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

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 gånger den P FA 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

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 y 1 (1) y 2 (1) Trace 1 y 1 (1) y 2 (1) y 1 (2) y 2 (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 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 M 1 hypoteser. Efter att alla observationer från ett svep har behandlats så sparas M 2 hypoteser.

Datastrukturer Cluster1 ClusterN HypList TrackList Track2 Track1 TrackN

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