Produkter
Webbutik Kampanjer Aktiviteter

Produkter  /  Fysiologiska mätsystem  /  Forskningssystem  /  Applikationsexempel  /  

Ensemble averaging

Vid fysiologiska mätningar är det ofta så att man måste hantera låga "signal-till-brus"-förhållanden eftersom biopotentialsignaler ibland är väldigt svaga (uV eller mV) och miljön både inuti och utanför kroppen bidrar med störsignaler. Ibland vill man också, om möjligt, medelvärdesbilda bort variabilitet som finnns mellan upprepade händelser av samma fenomen.

 

Exempel på ensemble averaging där man utgår ifrån R-peaken i EKG och sedan för ett tidsfönster motsvarande en hjärtcykel får ensemble medelvärdet för finger PPG, bioimpedans dZ/dt, EKG och blodtryck. Klicka på bilden för förstoring.

Det bästa är att först med förutsättningar (4) göra det man kan för att ha en så bra utgångspunkt som möljligt. Men likväl så måste man ofta ändå tillgripa olika matematiska signalbehandlingsmetoder för att ytterligare förbättra S/N förhållandet. Då är det viktigt att kunna hantera och förstå de olika metoderna och när en viss metod är att föredra framför en annan.

Vanliga metoder är frekvensbaserade metoder (frekvensfiltrering), glidande medel och medianvärden med olika tidsfönster samt ensemble medelvärde (ensemble averaging).

Ensemble average bygger på att man har cykliska eller repeterbara förlopp så att man kan bilda medelvärdet av flera olika mätningar. Denna metod tar alltså bort slumpmässiga variationer, vare sig det är brus/störningar eller faktisk variabilitet.

I AcqKnowledge finns det flera sätt att få fram ett ensemble average:

  1. Att vid mätdatainsamlingen tala om för mätsystemet att direkt skapa ensemblen genom medelvärdesbilda repetitiva mätningar av stimuli-respons-förloppet ett förutbestämt antal gånger. Ju större ensemble man har desto säkrare medelvärde får man.
  2. Man kan även i efterhand, utifrån mätdata och antingen mätvärdestoppar eller eventmarkörer i mätfilen, skapa en ensemble som definieras utifrån ett litet tidsfönster kring event/topp. Det kan göras antingen via menyalternativ(2), eller via BIOPAC scripts(1).

Exempel på fall när man t.ex. vill ha en medelvärdesbild av ett förlopp är t.ex.:

  • EKG, blodtryck och ICG (bioimpedans) under en hjärtcykel. Här har alltså ensembelmedelvärdet ett syfte som inte bara handlar om brusreducering utan även att filtrera bort viss variabilitet i den faktiska signalen.

Övriga exempel på när man i princop måste använda ensemble averaging för att få vettiga data för vidare analys är:

  • Auditory Brainstem response (ABR), dvs. via plötsliga ljudpulser som triggar hjärnstammen som mäts via evoke response elektroder på huvudet. Här har man i praktiken ofta så svaga signaler i förhållande till omgivande brus att man måste göra många mätningar för att få fram ett bra medelvädesrespons.
  • fMRI och fNIR mäter förändringar i hjärnans syresättning i olika områden och vill man mäta upp dessa förändringar som svar på olika kognitiva processer är ofta signalerna så svaga att enstaka mätningar ibland druknar i brus. Då måste man också göra ensemble average.

Hör gärna av dig till: biopac@jor.se om du har funderingar kring detta.

(1) Video: AcqKnowledge Scripting - automatic ensemble average of all waveforms based on a marker »

(2) Video: AcqKnowledge Menu option - Ensemble Average »

(3) Auditory Brainstem Response (ABR) Testing – application note 105 »

(4) Artefakthantering och signalkvalitet »

Sök

Skriv in det du vill söka efter här