Radarmålföljning av mänskliga nervsignaler - PowerPoint PPT Presentation

chiko
radarm lf ljning av m nskliga nervsignaler n.
Skip this Video
Loading SlideShow in 5 Seconds..
Radarmålföljning av mänskliga nervsignaler PowerPoint Presentation
Download Presentation
Radarmålföljning av mänskliga nervsignaler

play fullscreen
1 / 12
Download Presentation
115 Views
Download Presentation

Radarmålföljning av mänskliga nervsignaler

- - - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript

  1. Radarmålföljning av mänskliga nervsignaler • Bättre kunskap om de icke myeliniserade (C-) fibrerna skulle kunna leda till förbättrade eller nya metoder för att behandla smärta • Ett automatiskt analysverktyg skulle göra forskningen effektivare

  2. Disposition • Allmänt om C-fibrer • Datainsamling • Manuell analys • Automatisk analys • Demonstration av programmet

  3. Tillgänglig information • Ledningshastigheten hos C-fibrerna är låg • Ledningshastigheten sjunker efter att en fiber har stimulerats • Aktion potentialens (AP) utseende är känt • Styrkan på olika AP från en fiber är konstant

  4. Datainsamling


  5. Marking phenomenon • Stimulera periodiskt (0.25 Hz) med elektriska impulser • Varje impuls ger upphov till en AP hos en fiber och lednings-hastigheten kan estimeras • Möjligt att studera hur en enskild fiber reagerar på andra typer av stimuli • Om fibern reagerar på den extra stimulin så kommer lednings-hastigheten att sjunka, dvs latensen ökar • Ledningshastigheten återgår så småningom till den normala

  6. Problemet • Att automatiskt utifrån en inspelning av aktion potentialer, spåra enskilda fibrer och se hur de reagerar på olika typer av stimuli • Förenkla presentation och analys av insamlad data Uppgift • Implementera den algoritm som utvecklats i samarbete med Institutionen för Signaler och System, i Visual C++ • Design av ett gränssnitt

  7. MF Detektion av AP • Dåligt signal-till-brus förhållande(SNR) • AP utseende är någorlunda känt • Matchat filter kan hitta AP trots höga brusnivåer

  8. Latens 1 2 Svep 3 4 5 Beslutsproblem • Komplicerade spår gör att enkla associationsmetoder fungerar dåligt • Multiple hypothesis tracking (MHT) väntar med att fatta beslut tills mer data har behandlats

  9. 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

  10. Sammanfattning av algoritmen Detektion MF Association MHT Estimering Simplex-LSQ

  11. Spec. av grafiskt gränssnitt Presentera inspelade signalfiler och de observationer som gjorts av MF Visa information om vald signalfil Göra det valfritt vilka observationer som skall användas i MHT Presentera funna spår och deras kurv-anpassning Låta användaren ändra om MHT gör fel Göra det enkelt att presentera resultat och bearbeta data