. Train., 42, 143-158. [10] Širaiy, B., Stanič, U.J., Poplas-Sušič, A., Katkič, Z. 2018. 5. CONCLUSION Impact assessment of the mornint gymnastics “1000 The presented results are a motivation for further study, where movements” via ECG and sport tests. 41st Int Conven. on more participants will be included. With such a telemetric Inform. and Communic. Technol., Electron. and approach it might be possible, to the best of our knowledge for the Microelectron. (MIPRO), 284-288. first time, to routinely measure ECG signals in real conditions, [11] Širaiy, B., Ilić, V., Trobec, R. 2018 . Evaluating telemetric e.g., when users are running in nature, during a significant ECG body sensor signal in exercise stress test: Pilot study. activity. In the presented paper an appropriate method of sensor 41st Int. Conven. on Inform. and Communic. Technol., fixation was found; however, to confirm this conclusion study Electron. and Microelectron. , 289-294. should be extended, and heterogenous group of participants, e.g., [12] Casa, D.J., Guskiewicz, K.M., Anderson, S.A., Courson, male and female, should be included. R.W., Heck, J.F., et al. 2012. National Athletic Trainers' Association Position Statement. Preventing Sudden Death in 6. ACKNOWLEDGMENTS Sports. J. Athl. Train., 47(1), 96-118. This paper was supported by Slovenian Research Agency under [13] www.savvy.si, last time visited on 15. September, 2018. the Grant P2-0095. [14] Trobec, R., Tomašić, I., Rashkovska, A., Depolli M., Avbelj, 7. REFERENCES V. 2018. Body sensors and electrocardiography, SpringerBriefs in Applied Sciences and Technology. [1] Mazić, S., Ilić, V., Đelić, M., Arandjelović, A. 2011. Sudden cardiac death in young athletes. Srp. Arh. Celok. Lek., 139, [15] Clancy, E.A., Morin, E.L., Merletti, R. 2002. Sampling, 394-401. noise-reduction and amplitude estimation issues in surface electromyography. J. Electromyogr. Kinesiol., 12(1), 1-16. [2] Chevalier, L., Hajjar, M., Douard, H., Charief, A., Dindard, J.M., et al. 2009. Sports-related acute cardiovascular events [16] Kania, M., Rix, H., Fereniec, M., Fernandez, H.Z., Janusek, in a general population. A French prospective study. Eur. J. D., Mroczka, T., Stix G., Maniewski, R. 2014. The effect of Cardiovasc. Prev. Rehabil., 16, 365-370. precordial lead displacement on ECG morphology. Med. Biol. Eng. Comput., 52, 109-119. [3] Marijon, E., Uy-Evanado, A., Reinier, K., Teodorescu, C., Narayanan, K., Jouven, X., Gunson, K., Jui, J., Chugh, S.S. [17] Trobec, R., Avbelj, V., Rashkovska, A. 2014. Multi- 2015. Sudden cardiac arrest during sports activity in middle functionality of Wireless Body Sensors. Transac. Int. Res., age. Circulation, 131, 1384-1391. 10(1), 23-27. 52 Napredni pogovorni svetovalci Aleš Tavčar Matjaž Gams Institut "Jožef Stefan" Institut "Jožef Stefan" Jamova cesta 39, Jamova cesta 39, 1000 Ljubljana 1000 Ljubljana ales.tavcar@ijs.si matjaz.gams@ijs.si POVZETEK domenah. Posredovanje informacij o čakalnih dobah za Inteligentni pogovorni svetovalci olajšajo uporabnikom iskanje posamezne posege in poizvedovanje po platformi Think!EHR. informacij in komunikacijo z informacijskimi sistemi, saj omogočajo dostop do ogromne količine informacij na semantičnem spletu z uporabo naravnega jezika in s 2. ZASNOVA SISTEMA poizvedovanjem po strukturiranih podatkih, glede na Splošna arhitektura predlaganega sistema je sestavljena iz štirih uporabniške poizvedbe. Učinkovitost tovrstnih sistemov se je glavnih komponent: občutno povečala z razvojem semantičnega spleta, ki je v zadnjih - spletnega vmesnika za zajem uporabniških poizvedb, letih pripeljal do velike količine podatkov objavljenih na spletu na podlagi povezanih podatkovnih načel, kar olajša - pogovornega agenta znotraj sistema DialogFlow, avtomatsko - zalednega mehanizema, ki procesira zahtevke iz obdelavo podatkov. V tem prispevku predstavimo inteligentni sistem, ki je sposoben razumevanja vprašanj uporabn DialogFlow agenta, ikov in - univerzalnega vmesnika za dostop do podatkovnih lahko posreduje podatke ter informacije iz obstoječih spletnih zbirk. servisov ter podatkovnih virov. Ključne besede Spletni vmesnik je implementiran v obliki pogovornega okna pogovorni svetovalci, procesiranje naravnega jezika, think!EHR (angl. chat), kjer se vprašanja in odgovori izmenično prikazujejo 1. UVOD (glej Slika 4). Vmesniku so dodani tudi izbirni gumbi, kar olajša uporabniku interakcijo, saj mu ni potrebno pisati in lahko izbere Eno bolj dinamičnih področij raziskav je danes interakcija med želeno opcijo (glej Slika 4 človekom in računalnikom z razvojem inteligentnih ). Aplikacija je implementirana v html sistemov ali jeziku, z uporabo jquery komponent za dinamično spreminjanje aplikacij, ki so sposobni komuniciranja v naravnem jeziku in vsebine in prikazovanje kompleksnejših elementov. Zaledni del, upravljanja z obširnimi bazami znanj [1]. Take sisteme pogosto ki procesira vnose uporabnika pa je implementiran v spletnem imenujemo pogovorni svetovalci ali virtualni agenti. Takšni ogrodju Django. agenti so sposobni posredovati celovito znanje o določenih domenah, kar olajša dostop do ogromnih količin podatkov, ki Za učinkovito procesiranje naravnega jezika je bilo uporabljeno obstajajo na svetovnem spletu. Svetovalci so v zadnjih letih orodje DialogFlow. Gre za spletno storitev, ki jo podpira Google postali izredno uporabno orodje, ki uporabnikom omogoča in se izvaja na Googlovi oblačni infrastrukturi in omogoča iskanje informacij hitreje in natančneje. Podjetja, kot so Google, uporabo orodij za procesiranje in razumevanje vprašanj, Microsoft ali Apple, nudijo splošne pomočnike, ki uporabnikom postavljenih v naravnem jeziku. Vnos, ki se ga želi analizirati se pomagajo najti restavracije ali trgovine blizu njihove lokacije, iz zalednega dela posreduje DialogFlow servisu preko ustreznih upravljati svoj telefon ali nuditi računalniško podprto podporo za knjižnic. Za posamezno domensko področje (baza znanja programske pakete. V prihodnosti bodo programski paketi in svetovalca) se ustvari agent, ki ga s posredovanjem množice spletne platforme, v določeni obliki, vsebovale pogovorne učnih primerov naučimo razločevati med nameni uporabnika. Za svetovalce, ki bodo uporabnikom svetovale in pomagale pri vsak namen, ki ga definiramo, vnesemo večje število vprašanj in uporabi programske rešitve. prepustimo sistemu, da zgradi odločitveni model. Na podoben način je mogoče iz teksta, ki ga uporabnik vnese, izluščiti Na področju procesiranja naravnega jezike se je v zadnjem času vrednosti za različne parametre, ki jih predhodno definiramo razvilo precej orodij (spletnih storitev), ki omogočajo (datumi, kraji, imena ipd.). procesiranje tekstovnega vnosa, določanje namena uporabnika in tudi luščenje vrednosti določenih, v naprej definiranih Rezultat procesiranja v DialogFlow agentu je JSON objekt, ki vsebuje klasifikacijo uporabniškega vnosa v enega od definiranih parametrov. Izmed teh so najbolj poznane DialogFlow [2] in Rasa [3]. Prvi je Googlov sistem, ki deluje v oblaku in uporabniki razredov (angl. intents) in seznam morebitnih vrednosti dostopajo do funkcionalnosti preko REST vmesnika. Rasa pa je parametrov, ki jih je sistem izluščil. To prejme zaledni del odprtokodna rešitev, ki omogoča namestitev na lastnem (implementiran v Djangu) in na podlagi procesiranja JSON strežniškem sistemu. objekta določi nadaljnji potek. Ta lahko vsebuje že ustrezni odgovor, ki ga sistem nato vrne spletnemu vmesniku in ga Kombinacija spletnih ali mobilnih aplikacij, oblačnih sistemov prikaže v pogovornem oknu. Mehanizem pa lahko določi, da je za procesiranje naravnega jezika in zalednih funkcionalnosti, ki potrebno pridobiti odgovor ali podatke iz zunanjih virov ali omogočajo pridobivanje podatkov iz podatkovnih baz, podatkovnih baz. semantično anotiranih podatkov na spletu ali spletnih platform, Zahtevo se nato pošlje do ustreznega vmesnika, ki je sposoben omogoča razvoj uporabnih in naprednih aplikacij za komunicirati z zunanjim virom znanja. Ta pretvori JSON komunikacijo z uporabnikom. podatke v zahtevek, ki ga zunanja podatkovna zbirka, aplikacija V pričujočem prispevku predstavimo sistem za procesiranje ali platforma razume. Običajno se generira REST zahtevek. vprašanj uporabnikov in naprednega posredovanja informacij. Delovanje pogovornega svetovalca demonstriramo na dveh 53 3. ČAKALNE VRSTE zanima. To je realizirano s kombiniranjem algoritma za Definirani inteligentni sistem smo najprej aplicirali na domeno indeksiranje in klasifikacijo z DialogFlow agentom. V primeru, svetovanja o čakalnih vrstah za zdravstvene storitve. ko svetovalec ni prepričan o posegu, uporabniku vrne množico elementov, za katere je določil najvišjo verjetnost ujemanja. Ti 3.1 Implementacija so prikazani v obliki gumbov, katere lahko uporabnik izbere (glej Aplikacija uporablja generičnega svetovalca, ki smo ga Slika 4). predstavili v prejšnjem razdelku. Ustvariti smo morali DialogFlow agenta in ga naučiti razpoznavati ustrezne zahtevke uporabnikov. Iz vprašanj uporabnika agent poskuša pridobiti tri vrste podatkov: poseg, nujnost napotnice in regijo posega. Agenta smo naučili tako, da smo mu podali večje število primerov vprašanj za različne kombinacije parametrov. Uporabnik lahko povpraša po posegih na različne načine in v različnih sklonih. Zato smo pri iskanju ustreznih posegov uporabili tudi algoritem za indeksiranje nizov. V primeru, da DialogFlow agent ne najde natančnega zadetka za poseg, se izvede delno iskanje po indeksiranih posegih in metoda vrne seznam posegov, z izračunanimi verjetnostmi. Nekaj najverjetnejših posegov se ponudi uporabniku v izbiro preko izbirnih gumbov. Primer uporabe sistema je zaporedje vnosov, ki podajo informacijo o čakalnih dobah za določen poseg v določeni regiji. Uporabnik najprej poda poseg za katerega se zanima. Svetovalec nato poskuša pridobiti manjkajoče podatke, ki jih potrebuje za pridobitev informacij o čakalnih dobah. Najprej uporabniku prikaže izbirne gumbe z nujnostjo napotnice. V naslednjem koraku uporabnik izbere regijo, kjer želi izvesti poseg. V primeru, da uporabnik že v osnovnem zahtevku poda vse potrebne informacije, se ta dva koraka izpustijo. Primer takega vprašanja je: »Pod nujno iščem zobarja na štajerskem«. Podatke o čakalnih dobah pa zaledni del pridobi iz spletnega servisa [4], kamor se pošlje http POST zahtevek, odgovor se Slika 2: Prikaz rezultatov poizvedovanja za zobozdravstveni procesira in informacije o ustanovah in ustreznih čakalnih dobah pregled. shrani v strukturiran JSON objekt. V naslednjem koraku uporabnik preko vnosnih gumbov izbere 3.2 Primeri uporabe nujnost napotnice in regijo, v kateri želi opraviti poseg. Sistem nato pošlje poizvedovanje na spletni servis za razbrane parametre V tej sekciji predstavimo nekaj primerov uporabe aplikacije za in pridobi čakalne dobe za različne zdravstvene ustanove. posredovanje informacije o čakalnih dobah. Slika 1 prikazuje Uporabniku se prikaže 5 ustanov, kjer je čakalna doba najkrajša. začetni pogled spletne aplikacije. Ob zagonu vmesnika se Vsaki ustanovi je pripisan naslov in kontaktni podatki. Primer prikažejo pozdravni nagovori, kjer se pogovorni svetovalec izpisa je prikazan na Sliki 2. predstavi in uporabnika obvesti, da z ključno besedo »pomoč« lahko pridobi več informacij in prejme dodatna navodila. 4. THINK!EHR SVETOVALEC Uporabnik vnaša vprašanja in zahteve v spodnje vnosno polje. Naslednja domena kjer smo preizkusili pogovornega svetovalca je poizvedovanje po Think!EHR platformi. V tej aplikaciji se mora uporabnik najprej prijaviti. Svetovalec loči med dvema vlogama: zdravnik in pacient. Na podlagi vloge svetovalec posreduje različne tipe in obseg podatkov iz Think!EHR platforme. 4.1 Implementacija Pri implementaciji aplikacije smo ponovno uporabili generičnega svetovalca, ki smo ga prilagodili glede na specifike domene. Think!EHR platforma je namenjena zdravstvenim delavcem in vsebuje različne podatke o pacientih: osebni podatki, relacije med pacienti, rezultati analiz ipd. Zdravnik lahko pregleduje zgolj podatke svojih pacientov, določena oseba pa zgolj svoje podatke in meritve. Zaradi te logične razdelitve smo spletnemu vmesniku dodali možnost prijave (glej Slika 3), kjer se lahko prijavijo zdravniki ali pacienti in tako se določi uporabniku vloga. Na podlagi tega se nato uporabniku omogoči različna Slika 1: Začetni pogled svetovalca za posredovanje informacij o čakalnih vrstah. poizvedovanja in prikaz različnih tipov in obsega podatkov. Za pregledovanje meritev smo spletnemu vmesniku dodali Odgovori sistema se prikažejo na desni strani in so osenčeni s sivo barvo. Vnosi uporabnika pa se prikažejo na levi strani in so grafični prikaz v ozadju pogovornega svetovalca (glej Slika 5). osenčeni s svetlo zeleno barvo. Ta omogoča prikaz poljubnih podatkov v meritvah na Svetovalec najprej poskuša preglednejši način. razbrati iz vnosov uporabnika za kateri zdravstveni poseg se 54 Na novo smo generirali DialogFlow agenta in ga naučili razpoznavati različne zahtevke, ki jih uporabnik lahko posreduje. Agent načeloma lahko iz teksta izlušči imena, različne nazive meritev in datume. Pridobivanje podatkov pa je realizirano preko REST vmesnika ehrscape platforme [5]. Določene podatke smo lahko pridobili preko osnovnih API klicev, za kompleksnejše poizvedbe pa smo uporabili AQL jezik, ki omogoča poizvedovanje po EHR zapisih. 4.2 Primeri uporabe Pogovornemu svetovalcu je dodano prijavno okno, kjer se mora uporabnik prijaviti, da lahko dostopa do podatkov v platformi (glej Slika 3). S prijavo se uporabniku določi ena od dveh možnih vlog: zdravnik ali pacient. Glede na to se prilagodi funkcionalnosti sistema in nabor možnih poizvedovanj po platformi. Slika 5: Grafični prikaz posamezne vrste meritev za vlogo pacienta Druga vloga, ki jo lahko uporabnik zavzame je zdravnik. V tem primeru lahko prijavljeni uporabnik dostopa do seznama svojih pacientov (glej Slika 6) in pregleduje osebne podatke o posameznem pacientu (glej Slika 7). Vnosnemu polju je dodana tudi funkcionalnost iskanja in avtomatske dopolnitve znakovnega niza (angl. autocomplete), ki olajša vnašanje imen pacientov določenega zdravnika. Uporabniški vlogi zdravnik je omogočena polna funkcionalnost sistema in dostop do vseh različnih poizvedb, ki jih platforma podpira. Kot v prejšnjem primeru lahko pridobi osebne podatke o svojih pacientih, išče podatke o sorodstvenih vezeh ter njihove vnesene informacije in Slika 3: Prijavni obrazec svetovalca. S prijavo se določi vlogo pregleduje vse sklope meritev, laboratorijskih izvidov, in funkcionalnosti. napotnice, lekarniške recepte, alergije itd. Za posamezne sklope Uspešno prijavljena oseba (pacient) lahko pregleduje vse svoje meritve in laboratorijske izvide mu je omogočen grafičen prikaz zapise, ki so shranjeni v platformi Think!EHR. Slika 4 prikazuje posameznih komponent v času, kot je prikazano na Sliki 5. posredovani seznam zapisov, ki so zabeleženi za določeno osebo. S klikom na gumb se izbere posamezno meritev. Slika 6: Prikaz vseh pacientov, ki so dodeljeni prijavljenemu Slika 4: Pregled vseh vrst zapisov v Think!EHR za vlogo zdravniku. pacient. Posamezni sklopi meritev za izbrani vnos se prikažejo na strani v ozadju (glej Slika 5). Posamezne meritve so časovno urejene in grafično prikazane. Uporabnik lahko poljubno vklaplja ali izklaplja prikaz posameznih meritev znotraj sklopa. 55 prejema rezultate analize teksta, ki ga uporabnik vnese preko spletnega vmesnika in na podlagi pridobljenih vrednosti parametrov določi ustrezni vir za pridobivanje zahtevanega podatka. Zadnja komponenta sistema pa je množica vmesnikov za komunikacijo z zunanjimi viri podatkov. Vsi vmesniki prejemajo zahtevke iz zalednega dela na enoten način, njihova vloga pa je transformacija splošnega zahtevka v obliko, ki jo razume zunanji servis. V večini primerov gre za definiranje REST zahtevka, ki se nato posreduje ustreznemu cilju. Sistem smo demonstrirali na dveh domenah. Implementirali smo svetovalca za posredovanje informacij o čakalnih dobah za posamezne posege in za pridobivanje podatkov iz zdravstvene platforme Think!EHR. Predstavili smo primere uporabe za obe aplikaciji in različne vloge uporabnika. Predstavljeni sistem ima velik potencial za integracijo v različne produkte podjetij, saj olajša interakcijo in izboljša uporabniško izkušnjo pri uporabi produkta ali storitve podjetja. ZAHVALA Raziskave in razvoj so nastale v okviru programa EkoSMART in so delno sofinancirane s strani Ministrstva za izobraževanje, znanost in šport in Evropske unije iz Evropskega sklada za regionalni razvoj (ESRR). Slika 7: Prikaz podatkov o posameznem pacientu za vlogo 6. REFERENCE zdravnik. [1] Seron, F. J. in Bobed, C. 2016. VOX system: a semantic 5. ZAKLJUČEK embodied conversational agent exploiting linked data. V pričujočem prispevku smo predstavili koncept splošnega Multimedia Tools and Applications 75, 1, 381-404. sistema pogovornega svetovalca, ki omogoča komunikacijo v [2] https://dialogflow.com/, dostop 12.9.2018 naravnem jeziku in ga je mogoče uporabljati na različnih [3] https://rasa.com/, dostop 12.9.2018 domenah. Svetovalec lahko uporablja statično bazo znanja v obliki vprašanja–odgovor, ali želene informacije/podatke pridobi [4] https://cakalnedobe.ezdrav.si/, dostop 13.9.2018 iz zunanjih virov. To pa so lahko podatkovne baze, internetni [5] https://www.ehrscape.com/api-explorer.html, dostop viri, spletni servisi, platforme itd. Sistem je sestavljen iz štirih 13.9.2018 glavnih komponent. Spletni vmesnik omogoča interakcijo z uporabnikom preko tekstovnega vnosa ali izbirnih gumbov. Sistem za procesiranje naravnega jezika kombinira metode iskanja po indeksiranih tekstovnih nizih in razpoznavanje namena uporabnika z uporabo storitve DialogFlow. Zaledni del 56 The potential of Blockchain technology in health monitoring Aleksandar Tošić Michael Burnard Jernej Vičič University of Primorska InnoRenew CoE University of Primorska Glagoljaška 8, Koper, Livade 6, Izola, Slovenija Glagoljaška 8, Koper, Slovenija University of Primorska Slovenija InnoRenew CoE Glagoljaška 8, Koper, ISJFR, SRC SASA Livade 6, Izola, Slovenija Slovenija Novi Trg 2, Ljubljana, Slovenia aleksandar.tosic@upr.si mike.burnard@innorenew.eu jernej.vicic@upr.si ABSTRACT research for years. Previously, however, scientists, research This paper is an overview of available technologies for a prac- institutions and governments have relied solely on a system tical implementation of a system that would facilitate large of self-regulation based on shared ethical principles and gen- scale sensor networks with some unique required features. It erally accepted research practices to ensure integrity in the outlines some special features and benefits of decentralized research process. Due to an increase in provable reports of systems and explores the possibilities of applying them in private and public entities sharing and processing user data building and health monitoring. Arguably, the adoption of without consent, awareness amongst the general public has Internet of Things systems suffers from a trade-off between increased substantially. Regulation has tightened following privacy, usability and availability. While these systems can the data protection movement and increased public aware- solve a variety of problems by acquiring enormous amounts ness, which is reflected by recent developments of the GDPR of data, they pose security and privacy concerns. We identify in Europe and the battle for net neutrality internationally. these trade-offs and the unique properties needed to resolve While these regulatory frameworks are still in their infancy, them in an effort to find the most suitable technology for a overcoming the clear barrier of storing and processing data demonstration implementation. privately and securely must be carried out in a way that does not impact the progress of research and innovation. Categories and Subject Descriptors C.2.4 [Distributed Systems]: decentralized systems; E.3 Structural health monitoring of buildings is important in [DATA ENCRYPTION]: Public-private key encryption damage detection [6], [7] [3] and [4]. More specifically, dam- age to building components or systems may be observed as changes in materials or the geometrical properties of a sys- General Terms tem. Additionally, a building’s health can be assessed by Application monitoring and detecting damage over time. It is also im- portant to provide an explanation as to why the damage Keywords occurred. With the developments and progress in readily DLT, Blockchain, Sensor network, Structural health moni- available and affordable sensors, data collection has become toring more widespread. Storing and processing sensor data in a functioning building can also reveal sensitive and personal 1. INTRODUCTION information about building users. While this poses a privacy Storing and processing data has become very important. and security risk, it supports an emerging and discovering Technological advances in hardware have enabled high ca- field of research: discovering behavioral patterns in building pacity storage and data processing. In recent years, the usage and user health monitoring. Besides monitoring the ideology of an information society where information be- user’s health, there is a growing need to design and imple- comes a financial instrument has matured substantially in ment smart solutions for buildings, focused on elderly peo- both the private and public sectors. Small and large com- ple. These are just examples a few amongst many use cases panies have built business models monetizing information where storing and processing building and user data can be obtained from processing data. The ability to extrapolate a beneficial. deeper understanding of data has been a focus in academic Logging data-points from a large quantity of sensors and storing it safely is predominately and engineering task. How- ever, exploring architectural patterns and design principles is important to study the security and availability of data. Generally, such systems are implemented as centralized data- bases handling data integrity and storage, while peripheral devices are connected to the database directly through any medium of digital communication. However, centralized sys- tems inherently represent a single point of failure. Another 57 downside is that these systems require users to trust a cen- The absence of a central server or entity requires a peer-to- tral entity by losing control over their data and transparency. peer network of nodes that form a distributed system. In A broader view of these problems lies in the nature of digi- general, each node keeps the current state of the ledger. Any tal information. If digital information is passed to someone, change in the state of the ledger is propagated to all nodes. the owner loses control as the information can be copied or To ensure replication, a consensus algorithm is needed. The altered. In other words, as soon as access is granted, the algorithm’s properties are predominantly inherited by the data can be copied, processed and shared without the user’s specific implementation. However, they in general address consent or knowledge. Public-private key encryption tech- the following problems. niques solve this but again require users to trust a central authority issuing certificates (certificate authority) and the underlying implementation of software that facilitates the • All nodes controlling an instance of the ledger need to service. Ideally, a system for storing and processing data come to an agreement on the order of transactions and would be transparent, trustless and could uniquely identify commit the transactions to the ledger in that order. digital information. • Decide on the state of the ledger when two or more con- flicting states are being propagated through the net- Designing a system where data can be safely stored and pro- work cessed without the possibility of copying or sharing (without consent) is challenging. In this paper we explore the poten- • Secure the protocol against deliberate or accidental tial of distributed ledger technology (DLT) with a specifi- malicious actors. cally designed architecture that aims to solve the aforemen- tioned problems of centralized systems while still maintain- ing the same functionality, availability and security. One of the most well-known protocols that has addressed those issues is Bitcoin, a type of DLT called a Blockchain. There are now many variations of the protocol experiment- 2. REAL WORLD IMPLEMENTATION ing with different consensus algorithms that provide interest- This review and research of existing DLTs is inspired by a ing properties. A Blockchain is simply a distributed and de- project at the InnoRenew CoE. The research institute fo- centralized database that has mathematically provable prop- cuses on sustainable building with renewable materials, hu- erties addressing the problems mentioned above. These prop- man health in the built environment and ICT integration erties make it suitable for maintaining a digital currency or buildings, manufacturing and products. A new building will value transfer. The Bitcoin protocol enables participants in be constructed to house the InnoRenew CoE staff and re- the network to transact with one another using Bitcoin as a search facilities. In addition to its primary function, it is digital currency. The consensus algorithm, usually refereed also a demonstration project for sustainable building with to as Proof of Work, solves the aforementioned problems. wood and it will include various sensors that will give more Private-public key encryption is used for security and it has insight into how materials and components perform, how some interesting and unique properties, which we address spaces are used and the overall health and performance of later. Another successful implementation of a Blockchain is the building. A sensor network of this scale requires careful Ethereum, which added support for Smart Contracts (SC). examination to identify the appropriate technology and im- SCs are in essence programs that can be executed in a dis- plementation constraints. One of the key attributes of sensor tributed system. The result of the computation is decided networks is to store sensitive data, including user data, while through the consensus protocol. These programs have the having the ability to process and analyse data for research ability to send transactions and store data. Lately, most re- purposes. The unique properties of DLTs and distributed search and innovation related to consensus algorithms and computing could meet those requirements and at the same distributed system shifted focus to explore Blockchain tech- time maintain a high level of security, availability and scal- nology. Arguably, the interest spiked due to an abundance ability. In chapter 3 we identify the properties required and of investments and business opportunities in this emerging review existing platforms that would potentially be suitable technology. Due to the rapid expansion of DLT, different for real-world implementation. protocol implementations and use cases, a careful review is needed to choose a suitable platform. 3. REVIEW In this chapter we review various existing DLTs that enable Our review includes DLT systems specifically designed to storing, analyzing and processing data in a completely trust- tackle the Internet of Things (IoT) systems. The desired less way. We structure this chapter so that it provides some functionalities required are: background on DLTs. We then explore some important fea- tures of Blockchain technology, a type of DLT, describe some • Storing large amounts of uniquely identifiable data in a of their unique features and explain the functionality they trustless way. Successful implementations of DLT such provide to our system [1], [2]. as Bitcoin have the ability to uniquely identify digital data by unique fingerprints. This is achieved through 3.1 DLTs and Blockchain public private key encryption, which has been used for Interest in distributed ledger technology has spiked signif- years. However, in a completely trustless distributed icantly in recent years. This is mostly due to a few suc- and decentralized system such as Bitcoin, this can be cessful implementations. DLTs are systems that maintain a achieved without trusting a centralized entity. A Bit- distributed database. In such a system, there is no central coin must and can be uniquely identified, otherwise entity that administers or controls the state of the network. participants in the network could create new Bitcoin 58 by simply copying the digital fingerprint of another. connecting the current transactions with two others [5]. Ar- This can be translated to any data which would in guably, the choice of transactions to confirm is very impor- turn prevent copying and manipulating data. tant to prevent transaction starvation and avoid latency. With this data structure, IOTA eliminates the need for min- • Security is an important issue in centralized systems. ers and special nodes that confirm transactions. We do not Storing sensitive data in a central server inherently cre- go into details about the cryptography and transaction con- ates a single point of failure. A compromised central firmation but one important aspect is that it does not require database can be fatal for any centralized system. De- a lot of resources and can be done by most devices. This en- centralized implementation of DLT can solve this by ables the IOTA network to process transactions without fees having all nodes in the system keeping a copy of the as there is no need to incentivise specially designed nodes to current state of the database. In such systems, there is provide security to the network. Additionally, the scalabil- no central entity that malicious actors could attack, in- ity of the network is ensured as having more transactions on stead the whole system must be attacked. This would the network consequently means more transactions are con- require malicious actors to convince participants in the firmed. This makes IOTA the perfect candidate for creating network to change the state of the database through a decentralized sensor network where sensors log data in a consensus. The details of the different types of attack form of a transaction. However, IOTA has received some vectors is outside the scope of this paper, but has been criticism about the possibility of centralizing the network studied extensively. which has not been addressed yet. Another downside is the lack of SCs support, which prevents execution of programs • Data processing is the most important functionality in a distributed and trustless system. the system must provide. DLT implementations have achieved this by introducing SCs. SCs are computer 3.3 Ethereum programs that can be executed by nodes in a dis- tributed system. Through consensus protocols, the Ethereum is a unique platform which enables developers to network comes to an agreement of what the output implement their own protocol on top of Ethereum’s protocol of the program is. The output can be included in the with the use of Turing-complete SCs. The network is a vari- ledger. This important feature can facilitate programs ation of Bitcoin’s network using proof-of-work as to reach that process data without the need for the author to consensus [8]. Miners race to solve a problem, which in- ever access data. Instead, a SC is granted access to volves guessing the result of a problem with some accuracy. the data and writes the output to the ledger. In general the actual problem and the solution is not im- portant. The properties of such problems are. In a proof of • Transparency has been an ever growing problem in in- work model, the problem being solved has to be hard, while formation systems. Even though some systems claim checking if the found solution is correct is trivial. Since the to be transparent about how and which data they pro- only way to find the result is to check all possibilities in a cess, policing this is infeasible due to the nature of dig- brute-force manner, finding the result is also proof that a ital data. A distributed system can provide maximum lot of computational power (work) was put into finding the transparency. All transactions and SCs included in a result. Every time such the result is found by a miner, the distributed ledger can be transparent as all nodes keep network checks if the result is correct. If a winning node is a copy of the current state of the ledger. Any instance found, it gets to include the next block in the chain of blocks. of a ledger can be queried for information about the There are a lot of specifics to each implementation of Proof current state of the system and the entire history of of Work, but in general, the system is secure because trying transactions and SC executions (computation results to cheat it would potentially result in a huge financial loss are stored as a transaction). (electricity and equipment used to mine). Ethereum builds on Bitcoins idea by adding SC support. The ability for ac- tors within a trustless network to execute programs opens In the following subsections we review popular existing im- up a world of possibilities which are still being explored. plementations of DLT and identify subsets of the required However, due to the Poof of Work based consensus, blocks properties they provide. We focus on public permission- get added to the network realistically slowly. Additionally, less Blockchains that at least have a semi-working product. transactions and SC executions are not free, as miners have There are many other projects working on DLTs to support to be payed a reward for executing them. Hence, large scale smart buildings, health monitoring and sensor networks but sensor networks cannot be built on top of Ethereum due to are currently not ready for production use. the financial impact and slow transaction speed. Ethereum plans to update in the coming years, migrating from the 3.2 IOTA PoW consensus to a proof of stake, where instead of min- IOTA is one of the most popular projects aiming to solve ing, validator nodes will validate transactions. To ensure problems in IoT and create a machine to machine economy. security of the network, validators will have to stake coins, However, unlike many other DLT implementation, IOTA which can be taken from them by the network, should they is not a Blockchain. Consequently, the consensus protocol provably act against the network. Eliminating the need for is somewhat unique. IOTA is implemented as a directed miners would decrease block-time and allow the network to acyclic graph refereed to as the Tangle. The construction overcome it’s current scalability issues. of the graph is done by having transactions be vertexes and edges be confirmations of transactions. In a Tangle, each 3.4 VeChain new, unconfirmed transaction must confirm two other un- VeChain is a Blockchain based DLT that digitalizes real as- confirmed transactions. The confirmation creates an edge sets that can be uniquely identified and tracked. The most 59 promising application is arguably supply chain management 6. REFERENCES and verifiability of real assets. VeChain also supports autho- [1] K. Biswas and V. Muthukkumarasamy. Securing smart rization based digital assets, which simply means ownership cities using blockchain technology. In High Performance of digital assets (and, consequently, real assets) can be repre- Computing and Communications; IEEE 14th sented. This is done with the help of SCs that link a digital International Conference on Smart City; IEEE 2nd asset to an account. Whoever owns the private key to the International Conference on Data Science and Systems account, owns the digital asset. The processing of transac- (HPCC/SmartCity/DSS), 2016 IEEE 18th tions and execution of SCs is done by delegates. VeChain International Conference on, pages 1392–1393. IEEE, is built as a delegated proof of stake (DPOS) system where 2016. delegates using the network are granted the right to run a [2] A. Dorri, S. S. Kanhere, and R. Jurdak. Towards an node. The consensus algorithm, named Proof of Authority, optimized blockchain for iot. In Proceedings of the grants stakeholders the right to run a node if they maintain Second International Conference on Internet-of-Things a minimum balance of VET tokens (VeChain’s native cur- Design and Implementation, pages 173–178. ACM, rency) to engage in protocol governance. The network is not 2017. completely trustless as users and applications must trust the [3] C. R. Farrar and K. Worden. An introduction to majority of delegates to act in the favor of the network. In structural health monitoring. Philosophical general, this is solved by choosing delegates that would op- Transactions of the Royal Society of London A: pose one another rather than work together. The details of Mathematical, Physical and Engineering Sciences, SC support are still not known, which makes VeChain un- 365(1851):303–315, 2007. suitable for real life implementation at the time of writing. [4] V. Giurgiutiu. Structural Health Monitoring with Piezoelectric Wafer Active Sensors: with Piezoelectric 4. CONCLUSION Wafer Active Sensors. Elsevier, 2007. The paper presents an overview of the existing DLT tech- [5] B. Kusmierz. The first glance at the simulation of the nologies that could be potentially used as an aggregation tangle: discrete model, 2017. platform for personally identifiable data in the context of [6] A. Mita. Emerging needs in japan for health monitoring building monitoring and ambient assisted living. The chal- technologies in civil and building structures. In Proc. lenges that we face and try to address with the platform Second International Workshop on Structural Health are: Monitoring, pages 56–67, 1999. [7] H. Sohn, C. R. Farrar, F. M. Hemez, D. D. Shunk, D. W. Stinemates, B. R. Nadler, and J. J. Czarnecki. A • fault tolerance (the platform should detect faulty sen- review of structural health monitoring literature: sors), 1996–2001. Los Alamos National Laboratory, USA, • 2003. security issues detection and prevention, [8] G. Wood. Ethereum: A secure decentralised generalised • data security (platform should act as a safe storage transaction ledger. Ethereum project yellow paper, network), 151:1–32, 2014. • data anonymity and privacy • data availability and transparency Selected technologies will be used in a real-life pilot imple- mentation: the new Innorenew CoE building that will incor- porate sensors monitoring building parameters and health parameters of the employees. The pilot represents a true en- gineering challenge (mounting thousands of specialized and multi-purpose sensors with the accompanying equipment), but the true challenge lies in devising, implementing and testing a platform based on DLT that will address the mon- itoring and analytical needs as well as the security and pri- vacy concerns. The building is in the last preparation stages and is scheduled to be built in the next year and a half, the sensor network will be partly built into the building so we expect the full implementation of the presented setting to be fully functional in the months following the inauguration of the building. 5. ACKNOWLEDGEMENTS Authors Tošić and Burnard gratefully acknowledge the Eu- ropean Commission for funding the InnoRenew CoE project (Grant Agreement No. 739574) under the H2020 Widespread- Teaming programme. 60 Prenos projekta “Asistent IJS” na Python 3.6 Jakob Valič Institut “Jožef Stefan” Jamova cesta 39 Ljubljana, Slovenija jakob.valic@gmail.com POVZETEK 3. PRENOS PROJEKTA V prispevku si bomo ogledali, kako smo prenesli kodo projekta Prenos kode asistenta na verzijo programskega jezika Python “Asistent IJS” (asistent) iz programskega jezika Python 2.7 v 3.6 je potreben, ker bo v letu 2020 ukinjena podpora za Python Python 3.6 in opravili nekaj drugih popravkov. Prenos v novo 2.7, projekt asistent pa je dolgoročnejši projekt. Naloge smo se verzijo je bil potreben zaradi ohranitve tehnične podpore lotili s pomočjo knjižnice Py2to3, ki pregleda datoteke s kodo programskemu jeziku. in avtomatično vnese popravke. Naštejmo nekaj razlik med verzijama programskega jezika, ki jih knjižnica Py2to3 Ključne besede upošteva. V Python 3.6 asistent, avtomatično odgovarjanje, Py2to3  je ukinjena uporaba značke 'u' za unicode nize,  branje vrednosti slovarja vrne generator namesto seznama, 1. UVOD  imamo drugačno notacijo za prestrezanje napak, Asistent je projekt, katerega začetki segajo v leto 2013. Dostop  se je knjižnica urllib razdelila na dve knjižnici: do uporabniškega vmesnika projekta se nahaja na spletni strani urllib.request in urllib.error. https://www.ijs.si. Asistent je orodje za izbiro najustreznejšega odgovora na zastavljeno vprašanje v zvezi z Institutom “Jožef Med asistentovimi moduli ni neposredne komunikacije, zato Stefan” (IJS). Projekt je podrobno opisan v [1]. Trenutno smo lahko prenašali vsak modul posebej. Do komentiranih delujoča različica asistenta je napisana v programskem jeziku delov kode in blokov kode, ki so bili shranjeni v podatkovnih Python 2.7. Ker je projekt dolgoročne narave, smo se odločili, bazah asistenta, knjižnica Py2to3 ni imela dostopa, zato smo jih da opravimo prenos kode projekta na verzijo Python 3.6, kateri morali prenesti ročno. je zagotovljena nadaljna tehnična podpora. 4. DRUGE SPREMEMBE Izkoristili smo priložnost, da uvedemo še nekaj drugih 2. STRUKTURA PROJEKTA Asistent je spletna aplikacija, razdeljena na jedro in več med sprememb asistentove kode: seboj neodvisnih modulov. Vsak od modulov je odgovoren za  popravek prijave administratorja, vprašanja z določenega področja ali za določen vidik delovanja  dodajanje dokumentacijskih komentarjev, asistenta. Navzven je asistent spletni servis, ki prejme vprašanje  pisanje testnih primerov. uporabnika in vrne odgovor. Poleg te osnovne funkcije nudi asistent še uporabniški vmesnik za uporabnike in 5. ZAKLJUČEK administratorje. Na projektu asistent ostaja veliko možnosti za stilistično izboljšavo kode in za izboljšanje načina izbire pravega 2.1 Moduli odgovora. Morda je najbolj očitna pomanjkljivost v statičnosti Glavna uporaba asistenta je, da uporabnik vnese vprašanje in izbire odgovorov. Vzorci za iskanje odgovorov so določeni, pritisne tipko Enter. Ob tem se vsak modul odzove s klicem funkcije, ki poišče najboljši odgovor v modulu in ga doda izven njih pa asistent nima dobrega odgovora. v izbor vseh odgovorov. Odgovori so sestavljeni iz besedila Prenesena koda se v času pisanja tega prispevka nahaja v odgovora, uteži odgovora, morebitne povezave na spletno stran ločenem repozitoriju. V bližnji prihodnosti bo postavljena v v ozadju, informacije o tem, kateremu modulu pripadajo in produkcijo. morebitne pripadajoče geste asistenta. Utež odgovora je merilo njegove kvalitete. Primeri modulov so: 6. REFERENCE  modul static_answer_kb za statična vprašanja iz baze [1] D. Kužnar, A. Tavčar, in J. Zupančič. Virtual assistant platform. Informatica, 40(3):285-289, sep 2016. podatkov (pripona kb je okrajšava za ang. knowledge base),  modul ijs_contacts_kb za informacije o zaposlenih na IJS,  modul slovenia_info_kb za glavne informacije o Sloveniji,  modul dont_know_kb za nedefinirane odgovore,  modul qa za izbiro najboljšega odgovora izmed vseh odgovorov, ki so jih v izbor dodali ostali moduli. 61 Časovna sinhronizacija brezžičnih EKG senzorjev Andrej Vilhar Matjaž Depol i Institut »Jožef Stefan« Institut »Jožef Stefan« Jamova 39 Jamova 39 1000 Ljubljana 1000 Ljubljana +386 1 477 3132 +386 1 477 3135 andrej.vilhar@ijs.si matjaz.depolli@ijs.si POVZETEK tudi z vzporedno uporabo več neodvisnih brezžičnih senzorjev V prispevku opišemo in ovrednotimo na Institutu »Jožef Stefan« hkrati. Motivacija temelji na že predlaganih metodologijah, ki razvito metodo za sinhronizacijo brezžičnih EKG senzorjev. potrjujejo, da je sinteza iz treh vzporednih diferencialnih meritev Sinhronizacija je nujen pogoj, če želimo iz istočasnih meritev več EKG mogoča [8]. senzorjev, opravljenih na eni osebi, sintetizirati standardni 12- Cilj tega prispevka je na kratko predstaviti novo kanalni EKG. Rezultati kažejo, da je metoda uspešna in torej metodologijo, ki smo jo razvili za dosego natančne sinhronizacije omogoča tovrstno sintezo. več EKG signalov, merjenih z brezžičnimi senzorji. Natančna sinhronizacija predstavlja nujen pogoj za uspešno sintezo 12- Ključne besede kanalnega EKG. Čeprav je bila metoda razvita s specifičnim EKG senzor, sinhronizacija, linearna regresija, 12-kanalni EKG. namenom sinhronizacije senzorjev EKG pa deluje v splošnem za vse vrste meritev z visoko vzorčno frekvenco, kjer imajo posamezne merilne naprave samostojne nesinhronizirane ure. 1. UVOD Merjenje EKG signalov se je od začetka 20. stoletja do danes močno razvilo in se je uveljavilo v obliki standardnega 2. SINHRONIZACIJSKI ALGORITEM 12-kanalnega EKG. Poleg klasičnih stacionarnih večkanalnih Predlagani algoritem poskuša sinhronizirati prejete vzorce EKG sistemov [1] so v uporabi tudi prenosni monitorji (tipični tako, da doseže pravilno reprodukcijo časovnih trenutkov, pri predstavnik je Holterjev monitor), ki že od leta 1960 omogočajo katerih so bili vzorci dejansko vzeti. Ura vozlišča, t.j. pametnega dolgotrajno (okvirno en cel dan) spremljanje EKG [2]. telefona, služi kot referenca. Tehnološki napredek je pozneje omogočil, da so prenosne Na vhodu algoritem dobi vzorce, označene s številko števca naprave postajale vse manjše in so za snemanje in časovnim žigom. Števec je monotono naraščajoče število, ki visokokakovostnih EKG signalov uporabile manjše, a še ga vodi senzor. Predpostavljamo, da so števci pravilni in da so zadostno število elektrod. Prenos posnetkov lahko poteka preko bili predhodno že opravljeni morebitni popravki preliva (angl. brezžičnega kanala do vozlišča z dostopom do Interneta. Opisana overflow), ki so nujni zaradi omejene preciznosti števil, s konfiguracija omogoča zagotavljanje širokega spektra mobilnih katerimi števce shranjujemo oziroma prenašamo. Časovne žige zdravstvenih storitev, od spremljanja bolnikov v bolnišnicah [3], zapiše vozlišče v času sprejema na aplikacijskem nivoju (ker se oddaljenega spremljanja bolnikov [4][5] in oddaljene medicinske le-to ne zgodi na nivoju gonilnikov, do katerih uporabniške podpore do športa, rekreacije in zabave. aplikacije nimajo dostopa). Na voljo so torej naslednji podatki: cnt_sensor (n) in t_hub (n) za n ε [1, N], kjer je N število poslanih Na Institutu »Jožef Stefan« je bila razvita večfunkcionalna podatkovnih paketov. senzorska naprava EKG, ki je del mHealth platforme [6]. Naprava obsega analogni EKG senzor, mikrokontroler in radijski Na izhodu algoritem določi nove, popravljene časovne žige, oddajnik Bluetooth Low Energy (BLE). Ima zelo nizko označene kot t_new (n). procesorsko zmogljivost in nima zmogljivosti shranjevanja, Algoritem se izvaja v štirih korakih: zaradi česar je majhna in energetsko učinkovita. Nosi se jo na prsih, kjer meri EKG in ga v realnem času brezžično pošilja na 1. Razčlemba meritev. pametni telefon. 2. Linearna regresija s filtriranjem paketov. Enostavnost naprave po eni strani omogoča, da je majhna, nemoteča in kot taka lahko nosljiva v vsakodnevnih dejavnostih, 3. Odprava nezveznosti. po drugi strani pa zaradi svoje enostavnosti prelaga več 4. Določitev časa vzorčenja. tehnoloških izzivov na stran pametnega telefona oziroma druge naprave, ki služijo urejanju prejetih podatkov v koherentno Korak 1: Razčlemba meritev. V tem koraku želimo razdeliti meritve v dobre in slabe bloke, kjer imajo slednji težko meritev. Glavni izziv je celovitost podatkov, ki je lahko ogrožena zaradi netočne ure na strani senzorja, naključnih zakasnitev v nadomestljive pomanjkljivosti, kot so večja izguba paketov, prenosu, ki so posledica brezžičnega protokola, in po naših daljši premor v prenosu paketov ali močno zapozneli paketi. Vse izkušnjah tudi zaradi nihanja urnega takta na pametnem telefonu. od naštetih pomanjkljivosti je mogoče prepoznati le z analizo časov prejetih paketov, to je iz daljše časovne razlike med Izziv je potrebno obravnavati že na ravni enega samega zaporednimi prejetimi paketi. EKG senzorja [7]. Naša motivacija pa je, da sistem razvijemo do te stopnje, da pravilno združimo meritve iz več EKG senzorjev, Druga naloga tega koraka je frekvenčna razčlemba, ki dobre ki merijo srčno aktivnost istega človeka in so priključeni na isti bloke nadalje razdeli na manjše bloke vnaprej določene največje dolžine. Motivacija je izboljšati natančnost ocenjevanja frekvenc pametni telefon. Cilj takega združevanja je pridobiti zmožnost sinteze klasičnega 12-kanalnega EKG, ki bi bil tako dosegljiv 62 vzorčenja, ki bo potekala v naslednjem koraku, saj lahko le-ta Vsak od signalov, prejetih na pametnem telefonu, je med samo meritvijo opazno niha. podvržen procesu sinhronizacije. Rezultat sinhronizacije nato primerjamo medsebojno, glede na absolutne časovne razlike, Korak 2. Linearna regresija s filtriranjem paketov. Na izračunane z iskanjem vrhov treh signalov in primerjavo njihovih vsakem posameznem dobrem bloku opravi algoritem postopek časov. Vrhove signalov poiščemo z uporabo kvadratne enostavne linearne regresije. Postopek je iterativen in ob vsaki interpolacije, kar zmanjša napako algoritma za iskanje vrhov. iteraciji je po postopku linearne regresije določena linearna Dobljeni rezultat je funkcija časa in služi kot metrika za oceno funkcija, ki ima najmanjšo vsoto kvadratnih razlik do uspešnosti sinhronizacije. pripadajočih vzorcev. Na koncu vsake ponovitve se izvaja filtriranje paketov. Njegov namen je odstraniti manj zanesljive pakete z veliko zamudo. Vsi paketi, katerih vrednost je nižja od vrednosti določene z regresijsko funkcijo, se odstranijo pred izvedbo naslednjega ponovitvenega koraka. Po končanem iterativnem procesu določitve linearne funkcije se opravi zadnja naloga tega koraka – določanje začetne vrednosti. Ta je določena glede na vzorec z največjo (pozitivno) Slika 1. Shema istočasnega merjenja umetnega signala napako med preostalimi vzorci. Z drugimi besedami, začetna EKG s 3 senzorji. vrednost je nastavljena po najzgodnejšem vzorcu glede na linearno funkcijo. Postopek zagotavlja, da so ocenjeni časovni 3.1 Rezultati žigi nižji ali enaki izmerjenim časovnim žigom, saj vemo, da . Rezultati analize kažejo, da v primeru, ko meritve niso izmerjeni časi ne morejo biti nižji od dejanskega časa vzorčenja. sinh ronizirane, povprečna časovna razlika merjenih vrhov znaša 12,7 ms s standardnim odklonom 10,2 ms. Vrednosti se znatno Korak 3. Odprava nezveznosti. Da bi odpravili znižajo, ko se uporabi sinhronizacijski algoritem. Srednja nezveznosti med deli funkcije, ki jih lahko med bloki dobimo po vrednost je v tem primeru le 0,49 ms, standardni odmik pa 2. koraku, v 3. koraku konsolidiramo meje blokov. 0,39 ms. Glede na postopek 2. koraka slabi bloki vedno ležijo le ob Za ponazoritev so prikazani povprečni primeri izmerjenih dobrih blokih, dobri bloki pa so lahko bodisi zraven dobrih bodisi generiranih signalov EKG na sliki 2. Časovne razlike med vrhom zraven slabih blokov. Zato je meja med dvema sosednjima v nesinhroniziranem primeru so 12,9 ms in 13,3 ms za zeleno- blokoma, t.j. zadnjim paketom enega bloka in hkrati prvim modri in zeleno-rdeči par, medtem ko je zakasnitev med vrhovi paketom drugega bloka, lahko bodisi med dobrim in slabim za modro-rdeči par 26,2 ms, kar presega napako treh vzorčnih blokom bodisi med dvema dobrima blokoma. obdobij. Po drugi strani so pari sinhroniziranih signalov vizualno Konsolidacija poteka tako, da za vse možne primere velja skoraj popolnoma poravnani, njihova časovna razlika je med eno od dveh pravil, kot sledi. 0,2 ms in 0,6 ms. - Pravilo 1. Če leva stran nima ocenjenega časa (slab blok), se zadnji točki v njenem območju dodeli vrednost prve točke desnega območja. - Pravilo 2. Če desna stran nima ocenjenega časa (slab blok), potem se prvi točki v njenem območju dodeli vrednost zadnje točke levega območja. Če imata obe strani čas ocenjen (dva dobra bloka), se uporablja pravilo 2. Korak 4. Določitev časa vzorčenja. V zadnjem koraku se ocenjene frekvence vzorčenja, določene na vsakem od signalnih blokov, uporabijo za izračun vzorčnega časa vseh paketov. Za vsak paket je čas vzorčenja določen kot: 𝑐𝑛𝑡 (𝑛)−𝑐𝑛𝑡 Slika 2. Del generiranega EKG signala, merjenega s 𝑡 0 𝑛𝑒𝑤 (𝑛) = , 𝑓(𝑡) tremi senzorji. Levi graf: nesinhroniziran primer. Desni graf: sinhroniziran primer. kjer je cnt(n) vrednost števca za ta paket, medtem ko sta cnt0 in f(t) začetna vrednost in nagib (smerni koeficient) paketnega 4. ZAKLJUČEK bloka. Postopek sinhronizacije bre . zžičnih senzorjev mora biti siste matičen in mora ustrezno rešiti dve glavni vprašanji, (i) 3. VREDNOTENJE ALGORITMA negotovost in zakasnitve na komunikacijskem kanalu ter (ii) nihanje ure (takta) senzorjev in pametnega telefona. Algoritem smo ovrednotili v laboratorijskem okolju z umetnim signalom EKG, generiranim z napravo, izvedeno na V članku predlagana metoda problem rešuje učinkovito in razvojnem modulu Arduino. Simulirani signal (stilizirani QRS natančno. Rezultati kažejo na to, da bi s takšno sinhronizacijo kompleks iz realnega EKGja) ima obliko, podobno eni periodi zagotovili vse pogoje za potrebe pravilne sinteze 12-kanalnega sinusnega vala, ki ji sledi enosmerni signal. Opisani vzorec se EKG iz signalov, merjenih vzporedno z več samostojnimi ponavlja periodično enkrat na sekundo. V eksperimentu brezžičnimi senzorji. uporabljeni senzorji EKG so merili signal s približno frekvenco vzorčenja 125 Hz. Vsi senzorji so povezani z enim samim 5. REFERENCE vozliščem (Android-napravo) prek radijskega protokola [1] Trobec, R. 2003. Computer analysis of multichannel ECG . Bluetooth LE. Konfiguracija je prikazana na sliki 1. Comput. Biol. Med. , 33, 3, 215–226. 63 [2] Janousek, J. 1989. Various systems of long-term ECG [6] Depolli, M., Avbelj, V., Trobec, R., Kalisnik, J. M., (Holter) monitoring in clinical practice. Cas. Lek. Cesk., Korosec, T., Poplas Susic, A., Stanic, U. and Semeja, A. 128, 14, 429-43. 2016. PCARD platform for mhealth monitoring. [3] Bifulco, P., Cesarelli, M., Fratini, A., Ruffo, M., Informatica. 40, 1, 117–124. Pasquariello, G., and Gargiulo. G. 2011. A wearable device [7] Vilhar, A. and Depolli, M. 2017. Synchronization of time in for recording of biopotentials and body movements In wireles ECG measurement. In Proceedings of the 40th Proceedings of the IEEE International Workshop on Jubilee International Convention MIPRO (Opatija, Croatia, Medical Measurements and Applications (MeMeA), 469– May 2017), 311–315. 472. [8] Tomašić, I. and Trobec, R. 2014. Electrocardiographic [4] Pantelopoulos, A. and Bourbakis, N. G. 2010. A Survey on systems with reduced numbers of leadssynthesis of the 12- Wearable Sensor-Based Systems for Health Monitoring and lead ECG. In IEEE Reviews in Biomedical Engineering. 7, Prognosis IEEE Transaction on Systems, 40, 1, 1–12. 126–142. [5] Lindén, M. and Björkman, M. 2014. Embedded sensor systems for health - providing the tools in future healthcare Stud. Health Technol. Inform. 200, 161–163. 64 Integration of Oncology Information System with Proton Therapy Software and Think!EHR Platform M. Vitorovič, Ž. Kroflič, J. Bobnar, A. Smokvina R. Savadkouhi Marand d.o.o. Cosylab d.d. Koprska ulica 100 Gerbičeva ulica 64 SI-1000 Ljubljana, Slovenia SI-1000 Ljubljana, Slovenia +386 1 470 31 00 +386 1 477 66 76 info@marand.si info@cosylab.com ABSTRACT Think!EHR platform. The role of an OIS is to delegate and Proton therapy uses a beam of high-energy protons accelerated in manage the workflow of a PT system. This is done through task a particle accelerator to treat cancer. Treatment plans are created assignments and progress reporting. Within the study of the OIS for each patient individually and are uploaded to the Oncology system architecture we laid out a basic treatment plan with a Information System (OIS). The OIS forwards this information to specified data structure, defined the patient registration procedure the Proton Therapy (PT) software system. When the treatment is and created the final treatment report. complete, a treatment report is generated detailing treatment We defined the acquisition, processing and final display of patient specific information. The PT system uploads this report to the data in a graphical interface. The processing and structure of OIS. To connect the OIS to an external platform such as the imaging data for medical software is described by the Think!EHR [2] it is critical for the PT system to be able to international DICOM standard [1] (Figure 1). communicate with the external API of the platform. This article describes the design of a Oncology Information System simulator and the integration of the Think!EHR platform, into a PT software system using the EHR service software component. Keywords oncology information system, proton therapy, DICOM, OIS simulator, Think!EHR, EHR service 1. INTRODUCTION Cosylab provides system integration and customer-adapted products and solutions covering the complete area of control systems and instrumentation. We specialize in accelerators both for scientific research and particle therapy, especially in the area of Proton Therapy machines. A complete Proton Therapy software system is composed of a Motion Control System (MCS), a Treatment Control System (TCS) and a System of Safety (SOS). The MCS controls movements of the patient couch, the gantry (for directing the beam to the patient), the X-ray imaging system (for patient scanning) and the translation slides (for inserting patient specific devices). The TCS controls the accelerator that accelerates protons to a certain energy, it checks the delivered dose and Figure 1: General DICOM communication model [1] manages the data storage that stores patient and machine related data. The SOS controls a set of PLCs (programmable logic controllers) connected to multiple PT hardware components and 3. OIS SIMULATOR room sensors. The SOS regularly checks the status of these An important research field in our work is the architectural design components and reports issues to the TCS. of an OIS simulator, which is adaptable and can be used to mimic an OIS system. We laid out the design of OIS simulator (OISSIM) and specified the compliance of the simulator to the DICOM 2. ONCOLOGY INFORMATION SYSTEM standard. The primary goal of OISSIM is to simulate an OIS that Cosylab is a partner in the Ekosmart project in the domain of IoT is being used at a hospital and provide a controlled environment health platforms. We analysed the architecture, data structure and where OIS-dependent applications such as the software used in communication standards of an Oncology Information System proton treatment can be tested. The client can request a list of (OIS) and its integration with a proton therapy system and the tasks, decide to perform one or several of them and report back on 65 the status of the performed tasks (Figure 2). With such a pass data from the proton treatment system to the Thin!EHR simulator, proton therapy software can already be tested during its platform based on the OpenEHR standard. With this component development phase. we establish a data flow from the OIS to the Think!EHR platform [2] via a PT software system. OISSIM supported functionalities: In collaboration with Marand we analysed the data structure and • worklist retrieval: an AE can retrieve a worklist, i.e. communication protocol of the Think!EHR platform and a list of UPSs, by sending a C-FIND request to the specific OpenEHR data model was created to accommodate data simulator. The OIS simulator then processes the request generated by the OIS. We analysed the communication standard and returns the UPSs specified by the query. the platform uses and took this into account in the development of • claim UPS: before the AE can perform work on behalf the EHR service. The service reads data from the external control of a UPS it has to claim it, i.e. the AE commits to system (ECS), which handles communication between the PT performing the work specified by the UPS. This is done software system and externally connected systems, e.g. the OIS. by sending an N-ACTION request to move the UPS The Data Distribution Service (DDS) protocol is used in all state from “SCHEDULED” to “IN PROGRESS”. communication. Once the EHR service connects to the ECS service, algorithms for filtering out patient data are used to • update UPS: the AE can modify the attributes of the retrieve targeted information. We also defined a template data set UPS by sending an N-SET request with new values. that should be uploaded to the Think!EHR platform. A basic • close UPS: after work on the UPS is completed, the AE workflow of the EHR service is shown in Figure 3. has to close the UPS. This is done by sending an N- ACTION request to move the state of the UPS from “IN PROGRESS” to “COMPLETED” or “CANCELED”. Figure 3: 4-step EHR workflow 5. ACKNOWLEDGMENTS The work was carried out in the framework of the EkoSmart programme, which is partially financed by the Republic of Slovenia – Ministry of Education, Science and Sport and the European Union – European Regional Development Fund. Figure 2: OISSIM application data flow 6. REFERENCES 4. EHR SERVICE [1] International DICOM standard: http://dicom.nema.org As part of the RRP6 Ekosmart project section (testing and [2] Think!EHR platfrom: http://www.ehrscape.com validation of prototypes) we are developing the EHR service component that integrates into a PT software system and is able to 66 Training of precise movements in 3D or 2D for persons with Parkinson’s disease? Imre Cikajlo Zlatko Matjačić Helena Burger Karmen Peterlin Potisk University rehabilitation University rehabilitation University rehabilitation University rehabilitation institute institute institute institute Linhartova 51 Linhartova 51 Linhartova 51 Linhartova 51 SI-1000 Ljubljana SI-1000 Ljubljana SI-1000 Ljubljana SI-1000 Ljubljana +386 1 475 8 150 +386 1 475 8 150 +386 1 475 8 150 +386 1 475 8 150 imre.cikajlo@ir-rs.si zlatko.matjacic@ir-rs.si helena.burger@ir-rs.si karmen.potisk@ir-rs.si ABSTRACT designed the VE for the use with LCD screen/laptop and with The 10Cubes for training and assessment of precise movements the 3D goggles (Oculus Rift CV1, Oculus VR, LCC, with upper extremities has been developed for 3D virtual USA). reality. The system comprises of an infrared stereo camera for hand/finger movements detection and a 3D head mounted device. In the small scale study 13 persons with Parkinson’s disease participated. The participants were randomized into 2 groups; one using a laptop and the other using a 3D head mounted device. The 2-week protocol with 10 sessions, each lasting for 30 min revealed that participants improved some functions by clinical means besides the successful game performance. The kinematics of the hand movements and the outcomes of the clinical test Box & blocks improved for both groups. 1. INTRODUCTION Parkinson’s disease (PD) is a progressive degenerative disease of the extrapyramidal system [1]. The disease often affects Figure 1. 10Cubes 3D: What are the advantages of the people at the age between 35 and 60 years. The following 3D virtual exergaming for persons with PD at home disorders can be observed: rigidity of muscles, slowness of based physiotherapy or telerehabilitation? movements (bradykinesia), tremor and various abnormal uncontrolled movements (dyskinesia). Physiotherapy at all stages may help to maintain certain level of quality of life In the study 13 persons with Parkinson’s disease were involved without changing the dosage of medicine. However, only some (67y, 7y after the first symptoms). The participants were reports support the statements on successfulness of randomized into 2 groups; one using the Oculus Rift 3D (5 physiotherapy [2] [3]. males, 2 females) and the other using a laptop (4 males, 2 females). The study was approved by local ethics committee In the study we hypothesized that persons with PD can improve and all participants gave a written consent. We examined the their fine motor skills using the 10Cubes3D application kinematics of the hand movement [4] and the changes in the regardless of the type of the visual equipment. clinical test Box & blocks. 2. METHODOLOGY 3. RESULTS Virtual environment (VE) for pinch and grip was created in The participants demonstrated higher score at Box & Blocks Unity3D (Unity Technologies, CA, USA). The dedicated space clinical test in both groups (4/2, 4/3): with simulated grass floor was limited with hidden walls and a model of a treasure box. In the middle of the dedicated space 10 BBT affected non-affected cubes with the same physical model, size, virtual weight, bounce stiffness, material, etc., were placed. The goal of the LCD 4/2/0 5/1/0 task was to grab and put all the cubes into the treasure box, one- by-one with the virtual hand. The virtual hand was a VR avatar 3D 4/3/0 4/1/2 presentation of the participant’s hand that was tracked in real- time by a mini camera (Leap Motion Controller, Leap Motion Inc., CA, USA). The camera tracked hand and fingers position, both required for construction of the 3D VR hand motion (Fig. 1) and the participant can view his/her hand in the VE. We designed an environment for left and right handed participants; the right handed grabbed the cube with the right hand and put it in the box on the left side of the VE and vice-versa for the left handed participants. The software for the assessment and control was written in C# using Leap Motion libraries. We 67 5. ACKNOWLEDGMENTS The authors would like to acknowledge the financial support to the Republic of Slovenia and the European Union under the European Regional Development Fund (EkoSMART) and Slovenian Research Agency (project MIO-A J2-7357, program P2-0228). 6. REFERENCES [1] Melnik M.E. 1995. Basal ganglija disorders. In : Umphred DA ed. Neurological rehabilitation. 3rd ed. St. Louis: Mosby, 606-636 [2] Clarke CE, Patel S, Ives N, Rick CE, Dowling F, Woolley Figure 2. The mean Box & blocks score improved (more R, et al. Physiotherapy and Occupational Therapy vs No boxes collected, more points) for both groups of Therapy in Mild to Moderate Parkinson Disease. JAMA participants for affected and non-affected hand. Neurol [Internet]. 2016 Mar;73(3):291. Available from: http://www.ncbi.nlm.nih.gov/pubmed/26785394 [3] Cikajlo I, Hukić A, Dolinšek I, Zajc D, Vesel M, The kinematic analysis demonstrated that the laptop group Krizmanič T, et al. Can telerehabilitation games lead to gradually performed faster, more efficient (inserted more cubes) functional improvement of upper extremities in individuals with less tremor after the training and the 3D group was indeed with Parkinson’s disease? Int J Rehabil Res [Internet]. more successful in speed performance and efficiency, but with 2018 May [cited 2018 Sep 26];41(3):1. Available from: significantly more attempts and higher tremor. http://www.ncbi.nlm.nih.gov/pubmed/29757774 4. DISCUSSION [4] Barry G., Galna B. and Rochester L. 2014. The Role of Exergaming in Parkinson's Disease Rehabilitation: A+A In the preliminary study with only few participants with Systematic Review of the Evidence . J Neuroeng Rehabil. Parkinson’s disease we cannot confirm any major differences 7, 11- 33. between the two applied approaches. Both groups performed well, improved their functional pick and place tasks in the [5] Fisher A.G. 2003. Assessment of Motor and Process Skills: virtual environment and in the real environment as Volume I – Development, Standardization, and demonstrated by the clinical test. During the task we recorded Administration Manual Fifth Edition. Three Star Press, several unsuccessful trials like misplacement of the cube, cubes Inc.-Fort Collins, Colorado USA falling out of the hand, causing tremendous hand tremor and [6] Goršič M, Cikajlo I, Novak D. Competitive and other measurable components supported by literature [6]. cooperative arm rehabilitation games played by a patient Even if we did not confirm the superiority of the 3D technology and unimpaired person: Effects on motivation and exercise over 2D, we would assume that the virtual cube game has intensity . J Neuroeng Rehabil [Internet]. 2017 Dec 23 enormously increased motivation and thus the participation of [cited 2017 Apr 11];14(1):submitted for publication. the subjects. The motivation of the participant can play an Available from: important role [6]. http://www.ncbi.nlm.nih.gov/pubmed/28330504 68 Forecasting the physical fitness and all-cause mortality based of schoolchildren’s fitness measurements Matej Cigale Anton Gradišek Miha Mlakar Jožef Stefan Institute Jožef Stefan Institute Jožef Stefan Institute Jamova cesta 39 Jamova cesta 39 Jamova cesta 39 Ljubljana, Slovenija Ljubljana, Slovenija Ljubljana, Slovenija matej.cigale@ijs.si anton.gradisek@ijs.si miha.mlakar@ijs.si Mitja Luštrek Jožef Stefan Institute Jamova cesta 39 Ljubljana, Slovenija mitja.lustrek@ijs.si ABSTRACT prediction of fitness for children based on previous years is The focus of medicine is steadily shifting from curing the sick quite hard. Several approaches were evaluated, but at this to preventive measures. In order to assist the policy makers time linear regression seems to provide the best results, al- in making the right decisions that would lead to a healthier though research on creating better models is still ongoing. population, there is an increasing need to develop models Since data on the health risks for the subjects in the SLOFit that can forecast the state of the population in the future, dataset is not available, we use risk calculation based on the check what measures are effective and what policies synchro- literature to calculate general mortality models based on nize. In order to track these changes, predict the state of the certain fitness indicators. As the data stored in the system population in the future, and thus make informed decisions, and its applications is complex, the standard used must en- the CrowdHEALTH platform is developed. The SLOfit use able flexible storage of information. The CH infrastructure case takes the information collected from a large population uses Fast Healthcare Interoperability Resources (FHIR) [3] of school children and aggregates this to provide informa- as the standard for data storage, meaning that all data can tion on the future health of the population that is just now be queried in a similar manner, and if the appropriate infor- finishing school. mation is available, compared and forecasts generated. Keywords The rest of the paper is organized as follows. Section 2 pro- vides an overview of the SLOFit data set. Section 3 provides obesity, fitness, exercise, machine learning the information on the architecture of the Forecasting An- alytical tool and places it in the context of the CH system. 1. INTRODUCTION Section 4 discusses the forecasting algorithm. Section 5 pro- The focus of medicine is steadily shifting from curing the sick vides the outline of the Risk assessment and finally Section to preventive measures[8]. With people’s growing desire to 6 discusses the results. increase their lifespan and health, there is an ever greater push for the policy makers to provide ways for people to increase or maintain their fitness. In order to forecast what 2. SLOFIT DATASET the population health will be in the years to come, research SLOfit is a massive cohort study of physical fitness of Slove- looks to the machine learning algorithms that can generate nian schoolchildren. Every April, almost all elementary and models predicting the trends in specific populations. The high school students undergo measurements of 3 anthropo- focus of the CrowdHEALTH (CH) project is to gather this metric tests (height, weight, triceps skinfold) and 8 motoric kind of information in a consistent way across multiple data tests, aimed at monitoring different components of physical sources and generate models that can be used to predict fitness (such as cardiorespiratory fitness, muscular fitness, what the effects of implementing health policies will be on explosivity, agility, coordination, etc.) The SLOfit study has a population. been ongoing on the national level since 1987 and serves as the scientific backbone for most of policies related to physi- SLOFit is a large study on physical fitness that includes data cal education in schools and enhancing of physical fitness in collected from Slovenian schoolchildren for over 40 years, schoolchildren. To date, the SLOfit database includes over and is used to chart global health trends in the population. 7 million sets of measurements for over 1 million children, This data set was used as the basis for our modeling so that being one of the largest cross-sectional and cohort databases we could predict the state of the population in the future of physical and motor development in the world. (when they are grown) and calculate what the associated risks for mortality will be in the future. In the course of In our study on forecasting of physical fitness, a subset of the the project we investigated several models that can be used SLOfit data was used, encompassing the data from aproxi- to predict the state of the population and, as expected, the mately 2000 children from the age of 6 to 18. In the analysis, 69 the data was anonymized, retaining only the municipality- level data in order to be able to create policies on regional level. When assessing risks, we focus on a subset of SLOfit parameters that are directly connected to the risks we are interested in. Height and weight are used to calculate the body-mass-index (BMI), which is used to determine whether a person is overweight (obesity) or underweight. 30 s sit-up results are used as a proxy for muscular fitness (MF), while the 600 m run results are indicative of cardiorespiratory fit- ness (CRF). In the risk analysis, we are currently focusing on all-case early mortality risks while risks for developing cardiovascular diseases (CVD) or diabetes are planned to be looked at in future. 3. ARCHITECTURE OVERVIEW The data in the CH project is stored following an extension of the FHIR standard, where each measurement is stored as an observation that includes all the meta-data of the mea- surement, such as when it was taken, by whom, what are the units of the measurement, etc. The current architecture of the CH system is demonstrated in Figure 1. This enables the overall system to be extended in the future with custom tools. The data is stored in LeanXcale (LXC) [1], a flexible, ultra- scalable database with analytical capabilities. In order that the information of different types can be stored, a special- ized schema was developed. The part that is pertinent to Figure 1: The architecture and flow of the applica- our work was the addition of a new Person class - Student, tion. to differentiate it from Patient that is the general subject in FHIR. Additionally, the metadata for schools, municipalities and regions were added. The 11 standard anthropometric As the starting point, we defined two baseline forecasting ap- and motoric tests were also codified in the system so that proaches. The first one, called baseline percentiles, uses the they can be easily accessed. In order to speed up the queries, percentile method: if an individual is in the n-th percentile the Forecasting module we developed includes a small inter- at the age of 13, we assume he would be in the same per- nal database that caches the data. This is facilitated by centile at the age of 18. The second baseline model, called SQLite with schema that mimics the data stored in LXC baseline average growth, uses the current value and adds the system - i.e., the region, municipality, school, student and average growth values for each year until the age of 18. observation classes that include most of the data stored in the LXC system. This provides faster look-up times and More advanced approaches use machine learning. To im- simplifies some filtering, as SQLite can be tightly coupled prove the prediction accuracy, we generated additional fea- with the Django service. tures, such as average, maximum and minimum year growth, standard deviations, data percentiles and peak height veloc- Django is a framework that enables the creation of web APIs ity - PHV (the year with the maximum growth). Since PHV in Python. It consists of three main parts. Django Models was not notated in data, we had to estimate it. We manu- are mapped directly to supported databases, allowing for ally annotated it for the small amount of children and then fast and efficient filtering and querying of the system. The trained a prediction model for PHV on this data. We used developer can specify the DB schema and provide rules to this model to predict PHV on all other data. These pre- check if the values are correct, serialize the data and link dictions are not 100 % accurate, but this information as an the tables in several ways. Djanogo Models are specification input for predicting e.g. height improves predictions as will that maps directly to the DB schema, that the Framework be seen in the results. actually creates for itself, and also handles creation of queries to the system. The Django Views are where the processing Next, we built a model for each year up to which we have of the data happens. Each request can be handled here and available data. For example, the model for the age of 13 responded to accordingly. Django Templates are the presen- takes the measurements from ages 6 to 13 and forecasts the tation layer of the system, but are not used in the current value at the age of 18. Since we have data from 6 to 18 implementation as this is handled by outside systems. years, we build 12 models for each SLOfit parameter. 4. FORECASTING Additionally, we enriched each SLOfit parameter data with The task of the forecasting algorithm is to predict a partic- additional data from another parameter. For predicting the ular SLOfit parameter (height, weight, sit-ups, 600 m run) height, we also used weight, for predicting weight, we also at the age of 18, based on the data from previous years and used height, for predicting sit-ups we also used results from knowing the general population trends. the 600 m run, and when predicting the 600 m run, we also 70 used data from the 60 m run. Several machine-learning algorithms were tested on the data set of 2000 children introduced in Section 2. To evaluate and compared them, the average absolute error was calculated for each years’ predictions and then the average error over all the years. This average error over all the years for predicting the height is presented in Table 1. Table 1: Comparing algorithms when predicting height. Method Average error [mm] Figure 4: Prediction error for each year when pre- Baseline percentiles 36.0 dicting time running 600 meters at the age of 18. Baseline average growth 34.3 Linear regression 27.5 Decision tree 38.9 Logistic regression 41.2 SVM 52.3 As we see, the best results were obtained using a linear re- gression model. Very similar results were obtained also when predicting other SLOfit parameters. The average errors for each year for linear regression and baseline models are shown in Figures 2–5. We see that predicting the values at the age of 18 is a hard problem, so the errors start to decline just a few years before this age. Figure 5: Prediction error for each year when pre- dicting sit-ups at the age of 18. taken from the database and using an appropriate model, predictions at the age of 18 – we assume the person will be fully developed by this age – are generated. Models are generated for each SLOfit parameter and as such need to be run separately for each prediction we want to generate. As the overall goal of the system is to generate the predic- tions for a group of people, not just for an individual, the result should be a cross-section of the population based on a filter that is applied. The filter is usually the mean for the population, but other options are also available, for in- Figure 2: Prediction error for each year when pre- stance quartiles or median. The system automatically takes dicting height at the age of 18. the information for the available children based on the re- gion where they are from, and generates forecasts for each child. This can require the system to generate multiple fore- casts for each individual, for instance height and weight if the desired outcome of the analysis is the BMI. Due to the nature of the system the result of this operation is stored in the database and must be retrieved from there. The aggre- gator then takes this information and generates reports that can be visualized by the CH systems. 5. RISK ASSESSMENT In order to asses the risks for mortality, a stochastic model was generated that describes how BMI, CRF (approximated Figure 3: Prediction error for each year when pre- by 600 m run) and MF (approximated by sit-ups in 30 s) dicting weight at the age of 18. influence mortality. The influence is based on several pub- lished studies [2, 4, 5, 7] that relate fitness indicators to all- cause mortality. Table 4 shows how less-than-ideal values 4.1 Forecasting the population based on col- of different parameters increase the probability of mortality lected measurements [6]. In the case of BMI, it is not surprising that this happens Forecasting of SLOfit parameters takes place at the level of if the individual is overweight. But low BMI is also a risk as an individual. The available measurements of a person are it signals other difficulties of the person. The risk for obese 71 Table 2: The risk increases for certain calculated metrics. BMI (kg/m2) 15-18.5 18.5-20 20-22.5 22.5-25 25-27.5 Risk increase(%) 82 44 2 ref. 7 BMI (kg/m2) 27.5-30 30-35 35-40 40-60 Risk increase(%) 27 66 166 335 CRF (600m run ) Q1 (high) Q2 Q3 Q4 Q5 (low) Risk increase (%) ref. 28 59 78 85 MF (30s sit-u ps) Q1 (high) Q2 Q3 Q4 (low) Risk increase (%) ref. 61 32 172 people rises quite drastically, since increased weight prevents jana, email: Bojan.Leskosek@fsp.uni-lj.si) and Gregor a person from exercising, further decreasing fitness and in- Jurak (Faculty of Sports, University of Ljubljana, email: creasing the risk for comorbidities of physical or psycholog- Gregor.Jurak@fsp.uni-lj.si). ical nature. Low CRF and MF have similar consequences, increasing the risk to one’s health. While these factors are 9. REFERENCES certainly correlated there is at this time no quantitative data [1] A. Azqueta-Alzuaz, M. Patino-Martinez, I. Brondino, to what extent the correlation should be taken into account. and R. Jimenez-Peris. Massive data load on distributed There is also no concrete information how fitness at the end database systems over HBase. Proceedings - 2017 17th of schooling predicts the fitness of individuals during the rest IEEE/ACM International Symposium on Cluster, of their life, as they can at any time decide to change their Cloud and Grid Computing, CCGRID 2017, pages lifestyle. However, since the change can be for the better or 776–779, 2017. worse, we assume it stays the same, which is probably not [2] C. E. Barlow, L. F. DeFina, N. B. Radford, J. D. Berry, far from the truth for the whole population. K. H. Cooper, W. L. Haskell, L. W. Jones, and S. G. Lakoski. Cardiorespiratory fitness and long-term 6. CONCLUSIONS AND FURTHER WORK survival in ”low-risk” adults. Journal of the American Predicting the state of the population and the associated Heart Association, 1(4):e001354, 2012. risks for them in the future is an important goal if we want [3] D. Bender and K. Sartipi. Hl7 fhir: An agile and restful to provide good advice to individuals and people that are approach to healthcare information exchange. In directly or indirectly given charge over them. While chil- Computer-Based Medical Systems (CBMS), 2013 IEEE dren are the focus of the current work, the implications are 26th International Symposium on, pages 326–331. broader. The same approaches could be used on the adult IEEE, 2013. population, predicting their physical fitness and assessing [4] N. R. F. Collaboration et al. Trends in adult body-mass their risks during their lifetime. index in 200 countries from 1975 to 2014: a pooled analysis of 1698 population-based measurement studies In the future work of the project we plan to increase the pre- with 19· 2 million participants. The Lancet, dictive power of the models by using more data and more 387(10026):1377–1396, 2016. advanced machine-learning methods. Risk assessment will [5] E. Di Angelantonio, S. N. Bhupathiraju, D. Wormser, be augmented by additional studies from the literature. We P. Gao, S. Kaptoge, A. B. de Gonzalez, B. J. Cairns, would also like to base it on our own data, but it is doubt- R. Huxley, C. L. Jackson, G. Joshy, et al. Body-mass ful we will be able to obtain appropriate data, since most index and all-cause mortality: schoolchildren in the SLOfit dataset do not yet suffer from individual-participant-data meta-analysis of 239 many serious health problems, and relating their fitness with prospective studies in four continents. The Lancet, medical data is problematic for privacy reasons. 388(10046):776–786, 2016. [6] A. Gradišek, M. Mlakar, M. Cigale, L. Lajovic, Perhaps the greater advancement will be achieved by model- M. Luštrek, M. Sorić, G. Starc, B. Leskošek, and ing the impact of various health policies and interventions – G. Jurak. Physical Fitness Forecasting and Risk for instance, what happens if an additional hour of physical Estimation in Slovenian Schoolchildren. Studies in education is instituted at a school. health technology and informatics, 251:125–128, 2018. [7] P. T. Katzmarzyk and C. L. Craig. Musculoskeletal 7. ACKNOWLEDGMENTS fitness and risk of mortality. Medicine and science in Funding: This work was supported by the European Union’s sports and exercise, 34(5):740–744, 2002. Horizon 2020 research and innovation program [grant agree- [8] G. Miller, C. Roehrig, P. Hughes-Cromwick, and ment No 727560 (CrowdHEALTH)]. C. Lake. Quantifying national spending on wellness and prevention. In Beyond Health Insurance: Public Policy 8. ADDITIONAL AUTHORS to Improve Health, pages 1–24. Emerald Group Additional authors: Maroje Sorić (Faculty of Sports, Uni- Publishing Limited, 2008. versity of Ljubljana, email: Maroje.Soric@fsp.uni-lj.si) and Gregor Starc (Faculty of Sports, University of Ljubl- jana, email: Gregor.Starc@fsp.uni-lj.si) and Bojan Leskovšek (Faculty of Sports, University of Ljubl- 72 Zapestnica za pomo č starejšim Tomaž Kompara Elgoline d.o.o. Podskrajnik 34 1380 Cerknica Slovenija tomaz.kompara@elgoline.si POVZETEK Da bi starejšim približali sodobno tehnologijo je to potrebno, prilagoditi njihovim potrebam in željam ter jo narediti in- tuitivno za uporabo. Intuitivnost uporabe lahko dosežemo tako, da uorabnik ne potrebuje nobene dodatne akcije za izvedbo novih funkcionalnosti. Primer takšne funkcional- nosti je detekcija padcev, pri čemer uporabnik ne potrebuje ročno prožiti alarma, ampak se ta samodejno proži ob padcu. Kljub enostavnosti uporabe pa je potrebno zagotoviti, da bo zapestnica vedno na zapestju, s čimer omogočimo večjo varnost uporabnika. V tem delu so predstavljeni rezultati testov in analiz. Ključne besede detekcija padcev, zapestnica, starejši Slika 1: Razpoložjivost baterije. 1. UVOD Da bo razvita zapestnica primerna za končne uporabnike, mora izpolnjevati uporabnikova pričakovanja, saj lahko v na- 2.2 Polnjenje sprotnem primeru določena pomanjkljivost privede do slabe Vprašanim smo predstavili dva načina polnjenja: žično in uporabniške izkušnje in posledično do neuporabe zapestnice brezžično. Vsi uporabniki so bili že seznanjeni z žičnim pol- ter nezadovoljstva uporabnika. Da bi dosegli čim boljšo upo- njenjem, medtem ko so le nekateri (20%) poznali brezžično rabniško izkušnjo, smo izvedli raziskave na področjih, kot so: polnjenje. Vsi vprašani so bili mnenja, da je brezžično pol- avtonomija, polnjenje, ohišje, detekcija padcev in lokaliza- njenje enostavnejše in uporabniku bolj prijazno, medtem ko cija. V nadaljevanju so predstavljene ugotovitve raziskav. je žično polnjenje lahko zelo zahtevno za starejše. Težave, ki so jih navedli pri žičnem polnjenju je majhnost in krhkost 2. ANALIZE priključkov, ki jih je težko videti, kaj šele pravilno priklju- Analize so bile izvedene s pomočjo intervjujev 10 ljudi pov- čiti. Pri brezžičnem polnjenju uporabniki niso imeli težav, prečne starosti 63 let, pri čemer nekateri samostojno pre- čeprav jo je večina vprašanih prvič videla. Nekateri (20%) bivajo v lastnih domovih, drugi prebivajo skupaj z družino bi bili pripravljeni tudi pogosteje polniti zapestnico, ki bi ali v varovanih domovih. V nadaljevanju so predstavljeni omogočala brezžično polnjenje. rezultati analiz. 2.1 Avtonomija Zaradi narave naprave je potrebno v napravi ohraniti do- volj energije, da je ob klicu na pomoč mogoče izvesti klic ter omogočiti vsaj 5-minutni pogovor z klicanim. V nasprotnem primeru se lahko zgodi, da klica ni mogoče izvesti, zaradi česar v času, ko je akumulator skoraj prazen, uporabnik ni varovan, čeprav se tega morda ne zaveda. V analizi smo že- leli izvedeti, kolikšna je minimalna oz. željena avtonomnost naprave, v kateri je uporabnik varovan. Mnenja vprašanih so se precej razlikovala, in sicer od enega tedna do enega meseca. Čim daljša avtonomija za uporabnika pomeni manj skrbi in več svobode, medtem ko krajša avtonomija pomeni dodatno nalogo, ki jo lahko pozabijo. Nekateri (40%) so polnjenje povezovali tudi z mobilnim telefonom, za katerega Slika 2: Primeri brezžičnega polnjenja. pravijo, da ga velikokrat pozabijo napolniti. 73 2.3 Ohišje Ohišje naprave je lahko velikokrat ključni faktor nakupa po- samezne naprave, pri čemer ni pomembna le oblika, temveč tudi funkcionalnost ohišja [1]. Po vprašanju kakšno ohišje bi si želeli, so nekateri odgovorili, da bi bilo enako uri, ki jo nosijo, drugi so želeli čim manjšo in takšno, ki ne bode pre- več v oči. Več kot polovica vprašanih (60%) bi imela rajši zapestnico, ki ima tudi ekran z uro ali celo uro z kazalci. So se pa skoraj vsi vprašani (90%) strinjali s tem, da je zelo dobro, če bi bila zapestnica vodoodporna, s čimer jim ne bi bilo potrebno skrbeti, kdaj jo nosijo ter je poleg tega ne bi mogli pozabiti namestiti na roko. 2.4 Ročno proženje alarma Razvita zapestnica omogoča klic na pomoč ob kliku na gumb (na trgu obstajajo podobni produkti [2, 3, 4, 5, 6]), kar omo- goča uporabniku, da je vedno varovan in lahko pomoč hitro in enostavno pokliče, ne glede na situacijo. Vprašani so se strinjali, da je to uporabna funkcionalnost ter bi jo vsi upo- rabljali. Udeležene v intervjuju smo povprašali po dogodkih, ob katerih bi to funkcionalnost uporabili in ali se jim je kdaj pripetilo, da pomoči ne bi mogli sami poklicati s pomočjo Slika 4: Samodejna detekcija padcev. zapestnice. Navedli so nekaj primerov, v katerih bi bilo kli- canje na pomoč oteženo oz. zakasnjeno (npr. ukleščena roka je posredovanje lokacije, ki omogoča hitrejše posredovanje pod telesom, šok zaradi padca, izguba zavesti), v nekaterih koristna in jih ne bi motila. okoliščinah mogoče celo nemogoče (npr. možganska kap). 3. ZAKLJU ČEK Pridobljeni podatki o potencialnih uporabnikovih željah in pričakovanjih ter o njihovih izkušnjah so pomembni vhodni podatki pri načrtovanju zapestnice. Na podlagi pridobljenih podatkov lahko sklenemo, da je zapestnica zelo zaželena ter bo olajšala življenja uporabnikov, kar je glavni cilj ravzoja. Trenutna omejitev je le detekcija padcev, ki še ne ustreza pri- čakovanjem vprašanih. Drugi izziv, s katerim se v razvoju še nismo soočili je razvoj ohišja, ki bo tako po funkcionalnosti kot tudi po izgledu prilagojen starejšim. 4. ZAHVALE Raziskava je bila izvedena v okviru projekta ”Ekosistem Pa- metnega mesta (EkoSmart)” in je sofinancirana s strani Re- publike Slovenije in Ministrstva za izobraževanje, znanost in šport ter Evropske unije iz Evropskega sklada za regionalni Slika 3: Ročno proženje alarma. razvoj (ESRR). 2.5 Detekcija padcev 5. VIRI Pomembna funkcionalnost zapestnice je samodejna detekcija [1] Korir Loice. Effect of buyer-supplier relationships on padcev. Želeli smo izvedeti, ali je ta funkcionalnost zanimiva procurement performance: Evidence from kenyan za potencialne uporabnike. Vsi vprašani so bili mnenja, da supermarket. ESJ, 1(Special edition vol. 1), 2015. je to zelo uporabna funkcija. V nadaljevanju smo želeli ugo- [2] Safeguardian, carecallersTM. Dostopno na toviti, koliko udobja so uporabniki pripravljeni žrtvovati za https://safeguardian.com/, september 2017. to funkcionalnost. Tukaj so se mnenja uporabnikov zelo raz- [3] Life call, fallalertTM system. Dostopno na likovala. Nekaterim (30%) ne bi bilo moteče, če bi detekcija http://lifecall.com/products/, september 2017. enkrat na dan napačno zaznala padec, v kolikor bi v primeru [4] Medical guardian, premium guardian. Dostopno na pravega padca ta bil pravilno zaznan. Drugi vprašani (70%) https://www.medicalguardian.com/product/, bi želeli bolj natančen algoritem, drugače te funkcionalnosti september 2017. najverjetneje ne bi uporabljali. [5] Alert 1, mobile medical alert system. Dostopno na https://www.alert-1.com/, september 2017. 2.6 Lokalizacija [6] Philips, gosafe. Dostopno na Potencialne uporabnike smo spraševali, ali so pripravljeni https://www.lifeline.philips.com/, september 2017. deliti svojo lokacijo za namene hitrejšega posredovanja v pri- meru klica na pomoč. Vsi vprašani so bili istega mnenja, da 74 A Protocol for Joint Acquisition of Heterogeneous Resources Gregor Grasselli Jožef Stefan Institute and Jožef Stefan International Postgraduate School Jamova 39 1000 Ljubljana, Slovenia gregor.grasselli@ijs.si ABSTRACT for satisfying each of those levels of satisfaction. A possi- This article presents a protocol for multiple agents to jointly ble setting where the levels of satisfaction correspond to the acquire a number of heterogeneous resources. The proto- number and kind of home appliances to be turned on, which col allows the agents to negotiate the amount of resources in turn corresponds to the agent’s electricity consumption is bought based on their individual needs and budget con- presented in [3]. In fact the protocol presented here builds straints. It also ensures that the price of the purchased upon the protocol described in [3] without some of the limi- resources is fairy distributed among all the buyers, and that tations introduced in that article: the cost function need not risk averse agents will not try to gain an advantage by being be convex, and it does not have to be a weighted sum of the untruthful. costs of individual resources. This has its drawbacks, as our protocol needs more information from each of the participat- Keywords ing smart home agents and also does not have a mechanism for rewarding agents with a smaller consumption. smart city, protocol, heterogeneous resources, negotiations 2. NOTATION CONVENTIONS AND DEFI- 1. INTRODUCTION As buying in bulk is usually more advantageous then buying NITIONS smaller amounts of resources, it is natural that agents in a The actors in the protocol are the consumer agents and a smart city would organise together to acquire resources as a coordinator agent whose role is to collect the needs of the group in larger quantities to benefit from that. This however consumers and then inform them of the prices associated produces a need for an established protocol that is capable with their purchases. Let us use n to denote the total num- of determining the amounts of resources to order, as well ber of consumer agents, and N to denote the set of all con- as a way to fairly distribute the price tag for the purchase sumer agents. We will use the letter c to refer to a consumer among the buyers. This article presents a protocol that aims agent; in particular let ci, i = 1, . . . , n denote the i-th con- at solving both of these issues. Finally, by producing a pro- sumer agent. We will describe the resources being bought tocol that is fully automatic and capable of providing real using the notation ri, r = 1, . . . , m where m is the total num- time decisions on the bought resource bundles, this proto- ber of available resources, and denote the set of all resources col also makes it possible for the agents to strategize when by M . Finally we will also need a way to express the cost they buy different resources, based on their current prices. of a bundle. While the language of the article will be limited to a setting where smart houses jointly acquire resources, the presented protocol is applicable in other areas within and outside of Definition 1. Let R+ be the set of all non negative real numbers. A function C : m the smart city setting. R+ → R+ is a cost function when it is continuous, increasing in the sense, that for any two a, b ∈ m The protocol presented here is applicable in a scenario where R+ such that a o(k)} Thus C(q) is in the image of h of every q ∈ m R+ . Because h is for every k ∈ N and Q increasing it is injective. We have thus proven the following 0 = 0 and Vk [0] is the first element of the bundles vector belonging to consumer theorem: ck. When a consumer ci has no resource bundle in EC (Vk[0]), the value of pi(Vk[0]), is produced by find- Theorem 1. Let pf be an increasing unbounded path. Then ing the intersection between EC (Vk[0]) and an unbounded for any q ∈ m R+ , p(f ) intersects EC (q) exactly once. increasing path that is initially constructed for each user based on the list of bundles as reported in step 2. The method of its construction is described in subsec- We will use the notation pi(q) to mean the intersection be- tion 3.1. tween the unbounded path constructed from the list of bun- dles corresponding to the levels of satisfaction of user ci and 4. The coordinator informs each consumer c the set E i of their price C (q). We will use o : N → N to denote the ordering x of users based on the price of their current consumption, in i for their current comfort level. other words o(ci) < o(cj ) means that C(qi) < C(qj ) where 5. Those consumers who find the price acceptable send we use qj to denote the bundle requested by consumer cj a confirmation to the coordinator. If that covers all users, the process terminates. 3. PROTOCOL DESCRIPTION The protocol starts when the coordinator agent sends a re- 6. For every consumer ci who did not agree with the price, quest to all of the participating consumer agents. Each of the coordinator pops the first element from Vi, and the the consumer agents is required to respond with a list of protocol restarts from point 3. resource bundles corresponding to their satisfaction levels and ordered by their values. From here on, the protocol is a 3.1 Constructing Paths series of rounds where the coordinator agent computes the The formula used to compute the individual payments for price to be paid by each of the consumer agents for their the consumer agents is the path serial rule as described in [2]. most expensive bundle. The consumers then respond with a As its name suggests, it uses the serial cost sharing rule from yes or no, based on whether they find the price acceptable. [1] to produce a fair cost allocation between the consumer If the price is not acceptable, the most expensive bundle agents. The serial cost sharing rule works by saying that for the consumer is removed from its list and a new round the consumer agent with the smallest demand should pay a is started. If a consumer’s list is empty, it is understood proportion of the cost incurred by his demand. That is that the agent is happy with paying 0 for receiving 0 re- sources. The protocol terminates when all consumer agents C(nq1) agree with the price they are paying (obviously, it does ter- , n minate, since for every round in which some agents do not where we are using the same conventions as before, except agree to the price, the total length of all the bundle lists is that now q is a number and the users are already sorted. shortened). The second user has to pay his proportionate share of the cost incurred by the smallest demand as well as his propor- A full description of the algorithm is given by: tional share of the cost assigned to the difference between his demand and that of the first user. And so on for the rest 1. The coordinator requests a list of resource bundles of them, each covering their proportional share of all the from each consumer. cost differences up to the level of their own demand. The 76 last user covers the remaining difference alone. So each user 4.1 Proofs of the Path Serial Rule Properties has to pay Proving the first two properties, (E) and (S) is as simple as observing that the sum from equation (1) is exactly the j X C ((n − k)qk ) − C ((n − k + 1)qk−1) same for all users whose demands are equally costly, which xj = . n − k + 1 proves (E) and that since only intersections of paths with the k=1 EC (q) subspaces are present in the terms of the sum from equation (1), when referring to costlier demands than that In order to generalise this to multiple dimensions it is nec- of the consumer whose payment we are computing, chang- essary to find a way to represent the amounts requested by ing the size of those costlier demands does indeed have no other consumers on the same price level as that of the cur- bearing on the price payed by the given user, which proves rent consumer, so that a fair proportion can be found. It is (S). shown in [2] that in order to achieve that in a manner that preserves the nice properties of the serial rule, it is enough In order to show property (I), let us call the linear trans- for each consumer to be assigned any increasing path from 0 formation used to change the scales f . Because it is lin- to their bundle vector and then use the intersection of that ear it has an inverse f −1. Let C0 be the equivalent cost path with the price level. function of C on the transformed space. The function C0 must assign the same value to the same actual amount of We have decided to use paths that are piecewise linear. They resources as C. So we must have that for any q in the orig- start at 0, and then go in straight lines from one bundle to inal space C0(f (q)) = C(q). If a path intersects EC (q) in the next. Since we never need to find an intersection of a a point s, then f (s) is on the transformed path, but it is consumer’s path with a price level above his most pricey also in EC0 (f (q)), meaning that f (s) is the intersection of bundle, the path from there on does not really matter. In the transformed path with EC0 (f (q)). This means that the order to make it unbounded in the sense of definition 3 we terms in the sum of equation (1) all stay exactly the same can set ti to a straight line going in the direction of a vector and (I) holds as well. whose coordinates are all 1. Theorem 1 then guarantees the existence of all the required pi(qk) for computing the price 5. CONCLUSIONS allocations for individual consumer agents. We have shown a possible protocol for joint acquisition of heterogeneous resources by any number of consumer agents. 4. PROPERTIES OF THE PROTOCOL It inherits the properties that make it fair from the path se- rial rule. We believe that it might be an interesting exercise Since the final prices payed by the consumers are computed to try finding path constructions, that would add additional using the “path serial rule” that is described in [2] they have properties to the protocol, such as guaranteeing that a price all of the properties brought by the rule. Those properties once agreed upon never changes in the future, or that con- are: sumers with cheaper demands would enjoy additional bene- fits. If they exist, that is. 1. Equal treatment of equivalent demands (E) 6. ACKNOWLEDGMENTS The research presented in this article was done as part of 2. The serial principle (S) the Ekosmart project, which is financed by the Slovenian Ministry of Education, Science and Sport, and the European Regional Development Fund. The first of these properties means that for any two con- sumers ci, cj whose demands qi, qj in the final round of the 7. REFERENCES protocol were equally priced, pay the same amount of money. [1] H. Moulin and S. Shenker. Serial cost sharing. Property 2 means that the amount payed by consumer ci is Econometrica, 60(5):1009–1037, September 1992. the same no matter how big the demand of any other con- [2] C. Téjédo and M. Truchon. Serial cost sharing in sumer cj as long as C(qj ) > C(qi) and that qj stays on the multidimensional contexts. Mathematical Social same path. Sciences, April 2002. The original path serial rule has a third property called or- [3] J. Zupančič and M. Gams. Dynamic protocol for the dinality which states that the payments allotted to the con- demand management of heterogeneous resources with sumer agents do not change under arbitrary change of units convex cost functions. Informatica, 41(1):121–128, for measuring resource quantities, as long as the paths used March 2017. to compute the payments are transformed along with the rest. This would not do here, because the paths are always piecewise linear functions that go between the points in the consumers’ demand lists. However, if we restrict ourselves to linear bijective transformations, that will map line seg- ments to line segments, this property is still true. Since changing measurement units is usually a linear transforma- tion this property that is usually called scale invariance (I) covers most if not all cases where ordinality would be needed in an actual application of the protocol. 77 Sistem za podporo odlo čanju zdravniku dr. Andrej Brodnik Nal Lukšič Janez Žibert Univerza v Ljubljani, Fakulteta Univerza v Ljubljani, Fakulteta Univerza v Ljubljani, Fakulteta za računalništvo in informatiko za računalništvo in informatiko za računalništvo in informatiko Univerza na Primorskem, ter Zdravstvena fakulteta Oddelek za informacijske znanosti in tehnologije Nenad Živković Andrej Rus Parsek d.o.o. Univerza v Ljubljani, Fakulteta za računalništvo in informatiko ABSTRACT • Podatki v zdravstvenih ustanovah so večinoma otoki Sistemi za podporo pri odločanju zahtevajo nekoliko speci- informacij brez možnosti izmenjave le-teh z drugimi fično arhitekturo, ki vključuje poseben gradnik. Le-ta ima ustanovami. običajno dodatno zalogo podatkov, ki mu omogočajo, da ob • Informacije so še vedno v nestandardni, tiskani in ne- upoštevanju ostalih zdravstvenih podatkov pripravi zdravniku strukturirani obliki ter pogosto niso na voljo, ko se jih ostale podatke kot na primer statistične podatke o stanju potrebuje. pacienta ali o klinični poti zdravljene bolezni. • Zdravstveni strokovnjaki z uporabo neoptimalnih in neprijaznih rešitev dragocen čas posvečajo adminis- V prisoevku opisujemo takšno arhitekturo, ki bo črpala po- traciji namesto pacientom. datke iz glavnega medicinskega repozitorija (na primer sis- • Pacient kot subjekt in uporabnik zdravstvenih storitev tema fhir ali sistema z opisi kliničnih poti in podobno). nima možnosti dostopa do optimalnih zdravstvenih sto- Obdelane podatke gradnik lokalno obdela in njihov izvleček ritev ter prav tako nima možnosti enostavnega in pri- hrani ter ga predstavi zdravniku, ko slednji obranava pa- jaznega dostopa do svojih informacij. cienta. Podjetje Parsek si je zadalo ob tem dva cilja – interoperabil- Arhitekturo smo prototipno implementirali v okviru sistema nost ter uporabniku prijazni in smiselni digitalni uporabniški Vitaly. vmesniki z dobro premišljenimi delovnimi postopki (work- flow ). Interoperabilnost dosega z uporabo standardov v zdravstveni informatiki [1]. V njihovem sistemu se podatki Categories and Subject Descriptors izmenjujejo z HL7 sporočili in dokumenti, delovni postopki C [e]: lostna oskrba v bolnišnici pa z realizacijo specifikacij profilov IHE. Uporabniški vmes- niki so rezultat Human-centered design (HCD) procesa načr- Keywords tovanja in izvedbe, pri kateri so sodelovali zdravstveni stro- kovnjaki s posameznih področjih. Rešitve so načrtovane za pomoč pri odločitvah v zdravstvu, CDS, CDSS, FHIR, Vi- končne uporabnike za njihove potrebe. S tovrstnim načinom taly razvoja je omogočen velikemu številu ljudi dostop do opti- malne zdravstvene storitve. V tem digitalno spremenjenem 1. UVOD okolju se informacije zlahka delijo med strokovnjaki in bol- Poslanstvo sistemov, ki jih poznamo pod skupnim imenom niki ter vsakemu posamezniku nudijo najboljšo razpoložljivo e-zdravje, je izboljšati zdravje ljudi z uporabniku prijazn- zdravstveno storitev. imi programskimi rešitvami, ki močno poenostavljajo sode- lovanje na področju zdravstvenih storitev. 1.1 Sistem Vitaly Zdravstvo je ena od redkih panog, v kateri tehnološke rešitve Platforma Vitaly in rešitve zgrajene nad njo prinašajo celovit še vedno ne prinašajo optimalnih rezultatov. Razlogov je vpogled v zdravstveno stanje pacienta, omogočajo digital- več: izacijo zdravstvenih storitev ter sodelovanje med zdravstven- imi strokovnjaki in pacienti. Poleg tega prinašajo kontekst, ki je zelo pomemben, in predstavlja dodano vrednost v nas- protju z enostavnim deljenjem in prikazom podatkov. Vitaly rešitve, povezane na zdravstvene sisteme z uporabo interoperabilnih rešitev, ponujajo zdravstvenim ustanovam možnost, da pacientu omogočijo enostaven dostop do zdrav- stvenega kartona (Electronic Health Record ) in zdravstvenih dokumentov ter omogočajo ponujanje zdravstvenih storitev. Po drugi strani lahko pacient upravlja z osebnim zdrav- 78 stvenim zapisom, ki ga deli z zdravstvenimi strokovnjaki, 2.1 Predpisovanje zdravil na klinični poti in dostopa do storitev na enostaven način. Na ta način Klinična pot predstavlja natančen, vnaprej zapisan protokol vsi prispevajo k celovitejši sliki o pacientu, delujejo pre- vseh aktivnosti med obravnavo določenega zdravstvenega ventivno in skrajšajo čas, potreben za zdravstveno oskrbo. stanja [5]. Med te aktivnosti spada tudi predpisovanje zdravil. Podatki so na voljo tudi, ko je pacient na videz zdrav in Ko zdravnik ve, katero zdravilo želi predpisati pacientu, ne samo, ko potrebuje zdravstveno ukrepanje. Ko imajo mora pri tem preveriti, če morebiti obstajajo kontraindikacije. deležniki enkrat dostop do zdravstvenih podatkov, digital- To so kriteriji za odložitev medicinskih ukrepov (uporabe izacija procesov v zdravstvu postaja uresničljiva oziroma določenega zdravila, medicinskega pripomočka ali postopka bolj optimalna. Digitalizacija procesov znotraj zdravstvene zdravljenja) zaradi stanja bolnika, dejavnikov ali drugih oko- ustanove, zdravstvena oskrba na daljavo, sodelovanje odd- liščin. Kontraindikacijo za uporabo določenega medicinskega aljenih zdravstvenih strokovnjakov z uporabo ustreznih teh- ukrepa lahko na primer predstavljajo sočasne bolezni, alergije, nologij tako zagotavlja pravočasno, optimalno in najboljšo določen genotip, predhodni neželeni učinki zdravila ali skupine storitev za pacienta. zdravil, starost, spol, predispozicije [8]. Da zmanjšamo število napačno predpisanih zdravil, lahko zdravniku ponudimo po- V nadaljevanju prispevka najprej opišemo arhitekturo in v moč v obliki modula ekspertnega sistema, ki bo skrbel za njej implementiranih dveh različnih rešitev. Prva je pod- preverjanje kontraindikacij pri predpisu zdravila pacientu. pora pri predpisovanju zdravil v okviru klinične poti in druga predstavalja podporo pri diagnosticiranju pacienta. Sistem je zgrajen po principu, ki temelji na predhodnem znanju in ne vključuje umetne inteligence, ampak upošteva vnaprej podana pravila za odločanje klinične poti. Bazo 2. ARHITEKTURA znanja predstavlja podatkovna baza, kjer so navedene kon- Arhitektura sistema, opisanega v nadaljevanju, je primer traindikacije posameznih zdravilnih učinkovin. razširitve že obstoječega sistema Vitaly. Arhitektura razšir- itve je sestavljena iz štirih delov, kakor je prikazano na sliki 1. Ko želi zdravnik pacientu predpisati zdravilo, se v sistem Jedro predstavlja modularni ekspertni sistem, ki vsebuje ra- pošljejo podatki o pacientovi identifikacijski številki strežnika fhir ter šifra zdravila, ki je bilo predpisano. S pomočjo teh dveh podatkov sistem pridobi vse kontraindikacije zdravilnih učinkovin, ki jih zdravilo vsebuje, iz baze znanja ter pacien- tove medicinske podatke s strežnika fhir. Zgodi se primer- java teh dveh skupin podatkov in če so najdene skupne točke, zdravnik dobi obvestilo, da pri predpisu tega zdravila ob- staja nevarnost, da pride do zdravstvenih zapletov. Gre torej za funkcionalnost, ki zdravniku ne predlaga določenih rešitev, temveč preprečuje morebitne napake. Pri implementaciji testnega sistema smo se omejili na eno zdravilno učinkovino, in sicer klozapin, ki se uporablja pri zdravljenju psihoz. Izkazalo se je, da se kontraindikacije med seboj precej razlikujejo in da če primerjamo na primer kon- traindikaciji bolezen paralitični ileus in nezmožnost opravl- janja rednih preiskav krvi vidimo, da pri prvi lahko pri pre- verjanju kontraindikacij preprosto iščemo po imenu bolezen- Slika 1: Arhitektura razširitev sistema Vitaly. skega stanja oziroma še boljše po njegovi šifri, ki ni vezana na jezik, ki ga uporabljamo. V drugem primeru ne gre za bolezensko stanje ali zdravilno učinkovino in je prever- zlične funkcionalnosti. Tako sistem Vitaly, kot ekspertni janje po pacientovem zdravstvenem kartonu bolj zapleteno. sistem črpata podatke s strežnika fhir [6]. Ta se uporablja Testni sistem, ki smo ga postavili, deluje za prvi primer in za vnašanje in dostopanje do medicinskih podatkov. Tretja izkazalo se je, da v primeru najdenih kontraindikacij do- komponenta sistema so baze podatkov, ki jih ekspertni sis- bimo ustrezno obvestilo. Če bi želeli sistem nadgraditi ter tem potrebuje za svoje delovanje. Zaradi različnih funkci- ga uporabljati v praksi, bi bilo potrebno povezati naš sistem onalnosti sistema, dostopa do različnih podatkovnih baz. z eno izmed že obstoječih baz kontraindikacij, kjer bi imeli Primer take baze je baza opisov kliničnih poti vključno s podatke za vse zdravilne učinkovine, obenem pa bi morali kontraindikacijami posameznih zdravilnih učinkovin, ali po imeti za vse tipe kontraindikacij šifre, po katerih bi lahko boleznih razvrščene vrednosti meritev telesnih značilnosti. iskali znotraj elektronskega zdravstvenega kartona. Zadnji del sistema predstavlja uporabnik, ki do sistema dos- topa preko uporabniškega vmesnika, katerega vključuje že V Sloveniji za enkrat v državnih bolnicah zdravniki nimajo obstoječ sistem Vitaly, in skrbi za vnos novih podatkov in na voljo tovrstnega sistema, se je pa pojavil korak naprej uporabo funkcionalnosti sistema. pri farmacevtih, ki pred izdajanjem zdravila preverijo, če obstajajo kontraindikacije med zdravili, ki so bili pacientu V obstoječo arhitekturo lahko vključimo različne module predpisani. ekspertnega sistema. Dva primera takšnih razširitev sta podpora zdravniku pri predpisovanju zdravil na klinični poti in sistem za podporo zdravniku pri diagnosticiranju bol- nikov. 79 2.2 Diagnosticiranje bolnikov 3. ZAKLJUčEK Drugi primer modularnega ekspertnega sistema temelji na V prispevku smo predstavili prototip arhitekture, ki omo- osnovi statistične obdelave medicinskih podatkov, ki s po- goča nadgradnjo zdravstvenega sistema z dodatnimi moduli močjo znanj iz velike količine podatkov pomaga zdravstvenim za pomoč pri odločanju zdravniku. Namen implementirane uslužbencem pri diagnosticiranju bolnikov in boljšemu ra- izvedbe je zgolj prikaz prototipnega delovanja. V nasled- zumevanju delovanja bolezni. V medicini obstaja že kar njem koraku je potrebno uporabiti višjo stopnjio abstrak- nekaj podjetij, ki se ukvarjajo z razvojem tovrstnih siste- cije arhitekture, ki bo omogočala po eni strani preprostejšo mov. Nekatera med njimi so Lumiata [3], Infermedica [9] razširitev na različne kliničnih poti, oziroma na upiorabo in Health Catalyst [10]. Vsako podjetje ima svojevrstno različnih podatkov pri diagnosticiranju pacientov. Po drugi arhitekturo sistema in tako svoje prednosti. Mi smo se po strani pa je potrebno samo arhitekturo abstrahirati tako, da drugi strani osredotočili na preprostost uporabe, pregled- se za modeliranje uporabi jezik BPML, kot je opisano v [2]. nost, povečljivost in odzivnost. S pomočjo takšne abstrakcije bo sistem preprosteje razširljiv in nadgradljiv. Modul ekspertnega sistema je sestavljen iz dveh glavnih de- lov, in sicer strukturiranja medicinskih podatkov v obliko 4. REFERENCES pripravljeno na hitro obdelavo in statistična analiza. Sistem [1] M. Beštek and A. Brodnik. Interoperability and črpa medicinske podatke o boleznih in bolnikih iz strežnikov mhealth – precondition for successful eCare. In fhir. Strežnike fhir smo izbrali zato, ker zagotavljajo struk- S. Adibi, editor, Mobile Health, chapter 5. Springer, turirano shranjevanje medicinskih podatkov. Po prenosu po- 2015. datke preoblikujemo, da so pripravljeni za nadaljnjo statis- [2] M. Beštek and A. Brodnik. Pogoji za uspešno tično obdelavo. eOskrbo. Informatica Medica Slovenica, 20(1–2):17–29, 2015. Drugi del modula ekspertnega sistema je statistična obdelava [3] R. Bhardwaj, A. R. Nambiar, and D. Dutta. A study podatkov. V sistem je mogoče vgraditi različne algoritme of machine learning in healthcare. In Computer statistične obdelave. V našem primeru smo uporabili ROC Software and Applications Conference (COMPSAC), analizo in analizo iskanja pomembnih telesnih značilnosti pri 2017 IEEE 41st Annual, volume 2, pages 236–241. nastanku bolezni s pomočjo p-vrednosti. IEEE, 2017. [4] K. Hajian-Tilaki. Receiver Operating Characteristic ROC analizo smo uporabili na tipih podatkov, ki imajo (ROC) Curve Analysis for Medical Diagnostic Test neomejeno zalogo vrednosti [4]. Z njegovo pomočjo lahko Evaluation. Caspian Journal of Internal Medicine, uporabnik najde tiste telesne značilnosti, ki so pri določeni 4(2):627–635, 2013. bolezni najbolj izrazite. Rezultati analize so v uporabniškem vmesniku prikazani v pregledni tabeli. Telesne značilnosti [5] B. Hajnrih. Priročnik za oblikovanje kliničnih poti. na levi so urejene po vrednostih AUC na desni, od največje Ministrstvo za zdravje, 2009. do najmanjše, kot je prikazano na primeru na sliki 2. [6] M. Hussain A., S. G. Langer, and M. Kohli. Learning HL7 FHIR Using the HAPI FHIR Server and Its Use Drugi primer statistične analize je iskanje p-vrednosti [7], in Medical Imaging with the SIIM Dataset. Journal of do katere smo prišli s pomočjo različnih testov. Podatke Digital Imaging, 31(3):334–340, 2018. o bolezni smo glede na tip telesne značilnosti razvrstili na [7] D. C. Montgomery and G. C. Runger. Applied kategorične in skalarne. Na vrednostih skalarnih telesnih statistics and probability for engineers. John Wiley & značilnostih, katerih porazdelitev je normalna smo izvedli T- Sons, 2010. test, sicer pa Mann Whitneyev U test. Na kategoričnih spre- [8] A. Obreza et al. Farmacevtski terminološki slovar. menljivkah smo izvedli Chi kvadrat test, razen v primeru, ko Založba ZRC, 2011. je imela telesna značilnost le 2 različne možni vrednosti smo [9] K. O. Okokpujie, A. Orimogunje, E. Noma-Osaghae, uporabili Fisherjev natančni test. Primer takšne značilnosti and O. Alashiri. An intelligent online diagnostic bi bil spol, katerega vrednost sta lahko moški ali ženska. Vsi system with epidemic alert. An Intelligent Online štirje testi se uporabljajo za računanje p-vrednosti, ki nam Diagnostic System With Epidemic Alert, 2(9), 2017. pove pomembnost telesne značilnosti pri diagnosticiranju [10] D. Sanders, D. A. Burton, and D. Protti. The bolezni. Telesne značilnosti, katerih p-vrednost je manjša, healthcare analytics adoption model: A framework so pri diagnosticiranju bolezni bolj pomembni. Rezultati and roadmap. Health Catalyst, 2013. analize so v uporabniškem vmesniku razvrščeni naraščajoče po p-vrednostih na desni, kot je razvidno iz primera na sliki 3. Opisana primera statistične obdelave podatkov sta prikaz zmožnosti delovanja arhitekture. Tovrstni ekspertni sistem lahko uporabniku omogoči lažje razumevanje bolezni in posledično diagnosticiranje pacienta, s pomočjo že ob- stoječih medicinskih podatkov. Njegov cilj je uporaba v zdravstvenih institucijah, kot pomočnik zdravniku pri di- agnosticiranju bolnika. Zdravnik lahko za bolezen, katero sumi da jo bolnik ima, vnese v sistem. Ta mu prikaže telesne značilnosti, ki so bile pri bolnikih z enako boleznijo izrazite. S pomočjo sistema torej lahko zdravnik preveri, če je bila njegova diagnoza pravilna. 80 Slika 2: Tabela z rezultati ROC analize. Slika 3: Tabela analize p-vrednosti. 81 Razvoj intervencij za srčne bolnike in bolnike z motnjami gibanja Iztok Cukjati Jure Bon Jurij Matija Kališnik Klinični oddelek za bolezni živčevja Klinični oddelek za bolezni živčevja Klin. oddelek za kirurgijo srca in ožilja Univerzitetni klinični center Ljubljana Univerzitetni klinični center Ljubljana Univerzitetni klinični center Ljubljana Zaloška 2, 1000 Ljubljana Zaloška 2, 1000 Ljubljana Zaloška 2, 1000 Ljubljana +38640186268 jure.bon@kclj.si jmkalisnik@gmail.com iztok.cukjati@upr.si Janez Žibert Zvezdan Pirtošek Univerza v Ljubljani Klinični oddelek za bolezni živčevja Zdravstvena fakulteta Univerzitetni klinični center Ljubljana Zdravstvena pot 5, 1000 Ljubljana Zaloška 2, 1000 Ljubljana janez.zibert@zf.uni-lj.si zvezdan.pirtosek@kclj.si POVZETEK in respiratorne bolezni (KOPB, astma) povzročitelj več kot 80% Države razvitega sveta se soočajo s spremembami v demografski t.i. prezgodnjih smrti v starosti od 30 do 69 let [3]. sliki z izrazitim staranjem prebivalcev ob hkratni nizki rodnosti. Dolgotrajna finančna vzdržnost zdravstvenega sistema z Tako se povečuje število starejših prebivalcev, sočasno pa se obvladovanjem stroškov NKB bo v prihodnje ključna za zmanjšuje število delovno aktivnega prebivalstva. S staranjem se učinkovito zdravljenje. K temu lahko ključno pripomore povečuje delež ljudi z nenalezljivi kroničnimi boleznimi (NKB), vpeljava IKT v procese zdravstvene oskrbe. ki so razlog za 71% vseh smrti [1]. Prav dolgotrajno zdravljenje bolnikov z NKB predstavlja največji delež sredstev V okviru projekta EkoSmart se razvijajo nove intervencijena zdravstvenega sistema in se zaradi omenjenih razlogov izrazito področjih postoperativnega spremljanja srčnih bolnikov in oseb povečuje. Preventivno delovanje, zgodnje odkrivanje in cenovno z motnjami gibanja. Del sistemov bo tudi avtomatizirano učinkovito zdravljenje pacientov z NKB bo ključno za pošiljanje podatkov v nacionalno informacijsko hrbtenico in obvladovanje stroškov pri tem pa so lahko IKT v veliko pomoč. posledično dostopnost avtoriziranim uporabnikom. Aktivno vključevanje pacientov v proces zdravstvene oskrbe skupaj z uporabo sodobnih tehnologij omogoča učinkovitejše 1.1 Tehnologija modele zdravstvene oskrbe. V slovenskem zdravstvenem sistemu se še vedno večinoma V projektu EkoSmart se bo v kliničnem okolju testiralo spletno- uporablja ročno opravljanje diagnostičnih meritev z vpisovanjem mobilne rešitve za vnos in spremljanje podatkov bolnikov za podatkov v fizične zdravstvene kartone v posameznih potrebe znanstveno-raziskovalnega dela. Tako bomo v zdravstvenih ustanovah. Tako ni (avtomatiziranega) prenosa sodelovanju Univerzitetnega kliničnega centra Ljubljana administrativnih in kliničnih podatkov o posameznem pacientu (UKCL), Medicinske fakultete (MF) in Fakultete za med različnimi zdravstvenimi ustanovami oz. delavci. računalništvo in informatiko (FRI) Univerze v Ljubljani (UL) Tehnologija že dlje časa omogoča (avtomatizirano) elektronsko razvili pilotni sistem za spremljanje kliničnih parametrov pri beleženje podatkov, kar je časovno bistveno hitrejše in cenovno srčnih bolnikih v postoperativni fazi. Sisem bo predvidoma učinkovito, podatki pa so na zahtevo avtorizirane osebe dostopni omogočal medsebojno primerjavo različnih senzorjev in s tem praktično kjerkoli in kadarkoli. Smiselna uporaba obstoječe njihovo klinično validacijo. tehnologije v (prilagojenih) kliničih poteh bi lahko pomembno vplivala na boljšo učinkovitost zdravstvene oskrbe. Ključne besede EkoSmart, e-zdravje, Parkinsonova bolezen, srčno-žilne bolezni, 1.2 Izmenljivost informacij nenalezljive kronične bolezni, interoperabilnost Uporaba IKT orodij omogoča hitro in zanesljivo (avtomatizirano) pridobivanje kliničnih in ostalih podatkov oz. informacij ključnih za boljšo (indiviualizirano) zdravstveno obravnavo pacientov. Čeprav so posamezne informacije o 1. IZHODIŠČA pacientu s pomočjo omenjene tehnologije za diagnostiko (in Staranje prebivalstva je v t.i. zahodnem svetu izrazito prisotno v spremljanje terapije) uporabne obstaja t.i. »ozko grlo« zaradi zadnjem desetletju in je posledica nizke rodnost in daljše lokalne hrambe podatkov, ki niso na voljo ostalim deležnikom; življenjske dobe. Delež starejših od 65 let naj bi se do leta 2040 pri tem pa je prav interoperabilnost ključna za učinkovitost IKT povečal sedanjih 19% na 27% celotnega prebivalstva [1]. Ob podprtih intervencij [4]. povečevanju števila starejših prebivalcev se sočasno povečuje tudi število bolnikov z NKB, ki že danes predstavljajo kar 71% V projektu EkoSmart bomo posamezne podatke pridobljene v vseh smrti [2]. Pri tem je pomembno dejstvo, da so srčno-žilne procesu zdravstvene oskrbe pošiljali v nacionalno bazo pri NIJZ; bolezni (srčni infarkt, možganska kap), rakava obolenja, diabetes s čimer bodo podatki na voljo pacientom in ostalim zaintereiranim/avtoriziranim uporabnikom. 82 1.3 Boljša zdravstvena oskrba bolezenijo od 2010 do leta 2040 podvojilo, pri tem pa so ocenjeni Osnovni namen novih IKT storitev je v boljši zdravstveni oskrbi letni stroški pacienta približno 20.000 Eur [9]. pacientov. Njihova uporaba naj zdravstvenim delavcem Pri projektu PAR se izdeluje tako nove, kot tudi dopoljuje že omogoča natančnejši in hitrejši vpogled v zdravstveno stanje obstoječe gradnike OpenEHR. Za izvedbo projekta se bo posameznih pacientov in uspešnost posameznih metod uporabilo periferni senzor motoričnih simptomov parkinsonove zdravljenja. bolezni, ki bo vključen v klinično intervenco (sensor gibanja Pri tem je ključno zadovoljevanje pričakovanj in potreb proizvajalca PKG). V okviru projekta se opravlja tudi zdravnikov, medicinskih sester, bolnikov in njihovih svojce, kar raziskovalno delo na implementaciji principov zaprte terapevtske bi moralo biti vodilo pri izdelavi tovrstnih sistemov. zanke, pri kateri meritve trenutnega stanja centralnega ali perifernega živčevja v realnem času vplivajo na modulacijo 1.4 Finančna učinkovitost terapije. Med rezultati omenjenega raziskovalnega dela so Cilj, ki ga zasleduje IKT podprta zdravstvena oskrba je deloma že razvite naslednje programske aplikacije: učinkovitejše in cenejše zdravljenje bolnikov. Hitro naraščujoči - palMEP, C++ knjižnica in GUI za avtomatsko in ročno stroški zdravljenja bolnikov z NKB tako predstavljajo poglavitni preprocesiranje in analizo TMS-EMG podatkov; razlog za pravilno in finančno učinkovito načrtovanje razvoja in vpeljave spremenjenih (IKT podprtih) zdravstvenih intervencij. - palEEG, optimizirana C++/Matlab knjižnica in GUI za časovno-frekvenčno dekompozicijo, analizo in vizualno 1.5 Izkušnje iz slovenskega prostora reprezentacijo EEG podatkov, z delno implementacijo računsko V Sloveniji se je v preteklih letih že testno izvajala vpeljava zahtevnih algoritmov v NVIDIA CUDA arhitekturi za časovno novih intervencij z uporabo IKT storitev na področju oskrbe občutljive analize v realnem času pri eksperimentih z uporabo bolnikov z NKB. Tako je bila npr. razvita in klinično validirana zaprtih zank; IKT podprta oskrba za paciente z depresijo [5], kasneje pa na - palPULSER, C++ knjižnica in GUI za mikrosekundno enotni informacijski platformi za diabetike [6], astmatike [7] in osebe s prekomerno telesno težo. natančnost kontrole trigerjev pri CED 1401 družini AD Ob tem je bila pretvornikov v TMS-EEG okolju; 4) palNAV, aplikacija za MRI predstavljena/dokazana tudi finančna učinkovitost tovrstnih vodeno nevronavigacijo v realnem času v TMS okolju, z delno intervencij na primeru depresije [8]. C++ implementacijo 2. RAZVOJ IN VALIDACIJA NOVIH 3. REFERENCE INTERVENCIJ [1] http://ec.europa.eu/eurostat/statistics- 2.1 Orodje za zdravnike-raziskovalce explained/index.php/Population_structure_and_ageing Spletno-mobilni aplikaciji sta v fazi razvoja oz. beta testiranja. [2] http://www.who.int/mediacentre/factsheets/fs355/en/ in izvedbi kliničnih študij na področjih obravnave novonastale [3] http://www.who.int/news-room/fact- atrijske fibrilacije po operacijah na srcu, izdelave aktivnih sheets/detail/noncommunicable-diseases registrov za zdravljenje atrijskih fibrilacij in za obravnavo bolnikov z motnjami gibanja, ki so vključeni v kontinuirane [4] Beštek, M., Brodnik, A. Interoperability and mHealth – oblike zdravljenja. Delo je razdeljeno v dva sklopa, obravnava precondition for successful eCare. Mobile Health: A atrijske fibrilacije (AF) in motenj gibanja (PAR). Oba projekta Technology Road Map, 2015: Chapter 16; Springer. sta primera izvedbe aktivnega registra s pripadajočo klinično [5] Meglic M, Furlan M, Kuzmanic M, Kozel D, Baraga študijo. D,Kuhar I, Kosir B, Iljaz R, Novak Sarotar B, Dernovsek MZ, Marusic A, Eysenbach G. Brodnik. A. Feasibility of an 2.2 Postoperativno spremljanje srčnih eHealth Service to Support Collaborative Depression Care: bolnikov (AF) Results of a Pilot Study. J Med Internet Res, 12(5):e63, Spremljanje srčnih bolnikov v postoperativni fazi je izrazito 2010. pomembno zaradi pojava morebitnih zapletov, med drugim tudi [6] Iljaž R, Brodnik A, Zrimec T, Cukjati I. E-healthcare for atrijske fibrilacije. Z uporabo prenosne EKG naprav, ki je Diabetes Mellitus Type 2 Patients - A Randomised cenovno relativno ugodna, se lahko doseže učinkovitejši nadzor Controlled Trial in Slovenia. Zdr Varst. 2017 May nad zdravstvenim stanjem bolniki in pravočasno prepreči 26;56(3):150-157. postoperativne, pogostno smrtno nevarne, zaplete. [7] Nemanic T, Sarc I, Skrgat S, Flezar M, Cukjati I, Marc Pri projektu AF skupina zdravnikov v sodelovanju z razvojno Malovrh M. Telemonitoring in asthma control: a ekipo na Fakulteti za računalništvo in informatiko skrbi za randomized controlled trial. J Asthma. 2018 Sep 5:1-9. doi: tehnične vidike razvoja spletno mobilnega okolja (web 10.1080/02770903.2018.1493599. aplikacija). Sočasno je v procesu izdelave tudi nabor potrebnih arhetipov v formatu OpenEHR za potrebna področja. Pripravila [8] Naveršnik K, Mrhar A. Routine real-time cost-effectiveness se je klinična monitoring of a web-based depression intervention: a risk- intervencija za (post)operativno spremljanje sharing proposal. J Med Internet Res. 2014 Feb bolnikov z atrijsko fibrilacijo, že izvedla pa se je pilotna klinična študij 27;16(2):e67. a glede uporabnosti vključitve senzorja Savvy EKG kot telemonitoringa v okviru klinične intervencije. V študijo je bilo [9] Kowal SL, Dall TM, Chakrabarti R, Storm MV, Jain A. The v pilotnem delu vključenih okoli 40 bolnikov z Kliničnega current and projected economic burden of Parkinson's oddelka za kardiovaskularno kirurgijo UKCL. disease in the United States. Mov Disord. 2013. Mar;28(3):311-8 2.3 Vodenje bolnikov z motnjami gibanja (PAR) Število bolnikov z nevrodegenerativnimi boleznimi je v izrazitem porastu, tako naj bi se število bolnikov s Parkinsonovo 83 84 Indeks avtorjev / Author index Ambrožič Borut ............................................................................................................................................................................ 24 Avbelj Viktor ........................................................................................................................................................................... 7, 35 Blažun Vošner Helena .................................................................................................................................................................. 37 Bobnar J. ...................................................................................................................................................................................... 65 Bon Jure ....................................................................................................................................................................................... 82 Brodnik Andrej ............................................................................................................................................................................. 78 Budna Borut ................................................................................................................................................................................. 32 Burger Helena .............................................................................................................................................................................. 67 Burnard Michael ........................................................................................................................................................................... 57 Cankar Matija ............................................................................................................................................................................... 40 Čarman Dominik ............................................................................................................................................................................ 7 Cigale Matej ................................................................................................................................................................................. 69 Cikajlo Imre ................................................................................................................................................................................. 67 Colnarič Matjaž ............................................................................................................................................................................ 37 Cukjati Iztok ................................................................................................................................................................................. 82 Cvetkovič Tom ............................................................................................................................................................................... 7 Depolli Matjaž .............................................................................................................................................................................. 62 Detela Jernej ................................................................................................................................................................................. 37 Drnovšek Mateja .............................................................................................................................................................. 11, 15, 20 Enova Dušan ................................................................................................................................................................................ 24 Enova Tej ..................................................................................................................................................................................... 24 Gams Matjaž .................................................................................................................................................. 11, 15, 20, 28, 32, 53 Gjoreski Martin ............................................................................................................................................................................ 32 Glavač Aljaž ................................................................................................................................................................................. 28 Gradišek Anton ...................................................................................................................................................................... 32, 69 Grasselli Gregor ..................................................................................................................................................................... 15, 75 Jurič Simon................................................................................................................................................................................... 37 Kalan Aleš .................................................................................................................................................................................... 44 Kališnik Jurij Matija ................................................................................................................................................................. 7, 82 Kocjančič Staša ............................................................................................................................................................................ 35 Kokol Peter ................................................................................................................................................................................... 37 Kolenik Tine ................................................................................................................................................................................. 20 Kompara Tomaž ........................................................................................................................................................................... 73 Kroflič Ž. ...................................................................................................................................................................................... 65 Lukšič Nal .................................................................................................................................................................................... 78 Luštrek Mitja ................................................................................................................................................................................ 69 Luzar Anže ................................................................................................................................................................................... 40 Matjačić Zlatko ............................................................................................................................................................................ 67 Mesarič Katja ............................................................................................................................................................................... 24 Mlakar Miha ................................................................................................................................................................................. 69 Moravs Stanislav .......................................................................................................................................................................... 37 Pavliha Denis ............................................................................................................................................................................... 44 Peterlin Potisk Karmen ................................................................................................................................................................. 67 Pirtošek Zvezdan .......................................................................................................................................................................... 82 Planinc Nataša .............................................................................................................................................................................. 44 Poglajen Gregor ........................................................................................................................................................................... 32 Rus Andrej ................................................................................................................................................................................... 78 Savadkouhi R. .............................................................................................................................................................................. 65 Šef Tomaž .................................................................................................................................................................................... 46 Simjanoska Monika ...................................................................................................................................................................... 32 Širaiy Boris................................................................................................................................................................................... 50 Slemnik Bojan .............................................................................................................................................................................. 37 Slevec Katarina ............................................................................................................................................................................ 24 Smokvina A. ................................................................................................................................................................................. 65 Stanovnik Sašo ............................................................................................................................................................................. 40 85 Tavčar Aleš ............................................................................................................................................................................ 15, 53 Tošić Aleksandar .......................................................................................................................................................................... 57 Trobec Roman ........................................................................................................................................................................ 24, 50 Turčin Marko ............................................................................................................................................................................... 37 Valič Jakob ................................................................................................................................................................................... 61 Vičič Jernej ................................................................................................................................................................................... 57 Vilhar Andrej ............................................................................................................................................................................... 62 Vitorovič M. ................................................................................................................................................................................. 65 Završnik Jernej ............................................................................................................................................................................. 37 Završnik Tadej ............................................................................................................................................................................. 37 Žibert Janez ........................................................................................................................................................................ 7, 78, 82 Živković Nenad ............................................................................................................................................................................ 78 Žlahtič Gregor .............................................................................................................................................................................. 37 Zorman Milan ............................................................................................................................................................................... 37 Zupančič Jernej ............................................................................................................................................................................ 28 86 Konferenca / Conference Uredila / Edited by Delavnica za elektronsko in mobilno zdravje ter pametna mesta / Workshop Electronic and Mobile Health and Smart Cities Matjaž Gams, Aleš Tavčar Document Outline 02 - Naslovnica - notranja - I 03 - Kolofon - I 04 - 05 - IS2018 - Skupni del 07 - Kazalo - I 08 - Naslovnica podkonference - I 09 - Predgovor podkonference - I 10 - Programski odbor podkonference - I 11 - Clanki - I 01 - Carman Cvetkovic Avbelj 02 - Drnovsek Gams 03 - Drnovsek Gams 04 - Drnovsek Kolenik Gams 05 - Enova 06 - Glavac Zupancic Gams 07 - Gradisek 08 - Kocjancic 09 - Kokol 10 - Luzar Introduction Data storage in edge devices Sensors, edge devices and cloud storage The performance degradation issue Benefits of using relational or time series databases and their comparison Criteria for filtering the databases Relational database selection process Time series database selection process Experiment and results The test between time series and relational databases Measurement environments IoT characteristics for databases The experiment metrics The results Database setup times and resource consumption Conclusion Acknowledgments References 11 - Pavliha 12 - Šef 13 - Siraiy Trobec 14 - Tavcar 15 - !!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!! Blank Page Blank Page Blank Page Blank Page 16 - Valic 17 - Vilhar Depolli 18 - Vitorovic Kroflic Bobnar CosyLab Marand 19 - Cikajlo Matjacic Burger PetelinPotisk 20 - Cigale Gradisek Mlakar Lustrek 21 - Kompara 22 - Grasselli 23 - Brodnik 24 - Cukjati 12 - Index - I Blank Page Blank Page Blank Page Blank Page Blank Page Blank Page 04 - 05 - IS2018 - Predgovor in odbori.pdf 04 - IS2018 - Predgovor 05 - IS2018 - Konferencni odbori