Projektisuunnitelma ja johdanto AS Automaatio- ja systeemitekniikan projektityöt Paula Sirén

Transkriptio

1 Projektisuunnitelma ja johdanto AS Automaatio- ja systeemitekniikan projektityöt Paula Sirén

2 Sonifikaatio Menetelmä Sovelluksia Mahdollisuuksia Ongelmia Sonifikaatiosovellus: NIR-spektroskopia kariesmittauksissa Tutustuminen menetelmään ja mittaustekniikkaan Signaalinkäsittelyfunktio Teoriaosuus loppudokumentissa DEMO!

3

4 Negatiivinen gradientti Vähiten absorptiota pienillä aallonpituuksilla Suhteellinen muutos tarkastelualueella suurempi Positiivinen gradientti

5 Karies syövyttää kiilteen hampaan pinnalta Muuttaa hampaan absorptio-ominaisuuksia Maksimi-intensiteetit havaitaan sairaalla ja terveellä hampaalla eri taajuuksilla. Intensiteetin absoluuttiarvot eivät kerro suoraan mitään. Ne riippuvat todennäköisesti eniten hampaan ja mittausjärjestelyn geometriasta. Ulkopuoliset häiriöemitterit näkyvät spektrissä yksittäisinä piikkeinä. Taustan NIR-emitterien vaikutus pyrittävä pitämään vakiona koko mittauksen ajan (jokaisessa spektrissä systemaattisesti esiintyvät piirteet).

6 Miltä kariesspektri näyttää 111 valmiiksi luokitellun tapauksen perusteella Luokittelufunktio spektrit sairaisiin, terveisiin ja epäselviin spektrin fysikaalisten ominaisuuksien perusteella Aluksi Valitaan tutkittava taajuusalue Silotetaan data polynomisovituksella Kartoitetaan sairaan ja terveen spektrin tyypilliset piirteet Maksimi- ja minikohdat Gradienttien paikat ja merkit Spektrien arvot suhteessa keskiarvoon

7 Hahmotelma 1 Koodataan tietty mielenkiintoinen piirre (esim. negatiivinen gradientti 500 nm kohdalla) vastaamaan tietyn taajuista ja amplitudista siniaaltoa. Esim. mitä sairaampi sitä korkeampi taajuus tai pidempi kesto. + Teoriassa voitaisiin yhdistellä eri piirteet äänen eri komponenteiksi melko elegantilla tavalla - Käytännössä kaikki spektrit hieman erilaisia => suuri määrä erilaisia ääniä, joita kuitenkin hyvin vaikea erottaa toisistaan. EI TOIMI!

8 Hahmotelma 2 Kokeillaan jotain yksinkertaisempaa ja käyttäjäystävällisempää Valitaan jälleen lähtökohdaksi siniaalto, mutta erotetaan tällä kertaa vain kolme erityyppistä tapausta ja näitä vastaamaan kolme tarpeeksi helposti toisistaan erotettavaa sinimuotoista ääniaaltoa: Selkeästi terveet Selkeästi sairaat Hämärämmät tapaukset => mitataan uudelleen Kun luokittelufunktio toimii, tällä lähestymistavalla saavutetaan toimiva lopputulos!

9

10

11 Referenssinä käytettiin valmiiksi luokiteltua dataa EI absoluuttinen totuus! 90 % spektreistä saatiin luokiteltua luotettavasti sairaisiin ja terveisiin Loputkin saataisiin periaatteessa luokiteltua, mutta epäselvemmät tapaukset kannattaa kuitenkin mitata uudelleen Lisätään sovellukseen ääni-informaation lisäksi vielä visuaaliset spektrikuvaajat, sillä yhdistämällä visuaalinen ja auditiivinen informaatio saadaan (usean tutkimuksenkin mukaan) havainnollisempi tulos kuin pelkällä äänellä.

12 Annetuilla lähtötiedoilla toteutus on toimiva. Liialla monimutkaisuudella ei saavutettu mitään hyvää. Luokittelu perustuu spektrin fysikaalisiin ominaisuuksiin. Tulos eroaa jonkin verran referenssiluokittelusta Hyvä vai huono asia? Oleellisin tekijä tulosten oikeellisuuteen on kuitenkin itse mittausjärjestely ja laitteiston kalibrointi! Vastaavatko lähtötietona käytetyt spektridatat lainkaan todellista potilasmittausta?

13 Ääni-informaation ei tule olla liian monimutkaista Rajoittavana tekijänä käyttäjän kyky erottaa äänet toisistaan myös mittausten jatkuessa pitkään kun ympäristössä esiintyy häiriöääniä Jatkokehityksessä tarvittaisiin lisää mittauksia Tarkka mittausjärjestely tunnettava ja koejärjestely suunniteltava huolella Tehtävä mittauksia potilaasta ja verrattava tuloksia irtohammasmittauksiin