هدف اصلی این پژوهش، طراحی و پیاده‌سازی یک سامانه طیف‌سنجی آکوستیکی پیشرفته مبتنی بر امواج فراصوت فرکانس بالا است که قابلیت شناسایی و تحلیل غیرتهاجمی تغییرات ریزساختاری، بیومکانیکی و بیوفیزیکی در لایه‌های مختلف پوست را دارا باشد. این سامانه با بهره‌گیری از پردازش سیگنال و آنالیز طیفی، قادر به استخراج دقیق پارامترهای فرکانسی مرتبط با شاخص‌های زیستی پوستی نظیر ضخامت اپیدرم و درم، چگالی و جهت‌گیری رشته‌های کلاژن و الگوی خون‌رسانی موضعی خواهد بود.

یکی از چالش‌های اساسی در توسعه این سامانه طیف‌سنجی آکوستیکی، تفکیک دقیق پاسخ‌های فرکانسی حاصل از بافت‌های ناسالم از سیگنال‌های عبوری از سایر لایه‌ها و بافت‌های سالم مجاور است، که موجب تداخل و کاهش وضوح داده‌های ثبت‌شده می‌شود. همچنین، جمع‌آوری و ایجاد پایگاه داده گسترده و مورد تایید توسط متخصصین درماتولوژی، به عنوان مرجع آموزشی و اعتبارسنجی مدل، اهمیت حیاتی دارد. در نهایت، کالیبراسیون دقیق مدل‌های هوش مصنوعی و یادگیری ماشین با داده‌های طیفی استخراج‌شده از نمونه‌های متعدد بافت‌های مبتلا به بیماری‌های مشخص، به منظور افزایش دقت تشخیص، کاهش نرخ خطا و افزایش قابلیت تعمیم‌پذیری سیستم در محیط‌های کلینیکی، یکی از گام‌های کلیدی در راستای تحقق اهداف پژوهش به شمار می‌رود.

در این پروژه انتخاب و طراحی مبدل‌های پیزوالکتریک با قابلیت تولید و دریافت امواج فراصوت در محدوده فرکانسی ۳0 تا ۵۰ مگاهرتز و انتخاب دقیق مواد پیزوالکتریک بر اساس حساسیت، پهنای باند فرکانسی و نرخ تبدیل انرژی انجام می‌شود. علاوه بر این، ابعاد و شکل هندسی کریستال‌ها با هدف دستیابی به تفکیک فضایی بالا و نفوذ مناسب در بافت تنظیم می‌شوند. برای افزایش دقت و وضوح سیگنال، استفاده از لنزهای آکوستیکی متمرکزکننده ضروری است؛ طراحی این لنزها نیازمند شبیه‌سازی‌های میدان

موج است تا تمرکز بهینه بر نقطه مورد نظر پوست ایجاد شود. پارامترهای چیدمان شامل فاصله مبدل‌ها، زاویه تابش و گیرندگی نیز به دقت تعیین و تنظیم می‌شوند تا بهترین نسبت سیگنال به نویز حاصل گردد.

برای تحریک مبدل فرستنده، یک مدار نوسان‌ساز دیجیتال طراحی می‌شود که قادر است سیگنال سینوسی با فرکانس دقیق، پایداری بالا و نویز پایین تولید کند. دقت فرکانس در این مرحله اهمیت بالایی دارد، زیرا تغییرات کوچک در فرکانس می‌تواند روی کیفیت تحلیل طیفی اثرگذار باشد. پس از تولید سیگنال، اعمال فیلترهای گذر باند صورت می‌گیرد تا کلیه سیگنال‌های فرکانسی خارج از محدوده هدف حذف شوند.

سیگنال‌های آکوستیکی بازتابی پس از عبور از لایه‌های پوست توسط مبدل گیرنده دریافت می‌شوند و به سیگنال‌های الکتریکی آنالوگ تبدیل می‌گردند. در این مرحله، کیفیت و دقت مدارهای تقویت‌کننده و مبدل آنالوگ به دیجیتالتعیین‌کننده صحت داده‌ها است. الگوریتم‌های حذف نویز اولیه و تقویت سیگنال نیز در این مرحله اجرا می‌شوند تا داده‌های خام به صورت بهینه برای تحلیل طیفی آماده شوند.

به منظور استخراج ویژگی‌های فرکانسی سیگنال‌های آکوستیکی، داده‌های دیجیتال پردازش شده به روش تبدیل فوریه سریع (FFT) مورد آنالیز قرار می‌گیرند. این تبدیل طیفی امکان نمایش انرژی توزیع شده در فرکانس‌های مختلف را فراهم می‌آورد. از سوی دیگر، تجزیه موجک که امکان تحلیل همزمان در حوزه فرکانس و زمان را دارد، برای شناسایی پویایی‌های گذرا و غیر ایستا در سیگنال‌ها کاربرد دارد. به کمک این تحلیل‌ها، می‌توان پیک‌های رزونانسی مرتبط با بافت‌های مختلف را تفکیک و شاخص‌های زیستی تعیین شده را به صورت کمّی استخراج کرد. نتایج تحلیل طیفی به شکل نمودارهای طیف رنگی و نمودارهای دامنه در برابر فرکانس ارائه می‌شوند. این نمودارها نمایانگر شدت و موقعیت پیک‌های رزونانسی بوده که با ویژگی‌های بافتی و وجود التهاب همبستگی دارند. 

طی یک دوره ۶ تا ۸ ماهه، داده‌های طیفی از حدود ۱۰۰۰ نمونه بالینی (۵۰۰ مورد اگزما و ۵۰۰ مورد پسوریازیس) از بیماران تحت‌نظر جمع‌آوری می‌شود. این داده‌ها پس از مراحل پیش‌پردازش شامل حذف نویز، نرمال‌سازی و همسان‌سازی در قالب

ماتریس‌های طیفی با ابعاد مشخص ساختاربندی می‌شوند. این پایگاه داده به عنوان منبع اصلی برای آموزش و اعتبارسنجی الگوریتم‌های یادگیری ماشین استفاده خواهد شد. در مرحله پایانی، با بهره‌گیری از معیارهای استاندارد آماری نظیر حساسیت، اختصاصیت، دقت و نرخ تشخیص مثبت کاذب و عملکرد سامانه طیف‌سنجی آکوستیکی مورد ارزیابی قرار می‌گیرد.

مراحل انجام پژوهش به شرح زیر است:

• طراحی آزمایش و عملکرد سیستم
• چیدمان آکوستیکی مبدل پیزوالکتریک فرستنده/ گیرنده امواج و تولید امواج آکوستیک
• پیاده‌سازی الگوریتم FFT روی داده‌های جمع‌آوری‌شده نمودار دامنه–فرکانس رزونانس مرتبط با بافت‌های مختلف
  و شناسایی پیک‌های معنادار عروق، کلاژن، التهاب و توده
• ایجاد پایگاه داده واقعی از پوست‌های سالم و مبتلا
• آموزش مدل یادگیری ماشین
• ارزیابی دقت و حساسیت (نرخ تشخیص بیماری)