THMMY.gr

ξερει κανεις πως υπολογιζουμε την τυπικη αποκλιση του θορυβου που ζηταει η εργασια στο ερωτημα 1.1?

Το γράφει μέσα στο pdf Spikes-LFP-ECoG από το elearning. Δίνεται απο τον τύπο median(abs(x))/0.6745

Απομονώστε τις κυματομορφές των κορυφών που εντοπίσατε σε κάθε αρχείο και
στοιχίστε τις με βάση το πρώτο ακρότατό τους σε ένα πίνακα SpikesEst (ένα πίνακα για κάθε
αρχείο) .Μπορεί κάποιος να μου εξηγήσει ακριβώς τι σημαίνει αυτό;

Tου εστειλα μειλ για το συγκεκριμενο ερωτημα και μου απαντησε αυτο :
Το πρωτο ακροτατο καθε κυματομορφης να ειναι το ενα κατω απο το αλλο. Χωρις zero padding

Τι γινεται ομως οταν σε 64 δειγματα υπαρχουν 2 spikes? Εκει δεν ειναι αναποφευκτο το zero padding αν θελουμε να τα χωρισουμε; Η δε τον ενοχλει το overlapping σε αυτη την περιπτωση;

Ειχε πει οτι δεν θα υπαρχουν 2 spikes σε 64 δειγματα

Βασικα σιγουρα θα υπαρχουν σε καποια σημεια της κυματομορφης 2 spikes το ενα διπλα στο αλλο (τα λεγομενα overlapping spikes), αλλα ειχε πει πως μπορουμε να μη δωσουμε τοση σημασια σε αυτο.

Ουτως ή αλλως και σε κανονικες εφαρμογες του spike sorting, αυτο ειναι ενα απο τα πιο δυσκολα προβληματα να λυθει.

Οποτε απλα το αγνοουμε και εκτελουμε το προγραμμα μας οπως και στις περιπτωσεις του ενος spike. Ετσι και αλλιως ενας μικρος αριθμος των συνολικων spike ειναι overlapping.

Tελεια, ευχαριστω!!

Εμένα στο ίδιο αρχείο κάποια πρώτα ακρότατα είναι προς τα κάτω ενώ άλλα είναι προς τα πάνω. Είναι λογικό να βγει κάτι τέτοιο? Πως θα τα στοιχίσω αν το ένα είναι προς τα κάτω και το άλλο προς τα πάνω?

Λογικό είναι οπότε πρέπει να τα στοιχίσεις,εμείς αυτό που κάναμε είναι να βρούμε τη διαφορά στις θέσεις μεταξύ του θετικού μεγίστου και του αρνητικού(κάτω ακρότατο) και να κάνουμε ένα shift έτσι ώστε να έρθει στη θέση που αντιστοιχεί για τα max δηλαδή να στοιχιστεί.Δεν ξέρω αν γίνεται αλλιώς αλλά έτρεξε

Ναι αλλά έτσι δεν είναι στοίχιση με βάση το πρώτο ακρότατο πάντα (όπως ζητάει). Στις περιπτώσεις που το πρώτο είναι max σε κάποια και min σε κάποια άλλα, τότε είναι στοίχιση του πρώτου με το δεύτερο ακρότατο.  :-\

Δηλαδή εμένα μου δίνει κάτι τέτοιο (συνημμένο)

Το ότι είναι max ή min δεν σημαίνει ότι δεν είναι πρώτο ακρότατο στο χρόνο.Δηλαδή στοιχίζεις το πρώτο ακρότατο της κυματομορφής χρονικά είτε είναι max ή min.Νομίζω είναι οκ ;)

Ευχαριστώ για το feedback. ;) Ναι το ξέρω, ως πρώτο ακρότατο ορίζω αυτό που υπάρχει την χρονική στιγμή μόλις πριν εντοπίζω το spike.

Παιδιά καλησπέρα.. Στο ερώτημα 1.3 της εργασίας όπου ζητά να βρεθεί κάποιος εμπειρικός κανόνας πρέπει να βγάλουμε κάποια μαθηματική σχέση που να συνδέει το k με το πλήθος των κορυφών ή απλά βρίσκουμε τα k που μας δίνουν το πραγματικό πλήθος των κορυφών που μας λέει αυτός και με αυτά προχωράμε στα παρακάτω ερωτήματα??

Θέλεις κάποια μαθηματική σχέση που να συνδέει το k με τη διακύμανση του θορύβου. Στα επόμενα ερωτήματα δεν θα έχεις ground truth και θα πρεπει να μετράς εσυ κορυφές.

Η μαθηματικη σχέση θα βγαίνει απο τον τυπο του κατωφλίου η θα πρέπει να γίνει κάποια αλλη συσχέτιση;;

Δες το curve fitting toolbox του matlab. Ο τυπος θα πρεπει να βγει με τη βοηθεια αυτου. (ή χρησιμοποιώντας κατευθειαν την συναρτηση fit, αν και με το toolbox ειναι πολυ πιο ευκολο γιατι παραγει αυτοματα τον κωδικα)

Τι μορφή πρέπει να βάλω στην συνάρτηση fit για να το βρω; Πχ πολυωνυμο 2ου βαθμού ; Πως το βρίσκω αυτό

Δες το καλυτερα μεσω του toolbox, οπου σου βγαζει σε πραγματικο χρονο πως θα ειναι η καθε μορφη που επιλεγεις. Εγω πχ εβαλα πολυωνυμικη 4ου βαθμου, αλλα μπορεις να χρησιμοποιησεις ο,τι αλλο θες, βγαινει εξισου καλο fit και με αλλες μορφες.
Ουσιαστικα αυτο που θες ειναι η καμπυλη που θα επιλεξεις να προσεγγιζει ολα τα σημεια σου αρκετα κοντα, οχι ομως να περναει ακριβως απο το καθε σημειο (οπως πχ με πολυωνυμικη 7ου βαθμου) γιατι τοτε εχεις το λεγομενο overfitting.

Το αποτελεσμα του ερωτηματος 2.2 πρεπει να μοιαζει καπως ετσι: http://prntscr.com/luttwg
ή κατι κανω τραγικα λαθος??

Τα έχεις στοιχίσει με το μέγιστο της κυματομορφής ενώ ζητάει με το πρώτο ακρότατο όπως έχουνε πει και παραπάνω και πρέπει να πάρεις λίγο μεγαλύτερο διάστημα από τα δεξιά γιατί έτσι φαίνεται να κόβεις τη κυματομορφή ενώ θέλουμε να απεικονίζεται πλήρως. Έχει πει για αρχή τουλάχιστον να παίρνουμε 64 δείγματα της κάθε κορυφής.

Ααα σωστα, βγαζει περισσοτερο νοημα τωρα. Ευχαριστω πολυ!

επειδή ο πετραντωνάκης δεν απαντάει στα μειλ γιατι όπως λεει τα έχει πει πολλες φορες στο μαθημα ξερει κανεις πως μπορουμε να ταυτισουμε τους χρονους των spike απο το διανυσμα spikeTimes που δινει με τους χρονους που βρισκουμε εμεις και να αποφανθουμε αν το spike μας ειναι σωστο?

+1
Κι εγώ την ίδια απάντηση πήρα. Επίσης επειδή παρατήρησα στον πίνακα spikeTimes οτι τυχαίνει να εντοπίζει spikes με απόσταση μικρότερη από 64 δείγματα, μου απάντησε ότι μπορεί να υπάρχει overlap στα spikes.

Επίσης ενδέχεται ότι ο πίνακας spikeTimes είναι λάθος γιατί μόλις εντόπισα ότι για ένα spike έχει 2 καταχωρήσει όπως φαίνεται στην συνημμένη εικόνα. Δεν ξέρω τι εννοεί για overlap ο κ. Πετραντωνάκης, αλλά αυτό μου φαίνεται ξεκάθαρο λάθος των δοσμένων δεδομένων

Edit: To spike της φωτογραφίας είναι από το αρχείο Data_Eval_1

Εδω εχουμε υπερθεση..τυχαινει 2 spikes να βρισκονται πολυ κοντα στον χρονο οποτε οι κυματομορφες τους πεφτουν η μια πανω στην αλλη..αποτελεσμα το υψος να ξεπερναει το 1.5 πχ ενω κανονικα το υωος ενος spike ειναι κοντα στο 1...αυτο γενικοτερα συμβαινει πολυ συχνα θα βρεις πολλες τετοιες τιμες, τις οποιες δε ξερω αν μπορουμε να υπολογσουμε εμεις με κωδικα.

Πώς γινεται στο 2.5 να αρχικοποιω τον group με άσσους και το Myclassify να βγάζει ποσοστό 100% ?? Τι κάνω λαθος?

Ναι φαντάστηκα ότι συμβαίνει κάτι τέτοιο αλλά πως πρέπει να το χειριστούμε αυτό ;
o πετραντωνάκης δεν ψήνεται να δώσει κάποια βοήθεια γιατί μάλλον τα έχει πει σε κάποιο μάθημα που εγώ έχασα

Ουσιαστικα θα πρεπει να ταυτισεις ποια απο τα spikes της προσεγγισης σου ανταποκρινονται οντως στα πραγματικα spikes. Για παραδειγμα σε υπερθεση εμεις θα βρισκουμε ενα απο τα 2 spike (εστω το 1ο) και πρεπει να θεωρησουμε το αμεσως επομενο το οποιο εχει διεγερθει πολυ κοντα στον χρονο με το προηγουμενο ως spike που δε ταυτισαμε. Νομιζω το μεγαλυτερο λαθος της ασκησης ειναι που οι χρονοι SpikeTimes ειναι τελειως τυχαιοι-δεν εχουν σημειο αναφορας απο το spike. Ο Πετραντωνακης ελεγε οτι αυτοι οι χρονοι αναφερονται στο σημειο που περναει το Τhreashold. Εχω βρει χρονους SpikeTimes που ειναι αλλοτε 20 αλλοτε 25  αλλοτε 30 δειγματα πισω απο το T. Αυτο δημιουργει μεγαλο προβκημα στην ταυτιση καθως οι δικοι μας χρονοι δε θα ειναι ουτως οι αλλως ιδιοι με τους δικους του και σε τετοιες περιπτωσεις η οταν 2 spike βρισκονται πολυ κοντα στο χρονο (και χωρις υπερθεση) η ταυτιση ειναι δυσκολη.

άρα αν αντιστοιχίσεις ένα spike σου με ένα του πίνακα spikeTimes και η  αυτό έχει κάποια απόσταση από το αμέσως επόμενο spike που εσύ θεωρείς αρκετά μικρή μετράς +1 σωστά εντοπισμένο spike ή το βάζεις στο θόρυβο. Επίσης, στην περίπτωση του overlap αν καταλαβαίνω καλά μας συμφέρει να εντοπίζουμε τις κορυφές μόνο με την findpeaks; Γιατί είχα βρει μια ταχύτερη εκτέλεση που εντόπιζε τις στιγμές που ξεπερνιόταν το threshold, πραγμα που μπορεί βέβαια να αφήσει έξω spikes που μπορεί να είναι πολύ κοντινά .

Ναι ουσιαστικα πρεπει καθε φορα που βρισκεις στο διανυσμα (spikeTimes) 2 πολυ κοντινα spike να προσπερνας το 2ο (+1) αφου δε μπορεις να το υπολογισεις,τουλαχιστον ετσι καταλαβα εγω. οποτε δε θα μπορεσεις ποτε να βρεις ολα τα πραγματικα σπαικς του πετραντωνακη σωστα θα βρισκεις παντα λιγοτερα απο 3410 πχ για το data eval 1. η findpeaks πως μπορει να βρει 2 πολυ κοντινες κορυφες? δε θα βρισκει παντα την πιο ψηλη? και μεις εχουμε γραψει κωδικα για να καταχωρει ως χρονο του σπαικ τον χρονο που περναει το θρεσχολντ.

Παιδιά ποιός είναι ο εμπειρικός κανόνας που εσείς εντοπίσατε; Γιατί στα πιο μετά αποτελέσματα στο δεύτερο κομμάτι και έχοντας αφαιρέσει τις κορυφές από τα overlap καταλήγω με πολύ μικρό αριθμό spikes. Σχεδόν 1/3 από αυτόν που έχει ο πετραντωνάκης.

Εγώ από τα πρώτα 8 data βρήκα το κατάλληλο κ το οποίο δίνει τον σωστό αριθμό κορυφών.και μετά έκανα παρεμβολή στα σημεία 8 σημεία (median(data),σωστό κ) και βγάζεις ένα πολυώνυμο 8ου βαθμού..κρατησα έως 3ου βαθμού

Με ποια λογική χειρίζεστε τα overlapped spikes ; Εγώ ας πούμε, εξετάζω αν δυο γειτονικά κελιά του spikeTimes απέχουν το πολύ 64 samples οπότε και θεωρώ ότι  υπάρχει επικάλυψη. Έτσι βγάζω περίπου 300-400 overlapped spikes για τα Data_Eval_x αρχεία. Βέβαια, αν ρίξω αυτό το όριο στα 32 samples υπολογίζω τα μισά σχεδόν σε αριθμό. Τι είναι το πιο σωστό ;

Επίσης, έναν παρόμοιο κανόνα ακολουθώ για την αντιστοίχιση των spikeTimes με τα spikeTimesEst, εκεί σταθερά ψάχνω για διαφορά με 64 samples.

Σε όλες τι περιπτώσεις έχω καλό accuracy στο classification των spikes που απομένουν, δηλαδή 90% περίπου για το καθαρότερο σήμα και 60-67% για το πιο θορυβώδες ; 

Βγάζετε παρόμοια νούμερα ;

Εγώ το έκανα ως εξής:

 Καταρχάς, βάσει του εμπειρικού κανόνα, στο Data_Eval_E_1, μου βγάζει 3371 spikes ενώ στην πραγματικότητα είναι 3410.

 Ύστερα, για να τα κατηγοροποιήσω, πήρα τους πίνακες spikeTimes και spikeTimesEst που έχει βρει και (αφού παρατήρησα κάποιες χρονικές διαφορές ανάμεσα στους πίνακες spikesTimes & spikesTimesEst) το έβαλα να αφαιρεί μία τιμή του spikeTimesEst από ΟΛΕΣ τις τιμές του πίνακα spikeTimes. Αν η έβρισκε μία διαφορά που άνηκε στο εύρος [15,30], τότε σημαίνει πως αυτό ειναι όντως spike, και χρησιμοποιώντας τον πίνακα spikeClasses, έβαζα τα 64 δείγματα της κυματομορφής του σε νέο πίνακα του αντίστοιχου νευρώνα.

 Από τα 3371 spikes που βρήκα, με τον αλγόριθμο που έκανα, κατάφερα να κατηγοροποιήσω τα 3347 που μου φαίνεται ένα καλό ποσοστό.

Έχω 2 απορίες πάντως:
1) Τι εννοεί πρώτο ακρότατο; Εγώ έκανα στοίχιση όπως ένας συνάδελφος έκανε παραπάνω, βάσει των μεγίστων. Το πρώτο ακρότατο ποιό είναι; Το σημείο που περνάει πρώτη φορα το threshold T;

2) Το διάνυσμα group για το (2.5) ερώτημα, πως θα πρέπει να είναι; Εγώ το έκανα ως διάνυσμα π.χ. [1x3711] που κάθε τιμή είναι 1, 2 ή 3, αλλά το MyClassify μου βγάζει ένα error:

"Error using MyClassify (line 2)
Not enough input arguments."

Καμία βοήθεια;

2) η MyClassify θέλει το διάνυσμα group να είναι στήλη. Οπότε αφού το έκανες γραμμή μπορείς απλά να το περνάς στην συνάρτηση ως group' που είναι ο ανάστροφος

1) εγώ απλά υπολογίζω max και min βλέπω πιο είναι πρώτο χρονικά  και κεντράρω το παράθυρο του spike σε αυτό. έτσι πήρα την εικόνα που έχω συνάψει για το Data_Eval_1. Βλέπεις ότι τα παράθυρα που έχουν καθαρή την κυματομορφή του spike έχουν στοιχιστεί καλά, ενώ υπάρχει θόρυβος που κάθετε όπως να ναι και στο δεξί μέρος τις εικόνας μετά τα πρώτα ακροτατα θεωρώ ότι αυτές οι κυματώσεις είναι από τα overlapped spikes που πιάνει το παράθυρο που κόβεις το spike.

Ελπίζω να σε βοήθησα. Όσον αφορά την αντιστοίχιση νομίζω ότι πάνω κάτω λειτουργούμε παρόμοια, κι εγώ τέτοιους αριθμούς βγάζω.()

Σε ευχαριστώ πολύ!
Επειδή είναι συνάρτηση μάλλον πρέπει να την τρέξεις κάπως διαφορετικά, δηλαδή με τα ορίσματα της, γιατί το είχα δοκιμάσει και αυτό με την στήλη. Μόλις την έτρεξα και μου έβγαλε ένα (απογοητευτικό) 40% ποσοστό.  :(

Όσον αφορά τη στοίχιση, και εγώ έτσι ξεκίνησα, με ακρότατα και πότε εμφανίζεται το καθένα, αλλά παρατήρησα ότι μπορεί σε ενα σύνολο 64 δειγμάτων να υπάρχει προηγουμένως ένα άλλο spike.

Ο τρόπος που έχω βάλει να αποθηκεύει τις κυματομορφές, είναι να παίρνει τα -31 προηγούμενα δείγματα και τα 32 επόμενα. Έτσι, για να βεβαιωθώ ότι θα κεντράρει στο ακρότατο της εκάστοτε κυματομορφής, περιόρισα την αναζήτηση ελαχίστων ή μεγίστων στα δείγματα που ανήκουν στο εύρος [20,40]. Ελπίζω να είναι σωστό.

Για το ερώτημα 2.3, που λέει για τις κορυφές που βρίσκουμε οι οποίες δεν είναι όντως κορυφές αλλά θόρυβος, πως θα βρούμε τον πραγματικό αριθμό; Σε μερικά Data_Eval_E, βρίσκω λιγότερα spikes από όσα πραγματικά είναι.

Αυτά. Ευχαριστώ και πάλι και ΚΑΛΕΣ ΓΙΟΡΤΕΣ !

Παιδιά στο ερώτημα 1.2 πως βρίσουμε σωστά τον αριθμό των κορυφών ?

Πχ αν πάρουμε πόσες τιμές από το data περνάνε το κατώφλι Τ τότε δεν μετράς κορυφές απλά μετράς σημεία. Επίσης θα πρέπει να λάβουμε υπ όψιν και τις αρνητικές κορυφές ?

Μας είπε μόνο θετικές κορυφές να ψάχνουμε.Τα είδη των spikes είναι είτε ζεύγη θετικών και αρνητικών κορυφών, είτε απλά μία θετική κορυφή.

Θα πρέπει να βρεις έναν τρόπο να μην μετράς τα σημεία, αλλά τις κορυφές.

τις αρνητικες κορυφες δε χρειαζεται να τις λαβεις υποψιν
για να βρεις σωστα τον αριθμο των κορυφων λαβε υποψιν σου πως τα "επομενα σημεια που περνανε και αυτα το κατωφλι" ενος σημειου που περναει το κατωφλι ανηκουν στην ιδια κορυφη

Κάτι τέτοιο υπέθεσα και εγώ απλά ήθελα να σιγουρευτώ, έγινε ευχαριστώ  ;)

Παιδια ειμαι στο ερωτημα 2.4 και αφου εχω βρει ποιες απο τις κορυφες ειναι οντως σωστες, τις εχω βαλει σε εναν πινακα spikesEstNew(l,p), οπου l ειναι η καθε κορυφη και p ειναι ο αριθμος των 64 δειγματων. Παω να τις απεικονισω με τον ιδιο τροπο που απεικονισα και τις κορυφες στο ερωτημα 2.2, δηλαδη με 64 δειγματα και απεικονιζονται τελεια. Και απο το γραφημα βλεπω οτι καποιες φορες περνανε και απο το μηδεν. Οταν ομως παω να υπολογισω ποσες φορες περνανε απο το 0, κανω δηλαδη
if spikesEstNew(l,p)==0
     num_of_zeros=num_of_zeros+1;
end
δεν μπαινει καν μεσα στην if.
σας περναει καμια λυση απο το μυαλο;

α επισης εχω βρει σωστες κορυφες 1176 ενω αυτος εχει συνολικα 3410. Ειμαι κατω απο το 30% τις εκατο. Καλα δεν ειναι;

Για την if μπορείς να ελέγξεις με τα γειτονικά δείγματα εάν υπάρχει εναλλαγή στο πρόσημο

αυτο εκανα γιατι τελικα κανενα δειγμα δεν ηταν ακριβως στο 0 οποτε για αυτο μου εβγαζε συνολικο αριθμο 0. θενκιου!!!

Στην εκφώνηση λέει η βιβλιογραφική να είναι 15-30 σελίδες. Ισχύει αυτό;
Μήπως εννοεί όλη η εργασία να είναι τόσο, γιατί η βιβλιογραφική από μόνη της είναι δύσκολο να βγει τόσο μεγάλη.

ισχυει, μονο η βιβλιογραφικη θελει να ναι τοσο

Παιδιά έχω 2 απορίες:
2.4: Ως attributes έβαλα μέγιστο και sum. Πάω να κάνω το scatter και αντί να βγουν 3 ομάδες ξεχωριστά μου βγαίνουν όλα μαζί τα χρώματα. Δεν ομαδοποιούνται σωστά. Ξέρετε τι κάνω λάθος ?

2.5: Με 2 ή 3 attributes βγάζω ένα ποσοστό accuracy 30-35% πολύ κακό. Τι ποσοστό πρέπει να βγάλω και τι λάθος μπορεί να έχω ?

Για το τι κάνεις λαθος δυσκολα μπορει να σου απαντησει καποιος γιατι δεν εχει τον κωδικα σου :P
Μπορω ομως να σου απαντησω για τα ποσοστα που λες. Γενικα, αν βγει 30-35% που λες σημαινει οτι το κανει εντελως τυχαια (33% πιθανοτητα σωστης ταξινομησης, εφοσον ειναι 3 νευρωνες).
Ενδεικτικα ποσοστα που βγαλαμε εμεις, για 2 χαρακτηριστικά, ειναι 73%, 62%, 49% και 46% αντιστοιχα για το καθε αρχειο.
Βάζοντας περισσοτερα features (9 σε εμάς), πήραμε 93%, 89%, 83% και 74% αντιστοιχα.

Αυτό που θα σου πρότεινα εγώ, είναι να δοκιμασεις να βαλεις μέγιστο peak to peak πλατος, αντι για απλο μεγιστο. Πετυχαινει αρκετα καλυτερο classification το εν λογω χαρακτηριστικο, διοτι παιρνει την διαφορα του max με το min. (αν δεις τα διαγραμματα των νευρωνων, ολοι οι νευρωνες εχουν περιπου το ιδιο max σχεδον, ενω σε peak to peak η διαφορα ειναι πιο εμφανης)

Σε ευχαριστώ πολύ, είχα ξεχάσει να αντιστοιχίσω τις κλάσεις πέρα από τους χρόνους και γ αυτό μου έβγαιναν τυχαία. Εξακρίβωσα τα αποτελέσματα μ αυτά π μ είπες, όλα κομπλέ ;)

Παιδια καλησπερα .. για τα ερωτηματα που θελει σχολιασμο ανεφερε τπτ μεσα στο μαθημα η απλα γραφουμε οτι βλεπουμε??

Χρόνια πολλά!
Ξέρουμε αν η εργασία μπορεί να γίνει π.χ. το καλοκαίρι και να ισχύσει για την εξεταστική του Σεπτέμβρη;