Radarm lf ljning av m nskliga nervsignaler
This presentation is the property of its rightful owner.
Sponsored Links
1 / 22

Radarmålföljning av mänskliga nervsignaler PowerPoint PPT Presentation


  • 107 Views
  • Uploaded on
  • Presentation posted in: General

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

Download Presentation

Radarmålföljning av mänskliga nervsignaler

An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -

Presentation Transcript


Radarm lf ljning av m nskliga nervsignaler

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

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

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

Datainsamling


Marking phenomenon

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


Marking phenomenon metod

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

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

Algoritmens huvuddelar

  • Detektion av APs

  • Association av AP till fiber

  • Estimering av konstanter


Detektion av ap

MF

Detektion av AP

  • Dåligt SNR p g a dåliga elektroder

  • AP utseende är någorlunda känt

  • Matchat filter kan hitta AP trots höga brusnivåer


Association av ap till fiber

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

1

2

Path no: y0 A Alpha

1 337.01 16.77 61.0

2 347.28 1.06 9.8

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


Mht begrepp

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

Hypotesgenerering

Skapa alla kombinationer av kompatibla spår

y2(1)

y2(1)

y2(2)

y1(1)

y1(1)

y1(2)

Trace 1

Trace 2


S tt att minska antalet hypoteser

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


Sp rtillst nd

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 p sp rtillst nd

Confirmed

Tentative

Potential

Exempel på spårtillstånd


Fl desschema

Flödesschema


Implementation

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

Datastrukturer

ClusterN

Cluster1

TrackList

HypList

Track1

Track2

TrackN


Sammanfattning av algoritmen

Sammanfattning av algoritmen

Detektion

MF

Association

MHT

Estimering

Simplex-LSQ


Grafiskt gr nssnitt

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


  • Login