Autoregressive Gleitende Durchschnittsschätzung

Autoregressiven gleitenden Durchschnitt Modellierung für die spektrale Parameterschätzung von einem multigradient Echo T1 chemische Verschiebung Erfassung - Autoregressiven gleitenden Durchschnitt Modellierung für die spektrale Parameterschätzung von einem multigradient Echo chemischen Verschiebung Erwerb AU - Taylor, Brian A. AU - Hwang, Ken Pin AU - Hazle, John D. AU - Stafford, R. Jason N2 - Die Autoren untersuchten die Leistungsfähigkeit des iterativen Steiglitz-McBride (SM) Algorithmus auf einem autoregressiven gleitenden Durchschnitt (ARMA) Modell von Signalen von einem schnellen, spärlich abgetasteten, multiecho, chemical shift imaging (CSI) Akquisition mit Simulation, phantom, Ex vivo und in vivo Experimente mit dem Fokus auf ihren möglichen Einsatz in Magnetresonanz (MR) - gesteuerten Interventionen. Das ARMA-Signalmodell ermöglichte eine schnelle Berechnung der chemischen Verschiebung, der scheinbaren Spin-Spin-Relaxationszeit (T2) und komplexer Amplituden eines Multipeak-Systems aus einer begrenzten Anzahl von Echos (16). Numerische Simulationen von Ein - und Zwei-Peak-Systemen wurden verwendet, um die Genauigkeit und Unsicherheit in den berechneten Spektralparametern als Funktion der Erfassungs - und Gewebeparameter zu bestimmen. Die gemessenen Unsicherheiten aus der Simulation wurden mit der theoretischen Cramer-Rao-Untergrenze (CRLB) für die Akquisition verglichen. Messungen in Phantome wurden verwendet, um die T2-Schätzungen zu validieren und zu überprüfen, Ungewissheit Schätzungen aus dem CRLB. Wir demonstrierten die Anwendung auf Echtzeit-MR-geführte Interventionen ex vivo unter Verwendung der Technik zur Überwachung einer perkutanen Ethanolinjektion in eine Rinderleber und in vivo zur Überwachung einer laserinduzierten thermischen Therapiebehandlung in einem Eckzahnhirn. Simulationsergebnisse zeigten, dass die chemischen Verschiebungs - und Amplitudenunsicherheiten bei einem Signal-Rausch-Verhältnis (SNR) 5 für Echolängen (ETLs) 4 mit einem festen Echoabstand von 3,3 ms ihren jeweiligen CRLB erreichten. T2-Schätzungen aus dem Signalmodell besaßen höhere Unsicherheiten, erreichten aber die CRLB bei größeren SNRs und / oder ETLs. Hochgenaue Schätzwerte für die chemische Verschiebung (lt0.01 ppm) und Amplitude (lt1.0) wurden mit 4 Echos und für T2 (lt1.0) mit 7 Echos erhalten. Wir schließen daraus, dass der SM-Algorithmus über einen vernünftigen Bereich von SNR ein robuster Schätzer von Spektralparametern aus schnellen CSI-Akquisitionen ist, die 16 Echos für Ein-und Zwei-Peak-Systeme erwerben. Vorläufige ex vivo - und in vivo-Experimente bestätigten die Ergebnisse von Simulationsexperimenten und zeigen das Potenzial dieser Technik für MR-geführte interventionelle Verfahren mit hoher räumlichtemporaler Auflösung von 1,61,64 mm3 in 5 s. 2009 American Association of Physiker in der Medizin. AB - Die Autoren untersuchten die Leistungsfähigkeit des iterativen Steiglitz-McBride (SM) Algorithmus auf einem autoregressiven gleitenden Durchschnitt (ARMA) Modell von Signalen von einem schnellen, spärlich abgetasteten, multiecho, chemical shift imaging (CSI) Akquisition mit Simulation, phantom, ex Vivo und in vivo Experimente mit einem Fokus auf ihren potentiellen Einsatz bei Magnetresonanz (MR) - gesteuerten Interventionen. Das ARMA-Signalmodell ermöglichte eine schnelle Berechnung der chemischen Verschiebung, der scheinbaren Spin-Spin-Relaxationszeit (T2) und komplexer Amplituden eines Multipeak-Systems aus einer begrenzten Anzahl von Echos (16). Numerische Simulationen von Ein - und Zwei-Peak-Systemen wurden verwendet, um die Genauigkeit und Unsicherheit in den berechneten Spektralparametern als Funktion der Erfassungs - und Gewebeparameter zu bestimmen. Die gemessenen Unsicherheiten aus der Simulation wurden mit der theoretischen Cramer-Rao-Untergrenze (CRLB) für die Akquisition verglichen. Messungen in Phantome wurden verwendet, um die T2-Schätzungen zu validieren und zu überprüfen, Ungewissheit Schätzungen aus dem CRLB. Wir demonstrierten die Anwendung auf Echtzeit-MR-geführte Interventionen ex vivo unter Verwendung der Technik zur Überwachung einer perkutanen Ethanolinjektion in eine Rinderleber und in vivo zur Überwachung einer laserinduzierten thermischen Therapiebehandlung in einem Eckzahnhirn. Simulationsergebnisse zeigten, dass die chemischen Verschiebungs - und Amplitudenunsicherheiten bei einem Signal-Rausch-Verhältnis (SNR) 5 für Echolängen (ETLs) 4 mit einem festen Echoabstand von 3,3 ms ihren jeweiligen CRLB erreichten. T2-Schätzungen aus dem Signalmodell besaßen höhere Unsicherheiten, erreichten aber die CRLB bei größeren SNRs und / oder ETLs. Hochgenaue Schätzwerte für die chemische Verschiebung (lt0.01 ppm) und Amplitude (lt1.0) wurden mit 4 Echos und für T2 (lt1.0) mit 7 Echos erhalten. Wir schließen daraus, dass der SM-Algorithmus über einen vernünftigen Bereich von SNR ein robuster Schätzer von Spektralparametern aus schnellen CSI-Akquisitionen ist, die 16 Echos für Ein-und Zwei-Peak-Systeme erwerben. Vorläufige ex vivo - und in vivo-Experimente bestätigten die Ergebnisse von Simulationsexperimenten und zeigen das Potenzial dieser Technik für MR-geführte interventionelle Verfahren mit hoher räumlichtemporaler Auflösung von 1,61,64 mm3 in 5 s. 2009 American Association of Physiker in der Medizin. KW - autoregressive gleitende Durchschnitt (ARMA) KW - Chemical Shift Imaging (CSI) KW - MR-gesteuerte Interventionen KW - Multigradient Echo acquisitionParameters Schätzung des Autoregressiven Moving Average und Autoregressiven Integrated Moving Average Modelle und vergleichen ihre Fähigkeit, für Inflow Forecasting Mohammad Valipour, Mohammad Ebrahim Banihabib und Seyyed Mahmood Reza Behbahani Journal für Mathematik und Statistik Volume 8, Issue 3 in dieser Studie wurde die Fähigkeit von autoregressiven Moving Average (ARMA) und autoregressiven Integrated Moving Average (ARIMA) Modellen in den monatlichen Zufluss DEZ Stausee in Teleh Zang gelegen prognostiziert Station in Dez Dam wird geschätzt. ARIMA-Modell hat eine weit verbreitete Anwendung in vielen praktischen Wissenschaften gefunden. Darüber hinaus wird Dam Reservoir Zuflussvorhersage durch einige Methoden wie gewöhnliche lineare Regression, ARMA und künstliche neuronale Netze durchgeführt. Auf der anderen Seite wurde die Anwendung sowohl der ARMA - als auch der ARIMA-Modelle gleichzeitig durchgeführt, um ihre Fähigkeit bei der autoregressiven Prognose des monatlichen Zustroms des Dammbeckens zu vergleichen, wurde in früheren Untersuchungen nicht durchgeführt. Daher versucht dieses Papier, den Zufluss von Dez Dam Reservoir unter Verwendung von ARMA - und ARIMA-Modellen zu prognostizieren, während die Anzahl der Parameter erhöht wird, um die Prognosegenauigkeit auf vier Parameter zu erhöhen und sie zu vergleichen. In ARMA - und ARIMA-Modellen wurde das Polynom mit vier und sechs Parametern abgeleitet, um den Zufluss zu prognostizieren. Durch Vergleich des Fehlerquotienten des Modells wurde festgestellt, dass das ARIMA-Modell den Zufluss zum Dez-Reservoir vor 12 Monaten mit einem geringeren Fehler als dem ARMA-Modell prognostizieren kann. Kopie 2012 Mohammad Valipour, Mohammad Ebrahim Banihabib und Seyyed Mahmood Reza Behbahani. Dies ist ein Open Access Artikel, der unter den Bedingungen der Creative Commons Attribution License verteilt wird. die uneingeschränkte Nutzung erlaubt, die Verteilung und Vervielfältigung in jedem Medium, vorausgesetzt dass Autor und Quelle sind credited. Rank Basierte Schätzung für Autoregressiven Moving Average Time Series Models Beth Andrews Zugehörigkeit nicht zu SSRN bereitgestellt Es asymptotische Normalität und Konsistenz schaffen für Rang-basierte Schätzer von autoregressiv-gleitenden mittleren Modellparametern. Die Schätzer werden erhalten durch Minimierung einer rangbasierten Restdispersionsfunktion ähnlich der von L. A. Jaeckel Ann. Mathe. Stat. Vol. 43 (1972) 1449-1458. Diese Schätzer können die gleiche asymptotische Effizienz wie die Maximum-Likelihood-Schätzer aufweisen und sind robust. Die Qualität der asymptotischen Approximationen für endliche Proben wird mittels Simulation untersucht. Anzahl der Seiten im PDF-Format: 23 Datum der Veröffentlichung: 11. Dezember 2007 Vorgeschlagenes Zitat Andrews, Beth, Rank-Based Estimation für Autoregressive Moving Average Zeitreihenmodelle (0000). Zeitschrift für anorganische und allgemeine Chemie 29, Ausgabe 1, S. 51-73, Januar 2008. Verfügbar bei SSRN: ssrnabstract1067149 oder dx. doi. org10.1111j.1467-9892.2007.00545.x Kontaktinformationen