Nieliniowy wybór danych z wykorzystaniem metody Monte Carlo – przykład optymalizacji wykreślania krzywej spirometrycznej

FMFF 3

We wszystkich dziedzinach nauki oraz w zagadnieniach inżynierskich na co dzień spotykamy się z danymi, które chcemy opracowywać lub przedstawiać w postaci wykresów. W dobie społeczeństwa cyfrowego ilość danych jest często bardzo duża, co w niektórych przypadkach może sprawiać kłopoty w ich analizie lub wykreślaniu, szczególnie jeśli zadania te mają być realizowane w czasie rzeczywistym, w trakcie zbierania danych. Najprostszym i najczęściej stosowanym sposobem zmniejszania liczby próbek sygnału dyskretnego jest decymacja, czyli zachowywanie w sygnale co którejś próbki, a odrzucanie pozostałych. W szczególnych przypadkach procedura ta powoduje jednak utratę kluczowych cech sygnału już po odrzuceniu niewielkiej liczby próbek. Ma to miejsce na przykład w przypadku krzywej spirometrycznej, czyli krzywej przedstawiającej wykres prędkości przepływu od objętości powietrza wydmuchanego przez pacjenta w trakcie badania spirometrycznego. Okazuje się, że problem ten można łatwo rozwiązać, adaptując dobrze znaną w fizyce metodę Monte Carlo. Poprzez losowanie liczb z odpowiednich rozkładów, możemy „sprytnie” wybierać punkty z mniejszym prawdopodobieństwem tam, gdzie leżą one gęsto, a z większym prawdopodobieństwem tam, gdzie jest ich mało. Działający w ten sposób algorytm został zaimplementowany w oprogramowaniu spirometru mobilnego AioCare w celu optymalizacji zużycia pamięci podczas rysowania krzywej spirometrycznej w czasie rzeczywistym. Zaprezentowana metoda znajduje zastosowanie dla dowolnych danych numerycznych. W trakcie prezentacji zostaną przedstawione przykłady użycia metody dla danych z kilku dziedzin.

Michał Łepek

 Info

Date
25-09-2020 13:40
Duration
15 minutes
Location