Brain-wiki - Wkład użytkownika [pl]

Pracownia Sygnałów Biologicznych/Zajecia 7

2019-02-21T12:29:27Z

Anna.chabuda: /* Ćwiczenie IV */

<b>Pomiar Elektrookulogramu</b>
==Wstęp==
Kolejnym narządem, w którym znajdują się generatory czynności bioelektrycznej jest oko. W narządzie tym zachodzą skomplikowane procesy biochemiczne i elektryczne, umożliwiające widzenie. Procesy te zostaną omówione na oddzielnym wykładzie, w tym miejscu zaś wymienimy tylko te zjawiska, które mają wpływ na powstawanie w oku czynności elektrycznej.
# Jednym z najważniejszych części oka jest ''siatkówka'', której zadaniem jest odbieranie bodźców świetlnych oraz zamiana ich na sygnały elektryczne, przekazywane dalej do kory wzrokowej. W siatkówce płynie nieustannie prąd, którego natężenie zmienia się wraz z intensywnością padającego na nią światła. Związane z tym sygnały bioelektryczne można rejestrować za pomocą elektrod umieszczonych na powierzchni oka lub nawet za pomocą elektrod umieszczonych na powierzchni skóry wokół oka. Tak zarejestrowany sygnał elektryczny, powstały w oku w trakcie widzenia, nazywamy ''Elektroretinogramem'' (ERG). Sygnał ten ma amplitudę od kilku nanowoltów do kilku μV i jest wykorzystywany w diagnostyce wielu chorób siatkówki.
# Rogówka (zewnętrzna warstwa oka znajdująca się w jego przedniej części) jest naładowana dodatnio względem siatkówki umiejscowionej po przeciwnej stronie oka. Rogówka wraz z siatkówką tworzą zatem w przybliżeniu układ dipola elektrycznego. W momencie ruchu okiem, dipol ten zmienia orientację w przestrzeni, zaburzając rozkład natężenia pola elektrycznego. Związany z tym sygnał o amplitudzie kilku miliwoltów można zmierzyć za pomocą elektrod umieszczonych na skórze wokół oka. Widoczny jest ona także na elektrodach umieszczonych na powierzchni głowy w trakcie pomiary czynności elektrycznej mózgu. Sygnał ten, czyli elektryczny zapis ruchu gałek ocznych, nazywamy Elektrookulogramem (EOG). Czynność elektryczną związaną z ruchem gałek ocznych obserwuje się również w trakcie mrugania, kiedy to gałki oczne skręcają nieco ku górze (tzw. zjawiska Bella), a także w trakcie badań diagnostycznych zaburzeń snu (w różnych etapach snu występują wolne lub szybkie ruchy gałek ocznych).
Sygnał EOG można też wykorzystać do konstrukcji interfejsów [[http://dl.acm.org/citation.cfm?id=1740647]].
# Ruch oka sterowany jest za pomocą mięśni. W trakcie rejestracji Elektrookulogramu widoczne będą również wyładowania elektryczne związane z działaniem mięśni.
===Ćwiczenie I ===
Wykonaj pomiar Elektrokulogramu za pomocą dwóch par elektrod połączonych w montażu dwubiegunowym.

* Jedną parę elektrod umieść poniżej i powyżej oka, drugą w pobliżu lewej i prawej skroni.
* Skonfiguruj program do rejestracji i przeglądania mierzonego sygnału w czasie rzeczywistym.
* Wykonaj ruch oczami w górę i opisz zarejestrowany sygnał.
* Wykonaj ruch oczami w dół i opisz zarejestrowany sygnał.
* Wykonaj mrugnięcie i opisz zarejestrowany sygnał.
* Przeczytaj fragment tekstu, zaobserwuj efekty związane z ruchem sakadowym oka.
Zarejestruj sygnały w wyżej wymienionych sytuacjach. Wyświetl te sygnały w programie napisanym samodzielnie, bez stosowania filtra grórnoprzepustowego.

===Ćwiczenie II ===
Powtórz ćwiczenie I, łącząc elektrody z monopolarnymi wejściami wzmacniacza, elektrodę odniesienia umieść na lewym płatku uszu lub wyrostku sutkowatym.

===Ćwiczenie III===
Napisz program wyświetlający na macierzy 5x5 następujące sekwencje:
* kwadrat środkowy - kwadrat górny - kwadrat środkowy
* kwadrat środkowy - kwadrat prawy - kwadrat środkowy
* kwadrat środkowy - kwadrat dolny - kwadrat środkowy
* kwadrat środkowy - kwadrat lewy - kwadrat środkowy
Zapisuj do pliku tekstowego czasy i kody poszczególnych sekwencji.

Wyświetl te sygnały w programie napisanym samodzielnie, bez stosowania filtra grórnoprzepustowego.

Zaprojektuj detektor, wykrywający, która sekwencja została wykonana.

===Ćwiczenie IV ===
Zrealizuj prosty system do rejestracji ruchu gałki ocznej, tzw. Eye tracker. (http://laboratorium-eeg.braintech.pl/rozdz11.html)

w tym celu:
==== Napisz moduł:====
* Korzystając detektora sekwencji napisanego w ramach ćwiczenia III napisz moduł wykrywający sekwencje w czasie rzeczywistym. Niech Twój moduł wypisuje wynik detekcji na konsolę. '''Opis korzystania i pisania modułów do systemu OBCI znajduje się''' [[http://bci.fuw.edu.pl/wiki/Tutorials tutaj]]. W dużym skrócie to co należy zrobić to:

* W katalogu domowym utwórz podkatalog:
~/obci/scenarios
* w katalogu tym umieść plik:
eog.ini
powinien on zawierać następującą treść:
<source lang = 'text'>
[peers]
scenario_dir=
;***********************************************
[peers.mx]
path=multiplexer-install/bin/mxcontrol

;***********************************************
[peers.config_server]
path=control/peer/config_server.py

;***********************************************
;***********************************************
[peers.amplifier]
path = drivers/eeg/cpp_amplifiers/amplifier_tmsi.py
;ponizsza sciezka pokazuje na plik zaierajacy nasze ustawienia parametrow wzmacniacza
config=~/obci/scenarios/eog_local_params.ini

[peers.analysis]
path=~/obci/analysis/eog_realtime.py
config=~/obci/analysis/eog_realtime.ini
</source>
* W powyższym pliku zadeklarowaliśmy, że lokalne parametry dla wzmacniacza znajduję się w pliku:
~/obci/scenarios/eog_local_params.ini
zatem musimy ten plik wytworzyć i wypełnić go np. taką treścią:
<source lang = "text">
[local_params]
channel_names=gora;dol;lewa;prawa
active_channels=0;1;2;3
sampling_rate=256
</source>
* W pliku ze scenariuszem zadeklarowaliśmy też, że nasz moduł analizy danych znajduje się w pliku:
~/obci/analysis/eog_realtime.py
tak więc musimy ten plik stworzyć i tam właśnie wpisać algorytm detekcji. Dla zachowania konwencji w tym samym katalogu powinien znajdować się plik na ewentualne parametry dla modułu eog_realtime.py. Musi on się nazywać tak samo, tyle, że ma rozszerzenie .ini. Musimy więc wytworzyć pusty plik:
~/obci/analysis/eog_realtime.ini
Ponieważ nasz algorytm musi on się komunikować z resztą systemu obci trzeba go opakować w poniższy kod-szkielet:

<source lang = 'python'>
#!/usr/bin/env python
# -*- coding: utf-8 -*-
import random, time, numpy

from multiplexer.multiplexer_constants import peers, types
from obci.control.peer.configured_multiplexer_server import ConfiguredMultiplexerServer
from obci.configs import settings, variables_pb2
from collections import deque

import obci.utils.openbci_logging as logger

#LOGGER = logger.get_logger("sample_analysis", "info")
LOGGER = logger.get_logger("sample_analysis", "debug")

class SampleAnalysis(ConfiguredMultiplexerServer):
"""A class responsible for handling signal message and making proper decision.
The class inherits from generic class for convinience - all technical stuff
is being done in this super-class"""
def __init__(self, addresses):
"""Initialization - super() and ready() calls are required..."""
super(SampleAnalysis, self).__init__(addresses=addresses,
type=peers.ANALYSIS)
self.ready()
LOGGER.info("Sample analysis init finished!")

def handle_message(self, mxmsg):
"""The only required function in the class
that will be fired every time message is received"""
if mxmsg.type == types.AMPLIFIER_SIGNAL_MESSAGE:
# Got proper message, let`s unpack it ...

# Messages are transmitted in bunches so lets define SampleVector
# in order to unpack bunch of Sample messages ...
l_vect = variables_pb2.SampleVector()
l_vect.ParseFromString(mxmsg.message)

# Now we have message unpacked, lets iterate over every sample ...
for s in l_vect.samples:

# Every sample has two fields:
# timestamp - system clock time of a moment of Sample`s creation
# channels - a list of values - one for every channel
LOGGER.debug("Got sample with timestamp: "+str(s.timestamp))

# One can copy samples to numpy array ...

a = numpy.array(s.channels) # w tym miejscu mamy w tablicy a "paczke" próbek (domyślnie 4próbki ) ze wszystkich zadeklarowanych kanalow
#################### TU TRZEBA WPISAC SWOJ KOD BUFOROWANIA i ANALIZY ##############
print a #na dobry poczatek wypiszmy probki

####################################################################

# Or just iterate over values ...
for ch in s.channels:
LOGGER.debug(ch)

# Having a new bunch of values one can fire some magic analysis and
# generate decision ....

# Below we have quite simple decision-maker - it generates a random
# decision every ~100 samples-bunch
########## TU NA PODSTAWIE ANALLIZY PODEJMUJEMY DECYZJE I MOZEMY JA PRZEKAZAC DO RESZTY SYSTEMU OBCI ######################
########## W TYM PRZYKLADZIE JEST TO LOSOWA DECYZJA ##############
########## W TYM CWICZENIU WYSTARCZY JESLI WYPISZECIE DECYZJE NA EKRAN ###########
if random.random() > 0.99:
# Here we send DECISION message somewhere-to-the-system ...
# It's up to scenario's configuration how the decision will be used ...
# Eg. it might be used by LOGIC module to push some button in speller.
self.conn.send_message(message = str(random.randint(0,7)),
type = types.DECISION_MESSAGE,
flush=True)
else:
LOGGER.warning("Got unrecognised message type: "+str(mxmsg.type))

# Tell the system 'I`ll not respond to this message, I`m just receiving'
self.no_response()

if __name__ == "__main__":
# Initialize and run an object in order to have your analysis up and running
SampleAnalysis(settings.MULTIPLEXER_ADDRESSES).loop()

</source>

* Aby uruchomić nasz scenariusz trzeba wywołać:
obci launch ~/obci/scenarios/eog.ini
* Zatrzymanie scenariusza robimy tak:
obci kill eog
W tym momencie komunikaty ze wszystkich modułów wypisywane są na jednej konsoli. Przydatne jest korzystanie z obiektu 'LOGGER' zamiast funkcji 'print' - w konsoli mamy informację o źródle komunikatu i jego czasie.

OpenBCI działa tak, że jeśli w jednym module pojawi się błąd, to wszystkie inne moduły są zamykane, stąd komunikat podobny do poniższego sugeruje, że w którymś module wystąpił błąd. W takim wypadku należy przejrzeć konsolę i wyszukać komunikat błędu. Niezbędne jest ustawienie bufora konsoli na 'nieograniczony' wykonując: Edycja->Preferencje profilu->Przewijanie->Nieograniczone .

====Przetestuj moduł ====
* Umieść elektrody do rejestracji ruchu gałki ocznej jak w ćwiczeniu I i przetestuj działanie modułu. Miłej zabawy :-)

Nowe technologie w fizyce biomedycznej/Posturografia

2018-03-29T12:38:28Z

Anna.chabuda: /* Przygotowanie danych do analizy */

=Posturograf =

Zajęcia warsztatowe składające się z wprowadzającego w tematykę zajęć wykładu i indywidualnych ćwiczeń wykonywanych przez studentów. Studenci w czasie zajęć przeprowadzają standardowe pomiary posturograficzne, a następnie analizują zebrane dane.

==Plan zajęć==

Zajęcia 1:
*Wstęp teoretyczny:
**Wii Balance Board (budowa, główne biblioteki obsługujące sensor, zastosowania)
**Projesjonalne systemy do rejestracji siły nacisku
**Równowaga a stabilność posturalna
**Podstawowe zadania posturograficzne
**Opis wybranych wskaźników do zadań posturograficznych
*Wprowadzenie do pomiarów przeprowadzanych na zajęciach (zapoznanie się z wybranymi scenariuszami oraz modułami do analizy)
*Zapoznanie się z działaniem Wii Balance Board
*Przeprowadzenie pomiarów

[[Media: WiiBoard.pdf]] Informacje wstępne oraz opis zadań

[[Media: WiiBoardENG.pdf]] Introduction and task description in English


Zajęcia 2,3,4:
*Analiza zebranych danych
*Prezentacja wyników

==Pomiary==
Pomiary przeprowadzane są w środowisku OpenBCI przy użyciu aplikacji Brain4edu (na Ubuntu 16.04). Opis architektury systemu OpenBCI oraz podręcznik użytkownika Brain4edu dostępne są na stronie http://laboratorium-eeg.braintech.pl/. Z samego OpenBCI można również korzystać na systemie Windows -> instrukcja [[Media: obci_Windows.pdf]].

Zaczynamy od uruchomienia aplikacji Brain. W prawym górnym rogu ekranu pojawi się ikona mózgu będąca interfejsem graficznym aplikacji. Do pomiarów posturograficznych wybieramy opcję 'Wii App', która otworzy okno z wyborem scenariuszy.

[[Plik:brain4edu.png|300px|thumb|left|<figure id="fig:wbb"></figure>Interfejs graficzny aplikacji Brain4edu]]
[[Plik:wiiApp.png|300px|thumb|right|<figure id="fig:wbb"></figure>Okno wyboru scenariuszy eksperymentalnych aplikacji WiiApp]]



Podczas zajęć przeprowadzone zostaną następujące pomiary:
*stanie swobodne z oczami otwartymi/zamkniętymi,
*wychylenia szybkie i "z przytrzymaniem" bez informacji zwrotnej dla badanego (w przód, w tył, w prawo, w lewo),
*wychylenia szybkie i "z przytrzymaniem" z informacją zwrotną dla badanego (w przód, w tył, w prawo, w lewo).

W wyniku każdego pomiaru otrzymujemy komplet trzech plików (domyślna lokalizacja to Katalog Domowy):
* Plik z sygnałem (.raw) zapisanym w formacie binarnym. W pliku znajdują się próbki z pięciu kanałów – wartości z czterech czujników WBB oraz momenty w czasie (w sekundach) mierzone względem pojawienia się pierwszej próbki.
* Plik z metadanymi (.xml), w którym znajdują się szczegółowe informacje dotyczące rejestracji (nazwy kanałów, częstość próbkowania, całkowita liczba próbek itp.).
* Plik ze znacznikami (.tag), w którym zapisywane są momenty kolejnych zdarzeń (np. początek i koniec wykonywania zadania) zsynchronizowane z sygnałem. Każdy znacznik posiada charakterystyczną nazwę, moment wystąpienia w sygnale, długość oraz ewentualnie opis.


==Analiza danych==

===Przygotowanie danych do analizy===
Pierwszym etapem analizy jest wczytanie danych. Korzystamy tutaj z funkcji klasy ReadManager. Otrzymany obiekt posiadaja metodę 'get_samples', która zwraca macierz 5-kanałową. Pierwszy kanał to próbki czasu wyrażone w [s] natomiast pozostałe kanały to dane z kolejnych sensorów TR, BR, TL, BL (górny prawy-TR, dolny prawy-BR, górny lewy-TL, dolny lewy-BL).

<source lang="Python">
#!/usr/bin/env python3
# -*- coding: utf-8 -*-

from obci.signal_processing import read_manager
from obci.signal_processing.balance.wii_preprocessing import *
from obci.signal_processing.balance.wii_analysis import *

file_name = 'still_eyes_closed_eyes_open'
wbr = read_manager.ReadManager(file_name+'.obci.xml', file_name+'.obci.raw', file_name + '.obci.tag')
TIME = wbr.get_samples()[0,:]
TR = wbr.get_samples()[1,:]
BR = wbr.get_samples()[2,:]
TL = wbr.get_samples()[3,:]
BL = wbr.get_samples()[4,:]

</source>

Jednak w przypadku niektórych zadań należy jeszcze przed pobraniem próbek, odpowiednio wyciąć interesujące nas dane względem znaczników. Czynność tę wykonuje funkcja 'wii_cut_fragments' przyjmująca obiekt klasy ReadManager i znaczniki początkowe i końcowe, a zwracająca listę obiektów 'smart_tags'. Liczba tych obiektów odpowiada liczbie zdarzeń z danym znacznikiem (dla stania swobodnego lista będzie miała tylko jeden element, natomiast dla wielokrotnych wychyleń będzie ich kilka). Każdy element na tej liście, również posiada metodę 'get_samples'.

<source lang="Python">
#!/usr/bin/env python3
# -*- coding: utf-8 -*-

from obci.signal_processing import read_manager
from obci.signal_processing.balance.wii_preprocessing import *
from obci.signal_processing.balance.wii_analysis import *

file_name = 'still_eyes_closed_eyes_open'
wbr = read_manager.ReadManager(file_name+'.obci.xml', file_name+'.obci.raw', file_name + '.obci.tag')
smart_tags = wii_cut_fragments(wbr, start_tag_name='ss_start', end_tags_names=['ss_stop'])
TR = smart_tags[0].get_samples()[1,:]
BR = smart_tags[0].get_samples()[2,:]
TL = smart_tags[0].get_samples()[3,:]
BL = smart_tags[0].get_samples()[4,:]

</source>

Na podstawie danch z czterech czujników można wyznaczyć wartości wychyleń w kierunkach x i y (<xr id="fig:wbb">rys. %i</xr>).:

<div style="text-align: center;">
<math>x=\frac{(TR+BR)-(TL+BL)}{TR+TL+BL+BR}</math>

<math>y=\frac{(TR+TL)-(BR+BL)}{TR+TL+BL+BR}</math>
</div>

Należy pamiętać, że dane z czujników pochodzą z układu odniesienia deski Wii Board - zatem uzyskane wartości x i y mieszczą się w zakresie od -1 do 1. Aby uzyskać dane w cm trzeba przemnożyć współrzędne x i y przez odpowiednie czynniki:
[[Plik:wbb_axes.png|600px|thumb|center|<figure id="fig:wbb"></figure>Wii Balance Board z oznaczonymi płaszczyznami ML i AP. TR, TL, BR, BL ozanczają pozycje czterech czujników.]]

Znaczniki 'start_tag_name' oraz 'end_tags_names' dla poszczególnych pomiarów:

* stanie swobodne oczy otwarte: 'ss_start', 'ss_stop'
* stanie swobodne oczy zamknięte: 'ss_eyes_closed_start', 'ss_eyes_closed_stop'

* wychylenia szybkie bez informacji zwrotnej: 'start_fast', 'stop_fast'
* wychylenia "z przytrzymaniem" bez informacji zwrotnej: 'start', 'stop'

* stanie swobodne jako kalibracja do zadań z informacją zwrotną: 'baseline_start', 'baseline_stop'
* wychylenia szybkie z informacją zwrotną: nie ma znaczników - ciągły zapis danych
* wychylenia "z przytrzymaniem" z informacją zwrotną: 'start_1', 'finish'

Dla przypadku wychyleń "z przytrzymaniem" obiekty w liście zwróconej przez funkcję 'wii_cut_fragments' odpowiadają kolejnym realizacjom zadania. Mają one jednak nieco inną strukturę. Oprócz metody 'get_samples()', za pomocą której tak jak poprzednio wczytamy dane z 4 czujników, posiadają również metody:
*'get_end_tag()' - zwraca strukturę, która w polu ['desc']['value'] przechowuje informację o tym czy zadanie zostało wykonane poprawnie (0-niepoprawnie, 1-poprawnie)
*'get_start_tag()' - zwraca strukturę, która w polu ['desc']['value'] przechowuje informację o kierunku wychylenia (pole 'direction', wartości: 'up','down','left','right') oraz o poziomie trudności zadania (pole 'level'). Aby wydobyć informację o kierunku wychylenia (analogicznie dla poziomiu trudności) można skorzystać z funkcji:
<source lang="Python">
eval(smart_tags[index].get_start_tag()['desc']['value'])['direction']
</source>

Informacje o poziomie trudności, poprawności wykonania zadania oraz kierunku będą potrzebne do podjęcia decyzji, które próby wykonania zadania będą brane do dalszej analizy. Interesują nas jedynie te poprawne o najwyższym poziomie trudności w każdym z kierunków.




===Analiza danych: stanie swobodne===

W przypadku stania swobodnego z oczami zamkniętymi oraz otwartymi, studenci mają za zadanie wyznaczyć następujące wskaźniki posturograficzne:

*położenie środka równowagi COP (''center of pressure'')
*maksymalne przemieszczenie względem położenia środka równowagi (w AP,ML oraz płaszczyźnie AP/ML),
*długość drogi względem położenia środka równowagi (w AP,ML oraz płaszczyźnie AP/ML),
*średnia prędkość przemieszczenia (w AP,ML oraz płaszczyźnie AP/ML),
*wskaźnik Romberga - stosunek różnicy długości drogi przy oczach zamkniętych i otwartych, do sumy długości drogi przy oczach zamkniętych i otwartych

Dokładny opis matematyczny wyżej wymienionych wskaźników znajduje się w pracy (Prieto, 1996).

Należy również przedstawić na wykresie przebieg ruchu COP oddzielnie w płaszczyźnie AP, ML oraz w przestrzeni AP/ML.

Dodatkowo studenci mają za zadanie przeprowadzić analizę rozkładu przestrzennego punktów statokinezjogramu. Statokinezjogramem lub posturogramem nazywamy wędrówkę COP w dwuwymiarowej płaszczyźnie podparcia. Kierunki na tej płaszczyźnie określa się jako AP (y) lub ML (x), przy czym ML oznacza wychylenia w płaszczyźnie czołowej (''medio-lateral''), a AP w płaszczyźnie strzałkowej (''anterio-posterior''). W celu przeprowadzenie takiej analizy, cały zakres zostaje podzielony na jednakowe komórki. Następnie obliczony zostaje histogram przestrzenny czasu przebywania w każdej z nich. Taki histogram pozwala ocenić, czy kontrola położenia referencyjnego COG (''center of gravity''), a tym samym pionowa orientacja ciała, jest prawidłowa. Wyznacznikiem prawidłowej kontroli jest histogram o skupionym rozkładzie i z wyraźnym maksimum. Upośledzenie kontroli objawia się tym, że histogram przestrzenny staje się rozmyty lub wyraźnie niesymetryczny (Błaszczyk, 2004).

===Analiza danych: wychylenia dynamiczne===

Oprócz wskaźników statycznych stabilności do oceny kontroli posturalnej wykorzystuje się również miary dynamiczne. Z punktu widzenia miar bezpośrednich, istotna jest ocena kontroli środka ciężkości ciała w czasie jego świadomego przemieszczania w wyznaczonym kierunku. W ramach pomiarów, studenci mieli za zadanie wykonać dwa rodzaje wychyleń (szybkie i "z przytrzymaniem") w dwóch warunkach: bez informacji zwrotnej dla badanego oraz z informacją zwrotną dla badanego. Dla każdego z przypadków należy wyznaczyć następujące parametry:

*położenie środka równowagi (dla warunku bez informacji zwrotnej będzie to COP ze stania swobodnego z oczami otwartymi, natomiast dla warunku z informacją zwrotną będzie to COP z sesji kalibracyjnej)
*wartość maksymalnego wychylenia (w określonym kierunku) względem położenia równowagi,
*wykresy składowych wychwiań względem położenia równowagi w płaszczyźnie AP, ML w zależności od czasu oraz wypadkowa trajektoria przemieszczeń COP (w dwuwymiarowej płaszczyźnie AP, ML).

i zbadać czy informacja zwrotna wpływa na rezultaty badanego.

Literatura:
*Błaszczyk J., Biomechanika kliniczna, PZWL, 2004
*Prieto T.E. et al., Measures of postural steadiness: differences between healthy young and elderly adults, IEEE Trans Biomed Eng, 1996, 43(9):956-66

Nowe technologie w fizyce biomedycznej/Posturografia

2018-03-29T12:37:11Z

Anna.chabuda: /* Przygotowanie danych do analizy */

=Posturograf =

Zajęcia warsztatowe składające się z wprowadzającego w tematykę zajęć wykładu i indywidualnych ćwiczeń wykonywanych przez studentów. Studenci w czasie zajęć przeprowadzają standardowe pomiary posturograficzne, a następnie analizują zebrane dane.

==Plan zajęć==

Zajęcia 1:
*Wstęp teoretyczny:
**Wii Balance Board (budowa, główne biblioteki obsługujące sensor, zastosowania)
**Projesjonalne systemy do rejestracji siły nacisku
**Równowaga a stabilność posturalna
**Podstawowe zadania posturograficzne
**Opis wybranych wskaźników do zadań posturograficznych
*Wprowadzenie do pomiarów przeprowadzanych na zajęciach (zapoznanie się z wybranymi scenariuszami oraz modułami do analizy)
*Zapoznanie się z działaniem Wii Balance Board
*Przeprowadzenie pomiarów

[[Media: WiiBoard.pdf]] Informacje wstępne oraz opis zadań

[[Media: WiiBoardENG.pdf]] Introduction and task description in English


Zajęcia 2,3,4:
*Analiza zebranych danych
*Prezentacja wyników

==Pomiary==
Pomiary przeprowadzane są w środowisku OpenBCI przy użyciu aplikacji Brain4edu (na Ubuntu 16.04). Opis architektury systemu OpenBCI oraz podręcznik użytkownika Brain4edu dostępne są na stronie http://laboratorium-eeg.braintech.pl/. Z samego OpenBCI można również korzystać na systemie Windows -> instrukcja [[Media: obci_Windows.pdf]].

Zaczynamy od uruchomienia aplikacji Brain. W prawym górnym rogu ekranu pojawi się ikona mózgu będąca interfejsem graficznym aplikacji. Do pomiarów posturograficznych wybieramy opcję 'Wii App', która otworzy okno z wyborem scenariuszy.

[[Plik:brain4edu.png|300px|thumb|left|<figure id="fig:wbb"></figure>Interfejs graficzny aplikacji Brain4edu]]
[[Plik:wiiApp.png|300px|thumb|right|<figure id="fig:wbb"></figure>Okno wyboru scenariuszy eksperymentalnych aplikacji WiiApp]]



Podczas zajęć przeprowadzone zostaną następujące pomiary:
*stanie swobodne z oczami otwartymi/zamkniętymi,
*wychylenia szybkie i "z przytrzymaniem" bez informacji zwrotnej dla badanego (w przód, w tył, w prawo, w lewo),
*wychylenia szybkie i "z przytrzymaniem" z informacją zwrotną dla badanego (w przód, w tył, w prawo, w lewo).

W wyniku każdego pomiaru otrzymujemy komplet trzech plików (domyślna lokalizacja to Katalog Domowy):
* Plik z sygnałem (.raw) zapisanym w formacie binarnym. W pliku znajdują się próbki z pięciu kanałów – wartości z czterech czujników WBB oraz momenty w czasie (w sekundach) mierzone względem pojawienia się pierwszej próbki.
* Plik z metadanymi (.xml), w którym znajdują się szczegółowe informacje dotyczące rejestracji (nazwy kanałów, częstość próbkowania, całkowita liczba próbek itp.).
* Plik ze znacznikami (.tag), w którym zapisywane są momenty kolejnych zdarzeń (np. początek i koniec wykonywania zadania) zsynchronizowane z sygnałem. Każdy znacznik posiada charakterystyczną nazwę, moment wystąpienia w sygnale, długość oraz ewentualnie opis.


==Analiza danych==

===Przygotowanie danych do analizy===
Pierwszym etapem analizy jest wczytanie danych. Korzystamy tutaj z funkcji klasy ReadManager. Otrzymany obiekt posiadaja metodę 'get_samples', która zwraca macierz 5-kanałową. Pierwszy kanał to próbki czasu wyrażone w [s] natomiast pozostałe kanały to dane z kolejnych sensorów TR, BR, TL, BL (górny prawy-TR, dolny prawy-BR, górny lewy-TL, dolny lewy-BL).

<source lang="Python">
#!/usr/bin/env python3
# -*- coding: utf-8 -*-

from obci.signal_processing import read_manager
from obci.signal_processing.balance.wii_preprocessing import *
from obci.signal_processing.balance.wii_analysis import *

file_name = 'still_eyes_closed_eyes_open'
wbr = read_manager.ReadManager(file_name+'.obci.xml', file_name+'.obci.raw', file_name + '.obci.tag')
TIME = wbr.get_samples()[0,:]
TR = wbr.get_samples()[1,:]
BR = wbr.get_samples()[2,:]
TL = wbr.get_samples()[3,:]
BL = wbr.get_samples()[4,:]

</source>

Jednak w przypadku niektórych zadań należy jeszcze przed pobraniem próbek, odpowiednio wyciąć interesujące nas dane względem znaczników. Czynność tę wykonuje funkcja 'wii_cut_fragments' przyjmująca obiekt klasy ReadManager i znaczniki początkowe i końcowe, a zwracająca listę obiektów 'smart_tags'. Liczba tych obiektów odpowiada liczbie zdarzeń z danym znacznikiem (dla stania swobodnego lista będzie miała tylko jeden element, natomiast dla wielokrotnych wychyleń będzie ich kilka). Każdy element na tej liście, również posiada metodę 'get_samples'.

<source lang="Python">
#!/usr/bin/env python3
# -*- coding: utf-8 -*-

from obci.signal_processing import read_manager
from obci.signal_processing.balance.wii_preprocessing import *
from obci.signal_processing.balance.wii_analysis import *

file_name = 'still_eyes_closed_eyes_open'
wbr = read_manager.ReadManager(file_name+'.obci.xml', file_name+'.obci.raw', file_name + '.obci.tag')
smart_tags = wii_cut_fragments(wbr, start_tag_name='ss_start', end_tags_names=['ss_stop'])
TL = smart_tags[0].get_samples()[3,:]
TR = smart_tags[0].get_samples()[1,:]
BR = smart_tags[0].get_samples()[2,:]
BL = smart_tags[0].get_samples()[4,:]

</source>

Na podstawie danch z czterech czujników można wyznaczyć wartości wychyleń w kierunkach x i y (<xr id="fig:wbb">rys. %i</xr>).:

<div style="text-align: center;">
<math>x=\frac{(TR+BR)-(TL+BL)}{TR+TL+BL+BR}</math>

<math>y=\frac{(TR+TL)-(BR+BL)}{TR+TL+BL+BR}</math>
</div>

Należy pamiętać, że dane z czujników pochodzą z układu odniesienia deski Wii Board - zatem uzyskane wartości x i y mieszczą się w zakresie od -1 do 1. Aby uzyskać dane w cm trzeba przemnożyć współrzędne x i y przez odpowiednie czynniki:
[[Plik:wbb_axes.png|600px|thumb|center|<figure id="fig:wbb"></figure>Wii Balance Board z oznaczonymi płaszczyznami ML i AP. TR, TL, BR, BL ozanczają pozycje czterech czujników.]]

Znaczniki 'start_tag_name' oraz 'end_tags_names' dla poszczególnych pomiarów:

* stanie swobodne oczy otwarte: 'ss_start', 'ss_stop'
* stanie swobodne oczy zamknięte: 'ss_eyes_closed_start', 'ss_eyes_closed_stop'

* wychylenia szybkie bez informacji zwrotnej: 'start_fast', 'stop_fast'
* wychylenia "z przytrzymaniem" bez informacji zwrotnej: 'start', 'stop'

* stanie swobodne jako kalibracja do zadań z informacją zwrotną: 'baseline_start', 'baseline_stop'
* wychylenia szybkie z informacją zwrotną: nie ma znaczników - ciągły zapis danych
* wychylenia "z przytrzymaniem" z informacją zwrotną: 'start_1', 'finish'

Dla przypadku wychyleń "z przytrzymaniem" obiekty w liście zwróconej przez funkcję 'wii_cut_fragments' odpowiadają kolejnym realizacjom zadania. Mają one jednak nieco inną strukturę. Oprócz metody 'get_samples()', za pomocą której tak jak poprzednio wczytamy dane z 4 czujników, posiadają również metody:
*'get_end_tag()' - zwraca strukturę, która w polu ['desc']['value'] przechowuje informację o tym czy zadanie zostało wykonane poprawnie (0-niepoprawnie, 1-poprawnie)
*'get_start_tag()' - zwraca strukturę, która w polu ['desc']['value'] przechowuje informację o kierunku wychylenia (pole 'direction', wartości: 'up','down','left','right') oraz o poziomie trudności zadania (pole 'level'). Aby wydobyć informację o kierunku wychylenia (analogicznie dla poziomiu trudności) można skorzystać z funkcji:
<source lang="Python">
eval(smart_tags[index].get_start_tag()['desc']['value'])['direction']
</source>

Informacje o poziomie trudności, poprawności wykonania zadania oraz kierunku będą potrzebne do podjęcia decyzji, które próby wykonania zadania będą brane do dalszej analizy. Interesują nas jedynie te poprawne o najwyższym poziomie trudności w każdym z kierunków.




===Analiza danych: stanie swobodne===

W przypadku stania swobodnego z oczami zamkniętymi oraz otwartymi, studenci mają za zadanie wyznaczyć następujące wskaźniki posturograficzne:

*położenie środka równowagi COP (''center of pressure'')
*maksymalne przemieszczenie względem położenia środka równowagi (w AP,ML oraz płaszczyźnie AP/ML),
*długość drogi względem położenia środka równowagi (w AP,ML oraz płaszczyźnie AP/ML),
*średnia prędkość przemieszczenia (w AP,ML oraz płaszczyźnie AP/ML),
*wskaźnik Romberga - stosunek różnicy długości drogi przy oczach zamkniętych i otwartych, do sumy długości drogi przy oczach zamkniętych i otwartych

Dokładny opis matematyczny wyżej wymienionych wskaźników znajduje się w pracy (Prieto, 1996).

Należy również przedstawić na wykresie przebieg ruchu COP oddzielnie w płaszczyźnie AP, ML oraz w przestrzeni AP/ML.

Dodatkowo studenci mają za zadanie przeprowadzić analizę rozkładu przestrzennego punktów statokinezjogramu. Statokinezjogramem lub posturogramem nazywamy wędrówkę COP w dwuwymiarowej płaszczyźnie podparcia. Kierunki na tej płaszczyźnie określa się jako AP (y) lub ML (x), przy czym ML oznacza wychylenia w płaszczyźnie czołowej (''medio-lateral''), a AP w płaszczyźnie strzałkowej (''anterio-posterior''). W celu przeprowadzenie takiej analizy, cały zakres zostaje podzielony na jednakowe komórki. Następnie obliczony zostaje histogram przestrzenny czasu przebywania w każdej z nich. Taki histogram pozwala ocenić, czy kontrola położenia referencyjnego COG (''center of gravity''), a tym samym pionowa orientacja ciała, jest prawidłowa. Wyznacznikiem prawidłowej kontroli jest histogram o skupionym rozkładzie i z wyraźnym maksimum. Upośledzenie kontroli objawia się tym, że histogram przestrzenny staje się rozmyty lub wyraźnie niesymetryczny (Błaszczyk, 2004).

===Analiza danych: wychylenia dynamiczne===

Oprócz wskaźników statycznych stabilności do oceny kontroli posturalnej wykorzystuje się również miary dynamiczne. Z punktu widzenia miar bezpośrednich, istotna jest ocena kontroli środka ciężkości ciała w czasie jego świadomego przemieszczania w wyznaczonym kierunku. W ramach pomiarów, studenci mieli za zadanie wykonać dwa rodzaje wychyleń (szybkie i "z przytrzymaniem") w dwóch warunkach: bez informacji zwrotnej dla badanego oraz z informacją zwrotną dla badanego. Dla każdego z przypadków należy wyznaczyć następujące parametry:

*położenie środka równowagi (dla warunku bez informacji zwrotnej będzie to COP ze stania swobodnego z oczami otwartymi, natomiast dla warunku z informacją zwrotną będzie to COP z sesji kalibracyjnej)
*wartość maksymalnego wychylenia (w określonym kierunku) względem położenia równowagi,
*wykresy składowych wychwiań względem położenia równowagi w płaszczyźnie AP, ML w zależności od czasu oraz wypadkowa trajektoria przemieszczeń COP (w dwuwymiarowej płaszczyźnie AP, ML).

i zbadać czy informacja zwrotna wpływa na rezultaty badanego.

Literatura:
*Błaszczyk J., Biomechanika kliniczna, PZWL, 2004
*Prieto T.E. et al., Measures of postural steadiness: differences between healthy young and elderly adults, IEEE Trans Biomed Eng, 1996, 43(9):956-66

Nowe technologie w fizyce biomedycznej/Posturografia

2018-03-29T12:35:42Z

Anna.chabuda: /* Przygotowanie danych do analizy */

=Posturograf =

Zajęcia warsztatowe składające się z wprowadzającego w tematykę zajęć wykładu i indywidualnych ćwiczeń wykonywanych przez studentów. Studenci w czasie zajęć przeprowadzają standardowe pomiary posturograficzne, a następnie analizują zebrane dane.

==Plan zajęć==

Zajęcia 1:
*Wstęp teoretyczny:
**Wii Balance Board (budowa, główne biblioteki obsługujące sensor, zastosowania)
**Projesjonalne systemy do rejestracji siły nacisku
**Równowaga a stabilność posturalna
**Podstawowe zadania posturograficzne
**Opis wybranych wskaźników do zadań posturograficznych
*Wprowadzenie do pomiarów przeprowadzanych na zajęciach (zapoznanie się z wybranymi scenariuszami oraz modułami do analizy)
*Zapoznanie się z działaniem Wii Balance Board
*Przeprowadzenie pomiarów

[[Media: WiiBoard.pdf]] Informacje wstępne oraz opis zadań

[[Media: WiiBoardENG.pdf]] Introduction and task description in English


Zajęcia 2,3,4:
*Analiza zebranych danych
*Prezentacja wyników

==Pomiary==
Pomiary przeprowadzane są w środowisku OpenBCI przy użyciu aplikacji Brain4edu (na Ubuntu 16.04). Opis architektury systemu OpenBCI oraz podręcznik użytkownika Brain4edu dostępne są na stronie http://laboratorium-eeg.braintech.pl/. Z samego OpenBCI można również korzystać na systemie Windows -> instrukcja [[Media: obci_Windows.pdf]].

Zaczynamy od uruchomienia aplikacji Brain. W prawym górnym rogu ekranu pojawi się ikona mózgu będąca interfejsem graficznym aplikacji. Do pomiarów posturograficznych wybieramy opcję 'Wii App', która otworzy okno z wyborem scenariuszy.

[[Plik:brain4edu.png|300px|thumb|left|<figure id="fig:wbb"></figure>Interfejs graficzny aplikacji Brain4edu]]
[[Plik:wiiApp.png|300px|thumb|right|<figure id="fig:wbb"></figure>Okno wyboru scenariuszy eksperymentalnych aplikacji WiiApp]]



Podczas zajęć przeprowadzone zostaną następujące pomiary:
*stanie swobodne z oczami otwartymi/zamkniętymi,
*wychylenia szybkie i "z przytrzymaniem" bez informacji zwrotnej dla badanego (w przód, w tył, w prawo, w lewo),
*wychylenia szybkie i "z przytrzymaniem" z informacją zwrotną dla badanego (w przód, w tył, w prawo, w lewo).

W wyniku każdego pomiaru otrzymujemy komplet trzech plików (domyślna lokalizacja to Katalog Domowy):
* Plik z sygnałem (.raw) zapisanym w formacie binarnym. W pliku znajdują się próbki z pięciu kanałów – wartości z czterech czujników WBB oraz momenty w czasie (w sekundach) mierzone względem pojawienia się pierwszej próbki.
* Plik z metadanymi (.xml), w którym znajdują się szczegółowe informacje dotyczące rejestracji (nazwy kanałów, częstość próbkowania, całkowita liczba próbek itp.).
* Plik ze znacznikami (.tag), w którym zapisywane są momenty kolejnych zdarzeń (np. początek i koniec wykonywania zadania) zsynchronizowane z sygnałem. Każdy znacznik posiada charakterystyczną nazwę, moment wystąpienia w sygnale, długość oraz ewentualnie opis.


==Analiza danych==

===Przygotowanie danych do analizy===
Pierwszym etapem analizy jest wczytanie danych. Korzystamy tutaj z funkcji klasy ReadManager. Otrzymany obiekt posiadaja metodę 'get_samples', która zwraca macierz 5-kanałową. Pierwszy kanał to próbki czasu wyrażone w [s] natomiast pozostałe kanały to dane z kolejnych sensorów TR, BR, TL, BL (górny prawy-TR, dolny prawy-BR, górny lewy-TL, dolny lewy-BL).

<source lang="Python">
#!/usr/bin/env python3
# -*- coding: utf-8 -*-

from obci.signal_processing import read_manager
from obci.signal_processing.balance.wii_preprocessing import *
from obci.signal_processing.balance.wii_analysis import *

file_name = 'still_eyes_closed_eyes_open'
wbr = read_manager.ReadManager(file_name+'.obci.xml', file_name+'.obci.raw', file_name + '.obci.tag')
TIME = wbr.get_samples()[0,:]
TR = wbr.get_samples()[1,:]
BR = wbr.get_samples()[2,:]
TL = wbr.get_samples()[3,:]
BL = wbr.get_samples()[4,:]

</source>

Jednak w przypadku niektórych zadań należy jeszcze przed pobraniem próbek, odpowiednio wyciąć interesujące nas dane względem znaczników. Czynność tę wykonuje funkcja 'wii_cut_fragments' przyjmująca obiekt klasy ReadManager i znaczniki początkowe i końcowe, a zwracająca listę obiektów 'smart_tags'. Liczba tych obiektów odpowiada liczbie zdarzeń z danym znacznikiem (dla stania swobodnego lista będzie miała tylko jeden element, natomiast dla wielokrotnych wychyleń będzie ich kilka). Każdy element na tej liście, również posiada metodę 'get_samples'.

<source lang="Python">
#!/usr/bin/env python3
# -*- coding: utf-8 -*-

from obci.signal_processing import read_manager
from obci.signal_processing.balance.wii_preprocessing import *
from obci.signal_processing.balance.wii_analysis import *

file_name = 'still_eyes_closed_eyes_open'
wbr = read_manager.ReadManager(file_name+'.obci.xml', file_name+'.obci.raw', file_name + '.obci.tag')
smart_tags = wii_cut_fragments(wbr, start_tag_name='ss_start', end_tags_names=['ss_stop'])
TL = smart_tags[0].get_samples()[0,:]
TR = smart_tags[0].get_samples()[1,:]
BR = smart_tags[0].get_samples()[2,:]
BL = smart_tags[0].get_samples()[3,:]

</source>

Na podstawie danch z czterech czujników można wyznaczyć wartości wychyleń w kierunkach x i y (<xr id="fig:wbb">rys. %i</xr>).:

<div style="text-align: center;">
<math>x=\frac{(TR+BR)-(TL+BL)}{TR+TL+BL+BR}</math>

<math>y=\frac{(TR+TL)-(BR+BL)}{TR+TL+BL+BR}</math>
</div>

Należy pamiętać, że dane z czujników pochodzą z układu odniesienia deski Wii Board - zatem uzyskane wartości x i y mieszczą się w zakresie od -1 do 1. Aby uzyskać dane w cm trzeba przemnożyć współrzędne x i y przez odpowiednie czynniki:
[[Plik:wbb_axes.png|600px|thumb|center|<figure id="fig:wbb"></figure>Wii Balance Board z oznaczonymi płaszczyznami ML i AP. TR, TL, BR, BL ozanczają pozycje czterech czujników.]]

Znaczniki 'start_tag_name' oraz 'end_tags_names' dla poszczególnych pomiarów:

* stanie swobodne oczy otwarte: 'ss_start', 'ss_stop'
* stanie swobodne oczy zamknięte: 'ss_eyes_closed_start', 'ss_eyes_closed_stop'

* wychylenia szybkie bez informacji zwrotnej: 'start_fast', 'stop_fast'
* wychylenia "z przytrzymaniem" bez informacji zwrotnej: 'start', 'stop'

* stanie swobodne jako kalibracja do zadań z informacją zwrotną: 'baseline_start', 'baseline_stop'
* wychylenia szybkie z informacją zwrotną: nie ma znaczników - ciągły zapis danych
* wychylenia "z przytrzymaniem" z informacją zwrotną: 'start_1', 'finish'

Dla przypadku wychyleń "z przytrzymaniem" obiekty w liście zwróconej przez funkcję 'wii_cut_fragments' odpowiadają kolejnym realizacjom zadania. Mają one jednak nieco inną strukturę. Oprócz metody 'get_samples()', za pomocą której tak jak poprzednio wczytamy dane z 4 czujników, posiadają również metody:
*'get_end_tag()' - zwraca strukturę, która w polu ['desc']['value'] przechowuje informację o tym czy zadanie zostało wykonane poprawnie (0-niepoprawnie, 1-poprawnie)
*'get_start_tag()' - zwraca strukturę, która w polu ['desc']['value'] przechowuje informację o kierunku wychylenia (pole 'direction', wartości: 'up','down','left','right') oraz o poziomie trudności zadania (pole 'level'). Aby wydobyć informację o kierunku wychylenia (analogicznie dla poziomiu trudności) można skorzystać z funkcji:
<source lang="Python">
eval(smart_tags[index].get_start_tag()['desc']['value'])['direction']
</source>

Informacje o poziomie trudności, poprawności wykonania zadania oraz kierunku będą potrzebne do podjęcia decyzji, które próby wykonania zadania będą brane do dalszej analizy. Interesują nas jedynie te poprawne o najwyższym poziomie trudności w każdym z kierunków.




===Analiza danych: stanie swobodne===

W przypadku stania swobodnego z oczami zamkniętymi oraz otwartymi, studenci mają za zadanie wyznaczyć następujące wskaźniki posturograficzne:

*położenie środka równowagi COP (''center of pressure'')
*maksymalne przemieszczenie względem położenia środka równowagi (w AP,ML oraz płaszczyźnie AP/ML),
*długość drogi względem położenia środka równowagi (w AP,ML oraz płaszczyźnie AP/ML),
*średnia prędkość przemieszczenia (w AP,ML oraz płaszczyźnie AP/ML),
*wskaźnik Romberga - stosunek różnicy długości drogi przy oczach zamkniętych i otwartych, do sumy długości drogi przy oczach zamkniętych i otwartych

Dokładny opis matematyczny wyżej wymienionych wskaźników znajduje się w pracy (Prieto, 1996).

Należy również przedstawić na wykresie przebieg ruchu COP oddzielnie w płaszczyźnie AP, ML oraz w przestrzeni AP/ML.

Dodatkowo studenci mają za zadanie przeprowadzić analizę rozkładu przestrzennego punktów statokinezjogramu. Statokinezjogramem lub posturogramem nazywamy wędrówkę COP w dwuwymiarowej płaszczyźnie podparcia. Kierunki na tej płaszczyźnie określa się jako AP (y) lub ML (x), przy czym ML oznacza wychylenia w płaszczyźnie czołowej (''medio-lateral''), a AP w płaszczyźnie strzałkowej (''anterio-posterior''). W celu przeprowadzenie takiej analizy, cały zakres zostaje podzielony na jednakowe komórki. Następnie obliczony zostaje histogram przestrzenny czasu przebywania w każdej z nich. Taki histogram pozwala ocenić, czy kontrola położenia referencyjnego COG (''center of gravity''), a tym samym pionowa orientacja ciała, jest prawidłowa. Wyznacznikiem prawidłowej kontroli jest histogram o skupionym rozkładzie i z wyraźnym maksimum. Upośledzenie kontroli objawia się tym, że histogram przestrzenny staje się rozmyty lub wyraźnie niesymetryczny (Błaszczyk, 2004).

===Analiza danych: wychylenia dynamiczne===

Oprócz wskaźników statycznych stabilności do oceny kontroli posturalnej wykorzystuje się również miary dynamiczne. Z punktu widzenia miar bezpośrednich, istotna jest ocena kontroli środka ciężkości ciała w czasie jego świadomego przemieszczania w wyznaczonym kierunku. W ramach pomiarów, studenci mieli za zadanie wykonać dwa rodzaje wychyleń (szybkie i "z przytrzymaniem") w dwóch warunkach: bez informacji zwrotnej dla badanego oraz z informacją zwrotną dla badanego. Dla każdego z przypadków należy wyznaczyć następujące parametry:

*położenie środka równowagi (dla warunku bez informacji zwrotnej będzie to COP ze stania swobodnego z oczami otwartymi, natomiast dla warunku z informacją zwrotną będzie to COP z sesji kalibracyjnej)
*wartość maksymalnego wychylenia (w określonym kierunku) względem położenia równowagi,
*wykresy składowych wychwiań względem położenia równowagi w płaszczyźnie AP, ML w zależności od czasu oraz wypadkowa trajektoria przemieszczeń COP (w dwuwymiarowej płaszczyźnie AP, ML).

i zbadać czy informacja zwrotna wpływa na rezultaty badanego.

Literatura:
*Błaszczyk J., Biomechanika kliniczna, PZWL, 2004
*Prieto T.E. et al., Measures of postural steadiness: differences between healthy young and elderly adults, IEEE Trans Biomed Eng, 1996, 43(9):956-66

Podręcznik użytkownika systemu do badań dostępnego w laboratorium EEG Wydziału Fizyki Uniwersytetu Warszawskiego

2017-10-11T13:23:24Z

Anna.chabuda:

== '''Brain4fuw''' - system do badań dostępny w laboratorium EEG Wydziału Fizyki Uniwersytetu Warszawskiego ==
Brain4fuw to pakiet programów użytkowych zapewniający kompleksową obsługę badań prowadzonych w ramach zajęć w laboratorium EEG Wydziału Fizyki Uniwersytetu Warszawskiego. Stanowi wygodny i intuicyjny w obsłudze system do projektowania eksperymentów, prowadzenia pomiarów oraz analizy zebranych danych. W skład Brain4fuw wchodzą:

* program do projektowania eksperymentów - Psychopy
* program do analizy postawy - Kinect App
* program do badań posturograficznych - Wii App
* program do rejestracji oraz analizy sygału - Svarog

Podręcznik użytkownika systemu znajduje się na stronie: http://laboratorium-eeg.braintech.pl/.

Do systemu dołączona jest biblioteka ReadManager. Jest to biblioteka umożliwiająca analizę sygnału zapisanego w programie Svarog oraz przez moduł SignalSaver biblioteki BCI Framework. Jest ona dostępna w języku Python i Matlab. Dokumentacje biblioteki można znaleźć na stronie: http://moduly-analizy-danych.braintech.pl/index.html.

Podręcznik użytkownika systemu do badań dostępnego w laboratorium EEG Wydziału Fizyki Uniwersytetu Warszawskiego

2017-10-11T13:15:37Z

Anna.chabuda: Utworzono nową stronę "Brain4fuw to pakiet programów użytkowych zapewniający kompleksową obsługę badań prowadzonych w ramach zajęć w laboratorium EEG Wydziału Fizyki Uniwersytetu War..."

Brain4fuw to pakiet programów użytkowych zapewniający kompleksową obsługę badań prowadzonych w ramach zajęć w laboratorium EEG Wydziału Fizyki Uniwersytetu Warszawskiego. Stanowi wygodny i intuicyjny w obsłudze system do projektowania eksperymentów, prowadzenia pomiarów oraz analizy zebranych danych. W skład Brain4fuw wchodzą:

* program do projektowania eksperymentów - Psychopy
* program do analizy postawy - Kinect App
* program do badań posturograficznych - Wii App
* program do rejestracji oraz analizy sygału - Svarog

Podręcznik użytkownika systemu znajduje się na stronie: http://laboratorium-eeg.braintech.pl/.

Do systemu dołączona jest biblioteka ReadManager. Jest to biblioteka umożliwiająca analizę sygnału zapisanego w programie Svarog oraz przez moduł SignalSaver biblioteki BCI Framework. Jest ona dostępna w języku Python i Matlab. Dokumentacje biblioteki można znaleźć na stronie: http://moduly-analizy-danych.braintech.pl/index.html.

Strona główna

2017-10-11T13:14:30Z

Anna.chabuda: /* Strony dodatkowe */

=Materiały dydaktycznie dla studentów kierunku [http://fizykaxxi.fuw.edu.pl/zastosowania-fizyki-w-biologii-i-medycynie/ Zastosowania Fizyki w Biologii i Medycynie]=

==Informatyka:==
[[Plik:Pętla_while.svg|175px|right]]
* Technologia Informacyjna:
** Wykład [["Technologia informacyjna"]]
** Wykład [[Slajdy z wykładów dla optyki okularowej z roku 2015|"Technologie cyfrowe"]] (dla specjalności Optyka Okularowa)
** Ćwiczenia [["Programowanie z Pythonem"]] (dla studentów Wydziału Fizyki) '''STARE'''
** Ćwiczenia [["Programowanie z Pythonem3"]] (dla studentów Wydziału Fizyki) '''2017/18'''
** Ćwiczenia [[dla studentów Wydziału Biologii|"Technologia informacyjna"]] (dla studentów Wydziału Biologii)
* Programowanie dla Neuroinformatyków:
** Ćwiczenia [["Programowanie dla Neuroinformatyków"]]
* Programowanie dla Fizyków Medycznych:
** Ćwiczenia [["Programowanie dla Fizyków Medycznych"]]
* Bazy danych:
** Wykład [[TI:WTBD|"Wstęp do technologii baz danych"]]
** Ćwiczenia [[TI:WTBD|"Wstęp do technologii baz danych"]]
* [[TI/Pracownia wykorzystania zasobów internetowych|Pracownia wykorzystania zasobów internetowych]]
==Matematyka:==
* Wykład [[Matematyka I - FMiN lecture|Matematyka I]] (dla specjalności Fizyka Medyczna i Neuroinformatyka)
** Ćwiczenia [[Matematyka I - FMiN exercises|Matematyka I]] (dla specjalności Fizyka Medyczna i Neuroinformatyka)
** Ćwiczenia [[Matematyka I - OO exercises|Matematyka I]] (dla specjalności Optyka Okularowa)
[[Plik:main_math.png|175px|right]]
* Wykład [[Matematyka II - FMiN lecture|Matematyka II]] (dla specjalności Fizyka Medyczna i Neuroinformatyka)
** Ćwiczenia [[Matematyka II - FMiN exercises|Matematyka II]] (dla specjalności Fizyka Medyczna i Neuroinformatyka)

==Fizyka:==
* Fizyka I:
** Wykład [[Fizyka I - FMiN lecture|Fizyka I]] - Mechanika (dla specjalności Fizyka Medyczna i Neuroinformatyka)
** Wykład [[Fizyka I - OO lecture|Fizyka I]] - Mechanika (dla specjalności Optyka Okularowa)
** Ćwiczenia [[Fizyka I - FMiN exercises|Fizyka I]] - Mechanika (dla specjalności Fizyka Medyczna i Neuroinformatyka)
* Fizyka II: [[Plik:main_phys.png|220px|right]]
** Wykład [[Fizyka II - OO lecture|Fizyka II]] - Elektrostatyka (dla specjalności Optyka Okularowa)
** Wykład [[Fizyka II - NI lecture|Fizyka II]] - Elektrostatyka (dla specjalności Fizyka Medyczna i Neuroinformatyka)
** Ćwiczenia [[Fizyka II - FMiN exercises|Fizyka II]] - Elektrostatyka (dla specjalności Fizyka Medyczna i Neuroinformatyka)
** Ćwiczenia [[Fizyka II - OO exercises|Fizyka II]] - Elektrostatyka (dla specjalności Optyka Okularowa)
* Fizyka III:
** Wykład [[Fizyka III - FMiN lecture|Fizyka III]] - Drgania i Fale (dla specjalności Fizyka Medyczna i Neuroinformatyka)
** Ćwiczenia [[Fizyka III - FMiN exercises|Fizyka III]] - Drgania i Fale (dla specjalności Fizyka Medyczna i Neuroinformatyka)
* Elektrodynamika:
** Ćwiczenia [[Ćwiczenia z elektrodynamiki dla neuroinformatyków|Elektrodynamika]] (dla specjalności Neuroinformatyka)
* Ćwiczenia [[Fizyka Promieniowania Jądrowego]]
* Ćwiczenia [[Fizyka atomów oraz cząstek i makrocząstek biologicznych]]

==Chemia:==
* Wykład [[Podstawy chemii z elementami biochemii]]
* Wykład [[Chemia ogólna - lecture|Chemia ogólna]]
* Pracownia [[Chemia ogólna - workshop|Chemia ogólna]]
* Wykład [[Chemia organiczna]]

==Biologia:==
[[Plik:main_biol.jpg|220px|right]]
* Wykład [[Biologia komórki]]
* Wykład [[Histologia]]
* Pracownia [[Biologia molekularna]]

==Biofizyka molekularna:==
* Wykład [[Metody Biofizyki Molekularnej - lecture|Metody Biofizyki Molekularnej]]
** Ćwiczenia [[Metody Biofizyki Molekularnej - exercises|Metody Biofizyki Molekularnej]]
*[[Pracownia podstaw biofizyki]] (dla specjalności Biofizyka molekularna)
* Pracownia [[Podstawy Biofizyki]]
* Pracownia [[Pracownia Biofizyki dla Zaawansowanych]]
*[[Pracownia biofizyki dla zaawansowanych]] (dla specjalności Biofizyka Molekularna)

== Przedmioty specjalizacyjne: ==
* Wykład [[Obrazowanie Medyczne]]

* Wykład [[Ochrona radiologiczna]]
* Wykład [[Ochrona radilogiczna 2]]

* Wykład [[Elektroencefalografia]]
* Wykład [[Wnioskowanie Statystyczne - lecture|Wnioskowanie Statystyczne]] [[Plik:main_eeg2.png|220px|right]]
** Ćwiczenia [[Wnioskowanie Statystyczne - exercises|Wnioskowanie Statystyczne]]
* Wykład [[Analiza sygnałów - lecture|Analiza sygnałów]]
** Ćwiczenia [[Analiza sygnałów - exercises|Analiza sygnałów]]
* Wykład [[Uczenie maszynowe i sztuczne sieci neuronowe]]
** Ćwiczenia [[Uczenie maszynowe i sztuczne sieci neuronowe_cw|Uczenie maszynowe i sztuczne sieci neuronowe]]
* Warsztaty [[Metody diagnostyczne]]
* Warsztaty [[Warsztaty_z_Metod_Terapeutycznych|z Metod Terapeutycznych]] (dla specjalności Fizyka Medyczna)
* Warsztaty [[Modelowanie molekularne 2]]

== Pracownie specjalistyczne: ==
[[Plik:main_eeg1.jpg|220px|right]]
*[[INFORMACJE O OPROGRAMOWANIU DO PRACOWNI EEG i SYGNAŁÓW BIOELEKTRYCZNYCH]]
*[[Pracownia Sygnałów Bioelektrycznych]] (dla specjalności Neuroinformatyka)
*[[Pracownia EEG|Pracownia EEG]] (dla specjalności Neuroinformatyka)
*[[Laboratorium EEG|Laboratorium EEG]] (dla specjalności Neuroinformatyka)
*[[Nowe technologie w fizyce biomedycznej]] (dla specjalności Fizyka Medyczna i Neuroinformatyka)
*[[USG|Warsztaty z metod obrazowania ultradźwiękowego]]

== Inne: ==
[[Plik:Bookstack.svg|130px|right]]

* Pracownia [["Wykorzystanie zasobów internetowych"]]
* Proseminarium [[Proseminarium licencjackie|licencjackie]]

==Strony dodatkowe==
* [[Podręcznik użytkownika systemu do badań dostępnego w laboratorium EEG Wydziału Fizyki Uniwersytetu Warszawskiego]]: http://laboratorium-eeg.braintech.pl/ w tym:
** dokumentacja SVAROG: http://laboratorium-eeg.braintech.pl/svarog/index.html
** dokumentacja PSYCHOPY: http://laboratorium-eeg.braintech.pl/psychopy/index.html
** dokumentacja techniczna BCI framework: http://laboratorium-eeg.braintech.pl/openbci/
** dokumentacja i tutorial biblioteki ReadManager (Python, Matlab): http://moduly-analizy-danych.braintech.pl/

* [[Instalacja i konfiguracja Kinect, Wiimote i Eyetrackera]]
* Strona [http://www.fuw.edu.pl/biblioteki.html Biblioteki Wydziału Fizyki]

Podręcznik użytkownika systemu do badań dostępnego w laboratorium studenckim

2017-10-11T13:11:21Z

Brain4fuw to pakiet programów użytkowych zapewniający kompleksową obsługę badań prowadzonych w ramach zajęć w laboratorium EEG Wydziału Fizyki Uniwersytetu Warszawskiego.
Stanowi wygodny i intuicyjny w obsłudze system do projektowania eksperymentów, prowadzenia pomiarów oraz analizy zebranych danych.
W skład Brain4fuw wchodzą:
* program do projektowania eksperymentów - Psychopy
* program do analizy postawy - Kinect App
* program do badań posturograficznych - Wii App
* program do rejestracji oraz analizy sygału - Svarog

Podręcznik użytkownika systemu znajduje się na stronie: http://laboratorium-eeg.braintech.pl/.

Do systemu dołączona jest biblioteka Readmanager. Jest to biblioteka umożliwiająca analizę sygnału zapisanego w programie Svarog. Svarog oraz moduł SignalSaver biblioteki BCI Framework.
Jest ona dostępna w języku Python i Matlab. Dokumentacje biblioteki można znaleźć na stronie: http://moduly-analizy-danych.braintech.pl/index.html.

Strona główna

2017-10-11T13:03:55Z

Anna.chabuda: /* Strony dodatkowe */

=Materiały dydaktycznie dla studentów kierunku [http://fizykaxxi.fuw.edu.pl/zastosowania-fizyki-w-biologii-i-medycynie/ Zastosowania Fizyki w Biologii i Medycynie]=

==Informatyka:==
[[Plik:Pętla_while.svg|175px|right]]
* Technologia Informacyjna:
** Wykład [["Technologia informacyjna"]]
** Wykład [[Slajdy z wykładów dla optyki okularowej z roku 2015|"Technologie cyfrowe"]] (dla specjalności Optyka Okularowa)
** Ćwiczenia [["Programowanie z Pythonem"]] (dla studentów Wydziału Fizyki) '''STARE'''
** Ćwiczenia [["Programowanie z Pythonem3"]] (dla studentów Wydziału Fizyki) '''2017/18'''
** Ćwiczenia [[dla studentów Wydziału Biologii|"Technologia informacyjna"]] (dla studentów Wydziału Biologii)
* Programowanie dla Neuroinformatyków:
** Ćwiczenia [["Programowanie dla Neuroinformatyków"]]
* Programowanie dla Fizyków Medycznych:
** Ćwiczenia [["Programowanie dla Fizyków Medycznych"]]
* Bazy danych:
** Wykład [[TI:WTBD|"Wstęp do technologii baz danych"]]
** Ćwiczenia [[TI:WTBD|"Wstęp do technologii baz danych"]]
* [[TI/Pracownia wykorzystania zasobów internetowych|Pracownia wykorzystania zasobów internetowych]]
==Matematyka:==
* Wykład [[Matematyka I - FMiN lecture|Matematyka I]] (dla specjalności Fizyka Medyczna i Neuroinformatyka)
** Ćwiczenia [[Matematyka I - FMiN exercises|Matematyka I]] (dla specjalności Fizyka Medyczna i Neuroinformatyka)
** Ćwiczenia [[Matematyka I - OO exercises|Matematyka I]] (dla specjalności Optyka Okularowa)
[[Plik:main_math.png|175px|right]]
* Wykład [[Matematyka II - FMiN lecture|Matematyka II]] (dla specjalności Fizyka Medyczna i Neuroinformatyka)
** Ćwiczenia [[Matematyka II - FMiN exercises|Matematyka II]] (dla specjalności Fizyka Medyczna i Neuroinformatyka)

==Fizyka:==
* Fizyka I:
** Wykład [[Fizyka I - FMiN lecture|Fizyka I]] - Mechanika (dla specjalności Fizyka Medyczna i Neuroinformatyka)
** Wykład [[Fizyka I - OO lecture|Fizyka I]] - Mechanika (dla specjalności Optyka Okularowa)
** Ćwiczenia [[Fizyka I - FMiN exercises|Fizyka I]] - Mechanika (dla specjalności Fizyka Medyczna i Neuroinformatyka)
* Fizyka II: [[Plik:main_phys.png|220px|right]]
** Wykład [[Fizyka II - OO lecture|Fizyka II]] - Elektrostatyka (dla specjalności Optyka Okularowa)
** Wykład [[Fizyka II - NI lecture|Fizyka II]] - Elektrostatyka (dla specjalności Fizyka Medyczna i Neuroinformatyka)
** Ćwiczenia [[Fizyka II - FMiN exercises|Fizyka II]] - Elektrostatyka (dla specjalności Fizyka Medyczna i Neuroinformatyka)
** Ćwiczenia [[Fizyka II - OO exercises|Fizyka II]] - Elektrostatyka (dla specjalności Optyka Okularowa)
* Fizyka III:
** Wykład [[Fizyka III - FMiN lecture|Fizyka III]] - Drgania i Fale (dla specjalności Fizyka Medyczna i Neuroinformatyka)
** Ćwiczenia [[Fizyka III - FMiN exercises|Fizyka III]] - Drgania i Fale (dla specjalności Fizyka Medyczna i Neuroinformatyka)
* Elektrodynamika:
** Ćwiczenia [[Ćwiczenia z elektrodynamiki dla neuroinformatyków|Elektrodynamika]] (dla specjalności Neuroinformatyka)
* Ćwiczenia [[Fizyka Promieniowania Jądrowego]]
* Ćwiczenia [[Fizyka atomów oraz cząstek i makrocząstek biologicznych]]

==Chemia:==
* Wykład [[Podstawy chemii z elementami biochemii]]
* Wykład [[Chemia ogólna - lecture|Chemia ogólna]]
* Pracownia [[Chemia ogólna - workshop|Chemia ogólna]]
* Wykład [[Chemia organiczna]]

==Biologia:==
[[Plik:main_biol.jpg|220px|right]]
* Wykład [[Biologia komórki]]
* Wykład [[Histologia]]
* Pracownia [[Biologia molekularna]]

==Biofizyka molekularna:==
* Wykład [[Metody Biofizyki Molekularnej - lecture|Metody Biofizyki Molekularnej]]
** Ćwiczenia [[Metody Biofizyki Molekularnej - exercises|Metody Biofizyki Molekularnej]]
*[[Pracownia podstaw biofizyki]] (dla specjalności Biofizyka molekularna)
* Pracownia [[Podstawy Biofizyki]]
* Pracownia [[Pracownia Biofizyki dla Zaawansowanych]]
*[[Pracownia biofizyki dla zaawansowanych]] (dla specjalności Biofizyka Molekularna)

== Przedmioty specjalizacyjne: ==
* Wykład [[Obrazowanie Medyczne]]

* Wykład [[Ochrona radiologiczna]]
* Wykład [[Ochrona radilogiczna 2]]

* Wykład [[Elektroencefalografia]]
* Wykład [[Wnioskowanie Statystyczne - lecture|Wnioskowanie Statystyczne]] [[Plik:main_eeg2.png|220px|right]]
** Ćwiczenia [[Wnioskowanie Statystyczne - exercises|Wnioskowanie Statystyczne]]
* Wykład [[Analiza sygnałów - lecture|Analiza sygnałów]]
** Ćwiczenia [[Analiza sygnałów - exercises|Analiza sygnałów]]
* Wykład [[Uczenie maszynowe i sztuczne sieci neuronowe]]
** Ćwiczenia [[Uczenie maszynowe i sztuczne sieci neuronowe_cw|Uczenie maszynowe i sztuczne sieci neuronowe]]
* Warsztaty [[Metody diagnostyczne]]
* Warsztaty [[Warsztaty_z_Metod_Terapeutycznych|z Metod Terapeutycznych]] (dla specjalności Fizyka Medyczna)
* Warsztaty [[Modelowanie molekularne 2]]

== Pracownie specjalistyczne: ==
[[Plik:main_eeg1.jpg|220px|right]]
*[[INFORMACJE O OPROGRAMOWANIU DO PRACOWNI EEG i SYGNAŁÓW BIOELEKTRYCZNYCH]]
*[[Pracownia Sygnałów Bioelektrycznych]] (dla specjalności Neuroinformatyka)
*[[Pracownia EEG|Pracownia EEG]] (dla specjalności Neuroinformatyka)
*[[Laboratorium EEG|Laboratorium EEG]] (dla specjalności Neuroinformatyka)
*[[Nowe technologie w fizyce biomedycznej]] (dla specjalności Fizyka Medyczna i Neuroinformatyka)
*[[USG|Warsztaty z metod obrazowania ultradźwiękowego]]

== Inne: ==
[[Plik:Bookstack.svg|130px|right]]

* Pracownia [["Wykorzystanie zasobów internetowych"]]
* Proseminarium [[Proseminarium licencjackie|licencjackie]]

==Strony dodatkowe==
* [[Podręcznik użytkownika systemu do badań dostępnego w laboratorium studenckim]]: http://laboratorium-eeg.braintech.pl/ w tym:
** dokumentacja SVAROG: http://laboratorium-eeg.braintech.pl/svarog/index.html
** dokumentacja PSYCHOPY: http://laboratorium-eeg.braintech.pl/psychopy/index.html
** dokumentacja techniczna BCI framework: http://laboratorium-eeg.braintech.pl/openbci/
** dokumentacja i tutorial biblioteki ReadManager (Python, Matlab): http://moduly-analizy-danych.braintech.pl/

* [[Instalacja i konfiguracja Kinect, Wiimote i Eyetrackera]]
* Strona [http://www.fuw.edu.pl/biblioteki.html Biblioteki Wydziału Fizyki]