view in publisher's site

A practical approach to parameter estimation applied to model predicting heart rate regulation

Mathematical models have long been used for prediction of dynamics in biological systems. Recently, several efforts have been made to render these models patient specific. One way to do so is to employ techniques to estimate parameters that enable model based prediction of observed quantities. Knowledge of variation in parameters within and between groups of subjects have potential to provide insight into biological function. Often it is not possible to estimate all parameters in a given model, in particular if the model is complex and the data is sparse. However, it may be possible to estimate a subset of model parameters reducing the complexity of the problem. In this study, we compare three methods that allow identification of parameter subsets that can be estimated given a model and a set of data. These methods will be used to estimate patient specific parameters in a model predicting baroreceptor feedback regulation of heart rate during head-up tilt. The three methods include: structured analysis of the correlation matrix, analysis via singular value decomposition followed by QR factorization, and identification of the subspace closest to the one spanned by eigenvectors of the model Hessian. Results showed that all three methods facilitate identification of a parameter subset. The “best” subset was obtained using the structured correlation method, though this method was also the most computationally intensive. Subsets obtained using the other two methods were easier to compute, but analysis revealed that the final subsets contained correlated parameters. In conclusion, to avoid lengthy computations, these three methods may be combined for efficient identification of parameter subsets.

یک روش عملی برای تخمین پارامتر مورد استفاده در مدل پیش‌بینی تنظیم ضربان قلب

مدل‌های ریاضی برای پیش‌بینی دینامیک در سیستم‌های بیولوژیکی مورد استفاده قرار گرفته‌اند. اخیرا تلاش‌هایی صورت‌گرفته تا این مدل‌ها خاص بیمار شوند. یک راه برای انجام این کار استفاده از روش‌هایی برای برآورد پارامترهایی است که پیش‌بینی مبتنی بر مدل را قادر می‌سازند مقادیر مشاهده‌شده را پیش‌بینی کنند. آگاهی از تنوع در پارامترها در داخل و بین گروه‌ها دارای پتانسیل برای ارایه بینش به عملکرد بیولوژیکی است. اغلب این امکان وجود ندارد که تمامی پارامترها را در یک مدل مشخص برآورد کنیم، بویژه اگر این مدل پیچیده باشد و داده‌ها پراکنده هستند. با این حال، ممکن است بتوان زیرمجموعه‌ای از پارامترهای مدل را تخمین زد که پیچیدگی مساله را کاهش می‌دهند. در این مطالعه، ما سه روش را مقایسه می‌کنیم که امکان شناسایی زیر مجموعه‌های پارامتر را میسر می‌سازد که می توان آن را یک مدل و مجموعه‌ای از داده‌ها تخمین زد. این روش‌ها برای برآورد پارامترهای خاص بیمار در یک مدل پیش‌بینی تنظیم فیدبک baroreceptor ضربان قلب در طول انحراف سر تا سر بالا مورد استفاده قرار می‌گیرند. سه روش عبارتند از: تحلیل ساختار یافته ماتریس همبستگی، تحلیل از طریق تجزیه مقدار منفرد و به دنبال آن، تجزیه QR، و شناسایی of که به ویژه بردارهای ویژه مدل Hessian صورت‌گرفته است. نتایج نشان داد که هر سه روش شناسایی یک مجموعه پارامتر را تسهیل می‌کنند. بهترین زیرمجموعه " با استفاده از روش همبستگی ساختار یافته بدست آمد، اگرچه این روش نیز از نظر محاسباتی بسیار شدید بود. Subsets حاصل از دو روش دیگر برای محاسبه ساده‌تر بود، اما تحلیل نشان داد که مجموعه‌های نهایی حاوی پارامترهای هم‌بسته هستند. در نتیجه برای جلوگیری از محاسبات طولانی، این سه روش ممکن است برای شناسایی کارآمد زیر مجموعه‌های پارامتر ترکیب شوند.
ترجمه شده با

سفارش ترجمه مقاله و کتاب - شروع کنید

95/12/18 - با استفاده از افزونه دانلود فایرفاکس و کروم٬ چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.