نمونه‌برداری بهینه و مهار نویز در کینماتیک تارهای صوتی با آندوسکوپی ویدیویی پرسرعت

بررسی بیومکانیک و رفتار ارتعاشی چین‌های صوتی «Vocal Folds» در حنجره انسان، یکی از پیچیده‌ترین مسائل در حوزه [[دینامیک غیرخطی سیالات]] و [[پردازش سیگنال‌های زیست‌پزشکی]] به شمار می‌رود. بسامد پایه صوت انسان (${f_0}$) بسته به سن و جنس معمولاً بین ۱۰۰ تا ۳۰۰ هرتز (و در آوازهای کلاسیک تا بیش از ۱۰۰۰ هرتز) نوسان می‌کند. در روش‌های بالینی سنتی مانند [[استروبوسکوپی ویدیویی]]، به دلیل استفاده از نور فلاش همگام با بسامد صوت، تنها تصاویری از چرخه‌های ارتعاشی پریودیک و شبه‌پایدار بازسازی می‌شد؛ پدیده‌ای که در بررسی بیماری‌های صوتی شدید و آواسازی‌های ناپایدار و آشوبناک ناکارآمد است((پایگاه علمی arXiv، مقاله علمی Optimal Sampling and Noise Mitigation for Vocal Fold Kinematics in High-Speed Videoendoscopy، حوزه EESS، سال ۲۰۲۶ میلادی)).

<آندوسکوپی ویدیویی پرسرعت (HSV) با ثبت پیوسته ارتعاش در نرخ‌هایی فراتر از ۲۰۰۰ تا ۱۰۰۰۰ فریم بر ثانیه، امکان رصد پدیده‌های گذرا و نامتقارن چرخه به چرخه را فراهم می‌سازد؛ اما با چالش بنیادین کاهش شدید فوتون‌های دریافتی و تضعیف نسبت سیگنال به نویز روبروست.>

# پارادوکس نوردهی و نسبت سیگنال به نویز در نرخ‌های بالا #

هنگامی که سنسورهای تصویربرداری با سرعت بسیار بالا کار می‌کنند، زمان نوردهی سنسور (${t_{\text{exp}}}$) به کسری از میلی‌ثانیه محدود می‌شود:

$$
t_{\text{exp}} \le \frac{1}{f_s}
$$

در نرخ نمونه‌برداری ${f_s = 4000 \text{ fps}}$، زمان نوردهی حداکثر ۲۵۰ میکروثانیه است. کاهش زمان نوردهی، تعداد فوتون‌های ثبت‌شده در هر پیکسل سنسور CMOS را شدیداً کاهش داده و دو منبع نویز اصلی را حاکم می‌سازد:

1. **نویز شات پواسون «Photon Shot Noise»:** ناشی از ذات آماری کوانتومی ذرات نور که دارای واریانس برابر با میانگین فوتون‌های برخوردی است.
2. **نویز خوانش سنسور «Sensor Read Noise»:** نویز الکترونیکی حرارتی و مدارات تقویت‌کننده سنسور که مستقل از نور ورودی است.

بر این اساس، نسبت سیگنال به نویز «SNR» تصویر به عنوان تابعی مستقیم از نرخ فریم دچار افت توانی معکوس می‌شود:

$$
\text{SNR} \propto \frac{N_{\text{photon}}}{\sqrt{N_{\text{photon}} + \sigma_{\text{read}}^2}} \propto \frac{1}{\sqrt{f_s}}
$$

# تحلیل ریاضی خطای استخراج کینماتیک و مشتق‌گیری عددی #

هدف اصلی بالینی در HSV، ردیابی مرز لبه‌های ارتعاشی تارهای صوتی (${x(t)}$) و محاسبه پارامترهای کینماتیک شامل سرعت گشودگی/انسداد (${v(t) = \frac{dx}{dt}}$) و شتاب حرکت بافت (${a(t) = \frac{d^2x}{dt^2}}$) است.

در محاسبات گسسته، مشتق اول معمولاً با تفاضل متناهی مرکزی یا تخمین‌های اسپلاین تقریب زده می‌شود. اگر موقعیت اندازه‌گیری‌شده مرز دارای نویز سفید با واریانس ${\sigma_\epsilon^2}$ باشد:

$$
\tilde{x}[n] = x[n] + \epsilon[n], \quad \epsilon[n] \sim \mathcal{N}(0, \sigma_\epsilon^2)
$$

آنگاه واریانس خطای سرعت استخراج‌شده از طریق تفاضل متناهی عبارت است از:

$$
\tilde{v}[n] = \frac{\tilde{x}[n+1] - \tilde{x}[n-1]}{2 \Delta t} \implies \operatorname{Var}(\tilde{v}) = \frac{\sigma_\epsilon^2}{2 (\Delta t)^2} = \frac{f_s^2 \cdot \sigma_\epsilon^2}{2}
$$

<این رابطه یک بن‌بست تحلیلی را نشان می‌دهد: افزایش بیش از حد نرخ فریم (${f_s}$)، اگرچه خطای اریبِ گسسته‌سازی را کاهش می‌دهد، اما واریانس نویز مشتقات کینماتیک را به صورت درجه دوم (${f_s^2}$) و در شتاب به صورت درجه چهارم (${f_s^4}$) منفجر می‌کند!>

# نرخ نمونه‌برداری بهینه «Optimal Sampling Rate» #

بر اساس قضیه [[نمونه‌برداری نایکویست-شنون]]، حداقل نرخ نمونه‌برداری باید دو برابر پهنای باند هارمونیک‌های مؤثر ارتعاش تارهای صوتی باشد. اما پژوهش‌های جدید اثبات می‌کنند که برای ارتعاشات غیرخطی بافت تار صوتی، نرخ نمونه‌برداری بهینه (${f_s^*}$) ناشی از ایجاد تعادل میان «خطای ترانکیشن (اریب)» و «خطای واریانس نویز مشتق» است:

$$
\text{Total MSE}(f_s) = \mathcal{O}\left( \frac{1}{f_s^{2p}} \right) + \mathcal{O}\left( f_s^2 \cdot \sigma_\epsilon^2(f_s) \right)
$$

با کمینه‌سازی خطای میانگین مربعات کل، نشان داده می‌شود که برای ثبت دقیق موج صوتی تارهای صوتی با بسامد پایه ${f_0}$، اختصاص دادن **بین ۲۰ تا ۳۵ نمونه در هر سیکل ارتعاشی** (${20 \le \frac{f_s}{f_0} \le 35}$) حد آستانه بهینه را فراهم می‌کند؛ نرخ‌های بالاتر از این میزان نه تنها اطلاعات بیومکانیکی جدیدی اضافه نمی‌کنند، بلکه نیازمند الگوریتم‌های پالایش نویز پیچیده‌تر با هزینه محاسباتی تصاعدی هستند.

# معماری مهار نویز و هموارسازی کینماتیک #

برای مهار اثر نویز بدون حذف لبه‌های تیز در لحظه برخورد «Impact Phase» تارهای صوتی، رویکردهای ترکیبی زمان-مکان پیاده‌سازی می‌شوند:

## ۱. فیلتراسیون متغیر کل مکانی-زمانی «Spatiotemporal TV Denoising» ##

پیش از استخراج موقعیت لبه‌ها، فیلتراسیون مبتنی بر بهینه‌سازی متغیر کل بر روی مکعب ویدیویی ${I(x,y,t)}$ اعمال می‌شود که با حفظ ناپیوستگی‌های لبه تار صوتی، نویزهای اتفاقی سنسور را مهار می‌سازد:

$$
\min_{u} \int_\Omega |\nabla u| \, dx dy dt + \frac{\lambda}{2} \|u - I\|_2^2
$$

## ۲. ردیابی حالت کینماتیک با فیلتر کالمن مقید ##

حرکت لبه تار صوتی به صورت یک مدل فضای حالت فیزیکی با نوسانگر میرا مدلسازی می‌شود:

$$
\mathbf{s}_{k+1} = \mathbf{F} \mathbf{s}_k + \mathbf{w}_k, \quad \mathbf{y}_k = \mathbf{H} \mathbf{s}_k + \mathbf{v}_k
$$

که در آن بردار حالت شامل موقعیت، سرعت و کشش بافت (${\mathbf{s} = [x, \dot{x}, k]^T}$) است. [[فیلتر کالمن]] با تنظیم ماتریس‌های کوواریانس خطای فرآیند و اندازه‌گیری، حتی در افت شدید روشنایی نیز پایداری استخراج منحنی بسته شدن چاکنای را تضمین می‌کند.

# استخراج شاخص‌های بالینی گلوتوگرافی #

با اعمال این خط‌لوله پردازشی بهینه، سیگنال «شکل‌موج مساحت گلوت» یا **GAW (Glottal Area Waveform)** استخراج می‌شود که پارامترهای آکوستیکی و فیزیولوژیکی کلیدی زیر را با دقتی فراتر از خطای بالینی محاسبه می‌کند:

* **خارج‌قسمت باز بودن «Open Quotient - OQ»:** نسبت زمان باز بودن چاکنای به کل زمان یک دوره تناوب نوسان:
$$
\text{OQ} = \frac{T_{\text{open}}}{T_0}
$$
* **خارج‌قسمت سرعت «Speed Quotient - SQ»:** نسبت زمان باز شدن تارهای صوتی به زمان بسته شدن آن‌ها، که شاخصی از ضربه مکانیکی برخورد دو تار صوتی در اختلالات صوتی است:
$$
\text{SQ} = \frac{T_{\text{opening}}}{T_{\text{closing}}}
$$
* **عدم‌تقارن چپ و راست «Left-Right Phase Asymmetry»:** تفاضل فاز ارتعاشی میان تار صوتی چپ و راست در تشخیص فلج یا ضایعات پاتولوژیک یک‌طرفه حنجره.