جرم بدن و ضریب اصلاحی: تاثیر بر روی تخمین زمان مرگ بر اساس دما
چکیده
روش های مبتنی بر مدل نقش بسیار مهمی در تخمین زمان مرگ مبتنی بر دما دارند. رایج ترین روش ها در این زمینه از مدل نمایی دوگانه ی هوار و مارشال (Hoare and Marshall) با تخمین پارامتر هنسگی (Henssge) استفاده می کند. فرمول بندی این روش شامل جرم بدن به عنوان تنها پارامتر غیر دمایی می باشد. روش هنسگی روشی است که به خوبی شکل گرفته است زیرا می توان از این روش در تطبیق با شرایط سرمایش غیر استاندارد همراه با تغییر جرم بدن با ضرب جرم در ضریب اصلاحی، استفاده کرد. در این مطالعه ما تاثیر خطای اندازه گیری جرم بدن m همراه با تغییرات ضریب اصلاحی c بر روی خطای تخمین زمان مرگ به روش هوار – هنسگی و مارشال ، tD را بررسی می کنیم. در این مطالعه یک فرمول برای خطای نسبی tD به صورت تابعی از خطای نسبی m به دست می آید. اما تخمین های ساده در مرتبه ی 1 و صفر نمی توانند نتایج قابل قبول مطابق با معیار شبیه سازی های مونته کارلو را ایجاد کند. این تخمین ها همچنین یک قانون کلی را ارائه می کنند که بر اساس آن، خارج قسمت انحراف استاندارد D(tD) از زمان مرگ تخمین زده شده و D(m) جرم بدن برابر با خارج قسمت زمان مرگ تخمین زده شده tD و جرم بدن به صورت m می باشد. m (D(tD)/D(m) ≈ tD/m). به علاوه، این فرمول بندی ها و تخمین های آن ها، به منظور کمی سازی تاثیر ضریب اصلاحی جرم بدن به روش هنسگی یعنی ضریب c بر روی تخمین زمان مرگ نیز در این مطالعه بررسی شده است. در بازه ی جرم بدن بین 50 تا 150 کیلوگرم، تغییر نسبی ضریب اصلاحی جرم بدن تقریبا برابر با تغییر نسبی زمان مرگ (ΔtD = (tD/c)Δc) می باشد. این فرمول در این مطالعه بر روی محاسبه ها و داده های سرمایش آزمایشی اعمال شده و مقایسه های انجام شده، نشان می دهد که این فرمول می تواند نتایج قابل قبولی را ارائه کند.
مقدمه
تخمین زمان مرگ بر اساس دما، رایج ترین روش های مورد استفاده برای تعیین زمان مرگ در معاینه های اولیه ی پس از فوت می باشد. اکثریت تخمین های مبتنی بر مدل شامل موارد زیر می باشد : آن ها از هر نوع از منحنی دما – زمان T(t) استفاده می کنند که توصیف کننده ی دمای بدن در حالت سرد شدن به صورت تابعی از زمان t بعد از مرگ می باشد ، که این مدل ها در منابع [1-7] بیان شده اند.
Abstract
Model-based methods play an important role in temperature-based death time determination. The most prominent method uses Marshall and Hoare's double exponential model with Henssge's parameter determination. The formulae contain body mass as the only nontemperature parameter. Henssge's method is well established since it can be adapted to non-standard cooling situations varying the parameter body mass by multiplying it with the corrective factor. The present study investigates the influence of measurement errors of body mass m as well as of variations of the corrective factor c on the error of the Marshall and Hoare–Henssge death time estimator tD. A formula for the relative error of tD as a function of the relative error of m is derived. Simple approximations of order 1 and 0 nevertheless yield acceptable results validated by Monte Carlo simulations. They also provide the rule of thumb according to which the quotient of the standard deviations D(tD) of the estimated death time and D(m) of the body mass is equal to the quotient of the estimated death time tD and the body mass m (D(tD)/D(m) ≈ tD/m). Additionally, formulae and their approximations are derived to quantify the influence of Henssge's body mass corrective factor c on death time estimation. In a range of body masses between 50 and 150 kg, the relative variation of the body mass corrective factor is approximately equal to the relative variation of the death time (ΔtD = (tD/c)Δc). This formula is applied and compared to computations and to experimental cooling data with good results.
Introduction
Temperature-based death time estimators are most commonly used for determining death times in the early postmortem phase. The majority are model-based estimators: They use any form of temperature–time curve T(t) describing the temperature of the cooling body as a function of the time t since death, e.g. [1–7].
چکیده
مقدمه
روش ها
قانون انتشار خطا
تفسیر تصادفی از قانون نشر خطا
شبیه سازی های مونته کارلو
تاثیر ضریب اصلاحی
نتایج
نتایج تحلیلی ( شکل 1)
نتایج تصادفی ( شکل 2)
نتایج نمونه ها ( شکل 3 )
مباحث
Abstract
Introduction
Method
Law of error propagation
Stochastic interpretation of the error propagation law
Monte Carlo simulation
Influence of the corrective factor
Results
Analytical results (Fig. 1)
Stochastic results (Fig. 2)
Case results (Fig. 3)
Discussion
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه