1 I Sistemi Positivi X Scuola Nazionale CIRA di Dottorato "A. Ruberti Bertinoro, 10-12 Luglio 2006...
-
Upload
nestore-falco -
Category
Documents
-
view
229 -
download
2
Transcript of 1 I Sistemi Positivi X Scuola Nazionale CIRA di Dottorato "A. Ruberti Bertinoro, 10-12 Luglio 2006...
1
I Sistemi PositiviX Scuola Nazionale
CIRA di Dottorato "A. Ruberti”
Bertinoro, 10-12 Luglio 2006
Ricostruzione degli ingressi nei sistemi
fisiologici
Giuseppe De Nicolao
Dipartimento di Informatica e Sistemistica, Università di Pavia
2
La misura delle serie temporali delle concentrazioni nel plasma di ormoni, substrati, farmaci, fornisce informazioni preziose per scopi conoscitivi, diagnostici, e terapeutici
Serie Temporali di Concentrazione nel Plasma
ESEMPI
3
Il segnale della concentrazione nel plasma di una sostanza y(t) è interpretabile come l’uscita di un sistema che ha come ingresso il flusso di produzione della stessa sostanza u(t)
INGRESSO u(t)
SISTEMA
USCITA y(t)
concentrazione nel plasma
(massa/volume)
secrezione(massa/tempo)
Interpretazione Causa-Effetto
4
t
d)(u)t(g)t(y
u(t)
SISTEMAg(t) y(t)
Ipotesi: sistema dinamico lineare (tempo-invariante)
Modello del Segnale di Concentrazione
secrezione concentrazione
5
k
t
kkkk vd)(u)t(gv)t(yzk
u(t)
SISTEMAg(t) y(t)
+
+ zk
vk
y(tk)
Ipotesi: sistema dinamico lineare (tempo-invariante)
Modello del Segnale di Concentrazione
k=1, 2. …n
s={t1 , t2 ,..., tn}
secrezione concentrazione serie misurata
6
Ruolo della Cinetica nel Segnale di Concentrazione
0 0.2 0.4 0.6 0.8 10
5
10
SISTEMA LENTO
mas
sa/t
0 0.2 0.4 0.6 0.8 10
0.2
0.4
0.6
0.8
1
1/vo
l
0 0.2 0.4 0.6 0.8 10
0.5
1
mas
sa/v
ol
0 0.2 0.4 0.6 0.8 10
5
10
SISTEMA PRONTOm
assa
/t
0 0.2 0.4 0.6 0.8 10
0.2
0.4
0.6
0.8
1
1/vo
l
0 0.2 0.4 0.6 0.8 10
0.1
0.2
0.3
0.4
0.5
mas
sa/v
ol
u(t) u(t)
g(t) g(t)
y(t)=g(t)*u(t) y(t)= g(t)*u(t)
Secrezione
Risposta impulsiva
Concentrazione
Oss. La velocità di g(t) determina la “memoria” del sistema
7
SISTEMA LENTOSISTEMA PRONTO
0 0.2 0.4 0.6 0.8 10
5
10
mas
sa/t
0 0.2 0.4 0.6 0.8 10
0.2
0.4
0.6
0.8
1
1/vo
l
0 0.2 0.4 0.6 0.8 10
0.5
1
mas
sa/v
ol
0 0.2 0.4 0.6 0.8 10
0.5
1
t
mas
sa/v
ol
0 0.2 0.4 0.6 0.8 10
5
10
mas
sa/t
0 0.2 0.4 0.6 0.8 10
0.2
0.4
0.6
0.8
1
1/vo
l
0 0.2 0.4 0.6 0.8 10
0.1
0.2
0.3
0.4
0.5
mas
sa/v
ol
0 0.2 0.4 0.6 0.8 10
0.1
0.2
0.3
0.4
0.5
t
mas
sa/v
ol
{zk} {zk}
u(t) u(t)
g(t) g(t)
y(t)=g(t)*u(t) y(t)= g(t)*u(t)
Ruolo della Cinetica nel Segnale di Concentrazione
Secrezione
Risposta impulsiva
Serie misurata
Concentrazione e campioni rumorosi
E’ importante studiare la secrezione, che però non è misurabile in vivo
8
Formulazione del Problema di Deconvoluzione
k
t
kkkk vd)(u)t(gv)t(yzk
Problema di deconvoluzione: Ricostruire l’ingresso u(t) nota la risposta impulsiva g(t) e n campioni rumorosi dell’uscita su s={t1 , t2 ,..., tn}
u(t)
SISTEMAg(t) y(t)
+
+ zk
vk
z(tk)
?
k=1, 2. …n
9
Esempi: rimozione distorsioni da un segnale o misura di un segnale per via indiretta
•Telecomunicazioni •Image restoration •Geofisica •Sismologia •Spettroscopia •Quantistica •Astronomia•Acustica•Elettromagnetismo•…
Deconvoluzione: un Problema Classico
10
Tramite il sistema http://www.pubmed.com, nel settembre 2004 la parola chiave “deconvolution” individuava 2310 riferimenti bibliografici in decine e decine di ambiti, es:
•Endocrinologia •Metabolismo •Farmacocinetica •Elettrofisiologia / Potenziali evocati •Medicina Nucleare•Radiologia / Tomografia•Medical Imaging / Ultrasuoni •Meccanica dei Materiali•Microscopia•…
Deconvoluzione per l’Analisi di Segnali Fisiologici
11
Deconvoluzione: gli elementi del problema (1 di 2)
I dati
•griglia di campionamento s={t1 , t2 ,..., tn} (uniforme o non uniforme) studiata in relazione alla dinamica attesa dei segnali in gioco
•errore di misura {vk}
E[vk] = 0 E[vk
2] = k2 costante con k o no (es. CV
costante), nota o no
Di solito {vk} è assunto gaussiano a campioni scorrelati, per cui la matrice di covarianza di v=[v1, v2, ..., vn]T:
E[vvT] = v
è diagonale. Inoltre E[v]=0
C-peptide time-series
minutes
pm
ol/m
l
0.6
1.0
1.4
1.8
0 200 400 600 800 1000 1200
C-peptide in plasma
minutes
pm
ol/m
l
0.00.30.60.91.21.51.8
0 40 80 120 160 200 240
12
Il modello della risposta impulsiva
g t A eii
Mti( )
1
Approcci per dare dei valori a M e a [Ai, i]:1) modello di popolazione2) modello individuale
2a) basato su un esperimento I/O (costoso, ma preciso)
Di solito:
es.
NB. Poiché ci può essere variabilità intraindividuale conviene fare l’esperimento I/O subito prima dell’esperimento di deconvoluzione
2b) basato su informazioni di tipo antropometriche
0 20 40 60 80 100 120 140 160 180
0
5
10
15
C-peptide decay curve
minutes
pmol
/ml
g(t)= 8.52 e-0.287t + 4.65 e-0.081t +2.16 e-0.023t
Deconvoluzione: gli elementi del problema (2 di 2)
13
Nel 1924, Hadamard diede la seguente definizione di problema ben posto
“Un problema è ben posto se esso possiede una e una sola soluzione e questa dipende con continuità dai dati. In caso contrario, viene detto mal posto”
Problemi ben-posti
14
Ipotesi (semplificative) •u(t) e' causale •u(t) costante a tratti sulla griglia di campionamento•il campionamento è uniforme
La deconvoluzione discreta
0 t1 t2 t3 t4 t5 tn-1 tn
u1 u2 u3 un
y1 y2 y3 y4 y5 yn-1 yn
T)1k(
kTk dt)t(gg~ k=0, 1, ..., n-1
k
1iikik g~uy convoluzione discreta
ti=iT i=1, 2, ….nt0=0
ku k=1, 2, ..., n
NOTA
INCOGNITA, DA STIMARE
(NB: n incognite da n dati)
15
Modello delle misure
0121n
012
01
0
g~g~g~...g~...............00g~g~g~000g~g~0000g~
G
k
k
1iikikkk vg~uvyz
z = y+ v= Gu + v
k=1, 2, ..., n
u=[u1, u2, …,un]T
z=[z1, z2, …,zn]T
v=[v1, v2, …,vn]T
y=[y1, y2, …,yn]T
G matrice di Toeplitz
16
Raw-Deconvolution
...
)ug~ug~z(g~1
ug~g~
ug~g~
g~z
u
)ug~z(g~1
ug~g~
g~z
u
g~z
u
R12
R213
0
R1
0
2R2
0
1
0
3R3
R112
0
R1
0
1
0
2R2
0
1R1
0121n
012
01
0
g~g~g~...g~...............00g~g~g~000g~g~0000g~
G
z = Gu + v
G è invertibile
zG u 1R raw-deconvolution (ignora l’esistenza di v)
Implementazione algoritmica
1+2+3+…n = n(n+1)/2 moltiplicazioni
complessità o(n2)
17
Prestazioni della raw-deconvolution
18
Problema reale
0 200 400 600 800 100050
100
150
200
250
300
raw deconvolution
minutes
pm
ol/m
in
0 200 400 600 800 10000.6
0.8
1
1.2
1.4
1.6
reconvolution vs data
minutes
pm
ol/m
l
0 200 400 600 800 1000-1
-0.5
0
0.5
1% residuals
min
%
Problema reale: secrezione insulina
19
0 20 40 60 80 100 120 140 160 180-0.2
0
0.2
0.4
0.6
0.8raw deconvolution
minutes
mU
l/min
0 20 40 60 80 100 120 140 160 1805
6
7
8
9
10
reconvolution vs data
minutes
mU
/ml
0 20 40 60 80 100 120 140 160 180-1
-0.5
0
0.5
1% residuals
min
%
Problema reale: secrezione LH
20
Necessità degli studi di simulazione
Usando solo dati reali è difficile valutare le prestazioni degli algoritmi di deconvoluzione (non posso confrontare û(t) con u(t) vero)
problemi simulati
Esempio:
problemi “fisiologici” (uso generatori di serie temporali)problemi “astratti” (uso funzioni analitiche, es. Hunt)
21
0 100 200 300 400 500 600 700 800 900 10000
0.2
0.4
0.6
0.8
1
1.2INGRESSO
t
un
ità d
i mis
ura
0 100 200 300 400 500 600 700 800 900 10000
0.2
0.4
0.6
0.8
1
1.2RISPOSTA IMPULSIVA
t
un
ità d
i mis
ura
0 100 200 300 400 500 600 700 800 900 1000
0
50
100
150
200USCITA E CAMPIONI (n=41, SD=3)
t
un
ità d
i mis
ura
Il problema simulato di Hunt (1971)
1025t0 , ee)t(u
22
75600t
75400t
altrove 0502t0 1 )t(g
22
0 100 200 300 400 500 600 700 800 900 1000
-1
-0.5
0
0.5
1
1.5
2
Raw deconvolution e ingresso vero del sistema
t
un
ità d
i mis
ura
0 100 200 300 400 500 600 700 800 900 10000
50
100
150
200riconvoluzione e dati
t
un
ità d
i mis
ura
0 100 200 300 400 500 600 700 800 900 1000-2
-1
0
1
2residui pesati
t
res/
SD
23
0 100 200 300 400 500 600 700 800 900 10000
0.2
0.4
0.6
0.8
1
1.2INGRESSO
t
un
ità d
i mis
ura
0 100 200 300 400 500 600 700 800 900 10000
0.2
0.4
0.6
0.8
1
1.2RISPOSTA IMPULSIVA
t
un
ità d
i mis
ura
0 100 200 300 400 500 600 700 800 900 1000
0
50
100
150
200USCITA e CAMPIONI (n=102, SD=3)
t
un
ità d
i mis
ura
E se ridefinissi il problema aumentando la frequenza di campionamento ?
24t
0 100 200 300 400 500 600 700 800 900 1000
-1.5
-1
-0.5
0
0.5
1
1.5
2
Raw deconvolution e ingresso vero del sistema
t
un
ità d
i mis
ura
0 100 200 300 400 500 600 700 800 900 1000
0
50
100
150
200riconvoluzione e dati
t
un
ità d
i mis
ura
0 100 200 300 400 500 600 700 800 900 1000-2
-1
0
1
2residui pesati
res/
SD
peggiorerebbero !!! (oscillazioni ancora più marcate)
i risultati ...
25
0 100 200 300 400 500 600 700 800 900 10000
0.2
0.4
0.6
0.8
1
Raw deconvolution e ingresso vero del sistema
t
un
ità d
i mis
ura
0 100 200 300 400 500 600 700 800 900 1000
50
100
150
riconvoluzione e dati
t
un
ità d
i mis
ura
0 100 200 300 400 500 600 700 800 900 1000-2
-1
0
1
2residui pesati
t
res/
SD
Il problema è dovuto al passaggio da tempo continuo a tempo discreto ?
NO !!!
26
La presenza di oscillazioni spurie è dovuta al fatto che
•i dati sono rumorosi
•il problema di deconvoluzione è mal-condizionato
A causa del mal-condizionamento, anche piccoli errori nei dati possono provocare grandi errori nella soluzione
Il mal-condizionamento
27
Analisi del mal-condizionamento:Ruolo del rumore di misura
zG u 1R
T1 G)vcov(G)ecov(
euvGu
)vGu(G u1
1R
uue R
dove:
è l’errore di stima. Statisticamente
E[e]=0
nella varianza dell’errore c’e’ un fattore di amplificazione
28
Il mal-condizionamento è tanto peggiore quanto più è alta la frequenza di campionamento (vd. ad es. quanto mostrato
tramite il problema simulato)
Per due problemi di deconvoluzione con frequenza di campionamento uguale, il mal-condizionamento è peggiore
per il sistema meno pronto (vd. ad es. quanto illustrato nell’esempio simulato che segue)
Valutazione qualitativa del mal-condizionamento
29
0 0.2 0.4 0.6 0.8 10
5
10
SISTEMA LENTO
mas
sa/t
u(t)
0 0.2 0.4 0.6 0.8 10
0.2
0.4
0.6
0.8
1
1/vo
l
g(t)
0 0.2 0.4 0.6 0.8 10
0.5
1
mas
sa/v
ol y(t) {zk}
0 0.2 0.4 0.6 0.8 10
0.5
1
t
mas
sa/v
ol
{zk}
0 0.2 0.4 0.6 0.8 10
5
10
SISTEMA PRONTO
mas
sa/t
u(t)
0 0.2 0.4 0.6 0.8 10
0.2
0.4
0.6
0.8
1
1/vo
l
g(t)
0 0.2 0.4 0.6 0.8 10
0.2
0.4
0.6
mas
sa/v
ol
y(t) {zk}
0 0.2 0.4 0.6 0.8 10
0.2
0.4
0.6
t
mas
sa/v
ol
{zk}
Mal-condizionamento: ruolo della cinetica
30
0 0.2 0.4 0.6 0.8 1-10
-5
0
5
10
15raw deconvolution e ingresso vero
t
0 0.2 0.4 0.6 0.8 10
0.5
1
1.5riconvoluzione e dati
t
0 0.2 0.4 0.6 0.8 1-5
0
5
10
15raw deconvolution e ingresso vero
t
0 0.2 0.4 0.6 0.8 10
0.1
0.2
0.3
0.4
0.5riconvoluzione e dati
t
Per due problemi di deconvoluzione con frequenza di campionamento uguale, il mal-condizionamento è
peggiore per il sistema meno pronto
SISTEMA PRONTO SISTEMA LENTO
31
Raw-deconvolution: Lezioni
Credere “ciecamente” ai dati è sbagliato perché i dati sono affetti da rumore.
Il mal-condizionamento amplifica il rumore provocando nella stime dell’ingresso degli errori, in particolar modo ad alta frequenza (ovvero oscillazioni veloci e spurie)
zG u 1R
2
u
1v
T
u
R1
vuG-z minarguG-zuG-z minargu
Oss: è la soluzione del problema
La raw-deconvolution determina la stima dell’ingresso servendosi dei soli dati di misura
Ciò porta a stime contaminate da ampie oscillazioni spurie e non conformi alle nostre attese sul segnale
(vd. dimostrazione pagina seguente)
32
)uJ( minarguG-zuG-z minarguu
1v
T
u
R
uGGuuGz2zz)u(J 1v
TT1v
T1v
T
ubuAu21
)u(J TTIII
zΣGG)Σ(GbAu 1v
T11v
T1
)uG(zΣ)uG(z)uJ( 1Tv
zΣGb
GΣGA1
vT
1v
T
La funzione JIII(û) è nella forma
che si dice quadratica. Posso allora sfruttare un noto risultato della teoria del minimi quadrati per cui
Dimostrazione
Poichè il primo addendo a secondo termine non dipende da û, la û che minimizza J (û) è la stessa che minimizza
uGz2uGGu)u(J 1v
T1v
TTII
ed è la stessa che minimizza anche JIII, che differisce da JII per un fattore di scala 1/2.
uGzuGΣGu21
)u(J 1v
T1v
TTIII
Dato che G è per noi quadrata ed invertibile, si ha
zGzΣG)Σ(GGu 11v
T11v
T1
33
Il metodo di regolarizzazione
34
IDEA (Phillips, 1962), (Tikhonov, 1963): Determinare la stima operando un compromesso tra due esigenze: •spiegare i dati sperimentali•ottenere una stima dell’ingresso “regolare” (smooth)
uFFuuG-zuG-z minargu TT1T
u
PTv
aderenza ai dati regolaritàdella stima
Il metodo di regolarizzazione
11......00.........00...1100...01100001
D
F è una matrice quadrata (stessa dimensione di û) costruita in modo tale che ||Fû||2 costituisca un’indice della irregolarità della stima dell’ingresso
Tipicamente, F è costruita in modo che Fû fornisca il vettore delle differenze m-esime di û (m = 1, 2, ...). Ciò si ottiene ponendo:
F=Dm
35
F
1 0 0 0 01 1 0 0
0 1 1 00 00 1 1
...
...... ... ...... ...
m=1
1nn
23
12
1
n
3
2
1
uu...
uuuu
u
u...uuu
1.........0......10...0...1100...0110...001
uD
Per rendersi conto che Fû con F=D fornisce il vettore delle differenze prime di û è sufficiente eseguire l’operazione
Penalizzazione differenze prime
36
Per rendersi conto che Fû con F=D2 fornisce proprio il vettore delle differenze seconde di û ...
2n1nn
123
12
1
1nn
23
12
1
2
uu2u...
uu2uu2u
u
uu...
uuuu
u
1.........0......10...0...1100...0110...001
)uD(DuD
Penalizzazione differenze seconde
121...00.........00...21...0...1210...0120...001
Fm=2
37
zG)FFGG( u 1v
T1T1v
TPT
Osservazione:
Come lo stimatore ûR, anche lo stimatore PT è lineare
uFFuuG-zuG-z minargu TT1v
T
u
PT
22
u
PT uFuG-z minargu 1v
Valori piccoli di privilegeranno stime che rendono piccolo a scapito di stime che rendono piccolo 2uF
Valori grandi di privilegeranno stime che rendono piccola a scapito di stime che rendono piccola
21
vuG-z
2uF
si dice quindi parametro di regolarizzazione
21
vuG-z
38
Risultati problema Hunt con=5000 (m=2)
0 100 200 300 400 500 600 700 800 900 1000
0
0.2
0.4
0.6
0.8
1
Problem Hunt (sd=3) (ST, g=5000; q=7.1031; d=2; Tw)
time
arbi
trar
y un
its
0 100 200 300 400 500 600 700 800 900 10000
50
100
150
200reconvolution against data
time
arbi
trar
y un
its
0 100 200 300 400 500 600 700 800 900 1000-5
0
5weighted residuals
time
res/
SD
39
0 100 200 300 400 500 600 700 800 900 1000
0
0.2
0.4
0.6
0.8
1
Raw deconvolution e ingresso vero del sistema
t
un
ità d
i mis
ura
0 100 200 300 400 500 600 700 800 900 10000
50
100
150
200riconvoluzione e dati
t
un
ità d
i mis
ura
0 100 200 300 400 500 600 700 800 900 1000-4
-3
-2
-1
0
1
2
3
residui pesati
t
res/
SD
=1000 (m=2)
40
0 100 200 300 400 500 600 700 800 900 1000
-0.5
0
0.5
1
1.5
Raw deconvolution e ingresso vero del sistema
t
un
ità d
i mis
ura
0 100 200 300 400 500 600 700 800 900 10000
50
100
150
200riconvoluzione e dati
t
un
ità d
i mis
ura
0 100 200 300 400 500 600 700 800 900 1000
-0.3
-0.2
-0.1
0
0.1
0.2
0.3
0.4
residui pesati
t
res/
SD
=0.1 (m=2)
41
è un parametro dell’algoritmo e la sua scelta è critica. Nella pratica non posso che affidarmi a dei criteri di regolarizzazione
42
Criterio di discrepanza (Twomey, 1965) uFFuuG-zuG-z minargu TT1
vT
u
PT
Idea (Twomey, 1965): considerare i residui
uGzr (NB: i residui dipendono da
Poiché v= y - Gu, il vettore dei residui r può essere pensato come una stima del vettore degli errori di misura
rv
Si può ritenere ragionevole che debba valere
22 vEr
Dipende da Dipende dalla varianza degli errori di misura
43
Criterio di discrepanza: Regolare in modo che
r r RSSii
n2 2
1
n
1iv
2i
n
1i
2i
n
1i
2i
T2 )(tracevEvEvvEvE
)(trace r v2
Algoritmo da usare in pratica
ripetoscelgo calcolo la stima di u per il sceltocalcolo la riconvoluzionecalcolo il vettore dei residui calcolo
finchè RSS trace v ( )
uGzr RSS ri
i
n
2
1
44
0 100 200 300 400 500 600 700 800 900 1000
0
0.2
0.4
0.6
0.8
1
Problem Hunt (sd=3) (ST, g=104.9976; q=14.4871; d=2; Twomey )
time
arb
itra
ry u
nits
0 100 200 300 400 500 600 700 800 900 10000
50
100
150
200reconvolution against data
time
arb
itra
ry u
nits
0 100 200 300 400 500 600 700 800 900 1000-2
-1
0
1
2
weighted residuals
time
res/
SD
Risultati Hunt con =104 (discrepanza)
45
0 200 400 600 800 100050
100
150
200
250
300
deconvoluted ISR (ST, g=0.0014525; q=64.1331; d=2; Tw
minutes
pmol
/min
0 200 400 600 800 10000.6
0.8
1
1.2
1.4
1.6
reconvolution vs C-peptide data
minutes
pmol
/ml
0 200 400 600 800 1000
-8
-6
-4
-2
0
2
4
6
% residuals
min
%
Risultati Insulina
46
0 20 40 60 80 100 120 140 160 180-0.2
0
0.2
0.4
0.6
0.8DECONVOLUZIONE(g=129.802; q(g)=18.3146; d=1; Tw)
minutes
mU
/min
0 20 40 60 80 100 120 140 160 1805
6
7
8
9
10
RICONVOLUZIONE E DATI
minutes
mU
/ml
0 20 40 60 80 100 120 140 160 180-10
-5
0
5
RESIDUI %
min
%Risultati LH
47
Il criterio di discrepanza di Twomey è intuitivo ma ha una base teorica debole
Si può dimostrare che, in media, il criterio di Twomey conduce ad oversmoothing ( troppo grande)
Esistono in letteratura altri criteri di regolarizzazione, ma più complicati, ad esempio:
•Maximum Likelihood (ML, massima verosimiglianza)•Minimum Risk (rischio minimo)•Generalized Cross-Validation
Il criterio di discrepanza risolve il problema ?
inclusi nel software WINSTODEC
48
Regolarizzazione: problemi ancora aperti
•campionamento rado / non uniforme
0 100 200 300 400 500 600 700 800 900 10000
0.2
0.4
0.6
0.8
1
Raw deconvolution e ingresso vero del sistema
un
ità d
i mis
ura
0 100 200 300 400 500 600 700 800 900 1000
0
0.2
0.4
0.6
0.8
1
Problem Hunt (sd=3) (ST, g=48.2675; q=16.9019; d=2; Max Lik1)
time
arb
itra
ry u
nits
•vincolo non negatività
49
Campionamento non uniforme / radoLa griglia virtuale
PROBLEMA: essendo partiti dalla raw-deconvolution, abbiamo sempre considerato griglia di campionamento = griglia delle stime
IDEA: Disaccoppiamo la griglia di campionamento (dimensione n) da una griglia "virtuale" (dimensione N>>n) su cui discretizziamo l'ingresso
ESEMPIO:
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
griglia “virtuale” (1 min)
griglia campionamento (non uniforme e rada)
1 ? 3 ? ? 6 ? ? ? 10 ? ? ? ? 15
15
4
3
2
1
01121314
0789
0345
012
0
u..............uuuu
g~g~............g~g~g~00g~.........g~g~g~0000g~...g~g~g~000000g~g~g~00000000g~
)15(y)10(y)6(y)3(y)1(y
50
15
14
4
3
2
1
01121314
01213
0123
012
01
0
uu..........uuuu
g~g~g~g~g~0g~g~g~
............000...0g~g~g~g~000000g~g~g~0000000g~g~00000000g~
)15(y)14(y
...
.......
)4(y)3(y)2(y)1(y
15
14
4
3
2
1
01121314
01213
0123
012
01
0
uu..........uuuu
g~g~g~g~g~0g~g~g~
............000...0g~g~g~g~000000g~g~g~0000000g~g~00000000g~
)15(y)14(y
...
.......
)4(y)3(y)2(y)1(y
15
4
3
2
1
01121314
0789
0345
012
0
u..............uuuu
g~g~............g~g~g~00g~.........g~g~g~0000g~...g~g~g~000000g~g~g~00000000g~
)15(y)10(y)6(y)3(y)1(y
In dettaglioSe avessi tutti i campioni sulla griglia virtuale...
Eliminando le righe corrispondenti ai dati “mancanti” ...
Si ottiene ...
51
z = Gu + v
Soluzione in presenza di griglia virtuale
nX1 nXN
NX1
nX1
= +z G u v
zG)FFGG( u 1-v
T1T1-v
T
uFFuuG-zuG-z minargu TT1v
T
u
Soluzione in forma chiusa
invertibile perchè definita positiva
GG 1-v
TFFT
semi-definita positiva
definita positiva
52
0 100 200 300 400 500 600 700 800 900 1000
0
0.2
0.4
0.6
0.8
1
DECONVOLUZIONE ( =1237454.664; q()=13.8563; d=2; Twomey )
time
arb
itra
ry u
nits
0 100 200 300 400 500 600 700 800 900 10000
50
100
150
200RICONVOLUZIONE E DATI
time
arb
itra
ry u
nits
0 100 200 300 400 500 600 700 800 900 1000
-2
-1
0
1
2
RESIDUI PESATI
time
res/
SD
Risultati Hunt con griglia virtuale
53
0 200 400 600 800 100050
100
150
200
250
300
regularized deconvolution (=0.58821, q()=34.07, n=115, Twomey)
minutes
pmol
/min
0 200 400 600 800 10000.6
0.8
1
1.2
1.4
1.6
reconvolution vs data
minutes
pmol
/ml
0 200 400 600 800 1000
-10
-5
0
5
10
% residuals
min
%
Risultati insulina con griglia virtuale
54
Risultati LH con griglia virtuale
0 20 40 60 80 100 120 140 160 180-0.2
0
0.2
0.4
0.6
0.8DECONVOLUZIONE(g=775.619; q(g)=18.4213; d=1; Tw)
minutes
mU
/min
0 20 40 60 80 100 120 140 160 1805
6
7
8
9
10
RICONVOLUZIONE E DATI
minutes
mU
/ml
0 20 40 60 80 100 120 140 160 180-10
-5
0
5
RESIDUI %
min
%
55
Vincolo di non negatività
uFFu)uGz()uGz(minargu TT1v
T
0u
PTV
La regolarizzazione "lineare" puo' produrre stime negative
IDEA: Vincolare il problema
•Per uso un valore che funziona bene (quantità di regolarizzazione adeguata) nel caso lineare•Come algoritmo numerico per risolvere il problema di minimo vincolato utilizzo un metodo iterativo
Problemi
La stima diventa non lineare:•Scelta di ?•Algoritmi ?
Rimedi
56
0 100 200 300 400 500 600 700 800 900 10000
0.2
0.4
0.6
0.8
1
DECONVOLUZIONE CON VINCOLO DI NON NEGATIVITA’ vs VERO
time
Uni
tà d
i mis
ura
0 100 200 300 400 500 600 700 800 900 10000
50
100
150
200RICONVOLUZIONE e DATI
time
Uni
tà d
i mis
ura
0 100 200 300 400 500 600 700 800 900 1000
-6
-4
-2
0
2
4
6
RESIDUI PESATI
time
res/
SD