Carregar apresentação
A apresentação está carregando. Por favor, espere
PublicouCaíque Marcos Alterado mais de 10 anos atrás
1
Alexandre Souto Martinez* Brenno Caetano Troca Cabella I WORKSHOP EM PRESSÃO INTRACRANIANA Ribeirão Preto, 07 de outubro de 2011 Departamento de Física Faculdade de Filosofia Ciências e Letras de Ribeirão Preto Universidade de São Paulo * INCT – Sistemas Complexos
2
Tensão (mV) Obtenção da PIC
3
Tensão (mV)Pressão (mmHg) Obtenção da PIC
4
Tensão (mV)Pressão (mmHg) Obtenção da PIC
6
Séries temporais relacionadas (STR) Série temporal alvo (STA)
7
Séries temporais relacionadas (STR) - Pressão sanguínea arterial (PSA) - Velocidade do fluxo sanguíneo cerebral (VFSC) Ultrassom doppler transcraniano Aparelhos tonométricos Série temporal alvo (STA) - Pressão intra-craniana (PIC)
8
Base de dados Medidas simultâneas: PSA, VFSC e PIC (446 amostras) Modelo
9
Base de dados Medidas simultâneas: PSA, VFSC e PIC (446 amostras) Modelo
10
Base de dados Medidas simultâneas: PSA, VFSC e PIC (446 amostras) Modelo
11
Base de dados Medidas simultâneas: PSA, VFSC e PIC (446 amostras) Modelo
12
Resultados
14
Novo dado de entrada: Taxa de batimento cardíaco instantânea (BCI)
15
Novo dado de entrada: Taxa de batimento cardíaco instantânea (BCI)
16
Estudo mais detalhado da capacidade de ajuste de dados (fitting). - Gráfico da medida de dissimilaridade para cada combinação entrada-saída.
17
-Teste de Friedman: Verifica se as diferenças das medidas de dissimilaridades obtidas a partir de diferentes dados de entrada são estatisticamente significativas. Resultado: significativo (p<0.001)
18
-Teste de Friedman: Verifica se as diferenças das medidas de dissimilaridades obtidas a partir de diferentes dados de entrada são estatisticamente significativas. Resultado: significativo (p<0.001) -Generalidade do método; O modelo obtido a partir de um paciente pode descrever a dinâmica de outro paciente?
19
-Teste de Friedman: Verifica se as diferenças das medidas de dissimilaridades obtidas a partir de diferentes dados de entrada são estatisticamente significativas. Resultado: significativo (p<0.001) -Generalidade do método; O modelo obtido a partir de um paciente pode descrever a dinâmica de outro paciente? Uso do próprio banco de dados e aplica os modelos obtidos para diferentes pacientes.
20
-Melhor performance possível. Verifica o melhor resultado dentre todos os testes.
21
-Acurácia geral. Média entre todos os casos.
22
Proposta: Utilizar os dados da PICMI como entrada do modelo.
23
Séries temporais relacionadas (STR) Série temporal alvo (STA)
24
Séries temporais relacionadas (STR) Série temporal alvo (STA)
25
-Ruído branco, obtido a partir de um experimento com baixa relação sinal-ruído.
27
Problema: Determinação dos coeficientes:
28
Para determinar os coeficientes, compara-se os sinais modelados com os medidos, através da função de dissimilaridade:
29
Quando tem valor mínimo. Portanto temos um problema de otimização com muitos mínimos.
30
Para determinar os coeficientes, compara-se os sinais modelados com os medidos, através da função de dissimilaridade: Quando tem valor mínimo. Portanto temos um problema de otimização com muitos mínimos. Solução: Otimização Estocástica
31
Otimização estocástica -Algoritmo genético
32
-Recozimento simulado (simulated annealing) + funções de penalidade e de regularização que dependem do problema. Em suma: tem-se um belo problema inverso! Otimização estocástica
33
-Introduzir “feedback” (retro alimentação) Proposta:
34
-Introduzir “feedback” (retro alimentação) Proposta:
35
Obrigado
Apresentações semelhantes
© 2024 SlidePlayer.com.br Inc.
All rights reserved.