Upload
ronia
View
41
Download
1
Embed Size (px)
DESCRIPTION
Radarmålföljning av mänskliga nervsignaler. Forskning som syftar till att förbättra och utveckla nya metoder för att behandla smärta Utveckling av ett automatiskt analysverktyg gör forskningen effektivare. C-Fibrer. De icke myeliniserade (C-) fibrerna spelar en central roll vid smärtforskning - PowerPoint PPT Presentation
Citation preview
Radarmålföljning av mänskliga nervsignaler
• Forskning som syftar till att förbättra och utveckla nya metoder för att behandla smärta
• Utveckling av ett automatiskt analysverktyg gör forskningen effektivare
C-Fibrer
• De icke myeliniserade (C-) fibrerna spelar en central roll vid smärtforskning
• Liten diameter (½ -1½ m) gör att ledningshastigheten är låg
• Olika typer av C-fibrer: sympatiska, mekanosensitiva samt mekanoinsensitiva
• Marking phenomenon används för att studera enskilda fibrer
Action Potential (AP)• Fibrer kommunicerar med action potentialer• Stimulering av en fiberände kan ge upphov
till en AP• APs hastighet beror av fibers diameter,
större diameter ger högre hastighet• AP drivs av fibermembranets Na+/K+ -pump• AP för en fiber har alltid samma styrka
Datainsamling
Marking phenomenon
• Används för att studera hur en enskild fiber reagerar på olika typer av stimuli
• Utnyttjar fenomenet att ledningshastigheten sjunker efter att en fiber har stimulerats
• P g a små skillnader i ledningshastighet kan olika fibrer särskiljas
Latens [ms]
Marking phenomenon metod• Stimulera periodiskt (0.25 Hz)
med elektriska impulser• Varje impuls ger upphov till en AP
och fiberns ledningshastighet kan estimeras
• För att undersöka latensskift och återhämtningsfaktor så appliceras andra typer av stimuli
• Om fibern reagerar på andra stimuli så kommer ledningshastigheten att sjunka
• Denna latens skift används som en ”marker” på att denna fiber reagerat på stimulin
Problemet• Att utifrån en inspelning av APs bestämma viktiga
konstanter såsom latensskift och återhämtnings-faktor
• Förenkla presentation och analys av insamlad data
Uppgift• Att implementera algoritmen som Björn utvecklat,
i Visual C++• Design av ett gränssnitt
Algoritmens huvuddelar
• Detektion av APs • Association av AP till fiber• Estimering av konstanter
Detektion av AP
• Dåligt SNR p g a dåliga elektroder
• AP utseende är någorlunda känt
• Matchat filter kan hitta AP trots höga brusnivåer
MF
Association av AP till fiber
• Komplicerade spår gör att nearest neighbour (NN) fungerar dåligt
• Multiple hypothesis tracking (MHT) väntar med att fatta beslut tills mer data har behandlats
• Även fast MHT är en rekursiv metod så behöver varje data set endast behandlas en gång
• Studier visar att MHT fungerar korrekt i 10-100 gånger den PFA då NN metoden misslyckas
Estimering av konstanter
• Anpassning av kurva: y(k)=y(0)+Ae-(k-k0)T
estimeras med simplexmetoden
• I varje steg i simplex metoden så estimeras y(0) och A m.h.a. minstakvadrat-metoden Path no: y0 A Alpha
1 337.01 16.77 61.0 2 347.28 1.06 9.8
1
2
MHT begrepp• Observation
– I detta fall de AP som detekterats av det MF• Spår
– En samling av observationer• Hypotes
– En samling av spår• Cluster
– En samling av hypoteser vars spår interagerar (möjligen)
Hypotesgenerering
• Skapa alla kombinationer av kompatibla spår Hypotes nr Spår
1 y2(1)y1(1)
Hypotes nr Spår1 [y1(2), y1(1)]
[y2(2), y2(1)]2 [y1(2), y2(1)]
[y2(2), y1(1)]3 [y1(2), y2(1)]
y2(2)y1(1)
4 [y2(2), y2(1)]y2(2)y2(1)
5 [y2(2), y2(1)]y1(2)y1(1)
6 [y2(2), y1(1)]y1(2)y2(1)
7 y2(2)y2(1)y2(1)y1(1)
y1(1) y2(1)Trace 1 y1(1) y2(1)
y1(2) y2(2)Trace 2
Sätt att minska antalet hypoteser
• Gating - uppdatera bara spår som ligger ”nära” en observation
• Combining - slå ihop liknade spår och lika hypoteser
• Pruning - radera de sämsta hypoteserna• Clustering - dela upp hypoteser vars spår
interagerar
Spårtillstånd
• Poäng (L) beräknas för varje spår för att kunna bestämma sannolikheten för de olika hypoteserna
• Poängberäkningen baseras på Bayesisk beslutsteori• Poängen beror av spårets tillstånd som kan vara:
– Potential - Ett spår med enbart en observation (kan var ett falsk larm)– Tentative - Ett spår med två eller fler observationer men som ej
konfirmerats (kan ej vara ett falsk larm)– Confirmed - Ett tentative spår med L > en satt minsta poäng, samma
poängberäkning som för tentative– Terminated - Ett confirmed spår som missar ett visst antal uppdateringar i
följd, har den poäng som spåret hade innan de missade uppdateringarna
Exempel på spårtillstånd
1
2
3
4
56
7
0
10
20
30
40
50
60
1 2 3 4 5 6 7 Trace
Poän
g
Confirmed
Potential
Tentative
Flödesschema
Implementation– Gating, elliptisk gate (latens, amplitud) fås m h a
Kalmanfiltrets prediktion och kovarians matris.– Combining enligt nScan-kriteriet, vilket innebär att spår
kombineras om de delar de nScan sista observationerna. Det spår med högst poäng av de som ingår i den bästa hypotesen behålls. Hypoteser som får lika spåruppsättning kombineras.
– Pruning där de sämsta hypoteserna raderas. Efter varje observation har behandlats så behålls M1 hypoteser. Efter att alla observationer från ett svep har behandlats så sparas M2 hypoteser.
Datastrukturer
Cluster1 ClusterN
HypListTrackList
Track2
Track1
TrackN
Hyp1 HypNParameters Parameters
Track7
Track2
Track9
Track7
Track6
Track12
TrackList TrackList
Obs1 Obs7Obs4
Track1
ObsList
Parameters
Track:
CObs1 CObs2 CObsN
ObsList
Centralt:
Sammanfattning av algoritmen
Detektion
MF
MHTAssociation
Simplex-LSQ
Estimering
Grafiskt gränssnitt
– Presentera inspelade signalfiler och de observationer som gjorts av MF
– Visa information om vald signalfil, bl a kommentarer– Låta användaren bestämma vilka observationer som
skall användas, genom att sätta en tröskel– Presentera funna spår och deras kurvanpassning– Låta användaren ändra om MHT gör fel– Göra det enkelt att presentera resultat och bearbeta
data