Event detection/de: Difference between revisions
Machine translation from en via nanopore-translate |
Updating to match new version of source page |
||
| Line 1: | Line 1: | ||
__NOTOC__ | __NOTOC__ | ||
<div class="mw-translate-fuzzy"> | |||
[[File:Detection pics scipy signal find peaks.svg|thumb|right|320px|Peak or event detection concepts support nanopore signal analysis. Source: Wikimedia Commons, CC BY-SA 4.0.]] | [[File:Detection pics scipy signal find peaks.svg|thumb|right|320px|Peak or event detection concepts support nanopore signal analysis. Source: Wikimedia Commons, CC BY-SA 4.0.]] | ||
'''Ereigniserkennung''' ist Teil des Lernpfads von Nanopore Wiki. Die Ereigniserkennung erkennt echte Blockaden oder Signalveränderungen in Nanoporenaufnahmen und extrahiert daraus vergleichbare Merkmale. | '''Ereigniserkennung''' ist Teil des Lernpfads von Nanopore Wiki. Die Ereigniserkennung erkennt echte Blockaden oder Signalveränderungen in Nanoporenaufnahmen und extrahiert daraus vergleichbare Merkmale. | ||
</div> | |||
== Grundlegende Konzepte == | == Grundlegende Konzepte == | ||
Revision as of 17:09, 2 July 2026
Ereigniserkennung ist Teil des Lernpfads von Nanopore Wiki. Die Ereigniserkennung erkennt echte Blockaden oder Signalveränderungen in Nanoporenaufnahmen und extrahiert daraus vergleichbare Merkmale.
Grundlegende Konzepte
- Die Erkennungsschwellen sollten an den Baseline-Wert sowie die lokale „Störung“ („Noise“) angepasst werden.
- Die Grenzen der Veranstaltungen beeinflussen Metriken wie die Verweilzeit, die Fläche und die Form der betroffenen Bereiche.
- Schwache, sich überschneidende oder mehrstufige Ereignisse benötigen eine sorgfältige Überprüfung.
- Falschpositive Ergebnisse können auf Störungen („Noise“), Veränderungen in den Messwerten („Drift“), ungenauen Messverfahren („Bubbles“), Verstopfungen von Messvorrichtungen sowie falschen Einstellungen der Analysesoftware zurückzuführen sein.
Ablauf zur Erkennung von Ereignissen
| Schritt | Beschreibung |
|---|---|
| 1 | Bezeichnen Sie die experimentellen Phasen sowie die Zeiten für die Hinzufügung von Beispielen. |
| 2 | Schätzen Sie den lokalen Baseline-Wert sowie die Störungen („Noise“) ab. |
| 3 | Legen Sie Schwellenwerte für Kandidaten sowie Regeln zur Mindestdauer fest. |
| 4 | Ereignisse miteinander verschmelzen, aufteilen oder ablehnen, wobei dokumentierte Kriterien angewendet werden. |
| 5 | Exportiere Ereignistabellen und -diagramme zur Überprüfung. |
Typische Anwendungen
- Quantifizierung der Blockadetiefe und der Verweilzeit.
- Vergleich von Proben oder Porenvarianten.
- Erstellung von Trainingsdaten für Klassifizierungsmodelle.
Häufige Fallstricke
- Für Aufnahmen mit starkem Abweichungsbereich wird ein einziges Schwellenwertkriterium verwendet.
- Es wird versäumt, falsch-positive Ergebnisse bei leeren Kontrollen zu überprüfen.
- Automatisierte Ausgaben als korrekt zu betrachten, ohne sie visuell zu überprüfen.