Treatment of geophysical data as a non-stationary process

Rocha, Marcus da Costa da Pinto; Leite, Lourenildo W. B.

doi:10.1590/s0101-82052003000200001

Cited by 4 publications

(3 citation statements)

References 11 publications

(6 reference statements)

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…and the estimated value equation is given by (4) Equation ( 3) is a booton integral and it is usually difficult to solve, but an approach was developed using state variables to describe nonstationary processes (Rocha and Leite, 2003). Kalman and Bucy (1961) have converted the integral in a first-order differential equations system which are more suitable to solve than (3).…”

Section: The Cost Function Of Minimizing Is Given Bymentioning

confidence: 99%

“…Bannister et al (1999) applied linear and nonlinear filters for fMRI temporal analysis, and their results shown that in general the linear filter is better than the non-linear filter for the signal restoration. In this paper, the Kalman-Bucy filter (Kalman, 1960;Kalman and Bucy, 1961;Rocha and Leite, 2003;Rocha et al, 2007) will be applied to realize the preprocessing of the fMRI data. It is made an adaptation in this method for filtering periodic signals so as to preserve morphology and amplitude of the original signal.…”

Section: Introductionmentioning

confidence: 99%

See 1 more Smart Citation

Application of the Kalman Filter in Functional Magnetic Resonance Image Data

Farias

Rocha

Tavares

2020

Int J Innov Educ Res

View full text Add to dashboard Cite

The Kalman-Bucy filter was applied on the preprocessing of the functional magnetic resonance image-fMRI. Numerical simulations of hemodynamic response added Gaussian noise were performed to evaluate the performance of the filter. After the proceeding was applied in auditory real data. The Kohonen’s self-organized map was employed as tools to compare the performance of the Kalman’s filter with another type of pre-processing. The results of the application of Kalman-Bucy filter for simulated data and real auditory data showed that it can be used as a tool in the temporal filtering step in fMRI data.

show abstract

Section: The Cost Function Of Minimizing Is Given Bymentioning

confidence: 99%

Section: Introductionmentioning

confidence: 99%

Application of the Kalman Filter in Functional Magnetic Resonance Image Data

Farias

Rocha

Tavares

2020

Int J Innov Educ Res

View full text Add to dashboard Cite

show abstract

“…Neste artigo foi aplicado o Filtro de Kalman [4,5,7] para realizar o pré-processamento em dados de FMRI. Esse método é adaptado para filtrar sinais periódicos de modo a preservar a amplitude e a morfologia do sinal original.…”

Section: Introductionunclassified

Pré-Processamento de Dados de Imagem Funcional por Ressonância Magnética Usando o Filtro de Kalman

Farias

Rocha

Tavares

et al. 2015

Proceeding Series of the Brazilian Society of Computational and Applied Mathematics

View full text Add to dashboard Cite

Resumo-Foi aplicado do filtro de Kalman no pré-processamento de imagens por ressonância magnética funcional-fMRI. Para testar o desempenho do filtro foram realizadas simulações numéricas da resposta hemodinâmica acrescida de ruído gaussiano. Utilizou-se como ferramenta de comparação o mapa autoorganizáveis. Os resultados da aplicação do filtro de Kalman, para dados simulados, revelou que ele pode ser usado como ferramenta na etapa de filtragem temporal em dados de fMRI. INTRODUÇÃODas diversas técnicas interessadas em avaliar a função cerebral através de imagens, a mais empregada é a técnica de aquisição de imagens funcionais por ressonância magnética (fMRI) [3]. Esta técnica baseia-se no fenômeno da ressonância nuclear. A FMRI analisa a variação hemodinâmica e tem o diferencial de não submeter o voluntário a efeitos nocivos.Em um experimento de ressonância magnética funcional, o sujeito permanece dentro de um equipamento de ressonância sendo submetido a estímulos variados. A atividade neural aos estímulos causa um aumento do fluxo sanguíneo e oxigenação nos vasos locais. O mecanismo de contraste BOLD, é a resposta da aplicação do protocolo experimental composto de mudanças periódicas entre estímulo e não-estímulo.A evolução temporal do efeito BOLD é uma série temporal correspondente para cada voxel. A aquisição do sinal é feito em vários ciclos de repouso e estímulo fazendo com que o sinal de interesse seja próximo a uma onda quadrada de período constante.O efeito BOLD dá origem a mudança de intensidade restrita a uma certa área do cérebro e transitórios no tempo em relação ao estímulo. No entanto, os efeitos são pequenos e corrompidos por ruído e artefatos. Um dos aspectos mais desafiantes da fMRI é encontrar métodos mais sensíveis de detecção e eliminação de ruído em meio ao sinal, pois a técnica é suscetível a várias fontes de ruído, causando nos dados do experimentos imprecisões temporais e espaciais.Dentre as fontes que causam essas imprecisões, podemos citar o ruído devido ao movimento da cabeça de forma involuntária, ou causado por batimentos cardíaco, a respiração ou por outros processos fisiológicos, como por exemplo, diferenças no tempo de aquisição das imagens, ruído devido a imperfeições do hardware e ruído causado pela interferência de outros estímulos não relacionados à tarefa de interesse.As séries temporais em um experimento de fMRI geralmente apresentam uma baixa relação sinal ruído, Signal to Noise Ratio (SNR). Desse modo, torna-se necessário algum tipo de pré-processamento para a filtragem do ruído presente no sinal. O ponto principal da filtragem temporal é remover componentes indesejáveis da série temporal sendo importante manter na filtragem a forma do sinal original.As técnicas de pré-processamentos servem para diminuir a maioria dos ruídos citados, pois o ruído é uma componente indesejável e com variabilidade irrelevante presente no sinal associado à resposta BOLD. Se não houver as etapas de pré-processamento, a variabilidade pode invalidar o poder de detecção de áreas cerebrais considera...

show abstract

Controle da Escala na Estacionaridade de Perfis de Poço (Scale dependence of well log stationarity)

Silva*¹,

Remacre

2005

9th International Congress of the Brazilian Geophysical Society &Amp; EXPOGEF, Salvador, Bahia, Brazil, 11-14 September 2005

View full text Add to dashboard Cite

Treatment of geophysical data as a non-stationary process

Cited by 4 publications

References 11 publications

Application of the Kalman Filter in Functional Magnetic Resonance Image Data

Application of the Kalman Filter in Functional Magnetic Resonance Image Data

Pré-Processamento de Dados de Imagem Funcional por Ressonância Magnética Usando o Filtro de Kalman

Controle da Escala na Estacionaridade de Perfis de Poço (Scale dependence of well log stationarity)

Contact Info

Product

Resources

About