[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!

[Δείτε περισσότερα εδώ...]

Συμβουλές καλής χρήσης του φόρουμ: Youtube embed code and links, Shoutbox, Notify, ...

Δείτε περισσότερα εδώ...

[edenaxas]

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

[ripper_george]

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

[ripper_george]

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?

[jimmakos]

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)

[menas]

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 ιδέα τι παίζει?

Καλη παρατηρηση, λογικα δν επηρεαζεται η μεθοδος.

[Silvo the Beautiful]

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

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????

[PreDa]

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)

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.

[Selportion]

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????

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.

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)

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.

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.

[PreDa]

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??

[Selportion]

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.

[PreDa]

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)?

[jimmakos]

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

[MariosPro]

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

[edenaxas]

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

[beefheart]

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?