Application of Bayesian filters to temperature estimation in deep brain stimulation
| dc.contributor.author | Pereira, Caroline R. | |
| dc.contributor.author | Jardim, Lucas C. S. | |
| dc.contributor.author | Abreu, Luiz A. S. | |
| dc.contributor.author | Knupp, Diego C. | |
| dc.contributor.author | Varon, Leonardo A. B. | |
| dc.contributor.author | Silva Neto, Antônio J. | |
| dc.date.accessioned | 2025-07-21T15:10:51Z | |
| dc.date.available | 2025-07-21T15:10:51Z | |
| dc.date.issued | 2025-02-28 | |
| dc.description | Este trabajo presenta un enfoque para estimar el campo de temperatura y, por lo tanto, mejorar la precisión de la evaluación de la temperatura interna en un cerebro que contiene una derivación de estimulación cerebral profunda (DBS). Así, esta investigación proporciona una metodología para evitar posibles quemaduras indeseables que pueden producirse debido al calentamiento de los tejidos alrededor de la derivación de la DBS. La ecuación clásica bidimensional del biocalor se considera en el modelado del problema de transferencia de calor, y la ecuación de Laplace se utilizó para modelar el problema del potencial eléctrico. El problema directo se resuelve con el método de elementos finitos (FEM), el método de diferencias finitas (FDM) y la técnica de transformación integral generalizada (GITT) de enfoque híbrido numérico-analítico. Para el problema inverso, las estimaciones se obtienen secuencialmente resolviendo un problema de estimación de estado con métodos de filtro de partículas. Se utilizan dos filtros de partículas: el algoritmo de remuestreo de importancia de muestreo (SIR) y el algoritmo de Liu & West. Se presentan algunos resultados y se discuten críticamente para mediciones sintéticas de temperatura con diferentes niveles de ruido, lo que conduce a estimaciones precisas. La metodología presentada en este trabajo puede aportar un enfoque secuencial prometedor para reducir el riesgo de lesiones relacionadas con la técnica de estimulación cerebral profunda. | |
| dc.description.abstract | This work presents an approach for estimating the temperature field and, therefore, improving the accuracy of the internal temperature assessment in a brain containing a deep brain stimulation (DBS) lead. Thus, this research provides a methodology to avoid possible undesirable burns that may occur due to the heating of the tissues around the DBS lead. The classical two-dimensional bioheat equation is considered in the modeling of the heat transfer problem, and the Laplace equation was used to model the electric potential problem. The direct problem is solved with the finite element method (FEM), finite difference method (FDM), and the hybrid numerical–analytical approach generalized integral transform technique (GITT). For the inverse problem, estimates are obtained sequentially by solving a state estimation problem with particle filter methods. Two particle filters are used: the sampling importance resampling (SIR) algorithm and the Liu & West’s algorithm. Some results are presented and critically discussed for synthetic temperature measurements with different noise levels, leading to accurate estimations. The methodology presented in this work may bring a promising sequential approach to reduce the risk of injuries related to the deep brain stimulation technique. | |
| dc.identifier.citation | Pereira, C. R., Jardim, L. C. S., Abreu, L. A. S., Knupp, D. C., Varon, L. A. B., & Silva Neto, A. J. (2025). Application of Bayesian filters to temperature estimation in deep brain stimulation. Journal of the Brazilian Society of Mechanical Sciences and Engineering, 47(3), 1–16. https://doi.org/10.1007/s40430-025-05450-y | |
| dc.identifier.issn | 16785878 | |
| dc.identifier.uri | https://repositorio.usc.edu.co/handle/20.500.12421/7549 | |
| dc.language.iso | en | |
| dc.publisher | Springer Verlag | |
| dc.subject | Bioheat transfer | |
| dc.subject | Deep brain stimulation | |
| dc.subject | Inverse problems | |
| dc.subject | Liu & West’s filter | |
| dc.subject | Particle filter methods | |
| dc.title | Application of Bayesian filters to temperature estimation in deep brain stimulation | |
| dc.type | Article |