Hispanopedia Wiki
Articulo de referencia

José Sgro

[[Mathematical logic]] [[Neurology]] [[Neurophysiology]] [[Machine vision]] [[Machine learning]]"},"workplaces":{"wt":"[[Yale University]] [[Institute for Advanced Study]] [[Col...

Hispanopedia WikiContenido en espanolLectura gratuita

Joseph A. Sgro (nacido en San Diego , California) es un matemático , neurólogo / neurofisiólogo y tecnólogo / emprendedor estadounidense en el campo de las capturadoras de imágenes , las cámaras de alta velocidad , las cámaras inteligentes , los procesadores de imágenes , la visión por computadora y las tecnologías de visión artificial y aprendizaje .

Sgro comenzó su carrera como investigador académico en matemáticas avanzadas y lógica. Recibió una licenciatura en matemáticas en 1970 de la UCLA, seguida 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 formaron su comité doctoral.

Después de trabajar como instructor y becario postdoctoral en la Universidad de Yale y también ser miembro del Instituto de Estudios Avanzados en Princeton, Nueva Jersey , Sgro regresó a la universidad para estudiar neurología y recibió su título de médico en 1980 del Programa de Doctorado a Doctor en Medicina [ 2 ] de la Facultad de Medicina Miller de la Universidad de Miami , seguido de una pasantía en medicina interna en el Hospital Memorial de la UNC , residencia en neurología , una beca y un puesto docente 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 matrices , capturadores de imágenes, procesadores de visión y, más recientemente, apoyó avances en la tecnología de dopaje de sensores BSI y superred (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 de lógica de conjuntos abiertos tiene completitud lógica , lo cual había sido ampliamente creído pero no probado. La prueba de Sgro atrajo la atención de todo el mundo matemático y, en 1974, un año antes de terminar su doctorado, fue nombrado instructor Josiah Willard Gibbs de matemáticas en la Universidad de Yale y 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 a distancia su tesis y disertación en Wisconsin, lo cual hizo en 1975. Sus conclusiones sobre la teoría de modelos topológicos formaron la base de su tesis y disertación doctoral. Durante el año académico 1976-1977, Sgro recibió una beca Centennial [ 5 ] de la AMS . Su trabajo también le valió una invitación para hablar en el Coloquio de Lógica '77, la reunión europea de la Asociación de Lógica Simbólica . Este evento se celebró en Breslavia , Polonia , que entonces aún formaba parte del Bloque del Este , lo que convirtió a Sgro en uno de los primeros matemáticos occidentales en hablar en un evento «detrás del Telón de Acero». [ 6 ] Sgro también pasó 1977-1978 en el Instituto de Estudios Avanzados de Princeton, Nueva Jersey. [ 7 ]

Publicada en 1977, la tesis de Sgro “Teoremas de completitud para modelos topológicos” [ 8 ] y extensiones de esta investigación que incluyen la axiomatización y completitud de funciones continuas en cuantificadores de conjuntos abiertos de topología de producto se publicó en 1976 en el Israel Journal of Mathematics . [ 9 ] A partir de estos resultados, Sgro publicó una demostración de que una extensión de la lógica de cuantificadores de conjuntos abiertos usando la lógica de cuantificadores de operadores interiores tiene completitud y satisface la interpolación de Craig . [ 10 ] Además, demostró que el cierre de Souslin-Kleene [ 11 ] de la lógica de cuantificadores de conjuntos abiertos no cumple la interpolación de Craig, lo que implica que es estrictamente más débil que la lógica de operadores interiores. [ 12 ] Su investigación posterior se centró en demostrar la existencia de extensiones máximas de la lógica de primer orden que satisfacen el teorema de Łoś sobre ultraproductos y tienen la propiedad de Souslin-Kleene. [ 13 ] Esto también se extendió a extensiones de ultraproducto de la 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 el cerebro utiliza para procesar la información motora y sensorial, y regresó a la universidad con la intención de estudiar neurofisiología clínica, la rama de la neurología y la fisiología que examina el funcionamiento del sistema nervioso periférico y central . La investigación neurofisiológica suele utilizar herramientas de imagen para visualizar la actividad química y eléctrica en las vías nerviosas, e incluye actualmente resonancia magnética funcional (fMRI ), electroencefalografía (EEG), potenciales evocados (PE), estimulación magnética transcraneal ( TMS ) y otras tecnologías para visualizar y evaluar la actividad cerebral.

Después de que Sgro completara su internado en medicina interna en la Universidad de Carolina del Norte en 1981 y su residencia en neurología en el Centro Médico Columbia-Presbyterian 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, como jefe de la División de Neurofisiología Clínica (1991-1994) en el Centro Médico de la Universidad de Virginia Commonwealth . También fue nombrado profesor asociado adjunto de neurología en el Centro Médico Columbia-Presbyterian desde 1994 hasta 2004.

Durante su beca postdoctoral en el Centro Médico Columbia-Presbyterian , Sgro obtuvo 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 (PESS). Un resumen de los esfuerzos de Sgro para mejorar la tecnología de registro 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 del registro son aumentando la relación señal-ruido (SNR) mediante la reducción del ruido eléctrico coherente [ 16 ] y segundo el desarrollo de un filtrado digital DFT bidimensional de potenciales evocados que equilibra la mejora de la SNR de la técnica de promedio móvil con la detección de cambios en la forma de onda promediada . [ 17 ] Usando esta tecnología, Sgro demostró que los PESS eran "dependientes del estado", variando dependiendo de si el paciente estaba despierto o dormido ( anestesiado ). [ 18 ] Tras estos hallazgos con financiación de la Fundación Whitaker , [ 19 ] Sgro desarrolló tecnología y técnicas para analizar potenciales evocados basados ​​en estimulación realizada mediante secuencias m pseudoaleatorias ultrarrápidas (es decir, de cientos de hercios ) . [ 15 ] [ 20 ] [ 21 ] Se demostró que este trabajo era un método más eficaz para identificar y predecir enfermedades o daños subclínicos, como la mortalidad por estado epiléptico [ 18 ] [ 22 ] [ 23 ] (enfermedades que de otro modo pasarían desapercibidas hasta que se vuelven lo suficientemente graves como para ser clínicamente evidentes en comparación con los potenciales evocados convencionales).

Mientras realizaba investigaciones 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 una mayor 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 estimulador magnético transcraneal rápido y de alta intensidad de campo magnético que pudiera superar el límite de seguridad histórico de la estimulación cerebral eléctrica [ 25 ] [ 26 ] (40 µC/cm²/fase a una frecuencia 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 intensidad de campo máxima de 3,4 tesla a 8 Herz durante 20 minutos o 10 µC/cm²/fase fue demostrada en Sgro [ 28 ].

Mientras trabajaba como investigador en neurología, Sgro comenzó a trabajar en ingeniería biomédica y visión artificial, específicamente en el uso de tecnologías de imagen y visión artificial, para evaluar la función e integridad del sistema nervioso en diversos estados de conciencia , durante procedimientos médicos y en enfermedades. La investigación se realizó inicialmente utilizando programas informáticos escritos en Fortran que se ejecutaban 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 a menor costo, Sgro cofundó Alacron, Inc. para desarrollar equipos avanzados de investigación médica y productos comerciales basados ​​en PC.

Durante 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 realizó investigaciones sobre el uso de redes neuronales de retropropagación en el monitoreo clínico y la interpretación neurofisiológica automática de EEG y potenciales evocados. Una descripción general de este enfoque para potenciales evocados se describió en [ 30 ] donde se demostró en un estudio piloto que utilizando una red neuronal de múltiples capas ocultas, por ejemplo, aprendizaje profundo , la clasificación y las mediciones de latencia de potenciales evocados visuales, auditivos del tronco encefálico y somatosensoriales son comparables a la clasificación de expertos humanos. Investigaciones adicionales [ 31 ] sobre el aprendizaje automático de EEG utilizando redes neuronales de orden superior (HONN) [ 32 ] [ 33 ] también produjeron resultados comparables cuando se compararon con la clasificación de expertos humanos.

Carrera empresarial

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 la producción de capturadoras de imágenes y subsistemas computacionales de procesamiento de imágenes de alta velocidad. La familia de productos actualmente incluye capturadoras de imágenes, software, dispositivos de grabación de datos y periféricos de soporte. A pesar de su enfoque inicial en la investigación neurofisiológica y la imagen médica, Alacron vio cómo los usos de sus productos se expandían más allá del campo de la medicina hacia otras aplicaciones, como la fabricación, el sector militar y otras industrias que utilizan la robótica de forma extensiva. Alacron es uno de los mayores fabricantes de capturadoras de imágenes en el informe anual de datos de mercado de la Automated Imaging Association . [ 34 ]

Algunos ejemplos de usos más amplios de la visión artificial de los capturadores de imágenes 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 viaje , el equivalente marítimo de las " cajas negras " de la aviación.

Además de las líneas de productos comerciales ofrecidas por Alacron, Sgro continuó realizando investigación básica en la integración de la tecnología de captura de imágenes con sistemas especializados para diversas disciplinas. La empresa recibió subvenciones SBIR en las que Sgro actuó como investigador principal, entre las que se incluyen:

  • "Una máquina de procesamiento digital de señales para potenciales evocados" NIH SBIR #1R44NS024494. 1986 (Fase 1), 1988-1990 (Fase 2). [ 35 ]
  • "Amplificador de potencial evocado autooptimizable", 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).
  • "Sistema de monitorización de vídeo/EEG para la detección de eventos", NlH SBIR #1R43NS26204, 1988–1989.
  • "Un estimulador neural magnético para neurofisiología", NIH SBIR II #2R44NS24924, 1989–1991. [ 37 ]
  • “Un motor de compresión de EEG eficiente y sin pérdidas”, NIH SBIR #1R43NS34211. 1995-1997 (fase 1); 1999-2003 (fase 2). [ 38 ]
  • "Acelerador programable escalable para computación de alto rendimiento asequible", Contrato DARPA n.° N66001-96-C-8611, 1997-2001.

Las presentaciones académicas de la tecnología e investigación de Alacron incluyen:

  • " Soluciones de visión para aplicaciones en ciencias de la vida " en Pittcon , 2006. [ 39 ]

FastVision, LLC

En 2002, Sgro fundó FastVision, LLC . FastVision fabrica cámaras digitales de alta velocidad con resolución superior a un megapíxel, 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 imagen integradas, escalables y de alta velocidad, integradas en el mismo paquete que aloja la optoelectrónica. Al igual que la mayoría de los fabricantes de cámaras inteligentes, el conjunto de soluciones de FastVision incluye subsistemas de memoria y procesamiento FPGA para permitir el procesamiento de imágenes dentro de la cámara. Al integrarse con una tarjeta capturadora de imágenes o una placa procesadora de visión de alta potencia (o un subsistema anfitrión), las capacidades del sistema resultante pueden ampliarse más allá de la simple compresión de imágenes. El subsistema de la cámara inteligente puede integrarse con almacenamiento en disco o semiconductor no volátil dentro o fuera de la cámara para mantener la adquisición continua de datos en tiempo real, una valiosa ayuda para la eficacia del sistema cuando la conectividad de red está sobrecargada o no está disponible.

Las aplicaciones de las cámaras inteligentes abarcan desde la seguridad y la vigilancia, hasta la robótica en la medicina y la fabricación, pasando por aplicaciones militares como robots, drones y armamento inteligente, satélites y la exploración del espacio interior y exterior.

Véase también

Referencias

  1. ↑ Entrada del Proyecto de Genealogía Matemática para Joseph A. Sgro .
  2. ↑ Koniaris, Leonidas G.; Cheung, Michael C.; Garrison, Gwen; Awad Jr, William M.; Zimmers, Teresa A. (2010). "Perspectiva: Científicos con doctorado que completan la facultad de medicina en dos años: Una mirada a los exalumnos del programa de doctorado a médico de Miami veinte años después" . Academic Medicine . 85 (4): 687– 91. doi : 10.1097/ACM.0b013e3181d296da . PMID 20354390 . 
  3. ↑ Hoenk, Michael. "Pasivación de superficies mediante exclusión cuántica utilizando múltiples capas" . USPTO . Consultado el 7 de septiembre de 2020 .
  4. ↑ "Teoría del modelo topológico", Fundación Nacional de Ciencias, División de Ciencias Matemáticas, número de subvención 77-04131 , 1977
  5. ↑ Resumen y lista de becarios del centenario
  6. ↑ Coloquio de Lógica '77, Breslavia, Polonia. Macintyre, A., L. Pacholski, J. Paris, eds. En Estudios de lógica y fundamentos de las matemáticas, volumen 96. Barwise, J., D. Kaplan, H.J. Keisler, et al., editores de la serie. North-Holland Publishing Company, 1978. ISBN 0-444-85178-X.
  7. ↑ Entrada en la lista de miembros del Instituto de Estudios Avanzados para Joseph A. Sgro. Archivado el 6 de mayo de 2014 en Wayback Machine.
  8. ↑ Sgro, Joseph (1977). "Teoremas de completitud para modelos topológicos". Annals of Mathematical Logic . 11 (2): 173– 193. doi : 10.1016/0003-4843(77)90016-X .
  9. ↑ Sgro, Joseph (1 de septiembre de 1976). "Teoremas de completitud para funciones continuas y topologías de producto". Israel Journal of Mathematics . 25 ( 3–4 ): 249–272 . doi : 10.1007/BF02757004 . S2CID 119532738 . 
  10. ↑ "La lógica del operador interior y las topologías de producto" (PDF) .
  11. ↑ Jon Barwise, K. (1 de diciembre de 1974). "Axiomas para la teoría de modelos abstractos". Annals of Mathematical Logic . 7 (2): 221– 265. doi : 10.1016/0003-4843(74)90016-3 .
  12. ↑ "La interpolación falla para el cierre de Souslin-Kleene de la lógica de cuantificadores de conjunto abierto" (PDF) .
  13. ↑ "Lógicas máximas" (PDF) .
  14. ↑ "Lógica invariante del ultraproducto" (PDF) .
  15. 1 2 Sgro, JA, RG Emerson y PC Stanton. «Técnicas avanzadas de adquisición y procesamiento de potenciales evocados». Potenciales evocados en medicina clínica. 3.ª ed. Filadelfia: Lippincott-Raven (1997): 579-600. ISBN 978-0397516599
  16. ↑ Sgro, Joseph A.; Emerson, Ronald G. (1985). "Disparo sincronizado por fase: un método para la eliminación coherente del ruido en el registro de potenciales evocados". Electroencefalografía y neurofisiología clínica . 60 (5): 464– 468. doi : 10.1016/0013-4694(85)91021-1 . PMID 2580698 . 
  17. ↑ Sgro, Joseph A.; Emerson, Ronald G.; Pedley, Timothy A. (1985). "Reconstrucción en tiempo real de potenciales evocados mediante un nuevo método de filtro bidimensional". Electroencefalografía y Neurofisiología Clínica/Sección de Potenciales Evocados . 62 (5): 372– 380. doi : 10.1016/0168-5597(85)90046-2 . PMID 2411519 . 
  18. 1 2 Sgro, Joseph A.; Jaitly, Rakesh; Delorenzo, Robert J. (1993). "Cambios en el potencial evocado por estimulación convencional y rápida en pacientes con estado epiléptico". Epilepsy Research . 15 (2): 149– 156. doi : 10.1016/0920-1211(93)90095-O . PMID 8370352 . S2CID 11714485 .  
  19. ↑ El desarrollo de métodos para el análisis de respuestas cerebrales no estables en el tiempo. Subvención de la Fundación Whitaker, 1985-1989.
  20. ↑ Jens Hee (agosto de 2003). "Mediciones de respuesta al impulso usando MLS" (PDF) . jenshee.dk . Consultado el 23 de junio de 2017 .
  21. ↑ Marmarmelis, P. y Marmarmelis, VZ, Análisis del sistema fisiológico, Plenum Press, Nueva York, NY, 1978.
  22. ↑ "Evaluación de las vías neuronales aferentes y eferentes en traumatismos craneoencefálicos graves", Subvención del Programa de Proyectos del NIH n.º 2P01NS012587, 1989-1992 .
  23. ↑ generador, metatags. "Información del proyecto - NIH RePORTER - Herramientas de informes en línea del portafolio de investigación de los NIH Gastos y resultados" . projectreporter.nih.gov .
  24. ↑ Sgro, J.; Stanton, P.; Emerson, R. (1991). "Rendimiento teórico y práctico de los estimuladores y bobinas magnéticas". Electroencefalografía y neurofisiología clínica. Suplemento . 43 : 279–83 . PMID 1773765 . 
  25. ↑ 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 . 
  26. ↑ Agnew, WF; Yuen, TG; McCreery, DB (1983). "Cambios morfológicos tras estimulación eléctrica prolongada de la corteza del gato a densidades de carga definidas". Exp Neurol . 79 (2): 397– 411. doi : 10.1016/0014-4886(83)90221-2 . PMID 6822271. S2CID 37339997 .  
  27. ↑ "Patente de Estados Unidos: 5061234 - Estimulador neural magnético para neurofisiología" .
  28. ↑ Sgro, JA; Ghatak, NR; Stanton, PC; Emerson, RG; Blair, R (1991). "Estimulación repetitiva de campo magnético alto: el efecto sobre el cerebro de la rata". Electroencefalografía y neurofisiología clínica. Suplemento . 43 : 180–5 . PMID 1773756 . 
  29. ↑ Sgro, Joseph (11 de mayo de 1994). "Clasificación de datos neurofisiológicos clínicos mediante redes neuronales para la monitorización de cuidados agudos" . JPL, Una década de redes neuronales: aplicaciones prácticas y perspectivas . Recuperado el 10 de septiembre de 2020 .
  30. ↑ Sgro, JA; Emerson, RG; Stanton, PC (4–9 de mayo de 1998). «Análisis automatizado de potenciales evocados mediante redes de retropropagación». Actas de la Conferencia Internacional Conjunta IEEE de 1998 sobre Redes Neuronales. Congreso Mundial IEEE sobre Inteligencia Computacional (Cat. No. 98CH36227) . Vol. 1. págs. 123–127 . doi : 10.1109/IJCNN.1998.682248 . ISBN   0-7803-4859-1. S2CID 57323507 . 
  31. ↑ Sgro, JA; Emerson, RG; Stanton, PC (6–9 de julio de 1998). "Clasificación automatizada de EEG mediante redes neuronales" . Actas de la Conferencia Internacional sobre Ciencia, Sistemas y Tecnología de la Imagen : 295–301 . Recuperado el 9 de septiembre de 2020 .
  32. ↑ Giles, CL; Griffin, RD; Maxwell, T. (1987). "Codificación de invariancias geométricas en redes neuronales de orden superior" (PDF) . NIPS . Recuperado el 10 de septiembre de 2020 .
  33. ↑ Goggin, Shelly; Johnson, Kristina; Gustafson, Karl ( 1991). "Una red neuronal invariante a traslación, rotación y escala de segundo orden" (PDF) . NIPS : 313–319 . Recuperado el 10 de septiembre de 2020 .
  34. ↑ Resumen del informe anual de datos de mercado de la Automated Imaging Association . Para obtener el informe completo, es necesario ser miembro de la AIA.
  35. ↑ "Una máquina de procesamiento de señales digitales para potenciales evocados" , NIH SBIR #1R44NS024494, 1986.
  36. ↑ "Un amplificador de potencial evocado autooptimizable", NIH SBIR #2R44NS024490, 1986-1991 .
  37. ↑ "Un estimulador neural magnético para neurofisiología", NIH SBIR II #2R44NS24924, 1989-1991 .
  38. ↑ "Un motor de compresión de EEG eficiente y sin pérdidas", NIH SBIR #1R43NS34211, 1995-2003 .
  39. ↑ Soluciones de visión artificial para aplicaciones en ciencias de la vida en Pittcon , 2006.