THMMY.gr

Ακόμη δεν έχει ακουστεί τίποτα για την εργασία φέτος;

την παρασκευή ειπε στο τελος ,οι  περισσοτεροι είχαν φύγει, ότι ακόμα δεν έχουμε βγάλει την ύλη που χρειάζεται.. αν γίνουν λίγα μαθήματα ακόμα θα τη βγάλει την εργασία.. οπότε λογικά λίγο πριν τα Χριστούγεννα .. και θα μπορούμε να την παραδώσουμε μέχρι την εξεταστική.. και είναι προαιρετική.

Καλως... Ευχαριστώ.

Παίχτες η εργασία βγήκε.Ωστόσο δε μου ανοίγει  :( .Κάντε και σεις μια προσπάθεια και αν σας ανοίγει κανονικά πείτε μου παρακαλώ.(το .zip το παίρνω ,την εκφώνηση δε μπορω να λάβω)Επίσης υπάρχει κανείς τολμηρός που να έκανε εργασία άλλη χρονια να μου δώσει μια μια προσέγγιση του πόσο χρόνο απαιτεί αυτή η εργασία.Thank you!

ουτε σε μενα κατεβαινει..βγαζει ερρορ

Ορίστε η εργασία. Απλώς το URL έχει ένα προφανές λαθάκι. :-*

Ρε παιδιά, καταλαβαίνει κανείς τί εννοεί ο ποιητής λέγοντας:

" διατυπώστε σε ποια συχνοτική περιοχή ανήκουν οι δύο κατηγορίες καταγραφών (EOG, EEG) καθώς και ο θόρυβος καταγραφής (κατά μέσο όρο για τα EEGs και το θόρυβο καταγραφής)."

Update: Γενικά ως θόρυβο καταγραφής εγώ αντιλαμβάνομαι τα spikes που κάνουν οι κυμματομορφές στο πεδίο του χρόνου οι οποίες οφείλονται στο οφθαλμογράφημα... Το περιεχόμενο της παρένθεσης δεν το καταλαβαίνω... Ίσως εννοεί στο περίπου...

2η Ερώτηση

Ερώτημα Β,  "Σχεδιάστε ένα ψηφιακό φίλτρο Butterworth....." κλπ

Πως γίνεται με ένα φίλτρο να καθαρίσουμε και τα 2 σήματα (EOG και EEG), αφού το συχνοτικό τους περιεχόμενο είναι άλλο?? Fuck...

Οκ, νομίζω κατάλαβα για το Β... Γενικά καλά τα λέω μόνος μου...

(http://www.fungeek.cz/285-601-large/tricko-meme-forever-alone-guy-panske.jpg)

Προφανως ο θορυβος καταγραφης, ως λευκος γκαουσιανος βρισκεται παντου και μας γα** το σημα γενικα.Ειναι αυτο το ακαταπαυστο ripple που βλεπεις οταν κανεις plot.

Στο μερος ΙΙ περναμε αφου περασουμε τα σηματα απο το Butterworth?

Και γω συμφωνω με τον edenexa για το θόρυβο καταγραφής. Το θέμα είναι η επιλογή της τάξης του φίλτρου με ποιο κριτήριο θα γίνει; Τέλος η συχνοτική περιοχή του θορύβου καταγραφής πώς θα τη βρούμε;

Την επιλογη την κανεις εσυ. Οτι σου αρεσει. Καλυτερα χρησιμοποιησε τη συναρτηση Buttord οπου βαζεις τις προδιαγραφες για ωp, ωs, και τα dB αποσβεσης που θες και σου απανταει το cutoff και την ταξη του φιλτρου.

Ο θορυβος απλωνεται παντου. Αυτο ειναι το χαρακτηριστικο του. Αρα η περιοχη του ειναι παντου. Θεωρητικα (και πρακτικα) λευκος γκαουσιανος παει να πει σε ολο το φασμα θα εχεις μια συνεισφορα. Ο ηλεκτρονικος θορυβος καταγραφης απο μετρητικα οργανα τεινει να λειτουργει ως λευκος γκαουσιανος και για αυτο τον μοντελοποιουμε ως τετοιο.

εδιτ: φιλτραρεις, αφαιρεις απο το αρχικο και εχεις χρονικα δειγματα του θορυβου. Κανεις fft σε αυτα και βλεπεις τι περιεχουν.

Εαν εχει βρει καποιος τον τροπο να αποκτησει το βιβλιο που αναφερεται στην εκφωνηση ας μου στειλει pm

Οκ! Κομπλέ με τον θόρυβο καταγραφής τότε. Τα spikes που παρουσιάζονται στα EEG οφείλονται στο οφθαλμογράφημα. Right?
Επίσης, στο β με το Butterworth ουσιαστικά θέλουμε να διώξουμε το ripple που λέγαμε και όχι τα spikes??
Για την εύρεση της τάξης χρησιμοποίησα τους τύπους του βιβλίου με τα d και k

N = ceil(log(d)/log(k));

Αφού αποφάσισα για τα f_low, f_high, dp, ds. Έπειτα με τη συνάρτηση butter() παίρνεις τους συντελεστές του φίλτρου και μάλιστα στον χώρο Z (δηλαδή με διγραμμικό μετασχηματισμό). Βέβαια και αυτό που προτείνει ο edenaxas φαίνεται κομπλέ.

Για το μέρος ΙΙ έχω να πω ότι εάν το Butterworth χρησιμοποιείται για να διωχθούν τα spikes τότε νομίζω δεν πρέπει να το εφαρμόσεις. Αυτό γιατί φαντάζομαι πως έχεις ανάγκη τη συσχέτιση μεταξύ EEG και EOG. Εάν όμως χρησιμοποιείται για να διώξει το ripple τότε οκ.
Τέλος επισυνάπτω ένα μικρό tutorial για τον fft του matlab που βρήκα και με βοήθησε αρκετά στην αρχή.

Thanks

Ρε παιδες, τι παιζει με τα σηματα απο 65 και μετα? Flat ειναι. Καμμια σχεση με το EOG δεν εχουν.


Ειναι EEG απο νεκρο?

(https://www.thmmy.gr/smf/index.php?action=dlattach;topic=8325.0;attach=48185)

edenaxa το πλάτος S(f) γιατι σου βγαίνει έτσι; Δεν θα έπρεπε να είναι συμμετρικό γύρω από το 0;

Ναι, αλλα δειχνω μονο για f>0

1)Ti κανουμε με τα flat?

2) Για τα ερωτηματα του 2ου μερους, απλα πρεπει να κανουμε 127 υπολογισμους για 127 παραμετρους για καθε q?

Εγώ το ΕΟG το βγάζω έτσι

https://www.dropbox.com/s/6p0qcgdyl1r2r1y/eog.jpg

ok no prob. Το ιδιο ακριβως πραγμα ειναι δεν εχει διαφορα...

Συμφωνώ για το θόρυβο, μάλλον αναφέρεται απλά στον λευκό π είναι διάχυτος σε όλες τις συχνότητες. Αυτός είναι ο θόρυβος καταγραφής π πρέπει να περιορίζεται από το Butterw φιλτρο, όχι τα spikes (:=EOG).

1)Απλά δεν έχω καταλάβει ακριβώς ποιος ο σκοπος;
"Ο σκοπός της παρούσης εργασίας είναι να μοντελοποιήσετε τη σχέση μεταξύ EOG και EEG, θεωρώντας το EOG ως είσοδο σε ένα γραμμικό ψηφιακό σύστημα του οποίου η έξοδος είναι το EEG."
Δεν θα θέλουμε να δίνουμε τα EEG στο σύστημα και αυτό να μας τα δίνει στην έξοδο καθαρά από την οφθαλμική δραστηριότητα EOG? Γιατί να δώσουμε σαν είσοδο την δραστηριότητα του ματιού (που έχουμε μόνο 1 σαν δείγμα) και να πάρουμε σαν έξοδο ένα εγκεφαλογράφημα;; Πώς; :???:

2)Και εννοείται το σύστημα είναι 1 για όλες τις 127 περιπτώσεις, δεν θα βρούμε 127 σετ συντελεστών, αυτά είναι για την "εκπαίδευση" του μοντέλου μας, ε;
3)Τα φασματικά περιεχόμενα EOG,EEG δεν είναι σαν να είναι απλά το ένα διπλάσιο του άλλου σε πλάτος;

οι άξονες που έχεις σε τι μονάδες είναι?

edenaxa, έχει πολλά που δεν έχουν διακυμάνσεις (λόγω έλλειψης θορύβου μάλλον), αλλά απλά ένα peak στη συχνότητα 0..

τα φασματικά χαρακτηριστικά των 127 EEGs, τα βάλατε όλα σε ένα plot? (αυτό εννοεί?)

Να ρωτησω:

Για να χρησιμοποιησουμε την filter στο ΑR πρεπει να κανουμε μια εκτιμηση για τις παραμετρους α με LSQ. Aρα αν εχουμε πχ P=3 θα παρουμε 3 παραμετρους α. Την filter μετα την καλουμε ετσι:


?

Κυριως ρωταω  σε σχεση με τον ασσο που μπαινει πριν απο το διανυσμα a μιας και στο help της filter λεει οτι απο το διανυσμα a το πρωτο στοιχειο το παιρνει σαν το συντελεστη του y[n] ενω οι παραμετροι μας ειναι συντελεστες για n>1

Filter στο AR? λίγο κουλό μου φαίνεται...
Εγώ πάλι βρήκα αυτό εδώ:

http://www.mathworks.com/matlabcentral/fileexchange/33721-time-varying-eeg-connectivity-a-time-frequency-approach/content/WOSSPA_Mathworks_v2/mvar.m

Γενικότερα όμως, έχει κανένας καμία ιδέα πως θα επιλυθούν τα MA,AR,ARMA ?

Δεν ειναι κουλο. Το πληρες ARMA ειναι ενα IIR φιλτρο που οι συντελεστες του αριθμητη ειναι οι b παραμετροι και οι συντελεστες του παρονομαστη ειναι οι a παραμετροι. Για να φιλτραρεις την εισοδο με ΙΙR κανει filter.

Ετσι επιλυονται κιολας. Δες σελ 4 απο το Help1.pdf

Γενικά φαντάζομαι ότι πχ στο ΜΑ:αυτό που θες να βρεις είναι η απόκριση με μια προσεγγιση.Δηλαδή αν θεωρήσεις το b σαν την άγνωστη απόκριση μπορείς να την βρεις εύκολα από τον τύπο που δίνει παρακάτω.Δηλαδή το y και x είναι το eeg ,eog αντιστοιχα (μέσος όρος φαντάζομαι για το eeg).Τελικά αυτό που κάνεις είναι να προσεγγίσεις την μεγααααλη πραγματική h με μια h που έχει λίγα στοιχεία...
Νταξ σαφώς το x θα πάρει αυτή τη μορφή-Toeplitz ξερω γω.Κάπως έτσι πρέπει να πανε και τα άλλα δεν ταχω κάνει.(ούτε αυτό το χω κάνει απλά μια σκέψη λέω)

επίσης για Q=10 οι αποκλίσεις είναι τεράστιες από την πραγματική έξοδο...έχει κανείς άποψη περί τούτου? 8))

εμείς όμως πρέπει να κάνουμε το αντίστροφο από την φιλτερ.
Δλδ έχουμε την έξοδο και την είσοδο, και θέλουμε τους συνελεστές.
Και η ερώτηση είναι, πως θα το κάνουμε αυτό?

Ναι, συμφωνοι. Εγω λεω αφου εχεις βγαλει τους συντελεστες.

Τους συντελεστες τους βγαζεις με Least Squares για το Moving Average όπως λεει στη σελιδα 1 απο το Help1.pdf (https://www.thmmy.gr/smf/index.php?action=dlattach;topic=53062.0;attach=48225)

>> b = toeplitz(x, [x(1) zeros(1,Q)]) \ y;

μετα κανεις

>> y_estimated = filter(b,1, x);

Κάνοντας αυτό, μετά βρίσκεις την πρόβλεψη του y (EEG), με το μοντέλο που έχεις (Δλδ το ΜΑ).

Μετά όμως, για να βρείς το AR μοντέλο (τους συντελεστές, αυτό πως θα το καταφέρουμε? Γιατί είναι σαν να έχουμε σαν άγνωστο το denum από το y=filter(num, denum, x).
Δλδ, συντελεστές α, για το AR, πως θα τους βγάλουμε?

Δες τον αλγοριθμο Yule Walker

Ή με τον ιδιο τροπο με το ΜΑ απλα αλλαζοντας λιγο τη σειρα των συντελεστων.

Κάπως έτσι θα γίνει, αν αλλάξω την σειρά των συντελεστών?

Γιατί γενικότερα κατέληξα ότι:

y = x + Y*a

όπου Y=           0   0   0
                       y(1) 0  0
                       y(2) y(1) 0
                        .......

Οπότε στο MATLAB:

c=horzcat(0,y);        ==>        [0,y]        where y is vector of EEG
r=zeros(1,q);

a = toeplitz(c,r) \ (y-x) ;        ==>    where x is vector of EOG

Προσεξε λιγο. Δες το αρχειο Help1 οι συντελεστες MA αθροιζονται απο 0 εως q ενω οι AR απο 1 εως p.

Aρα το y(1) πρεπει να το θεωρησεις δεδομενο ως αρχικη συνθηκη

Σωστά.
Γιαυτό και αν το γράψουμε σε μορφή εξισώσεων: (p=2)

y(1) = x(1)
y(2) = x(2) - a(1)*y(1)
y(3) = x(3) - a(1)*y(2) - a(2)*y(1)
y(4) = x(4) -a(1)*y(3) - a(2)*y(2)


Άρα με μορφή πινάκων:

y = x + Y * a

όπου Y=           0   0   0
                       y(1) 0  0
                       y(2) y(1) 0
                        .......


γιαυτό και κάνω στον κώδικα

c=horzcat(0,y);        ==>        [0,y]        where y is vector of EEG    έτσι ώστε το vector y να έχει [0 y(1) y(2) y(3) y(4) .....]
c=c(1:end-1);
r=zeros(1,q);

a = toeplitz(c,r) \ (y-x) ;        ==>    where x is vector of EOG

πλάκα πλάκα, τώρα που κοίταξα τις σχέσεις, το y(1) = x(1)  δεν πληρείται στις δωσμένες τιμές...
Μήπως τελικά υπάρχει και α(0) όπως και στο b(0)??
Καμία ιδέτα τι παίζει?

γιατι αν αναπτύξουμε τη σχέση για το AR, βγάζουμε όπως έιχα και πριν το:

y = x + Y * a

όπου Y=           0   0   0
                       y(1) 0  0
                       y(2) y(1) 0
                        .......

ή αν θέλουμε αλλιώς το:

x = Y * [1 a(1) a(2) a(3) ....]

όπου Y=          y(1)  0   0   0
                       y(2) y(1) 0  0
                       y(3) y(2) y(1) 0
                        .......


Καμία ιδ'έα κανένας τι παίζει?

Αυτό που λέει για μέσους όρους των EEG τι ακριβώς κάνουμε;
Βρίσκουμε τους DFT όλων των EEG και μετά δημιουργούμε τον μέσο όρο του πλάτους;
(Βγαίνει ένα πράμα σαν μοναδιαία ώση στο 0 με ελάχιστο θόρυβο στις λοιπές συχνότητες)

Καλη παρατηρηση, λογικα δν επηρεαζεται η μεθοδος.

γιατι τις προδιαγραφες πως αποφασισες?

Επισης οταν χρησιμοποιw [ B,A ]  =  butter(n,Wn,'low'); to Wn είναι η συχνότητα αποκοπής η πρέπει να δωθεί απο τον τύπο Wn=(2*syxn.apokopis)/Fs????

Αυτό που έκανα εγώ είναι eeg=x(2:128,:) μετά mean(eeg) και σου επιστρέφει έναν πίνακα σειρά παρόμοιο με τον eog δηλ. [1x2500], όπου το κάθε στοιχείο είναι ο μέσος όρος όλων των στοιχείων των στηλών του πίνακα eeg. Δουλεύεις λοιπόν με αυτόν για να βρεις τα φασματικά χαρακτηριστικά του eeg. Αν έχω κάνει λάθος με διορθώνετε.

For butter, the normalized cutoff frequency Wn must be a number between 0 and 1, where 1 corresponds to the Nyquist frequency, π radians per sample.
Πρακτικά ακριβώς αυτό π είπες νομίζω.

Jimmakos λες για μέσο όρο στο πεδίο της συχνότητας, αυτό είναι ίσως χρησιμο για μια ποιοτική εξέταση στο μέρος Ι. Στο ερώτημα 2.ε. μάλλον θέλει αυτό που λες PreDa, αφού μιλάει για n=1:2500, πεδίο χρόνου.

Τι κάνουμε τότε στο ερώτημα 1.a για το EEG??

ναι μπορείς να κάνεις μέσο όρο στο φάσμα στο 1.α και στο χρόνο στο 2.ε.

Και πως βρίσκουμε το dft ενός πίνακα 127x2500 όπως είναι ο eeg? Στην περίπτωση του eog είναι εύκολο καθώς είναι πίνακας σειρά 1x2500. Στην περίπτωση του eeg το X2=abs(fft(eeg,N)) μου επιστρέφει έναν πίνακα 2500x2500. Μήπως να τον αντιστρέψω τον  eeg? Και μετά χρησιμοποιούμε την mean(X2)?

όχι έτσι το fft(EEG). Γραμμή προς γραμμή να πας

να ρωτησω αφου ο θόρυβος υπάρχει σε όλη την συχνοτικη περιοχή τι προδιαγραφές θα χρησιμοποιήσω για το φίλτρο butterworth και πως τις υπολογιζω?

Η χρησιμη πληροφορια ομως ειναι σε πολυ περιορισμενο σημειο. Επισης αφου σου δινει τη συχνοτητα δειγματοληψιας ειναι no brainer επιλογη

με το auto regressive βρίσκω τα a με toeplitz και μετά υπολογίζω το h.Γενικά δεν είναι και ότι πιο σταθερό η έξοδος.έχετε καταλήξει κάπου μαυτό?

To ΑR αναμενεται να ειναι ασταθες, δεν ειναι περιεργο. Μπορεις να το τσεκαρεις και με τη roots.

To θεμα ειναι να βρεις μεχρι που μπορεις να φτασεις που να μην ειναι ασταθης

Γενικά δεν μου βγάζει ρίζες >1.Ακόμα και κάποιες φορές ναταν ασταθές, με τις υπολοιπες επιλογές του Ρ φαντάζομαι οτι θα βγαζε κάτι που ακολουθεί καλύτερα την πραγματική έξοδο.γενικά προσπαθέι να ακολουθήσει αλλά φεύγει σε μεγάλες τιμές και όσο μεγαλώνω το Ρ τόσο πιο πολυ ψοφάει.
εσένα είχε όσο ακλή απόδοση όσο ο ΜΑ πουχού?
Οπως και νάχει θα τα δω καλύτερα...κάποια αηδία θαχω κάνει

sorry, δεν καταλαβα. Σου φευγει σε ακραιες τιμες ή σου ψοφαει σε μηδενικες?

σόρι εγώ :P φεύγει στα ουράνια

Μπορεί κάποιος να ανεβάσει τα αρχεία .m της άσκησης, ή να δώσει direct link για τα αρχεία?

Θενξ.

https://www.dropbox.com/s/33s30t9patyde6k/eeg.mat?m

Εμένα πάλι, με ΜΑ μοντέλο, το βέλτιστο q το βρίσκω πάντα να είναι 9! Κάτι σαν να βρωμάει εδώ...
Κανένας με παρατήρηση για τα q?

Επίσης, μία ακόμη ερώτηση, πως να πλοτάρω την απόκριση ?

μάλλον την πλοταρεις για ολα τα eeg.πχ εχείς q=5  βρισκεις τη μέση τιμή καθε δείγματος από τα 5 και τη διακύμανση αντίστοιχα.πόσο αλλάζει δηλαδή η απόκριση όταν αλλάζουν τα εγκεφαλογραφήματαμ.ΜΑΛΛΟΝ

απο ότι μου είπανε, σε μαιλ, το γράφημα πρέπει να είναι MSE - p/q. Οπότε έχουμε στην ουσία να βάλουμε 127 καμπύλες... Εγώ σκέφτηκα να τα βάλω όλα στο ίδιο plot, αλλά μετά οι διακυμάνσεις δεν είναι και πολυ εμφανείς...  :-\

1. Στο Mean Square Error του MA για όλα τα q στο EEG_18 έχω σφάλμα γύρω στα 1.6m ενώ στα υπόλοιπα είναι γύρω στα 20k. Συμβαίνει και σε άλλους αυτό;


2. Στο AR ΠΩΣ, ΜΑ ΠΩΣ, προκύπτουν οι a συντελεστές. Όπως και να το κάνουμε η έξοδος του φίλτρου πετάει άπειρα (κάτι 10^300, νομίζω παντού)

Υ.Γ. παρακαλώ μόνο σοβαρές προτάσεις, έχουμε λιώσει 2x24ωρα μέχρι στιγμής πάνω σε αυτό

1. Alex, αυτο τα 20k το βγαζεις και στα EEG με n>65? Μετα απο 65 ειναι uncorrellated με το EOG, ειναι flat. Ο Χ#λεοντιαδης απαντησε πως μαλλον απο τα 127 ηλεκτροδια του οργανου χρησιμοποιησαν τα 65 και γιαυτο δεν εχουν συσχετιση απλα μονο ενα DC ορο.

2. Οπως βγαζεις και τα b απλα αλλαξε σειρα τους ορους στην εξισωση (toeplitz και εισοδο). Αλλιως δες Yule-Walker algorithm.

Άμα ρίξεις μία ματιά, θα δεις ότι άλλα βγαίνουν για τοεπλιτζ, και άλλα για γιουλ.
Επίσης, κρουστική απόκριση, τι ακριβώς πρέπει να κάνουμε?

Δεν ειπα οτι ειναι το ιδιο. Προφανως ειναι διαφορετικος αλγοριθμος αλλα υπαρχουν τουλαχιστον 4 διαφορετικοι αλγοριθμοι για να βρεις τους συντελεστες AR και ο καθενας εχει διαφορετικη συμπεριφορα.

freqz

Τελικά δηλαδή το AR υπάρχει περίπτωση να βγεί ευσταθές ; Πως ελέγχω απο όλα τα p  , και για όλα τα δείγματα πιο είναι ευσταθές να κρατήσω;;

Α και για το ερώτημα γ. θέλουμε τον μέσο των κρουστικών ή την κρουστική απόκριση του μέσου;

Επίσης , το freqz που έγραψες edenaxas , γιατί βγάζει άλλη απόκριση απο το να βάλουμε στο φίλτρο μια είσοδο h=[1 zeros()] ?

Για μενα βγαινει ευσταθες με LSQ αλλα για χαμηλα p

Ναι

Ισως επειδη χρησιμοποεις την filter η οποια εισαγει μη γραμμικοτητες λογω φασης

ρε παίδες για την κρουστική δεν έιναι impz() ; το freqz() είναι για συχνότητες απότι είδα...

Έτσι νομίζω...

Δεν ξέρω αν αναφέρεται πιό πριν (τα είδα βιαστικά λίγο). Όταν λέει στο Α1 να απεικονίζουμε εννοεί να κάνουμε for loop (για τα 128 FFTs) με plot?

Κάνε κάποια ενδεικτικά plots για να μη γεμίσεις το έγγραφό σου με αυτά. Εγώ έκανα plot του μέσου όρου των fft αν και δεν ζητάει κάτι τέτοιο. Δεν χρειάζεται να δείξεις πολλά plots. Αρκεί να κάνεις σωστά τον fft και να τα φιλτράρεις μετά σωστά με ένα butterworth.

Μήπως μπορεί να μου πει κάποιος στο 2 γ(i) πως σχεδιάζουμε τη μέση τιμή(+-)std με μορφή γκρι περιοχής για την κρουστική μας απόκριση;

+1
Θα βγάλουμε μέση τιμή και τυπικη απόκλιση για κάθε q,p? ξεχωριστά για κάθε περιπτωση ΜΑ και AR?
Αν χρησιμοποιήσω την impz(b,a) βάζω για το ΜΑ α=1?

Μπορεί κάποιος να μου δώσει τους 2 τύπους για εύρεση της τάξης n του φίλτρου Butterworth και για μετασχηματισμό για dB που δίνει το βιβλίο του Πανά;

Ευχαριστώ!

@Joseph D. Δεν έχω του Πανά το βιβλίο για αυτό και θα το κάνω με χρήση των buttord() και butter() συναρτήσεων. Παίζει να το θεωρούν λάθος έτσι?

Γνωρίζει κανείς πως πρέπει να παρουσιάζονται τα γραφήματα (π.χ. λογαριθμική κλίμακα)? Λογικά από εκεί θα επιλέξουμε και τις προδιαγραφές του φίλτρου.

ρε παιδια οταν λεει Θεωρείστε ότι το γραμμικό σύστημα που συνδέει τα EOG και EEG είναι μια διαδικασία Moving Average
εννοει για τα φιλτραρισμένα σήματα ή οχι???????

Αν είναι για τα φιλτραρισμένα το σύστημα είναι γραμμικό?


Ιδια ερώτηση και για το AR

ΝΟΜΙΖΩ είναι για τα φιλτραρισμένα. Το MA από ότι κατάλαβα είναι ένα σύστημα άσχετο από το φίλτρο από το οποίο έχεις περάσει τα σήματα πιο πριν.

Εγώ νομίζω ότι είναι για μη φιλτραρισμένα, καθώς η εισαγωγή του φίλτρου μέσω συνάρτησης της matlab οδήγει σε έντονη μη γραμμικότητα εισόδου - εξόδου με αποτέλεσμα να μην είναι δυνατή η ανάλυση. Ειδικά στο AR και στο ARMA βγαίνουν όλα τα αποτελέσματα ασταθή.

Όντως. Εξάλλου αν ηταν μαζί με το φίλτρο τότε δεν θα το χώριζε σε Μέρος Α και Μέρος Β αλλα θα το συνέχιζε.  :P

παιδια καποιος να ανεβασει το αρχειο eeg.mat γιατι δεν το βρισκω πουθενα; και αν μπορει καποιος να δωσει κατευθυντηριες γραμμες για το πρωτο κομματι γιατι ειμαι λιγο χαμενος;

Πάρε τον τύπο για τον υπολογισμό του DFT από το βιβλίο και γραψ'τον στο matlab. 2 loops είναι, το ένα μέσα στο άλλο. Και επειδή αυτό πρέπει να το επαναλάβεις 128 φορές, θα έχεις και ένα τρίτο loop μέσα στο οποίο θα μπουν τα άλλα 2.

1000 ευχαριστω να σαι καλα!

έλεος, υπάρχει έτοιμη η συνάρτηση fft( ) στο matlab.
δεν χρειάζεται να ξανανακαλύπτετε τον τροχό παιδιά..

αντιγράφω από το site:

"Tuesday, 12 March 2013 00:00

Λόγω τεχνικού προβλήματος, παρακαλούνται όσοι έστειλαν την εργασία στο email που αναγραφόταν στην εκφώνηση, να την ξαναστείλουν στο dsp.spbtu@gmail.com το αργότερο μέχρι την Πέμπτη 14/3 στις 22:00.

Οι διδάσκοντες"

αντιγράφω από thmmy στο τόπικ της επικαιρότητας του μαθήματος  :P

εδώ μου φαίνεται πιο πιθανό να την δουν οι άμεσα ενδιαφερόμενοι 

utr