X-B Moving Average

Control estadístico de calidad en analizadores hematológicos El control estadístico de calidad realizado en analizadores hematológicos tiene muchas diferencias importantes con respecto a las técnicas correspondientes en los analizadores de química clínica. Estas diferencias se deben a razones como la alta estabilidad de la tecnología de citometría, la pequeña variación biológica de algunos parámetros hematológicos, los grandes frascos de reactivos y el pequeño tiempo de duración de los controles hematológicos. Debido a las razones anteriores, las cartas de Levey-Jennings en los analizadores de hematología son diferentes de las cartas correspondientes en química clínica. Por ejemplo, las listas de hematología de Levey-Jennings tienen sólo tres líneas (límites superior e inferior y línea central). La razón es que estas cartas de Levey-Jennings no se crean estadísticamente a partir de una distribución normal de datos de control de calidad anteriores, lo que no es posible debido a la muy pequeña variación de los valores de control de calidad de hematología. En los analizadores de hematología los límites de control superior e inferior actúan como los límites de especificaciones en el control de calidad de la industria. La pequeña variación biológica de muchos parámetros de hematología hizo que muchos investigadores establecieran métodos de control de calidad basados ​​únicamente en los resultados de los pacientes. Tales parámetros adecuados son los índices de eritrocitos (MCV, MCHC, MCV) con la menor variación biológica (debido no sólo a la biología, sino principalmente a la tecnología de los analizadores hematológicos). Estos atributos inspiraron a Brian Bull (un hematólogo estadounidense) a establecer un nuevo método de control de calidad ampliamente conocido como algoritmo Bulls. El algoritmo Bulls (también conocido como método) detecta errores sistemáticos en MCV, MCHC y MCV y consecuentemente en HgB, Hct y RBC. Su método es una especie de media móvil. Su idea principal es estimar el valor medio de los últimos veinte pacientes, incluyendo en ellos el valor medio del lote de los veinte valores anteriores. El algoritmo en sí es una ecuación bastante complicada que elimina los valores atípicos y estima el promedio móvil de los últimos veinte valores. El algoritmo Bulls ha demostrado ser bastante efectivo para detectar pequeños errores sistemáticos (casi 1) no sólo en los índices de eritrocitos, sino también en casi todos los parámetros hematológicos. Utiliza todos los datos de los pacientes sin excepción. El último hecho hizo Bulls algoritmo el método de control de calidad más barato en medicina de laboratorio. Las muestras de control de calidad de la hematología duran sólo 20 30 días y son muy caras, cuando, por otro lado, las muestras de sangre completa son estables en el refrigerador durante 24 horas. Estos hechos llevaron a algunos investigadores a encontrar métodos que se basan en el análisis repetitivo de muestras de pacientes. Estos métodos se conocen como muestras de pacientes retenidas. En 1988, Cembrowski (químico clínico canadiense) estableció el método de muestras de pacientes retenidos más efectivo. Se basó en el análisis repetitivo de las mismas muestras de pacientes entre dos días sucesivos. Su método se conoce como m / n lim. - Lim significa el límite de control de calidad. Es igual al doble de la desviación estándar del análisis repetitivo (2 x SD). - n representa el número de muestras de pacientes que se analizarán dos veces. - m representa la parte de n número de muestras que se permite estar fuera de los límites (lim). Las simulaciones estadísticas creadas por Cembrowski demostraron la eficacia de su método. Según él la mejor combinación de m, n y lim es 2, 3, 2 o 2/3 2s. Concluyendo, tres métodos diferentes están en la disposición del laboratorio para detectar los errores analíticos en el laboratorio de hematología. Levey-Jennings detecta errores sistemáticos y aleatorios. Por el contrario, el algoritmo de Bulls y los especímenes de pacientes retenidos sólo detectan errores sistemáticos, pero tienen la ventaja del bajo costo. Laboratorio puede elegir la mejor combinación de los tres. T 949955949965964945943945 949957951956941961969963951. 922965961953945954942 921945957959965945961943959965 20, 2013FIR filtros, filtros IIR y la ecuación de diferencia de coeficientes constantes lineales Filtros de media móvil causal (FIR) Hemos discutido sistemas en los que cada muestra de la salida es una suma ponderada de Muestras de la entrada. Tomemos un sistema de suma ponderada causal, donde causal significa que una muestra de salida dada depende solamente de la muestra de entrada actual y de otros insumos más temprano en la secuencia. Ni los sistemas lineales en general, ni los sistemas finitos de respuesta al impulso en particular, necesitan ser causales. Sin embargo, la causalidad es conveniente para una especie de análisis que se va a explorar en breve. Si simbolizamos las entradas como valores de un vector x. Y las salidas como valores correspondientes de un vector y. Entonces tal sistema se puede escribir como cuando los valores de b son pesos aplicados a las muestras de entrada actuales y anteriores para obtener la muestra de salida actual. Podemos pensar en la expresión como una ecuación, con el signo de igual signo que es igual, o como una instrucción de procedimiento, con el signo de igual signo de asignación. Permite escribir la expresión para cada muestra de salida como un bucle MATLAB de sentencias de asignación, donde x es un vector N-length de muestras de entrada, yb es un vector M-length de pesos. Para tratar el caso especial al principio, incorporaremos x en un vector más largo xhat cuyas primeras muestras M-1 son cero. Escribiremos la suma ponderada para cada y (n) como un producto interno, y haremos algunas manipulaciones de las entradas (como invertir b) para este fin. Este tipo de sistema es a menudo llamado un filtro de media móvil, por razones obvias. De nuestras discusiones anteriores, debe ser obvio que tal sistema es lineal y invariable del turno. Por supuesto, sería mucho más rápido usar la función de convolución de MATLAB conv () en lugar de nuestro mafilt (). En lugar de considerar las primeras muestras M-1 de la entrada como cero, podríamos considerarlas como las mismas que las muestras M-1 pasadas. Esto es lo mismo que tratar la entrada como periódica. Utilice bien cmafilt () como el nombre de la función, una pequeña modificación de la función mafilt () anterior. En la determinación de la respuesta de impulso de un sistema, generalmente no hay diferencia entre estos dos, ya que todas las muestras no iniciales de la entrada son cero: Dado que un sistema de este tipo es lineal y invariante por turnos, sabemos que su efecto en cualquier Sinusoid será sólo a escala y cambiarlo. Aquí es importante que utilicemos la versión circular. La versión circularmente convoluida se desplaza y se escala un poco, mientras que la versión con convolución ordinaria se distorsiona al principio. Vamos a ver cuál es el escalado y desplazamiento exactos usando fft: Tanto la entrada como la salida tienen amplitud sólo en las frecuencias 1 y -1, que es como debería ser, dado que la entrada era una sinusoide y el sistema era lineal. Los valores de salida son mayores en una relación de 10.6251 / 8 1.3281. Esta es la ganancia del sistema. ¿Qué pasa con la fase? Sólo necesitamos mirar donde la amplitud es distinta de cero: La entrada tiene una fase de pi / 2, como pedimos. La fase de salida se desplaza por 1,0594 adicionales (con signo opuesto para la frecuencia negativa), o alrededor de 1/6 de un ciclo a la derecha, como podemos ver en el gráfico. Ahora vamos a intentar una sinusoide con la misma frecuencia (1), pero en lugar de la amplitud 1 y fase pi / 2, vamos a intentar la amplitud 1,5 y la fase 0. Sabemos que sólo la frecuencia 1 y -1 tendrá una amplitud no nula, Basta con mirarlos: de nuevo la relación de amplitud (15.9377 / 12.0000) es 1.3281 - y en cuanto a la fase se desplaza nuevamente hacia 1.0594. Si estos ejemplos son típicos, podemos predecir el efecto de nuestro sistema (respuesta al impulso .1.2 .3 .4 .5) en cualquier sinusoide con frecuencia 1 - la amplitud se incrementará en un factor de 1,3281 y la fase (frecuencia positiva) se desplazará en 1,0594. Podríamos pasar a calcular el efecto de este sistema sobre sinusoides de otras frecuencias por los mismos métodos. Pero hay una manera mucho más simple, y una que establece el punto general. Dado que la convolución (circular) en el dominio del tiempo significa la multiplicación en el dominio de la frecuencia, de ello se deduce que, en otras palabras, la DFT de la respuesta de impulso es la relación de la DFT de la salida a la DFT de la entrada. En esta relación los coeficientes de DFT son números complejos. Desde abs (c1 / c2) abs (c1) / abs (c2) para todos los números complejos c1, c2, esta ecuación nos dice que el espectro de amplitud de la respuesta de impulso siempre será la relación entre el espectro de amplitud de la salida a la De la entrada. En el caso del espectro de fase, ángulo (c1 / c2) ángulo (c1) - ángulo (c2) para todos c1, c2 (con la condición de que las fases que se diferencian por n2pi se consideran iguales). Por lo tanto, el espectro de fase de la respuesta de impulso siempre será la diferencia entre los espectros de fase de la salida y la entrada (con las correcciones de 2pi que sean necesarias para mantener el resultado entre - pi y pi). Podemos ver los efectos de fase más claramente si desempolvamos la representación de fase, es decir, si añadimos varios múltiplos de 2pi como sea necesario para minimizar los saltos que son producidos por la naturaleza periódica de la función angle (). Aunque la amplitud y la fase se usan generalmente para la presentación gráfica e incluso tabular, ya que son una manera intuitiva de pensar sobre los efectos de un sistema en los diversos componentes de frecuencia de su entrada, los complejos coeficientes de Fourier son más útiles algebraicamente, ya que permiten La expresión simple de la relación El enfoque general que acabamos de ver funcionará con filtros arbitrarios del tipo esbozado, en los que cada muestra de salida es una suma ponderada de algún conjunto de muestras de entrada. Como se mencionó anteriormente, a menudo se les llama filtros de Respuesta de Impulso Finito, ya que la respuesta de impulso es de tamaño finito, oa veces filtros de Promedio Móvil. Podemos determinar las características de respuesta de frecuencia de dicho filtro a partir de la FFT de su respuesta de impulso, y también podemos diseñar nuevos filtros con características deseadas por IFFT a partir de una especificación de la respuesta de frecuencia. Filtros Autoregresivos (IIR) No tendría mucho sentido tener nombres para los filtros FIR a menos que hubiera algún otro tipo de distinción, por lo que aquellos que han estudiado la pragmática no se sorprenderán al saber que hay de hecho otro tipo principal Del filtro lineal tiempo-invariante. Estos filtros a veces se llaman recursivos porque el valor de salidas anteriores (así como entradas anteriores) importa, aunque los algoritmos generalmente se escriben usando construcciones iterativas. También se les llama Filtros de Respuesta a Impulsos Infinitos (IIR), porque en general su respuesta a un impulso permanece para siempre. También a veces se les llama filtros auto-regresivos, porque los coeficientes pueden considerarse como el resultado de hacer una regresión lineal para expresar valores de señal en función de valores de señal anteriores. La relación de los filtros FIR y IIR se puede ver claramente en una ecuación de diferencia de coeficiente constante lineal, es decir, establecer una suma ponderada de salidas igual a una suma ponderada de entradas. Esto es como la ecuación que dimos anteriormente para el filtro FIR causal, excepto que además de la suma ponderada de entradas, también tenemos una suma ponderada de salidas. Si queremos pensar en esto como un procedimiento para generar muestras de salida, necesitamos reorganizar la ecuación para obtener una expresión para la muestra de salida actual y (n), Adoptando la convención de que a (1) 1 (por ejemplo, escalando otra como Y bs), podemos deshacernos del término 1 / a (1): y (n) b (1) x (n) b (2) x (n-1). B (Nb _ {1}) _ {x} (n - nb) - a (2) y (n - 1) -. - a (Na1) y (n-na) Si todos los a (n) distintos de a (1) son cero, esto reduce a nuestro viejo amigo el filtro FIR causal. Este es el caso general de un filtro (causal) LTI, y es implementado por el filtro de función MATLAB. Veamos el caso en que los coeficientes b distintos de b (1) son cero (en lugar del caso FIR, donde a (n) son cero): En este caso, la muestra de salida corriente y (n) se calcula como (N-1), y (n-2), etc. Para tener una idea de lo que sucede con estos filtros, comencemos con el caso en el que: Es decir, la muestra de salida actual es la suma de la muestra de entrada actual y la mitad de la muestra de salida anterior. Bueno, tome un impulso de entrada a través de unos pasos de tiempo, uno a la vez. Debe quedar claro en este punto que podemos escribir fácilmente una expresión para el valor de la muestra n-ésima salida: es justo (si MATLAB contado desde 0, esto sería simplemente .5n). Puesto que lo que estamos calculando es la respuesta de impulso del sistema, hemos demostrado por ejemplo que la respuesta de impulso puede de hecho tener infinitas muestras no cero. Para implementar este filtro trivial de primer orden en MATLAB, podríamos usar filtro. La llamada se verá así: y el resultado es: ¿Es este negocio realmente todavía lineal? Podemos ver esto empíricamente: Para un enfoque más general, considere el valor de una muestra de salida y (n). Por sustitución sucesiva podríamos escribir esto como Esto es como nuestro viejo amigo la forma convolución-suma de un filtro FIR, con la respuesta impulsiva proporcionada por la expresión .5k. Y la longitud de la respuesta de impulso es infinita. Así, los mismos argumentos que utilizamos para demostrar que los filtros FIR eran lineales ahora se aplicarán aquí. Hasta ahora esto puede parecer un montón de alboroto sobre no mucho. ¿Qué es toda esta línea de investigación para bien responder a esta pregunta en etapas, a partir de un ejemplo. No es una gran sorpresa que podamos calcular un exponencial muestreado por multiplicación recursiva. Veamos un filtro recursivo que hace algo menos obvio. Esta vez también lo convierten en un filtro de segundo orden, de modo que la llamada al filtro será de la forma. Permite establecer el segundo coeficiente de salida a2 a -2cos (2pi / 40) y el tercer coeficiente de salida a3 a 1, y mirar La respuesta al impulso. No muy útil como filtro, en realidad, pero genera una onda sinusoidal muestreada (de un impulso) con tres multiplicaciones por muestra. Para entender cómo y por qué lo hace, y cómo los filtros recursivos pueden ser diseñados y analizados en El caso más general, tenemos que dar un paso atrás y echar un vistazo a algunas otras propiedades de los números complejos, en el camino a la comprensión de la transformación z. Here es cómo funciona. 1. Use 10 OwlBucks para obtener ayuda calificada. Guardar el resto para otro momento. 2. A continuación, los mensajeros del búho envían mensajes a todos los Ayudantes Calificados y uno o más se muestran para ayudar. Son personas inteligentes, capacitados para ayudar y harán todo lo posible para ayudarle. 3. Se aplican las reglas habituales del Código de Conducta. Sea amable, no haga trampa en las pruebas, pida una explicación y trate de entender. 4. Tuvo una buena experiencia Califica tu Asistente Calificado. 5. Infeliz Pedir una resolución. Las decisiones de OpenStudy son definitivas. Su pregunta ha sido enviada El ayudante calificado se unirá a usted en la pregunta pronto