zum Inhalt

 

Schmidt,  Christian

Uncertainty quantification in a computationally optimised volume conductor model for deep brain stimulation

Rostock : Universität , 2014

https://doi.org/10.18453/rosdok_id00001251

http://purl.uni-rostock.de/rosdok/id00001251

Abstract:

This thesis examines the influence of uncertainty in the parameters of a volume conductor model of the human brain on the voltage response and neural activation in the proximity of the stimulated brain area. The quantification of uncertainty in the human brain model was obtained by approximating the probabilistic voltage response and volume of tissue activated by a polynomial expansion, using the polynomial chaos technique. The required number of evaluations of the deterministic model was further reduced by the application of sparse grids with nested nodes.

Dissertation Open Access


Einrichtung :
Fakultät für Informatik und Elektrotechnik
Gutachter :
van Rienen,  Ursula  (Prof. Dr. rer. nat. habil.)
De Gersem,  Herbert  (Prof. Dr.-Ir.)
Klinkenbusch,  Ludger  (Prof. Dr.-Ing.)
Jahr der Abgabe:
2013
Jahr der Verteidigung:
2013
Sprache(n) :
Englisch
übersetzter Titel :
Quantifizierung der Unsicherheiten in einem rechenoptimierten Volumenleiter-Modell für die Tiefe Hirnstimulation
übersetzte Zusammenfassung :
Diese Arbeit untersucht den Einfluss von Unsicherheiten in den Parametern eines Volumenleiter-Modells des menschlichen Gehirns auf die Spannungsantwort und die neuronale Aktivierung in der Umgebung des stimulierten Hirnareals. Die Quantifizierung der Unsicherheiten im Modell wurde durch eine Approximation der probabilistischen Spannungsantwort und des aktivierten Volumens unter Verwendung der Polynomialen Chaos Technik realisiert. Die Anzahl an benötigten Auswertungen des deterministischen Modells wurde durch die Verwendung von Dünn-Gittern mit verschachtelten Knoten weiter verringert.
Schlagworte:
polynomial chaos, model order reduction, multi-dimensional integration, finite element method
DDC Klassifikation :
620 Ingenieurwissenschaften und Maschinenbau
URN :
urn:nbn:de:gbv:28-diss2014-0003-2
Persistente URL:
http://purl.uni-rostock.de/rosdok/id00001251
erstellt am:
2014-01-10
zuletzt geändert am:
2018-06-30
Volltext