[ΨΕΣ] Εργασία 2012/2013

[Thmmy.gr portal]

  Thmmy.gr portal
   Forum
   Downloads
   Ενεργ. Λογαριασμού
   Επικοινωνία
  
  Χρήσιμα links
   Σελίδα τμήματος
   Βιβλιοθήκη Τμήματος
   Elearning
   Φοιτητικά fora
   Πρόγραμμα Λέσχης
   Πρακτική Άσκηση
   Ηλεκτρονική Εξυπηρέτηση Φοιτητών
   Διανομή Συγγραμμάτων
   Ψηφιακό Καταθετήριο Διπλωματικών
   Πληροφορίες Καθηγητών
   Instagram @thmmy.gr
   mTHMMY
  
  Φοιτητικές Ομάδες
   ACM
   Aristurtle
   ART
   ASAT
   BEAM
   BEST Thessaloniki
   EESTEC LC Thessaloniki
   EΜΒ Auth
   IAESTE Thessaloniki
   IEEE φοιτητικό παράρτημα ΑΠΘ
   SpaceDot
   VROOM
   Panther
  

THMMY.gr Web

Helios_MultiScribbles2SMF Default ThemeSMFone_Blue

[Ανεβάζετε τα θέματα των εξετάσεων στον τομέα Downloads]

Είσαι πρωτοετής;... Καλώς ήρθες! Μπορείς να βρεις πληροφορίες εδώ. Βοήθεια για τους καινούργιους μέσω χάρτη.

Κατεβάστε εδώ το Android Application για εύκολη πρόσβαση στο forum.

Ανεβάζετε τα θέματα των εξετάσεων στον τομέα Downloads με προσοχή στα ονόματα των αρχείων!

[Admins]

Για αλλαγή του public name σας, επικοινωνήστε με έναν από τους Admins.

[edenaxas]

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?

[Salvation]

Εγώ το ΕΟG το βγάζω έτσι

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

[edenaxas]

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

[Selportion]

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;

[lynx]

Εγώ το ΕΟG το βγάζω έτσι

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

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?)

[edenaxas]

Y = FILTER(B,A,X) filters the data in vector X with the
    filter described by vectors A and B to create the filtered
    data Y.  The filter is a "Direct Form II Transposed"
    implementation of the standard difference equation:
 
    a(1)*y(n) = b(1)*x(n) + b(2)*x(n-1) + ... + b(nb+1)*x(n-nb)
                          - a(2)*y(n-1) - ... - a(na+1)*y(n-na)

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:

filter(1, [1 a], inputSequence)

?

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

[ripper_george]

Y = FILTER(B,A,X) filters the data in vector X with the
    filter described by vectors A and B to create the filtered
    data Y.  The filter is a "Direct Form II Transposed"
    implementation of the standard difference equation:
 
    a(1)*y(n) = b(1)*x(n) + b(2)*x(n-1) + ... + b(nb+1)*x(n-nb)
                          - a(2)*y(n-1) - ... - a(na+1)*y(n-na)

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:

filter(1, [1 a], inputSequence)

?

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 ?

[edenaxas]

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

[beefheart]

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)

[beefheart]

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

[ripper_george]

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

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?

[edenaxas]

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

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

μετα κανεις

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

[ripper_george]

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

>> 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?

[edenaxas]

Δες τον αλγοριθμο Yule Walker

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

[ripper_george]

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