Joseph A. Sgro (nacido el 20 de septiembre de 1949 en San Diego , California ) es un matemático , neurólogo / neurofisiólogo estadounidense y un tecnólogo / empresario de ingeniería en el campo de capturadores de fotogramas , cámaras de alta velocidad , cámaras inteligentes , procesadores de imágenes , visión por computadora , visión artificial y tecnologías de aprendizaje .
Joseph A. Sgro | |
---|---|
Nació | San Diego , California , EE. UU. | 20 de septiembre de 1949
Nacionalidad | americano |
alma mater | Universidad de California, Los Ángeles Universidad de Wisconsin Escuela de Medicina Leonard M. Miller |
Carrera científica | |
Campos | Matemáticas Lógica matemática Neurología Neurofisiología Visión artificial Aprendizaje automático |
Instituciones | Universidad de Yale Instituto de Estudios Avanzados de Princeton Centro Médico VCU de la Universidad de Columbia Alacron, Inc. FastVision, LLC |
Asesor de doctorado | HJ Keisler |
Sgro comenzó su carrera como investigador académico en matemática avanzada y lógica. Recibió una licenciatura en matemáticas en 1970 de UCLA seguido de una maestría en matemáticas en 1973 y un doctorado en matemáticas en 1975 de la Universidad de Wisconsin , donde estudió lógica matemática con H. Jerome Keisler [1], quien junto con Jon Barwise y Kenneth Kunen formó su comité de doctorado.
Después de servir como instructor y becario postdoctoral en Yale y también ser miembro del Instituto de Estudios Avanzados en Princeton, Nueva Jersey , Sgro regresó a la escuela para estudiar neurología y recibió su doctorado en 1980 del Programa de Doctorado en Doctorado. [2] de la Escuela de Medicina Leonard M. Miller de la Universidad de Miami , seguida de una pasantía de medicina interna en UNC Memorial Hospital , una residencia en neurología , una beca y un puesto de profesor en neurofisiología clínica en el Instituto Neurológico de Nueva York .
Como resultado de su trabajo en neurofisiología, mientras aún trabajaba como becario postdoctoral y profesor asistente de neurología, Sgro fundó Alacron, Inc. (anteriormente Corteks, Inc. hasta 1990) en 1985 para fabricar tecnologías relevantes para su investigación neurológica. . En 1989 comercializó esta tecnología y comenzó a desarrollar procesadores de matriz , capturadores de fotogramas, procesadores de visión y, más recientemente, los avances respaldados en la tecnología de dopaje de sensores BSI y superlattice (delta) [3] . Ampliando su trabajo en tecnología de visión artificial, en 2002, Sgro fundó FastVision, LLC , un fabricante de cámaras inteligentes , como subsidiaria de Alacron, Inc. En 2016, FastVision, LLC. se incorporó a Alacron, Inc.
Investigación matemática
Durante su primer año como candidato a doctorado en la Universidad de Wisconsin, Sgro demostró que una extensión topológica de la lógica de primer orden utilizando el cuantificador lógico de conjunto abierto tiene completitud lógica , lo que anteriormente se creía ampliamente pero no se había probado. La prueba de Sgro llamó la atención en todo el mundo matemático y, en 1974, un año antes de terminar su doctorado, recibió un nombramiento como instructor Josiah Willard Gibbs en matemáticas en la Universidad de Yale, recibió una beca de investigación de la NSF para continuar su trabajo en teoría de modelos topológicos . [4] Yale le permitió aceptar este honor mientras completaba remotamente su tesis y disertación en Wisconsin, lo que hizo en 1975. Sus conclusiones con respecto a la teoría del modelo topológico formaron la base de su tesis y disertación de doctorado. Durante el año académico 1976-1977, Sgro recibió una Beca Centenario [5] de la AMS . Su trabajo también resultó en una invitación para hablar en el Encuentro Europeo Logica Colloquim '77 de la Asociación para la Lógica Simbólica . Este evento se llevó a cabo en Wrocław , Polonia , que entonces todavía formaba parte del Bloque del Este , lo que convirtió a Sgro en uno de los primeros matemáticos de Occidente en hablar en un evento "detrás del Telón de Acero". [6] Sgro también pasó 1977-1978 en el Instituto de Estudios Avanzados de la Universidad de Princeton . [7]
Publicada en 1977, la tesis de Sgro “Teoremas de completitud para modelos topológicos” [8] y extensiones de esta investigación, incluida la axiomatización y completitud de funciones continuas en cuantificadores de conjuntos abiertos de topología de productos, se publicaron en 1976 en el Israel Journal of Mathematics . [9] A raíz de estos resultados, Sgro publicó una prueba de que una extensión de la lógica cuantificadora de conjunto abierto que utiliza la lógica cuantificadora del operador interior es completa y satisface la interpolación de Craig . [10] Además, mostró que el cierre de Souslin-Kleene [11] de la lógica del cuantificador de conjunto abierto falla en la interpolación de Craig, lo que implica que es estrictamente más débil que la lógica del operador interior. [12] Su investigación posterior se concentró en probar la existencia de extensiones máximas de lógica de primer orden que satisfacen el teorema de Łoś sobre ultraproductos y tienen la propiedad Souslin-Kleene. [13] También esto se extendió a extensiones de ultraproductos de lógica de primer orden que satisfacían tanto el teorema de Łoś como una forma extendida del teorema de compacidad . [14]
Investigación neurológica
Mientras investigaba la lógica matemática, Sgro se interesó en investigar los sistemas lógicos que utiliza el cerebro para procesar la información motora y sensorial, y regresó a la escuela con la intención de estudiar la neurofisiología clínica, la rama de la neurología y la fisiología que examina el funcionamiento de los sistemas periférico y central. sistema nervioso . La investigación neurofisiológica generalmente utiliza herramientas de imágenes para visualizar la actividad química y eléctrica en las vías nerviosas, y hoy en día incluye fMRI , electroencefalografía (EEG), potenciales evocados (EP), TMS y otras tecnologías para visualizar y evaluar la actividad cerebral.
Después de que Sgro completara su pasantía en medicina interna en la Universidad de Carolina del Norte en 1981 y su residencia en neurología en Columbia-Presbyterian Medical Center en 1984. Sgro se desempeñó como becario postdoctoral en neurofisiología clínica (1983-1985), como asociado en Neurología (1985-1986) y luego como Profesor Asistente de Neurología (1986-1987) en el Colegio de Médicos y Cirujanos de la Universidad de Columbia en la ciudad de Nueva York . Sgro se trasladó a Richmond, Virginia, donde fue profesor asociado de neurología y jefe de neurofisiología (1987-1991) y, finalmente, jefe de la división de neurofisiología clínica (1991-1994) en el Virginia Commonwealth University Medical Center . También fue nombrado profesor asociado adjunto de Neurología en Columbia-Presbyterian Medical Center desde 1994 hasta 2004.
Durante su beca postdoctoral en Columbia-Presbyterian Medical Center , Sgro logró el reconocimiento en la comunidad médica por su investigación y hallazgos sobre la teoría de los potenciales evocados , con un enfoque particular en los potenciales evocados somatosensoriales (SSEP). Un resumen de los esfuerzos de Sgro para mejorar la tecnología de grabación de grabación de potenciales evocados se encuentra en el libro de Keith Chiappa. [15] Este artículo cubre muchos filtros digitales unidimensionales y bidimensionales , lineales y no lineales . Dos enfoques para mejorar la fidelidad de la grabación son aumentar la relación señal / ruido (SNR) mediante la reducción del ruido eléctrico coherente [16] y, en segundo lugar, el desarrollo de un filtrado digital DFT bidimensional de potenciales evocados que compensa la mejora de la SNR del movimiento. técnica promedio con la detección de cambios en la forma de onda promediada . [17] Con esta tecnología, Sgro demostró que los SSEP eran "dependientes del estado" y variaban según si el paciente estaba despierto o dormido ( anestesiado ). [18] Siguiendo estos hallazgos con financiación de la Fundación Whitaker , [19] Sgro desarrolló tecnología y técnicas para analizar potenciales evocados basados en la estimulación realizada por secuencias m pseudoaleatorias ultrarrápidas (es decir, cientos de hercios ) . [15] [20] [21] Se demostró que este trabajo es un método más eficaz de identificación y predictor de enfermedades subclínicas o daños como la mortalidad por estado epiléptico [18] [22] [23] (enfermedades que de otro modo desaparecieron no detectados hasta que se vuelven lo suficientemente graves como para calificar como clínicamente evidentes en comparación con los potenciales evocados convencionales).
Mientras realizaba una investigación sobre el sistema nervioso sensorial (aferente) con potenciales evocados, Sgro también comenzó a investigar dispositivos y técnicas para determinar el estado del sistema nervioso motor (eferente) utilizando TMS con el objetivo de una detección más eficaz de enfermedades subclínicas y aumento de la sensibilidad del sistema motor durante la monitorización intraoperatoria del paciente. Sgro [24] y sus colaboradores estudiaron los aspectos teóricos y prácticos involucrados en el diseño de un campo magnético de alta intensidad y un estimulador magnético transcraneal rápido que podría exceder el límite histórico de seguridad de la estimulación eléctrica cerebral [25] [26] (40 uC / cm2 / fase a una tasa de estimulación de 20 a 50 Hertz durante varias horas). Estos estudios dieron como resultado la construcción de un dispositivo rápido de alta intensidad de campo magnético [27] que era adecuado para estudios de seguridad. La seguridad de TMS en ratas con una fuerza de campo máxima de 3,4 Tesla a 8 Herz durante 20 minutos o 10 uC / cm2 / fase se demostró en Sgro [28]
Mientras trabajaba como investigador de neurología, Sgro comenzó a trabajar en ingeniería biomédica y visión artificial, específicamente en el uso de tecnologías de imágenes y visión artificial, para evaluar la función y la integridad del sistema nervioso en varios estados de conciencia , durante procedimientos médicos y enfermedades. La investigación se realizó inicialmente utilizando programas de computadora escritos en Fortran que se ejecutan en una minicomputadora DEC PDP . A mediados de la década de 1980, la adopción generalizada de computadoras compatibles con IBM PC con el bus ISA permitió el desarrollo de tarjetas de expansión basadas en PC para aumentar la funcionalidad de la PC. Para facilitar el desarrollo de hardware avanzado de menor costo, Sgro cofundó Alacron, Inc. para desarrollar equipos de investigación médica avanzados y productos comerciales basados en PC.
A mediados de la década de 1990, Sgro comenzó a estudiar el uso de métodos de inteligencia artificial en la automatización del monitoreo neurofisiológico. [29] Sgro llevó a cabo una investigación sobre el uso de redes neuronales de retropropagación en la monitorización clínica y la interpretación neurofisiológica automática de EEG y potenciales evocados. Se describió una descripción general de este enfoque de los potenciales evocados en [30] donde se demostró en un estudio piloto que el uso de una red neuronal de múltiples capas ocultas, por ejemplo , el aprendizaje profundo , la clasificación y las mediciones de latencia de los potenciales evocados visuales, auditivos del tallo cerebral y somatosensoriales es comparable a la clasificación de expertos humanos. La investigación adicional [31] sobre el aprendizaje automático de EEG utilizando redes neuronales de orden superior (HONN) [32] [33] también produjo resultados comparables en comparación con la clasificación de expertos humanos.
Carrera emprendedora
Alacron, Inc.
En 1985, Sgro cofundó Alacron, Inc. en Nashua, New Hampshire . Sgro y el equipo de ingeniería de Alacron se centraron en el desarrollo y producción de capturadores de fotogramas y subsistemas computacionales de procesamiento de imágenes de alta velocidad. La familia de productos incluye actualmente capturadores de fotogramas, software, dispositivos de grabación de datos y periféricos de soporte. A pesar del enfoque inicial en la investigación de la neurofisiología y las imágenes médicas, Alacron vio que los usos de sus productos se expandían fuera del campo de la medicina a otras aplicaciones, como la fabricación, el ejército y otras industrias que utilizan la robótica de manera extensiva. Alacron es uno de los mayores fabricantes de capturadores de fotogramas en el informe anual de datos de mercado de la Automated Imaging Association . [34]
Ejemplos de usos más amplios de visión artificial de capturadores de fotogramas desarrollados originalmente para su uso en imágenes médicas incluyen AS&E , que incorporó la tecnología Alacron en equipos de rayos X de retrodispersión utilizados para la seguridad fronteriza, y como captura de imágenes utilizada para los registradores de datos de viajes , el equivalente marítimo de la aviación " cajas negras ".
Además de las líneas de productos comerciales que ofrece Alacron, Sgro continuó realizando investigación básica en la integración de la tecnología de captura de fotogramas con sistemas especializados para diversas disciplinas. La compañía recibió subvenciones SBIR donde Sgro actuó como investigadores principales, que incluyen:
- "Una máquina de potencial evocado de procesamiento de señales digitales" NIH SBIR # 1R44NS024494. 1986 (Fase 1), 1988-1990 (Fase 2). [35]
- "Un amplificador de potencial evocado autooptimizado", NIH SBIR # 1R43NS24490. 1986-1987 (Fase 1), 1989-1991 (Fase 2). [36]
- "Un estimulador magnético para neurofisiología", NIH SBIR # 1R43NS24924, 1986-1987 (fase 1); 1989-1991 (Fase 2).
- "Un sistema de monitoreo de video / EEG de detección de eventos", NlH SBIR # 1R43NS26204, 1988–1989.
- "Un estimulador neuronal magnético para neurofisiología", NIH SBIR II # 2R44NS24924, 1989-1991. [37]
- ”Un motor de compresión EEG eficiente sin pérdidas”, NIH SBIR # 1R43NS34211. 1995-1997 (fase 1); 1999-2003 (fase 2). [38]
- "Acelerador programable escalable para computación asequible de alto rendimiento", contrato DARPA n.º N66001-96-C-8611, 1997–2001.
Las presentaciones académicas de la tecnología y la investigación de Alacron incluyen:
- " Soluciones de visión para aplicaciones de ciencias biológicas " en Pittcon , 2006. [39]
FastVision, LLC
En 2002, Sgro lanzó FastVision, LLC . FastVision construye cámaras digitales de alta velocidad con más de megapíxeles, basadas en sensores de imagen CMOS y CCD . El objetivo de la empresa es producir cámaras inteligentes , es decir, cámaras con capacidades de procesamiento de imágenes integradas y escalables de alta velocidad integradas en el mismo paquete que aloja la optoelectrónica. Como la mayoría de los proveedores de cámaras inteligentes, la suite de FastVision incluye procesamiento FPGA y subsistemas de memoria para permitir el procesamiento de imágenes en la cámara. Cuando se integra con un capturador de fotogramas de alta potencia o una placa de procesador de visión (o un subsistema de host), las capacidades del sistema resultante se pueden expandir más allá de la simple compresión de imágenes. El subsistema de la cámara inteligente se puede integrar con un disco o almacenamiento de semiconductores no volátiles dentro o fuera de la cámara para mantener la adquisición de datos en tiempo real, una ayuda valiosa para la efectividad del sistema cuando la conectividad de red está sobrecargada o no está disponible.
Las aplicaciones para cámaras inteligentes van desde seguridad y vigilancia, robótica en medicina y fabricación, aplicaciones militares como bots, drones y armamento inteligente, satélites y exploración del espacio interior y exterior.
Ver también
- Inteligencia artificial
- Aprendizaje profundo
- Potencial evocado
- Capturadores de fotogramas
- Diario de lógica simbólica
- Teorema de Lindström
- Teorema de Löwenheim-Skolem
- Aprendizaje automático
- Visión de máquina
- Teoría de modelos
- Neurofisiología
Referencias
- ^ Entrada del proyecto de genealogía de matemáticas para Joseph A. Sgro .
- ↑ Koniaris, Leonidas G .; Cheung, Michael C .; Guarnición, Gwen; Awad Jr, William M .; Zimmers, Teresa A. (2010). "Perspectiva: científicos de doctorado que completan la escuela de medicina en dos años: mirando a los ex alumnos del programa de doctorado a médico de Miami veinte años después" . Medicina académica . 85 (4): 687–91. doi : 10.1097 / ACM.0b013e3181d296da . PMID 20354390 .
- ^ Hoenk, Michael. "Pasivación superficial por exclusión cuántica utilizando múltiples capas" . USPTO . Consultado el 7 de septiembre de 2020 .
- ^ "Teoría del modelo topológico", National Science Foundation, División de Ciencias Matemáticas, premio número 77-04131 , 1977
- ^ Resumen y lista de la beca Centennial
- ^ Coloquio de lógica 77, Wroclaw, Polonia. Macintyre, A., L. Pacholski, J. Paris, eds. En Studies in Logic and the Foundations of Mathematics, Volumen 96. Barwise, J., D. Kaplan, HJ Keisler, et al., Series eds. Compañía editorial de Holanda Septentrional, 1978. ISBN 0-444-85178-X .
- ^ Entrada en la lista de miembros del Instituto de Estudios Avanzados para Joseph A. Sgro Archivado el 6 de mayo de 2014 en la Wayback Machine.
- ^ Sgro, Joseph (1977). "Teoremas de completitud para modelos topológicos" . Anales de lógica matemática . 11 (2): 173-193. doi : 10.1016 / 0003-4843 (77) 90016-X .
- ^ Sgro, Joseph (1 de septiembre de 1976). "Teoremas de completitud para funciones continuas y topologías de productos". Revista de Matemáticas de Israel . 25 (3–4): 249–272. doi : 10.1007 / BF02757004 . S2CID 119532738 .
- ^ "La lógica del operador interior y las topologías de producto" (PDF) .
- ^ Jon Barwise, K. (1 de diciembre de 1974). "Axiomas para la teoría de modelos abstractos" . Anales de lógica matemática . 7 (2): 221–265. doi : 10.1016 / 0003-4843 (74) 90016-3 .
- ^ "La interpolación falla para el cierre de Souslin-Kleene de la lógica del cuantificador de conjunto abierto" (PDF) .
- ^ "Máxima lógica" (PDF) .
- ^ "Lógica invariante de Ultraproducto" (PDF) .
- ^ a b Sgro, JA, RG Emerson y PC Stanton. "Técnicas avanzadas de adquisición y procesamiento de potenciales evocados". Potenciales evocados en medicina clínica. 3ª ed. Filadelfia: Lippincott-Raven (1997): 579-600. ISBN 978-0397516599
- ^ Sgro, Joseph A .; Emerson, Ronald G. (1985). "Activación sincronizada de fase: un método para la eliminación de ruido coherente en la grabación de potenciales evocados". Electroencefalografía y neurofisiología clínica . 60 (5): 464–468. doi : 10.1016 / 0013-4694 (85) 91021-1 . PMID 2580698 .
- ^ Sgro, Joseph A .; Emerson, Ronald G .; Pedley, Timothy A. (1985). "Reconstrucción en tiempo real de potenciales evocados utilizando un nuevo método de filtro bidimensional". Sección de Electroencefalografía y Neurofisiología Clínica / Potenciales Evocados . 62 (5): 372–380. doi : 10.1016 / 0168-5597 (85) 90046-2 . PMID 2411519 .
- ^ a b Sgro, Joseph A .; Jaitly, Rakesh; Delorenzo, Robert J. (1993). "La estimulación rápida y convencional provocó cambios potenciales en pacientes con estado epiléptico". Investigación sobre la epilepsia . 15 (2): 149-156. doi : 10.1016 / 0920-1211 (93) 90095-O . PMID 8370352 . S2CID 11714485 .
- ^ El desarrollo de métodos para el análisis de respuestas cerebrales no estables en el tiempo. Beca de la Fundación Whitaker, 1985-1989
- ^ Jens Hee (agosto de 2003). "Medidas de respuesta al impulso utilizando MLS" (PDF) . jenshee.dk . Consultado el 23 de junio de 2017 .
- ^ Marmarmelis, P. y Marmarmelis, VZ, Análisis del sistema fisiológico, Plenum Press, Nueva York, NY, 1978.
- ^ "Evaluación de neurovías aferentes y eferentes en lesiones graves en la cabeza", subvención del proyecto del programa NIH # 2P01NS012587, 1989-1992. .
- ^ generador, metaetiquetas. "Información del proyecto - NIH RePORTER - NIH Research Portfolio Online Reporting Tools Gastos y resultados" . projectreporter.nih.gov .
- ^ Sgro, J .; Stanton, P .; Emerson, R. (1991). "Rendimiento teórico y práctico de estimuladores magnéticos y bobinas". Electroencefalografía y neurofisiología clínica. Suplemento . 43 : 279–83. PMID 1773765 .
- ^ Agnew, WF; McCreery, DB (1987). "Consideraciones de seguridad en el uso de estimulación extracraneal para potenciales evocados motores". Neurocirugía . 20 (1): 143–7. doi : 10.1097 / 00006123-198701000-00030 . PMID 3808255 .
- ^ Agnew, WF; Yuen, TG; McCreery, DB (1983). "Cambios morfológicos después de una estimulación eléctrica prolongada de la corteza del gato en densidades de carga definidas". Exp Neurol . 79 (2): 397–411. doi : 10.1016 / 0014-4886 (83) 90221-2 . PMID 6822271 . S2CID 37339997 .
- ^ "Patente de Estados Unidos: 5061234 - Estimulador neuronal magnético para neurofisiología" .
- ^ Sgro, JA; Ghatak, NR; Stanton, PC; Emerson, RG; Blair, R. (1991). "Estimulación repetitiva de alto campo magnético: el efecto sobre el cerebro de rata". Electroencefalografía y neurofisiología clínica. Suplemento . 43 : 180–5. PMID 1773756 .
- ^ Sgro, Joseph (11 de mayo de 1994). "Clasificación de la red neuronal de datos neurofisiológicos clínicos para el seguimiento de cuidados agudos" . JPL, Una década de redes neuronales: aplicaciones prácticas y perspectivas . Consultado el 10 de septiembre de 2020 .
- ^ Sgro, JA; Emerson, RG; Stanton, PC (4 a 9 de mayo de 1998). "Análisis automatizado de potenciales evocados utilizando redes de retropropagación" . 1998 IEEE International Joint Conference on Neural Networks Proceedings. Congreso Mundial IEEE sobre Inteligencia Computacional (Cat. No.98CH36227) . 1 : 123-127. doi : 10.1109 / IJCNN.1998.682248 . ISBN 0-7803-4859-1. S2CID 57323507 . Consultado el 9 de septiembre de 2020 .
- ^ Sgro, JA; Emerson, RG; Stanton, PC (6 a 9 de julio de 1998). "Clasificación EEG automatizada por redes neuronales" . Actas de la Conferencia Internacional sobre Ciencia, Sistemas y Tecnología de Imágenes: 295–301 . Consultado el 9 de septiembre de 2020 .
- ^ Giles, CL; Griffin, RD; Maxwell, T. (1987). "Codificación de invariancias geométricas en redes neuronales de orden superior" (PDF) . NIPS . Consultado el 10 de septiembre de 2020 .
- ^ Goggin, Shelly; Johnson, Kristina; Gustafson, Karl (1991). "Una red neuronal invariante de traducción, rotación y escala de segundo orden" (PDF) . NIPS : 313–319 . Consultado el 10 de septiembre de 2020 .
- ^ Resumen del informe de datos de mercado anual de Automated Imaging Association . Se requiere ser miembro de AIA para obtener un informe completo.
- ^ "Una máquina de potencial evocado de procesamiento de señales digitales", NIH SBIR # 1R44NS024494, 1986.
- ^ "Un amplificador de potencial evocado de optimización automática", NIH SBIR # 2R44NS024490, 1986-1991 .
- ^ "Un estimulador neuronal magnético para neurofisiología", NIH SBIR II # 2R44NS24924, 1989-1991 .
- ^ "Un motor de compresión EEG eficiente sin pérdidas", NIH SBIR # 1R43NS34211, 1995-2003 .
- ^ Soluciones de visión artificial para aplicaciones de ciencias biológicas en Pittcon , 2006.
enlaces externos
- Tecnología de visión avanzada Alacron y FastVision en YouTube
- Publicaciones de Joseph Sgro en ResearchGate
- Joseph Sgro en LinkedIn