Hybrid convex combinations for IIR system identification.

The low complexity of IIR adaptive filters (AFs) is specially appealing to realtime applications but some drawbacks have been preventing their widespread use so far. For gradient based IIR AFs, adverse operational conditions cause convergence problems in system identification scenarios: underdamped and clustered poles, undermodelling or non-white input signals lead to error surfaces where the adaptation nearly stops on large plateaus or get stuck at sub-optimal local minima that can not be identified as such a priori. Furthermore, the non-stationarity in the input regressor brought by the filter recursivity and the approximations made by the update rules of the stochastic gradient algorithms constrain the learning step size to small values, causing slow convergence. In this work, we propose IIR performance enhancement strategies based on hybrid combinations of AFs that achieve higher convergence rates than ordinary IIR AFs while keeping the stability.

Investigação do papel de SIGIRR/IL-1R8 no crosstalk entre células tumorais e o infiltrado leucocitário

Células tumorais desenvolvem diversas estratégias para escapar da identificação e eliminação pelo sistema imune. Dessa forma, a investigação dos mecanismos envolvidos na comunicação celular no microambiente tumoral e na desregulação local do sistema imune é crítica para uma melhor compreensão da progressão da doença e para o desenvolvimento de alternativas terapêuticas mais eficazes. Nós aqui demonstramos que SIGIRR/IL-1R8, um importante regulador negativo de receptores de Interleucina-1 (ILRs) e receptores do tipo Toll (TLRs), apresenta expressão aumentada em uma linhagem celular epitelial mamária transformada pela superexpressão do oncogene HER2 e em tumores primários de mama, e promove o crescimento tumoral e metástase através da modulação da inflamação associada ao câncer e da atenuação da resposta imune antitumoral. Observamos que IL-1R8 tem sua expressão correlacionada com HER2 em tecidos mamários e sua alta expressão é fator de pior prognóstico em câncer de mama de baixo grau. Notavelmente, níveis aumentados de IL-1R8 foram observados especialmente nos subtipos HER2+ e Luminais de tumores de mama, e sua expressão aumentada em células epiteliais de mama transformadas por HER2 diminui a ativação da via de NF-κB e a expressão de diferentes citocinas pro-inflamatórias (IL-6, IL-8, TNF, CSF2, CSF3 e IFN-β1). Meio condicionado de células transformadas por HER2, mas não de variantes celulares com o gene IL-1R8 silenciado, induz a polarização de macrófagos para o fenótipo M2 e inibe a ativação de células NK. Em um modelo murino transgênico de tumorigênese espontânea mediada por HER2, MMTV-neu, verificamos que a deficiência de IL-1R8 (IL-1R8-/-neu) retardou o aparecimento de tumores e reduziu a incidência, a carga tumoral e a disseminação metastática. Contudo, não foram observadas diferenças significativas no crescimento tumoral quando animais IL-1R8-/-neu receberam medula óssea de animais IL-1R8+/+, confirmando um papel importante da expressão de IL-1R8 em células não hematopoiéticas na tumorigênese da mama. Tumores IL-1R8+/+neu apresentaram maiores níveis de citocinas pró-inflamatórias como IL-1β e VEGF, e menores níveis da citocina imunomodulatória IFN-γ. Além disso, tumores que expressavam IL-1R8 apresentaram menor infiltrado de células NK maduras, células dendríticas (DCs) e linfócitos T-CD8+ e um maior infiltrado de macrófagos M2 e linfócitos T-CD4+. Coletivamente, esses resultados indicam que a expressão de IL-1R8 em tumores de mama pode representar um novo mecanismo de escape da resposta imune e suportam IL-1R8 como potencial alvo terapêutico.

Identificação de sistemas para o estudo de controle motor.

Qualquer tarefa motora ativa se dá pela ativação de uma população de unidades motoras. Porém, devido a diversas dificuldades, tanto técnicas quanto éticas, não é possível medir a entrada sináptica dos motoneurônios em humanos. Por essas razões, o uso de modelos computacionais realistas de um núcleo de motoneurônios e as suas respectivas fibras musculares tem um importante papel no estudo do controle humano dos músculos. Entretanto, tais modelos são complexos e uma análise matemática é difícil. Neste texto é apresentada uma abordagem baseada em identificação de sistemas de um modelo realista de um núcleo de unidades motoras, com o objetivo de obter um modelo mais simples capaz de representar a transdução das entradas do núcleo de unidades motoras na força do músculo associado ao núcleo. A identificação de sistemas foi baseada em um algoritmo de mínimos quadrados ortogonal para achar um modelo NARMAX, sendo que a entrada considerada foi a condutância sináptica excitatória dendrítica total dos motoneurônios e a saída foi a força dos músculos produzida pelo núcleo de unidades motoras. O modelo identificado reproduziu o comportamento médio da saída do modelo computacional realista, mesmo para pares de sinal de entrada-saída não usados durante o processo de identificação do modelo, como sinais de força muscular modulados senoidalmente. Funções de resposta em frequência generalizada do núcleo de motoneurônios foram obtidas do modelo NARMAX, e levaram a que se inferisse que oscilações corticais na banda-beta (20 Hz) podem influenciar no controle da geração de força pela medula espinhal, comportamento do núcleo de motoneurônios até então desconhecido.

Estudo e implementação de sinais de excitação aplicados em identificação de sistemas multivariáveis.

Devido à crescente implementação do Controle Preditivo baseado em Modelo (MPC) em outros processos além de refino e plantas petroquímicas, que geralmente possuem múltiplas entradas e saídas, tem-se um aumento na demanda de modelos gerados por identificação de sistemas. Identificar modelos que representem fielmente a dinâmica do processo depende em grande medida das características dos sinais de excitação dos processos. Assim, o foco deste trabalho é realizar um estudo dos sinais típicos usados em identificação de sistemas, PRBS e GBN, em uma abordagem multivariável. O estudo feito neste trabalho parte das características da geração dos sinais individualmente, depois é feita uma análise de correlação cruzada dos sinais de entrada, observando a influência desta sobre os resultados de identificação. Evitar uma alta correlação entre os sinais de entrada permite determinar o efeito de cada entrada sobre a saída no processo de identificação. Um ponto importante no projeto de sinais de identificação de sistemas multivariáveis é a frequência dos mesmos para conseguir excitar os processos nas regiões de frequência de operação normal e assim extrair a maior informação dinâmica possível do processo. As características estudadas são avaliadas por meio de testes em três plantas simuladas diferentes, categorizadas como mal, medianamente e bem condicionadas. Estas implementações foram feitas usando sinais GBN e PRBS de diferentes frequências. Expressões para a caracterização dos sinais de excitação foram avaliadas identificando os processos em malha aberta e malha fechada. Para as plantas mal condicionadas foram implementados sinais compostos por uma parte completamente correlacionada e uma parte não-correlacionada, conhecido como método de dois passos. Finalmente são realizados experimentos de identificação em uma aplicação em tempo real de uma planta piloto de neutralização de pH. Os testes realizados na planta foram feitos visando avaliar os estudos de frequência e correlação em uma aplicaficção real. Os resultados mostram que a condição de sinais completamente descorrelacionados n~ao deve ser cumprida para ter bons resultados nos modelos identificados. Isto permite ter mais exibilidade na geração do conjunto de sinais de excitação.

Modelagem de sinais neuronais utilizando filtros lineares de tempo discreto.

A aquisição experimental de sinais neuronais é um dos principais avanços da neurociência. Por meio de observações da corrente e do potencial elétricos em uma região cerebral, é possível entender os processos fisiológicos envolvidos na geração do potencial de ação, e produzir modelos matemáticos capazes de simular o comportamento de uma célula neuronal. Uma prática comum nesse tipo de experimento é obter leituras a partir de um arranjo de eletrodos posicionado em um meio compartilhado por diversos neurônios, o que resulta em uma mistura de sinais neuronais em uma mesma série temporal. Este trabalho propõe um modelo linear de tempo discreto para o sinal produzido durante o disparo do neurônio. Os coeficientes desse modelo são calculados utilizando-se amostras reais dos sinais neuronais obtidas in vivo. O processo de modelagem concebido emprega técnicas de identificação de sistemas e processamento de sinais, e é dissociado de considerações sobre o funcionamento biofísico da célula, fornecendo uma alternativa de baixa complexidade para a modelagem do disparo neuronal. Além disso, a representação por meio de sistemas lineares permite idealizar um sistema inverso, cuja função é recuperar o sinal original de cada neurônio ativo em uma mistura extracelular. Nesse contexto, são discutidas algumas soluções baseadas em filtros adaptativos para a simulação do sistema inverso, introduzindo uma nova abordagem para o problema de separação de spikes neuronais.