Brain-wiki - Wkład użytkownika [pl]

Pracownia Sygnałów Bioelektrycznych

2026-04-08T09:32:21Z

Jarekz: /* Materiały */

[[category:Pracownie specjalistyczne]]

Zajęcia w roku 2025: 8:45-12

'''UWAGA: godzina 8:45 to początek zajęć, a nie schodzenia się na zajęcia'''

Dla NI link do classroom: https://classroom.google.com/c/NjY2MjI3NDU2NDA3?cjc=mvvocie

==Zasady zaliczenia pracowni==

* Obecność na zajęciach jest obowiązkowa, dopuszczalne są 2 nieusprawiedliwione nieobecności.

Materiał zajęć jest podzielony na bloki tematyczne. W każdym bloku studenci mają do wykonania zestaw ćwiczeń. Pod koniec każdego bloku konieczne będzie przesłanie raportu w postaci notebooka na adres jarekz@fuw.edu.pl

# Prezentacja wyników w notebooku powinna uwzględniać:
#* przypomnienie, co było liczone (i jak, jeśli trzeba);
#* na co należy zwrócić uwagę w prezentowanych wynikach;
#* interpretację wykresów. Część z tych informacji można dołożyć do rysunków w postaci krótkich wyjaśnień.
# Należy zadbać o prawidłową postać wykresów, w tym w szczególności:
#* obecność opisów osi (w miarę możliwości jednostek);
#* spójne zakresy osi i skalowanie wykresów;
#* właściwy dobór skali (tak, aby uwidocznić najważniejsze rzeczy);
#* obecność tytułów i innych podpisów ułatwiających zrozumienie prezentowanych treści.
# Ocenie podlegają:
#* kompletność prezentacji;
#* poprawność kodu;
#* czytelność prezentowanych wielkości i zjawisk;
#* merytoryczna poprawność wypowiedzi.



==Materiały==
## [[Pracownia_Sygnałów_Biologicznych/Zajecia_1|Wprowadzenie]]

[[Pracownia_Sygnałów_Biologicznych/Zajecia_2_4|EKG]]
## Wstęp teoretyczny i pomiary
## detekcja pików R i tętno
## analiza HRV
przesyłanie notebooków z EKG/HRV do 1.04

<hr>

#[[Pracownia_Sygnałów_Biologicznych/Zajecia_5_6|EMG]] (Zaczynamy 25 i 27 marca 2026)
## wprowadzenie, pomiary, analiza ćwiczenie I (25 i 27 marca 2026)
## analiza ćwiczenie I (8 i 10 kwietnia 2026)
## analiza ćwiczenie I (15 i 17 kwietnia 2026)
## analiza sygnału online (ćwiczenie V), analiza ćwiczenie III (22 i 24 kwietnia)
## -> przesyłanie notebooków z EMG do 8.05.2026
##
#[[Pracownia_Sygnałów_Biologicznych/Zajecia_7|Spotkanie IX - XI (EOG)]] (Zaczynamy 29 kwietnia i 6 maja 2026)
## podstawowe własności EOG - rejestracja
## podstawowe własności EOG - analiza i szykowanie raportów: zwrot raportów z EOG 06.06
#[[Pracownia_Sygnałów_Biologicznych/Zajecia_9|Spotkanie XII - XIV (Wprowadzenie EEG)]]
## [[Pracownia_EEG/EEG_spoczynkowe|EEG spoczynkowe, artefakty ]]
## [[Pracownia_Sygnałów_Biologicznych/Zajecia_10|Analiza EEG]]
##

#[[Pracownia_Sygnałów_Biologicznych/Zajecia_8|Spotkanie (GSR)]]

Pracownia Sygnałów Bioelektrycznych

2026-04-08T09:31:56Z

Jarekz: /* Materiały */

[[category:Pracownie specjalistyczne]]

Zajęcia w roku 2025: 8:45-12

'''UWAGA: godzina 8:45 to początek zajęć, a nie schodzenia się na zajęcia'''

Dla NI link do classroom: https://classroom.google.com/c/NjY2MjI3NDU2NDA3?cjc=mvvocie

==Zasady zaliczenia pracowni==

* Obecność na zajęciach jest obowiązkowa, dopuszczalne są 2 nieusprawiedliwione nieobecności.

Materiał zajęć jest podzielony na bloki tematyczne. W każdym bloku studenci mają do wykonania zestaw ćwiczeń. Pod koniec każdego bloku konieczne będzie przesłanie raportu w postaci notebooka na adres jarekz@fuw.edu.pl

# Prezentacja wyników w notebooku powinna uwzględniać:
#* przypomnienie, co było liczone (i jak, jeśli trzeba);
#* na co należy zwrócić uwagę w prezentowanych wynikach;
#* interpretację wykresów. Część z tych informacji można dołożyć do rysunków w postaci krótkich wyjaśnień.
# Należy zadbać o prawidłową postać wykresów, w tym w szczególności:
#* obecność opisów osi (w miarę możliwości jednostek);
#* spójne zakresy osi i skalowanie wykresów;
#* właściwy dobór skali (tak, aby uwidocznić najważniejsze rzeczy);
#* obecność tytułów i innych podpisów ułatwiających zrozumienie prezentowanych treści.
# Ocenie podlegają:
#* kompletność prezentacji;
#* poprawność kodu;
#* czytelność prezentowanych wielkości i zjawisk;
#* merytoryczna poprawność wypowiedzi.



==Materiały==
## [[Pracownia_Sygnałów_Biologicznych/Zajecia_1|Wprowadzenie]]

[[Pracownia_Sygnałów_Biologicznych/Zajecia_2_4|EKG]]
## Wstęp teoretyczny i pomiary
## detekcja pików R i tętno
## analiza HRV
przesyłanie notebooków z EKG/HRV do 1.04

<hr>

#[[Pracownia_Sygnałów_Biologicznych/Zajecia_5_6|EMG]] (Zaczynamy 25 i 27 marca 2026)
## wprowadzenie, pomiary, analiza ćwiczenie I (25 i 27 marca 2026)
## analiza ćwiczenie I (8 i 10 kwietnia 2026)
## analiza ćwiczenie I (15 i 17 kwietnia 2026)
## analiza sygnału online (ćwiczenie V), analiza ćwiczenie III (22 i 24 kwietnia)
-> przesyłanie notebooków z EMG do 8.05.2026
##
#[[Pracownia_Sygnałów_Biologicznych/Zajecia_7|Spotkanie IX - XI (EOG)]] (Zaczynamy 29 kwietnia i 6 maja 2026)
## podstawowe własności EOG - rejestracja
## podstawowe własności EOG - analiza i szykowanie raportów: zwrot raportów z EOG 06.06
#[[Pracownia_Sygnałów_Biologicznych/Zajecia_9|Spotkanie XII - XIV (Wprowadzenie EEG)]]
## [[Pracownia_EEG/EEG_spoczynkowe|EEG spoczynkowe, artefakty ]]
## [[Pracownia_Sygnałów_Biologicznych/Zajecia_10|Analiza EEG]]
##

#[[Pracownia_Sygnałów_Biologicznych/Zajecia_8|Spotkanie (GSR)]]

Pracownia Sygnałów Biologicznych/Zajecia 5 6

2026-03-25T08:28:15Z

Jarekz: /* Obserwacje wstępne */

[[Pracownia Sygnałów Bioelektrycznych]]/EMG

Pomiar EMG

==Wstęp==
[https://www.youtube.com/watch?v=w_R5t2-C5cA Filmik ilustrujący działanie mięśni]

Sygnały elektro-fizjologiczne pochodzące z mięśni nazywa się elektromiogramem (EMG).
Elektromiografia jest jednym z podstawowych badań w rozpoznawaniu chorób mięśni i nerwów obwodowych. Ma ona również wiele zastosowań naukowych. Amplituda sygnału EMG wynosi od około kilkudziesięciu μV do 10 mV, zaś pasmo sygnału obejmuje zakres częstości od 2 do 5000 Hz, przy czym największa energia sygnału znajduje się w przedziale od 50 do 150 Hz.

Istnieją dwa sposoby pomiaru sygnałów EMG — badanie igłowe i powierzchniowe. W badaniu igłowym EMG, elektroda igłowa lub igła z dwoma elektrodami wbijana jest w mięsień lub w nerw ruchowy. Następnie obserwuje się aktywność elektryczną mięśni w spoczynku i podczas wysiłku.

[[Plik:Electromyogram.png|250px|thumb|right|<figure id="fig:Electromyogram"></figure> Przykłady elektromiogramów. Panel górny — pacjent zdrowy. Panel środkowy — pacjent ze zmianami w nerwach obwodowych (neuropatia). Panel dolny — pacjent ze zmianami w mięśniach (miopatia).]]

Badanie powierzchniowe EMG wykonuje się z użyciem elektrod samoprzylepnych, umieszczonych na powierzchni skóry, zwykle elektrody bipolarne są rozmieszczone na linii równoległej do włókien. Ocenie podlegają mięśnie położone powierzchownie lub grupy mięśni.
Obydwie metody mają swoje wady i zalety. Metoda &bdquo;igłowa” umożliwia rejestrację sygnału EMG z wybranego mięśnia, podczas gdy metoda powierzchniowa rejestruje zbiorczą aktywność wielu jednostek ruchowych. Jednakże, w przeciwieństwie do metody powierzchniowej, metoda igłowa jest badaniem inwazyjnym i czasem bolesnym, które wykonywane jest w ośrodku klinicznym.

Na zajęciach przeprowadzimy powierzchniowy pomiar EMG (w literaturze często takie badanie oznacza się skrótem sEMG, ''s'' od ang. ''surface'' — powierzchnia). W tym celu umieścimy elektrody na skórze, nad mięśniami, których aktywność chcemy zbadać.

[https://youtu.be/afHpvABLCTo Filmik o zastosowaniach klinicznych EMG]

Lektura uzupełniająca: Reaz MBI, Hussain MS and Mohd-Yasin F. Techniques of EMG signal analysis: detection, processing, classification and applications. Biol. Proced. Online 2006; 8(1): 11-35. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC1455479/pdf/bpo_v8_p11_m115.pdf

==Źródła błędu==
Rejestracja sygnału EMG, podobnie jak pomiar innych sygnały bioelektrycznych podlega pewnym zakłóceniom. Są to przede wszystkim
*artefakty ruchowe,
*artefakty związane z obecnością zewnętrznych pól elektromagnetycznych.

===Artefakty ruchowe ===
Artefakty ruchowe

Aktywacja mięśnia powoduje jego skrócenie i przemieszczenie względem elektrody oraz skóry. Skutkuje to trzema rodzajami zakłóceń sygnału EMG:

1. Zmiana amplitudy
Elektroda oddala się od aktywnego mięśnia, co obniża rejestrowany sygnał.

2. Zmiana potencjału DC
Przemieszczenie wpływa na potencjał elektrochemiczny na granicy skóra–elektrolit.

3. Artefakt rozciągnięcia skóry
Potencjał przeznaskórkowy (PTP) w spoczynku wynosi około 30 mV. Podczas rozciągania

===Artefakty sieciowe ===
Artefakty sieciowe stanowią poważny problem w przypadku rejestracji sygnału EMG. Zwykle bowiem nie obserwujemy tylko zakłócenia o jednej częstości, równej częstości zmian napięcia w gniazdku zasilającym (np. w Polsce jest to 50 Hz), lecz również wyższe harmoniczne tej częstości (w Polsce będą to 100 Hz, 150 Hz, 200 Hz itd.). Jak można zauważyć, częstości 50 Hz, 100 Hz i 150 Hz znajdują się w paśmie, w którym sygnał EMG ma największą energię. Stosowanie filtrów pasmowo zaporowych w takim przypadku nie jest wskazane, bowiem filtry jak wiemy nie tłumią ściśle określonych częstości tylko pasma o pewnej szerokości (np. 45-55 Hz, 95-105 Hz, itd). W efekcie znaczna część interesującego nas pasma sygnału EMG zostałaby odrzucona.

Aby zminimalizować przenikanie od rejestrowanego sygnału EMG sygnału sieciowego o częstości 50 Hz, należy:
* zadbać o niską impedancję pomiędzy elektrodą a skórą,
* mierzyć sygnały różnicowe.

===Artefakty sieciowo-ruchowe ===
Podczas ruchu mięśnia ciało może ulec przemieszczeniu, co spowoduje ruch kabla w przestrzeni pomiędzy elektrodą a wzmacniaczem. W przestrzeni tej istnieje pole elektromagnetyczne wywołane zasilaniem sieci elektrycznej. Ruch kabla w polu elektromagnetycznym może powodować zaburzenia sygnału o częstości 50 Hz. Ponadto układ elektrody-kable-wzmacniacz, tworzy pewne ramki, które w trakcie ruchu zmieniają kształt a także powierzchnię. Zgodnie z '''prawem indukcji Faradaya''' zmiana strumienia magnetycznego powoduje powstawanie siły elektromotorycznej, która również może zakłócać pomiar.

* Artefakty ruchowe można w większości wyeliminować przez zastosowanie filtru górnoprzepustowego, którego częstość odcięcia ustawia się w granicy od 10 do 20 Hz.
* Aby wyeliminować artefakty związane z ruchem kabla w polu elektromagnetycznym można zastosować tzw. elektrody aktywne. W elektrodach tych (miniaturowy) wzmacniacz znajduje się na elektrodzie. Wzmacnianie sygnału na elektrodzie zwiększa względną czułość układu na sygnał mierzony na elektrodzie w stosunku do zaburzenia związanego z ruchem kabla.
* Innym rozwiązaniem tego problemu jest zastosowanie '''kabli ekranowanych'''. Kable TMSI, których używamy na Pracowni, są kablami ekranowanymi. W kablach tych, pomiędzy dwiema warstwami izolatora, istnieje dodatkowa osłona z przewodnika podłączona do wzmacniacza. Dzięki temu zewnętrzne pole elektromagnetyczne nie przenika do środka kabla. Dodatkowo aby wyeliminować indukowanie się ładunków w wyniku tarcia pomiędzy izolatorami a osłoną, jest ona częściowo pokryta warstwą węgla.



== Ćwiczenia ==

=== Ćwiczenie I: Badanie zależności sygnału EMG od obciążenia ===
====Pomiar====
* Umieść elektrodę GND na obojczyku,
* Umieść dwie elektrody do rejestracji sygnału EMG na mięśniu dwugłowym ramienia (popularnie zwanym bicepsem). Kable tych elektrod połącz z unipolarnymi wejściami wzmacniacza numer 1 i 2.
* Ustaw częstość próbkowania sygnału na 2048
===== Obserwacje wstępne =====
W tej części proszę wykonać wskazane poniżej obserwacje i zarejestrować fragmenty sygnałów, które mogłyby ilustrować ciekawe obserwacje, aby można je było wykorzystać w końcowej prezentacji.

* W SVAROGU:
** badać będziemy mięsień przedramienia
** przetestuj sygnały rejestrowane w kilku różnych lokalizacjach względem mięśnia
** przyjrzyj się przebiegowi i widmu sygnałów dla różnych wartości siły napięcia mięśnia - czy uda się zaobserwować "salwy" odpowiadające aktywacji pojedynczej jednostki ruchowej?
** dobierz odpowiednio filtry górnoprzepustowe
** zaobserwuj czy i kiedy w sygnale pojawiają się artefakty
** porównaj sygnały rejestrowane przez elektrody bipolarne i przez elektrody monopolarne zmontowane bipolarnie

===== Rejestracja 1: napinanie i rozluźnianie ręki =====
Zarejestruj sygnał, w którym naprzemiennie ściskasz 1 s i rozluźniasz pięść 2 s (dla badania mięśnia przedramienia). Powtórz 30 razy.

===== Rejestracja 2: zwiększanie obciążenia ręki =====
Rejestrujemy dwa stany: spoczynek, narastajace obciążenie:
* zarejestruj około 1 min. sygnału spoczynkowego
* w dalszej części będziemy stopniowo zwiększać obciążenie: co około 20 s kolejne zwiększenie obciążenia - 5 lub 6 poziomów

===== Rejestracja 3: stałe obciążenie ręki =====
Rejestrujemy dwa stany: spoczynek, narastajace obciążenie:
* zarejestruj około 20 s. sygnału spoczynkowego
* w dalszej części dokładamy obciążenie (środkowy poziom z poprzedniego ćwiczenia) i rejestrujemy 1 min. sygnału



====Analiza====
* Dalsze analizy robimy w pythonie (notebook).
** wykreśl sygnał
** sygnały filtrujemy: 30 Hz high-pass, 500 Hz low-pass and 50 Hz notch,
** Przedstaw przebieg średniej mocy sygnałów. Aby to zrobić podnieś próbki do kwadratu i uśrednij za pomocą średniej biegnącej o długości 0.1 s (filtrowanie oknem prostokątnym). Porównaj uzyskane przebiegi z przebiegiem sygnałów wejściowych.
** Zaproponuj algorytm detektora, wykrywającego ruch ręki.

* Zbadaj zależność parametrów sygnału EMG od obciązenia mięśnia:
** Predstaw wykres średnią amplitudę (odchylenie standardowe) od obciążenia
** Przedstaw widma dla kolejnych obciążeń (na wspólnym wykresie). Do estymacji wykorzystaj metodę Welcha, dobierając parametry tak, aby rozdzielczość częstotliwościowa była 1 Hz.

* Zbadaj zależność parametrów sygnału EMG od zmęczenia mięśnia.Badanie efektu zmęczenia mięśnia w EMG
** Zmęczenie mięśnia w elektromiografii bada się głównie poprzez analizę zmian sygnału podczas długotrwałego skurczu izometrycznego. Kluczowe metody:
*** Analiza widmowa (spektralna): Podczas zmęczenia obserwuje się przesunięcie widma mocy w kierunku niskich częstotliwości, co opisują dwa wskaźniki:
**** Częstotliwość medianowa (MNF/MDF) – wartość częstotliwości, poniżej której i powyżej której leży po 50% całkowitej mocy widma. Podczas zmęczenia systematycznie spada.
**** Częstotliwość średnia (Mean Power Frequency, MPF) – ważona średnia częstotliwości widma. Również maleje wraz ze zmęczeniem.
** Spadek tych parametrów wynika z wolniejszego przewodzenia potencjałów wzdłuż włókien mięśniowych (obniżenie prędkości przewodzenia) oraz akumulacji metabolitów (mleczany, jony H⁺, K⁺).
* Przedstaw ewolucję czasową środka ciężkości widma częstości





=== Ćwiczenie III: zapoznanie się z sygnałami rejestrowanymi przez inwazyjne EMG===
Proszę wczytać i przyjrzeć się sygnałom
[https://drive.google.com/file/d/1AO7w4m2F3nkSzISYXAeDGCpjMIRDx5NS/view?usp=sharing zdrowy.bin],
[https://drive.google.com/file/d/1APY5xDQJrwFuPY_V7Uza9JrKSgew1Yx1/view?usp=sharing miopatia.bin],
[https://drive.google.com/file/d/1ARzqLlYYLmhyefkBsOkoQBx4ToYpQ3yK/view?usp=sharing neuropatia.bin]. Sygnały są zapisane jako dtype='float64'
Częstość próbkowania 4000Hz, amplitudy zapisane są w mV. Dane pochodzą z bazy Physionet: https://physionet.org/content/emgdb/1.0.0/

Proszę przeczytać informację o tych danych. W raporcie proszę napisać istotne informacje o tych sygnałach i wybrać charakterystyczne fragmenty typowe dla danego stanu klinicznego.




=== Ćwiczenie V: Wykorzystanie pomiaru EMG do sterowania on-line ===

Przykładowy fragment kodu <tt>example.py</tt> umożliwiający odbieranie sygnału on line w pythonie przedstawiony jest poniżej.

Proszę dodać fragment analizujący sygnał on-line i wykrywający moment napięcia mięśnia. Po wykryciu w najprostszej wersji niech w terminalu pojawia się komunikat o wykryciu kliknięcia. W wersji max proszę zrobić wizualizację napięcia mięśnia albo podpiąć ten sygnał do sterowania jakimś prostym interfejsem.
==== Wersja działająca z pythonem z pakietu Svarog-Lab ====
<source lang =python>
#!/opt/braintech-svarog-lab-python/bin/python3

# powinno się odpalać pythonem z pakietu Svarog-Lab
# lub python w którym są zainstalowane sterowniki z
# https://braintech.pl/pliki/svarog/svarog-streamer-src/svarog-streamer-src-latest.zip
# zaletą jest dostęp wprost do sterownika wzmacniacza
# /opt/braintech-svarog-lab-python/bin/python3

# Alternatywne wzmacniacze
# from braintech.drivers.perun32.amplifier import Perun32Amplifier as Amplifier # duży wzmacniacz na 32 kanały na USB
# from braintech.drivers.perun8.amplifiers import PerunCppAmplifier as Amplifier # headset na 8 kanałów
from braintech.drivers.tmsi.amplifiers import TmsiCppAmplifier as Amplifier # wzmacniacze TMSI

import numpy as np

# Szukamy wzmacniaczy
amps = Amplifier.get_available_amplifiers()
if len(amps) < 1:
raise Exception("Amplifier not connected")
amp = Amplifier(amps[0])

amp.sampling_rate = 1024 # dla TMSI
# amp.sampling_rate = 500 # dla Perun8, Perun32

def samples_to_microvolts(samples): # amplifier podaje próbki w integerach, wprost z ADC
return samples * gains + offsets

amp.start_sampling()
gains = np.array(amp.current_description.channel_gains)
offsets = np.array(amp.current_description.channel_offsets)
while True:
# pobieramy 16 próbek
# Proponuje używać IPython dla eksperymentowania
packet = amp.get_samples(16)
print(samples_to_microvolts(packet.samples))
print(packet.ts[0])
print(packet.samples.shape, amp.current_description.channel_names)

</source>

==== Wersja dla protokołu LSL ====

<source lang =python>
# gdy nie ma możliwości używać pythona wbudowanego w svarog-lab możliwe jest używanie streamowania do standardu LSL

# włączenie streamowania do LSL:
# w terminalu:
# svarog_streamer -l
# wypisze listę wzmacniaczy
# szukamy ID odpowiedniego wzmacniacza np:
# * Perun-8 Headset
# id: "Perun8 1"

# odpalamy stream LSL danego wzmacniacza:
# svarog_streamer -a "Perun8 1" -n "nazwa_streamu"
# nazwa streamu jest ważna, ponieważ streamy są widoczne w sieci LAN
# zaleta streamu jest też taka, że można podglądać go w Svarogu jednocześnie z naszym skryptem python
# po odpaleniu streamu można odpalać poniższy skrypt dowolnym pythonem z zainstalowanym numpy oraz pylsl

from pylsl import StreamInlet, resolve_stream
import time

nazwa_streamu = "nazwa_streamu" # należy odpowiednio zmienić na nazwę użytą w svarog_streamer -n

# znajdujemy streamy
print("szukamy streamy LSL")
streams = resolve_stream('type', 'EEG')

selected_stream = None
# wybieramy nasz
for stream in streams:
if stream.name() in nazwa_streamu:
selected_stream = stream
if selected_stream is None:
print("Nie znalesiono streamu", nazwa_streamu, "w liście", [i.name() for i in streams])
exit()

# używamy streama
inlet = StreamInlet(selected_stream)

while True:
# pobieramy próbki (w mikrowoltach)
sample, timestamp = inlet.pull_chunk(timeout=1.0, max_samples=10)
print(sample, timestamp, time.monotonic())

</source>

=== Dodatek ===
Do działania on-line przydatne może być filtrowanie sygnału w sposób biegnący. Najlepiej zastosować do tego funkcję lfilter z ustalonymi warunkami początkowymi. Używa się tego w następujący sposób:
<source lang =python>
import scipy.signal as ss
import numpy as np
import matplotlib.pyplot as plt

Fs = 256
T = 1
t = np.arange(0,T,1/Fs)
f0 = 10
f1 = 17
f2 = 23
x = (np.sin(2*np.pi*f0*t) +
np.sin(2*np.pi*f1*t ) +
np.cos(2*np.pi*f2*t))
xn = x + np.random.randn(len(t)) * 0.08

b, a = ss.butter(3, 11/(Fs/2))

zi = ss.lfilter_zi(b, a)
z, _ = ss.lfilter(b, a, xn, zi=zi*xn[0])
plt.plot(xn)
plt.plot(z)
plt.show()

</source>

==== Filtrowanie online ====

Symulacja zastosowania tego sposobu on-line; filtrujemy za każdą iteracją pętli to co przychodzi ze wzmacniacza [s]:

<source lang =python>
zi = ss.lfilter_zi(b, a)
y = np.zeros(xn.shape)
for ind, s in enumerate(xn):
y_tmp, zi = ss.lfilter(b, a, [s], zi=zi)
y[ind]=y_tmp[-1]

plt.plot(y)
plt.plot(z)
plt.plot(xn)
plt.show()

</source>

==== Dodatek 2====
Dla zabawy detektor napięcia mięśni mógłby generować kliknięcia myszki, aby np. zagrać w:

https://dino-chrome.com/

W tym celu trzeba doinstalować bibliotekę pynput:
pip3 install --user pynput

a potem zastosować kod ze strony:
https://pynput.readthedocs.io/en/latest/keyboard.html

<source lang = python>

from pynput.keyboard import Key, Controller

keyboard = Controller()

def spacja():
# Press and release space
keyboard.press(Key.space)
keyboard.release(Key.space)

from pynput.mouse import Button, Controller
mouse = Controller()

def click():
#lewy klik myszy
mouse.press(Button.left)
time.sleep(500)
mouse.release(Button.left)

</source>

==== wersja dla systemu dostępnego w Labie 4.59 na Ubuntu 18 ====
<source lang = python>
from obci_cpp_amplifiers.amplifiers import TmsiCppAmplifier
import numpy as np
amps = TmsiCppAmplifier.get_available_amplifiers('usb')
amp = TmsiCppAmplifier(amps[0])

amp.sampling_rate = 512

amp.start_sampling()
gains = np.array(amp.current_description.channel_gains)
offsets = np.array(amp.current_description.channel_offsets)

def samples_to_microvolts(samples): # z jednostek wzmacniacza do mikrowoltów
return samples * gains + offsets

while True:
# 16 próbek w pakiecie, nieodebrane próbki się bufurują i można odebrać je później
packet = amp.get_samples(16)
print(samples_to_microvolts(packet.samples))
print(packet.ts[0])
print(packet.samples.shape, amp.current_description.channel_names)

</source>

Aby wykonać go w terminalu należy uruchomić polecenie, Uwaga, aby zadziałał trzeba wyłączyć SVAROGa. Proszę przetestować czy po podłączeniu wzmacniacza i uruchomieniu tego skryptu pojawiają się w terminalu wartości próbek.

/opt/braintech/bin/python3 example.py


{{hidden begin|title=Moduł keystroke:}}
<source lang = python>
# -*- coding: utf-8 -*-
#!/usr/bin/env python
# Author:
# Mateusz Kruszyński <mateusz.kruszynski@gmail.com>
#

from Xlib import X, display, Xutil, XK
import Xlib
special_X_keysyms = {
' ' : "space",
'\t' : "Tab",
'\n' : "Return", # for some reason this needs to be cr, not lf
'\r' : "Return",
'\e' : "Escape",
'!' : "exclam",
'#' : "numbersign",
'%' : "percent",
'$' : "dollar",
'&' : "ampersand",
'"' : "quotedbl",
'\'' : "apostrophe",
'(' : "parenleft",
')' : "parenright",
'*' : "asterisk",
'=' : "equal",
'+' : "plus",
',' : "comma",
'-' : "minus",
'.' : "period",
'/' : "slash",
':' : "colon",
';' : "semicolon",
'<' : "less",
'>' : "greater",
'?' : "question",
'@' : "at",
'[' : "bracketleft",
']' : "bracketright",
'\\' : "backslash",
'^' : "asciicircum",
'_' : "underscore",
'`' : "grave",
'{' : "braceleft",
'|' : "bar",
'}' : "braceright",
'~' : "asciitilde"
}

display = display.Display()
window = display.screen().root

def wait(p_keys_list):
"""Block the whole keyboard!!! And wait until some key from p_keys_list
is pressed. By now p_keys_list is a list of strings, so use single
ascii symbols.
There is a way out of this hell - hit 'Escape'.
The function returns hit button`s string representation
Eg. for p_keys_list == ['1','2','3'] the function will hand untill
1,2 or 3 key is preseed or Escape is pressed."""
ds = display
window.grab_keyboard(1, X.GrabModeAsync, X.GrabModeAsync, X.CurrentTime)
while True:
ev = ds.next_event()
if ev.type == X.KeyPress:
keysym = ds.keycode_to_keysym(ev._data['detail'], 0)
keystr = XK.keysym_to_string(keysym)
print("Got keysym/keystr: "+str(keysym)+ ' / '+str(keystr))
if keystr in p_keys_list:
ds.ungrab_keyboard(X.CurrentTime)
ds.flush()
return keystr
elif str(keysym) in p_keys_list:
ds.ungrab_keyboard(X.CurrentTime)
ds.flush()
return keysym
elif keysym == 65307:
ds.ungrab_keyboard(X.CurrentTime)
ds.flush()
return 'Escape'

def char_to_keysym(ch) :
keysym = Xlib.XK.string_to_keysym(ch)
if keysym == 0 :
# Unfortunately, although this works to get the correct keysym
# i.e. keysym for '#' is returned as "numbersign"
# the subsequent display.keysym_to_keycode("numbersign") is 0.
keysym = Xlib.XK.string_to_keysym(special_X_keysyms[ch])
return keysym

def keysym_to_keycode(keysym):
keycode = display.keysym_to_keycode(keysym)
shift_mask = 0
return keycode, shift_mask

def char_to_keycode(ch) :
keysym = char_to_keysym(ch)
keycode = display.keysym_to_keycode(keysym)
if keycode == 0 :
print "Sorry, can't map", ch

if (is_shifted(ch)) :
shift_mask = Xlib.X.ShiftMask
else :
shift_mask = 0

return keycode, shift_mask

def is_shifted(ch) :
if ch.isupper() :
return True
if "~!@#$%^&*()_+{}|:\"<>?".find(ch) >= 0 :
return True
return False

def send_string(str) :
"""I am not working. I dont know why:("""
for ch in str :
#print "sending", ch, "=",
display.keysym_to_keycode(Xlib.XK.string_to_keysym(ch))
keycode, shift_mask = char_to_keycode(ch)
event = Xlib.protocol.event.KeyPress(
time = int(time.time()),
root = display.screen().root,
window = window,
same_screen = 0, child = Xlib.X.NONE,
root_x = 0, root_y = 0, event_x = 0, event_y = 0,
state = shift_mask,
detail = keycode
)
window.send_event(event, propagate = True)
event = Xlib.protocol.event.KeyRelease(
time = int(time.time()),
root = display.screen().root,
window = window,
same_screen = 0, child = Xlib.X.NONE,
root_x = 0, root_y = 0, event_x = 0, event_y = 0,
state = shift_mask,
detail = keycode
)
window.send_event(event, propagate = True)

if __name__ == "__main__":
import sys,time
print(wait(sys.argv[1:]))
#send_string("aBcd")
#time.sleep(10)

"""Używa się tak:
import keystroke
keystroke.wait(['a','b'])
i to wisi dopóki ktoś nie wciśnie a lub b.

Z innymi klawiszam jest tak, że trzeba ich numery podać, np żeby czakać
na SPACE można zrobić
keystroke.wait(['32'])

w razie czego funkcja się 'odwiesza' jak się wciśnie ESC."""
</source>
{{hidden end}}

Pracownia Sygnałów Biologicznych/Zajecia 5 6

2026-03-25T08:25:56Z

Jarekz: /* Artefakty sieciowo-ruchowe */

[[Pracownia Sygnałów Bioelektrycznych]]/EMG

Pomiar EMG

==Wstęp==
[https://www.youtube.com/watch?v=w_R5t2-C5cA Filmik ilustrujący działanie mięśni]

Sygnały elektro-fizjologiczne pochodzące z mięśni nazywa się elektromiogramem (EMG).
Elektromiografia jest jednym z podstawowych badań w rozpoznawaniu chorób mięśni i nerwów obwodowych. Ma ona również wiele zastosowań naukowych. Amplituda sygnału EMG wynosi od około kilkudziesięciu μV do 10 mV, zaś pasmo sygnału obejmuje zakres częstości od 2 do 5000 Hz, przy czym największa energia sygnału znajduje się w przedziale od 50 do 150 Hz.

Istnieją dwa sposoby pomiaru sygnałów EMG — badanie igłowe i powierzchniowe. W badaniu igłowym EMG, elektroda igłowa lub igła z dwoma elektrodami wbijana jest w mięsień lub w nerw ruchowy. Następnie obserwuje się aktywność elektryczną mięśni w spoczynku i podczas wysiłku.

[[Plik:Electromyogram.png|250px|thumb|right|<figure id="fig:Electromyogram"></figure> Przykłady elektromiogramów. Panel górny — pacjent zdrowy. Panel środkowy — pacjent ze zmianami w nerwach obwodowych (neuropatia). Panel dolny — pacjent ze zmianami w mięśniach (miopatia).]]

Badanie powierzchniowe EMG wykonuje się z użyciem elektrod samoprzylepnych, umieszczonych na powierzchni skóry, zwykle elektrody bipolarne są rozmieszczone na linii równoległej do włókien. Ocenie podlegają mięśnie położone powierzchownie lub grupy mięśni.
Obydwie metody mają swoje wady i zalety. Metoda &bdquo;igłowa” umożliwia rejestrację sygnału EMG z wybranego mięśnia, podczas gdy metoda powierzchniowa rejestruje zbiorczą aktywność wielu jednostek ruchowych. Jednakże, w przeciwieństwie do metody powierzchniowej, metoda igłowa jest badaniem inwazyjnym i czasem bolesnym, które wykonywane jest w ośrodku klinicznym.

Na zajęciach przeprowadzimy powierzchniowy pomiar EMG (w literaturze często takie badanie oznacza się skrótem sEMG, ''s'' od ang. ''surface'' — powierzchnia). W tym celu umieścimy elektrody na skórze, nad mięśniami, których aktywność chcemy zbadać.

[https://youtu.be/afHpvABLCTo Filmik o zastosowaniach klinicznych EMG]

Lektura uzupełniająca: Reaz MBI, Hussain MS and Mohd-Yasin F. Techniques of EMG signal analysis: detection, processing, classification and applications. Biol. Proced. Online 2006; 8(1): 11-35. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC1455479/pdf/bpo_v8_p11_m115.pdf

==Źródła błędu==
Rejestracja sygnału EMG, podobnie jak pomiar innych sygnały bioelektrycznych podlega pewnym zakłóceniom. Są to przede wszystkim
*artefakty ruchowe,
*artefakty związane z obecnością zewnętrznych pól elektromagnetycznych.

===Artefakty ruchowe ===
Artefakty ruchowe

Aktywacja mięśnia powoduje jego skrócenie i przemieszczenie względem elektrody oraz skóry. Skutkuje to trzema rodzajami zakłóceń sygnału EMG:

1. Zmiana amplitudy
Elektroda oddala się od aktywnego mięśnia, co obniża rejestrowany sygnał.

2. Zmiana potencjału DC
Przemieszczenie wpływa na potencjał elektrochemiczny na granicy skóra–elektrolit.

3. Artefakt rozciągnięcia skóry
Potencjał przeznaskórkowy (PTP) w spoczynku wynosi około 30 mV. Podczas rozciągania

===Artefakty sieciowe ===
Artefakty sieciowe stanowią poważny problem w przypadku rejestracji sygnału EMG. Zwykle bowiem nie obserwujemy tylko zakłócenia o jednej częstości, równej częstości zmian napięcia w gniazdku zasilającym (np. w Polsce jest to 50 Hz), lecz również wyższe harmoniczne tej częstości (w Polsce będą to 100 Hz, 150 Hz, 200 Hz itd.). Jak można zauważyć, częstości 50 Hz, 100 Hz i 150 Hz znajdują się w paśmie, w którym sygnał EMG ma największą energię. Stosowanie filtrów pasmowo zaporowych w takim przypadku nie jest wskazane, bowiem filtry jak wiemy nie tłumią ściśle określonych częstości tylko pasma o pewnej szerokości (np. 45-55 Hz, 95-105 Hz, itd). W efekcie znaczna część interesującego nas pasma sygnału EMG zostałaby odrzucona.

Aby zminimalizować przenikanie od rejestrowanego sygnału EMG sygnału sieciowego o częstości 50 Hz, należy:
* zadbać o niską impedancję pomiędzy elektrodą a skórą,
* mierzyć sygnały różnicowe.

===Artefakty sieciowo-ruchowe ===
Podczas ruchu mięśnia ciało może ulec przemieszczeniu, co spowoduje ruch kabla w przestrzeni pomiędzy elektrodą a wzmacniaczem. W przestrzeni tej istnieje pole elektromagnetyczne wywołane zasilaniem sieci elektrycznej. Ruch kabla w polu elektromagnetycznym może powodować zaburzenia sygnału o częstości 50 Hz. Ponadto układ elektrody-kable-wzmacniacz, tworzy pewne ramki, które w trakcie ruchu zmieniają kształt a także powierzchnię. Zgodnie z '''prawem indukcji Faradaya''' zmiana strumienia magnetycznego powoduje powstawanie siły elektromotorycznej, która również może zakłócać pomiar.

* Artefakty ruchowe można w większości wyeliminować przez zastosowanie filtru górnoprzepustowego, którego częstość odcięcia ustawia się w granicy od 10 do 20 Hz.
* Aby wyeliminować artefakty związane z ruchem kabla w polu elektromagnetycznym można zastosować tzw. elektrody aktywne. W elektrodach tych (miniaturowy) wzmacniacz znajduje się na elektrodzie. Wzmacnianie sygnału na elektrodzie zwiększa względną czułość układu na sygnał mierzony na elektrodzie w stosunku do zaburzenia związanego z ruchem kabla.
* Innym rozwiązaniem tego problemu jest zastosowanie '''kabli ekranowanych'''. Kable TMSI, których używamy na Pracowni, są kablami ekranowanymi. W kablach tych, pomiędzy dwiema warstwami izolatora, istnieje dodatkowa osłona z przewodnika podłączona do wzmacniacza. Dzięki temu zewnętrzne pole elektromagnetyczne nie przenika do środka kabla. Dodatkowo aby wyeliminować indukowanie się ładunków w wyniku tarcia pomiędzy izolatorami a osłoną, jest ona częściowo pokryta warstwą węgla.



== Ćwiczenia ==

=== Ćwiczenie I: Badanie zależności sygnału EMG od obciążenia ===
====Pomiar====
* Umieść elektrodę GND na obojczyku,
* Umieść dwie elektrody do rejestracji sygnału EMG na mięśniu dwugłowym ramienia (popularnie zwanym bicepsem). Kable tych elektrod połącz z unipolarnymi wejściami wzmacniacza numer 1 i 2.
* Ustaw częstość próbkowania sygnału na 2048
===== Obserwacje wstępne =====
W tej części proszę wykonać wskazane poniżej obserwacje i zarejestrować fragmenty sygnałów, które mogłyby ilustrować ciekawe obserwacje, aby można je było wykorzystać w końcowej prezentacji.

* W SVAROGU:
** badać będziemy mięsień przedramienia
** przetestuj sygnały rejestrowane w kilku różnych lokalizacjach względem mięśnia
** Przyjrzyj się przebiegowi i widmu sygnałów
** dobierz odpowiednio filtry górnoprzepustowe
** zaobserwuj czy i kiedy w sygnale pojawiają się artefakty
** porównaj sygnały rejestrowane przez elektrody bipolarne i przez elektrody monopolarne zmontowane bipolarnie

===== Rejestracja 1: napinanie i rozluźnianie ręki =====
Zarejestruj sygnał, w którym naprzemiennie ściskasz 1 s i rozluźniasz pięść 2 s (dla badania mięśnia przedramienia). Powtórz 30 razy.

===== Rejestracja 2: zwiększanie obciążenia ręki =====
Rejestrujemy dwa stany: spoczynek, narastajace obciążenie:
* zarejestruj około 1 min. sygnału spoczynkowego
* w dalszej części będziemy stopniowo zwiększać obciążenie: co około 20 s kolejne zwiększenie obciążenia - 5 lub 6 poziomów

===== Rejestracja 3: stałe obciążenie ręki =====
Rejestrujemy dwa stany: spoczynek, narastajace obciążenie:
* zarejestruj około 20 s. sygnału spoczynkowego
* w dalszej części dokładamy obciążenie (środkowy poziom z poprzedniego ćwiczenia) i rejestrujemy 1 min. sygnału



====Analiza====
* Dalsze analizy robimy w pythonie (notebook).
** wykreśl sygnał
** sygnały filtrujemy: 30 Hz high-pass, 500 Hz low-pass and 50 Hz notch,
** Przedstaw przebieg średniej mocy sygnałów. Aby to zrobić podnieś próbki do kwadratu i uśrednij za pomocą średniej biegnącej o długości 0.1 s (filtrowanie oknem prostokątnym). Porównaj uzyskane przebiegi z przebiegiem sygnałów wejściowych.
** Zaproponuj algorytm detektora, wykrywającego ruch ręki.

* Zbadaj zależność parametrów sygnału EMG od obciązenia mięśnia:
** Predstaw wykres średnią amplitudę (odchylenie standardowe) od obciążenia
** Przedstaw widma dla kolejnych obciążeń (na wspólnym wykresie). Do estymacji wykorzystaj metodę Welcha, dobierając parametry tak, aby rozdzielczość częstotliwościowa była 1 Hz.

* Zbadaj zależność parametrów sygnału EMG od zmęczenia mięśnia.Badanie efektu zmęczenia mięśnia w EMG
** Zmęczenie mięśnia w elektromiografii bada się głównie poprzez analizę zmian sygnału podczas długotrwałego skurczu izometrycznego. Kluczowe metody:
*** Analiza widmowa (spektralna): Podczas zmęczenia obserwuje się przesunięcie widma mocy w kierunku niskich częstotliwości, co opisują dwa wskaźniki:
**** Częstotliwość medianowa (MNF/MDF) – wartość częstotliwości, poniżej której i powyżej której leży po 50% całkowitej mocy widma. Podczas zmęczenia systematycznie spada.
**** Częstotliwość średnia (Mean Power Frequency, MPF) – ważona średnia częstotliwości widma. Również maleje wraz ze zmęczeniem.
** Spadek tych parametrów wynika z wolniejszego przewodzenia potencjałów wzdłuż włókien mięśniowych (obniżenie prędkości przewodzenia) oraz akumulacji metabolitów (mleczany, jony H⁺, K⁺).
* Przedstaw ewolucję czasową środka ciężkości widma częstości





=== Ćwiczenie III: zapoznanie się z sygnałami rejestrowanymi przez inwazyjne EMG===
Proszę wczytać i przyjrzeć się sygnałom
[https://drive.google.com/file/d/1AO7w4m2F3nkSzISYXAeDGCpjMIRDx5NS/view?usp=sharing zdrowy.bin],
[https://drive.google.com/file/d/1APY5xDQJrwFuPY_V7Uza9JrKSgew1Yx1/view?usp=sharing miopatia.bin],
[https://drive.google.com/file/d/1ARzqLlYYLmhyefkBsOkoQBx4ToYpQ3yK/view?usp=sharing neuropatia.bin]. Sygnały są zapisane jako dtype='float64'
Częstość próbkowania 4000Hz, amplitudy zapisane są w mV. Dane pochodzą z bazy Physionet: https://physionet.org/content/emgdb/1.0.0/

Proszę przeczytać informację o tych danych. W raporcie proszę napisać istotne informacje o tych sygnałach i wybrać charakterystyczne fragmenty typowe dla danego stanu klinicznego.




=== Ćwiczenie V: Wykorzystanie pomiaru EMG do sterowania on-line ===

Przykładowy fragment kodu <tt>example.py</tt> umożliwiający odbieranie sygnału on line w pythonie przedstawiony jest poniżej.

Proszę dodać fragment analizujący sygnał on-line i wykrywający moment napięcia mięśnia. Po wykryciu w najprostszej wersji niech w terminalu pojawia się komunikat o wykryciu kliknięcia. W wersji max proszę zrobić wizualizację napięcia mięśnia albo podpiąć ten sygnał do sterowania jakimś prostym interfejsem.
==== Wersja działająca z pythonem z pakietu Svarog-Lab ====
<source lang =python>
#!/opt/braintech-svarog-lab-python/bin/python3

# powinno się odpalać pythonem z pakietu Svarog-Lab
# lub python w którym są zainstalowane sterowniki z
# https://braintech.pl/pliki/svarog/svarog-streamer-src/svarog-streamer-src-latest.zip
# zaletą jest dostęp wprost do sterownika wzmacniacza
# /opt/braintech-svarog-lab-python/bin/python3

# Alternatywne wzmacniacze
# from braintech.drivers.perun32.amplifier import Perun32Amplifier as Amplifier # duży wzmacniacz na 32 kanały na USB
# from braintech.drivers.perun8.amplifiers import PerunCppAmplifier as Amplifier # headset na 8 kanałów
from braintech.drivers.tmsi.amplifiers import TmsiCppAmplifier as Amplifier # wzmacniacze TMSI

import numpy as np

# Szukamy wzmacniaczy
amps = Amplifier.get_available_amplifiers()
if len(amps) < 1:
raise Exception("Amplifier not connected")
amp = Amplifier(amps[0])

amp.sampling_rate = 1024 # dla TMSI
# amp.sampling_rate = 500 # dla Perun8, Perun32

def samples_to_microvolts(samples): # amplifier podaje próbki w integerach, wprost z ADC
return samples * gains + offsets

amp.start_sampling()
gains = np.array(amp.current_description.channel_gains)
offsets = np.array(amp.current_description.channel_offsets)
while True:
# pobieramy 16 próbek
# Proponuje używać IPython dla eksperymentowania
packet = amp.get_samples(16)
print(samples_to_microvolts(packet.samples))
print(packet.ts[0])
print(packet.samples.shape, amp.current_description.channel_names)

</source>

==== Wersja dla protokołu LSL ====

<source lang =python>
# gdy nie ma możliwości używać pythona wbudowanego w svarog-lab możliwe jest używanie streamowania do standardu LSL

# włączenie streamowania do LSL:
# w terminalu:
# svarog_streamer -l
# wypisze listę wzmacniaczy
# szukamy ID odpowiedniego wzmacniacza np:
# * Perun-8 Headset
# id: "Perun8 1"

# odpalamy stream LSL danego wzmacniacza:
# svarog_streamer -a "Perun8 1" -n "nazwa_streamu"
# nazwa streamu jest ważna, ponieważ streamy są widoczne w sieci LAN
# zaleta streamu jest też taka, że można podglądać go w Svarogu jednocześnie z naszym skryptem python
# po odpaleniu streamu można odpalać poniższy skrypt dowolnym pythonem z zainstalowanym numpy oraz pylsl

from pylsl import StreamInlet, resolve_stream
import time

nazwa_streamu = "nazwa_streamu" # należy odpowiednio zmienić na nazwę użytą w svarog_streamer -n

# znajdujemy streamy
print("szukamy streamy LSL")
streams = resolve_stream('type', 'EEG')

selected_stream = None
# wybieramy nasz
for stream in streams:
if stream.name() in nazwa_streamu:
selected_stream = stream
if selected_stream is None:
print("Nie znalesiono streamu", nazwa_streamu, "w liście", [i.name() for i in streams])
exit()

# używamy streama
inlet = StreamInlet(selected_stream)

while True:
# pobieramy próbki (w mikrowoltach)
sample, timestamp = inlet.pull_chunk(timeout=1.0, max_samples=10)
print(sample, timestamp, time.monotonic())

</source>

=== Dodatek ===
Do działania on-line przydatne może być filtrowanie sygnału w sposób biegnący. Najlepiej zastosować do tego funkcję lfilter z ustalonymi warunkami początkowymi. Używa się tego w następujący sposób:
<source lang =python>
import scipy.signal as ss
import numpy as np
import matplotlib.pyplot as plt

Fs = 256
T = 1
t = np.arange(0,T,1/Fs)
f0 = 10
f1 = 17
f2 = 23
x = (np.sin(2*np.pi*f0*t) +
np.sin(2*np.pi*f1*t ) +
np.cos(2*np.pi*f2*t))
xn = x + np.random.randn(len(t)) * 0.08

b, a = ss.butter(3, 11/(Fs/2))

zi = ss.lfilter_zi(b, a)
z, _ = ss.lfilter(b, a, xn, zi=zi*xn[0])
plt.plot(xn)
plt.plot(z)
plt.show()

</source>

==== Filtrowanie online ====

Symulacja zastosowania tego sposobu on-line; filtrujemy za każdą iteracją pętli to co przychodzi ze wzmacniacza [s]:

<source lang =python>
zi = ss.lfilter_zi(b, a)
y = np.zeros(xn.shape)
for ind, s in enumerate(xn):
y_tmp, zi = ss.lfilter(b, a, [s], zi=zi)
y[ind]=y_tmp[-1]

plt.plot(y)
plt.plot(z)
plt.plot(xn)
plt.show()

</source>

==== Dodatek 2====
Dla zabawy detektor napięcia mięśni mógłby generować kliknięcia myszki, aby np. zagrać w:

https://dino-chrome.com/

W tym celu trzeba doinstalować bibliotekę pynput:
pip3 install --user pynput

a potem zastosować kod ze strony:
https://pynput.readthedocs.io/en/latest/keyboard.html

<source lang = python>

from pynput.keyboard import Key, Controller

keyboard = Controller()

def spacja():
# Press and release space
keyboard.press(Key.space)
keyboard.release(Key.space)

from pynput.mouse import Button, Controller
mouse = Controller()

def click():
#lewy klik myszy
mouse.press(Button.left)
time.sleep(500)
mouse.release(Button.left)

</source>

==== wersja dla systemu dostępnego w Labie 4.59 na Ubuntu 18 ====
<source lang = python>
from obci_cpp_amplifiers.amplifiers import TmsiCppAmplifier
import numpy as np
amps = TmsiCppAmplifier.get_available_amplifiers('usb')
amp = TmsiCppAmplifier(amps[0])

amp.sampling_rate = 512

amp.start_sampling()
gains = np.array(amp.current_description.channel_gains)
offsets = np.array(amp.current_description.channel_offsets)

def samples_to_microvolts(samples): # z jednostek wzmacniacza do mikrowoltów
return samples * gains + offsets

while True:
# 16 próbek w pakiecie, nieodebrane próbki się bufurują i można odebrać je później
packet = amp.get_samples(16)
print(samples_to_microvolts(packet.samples))
print(packet.ts[0])
print(packet.samples.shape, amp.current_description.channel_names)

</source>

Aby wykonać go w terminalu należy uruchomić polecenie, Uwaga, aby zadziałał trzeba wyłączyć SVAROGa. Proszę przetestować czy po podłączeniu wzmacniacza i uruchomieniu tego skryptu pojawiają się w terminalu wartości próbek.

/opt/braintech/bin/python3 example.py


{{hidden begin|title=Moduł keystroke:}}
<source lang = python>
# -*- coding: utf-8 -*-
#!/usr/bin/env python
# Author:
# Mateusz Kruszyński <mateusz.kruszynski@gmail.com>
#

from Xlib import X, display, Xutil, XK
import Xlib
special_X_keysyms = {
' ' : "space",
'\t' : "Tab",
'\n' : "Return", # for some reason this needs to be cr, not lf
'\r' : "Return",
'\e' : "Escape",
'!' : "exclam",
'#' : "numbersign",
'%' : "percent",
'$' : "dollar",
'&' : "ampersand",
'"' : "quotedbl",
'\'' : "apostrophe",
'(' : "parenleft",
')' : "parenright",
'*' : "asterisk",
'=' : "equal",
'+' : "plus",
',' : "comma",
'-' : "minus",
'.' : "period",
'/' : "slash",
':' : "colon",
';' : "semicolon",
'<' : "less",
'>' : "greater",
'?' : "question",
'@' : "at",
'[' : "bracketleft",
']' : "bracketright",
'\\' : "backslash",
'^' : "asciicircum",
'_' : "underscore",
'`' : "grave",
'{' : "braceleft",
'|' : "bar",
'}' : "braceright",
'~' : "asciitilde"
}

display = display.Display()
window = display.screen().root

def wait(p_keys_list):
"""Block the whole keyboard!!! And wait until some key from p_keys_list
is pressed. By now p_keys_list is a list of strings, so use single
ascii symbols.
There is a way out of this hell - hit 'Escape'.
The function returns hit button`s string representation
Eg. for p_keys_list == ['1','2','3'] the function will hand untill
1,2 or 3 key is preseed or Escape is pressed."""
ds = display
window.grab_keyboard(1, X.GrabModeAsync, X.GrabModeAsync, X.CurrentTime)
while True:
ev = ds.next_event()
if ev.type == X.KeyPress:
keysym = ds.keycode_to_keysym(ev._data['detail'], 0)
keystr = XK.keysym_to_string(keysym)
print("Got keysym/keystr: "+str(keysym)+ ' / '+str(keystr))
if keystr in p_keys_list:
ds.ungrab_keyboard(X.CurrentTime)
ds.flush()
return keystr
elif str(keysym) in p_keys_list:
ds.ungrab_keyboard(X.CurrentTime)
ds.flush()
return keysym
elif keysym == 65307:
ds.ungrab_keyboard(X.CurrentTime)
ds.flush()
return 'Escape'

def char_to_keysym(ch) :
keysym = Xlib.XK.string_to_keysym(ch)
if keysym == 0 :
# Unfortunately, although this works to get the correct keysym
# i.e. keysym for '#' is returned as "numbersign"
# the subsequent display.keysym_to_keycode("numbersign") is 0.
keysym = Xlib.XK.string_to_keysym(special_X_keysyms[ch])
return keysym

def keysym_to_keycode(keysym):
keycode = display.keysym_to_keycode(keysym)
shift_mask = 0
return keycode, shift_mask

def char_to_keycode(ch) :
keysym = char_to_keysym(ch)
keycode = display.keysym_to_keycode(keysym)
if keycode == 0 :
print "Sorry, can't map", ch

if (is_shifted(ch)) :
shift_mask = Xlib.X.ShiftMask
else :
shift_mask = 0

return keycode, shift_mask

def is_shifted(ch) :
if ch.isupper() :
return True
if "~!@#$%^&*()_+{}|:\"<>?".find(ch) >= 0 :
return True
return False

def send_string(str) :
"""I am not working. I dont know why:("""
for ch in str :
#print "sending", ch, "=",
display.keysym_to_keycode(Xlib.XK.string_to_keysym(ch))
keycode, shift_mask = char_to_keycode(ch)
event = Xlib.protocol.event.KeyPress(
time = int(time.time()),
root = display.screen().root,
window = window,
same_screen = 0, child = Xlib.X.NONE,
root_x = 0, root_y = 0, event_x = 0, event_y = 0,
state = shift_mask,
detail = keycode
)
window.send_event(event, propagate = True)
event = Xlib.protocol.event.KeyRelease(
time = int(time.time()),
root = display.screen().root,
window = window,
same_screen = 0, child = Xlib.X.NONE,
root_x = 0, root_y = 0, event_x = 0, event_y = 0,
state = shift_mask,
detail = keycode
)
window.send_event(event, propagate = True)

if __name__ == "__main__":
import sys,time
print(wait(sys.argv[1:]))
#send_string("aBcd")
#time.sleep(10)

"""Używa się tak:
import keystroke
keystroke.wait(['a','b'])
i to wisi dopóki ktoś nie wciśnie a lub b.

Z innymi klawiszam jest tak, że trzeba ich numery podać, np żeby czakać
na SPACE można zrobić
keystroke.wait(['32'])

w razie czego funkcja się 'odwiesza' jak się wciśnie ESC."""
</source>
{{hidden end}}

Pracownia Sygnałów Biologicznych/Zajecia 5 6

2026-03-25T08:23:05Z

Jarekz: /* Artefakty sieciowe */

[[Pracownia Sygnałów Bioelektrycznych]]/EMG

Pomiar EMG

==Wstęp==
[https://www.youtube.com/watch?v=w_R5t2-C5cA Filmik ilustrujący działanie mięśni]

Sygnały elektro-fizjologiczne pochodzące z mięśni nazywa się elektromiogramem (EMG).
Elektromiografia jest jednym z podstawowych badań w rozpoznawaniu chorób mięśni i nerwów obwodowych. Ma ona również wiele zastosowań naukowych. Amplituda sygnału EMG wynosi od około kilkudziesięciu μV do 10 mV, zaś pasmo sygnału obejmuje zakres częstości od 2 do 5000 Hz, przy czym największa energia sygnału znajduje się w przedziale od 50 do 150 Hz.

Istnieją dwa sposoby pomiaru sygnałów EMG — badanie igłowe i powierzchniowe. W badaniu igłowym EMG, elektroda igłowa lub igła z dwoma elektrodami wbijana jest w mięsień lub w nerw ruchowy. Następnie obserwuje się aktywność elektryczną mięśni w spoczynku i podczas wysiłku.

[[Plik:Electromyogram.png|250px|thumb|right|<figure id="fig:Electromyogram"></figure> Przykłady elektromiogramów. Panel górny — pacjent zdrowy. Panel środkowy — pacjent ze zmianami w nerwach obwodowych (neuropatia). Panel dolny — pacjent ze zmianami w mięśniach (miopatia).]]

Badanie powierzchniowe EMG wykonuje się z użyciem elektrod samoprzylepnych, umieszczonych na powierzchni skóry, zwykle elektrody bipolarne są rozmieszczone na linii równoległej do włókien. Ocenie podlegają mięśnie położone powierzchownie lub grupy mięśni.
Obydwie metody mają swoje wady i zalety. Metoda &bdquo;igłowa” umożliwia rejestrację sygnału EMG z wybranego mięśnia, podczas gdy metoda powierzchniowa rejestruje zbiorczą aktywność wielu jednostek ruchowych. Jednakże, w przeciwieństwie do metody powierzchniowej, metoda igłowa jest badaniem inwazyjnym i czasem bolesnym, które wykonywane jest w ośrodku klinicznym.

Na zajęciach przeprowadzimy powierzchniowy pomiar EMG (w literaturze często takie badanie oznacza się skrótem sEMG, ''s'' od ang. ''surface'' — powierzchnia). W tym celu umieścimy elektrody na skórze, nad mięśniami, których aktywność chcemy zbadać.

[https://youtu.be/afHpvABLCTo Filmik o zastosowaniach klinicznych EMG]

Lektura uzupełniająca: Reaz MBI, Hussain MS and Mohd-Yasin F. Techniques of EMG signal analysis: detection, processing, classification and applications. Biol. Proced. Online 2006; 8(1): 11-35. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC1455479/pdf/bpo_v8_p11_m115.pdf

==Źródła błędu==
Rejestracja sygnału EMG, podobnie jak pomiar innych sygnały bioelektrycznych podlega pewnym zakłóceniom. Są to przede wszystkim
*artefakty ruchowe,
*artefakty związane z obecnością zewnętrznych pól elektromagnetycznych.

===Artefakty ruchowe ===
Artefakty ruchowe

Aktywacja mięśnia powoduje jego skrócenie i przemieszczenie względem elektrody oraz skóry. Skutkuje to trzema rodzajami zakłóceń sygnału EMG:

1. Zmiana amplitudy
Elektroda oddala się od aktywnego mięśnia, co obniża rejestrowany sygnał.

2. Zmiana potencjału DC
Przemieszczenie wpływa na potencjał elektrochemiczny na granicy skóra–elektrolit.

3. Artefakt rozciągnięcia skóry
Potencjał przeznaskórkowy (PTP) w spoczynku wynosi około 30 mV. Podczas rozciągania

===Artefakty sieciowe ===
Artefakty sieciowe stanowią poważny problem w przypadku rejestracji sygnału EMG. Zwykle bowiem nie obserwujemy tylko zakłócenia o jednej częstości, równej częstości zmian napięcia w gniazdku zasilającym (np. w Polsce jest to 50 Hz), lecz również wyższe harmoniczne tej częstości (w Polsce będą to 100 Hz, 150 Hz, 200 Hz itd.). Jak można zauważyć, częstości 50 Hz, 100 Hz i 150 Hz znajdują się w paśmie, w którym sygnał EMG ma największą energię. Stosowanie filtrów pasmowo zaporowych w takim przypadku nie jest wskazane, bowiem filtry jak wiemy nie tłumią ściśle określonych częstości tylko pasma o pewnej szerokości (np. 45-55 Hz, 95-105 Hz, itd). W efekcie znaczna część interesującego nas pasma sygnału EMG zostałaby odrzucona.

Aby zminimalizować przenikanie od rejestrowanego sygnału EMG sygnału sieciowego o częstości 50 Hz, należy:
* zadbać o niską impedancję pomiędzy elektrodą a skórą,
* mierzyć sygnały różnicowe.

===Artefakty sieciowo-ruchowe ===
Podczas ruchu mięśnia ciało może ulec przemieszczeniu, co spowoduje ruch kabla w przestrzeni pomiędzy elektrodą a wzmacniaczem. W przestrzeni tej istnieje pole elektromagnetyczne, wywołane zasilaniem sieci elektrycznej. Ruch kabla w polu elektromagnetycznym może powodować zaburzenia sygnału o częstości 50 Hz. Ponadto układ elektrody-kable-wzmacniacz, tworzy pewne ramki, które w trakcie ruchu zmieniają kształt a także powierzchnię. Zgodnie z Prawem Indukcji Faraday'a zmiana strumienia magnetycznego powoduje powstawanie siły elektromotorycznej, która również może zakłócać pomiar.

Artefakty ruchowe można w większości wyeliminować przez zastosowanie filtru górnoprzepustowego, którego częstość odcięcia ustawia się w granicy od 10 do 20 Hz. Aby wyeliminować artefakty związane z ruchem kabla w polu elektromagnetycznym można zastosować tzw. elektrody aktywne. W elektrodach tych (miniaturowy) wzmacniacz znajduje się na elektrodzie. Wzmacnianie sygnału na elektrodzie zwiększa względną czułość układu na sygnał mierzony na elektrodzie w stosunku do zaburzenia związanego z ruchem kabla. Innym rozwiązaniem tego problemu jest zastosowanie kabli ekranowanych. Kable TMSI, których używamy na Pracowni są kablami ekranowanymi. W kablach tych, pomiędzy dwiema warstwami izolatora, istnieje dodatkowa osłona z przewodnika podłączona do wzmacniacza. Dzięki temu, zewnętrzne pole elektromagnetyczne nie przenika do środka kabla. Dodatkowo, aby wyeliminować indukowanie się ładunków w wyniku tarcia pomiędzy izolatorami a osłoną, jest ona częściowo pokryta warstwą węgla.

Sygnały do naszych zajęć znajdują się w tym katalogu:
https://drive.google.com/drive/folders/18skluB3j2CHMXX8l1UmIvNXR1tZYGU0C?usp=sharing
Proszę je pobrać.

== Ćwiczenia ==

=== Ćwiczenie I: Badanie zależności sygnału EMG od obciążenia ===
====Pomiar====
* Umieść elektrodę GND na obojczyku,
* Umieść dwie elektrody do rejestracji sygnału EMG na mięśniu dwugłowym ramienia (popularnie zwanym bicepsem). Kable tych elektrod połącz z unipolarnymi wejściami wzmacniacza numer 1 i 2.
* Ustaw częstość próbkowania sygnału na 2048
===== Obserwacje wstępne =====
W tej części proszę wykonać wskazane poniżej obserwacje i zarejestrować fragmenty sygnałów, które mogłyby ilustrować ciekawe obserwacje, aby można je było wykorzystać w końcowej prezentacji.

* W SVAROGU:
** badać będziemy mięsień przedramienia
** przetestuj sygnały rejestrowane w kilku różnych lokalizacjach względem mięśnia
** Przyjrzyj się przebiegowi i widmu sygnałów
** dobierz odpowiednio filtry górnoprzepustowe
** zaobserwuj czy i kiedy w sygnale pojawiają się artefakty
** porównaj sygnały rejestrowane przez elektrody bipolarne i przez elektrody monopolarne zmontowane bipolarnie

===== Rejestracja 1: napinanie i rozluźnianie ręki =====
Zarejestruj sygnał, w którym naprzemiennie ściskasz 1 s i rozluźniasz pięść 2 s (dla badania mięśnia przedramienia). Powtórz 30 razy.

===== Rejestracja 2: zwiększanie obciążenia ręki =====
Rejestrujemy dwa stany: spoczynek, narastajace obciążenie:
* zarejestruj około 1 min. sygnału spoczynkowego
* w dalszej części będziemy stopniowo zwiększać obciążenie: co około 20 s kolejne zwiększenie obciążenia - 5 lub 6 poziomów

===== Rejestracja 3: stałe obciążenie ręki =====
Rejestrujemy dwa stany: spoczynek, narastajace obciążenie:
* zarejestruj około 20 s. sygnału spoczynkowego
* w dalszej części dokładamy obciążenie (środkowy poziom z poprzedniego ćwiczenia) i rejestrujemy 1 min. sygnału



====Analiza====
* Dalsze analizy robimy w pythonie (notebook).
** wykreśl sygnał
** sygnały filtrujemy: 30 Hz high-pass, 500 Hz low-pass and 50 Hz notch,
** Przedstaw przebieg średniej mocy sygnałów. Aby to zrobić podnieś próbki do kwadratu i uśrednij za pomocą średniej biegnącej o długości 0.1 s (filtrowanie oknem prostokątnym). Porównaj uzyskane przebiegi z przebiegiem sygnałów wejściowych.
** Zaproponuj algorytm detektora, wykrywającego ruch ręki.

* Zbadaj zależność parametrów sygnału EMG od obciązenia mięśnia:
** Predstaw wykres średnią amplitudę (odchylenie standardowe) od obciążenia
** Przedstaw widma dla kolejnych obciążeń (na wspólnym wykresie). Do estymacji wykorzystaj metodę Welcha, dobierając parametry tak, aby rozdzielczość częstotliwościowa była 1 Hz.

* Zbadaj zależność parametrów sygnału EMG od zmęczenia mięśnia.Badanie efektu zmęczenia mięśnia w EMG
** Zmęczenie mięśnia w elektromiografii bada się głównie poprzez analizę zmian sygnału podczas długotrwałego skurczu izometrycznego. Kluczowe metody:
*** Analiza widmowa (spektralna): Podczas zmęczenia obserwuje się przesunięcie widma mocy w kierunku niskich częstotliwości, co opisują dwa wskaźniki:
**** Częstotliwość medianowa (MNF/MDF) – wartość częstotliwości, poniżej której i powyżej której leży po 50% całkowitej mocy widma. Podczas zmęczenia systematycznie spada.
**** Częstotliwość średnia (Mean Power Frequency, MPF) – ważona średnia częstotliwości widma. Również maleje wraz ze zmęczeniem.
** Spadek tych parametrów wynika z wolniejszego przewodzenia potencjałów wzdłuż włókien mięśniowych (obniżenie prędkości przewodzenia) oraz akumulacji metabolitów (mleczany, jony H⁺, K⁺).
* Przedstaw ewolucję czasową środka ciężkości widma częstości





=== Ćwiczenie III: zapoznanie się z sygnałami rejestrowanymi przez inwazyjne EMG===
Proszę wczytać i przyjrzeć się sygnałom
[https://drive.google.com/file/d/1AO7w4m2F3nkSzISYXAeDGCpjMIRDx5NS/view?usp=sharing zdrowy.bin],
[https://drive.google.com/file/d/1APY5xDQJrwFuPY_V7Uza9JrKSgew1Yx1/view?usp=sharing miopatia.bin],
[https://drive.google.com/file/d/1ARzqLlYYLmhyefkBsOkoQBx4ToYpQ3yK/view?usp=sharing neuropatia.bin]. Sygnały są zapisane jako dtype='float64'
Częstość próbkowania 4000Hz, amplitudy zapisane są w mV. Dane pochodzą z bazy Physionet: https://physionet.org/content/emgdb/1.0.0/

Proszę przeczytać informację o tych danych. W raporcie proszę napisać istotne informacje o tych sygnałach i wybrać charakterystyczne fragmenty typowe dla danego stanu klinicznego.




=== Ćwiczenie V: Wykorzystanie pomiaru EMG do sterowania on-line ===

Przykładowy fragment kodu <tt>example.py</tt> umożliwiający odbieranie sygnału on line w pythonie przedstawiony jest poniżej.

Proszę dodać fragment analizujący sygnał on-line i wykrywający moment napięcia mięśnia. Po wykryciu w najprostszej wersji niech w terminalu pojawia się komunikat o wykryciu kliknięcia. W wersji max proszę zrobić wizualizację napięcia mięśnia albo podpiąć ten sygnał do sterowania jakimś prostym interfejsem.
==== Wersja działająca z pythonem z pakietu Svarog-Lab ====
<source lang =python>
#!/opt/braintech-svarog-lab-python/bin/python3

# powinno się odpalać pythonem z pakietu Svarog-Lab
# lub python w którym są zainstalowane sterowniki z
# https://braintech.pl/pliki/svarog/svarog-streamer-src/svarog-streamer-src-latest.zip
# zaletą jest dostęp wprost do sterownika wzmacniacza
# /opt/braintech-svarog-lab-python/bin/python3

# Alternatywne wzmacniacze
# from braintech.drivers.perun32.amplifier import Perun32Amplifier as Amplifier # duży wzmacniacz na 32 kanały na USB
# from braintech.drivers.perun8.amplifiers import PerunCppAmplifier as Amplifier # headset na 8 kanałów
from braintech.drivers.tmsi.amplifiers import TmsiCppAmplifier as Amplifier # wzmacniacze TMSI

import numpy as np

# Szukamy wzmacniaczy
amps = Amplifier.get_available_amplifiers()
if len(amps) < 1:
raise Exception("Amplifier not connected")
amp = Amplifier(amps[0])

amp.sampling_rate = 1024 # dla TMSI
# amp.sampling_rate = 500 # dla Perun8, Perun32

def samples_to_microvolts(samples): # amplifier podaje próbki w integerach, wprost z ADC
return samples * gains + offsets

amp.start_sampling()
gains = np.array(amp.current_description.channel_gains)
offsets = np.array(amp.current_description.channel_offsets)
while True:
# pobieramy 16 próbek
# Proponuje używać IPython dla eksperymentowania
packet = amp.get_samples(16)
print(samples_to_microvolts(packet.samples))
print(packet.ts[0])
print(packet.samples.shape, amp.current_description.channel_names)

</source>

==== Wersja dla protokołu LSL ====

<source lang =python>
# gdy nie ma możliwości używać pythona wbudowanego w svarog-lab możliwe jest używanie streamowania do standardu LSL

# włączenie streamowania do LSL:
# w terminalu:
# svarog_streamer -l
# wypisze listę wzmacniaczy
# szukamy ID odpowiedniego wzmacniacza np:
# * Perun-8 Headset
# id: "Perun8 1"

# odpalamy stream LSL danego wzmacniacza:
# svarog_streamer -a "Perun8 1" -n "nazwa_streamu"
# nazwa streamu jest ważna, ponieważ streamy są widoczne w sieci LAN
# zaleta streamu jest też taka, że można podglądać go w Svarogu jednocześnie z naszym skryptem python
# po odpaleniu streamu można odpalać poniższy skrypt dowolnym pythonem z zainstalowanym numpy oraz pylsl

from pylsl import StreamInlet, resolve_stream
import time

nazwa_streamu = "nazwa_streamu" # należy odpowiednio zmienić na nazwę użytą w svarog_streamer -n

# znajdujemy streamy
print("szukamy streamy LSL")
streams = resolve_stream('type', 'EEG')

selected_stream = None
# wybieramy nasz
for stream in streams:
if stream.name() in nazwa_streamu:
selected_stream = stream
if selected_stream is None:
print("Nie znalesiono streamu", nazwa_streamu, "w liście", [i.name() for i in streams])
exit()

# używamy streama
inlet = StreamInlet(selected_stream)

while True:
# pobieramy próbki (w mikrowoltach)
sample, timestamp = inlet.pull_chunk(timeout=1.0, max_samples=10)
print(sample, timestamp, time.monotonic())

</source>

=== Dodatek ===
Do działania on-line przydatne może być filtrowanie sygnału w sposób biegnący. Najlepiej zastosować do tego funkcję lfilter z ustalonymi warunkami początkowymi. Używa się tego w następujący sposób:
<source lang =python>
import scipy.signal as ss
import numpy as np
import matplotlib.pyplot as plt

Fs = 256
T = 1
t = np.arange(0,T,1/Fs)
f0 = 10
f1 = 17
f2 = 23
x = (np.sin(2*np.pi*f0*t) +
np.sin(2*np.pi*f1*t ) +
np.cos(2*np.pi*f2*t))
xn = x + np.random.randn(len(t)) * 0.08

b, a = ss.butter(3, 11/(Fs/2))

zi = ss.lfilter_zi(b, a)
z, _ = ss.lfilter(b, a, xn, zi=zi*xn[0])
plt.plot(xn)
plt.plot(z)
plt.show()

</source>

==== Filtrowanie online ====

Symulacja zastosowania tego sposobu on-line; filtrujemy za każdą iteracją pętli to co przychodzi ze wzmacniacza [s]:

<source lang =python>
zi = ss.lfilter_zi(b, a)
y = np.zeros(xn.shape)
for ind, s in enumerate(xn):
y_tmp, zi = ss.lfilter(b, a, [s], zi=zi)
y[ind]=y_tmp[-1]

plt.plot(y)
plt.plot(z)
plt.plot(xn)
plt.show()

</source>

==== Dodatek 2====
Dla zabawy detektor napięcia mięśni mógłby generować kliknięcia myszki, aby np. zagrać w:

https://dino-chrome.com/

W tym celu trzeba doinstalować bibliotekę pynput:
pip3 install --user pynput

a potem zastosować kod ze strony:
https://pynput.readthedocs.io/en/latest/keyboard.html

<source lang = python>

from pynput.keyboard import Key, Controller

keyboard = Controller()

def spacja():
# Press and release space
keyboard.press(Key.space)
keyboard.release(Key.space)

from pynput.mouse import Button, Controller
mouse = Controller()

def click():
#lewy klik myszy
mouse.press(Button.left)
time.sleep(500)
mouse.release(Button.left)

</source>

==== wersja dla systemu dostępnego w Labie 4.59 na Ubuntu 18 ====
<source lang = python>
from obci_cpp_amplifiers.amplifiers import TmsiCppAmplifier
import numpy as np
amps = TmsiCppAmplifier.get_available_amplifiers('usb')
amp = TmsiCppAmplifier(amps[0])

amp.sampling_rate = 512

amp.start_sampling()
gains = np.array(amp.current_description.channel_gains)
offsets = np.array(amp.current_description.channel_offsets)

def samples_to_microvolts(samples): # z jednostek wzmacniacza do mikrowoltów
return samples * gains + offsets

while True:
# 16 próbek w pakiecie, nieodebrane próbki się bufurują i można odebrać je później
packet = amp.get_samples(16)
print(samples_to_microvolts(packet.samples))
print(packet.ts[0])
print(packet.samples.shape, amp.current_description.channel_names)

</source>

Aby wykonać go w terminalu należy uruchomić polecenie, Uwaga, aby zadziałał trzeba wyłączyć SVAROGa. Proszę przetestować czy po podłączeniu wzmacniacza i uruchomieniu tego skryptu pojawiają się w terminalu wartości próbek.

/opt/braintech/bin/python3 example.py


{{hidden begin|title=Moduł keystroke:}}
<source lang = python>
# -*- coding: utf-8 -*-
#!/usr/bin/env python
# Author:
# Mateusz Kruszyński <mateusz.kruszynski@gmail.com>
#

from Xlib import X, display, Xutil, XK
import Xlib
special_X_keysyms = {
' ' : "space",
'\t' : "Tab",
'\n' : "Return", # for some reason this needs to be cr, not lf
'\r' : "Return",
'\e' : "Escape",
'!' : "exclam",
'#' : "numbersign",
'%' : "percent",
'$' : "dollar",
'&' : "ampersand",
'"' : "quotedbl",
'\'' : "apostrophe",
'(' : "parenleft",
')' : "parenright",
'*' : "asterisk",
'=' : "equal",
'+' : "plus",
',' : "comma",
'-' : "minus",
'.' : "period",
'/' : "slash",
':' : "colon",
';' : "semicolon",
'<' : "less",
'>' : "greater",
'?' : "question",
'@' : "at",
'[' : "bracketleft",
']' : "bracketright",
'\\' : "backslash",
'^' : "asciicircum",
'_' : "underscore",
'`' : "grave",
'{' : "braceleft",
'|' : "bar",
'}' : "braceright",
'~' : "asciitilde"
}

display = display.Display()
window = display.screen().root

def wait(p_keys_list):
"""Block the whole keyboard!!! And wait until some key from p_keys_list
is pressed. By now p_keys_list is a list of strings, so use single
ascii symbols.
There is a way out of this hell - hit 'Escape'.
The function returns hit button`s string representation
Eg. for p_keys_list == ['1','2','3'] the function will hand untill
1,2 or 3 key is preseed or Escape is pressed."""
ds = display
window.grab_keyboard(1, X.GrabModeAsync, X.GrabModeAsync, X.CurrentTime)
while True:
ev = ds.next_event()
if ev.type == X.KeyPress:
keysym = ds.keycode_to_keysym(ev._data['detail'], 0)
keystr = XK.keysym_to_string(keysym)
print("Got keysym/keystr: "+str(keysym)+ ' / '+str(keystr))
if keystr in p_keys_list:
ds.ungrab_keyboard(X.CurrentTime)
ds.flush()
return keystr
elif str(keysym) in p_keys_list:
ds.ungrab_keyboard(X.CurrentTime)
ds.flush()
return keysym
elif keysym == 65307:
ds.ungrab_keyboard(X.CurrentTime)
ds.flush()
return 'Escape'

def char_to_keysym(ch) :
keysym = Xlib.XK.string_to_keysym(ch)
if keysym == 0 :
# Unfortunately, although this works to get the correct keysym
# i.e. keysym for '#' is returned as "numbersign"
# the subsequent display.keysym_to_keycode("numbersign") is 0.
keysym = Xlib.XK.string_to_keysym(special_X_keysyms[ch])
return keysym

def keysym_to_keycode(keysym):
keycode = display.keysym_to_keycode(keysym)
shift_mask = 0
return keycode, shift_mask

def char_to_keycode(ch) :
keysym = char_to_keysym(ch)
keycode = display.keysym_to_keycode(keysym)
if keycode == 0 :
print "Sorry, can't map", ch

if (is_shifted(ch)) :
shift_mask = Xlib.X.ShiftMask
else :
shift_mask = 0

return keycode, shift_mask

def is_shifted(ch) :
if ch.isupper() :
return True
if "~!@#$%^&*()_+{}|:\"<>?".find(ch) >= 0 :
return True
return False

def send_string(str) :
"""I am not working. I dont know why:("""
for ch in str :
#print "sending", ch, "=",
display.keysym_to_keycode(Xlib.XK.string_to_keysym(ch))
keycode, shift_mask = char_to_keycode(ch)
event = Xlib.protocol.event.KeyPress(
time = int(time.time()),
root = display.screen().root,
window = window,
same_screen = 0, child = Xlib.X.NONE,
root_x = 0, root_y = 0, event_x = 0, event_y = 0,
state = shift_mask,
detail = keycode
)
window.send_event(event, propagate = True)
event = Xlib.protocol.event.KeyRelease(
time = int(time.time()),
root = display.screen().root,
window = window,
same_screen = 0, child = Xlib.X.NONE,
root_x = 0, root_y = 0, event_x = 0, event_y = 0,
state = shift_mask,
detail = keycode
)
window.send_event(event, propagate = True)

if __name__ == "__main__":
import sys,time
print(wait(sys.argv[1:]))
#send_string("aBcd")
#time.sleep(10)

"""Używa się tak:
import keystroke
keystroke.wait(['a','b'])
i to wisi dopóki ktoś nie wciśnie a lub b.

Z innymi klawiszam jest tak, że trzeba ich numery podać, np żeby czakać
na SPACE można zrobić
keystroke.wait(['32'])

w razie czego funkcja się 'odwiesza' jak się wciśnie ESC."""
</source>
{{hidden end}}

Pracownia Sygnałów Biologicznych/Zajecia 5 6

2026-03-25T08:20:58Z

Jarekz: /* Artefakty ruchowe */

[[Pracownia Sygnałów Bioelektrycznych]]/EMG

Pomiar EMG

==Wstęp==
[https://www.youtube.com/watch?v=w_R5t2-C5cA Filmik ilustrujący działanie mięśni]

Sygnały elektro-fizjologiczne pochodzące z mięśni nazywa się elektromiogramem (EMG).
Elektromiografia jest jednym z podstawowych badań w rozpoznawaniu chorób mięśni i nerwów obwodowych. Ma ona również wiele zastosowań naukowych. Amplituda sygnału EMG wynosi od około kilkudziesięciu μV do 10 mV, zaś pasmo sygnału obejmuje zakres częstości od 2 do 5000 Hz, przy czym największa energia sygnału znajduje się w przedziale od 50 do 150 Hz.

Istnieją dwa sposoby pomiaru sygnałów EMG — badanie igłowe i powierzchniowe. W badaniu igłowym EMG, elektroda igłowa lub igła z dwoma elektrodami wbijana jest w mięsień lub w nerw ruchowy. Następnie obserwuje się aktywność elektryczną mięśni w spoczynku i podczas wysiłku.

[[Plik:Electromyogram.png|250px|thumb|right|<figure id="fig:Electromyogram"></figure> Przykłady elektromiogramów. Panel górny — pacjent zdrowy. Panel środkowy — pacjent ze zmianami w nerwach obwodowych (neuropatia). Panel dolny — pacjent ze zmianami w mięśniach (miopatia).]]

Badanie powierzchniowe EMG wykonuje się z użyciem elektrod samoprzylepnych, umieszczonych na powierzchni skóry, zwykle elektrody bipolarne są rozmieszczone na linii równoległej do włókien. Ocenie podlegają mięśnie położone powierzchownie lub grupy mięśni.
Obydwie metody mają swoje wady i zalety. Metoda &bdquo;igłowa” umożliwia rejestrację sygnału EMG z wybranego mięśnia, podczas gdy metoda powierzchniowa rejestruje zbiorczą aktywność wielu jednostek ruchowych. Jednakże, w przeciwieństwie do metody powierzchniowej, metoda igłowa jest badaniem inwazyjnym i czasem bolesnym, które wykonywane jest w ośrodku klinicznym.

Na zajęciach przeprowadzimy powierzchniowy pomiar EMG (w literaturze często takie badanie oznacza się skrótem sEMG, ''s'' od ang. ''surface'' — powierzchnia). W tym celu umieścimy elektrody na skórze, nad mięśniami, których aktywność chcemy zbadać.

[https://youtu.be/afHpvABLCTo Filmik o zastosowaniach klinicznych EMG]

Lektura uzupełniająca: Reaz MBI, Hussain MS and Mohd-Yasin F. Techniques of EMG signal analysis: detection, processing, classification and applications. Biol. Proced. Online 2006; 8(1): 11-35. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC1455479/pdf/bpo_v8_p11_m115.pdf

==Źródła błędu==
Rejestracja sygnału EMG, podobnie jak pomiar innych sygnały bioelektrycznych podlega pewnym zakłóceniom. Są to przede wszystkim
*artefakty ruchowe,
*artefakty związane z obecnością zewnętrznych pól elektromagnetycznych.

===Artefakty ruchowe ===
Artefakty ruchowe

Aktywacja mięśnia powoduje jego skrócenie i przemieszczenie względem elektrody oraz skóry. Skutkuje to trzema rodzajami zakłóceń sygnału EMG:

1. Zmiana amplitudy
Elektroda oddala się od aktywnego mięśnia, co obniża rejestrowany sygnał.

2. Zmiana potencjału DC
Przemieszczenie wpływa na potencjał elektrochemiczny na granicy skóra–elektrolit.

3. Artefakt rozciągnięcia skóry
Potencjał przeznaskórkowy (PTP) w spoczynku wynosi około 30 mV. Podczas rozciągania

===Artefakty sieciowe ===
Artefakty sieciowe stanowią poważny problem w przypadku rejestracji sygnału EMG. Zwykle bowiem nie obserwujemy tylko zakłócenia o jednej częstości, równej częstości zmian napięcia w gniazdku zasilającym (np. w Polsce jest to 50 Hz), lecz również wyższe harmoniczne tej częstości (w Polsce będzie to 100 Hz, 150 Hz, 200 Hz, itd). Jak można zauważyć, częstości 50 Hz, 100 Hz i 150 Hz znajdują się w paśmie, w którym sygnał EMG ma największą energię. Stosowanie filtrów pasmowo zaporowych w takim przypadku nie jest wskazane, bowiem filtry jak wiemy nie tłumią ściśle określonych częstości tylko pasma o pewnej szerokości (np. 45-55 Hz, 95-105 Hz, itd). W efekcie znaczna część interesującego nas pasma sygnału EMG zostałaby odrzucona. Aby zminimalizować przenikanie od rejestrowanego sygnału EMG sygnału sieciowego o częstości 50 Hz należy zadbać o niską impedancję pomiędzy elektrodą a skóra oraz powinno mierzyć się sygnały różnicowe.

===Artefakty sieciowo-ruchowe ===
Podczas ruchu mięśnia ciało może ulec przemieszczeniu, co spowoduje ruch kabla w przestrzeni pomiędzy elektrodą a wzmacniaczem. W przestrzeni tej istnieje pole elektromagnetyczne, wywołane zasilaniem sieci elektrycznej. Ruch kabla w polu elektromagnetycznym może powodować zaburzenia sygnału o częstości 50 Hz. Ponadto układ elektrody-kable-wzmacniacz, tworzy pewne ramki, które w trakcie ruchu zmieniają kształt a także powierzchnię. Zgodnie z Prawem Indukcji Faraday'a zmiana strumienia magnetycznego powoduje powstawanie siły elektromotorycznej, która również może zakłócać pomiar.

Artefakty ruchowe można w większości wyeliminować przez zastosowanie filtru górnoprzepustowego, którego częstość odcięcia ustawia się w granicy od 10 do 20 Hz. Aby wyeliminować artefakty związane z ruchem kabla w polu elektromagnetycznym można zastosować tzw. elektrody aktywne. W elektrodach tych (miniaturowy) wzmacniacz znajduje się na elektrodzie. Wzmacnianie sygnału na elektrodzie zwiększa względną czułość układu na sygnał mierzony na elektrodzie w stosunku do zaburzenia związanego z ruchem kabla. Innym rozwiązaniem tego problemu jest zastosowanie kabli ekranowanych. Kable TMSI, których używamy na Pracowni są kablami ekranowanymi. W kablach tych, pomiędzy dwiema warstwami izolatora, istnieje dodatkowa osłona z przewodnika podłączona do wzmacniacza. Dzięki temu, zewnętrzne pole elektromagnetyczne nie przenika do środka kabla. Dodatkowo, aby wyeliminować indukowanie się ładunków w wyniku tarcia pomiędzy izolatorami a osłoną, jest ona częściowo pokryta warstwą węgla.

Sygnały do naszych zajęć znajdują się w tym katalogu:
https://drive.google.com/drive/folders/18skluB3j2CHMXX8l1UmIvNXR1tZYGU0C?usp=sharing
Proszę je pobrać.

== Ćwiczenia ==

=== Ćwiczenie I: Badanie zależności sygnału EMG od obciążenia ===
====Pomiar====
* Umieść elektrodę GND na obojczyku,
* Umieść dwie elektrody do rejestracji sygnału EMG na mięśniu dwugłowym ramienia (popularnie zwanym bicepsem). Kable tych elektrod połącz z unipolarnymi wejściami wzmacniacza numer 1 i 2.
* Ustaw częstość próbkowania sygnału na 2048
===== Obserwacje wstępne =====
W tej części proszę wykonać wskazane poniżej obserwacje i zarejestrować fragmenty sygnałów, które mogłyby ilustrować ciekawe obserwacje, aby można je było wykorzystać w końcowej prezentacji.

* W SVAROGU:
** badać będziemy mięsień przedramienia
** przetestuj sygnały rejestrowane w kilku różnych lokalizacjach względem mięśnia
** Przyjrzyj się przebiegowi i widmu sygnałów
** dobierz odpowiednio filtry górnoprzepustowe
** zaobserwuj czy i kiedy w sygnale pojawiają się artefakty
** porównaj sygnały rejestrowane przez elektrody bipolarne i przez elektrody monopolarne zmontowane bipolarnie

===== Rejestracja 1: napinanie i rozluźnianie ręki =====
Zarejestruj sygnał, w którym naprzemiennie ściskasz 1 s i rozluźniasz pięść 2 s (dla badania mięśnia przedramienia). Powtórz 30 razy.

===== Rejestracja 2: zwiększanie obciążenia ręki =====
Rejestrujemy dwa stany: spoczynek, narastajace obciążenie:
* zarejestruj około 1 min. sygnału spoczynkowego
* w dalszej części będziemy stopniowo zwiększać obciążenie: co około 20 s kolejne zwiększenie obciążenia - 5 lub 6 poziomów

===== Rejestracja 3: stałe obciążenie ręki =====
Rejestrujemy dwa stany: spoczynek, narastajace obciążenie:
* zarejestruj około 20 s. sygnału spoczynkowego
* w dalszej części dokładamy obciążenie (środkowy poziom z poprzedniego ćwiczenia) i rejestrujemy 1 min. sygnału



====Analiza====
* Dalsze analizy robimy w pythonie (notebook).
** wykreśl sygnał
** sygnały filtrujemy: 30 Hz high-pass, 500 Hz low-pass and 50 Hz notch,
** Przedstaw przebieg średniej mocy sygnałów. Aby to zrobić podnieś próbki do kwadratu i uśrednij za pomocą średniej biegnącej o długości 0.1 s (filtrowanie oknem prostokątnym). Porównaj uzyskane przebiegi z przebiegiem sygnałów wejściowych.
** Zaproponuj algorytm detektora, wykrywającego ruch ręki.

* Zbadaj zależność parametrów sygnału EMG od obciązenia mięśnia:
** Predstaw wykres średnią amplitudę (odchylenie standardowe) od obciążenia
** Przedstaw widma dla kolejnych obciążeń (na wspólnym wykresie). Do estymacji wykorzystaj metodę Welcha, dobierając parametry tak, aby rozdzielczość częstotliwościowa była 1 Hz.

* Zbadaj zależność parametrów sygnału EMG od zmęczenia mięśnia.Badanie efektu zmęczenia mięśnia w EMG
** Zmęczenie mięśnia w elektromiografii bada się głównie poprzez analizę zmian sygnału podczas długotrwałego skurczu izometrycznego. Kluczowe metody:
*** Analiza widmowa (spektralna): Podczas zmęczenia obserwuje się przesunięcie widma mocy w kierunku niskich częstotliwości, co opisują dwa wskaźniki:
**** Częstotliwość medianowa (MNF/MDF) – wartość częstotliwości, poniżej której i powyżej której leży po 50% całkowitej mocy widma. Podczas zmęczenia systematycznie spada.
**** Częstotliwość średnia (Mean Power Frequency, MPF) – ważona średnia częstotliwości widma. Również maleje wraz ze zmęczeniem.
** Spadek tych parametrów wynika z wolniejszego przewodzenia potencjałów wzdłuż włókien mięśniowych (obniżenie prędkości przewodzenia) oraz akumulacji metabolitów (mleczany, jony H⁺, K⁺).
* Przedstaw ewolucję czasową środka ciężkości widma częstości





=== Ćwiczenie III: zapoznanie się z sygnałami rejestrowanymi przez inwazyjne EMG===
Proszę wczytać i przyjrzeć się sygnałom
[https://drive.google.com/file/d/1AO7w4m2F3nkSzISYXAeDGCpjMIRDx5NS/view?usp=sharing zdrowy.bin],
[https://drive.google.com/file/d/1APY5xDQJrwFuPY_V7Uza9JrKSgew1Yx1/view?usp=sharing miopatia.bin],
[https://drive.google.com/file/d/1ARzqLlYYLmhyefkBsOkoQBx4ToYpQ3yK/view?usp=sharing neuropatia.bin]. Sygnały są zapisane jako dtype='float64'
Częstość próbkowania 4000Hz, amplitudy zapisane są w mV. Dane pochodzą z bazy Physionet: https://physionet.org/content/emgdb/1.0.0/

Proszę przeczytać informację o tych danych. W raporcie proszę napisać istotne informacje o tych sygnałach i wybrać charakterystyczne fragmenty typowe dla danego stanu klinicznego.




=== Ćwiczenie V: Wykorzystanie pomiaru EMG do sterowania on-line ===

Przykładowy fragment kodu <tt>example.py</tt> umożliwiający odbieranie sygnału on line w pythonie przedstawiony jest poniżej.

Proszę dodać fragment analizujący sygnał on-line i wykrywający moment napięcia mięśnia. Po wykryciu w najprostszej wersji niech w terminalu pojawia się komunikat o wykryciu kliknięcia. W wersji max proszę zrobić wizualizację napięcia mięśnia albo podpiąć ten sygnał do sterowania jakimś prostym interfejsem.
==== Wersja działająca z pythonem z pakietu Svarog-Lab ====
<source lang =python>
#!/opt/braintech-svarog-lab-python/bin/python3

# powinno się odpalać pythonem z pakietu Svarog-Lab
# lub python w którym są zainstalowane sterowniki z
# https://braintech.pl/pliki/svarog/svarog-streamer-src/svarog-streamer-src-latest.zip
# zaletą jest dostęp wprost do sterownika wzmacniacza
# /opt/braintech-svarog-lab-python/bin/python3

# Alternatywne wzmacniacze
# from braintech.drivers.perun32.amplifier import Perun32Amplifier as Amplifier # duży wzmacniacz na 32 kanały na USB
# from braintech.drivers.perun8.amplifiers import PerunCppAmplifier as Amplifier # headset na 8 kanałów
from braintech.drivers.tmsi.amplifiers import TmsiCppAmplifier as Amplifier # wzmacniacze TMSI

import numpy as np

# Szukamy wzmacniaczy
amps = Amplifier.get_available_amplifiers()
if len(amps) < 1:
raise Exception("Amplifier not connected")
amp = Amplifier(amps[0])

amp.sampling_rate = 1024 # dla TMSI
# amp.sampling_rate = 500 # dla Perun8, Perun32

def samples_to_microvolts(samples): # amplifier podaje próbki w integerach, wprost z ADC
return samples * gains + offsets

amp.start_sampling()
gains = np.array(amp.current_description.channel_gains)
offsets = np.array(amp.current_description.channel_offsets)
while True:
# pobieramy 16 próbek
# Proponuje używać IPython dla eksperymentowania
packet = amp.get_samples(16)
print(samples_to_microvolts(packet.samples))
print(packet.ts[0])
print(packet.samples.shape, amp.current_description.channel_names)

</source>

==== Wersja dla protokołu LSL ====

<source lang =python>
# gdy nie ma możliwości używać pythona wbudowanego w svarog-lab możliwe jest używanie streamowania do standardu LSL

# włączenie streamowania do LSL:
# w terminalu:
# svarog_streamer -l
# wypisze listę wzmacniaczy
# szukamy ID odpowiedniego wzmacniacza np:
# * Perun-8 Headset
# id: "Perun8 1"

# odpalamy stream LSL danego wzmacniacza:
# svarog_streamer -a "Perun8 1" -n "nazwa_streamu"
# nazwa streamu jest ważna, ponieważ streamy są widoczne w sieci LAN
# zaleta streamu jest też taka, że można podglądać go w Svarogu jednocześnie z naszym skryptem python
# po odpaleniu streamu można odpalać poniższy skrypt dowolnym pythonem z zainstalowanym numpy oraz pylsl

from pylsl import StreamInlet, resolve_stream
import time

nazwa_streamu = "nazwa_streamu" # należy odpowiednio zmienić na nazwę użytą w svarog_streamer -n

# znajdujemy streamy
print("szukamy streamy LSL")
streams = resolve_stream('type', 'EEG')

selected_stream = None
# wybieramy nasz
for stream in streams:
if stream.name() in nazwa_streamu:
selected_stream = stream
if selected_stream is None:
print("Nie znalesiono streamu", nazwa_streamu, "w liście", [i.name() for i in streams])
exit()

# używamy streama
inlet = StreamInlet(selected_stream)

while True:
# pobieramy próbki (w mikrowoltach)
sample, timestamp = inlet.pull_chunk(timeout=1.0, max_samples=10)
print(sample, timestamp, time.monotonic())

</source>

=== Dodatek ===
Do działania on-line przydatne może być filtrowanie sygnału w sposób biegnący. Najlepiej zastosować do tego funkcję lfilter z ustalonymi warunkami początkowymi. Używa się tego w następujący sposób:
<source lang =python>
import scipy.signal as ss
import numpy as np
import matplotlib.pyplot as plt

Fs = 256
T = 1
t = np.arange(0,T,1/Fs)
f0 = 10
f1 = 17
f2 = 23
x = (np.sin(2*np.pi*f0*t) +
np.sin(2*np.pi*f1*t ) +
np.cos(2*np.pi*f2*t))
xn = x + np.random.randn(len(t)) * 0.08

b, a = ss.butter(3, 11/(Fs/2))

zi = ss.lfilter_zi(b, a)
z, _ = ss.lfilter(b, a, xn, zi=zi*xn[0])
plt.plot(xn)
plt.plot(z)
plt.show()

</source>

==== Filtrowanie online ====

Symulacja zastosowania tego sposobu on-line; filtrujemy za każdą iteracją pętli to co przychodzi ze wzmacniacza [s]:

<source lang =python>
zi = ss.lfilter_zi(b, a)
y = np.zeros(xn.shape)
for ind, s in enumerate(xn):
y_tmp, zi = ss.lfilter(b, a, [s], zi=zi)
y[ind]=y_tmp[-1]

plt.plot(y)
plt.plot(z)
plt.plot(xn)
plt.show()

</source>

==== Dodatek 2====
Dla zabawy detektor napięcia mięśni mógłby generować kliknięcia myszki, aby np. zagrać w:

https://dino-chrome.com/

W tym celu trzeba doinstalować bibliotekę pynput:
pip3 install --user pynput

a potem zastosować kod ze strony:
https://pynput.readthedocs.io/en/latest/keyboard.html

<source lang = python>

from pynput.keyboard import Key, Controller

keyboard = Controller()

def spacja():
# Press and release space
keyboard.press(Key.space)
keyboard.release(Key.space)

from pynput.mouse import Button, Controller
mouse = Controller()

def click():
#lewy klik myszy
mouse.press(Button.left)
time.sleep(500)
mouse.release(Button.left)

</source>

==== wersja dla systemu dostępnego w Labie 4.59 na Ubuntu 18 ====
<source lang = python>
from obci_cpp_amplifiers.amplifiers import TmsiCppAmplifier
import numpy as np
amps = TmsiCppAmplifier.get_available_amplifiers('usb')
amp = TmsiCppAmplifier(amps[0])

amp.sampling_rate = 512

amp.start_sampling()
gains = np.array(amp.current_description.channel_gains)
offsets = np.array(amp.current_description.channel_offsets)

def samples_to_microvolts(samples): # z jednostek wzmacniacza do mikrowoltów
return samples * gains + offsets

while True:
# 16 próbek w pakiecie, nieodebrane próbki się bufurują i można odebrać je później
packet = amp.get_samples(16)
print(samples_to_microvolts(packet.samples))
print(packet.ts[0])
print(packet.samples.shape, amp.current_description.channel_names)

</source>

Aby wykonać go w terminalu należy uruchomić polecenie, Uwaga, aby zadziałał trzeba wyłączyć SVAROGa. Proszę przetestować czy po podłączeniu wzmacniacza i uruchomieniu tego skryptu pojawiają się w terminalu wartości próbek.

/opt/braintech/bin/python3 example.py


{{hidden begin|title=Moduł keystroke:}}
<source lang = python>
# -*- coding: utf-8 -*-
#!/usr/bin/env python
# Author:
# Mateusz Kruszyński <mateusz.kruszynski@gmail.com>
#

from Xlib import X, display, Xutil, XK
import Xlib
special_X_keysyms = {
' ' : "space",
'\t' : "Tab",
'\n' : "Return", # for some reason this needs to be cr, not lf
'\r' : "Return",
'\e' : "Escape",
'!' : "exclam",
'#' : "numbersign",
'%' : "percent",
'$' : "dollar",
'&' : "ampersand",
'"' : "quotedbl",
'\'' : "apostrophe",
'(' : "parenleft",
')' : "parenright",
'*' : "asterisk",
'=' : "equal",
'+' : "plus",
',' : "comma",
'-' : "minus",
'.' : "period",
'/' : "slash",
':' : "colon",
';' : "semicolon",
'<' : "less",
'>' : "greater",
'?' : "question",
'@' : "at",
'[' : "bracketleft",
']' : "bracketright",
'\\' : "backslash",
'^' : "asciicircum",
'_' : "underscore",
'`' : "grave",
'{' : "braceleft",
'|' : "bar",
'}' : "braceright",
'~' : "asciitilde"
}

display = display.Display()
window = display.screen().root

def wait(p_keys_list):
"""Block the whole keyboard!!! And wait until some key from p_keys_list
is pressed. By now p_keys_list is a list of strings, so use single
ascii symbols.
There is a way out of this hell - hit 'Escape'.
The function returns hit button`s string representation
Eg. for p_keys_list == ['1','2','3'] the function will hand untill
1,2 or 3 key is preseed or Escape is pressed."""
ds = display
window.grab_keyboard(1, X.GrabModeAsync, X.GrabModeAsync, X.CurrentTime)
while True:
ev = ds.next_event()
if ev.type == X.KeyPress:
keysym = ds.keycode_to_keysym(ev._data['detail'], 0)
keystr = XK.keysym_to_string(keysym)
print("Got keysym/keystr: "+str(keysym)+ ' / '+str(keystr))
if keystr in p_keys_list:
ds.ungrab_keyboard(X.CurrentTime)
ds.flush()
return keystr
elif str(keysym) in p_keys_list:
ds.ungrab_keyboard(X.CurrentTime)
ds.flush()
return keysym
elif keysym == 65307:
ds.ungrab_keyboard(X.CurrentTime)
ds.flush()
return 'Escape'

def char_to_keysym(ch) :
keysym = Xlib.XK.string_to_keysym(ch)
if keysym == 0 :
# Unfortunately, although this works to get the correct keysym
# i.e. keysym for '#' is returned as "numbersign"
# the subsequent display.keysym_to_keycode("numbersign") is 0.
keysym = Xlib.XK.string_to_keysym(special_X_keysyms[ch])
return keysym

def keysym_to_keycode(keysym):
keycode = display.keysym_to_keycode(keysym)
shift_mask = 0
return keycode, shift_mask

def char_to_keycode(ch) :
keysym = char_to_keysym(ch)
keycode = display.keysym_to_keycode(keysym)
if keycode == 0 :
print "Sorry, can't map", ch

if (is_shifted(ch)) :
shift_mask = Xlib.X.ShiftMask
else :
shift_mask = 0

return keycode, shift_mask

def is_shifted(ch) :
if ch.isupper() :
return True
if "~!@#$%^&*()_+{}|:\"<>?".find(ch) >= 0 :
return True
return False

def send_string(str) :
"""I am not working. I dont know why:("""
for ch in str :
#print "sending", ch, "=",
display.keysym_to_keycode(Xlib.XK.string_to_keysym(ch))
keycode, shift_mask = char_to_keycode(ch)
event = Xlib.protocol.event.KeyPress(
time = int(time.time()),
root = display.screen().root,
window = window,
same_screen = 0, child = Xlib.X.NONE,
root_x = 0, root_y = 0, event_x = 0, event_y = 0,
state = shift_mask,
detail = keycode
)
window.send_event(event, propagate = True)
event = Xlib.protocol.event.KeyRelease(
time = int(time.time()),
root = display.screen().root,
window = window,
same_screen = 0, child = Xlib.X.NONE,
root_x = 0, root_y = 0, event_x = 0, event_y = 0,
state = shift_mask,
detail = keycode
)
window.send_event(event, propagate = True)

if __name__ == "__main__":
import sys,time
print(wait(sys.argv[1:]))
#send_string("aBcd")
#time.sleep(10)

"""Używa się tak:
import keystroke
keystroke.wait(['a','b'])
i to wisi dopóki ktoś nie wciśnie a lub b.

Z innymi klawiszam jest tak, że trzeba ich numery podać, np żeby czakać
na SPACE można zrobić
keystroke.wait(['32'])

w razie czego funkcja się 'odwiesza' jak się wciśnie ESC."""
</source>
{{hidden end}}

Pracownia Sygnałów Biologicznych/Zajecia 5 6

2026-03-20T08:50:29Z

Jarekz: /* Analiza */

[[Pracownia Sygnałów Bioelektrycznych]]/EMG

Pomiar EMG

==Wstęp==
[https://www.youtube.com/watch?v=w_R5t2-C5cA Filmik ilustrujący działanie mięśni]

Sygnały elektro-fizjologiczne pochodzące z mięśni nazywa się elektromiogramem (EMG).
Elektromiografia jest jednym z podstawowych badań w rozpoznawaniu chorób mięśni i nerwów obwodowych. Ma ona również wiele zastosowań naukowych. Amplituda sygnału EMG wynosi od około kilkudziesięciu μV do 10 mV, zaś pasmo sygnału obejmuje zakres częstości od 2 do 5000 Hz, przy czym największa energia sygnału znajduje się w przedziale od 50 do 150 Hz.

Istnieją dwa sposoby pomiaru sygnałów EMG — badanie igłowe i powierzchniowe. W badaniu igłowym EMG, elektroda igłowa lub igła z dwoma elektrodami wbijana jest w mięsień lub w nerw ruchowy. Następnie obserwuje się aktywność elektryczną mięśni w spoczynku i podczas wysiłku.

[[Plik:Electromyogram.png|250px|thumb|right|<figure id="fig:Electromyogram"></figure> Przykłady elektromiogramów. Panel górny — pacjent zdrowy. Panel środkowy — pacjent ze zmianami w nerwach obwodowych (neuropatia). Panel dolny — pacjent ze zmianami w mięśniach (miopatia).]]

Badanie powierzchniowe EMG wykonuje się z użyciem elektrod samoprzylepnych, umieszczonych na powierzchni skóry, zwykle elektrody bipolarne są rozmieszczone na linii równoległej do włókien. Ocenie podlegają mięśnie położone powierzchownie lub grupy mięśni.
Obydwie metody mają swoje wady i zalety. Metoda &bdquo;igłowa” umożliwia rejestrację sygnału EMG z wybranego mięśnia, podczas gdy metoda powierzchniowa rejestruje zbiorczą aktywność wielu jednostek ruchowych. Jednakże, w przeciwieństwie do metody powierzchniowej, metoda igłowa jest badaniem inwazyjnym i czasem bolesnym, które wykonywane jest w ośrodku klinicznym.

Na zajęciach przeprowadzimy powierzchniowy pomiar EMG (w literaturze często takie badanie oznacza się skrótem sEMG, ''s'' od ang. ''surface'' — powierzchnia). W tym celu umieścimy elektrody na skórze, nad mięśniami, których aktywność chcemy zbadać.

[https://youtu.be/afHpvABLCTo Filmik o zastosowaniach klinicznych EMG]

Lektura uzupełniająca: Reaz MBI, Hussain MS and Mohd-Yasin F. Techniques of EMG signal analysis: detection, processing, classification and applications. Biol. Proced. Online 2006; 8(1): 11-35. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC1455479/pdf/bpo_v8_p11_m115.pdf

==Źródła błędu==
Rejestracja sygnału EMG, podobnie jak pomiar innych sygnały bioelektrycznych podlega pewnym zakłóceniom. Są to przede wszystkim
*artefakty ruchowe,
*artefakty związane z obecnością zewnętrznych pól elektromagnetycznych.

===Artefakty ruchowe ===
W wyniku aktywacji mięśnia, ulega on skróceniu, co powoduje przemieszczanie się względem siebie mięśnia, skóry i elektrody. Przemieszczenie to powoduje zmianę amplitudy mierzonego sygnału (np. elektroda oddala się od mięśnia), zmianę potencjału DC (potencjału powstającego na granicy skóra-elektrolit) oraz rozciągniecie skóry. Jak pamiętamy z pierwszych zajęć
pomiędzy naskórkiem a skórą właściwą istnieje różnica potencjałów o amplitudzie dochodzącej do 30 mV. W trakcie rozciągania skóry, wartość to spada do 25 mV. Powstająca zmiana potencjału, o wartości około 5 mV jest w porównaniu z sygnałem EMG bardzo znacząca.

===Artefakty sieciowe ===
Artefakty sieciowe stanowią poważny problem w przypadku rejestracji sygnału EMG. Zwykle bowiem nie obserwujemy tylko zakłócenia o jednej częstości, równej częstości zmian napięcia w gniazdku zasilającym (np. w Polsce jest to 50 Hz), lecz również wyższe harmoniczne tej częstości (w Polsce będzie to 100 Hz, 150 Hz, 200 Hz, itd). Jak można zauważyć, częstości 50 Hz, 100 Hz i 150 Hz znajdują się w paśmie, w którym sygnał EMG ma największą energię. Stosowanie filtrów pasmowo zaporowych w takim przypadku nie jest wskazane, bowiem filtry jak wiemy nie tłumią ściśle określonych częstości tylko pasma o pewnej szerokości (np. 45-55 Hz, 95-105 Hz, itd). W efekcie znaczna część interesującego nas pasma sygnału EMG zostałaby odrzucona. Aby zminimalizować przenikanie od rejestrowanego sygnału EMG sygnału sieciowego o częstości 50 Hz należy zadbać o niską impedancję pomiędzy elektrodą a skóra oraz powinno mierzyć się sygnały różnicowe.

===Artefakty sieciowo-ruchowe ===
Podczas ruchu mięśnia ciało może ulec przemieszczeniu, co spowoduje ruch kabla w przestrzeni pomiędzy elektrodą a wzmacniaczem. W przestrzeni tej istnieje pole elektromagnetyczne, wywołane zasilaniem sieci elektrycznej. Ruch kabla w polu elektromagnetycznym może powodować zaburzenia sygnału o częstości 50 Hz. Ponadto układ elektrody-kable-wzmacniacz, tworzy pewne ramki, które w trakcie ruchu zmieniają kształt a także powierzchnię. Zgodnie z Prawem Indukcji Faraday'a zmiana strumienia magnetycznego powoduje powstawanie siły elektromotorycznej, która również może zakłócać pomiar.

Artefakty ruchowe można w większości wyeliminować przez zastosowanie filtru górnoprzepustowego, którego częstość odcięcia ustawia się w granicy od 10 do 20 Hz. Aby wyeliminować artefakty związane z ruchem kabla w polu elektromagnetycznym można zastosować tzw. elektrody aktywne. W elektrodach tych (miniaturowy) wzmacniacz znajduje się na elektrodzie. Wzmacnianie sygnału na elektrodzie zwiększa względną czułość układu na sygnał mierzony na elektrodzie w stosunku do zaburzenia związanego z ruchem kabla. Innym rozwiązaniem tego problemu jest zastosowanie kabli ekranowanych. Kable TMSI, których używamy na Pracowni są kablami ekranowanymi. W kablach tych, pomiędzy dwiema warstwami izolatora, istnieje dodatkowa osłona z przewodnika podłączona do wzmacniacza. Dzięki temu, zewnętrzne pole elektromagnetyczne nie przenika do środka kabla. Dodatkowo, aby wyeliminować indukowanie się ładunków w wyniku tarcia pomiędzy izolatorami a osłoną, jest ona częściowo pokryta warstwą węgla.

Sygnały do naszych zajęć znajdują się w tym katalogu:
https://drive.google.com/drive/folders/18skluB3j2CHMXX8l1UmIvNXR1tZYGU0C?usp=sharing
Proszę je pobrać.

== Ćwiczenia ==

=== Ćwiczenie I: Badanie zależności sygnału EMG od obciążenia ===
====Pomiar====
* Umieść elektrodę GND na obojczyku,
* Umieść dwie elektrody do rejestracji sygnału EMG na mięśniu dwugłowym ramienia (popularnie zwanym bicepsem). Kable tych elektrod połącz z unipolarnymi wejściami wzmacniacza numer 1 i 2.
* Ustaw częstość próbkowania sygnału na 2048
===== Obserwacje wstępne =====
W tej części proszę wykonać wskazane poniżej obserwacje i zarejestrować fragmenty sygnałów, które mogłyby ilustrować ciekawe obserwacje, aby można je było wykorzystać w końcowej prezentacji.

* W SVAROGU:
** badać będziemy mięsień przedramienia
** przetestuj sygnały rejestrowane w kilku różnych lokalizacjach względem mięśnia
** Przyjrzyj się przebiegowi i widmu sygnałów
** dobierz odpowiednio filtry górnoprzepustowe
** zaobserwuj czy i kiedy w sygnale pojawiają się artefakty
** porównaj sygnały rejestrowane przez elektrody bipolarne i przez elektrody monopolarne zmontowane bipolarnie

===== Rejestracja 1: napinanie i rozluźnianie ręki =====
Zarejestruj sygnał, w którym naprzemiennie ściskasz 1 s i rozluźniasz pięść 2 s (dla badania mięśnia przedramienia). Powtórz 30 razy.

===== Rejestracja 2: zwiększanie obciążenia ręki =====
Rejestrujemy dwa stany: spoczynek, narastajace obciążenie:
* zarejestruj około 1 min. sygnału spoczynkowego
* w dalszej części będziemy stopniowo zwiększać obciążenie: co około 20 s kolejne zwiększenie obciążenia - 5 lub 6 poziomów

===== Rejestracja 3: stałe obciążenie ręki =====
Rejestrujemy dwa stany: spoczynek, narastajace obciążenie:
* zarejestruj około 20 s. sygnału spoczynkowego
* w dalszej części dokładamy obciążenie (środkowy poziom z poprzedniego ćwiczenia) i rejestrujemy 1 min. sygnału



====Analiza====
* Dalsze analizy robimy w pythonie (notebook).
** wykreśl sygnał
** sygnały filtrujemy: 30 Hz high-pass, 500 Hz low-pass and 50 Hz notch,
** Przedstaw przebieg średniej mocy sygnałów. Aby to zrobić podnieś próbki do kwadratu i uśrednij za pomocą średniej biegnącej o długości 0.1 s (filtrowanie oknem prostokątnym). Porównaj uzyskane przebiegi z przebiegiem sygnałów wejściowych.
** Zaproponuj algorytm detektora, wykrywającego ruch ręki.

* Zbadaj zależność parametrów sygnału EMG od obciązenia mięśnia:
** Predstaw wykres średnią amplitudę (odchylenie standardowe) od obciążenia
** Przedstaw widma dla kolejnych obciążeń (na wspólnym wykresie). Do estymacji wykorzystaj metodę Welcha, dobierając parametry tak, aby rozdzielczość częstotliwościowa była 1 Hz.

* Zbadaj zależność parametrów sygnału EMG od zmęczenia mięśnia.Badanie efektu zmęczenia mięśnia w EMG
** Zmęczenie mięśnia w elektromiografii bada się głównie poprzez analizę zmian sygnału podczas długotrwałego skurczu izometrycznego. Kluczowe metody:
*** Analiza widmowa (spektralna): Podczas zmęczenia obserwuje się przesunięcie widma mocy w kierunku niskich częstotliwości, co opisują dwa wskaźniki:
**** Częstotliwość medianowa (MNF/MDF) – wartość częstotliwości, poniżej której i powyżej której leży po 50% całkowitej mocy widma. Podczas zmęczenia systematycznie spada.
**** Częstotliwość średnia (Mean Power Frequency, MPF) – ważona średnia częstotliwości widma. Również maleje wraz ze zmęczeniem.
** Spadek tych parametrów wynika z wolniejszego przewodzenia potencjałów wzdłuż włókien mięśniowych (obniżenie prędkości przewodzenia) oraz akumulacji metabolitów (mleczany, jony H⁺, K⁺).
* Przedstaw ewolucję czasową środka ciężkości widma częstości





=== Ćwiczenie III: zapoznanie się z sygnałami rejestrowanymi przez inwazyjne EMG===
Proszę wczytać i przyjrzeć się sygnałom
[https://drive.google.com/file/d/1AO7w4m2F3nkSzISYXAeDGCpjMIRDx5NS/view?usp=sharing zdrowy.bin],
[https://drive.google.com/file/d/1APY5xDQJrwFuPY_V7Uza9JrKSgew1Yx1/view?usp=sharing miopatia.bin],
[https://drive.google.com/file/d/1ARzqLlYYLmhyefkBsOkoQBx4ToYpQ3yK/view?usp=sharing neuropatia.bin]. Sygnały są zapisane jako dtype='float64'
Częstość próbkowania 4000Hz, amplitudy zapisane są w mV. Dane pochodzą z bazy Physionet: https://physionet.org/content/emgdb/1.0.0/

Proszę przeczytać informację o tych danych. W raporcie proszę napisać istotne informacje o tych sygnałach i wybrać charakterystyczne fragmenty typowe dla danego stanu klinicznego.




=== Ćwiczenie V: Wykorzystanie pomiaru EMG do sterowania on-line ===

Przykładowy fragment kodu <tt>example.py</tt> umożliwiający odbieranie sygnału on line w pythonie przedstawiony jest poniżej.

Proszę dodać fragment analizujący sygnał on-line i wykrywający moment napięcia mięśnia. Po wykryciu w najprostszej wersji niech w terminalu pojawia się komunikat o wykryciu kliknięcia. W wersji max proszę zrobić wizualizację napięcia mięśnia albo podpiąć ten sygnał do sterowania jakimś prostym interfejsem.
==== Wersja działająca z pythonem z pakietu Svarog-Lab ====
<source lang =python>
#!/opt/braintech-svarog-lab-python/bin/python3

# powinno się odpalać pythonem z pakietu Svarog-Lab
# lub python w którym są zainstalowane sterowniki z
# https://braintech.pl/pliki/svarog/svarog-streamer-src/svarog-streamer-src-latest.zip
# zaletą jest dostęp wprost do sterownika wzmacniacza
# /opt/braintech-svarog-lab-python/bin/python3

# Alternatywne wzmacniacze
# from braintech.drivers.perun32.amplifier import Perun32Amplifier as Amplifier # duży wzmacniacz na 32 kanały na USB
# from braintech.drivers.perun8.amplifiers import PerunCppAmplifier as Amplifier # headset na 8 kanałów
from braintech.drivers.tmsi.amplifiers import TmsiCppAmplifier as Amplifier # wzmacniacze TMSI

import numpy as np

# Szukamy wzmacniaczy
amps = Amplifier.get_available_amplifiers()
if len(amps) < 1:
raise Exception("Amplifier not connected")
amp = Amplifier(amps[0])

amp.sampling_rate = 1024 # dla TMSI
# amp.sampling_rate = 500 # dla Perun8, Perun32

def samples_to_microvolts(samples): # amplifier podaje próbki w integerach, wprost z ADC
return samples * gains + offsets

amp.start_sampling()
gains = np.array(amp.current_description.channel_gains)
offsets = np.array(amp.current_description.channel_offsets)
while True:
# pobieramy 16 próbek
# Proponuje używać IPython dla eksperymentowania
packet = amp.get_samples(16)
print(samples_to_microvolts(packet.samples))
print(packet.ts[0])
print(packet.samples.shape, amp.current_description.channel_names)

</source>

==== Wersja dla protokołu LSL ====

<source lang =python>
# gdy nie ma możliwości używać pythona wbudowanego w svarog-lab możliwe jest używanie streamowania do standardu LSL

# włączenie streamowania do LSL:
# w terminalu:
# svarog_streamer -l
# wypisze listę wzmacniaczy
# szukamy ID odpowiedniego wzmacniacza np:
# * Perun-8 Headset
# id: "Perun8 1"

# odpalamy stream LSL danego wzmacniacza:
# svarog_streamer -a "Perun8 1" -n "nazwa_streamu"
# nazwa streamu jest ważna, ponieważ streamy są widoczne w sieci LAN
# zaleta streamu jest też taka, że można podglądać go w Svarogu jednocześnie z naszym skryptem python
# po odpaleniu streamu można odpalać poniższy skrypt dowolnym pythonem z zainstalowanym numpy oraz pylsl

from pylsl import StreamInlet, resolve_stream
import time

nazwa_streamu = "nazwa_streamu" # należy odpowiednio zmienić na nazwę użytą w svarog_streamer -n

# znajdujemy streamy
print("szukamy streamy LSL")
streams = resolve_stream('type', 'EEG')

selected_stream = None
# wybieramy nasz
for stream in streams:
if stream.name() in nazwa_streamu:
selected_stream = stream
if selected_stream is None:
print("Nie znalesiono streamu", nazwa_streamu, "w liście", [i.name() for i in streams])
exit()

# używamy streama
inlet = StreamInlet(selected_stream)

while True:
# pobieramy próbki (w mikrowoltach)
sample, timestamp = inlet.pull_chunk(timeout=1.0, max_samples=10)
print(sample, timestamp, time.monotonic())

</source>

=== Dodatek ===
Do działania on-line przydatne może być filtrowanie sygnału w sposób biegnący. Najlepiej zastosować do tego funkcję lfilter z ustalonymi warunkami początkowymi. Używa się tego w następujący sposób:
<source lang =python>
import scipy.signal as ss
import numpy as np
import matplotlib.pyplot as plt

Fs = 256
T = 1
t = np.arange(0,T,1/Fs)
f0 = 10
f1 = 17
f2 = 23
x = (np.sin(2*np.pi*f0*t) +
np.sin(2*np.pi*f1*t ) +
np.cos(2*np.pi*f2*t))
xn = x + np.random.randn(len(t)) * 0.08

b, a = ss.butter(3, 11/(Fs/2))

zi = ss.lfilter_zi(b, a)
z, _ = ss.lfilter(b, a, xn, zi=zi*xn[0])
plt.plot(xn)
plt.plot(z)
plt.show()

</source>

==== Filtrowanie online ====

Symulacja zastosowania tego sposobu on-line; filtrujemy za każdą iteracją pętli to co przychodzi ze wzmacniacza [s]:

<source lang =python>
zi = ss.lfilter_zi(b, a)
y = np.zeros(xn.shape)
for ind, s in enumerate(xn):
y_tmp, zi = ss.lfilter(b, a, [s], zi=zi)
y[ind]=y_tmp[-1]

plt.plot(y)
plt.plot(z)
plt.plot(xn)
plt.show()

</source>

==== Dodatek 2====
Dla zabawy detektor napięcia mięśni mógłby generować kliknięcia myszki, aby np. zagrać w:

https://dino-chrome.com/

W tym celu trzeba doinstalować bibliotekę pynput:
pip3 install --user pynput

a potem zastosować kod ze strony:
https://pynput.readthedocs.io/en/latest/keyboard.html

<source lang = python>

from pynput.keyboard import Key, Controller

keyboard = Controller()

def spacja():
# Press and release space
keyboard.press(Key.space)
keyboard.release(Key.space)

from pynput.mouse import Button, Controller
mouse = Controller()

def click():
#lewy klik myszy
mouse.press(Button.left)
time.sleep(500)
mouse.release(Button.left)

</source>

==== wersja dla systemu dostępnego w Labie 4.59 na Ubuntu 18 ====
<source lang = python>
from obci_cpp_amplifiers.amplifiers import TmsiCppAmplifier
import numpy as np
amps = TmsiCppAmplifier.get_available_amplifiers('usb')
amp = TmsiCppAmplifier(amps[0])

amp.sampling_rate = 512

amp.start_sampling()
gains = np.array(amp.current_description.channel_gains)
offsets = np.array(amp.current_description.channel_offsets)

def samples_to_microvolts(samples): # z jednostek wzmacniacza do mikrowoltów
return samples * gains + offsets

while True:
# 16 próbek w pakiecie, nieodebrane próbki się bufurują i można odebrać je później
packet = amp.get_samples(16)
print(samples_to_microvolts(packet.samples))
print(packet.ts[0])
print(packet.samples.shape, amp.current_description.channel_names)

</source>

Aby wykonać go w terminalu należy uruchomić polecenie, Uwaga, aby zadziałał trzeba wyłączyć SVAROGa. Proszę przetestować czy po podłączeniu wzmacniacza i uruchomieniu tego skryptu pojawiają się w terminalu wartości próbek.

/opt/braintech/bin/python3 example.py


{{hidden begin|title=Moduł keystroke:}}
<source lang = python>
# -*- coding: utf-8 -*-
#!/usr/bin/env python
# Author:
# Mateusz Kruszyński <mateusz.kruszynski@gmail.com>
#

from Xlib import X, display, Xutil, XK
import Xlib
special_X_keysyms = {
' ' : "space",
'\t' : "Tab",
'\n' : "Return", # for some reason this needs to be cr, not lf
'\r' : "Return",
'\e' : "Escape",
'!' : "exclam",
'#' : "numbersign",
'%' : "percent",
'$' : "dollar",
'&' : "ampersand",
'"' : "quotedbl",
'\'' : "apostrophe",
'(' : "parenleft",
')' : "parenright",
'*' : "asterisk",
'=' : "equal",
'+' : "plus",
',' : "comma",
'-' : "minus",
'.' : "period",
'/' : "slash",
':' : "colon",
';' : "semicolon",
'<' : "less",
'>' : "greater",
'?' : "question",
'@' : "at",
'[' : "bracketleft",
']' : "bracketright",
'\\' : "backslash",
'^' : "asciicircum",
'_' : "underscore",
'`' : "grave",
'{' : "braceleft",
'|' : "bar",
'}' : "braceright",
'~' : "asciitilde"
}

display = display.Display()
window = display.screen().root

def wait(p_keys_list):
"""Block the whole keyboard!!! And wait until some key from p_keys_list
is pressed. By now p_keys_list is a list of strings, so use single
ascii symbols.
There is a way out of this hell - hit 'Escape'.
The function returns hit button`s string representation
Eg. for p_keys_list == ['1','2','3'] the function will hand untill
1,2 or 3 key is preseed or Escape is pressed."""
ds = display
window.grab_keyboard(1, X.GrabModeAsync, X.GrabModeAsync, X.CurrentTime)
while True:
ev = ds.next_event()
if ev.type == X.KeyPress:
keysym = ds.keycode_to_keysym(ev._data['detail'], 0)
keystr = XK.keysym_to_string(keysym)
print("Got keysym/keystr: "+str(keysym)+ ' / '+str(keystr))
if keystr in p_keys_list:
ds.ungrab_keyboard(X.CurrentTime)
ds.flush()
return keystr
elif str(keysym) in p_keys_list:
ds.ungrab_keyboard(X.CurrentTime)
ds.flush()
return keysym
elif keysym == 65307:
ds.ungrab_keyboard(X.CurrentTime)
ds.flush()
return 'Escape'

def char_to_keysym(ch) :
keysym = Xlib.XK.string_to_keysym(ch)
if keysym == 0 :
# Unfortunately, although this works to get the correct keysym
# i.e. keysym for '#' is returned as "numbersign"
# the subsequent display.keysym_to_keycode("numbersign") is 0.
keysym = Xlib.XK.string_to_keysym(special_X_keysyms[ch])
return keysym

def keysym_to_keycode(keysym):
keycode = display.keysym_to_keycode(keysym)
shift_mask = 0
return keycode, shift_mask

def char_to_keycode(ch) :
keysym = char_to_keysym(ch)
keycode = display.keysym_to_keycode(keysym)
if keycode == 0 :
print "Sorry, can't map", ch

if (is_shifted(ch)) :
shift_mask = Xlib.X.ShiftMask
else :
shift_mask = 0

return keycode, shift_mask

def is_shifted(ch) :
if ch.isupper() :
return True
if "~!@#$%^&*()_+{}|:\"<>?".find(ch) >= 0 :
return True
return False

def send_string(str) :
"""I am not working. I dont know why:("""
for ch in str :
#print "sending", ch, "=",
display.keysym_to_keycode(Xlib.XK.string_to_keysym(ch))
keycode, shift_mask = char_to_keycode(ch)
event = Xlib.protocol.event.KeyPress(
time = int(time.time()),
root = display.screen().root,
window = window,
same_screen = 0, child = Xlib.X.NONE,
root_x = 0, root_y = 0, event_x = 0, event_y = 0,
state = shift_mask,
detail = keycode
)
window.send_event(event, propagate = True)
event = Xlib.protocol.event.KeyRelease(
time = int(time.time()),
root = display.screen().root,
window = window,
same_screen = 0, child = Xlib.X.NONE,
root_x = 0, root_y = 0, event_x = 0, event_y = 0,
state = shift_mask,
detail = keycode
)
window.send_event(event, propagate = True)

if __name__ == "__main__":
import sys,time
print(wait(sys.argv[1:]))
#send_string("aBcd")
#time.sleep(10)

"""Używa się tak:
import keystroke
keystroke.wait(['a','b'])
i to wisi dopóki ktoś nie wciśnie a lub b.

Z innymi klawiszam jest tak, że trzeba ich numery podać, np żeby czakać
na SPACE można zrobić
keystroke.wait(['32'])

w razie czego funkcja się 'odwiesza' jak się wciśnie ESC."""
</source>
{{hidden end}}

Pracownia Sygnałów Biologicznych/Zajecia 5 6

2026-03-20T08:44:14Z

Jarekz: /* Analiza */

[[Pracownia Sygnałów Bioelektrycznych]]/EMG

Pomiar EMG

==Wstęp==
[https://www.youtube.com/watch?v=w_R5t2-C5cA Filmik ilustrujący działanie mięśni]

Sygnały elektro-fizjologiczne pochodzące z mięśni nazywa się elektromiogramem (EMG).
Elektromiografia jest jednym z podstawowych badań w rozpoznawaniu chorób mięśni i nerwów obwodowych. Ma ona również wiele zastosowań naukowych. Amplituda sygnału EMG wynosi od około kilkudziesięciu μV do 10 mV, zaś pasmo sygnału obejmuje zakres częstości od 2 do 5000 Hz, przy czym największa energia sygnału znajduje się w przedziale od 50 do 150 Hz.

Istnieją dwa sposoby pomiaru sygnałów EMG — badanie igłowe i powierzchniowe. W badaniu igłowym EMG, elektroda igłowa lub igła z dwoma elektrodami wbijana jest w mięsień lub w nerw ruchowy. Następnie obserwuje się aktywność elektryczną mięśni w spoczynku i podczas wysiłku.

[[Plik:Electromyogram.png|250px|thumb|right|<figure id="fig:Electromyogram"></figure> Przykłady elektromiogramów. Panel górny — pacjent zdrowy. Panel środkowy — pacjent ze zmianami w nerwach obwodowych (neuropatia). Panel dolny — pacjent ze zmianami w mięśniach (miopatia).]]

Badanie powierzchniowe EMG wykonuje się z użyciem elektrod samoprzylepnych, umieszczonych na powierzchni skóry, zwykle elektrody bipolarne są rozmieszczone na linii równoległej do włókien. Ocenie podlegają mięśnie położone powierzchownie lub grupy mięśni.
Obydwie metody mają swoje wady i zalety. Metoda &bdquo;igłowa” umożliwia rejestrację sygnału EMG z wybranego mięśnia, podczas gdy metoda powierzchniowa rejestruje zbiorczą aktywność wielu jednostek ruchowych. Jednakże, w przeciwieństwie do metody powierzchniowej, metoda igłowa jest badaniem inwazyjnym i czasem bolesnym, które wykonywane jest w ośrodku klinicznym.

Na zajęciach przeprowadzimy powierzchniowy pomiar EMG (w literaturze często takie badanie oznacza się skrótem sEMG, ''s'' od ang. ''surface'' — powierzchnia). W tym celu umieścimy elektrody na skórze, nad mięśniami, których aktywność chcemy zbadać.

[https://youtu.be/afHpvABLCTo Filmik o zastosowaniach klinicznych EMG]

Lektura uzupełniająca: Reaz MBI, Hussain MS and Mohd-Yasin F. Techniques of EMG signal analysis: detection, processing, classification and applications. Biol. Proced. Online 2006; 8(1): 11-35. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC1455479/pdf/bpo_v8_p11_m115.pdf

==Źródła błędu==
Rejestracja sygnału EMG, podobnie jak pomiar innych sygnały bioelektrycznych podlega pewnym zakłóceniom. Są to przede wszystkim
*artefakty ruchowe,
*artefakty związane z obecnością zewnętrznych pól elektromagnetycznych.

===Artefakty ruchowe ===
W wyniku aktywacji mięśnia, ulega on skróceniu, co powoduje przemieszczanie się względem siebie mięśnia, skóry i elektrody. Przemieszczenie to powoduje zmianę amplitudy mierzonego sygnału (np. elektroda oddala się od mięśnia), zmianę potencjału DC (potencjału powstającego na granicy skóra-elektrolit) oraz rozciągniecie skóry. Jak pamiętamy z pierwszych zajęć
pomiędzy naskórkiem a skórą właściwą istnieje różnica potencjałów o amplitudzie dochodzącej do 30 mV. W trakcie rozciągania skóry, wartość to spada do 25 mV. Powstająca zmiana potencjału, o wartości około 5 mV jest w porównaniu z sygnałem EMG bardzo znacząca.

===Artefakty sieciowe ===
Artefakty sieciowe stanowią poważny problem w przypadku rejestracji sygnału EMG. Zwykle bowiem nie obserwujemy tylko zakłócenia o jednej częstości, równej częstości zmian napięcia w gniazdku zasilającym (np. w Polsce jest to 50 Hz), lecz również wyższe harmoniczne tej częstości (w Polsce będzie to 100 Hz, 150 Hz, 200 Hz, itd). Jak można zauważyć, częstości 50 Hz, 100 Hz i 150 Hz znajdują się w paśmie, w którym sygnał EMG ma największą energię. Stosowanie filtrów pasmowo zaporowych w takim przypadku nie jest wskazane, bowiem filtry jak wiemy nie tłumią ściśle określonych częstości tylko pasma o pewnej szerokości (np. 45-55 Hz, 95-105 Hz, itd). W efekcie znaczna część interesującego nas pasma sygnału EMG zostałaby odrzucona. Aby zminimalizować przenikanie od rejestrowanego sygnału EMG sygnału sieciowego o częstości 50 Hz należy zadbać o niską impedancję pomiędzy elektrodą a skóra oraz powinno mierzyć się sygnały różnicowe.

===Artefakty sieciowo-ruchowe ===
Podczas ruchu mięśnia ciało może ulec przemieszczeniu, co spowoduje ruch kabla w przestrzeni pomiędzy elektrodą a wzmacniaczem. W przestrzeni tej istnieje pole elektromagnetyczne, wywołane zasilaniem sieci elektrycznej. Ruch kabla w polu elektromagnetycznym może powodować zaburzenia sygnału o częstości 50 Hz. Ponadto układ elektrody-kable-wzmacniacz, tworzy pewne ramki, które w trakcie ruchu zmieniają kształt a także powierzchnię. Zgodnie z Prawem Indukcji Faraday'a zmiana strumienia magnetycznego powoduje powstawanie siły elektromotorycznej, która również może zakłócać pomiar.

Artefakty ruchowe można w większości wyeliminować przez zastosowanie filtru górnoprzepustowego, którego częstość odcięcia ustawia się w granicy od 10 do 20 Hz. Aby wyeliminować artefakty związane z ruchem kabla w polu elektromagnetycznym można zastosować tzw. elektrody aktywne. W elektrodach tych (miniaturowy) wzmacniacz znajduje się na elektrodzie. Wzmacnianie sygnału na elektrodzie zwiększa względną czułość układu na sygnał mierzony na elektrodzie w stosunku do zaburzenia związanego z ruchem kabla. Innym rozwiązaniem tego problemu jest zastosowanie kabli ekranowanych. Kable TMSI, których używamy na Pracowni są kablami ekranowanymi. W kablach tych, pomiędzy dwiema warstwami izolatora, istnieje dodatkowa osłona z przewodnika podłączona do wzmacniacza. Dzięki temu, zewnętrzne pole elektromagnetyczne nie przenika do środka kabla. Dodatkowo, aby wyeliminować indukowanie się ładunków w wyniku tarcia pomiędzy izolatorami a osłoną, jest ona częściowo pokryta warstwą węgla.

Sygnały do naszych zajęć znajdują się w tym katalogu:
https://drive.google.com/drive/folders/18skluB3j2CHMXX8l1UmIvNXR1tZYGU0C?usp=sharing
Proszę je pobrać.

== Ćwiczenia ==

=== Ćwiczenie I: Badanie zależności sygnału EMG od obciążenia ===
====Pomiar====
* Umieść elektrodę GND na obojczyku,
* Umieść dwie elektrody do rejestracji sygnału EMG na mięśniu dwugłowym ramienia (popularnie zwanym bicepsem). Kable tych elektrod połącz z unipolarnymi wejściami wzmacniacza numer 1 i 2.
* Ustaw częstość próbkowania sygnału na 2048
===== Obserwacje wstępne =====
W tej części proszę wykonać wskazane poniżej obserwacje i zarejestrować fragmenty sygnałów, które mogłyby ilustrować ciekawe obserwacje, aby można je było wykorzystać w końcowej prezentacji.

* W SVAROGU:
** badać będziemy mięsień przedramienia
** przetestuj sygnały rejestrowane w kilku różnych lokalizacjach względem mięśnia
** Przyjrzyj się przebiegowi i widmu sygnałów
** dobierz odpowiednio filtry górnoprzepustowe
** zaobserwuj czy i kiedy w sygnale pojawiają się artefakty
** porównaj sygnały rejestrowane przez elektrody bipolarne i przez elektrody monopolarne zmontowane bipolarnie

===== Rejestracja 1: napinanie i rozluźnianie ręki =====
Zarejestruj sygnał, w którym naprzemiennie ściskasz 1 s i rozluźniasz pięść 2 s (dla badania mięśnia przedramienia). Powtórz 30 razy.

===== Rejestracja 2: zwiększanie obciążenia ręki =====
Rejestrujemy dwa stany: spoczynek, narastajace obciążenie:
* zarejestruj około 1 min. sygnału spoczynkowego
* w dalszej części będziemy stopniowo zwiększać obciążenie: co około 20 s kolejne zwiększenie obciążenia - 5 lub 6 poziomów

===== Rejestracja 3: stałe obciążenie ręki =====
Rejestrujemy dwa stany: spoczynek, narastajace obciążenie:
* zarejestruj około 20 s. sygnału spoczynkowego
* w dalszej części dokładamy obciążenie (środkowy poziom z poprzedniego ćwiczenia) i rejestrujemy 1 min. sygnału



====Analiza====
* Dalsze analizy robimy w pythonie (notebook).
** wykreśl sygnał
** sygnały filtrujemy: 30 Hz high-pass, 500 Hz low-pass and 50 Hz notch,
** Przedstaw przebieg średniej mocy sygnałów. Aby to zrobić podnieś próbki do kwadratu i uśrednij za pomocą średniej biegnącej o długości 0.1 s (filtrowanie oknem prostokątnym). Porównaj uzyskane przebiegi z przebiegiem sygnałów wejściowych.
** Zaproponuj algorytm detektora, wykrywającego ruch ręki.

* Zbadaj zależność parametrów sygnału EMG od obciązenia mięśnia:
** Predstaw wykres średnią amplitudę (odchylenie standardowe) od obciążenia
** Przedstaw widma dla kolejnych obciążeń (na wspólnym wykresie). Do estymacji wykorzystaj metodę Welcha, dobierając parametry tak, aby rozdzielczość częstotliwościowa była 1 Hz.

* Zbadaj zależność parametrów sygnału EMG od zmęczenia mięśnia:
** Przedstaw ewolucję czasową środka ciężkości widma częstości





=== Ćwiczenie III: zapoznanie się z sygnałami rejestrowanymi przez inwazyjne EMG===
Proszę wczytać i przyjrzeć się sygnałom
[https://drive.google.com/file/d/1AO7w4m2F3nkSzISYXAeDGCpjMIRDx5NS/view?usp=sharing zdrowy.bin],
[https://drive.google.com/file/d/1APY5xDQJrwFuPY_V7Uza9JrKSgew1Yx1/view?usp=sharing miopatia.bin],
[https://drive.google.com/file/d/1ARzqLlYYLmhyefkBsOkoQBx4ToYpQ3yK/view?usp=sharing neuropatia.bin]. Sygnały są zapisane jako dtype='float64'
Częstość próbkowania 4000Hz, amplitudy zapisane są w mV. Dane pochodzą z bazy Physionet: https://physionet.org/content/emgdb/1.0.0/

Proszę przeczytać informację o tych danych. W raporcie proszę napisać istotne informacje o tych sygnałach i wybrać charakterystyczne fragmenty typowe dla danego stanu klinicznego.




=== Ćwiczenie V: Wykorzystanie pomiaru EMG do sterowania on-line ===

Przykładowy fragment kodu <tt>example.py</tt> umożliwiający odbieranie sygnału on line w pythonie przedstawiony jest poniżej.

Proszę dodać fragment analizujący sygnał on-line i wykrywający moment napięcia mięśnia. Po wykryciu w najprostszej wersji niech w terminalu pojawia się komunikat o wykryciu kliknięcia. W wersji max proszę zrobić wizualizację napięcia mięśnia albo podpiąć ten sygnał do sterowania jakimś prostym interfejsem.
==== Wersja działająca z pythonem z pakietu Svarog-Lab ====
<source lang =python>
#!/opt/braintech-svarog-lab-python/bin/python3

# powinno się odpalać pythonem z pakietu Svarog-Lab
# lub python w którym są zainstalowane sterowniki z
# https://braintech.pl/pliki/svarog/svarog-streamer-src/svarog-streamer-src-latest.zip
# zaletą jest dostęp wprost do sterownika wzmacniacza
# /opt/braintech-svarog-lab-python/bin/python3

# Alternatywne wzmacniacze
# from braintech.drivers.perun32.amplifier import Perun32Amplifier as Amplifier # duży wzmacniacz na 32 kanały na USB
# from braintech.drivers.perun8.amplifiers import PerunCppAmplifier as Amplifier # headset na 8 kanałów
from braintech.drivers.tmsi.amplifiers import TmsiCppAmplifier as Amplifier # wzmacniacze TMSI

import numpy as np

# Szukamy wzmacniaczy
amps = Amplifier.get_available_amplifiers()
if len(amps) < 1:
raise Exception("Amplifier not connected")
amp = Amplifier(amps[0])

amp.sampling_rate = 1024 # dla TMSI
# amp.sampling_rate = 500 # dla Perun8, Perun32

def samples_to_microvolts(samples): # amplifier podaje próbki w integerach, wprost z ADC
return samples * gains + offsets

amp.start_sampling()
gains = np.array(amp.current_description.channel_gains)
offsets = np.array(amp.current_description.channel_offsets)
while True:
# pobieramy 16 próbek
# Proponuje używać IPython dla eksperymentowania
packet = amp.get_samples(16)
print(samples_to_microvolts(packet.samples))
print(packet.ts[0])
print(packet.samples.shape, amp.current_description.channel_names)

</source>

==== Wersja dla protokołu LSL ====

<source lang =python>
# gdy nie ma możliwości używać pythona wbudowanego w svarog-lab możliwe jest używanie streamowania do standardu LSL

# włączenie streamowania do LSL:
# w terminalu:
# svarog_streamer -l
# wypisze listę wzmacniaczy
# szukamy ID odpowiedniego wzmacniacza np:
# * Perun-8 Headset
# id: "Perun8 1"

# odpalamy stream LSL danego wzmacniacza:
# svarog_streamer -a "Perun8 1" -n "nazwa_streamu"
# nazwa streamu jest ważna, ponieważ streamy są widoczne w sieci LAN
# zaleta streamu jest też taka, że można podglądać go w Svarogu jednocześnie z naszym skryptem python
# po odpaleniu streamu można odpalać poniższy skrypt dowolnym pythonem z zainstalowanym numpy oraz pylsl

from pylsl import StreamInlet, resolve_stream
import time

nazwa_streamu = "nazwa_streamu" # należy odpowiednio zmienić na nazwę użytą w svarog_streamer -n

# znajdujemy streamy
print("szukamy streamy LSL")
streams = resolve_stream('type', 'EEG')

selected_stream = None
# wybieramy nasz
for stream in streams:
if stream.name() in nazwa_streamu:
selected_stream = stream
if selected_stream is None:
print("Nie znalesiono streamu", nazwa_streamu, "w liście", [i.name() for i in streams])
exit()

# używamy streama
inlet = StreamInlet(selected_stream)

while True:
# pobieramy próbki (w mikrowoltach)
sample, timestamp = inlet.pull_chunk(timeout=1.0, max_samples=10)
print(sample, timestamp, time.monotonic())

</source>

=== Dodatek ===
Do działania on-line przydatne może być filtrowanie sygnału w sposób biegnący. Najlepiej zastosować do tego funkcję lfilter z ustalonymi warunkami początkowymi. Używa się tego w następujący sposób:
<source lang =python>
import scipy.signal as ss
import numpy as np
import matplotlib.pyplot as plt

Fs = 256
T = 1
t = np.arange(0,T,1/Fs)
f0 = 10
f1 = 17
f2 = 23
x = (np.sin(2*np.pi*f0*t) +
np.sin(2*np.pi*f1*t ) +
np.cos(2*np.pi*f2*t))
xn = x + np.random.randn(len(t)) * 0.08

b, a = ss.butter(3, 11/(Fs/2))

zi = ss.lfilter_zi(b, a)
z, _ = ss.lfilter(b, a, xn, zi=zi*xn[0])
plt.plot(xn)
plt.plot(z)
plt.show()

</source>

==== Filtrowanie online ====

Symulacja zastosowania tego sposobu on-line; filtrujemy za każdą iteracją pętli to co przychodzi ze wzmacniacza [s]:

<source lang =python>
zi = ss.lfilter_zi(b, a)
y = np.zeros(xn.shape)
for ind, s in enumerate(xn):
y_tmp, zi = ss.lfilter(b, a, [s], zi=zi)
y[ind]=y_tmp[-1]

plt.plot(y)
plt.plot(z)
plt.plot(xn)
plt.show()

</source>

==== Dodatek 2====
Dla zabawy detektor napięcia mięśni mógłby generować kliknięcia myszki, aby np. zagrać w:

https://dino-chrome.com/

W tym celu trzeba doinstalować bibliotekę pynput:
pip3 install --user pynput

a potem zastosować kod ze strony:
https://pynput.readthedocs.io/en/latest/keyboard.html

<source lang = python>

from pynput.keyboard import Key, Controller

keyboard = Controller()

def spacja():
# Press and release space
keyboard.press(Key.space)
keyboard.release(Key.space)

from pynput.mouse import Button, Controller
mouse = Controller()

def click():
#lewy klik myszy
mouse.press(Button.left)
time.sleep(500)
mouse.release(Button.left)

</source>

==== wersja dla systemu dostępnego w Labie 4.59 na Ubuntu 18 ====
<source lang = python>
from obci_cpp_amplifiers.amplifiers import TmsiCppAmplifier
import numpy as np
amps = TmsiCppAmplifier.get_available_amplifiers('usb')
amp = TmsiCppAmplifier(amps[0])

amp.sampling_rate = 512

amp.start_sampling()
gains = np.array(amp.current_description.channel_gains)
offsets = np.array(amp.current_description.channel_offsets)

def samples_to_microvolts(samples): # z jednostek wzmacniacza do mikrowoltów
return samples * gains + offsets

while True:
# 16 próbek w pakiecie, nieodebrane próbki się bufurują i można odebrać je później
packet = amp.get_samples(16)
print(samples_to_microvolts(packet.samples))
print(packet.ts[0])
print(packet.samples.shape, amp.current_description.channel_names)

</source>

Aby wykonać go w terminalu należy uruchomić polecenie, Uwaga, aby zadziałał trzeba wyłączyć SVAROGa. Proszę przetestować czy po podłączeniu wzmacniacza i uruchomieniu tego skryptu pojawiają się w terminalu wartości próbek.

/opt/braintech/bin/python3 example.py


{{hidden begin|title=Moduł keystroke:}}
<source lang = python>
# -*- coding: utf-8 -*-
#!/usr/bin/env python
# Author:
# Mateusz Kruszyński <mateusz.kruszynski@gmail.com>
#

from Xlib import X, display, Xutil, XK
import Xlib
special_X_keysyms = {
' ' : "space",
'\t' : "Tab",
'\n' : "Return", # for some reason this needs to be cr, not lf
'\r' : "Return",
'\e' : "Escape",
'!' : "exclam",
'#' : "numbersign",
'%' : "percent",
'$' : "dollar",
'&' : "ampersand",
'"' : "quotedbl",
'\'' : "apostrophe",
'(' : "parenleft",
')' : "parenright",
'*' : "asterisk",
'=' : "equal",
'+' : "plus",
',' : "comma",
'-' : "minus",
'.' : "period",
'/' : "slash",
':' : "colon",
';' : "semicolon",
'<' : "less",
'>' : "greater",
'?' : "question",
'@' : "at",
'[' : "bracketleft",
']' : "bracketright",
'\\' : "backslash",
'^' : "asciicircum",
'_' : "underscore",
'`' : "grave",
'{' : "braceleft",
'|' : "bar",
'}' : "braceright",
'~' : "asciitilde"
}

display = display.Display()
window = display.screen().root

def wait(p_keys_list):
"""Block the whole keyboard!!! And wait until some key from p_keys_list
is pressed. By now p_keys_list is a list of strings, so use single
ascii symbols.
There is a way out of this hell - hit 'Escape'.
The function returns hit button`s string representation
Eg. for p_keys_list == ['1','2','3'] the function will hand untill
1,2 or 3 key is preseed or Escape is pressed."""
ds = display
window.grab_keyboard(1, X.GrabModeAsync, X.GrabModeAsync, X.CurrentTime)
while True:
ev = ds.next_event()
if ev.type == X.KeyPress:
keysym = ds.keycode_to_keysym(ev._data['detail'], 0)
keystr = XK.keysym_to_string(keysym)
print("Got keysym/keystr: "+str(keysym)+ ' / '+str(keystr))
if keystr in p_keys_list:
ds.ungrab_keyboard(X.CurrentTime)
ds.flush()
return keystr
elif str(keysym) in p_keys_list:
ds.ungrab_keyboard(X.CurrentTime)
ds.flush()
return keysym
elif keysym == 65307:
ds.ungrab_keyboard(X.CurrentTime)
ds.flush()
return 'Escape'

def char_to_keysym(ch) :
keysym = Xlib.XK.string_to_keysym(ch)
if keysym == 0 :
# Unfortunately, although this works to get the correct keysym
# i.e. keysym for '#' is returned as "numbersign"
# the subsequent display.keysym_to_keycode("numbersign") is 0.
keysym = Xlib.XK.string_to_keysym(special_X_keysyms[ch])
return keysym

def keysym_to_keycode(keysym):
keycode = display.keysym_to_keycode(keysym)
shift_mask = 0
return keycode, shift_mask

def char_to_keycode(ch) :
keysym = char_to_keysym(ch)
keycode = display.keysym_to_keycode(keysym)
if keycode == 0 :
print "Sorry, can't map", ch

if (is_shifted(ch)) :
shift_mask = Xlib.X.ShiftMask
else :
shift_mask = 0

return keycode, shift_mask

def is_shifted(ch) :
if ch.isupper() :
return True
if "~!@#$%^&*()_+{}|:\"<>?".find(ch) >= 0 :
return True
return False

def send_string(str) :
"""I am not working. I dont know why:("""
for ch in str :
#print "sending", ch, "=",
display.keysym_to_keycode(Xlib.XK.string_to_keysym(ch))
keycode, shift_mask = char_to_keycode(ch)
event = Xlib.protocol.event.KeyPress(
time = int(time.time()),
root = display.screen().root,
window = window,
same_screen = 0, child = Xlib.X.NONE,
root_x = 0, root_y = 0, event_x = 0, event_y = 0,
state = shift_mask,
detail = keycode
)
window.send_event(event, propagate = True)
event = Xlib.protocol.event.KeyRelease(
time = int(time.time()),
root = display.screen().root,
window = window,
same_screen = 0, child = Xlib.X.NONE,
root_x = 0, root_y = 0, event_x = 0, event_y = 0,
state = shift_mask,
detail = keycode
)
window.send_event(event, propagate = True)

if __name__ == "__main__":
import sys,time
print(wait(sys.argv[1:]))
#send_string("aBcd")
#time.sleep(10)

"""Używa się tak:
import keystroke
keystroke.wait(['a','b'])
i to wisi dopóki ktoś nie wciśnie a lub b.

Z innymi klawiszam jest tak, że trzeba ich numery podać, np żeby czakać
na SPACE można zrobić
keystroke.wait(['32'])

w razie czego funkcja się 'odwiesza' jak się wciśnie ESC."""
</source>
{{hidden end}}

Pracownia Sygnałów Biologicznych/Zajecia 5 6

2026-03-20T08:39:47Z

Jarekz: /* Pomiar */

[[Pracownia Sygnałów Bioelektrycznych]]/EMG

Pomiar EMG

==Wstęp==
[https://www.youtube.com/watch?v=w_R5t2-C5cA Filmik ilustrujący działanie mięśni]

Sygnały elektro-fizjologiczne pochodzące z mięśni nazywa się elektromiogramem (EMG).
Elektromiografia jest jednym z podstawowych badań w rozpoznawaniu chorób mięśni i nerwów obwodowych. Ma ona również wiele zastosowań naukowych. Amplituda sygnału EMG wynosi od około kilkudziesięciu μV do 10 mV, zaś pasmo sygnału obejmuje zakres częstości od 2 do 5000 Hz, przy czym największa energia sygnału znajduje się w przedziale od 50 do 150 Hz.

Istnieją dwa sposoby pomiaru sygnałów EMG — badanie igłowe i powierzchniowe. W badaniu igłowym EMG, elektroda igłowa lub igła z dwoma elektrodami wbijana jest w mięsień lub w nerw ruchowy. Następnie obserwuje się aktywność elektryczną mięśni w spoczynku i podczas wysiłku.

[[Plik:Electromyogram.png|250px|thumb|right|<figure id="fig:Electromyogram"></figure> Przykłady elektromiogramów. Panel górny — pacjent zdrowy. Panel środkowy — pacjent ze zmianami w nerwach obwodowych (neuropatia). Panel dolny — pacjent ze zmianami w mięśniach (miopatia).]]

Badanie powierzchniowe EMG wykonuje się z użyciem elektrod samoprzylepnych, umieszczonych na powierzchni skóry, zwykle elektrody bipolarne są rozmieszczone na linii równoległej do włókien. Ocenie podlegają mięśnie położone powierzchownie lub grupy mięśni.
Obydwie metody mają swoje wady i zalety. Metoda &bdquo;igłowa” umożliwia rejestrację sygnału EMG z wybranego mięśnia, podczas gdy metoda powierzchniowa rejestruje zbiorczą aktywność wielu jednostek ruchowych. Jednakże, w przeciwieństwie do metody powierzchniowej, metoda igłowa jest badaniem inwazyjnym i czasem bolesnym, które wykonywane jest w ośrodku klinicznym.

Na zajęciach przeprowadzimy powierzchniowy pomiar EMG (w literaturze często takie badanie oznacza się skrótem sEMG, ''s'' od ang. ''surface'' — powierzchnia). W tym celu umieścimy elektrody na skórze, nad mięśniami, których aktywność chcemy zbadać.

[https://youtu.be/afHpvABLCTo Filmik o zastosowaniach klinicznych EMG]

Lektura uzupełniająca: Reaz MBI, Hussain MS and Mohd-Yasin F. Techniques of EMG signal analysis: detection, processing, classification and applications. Biol. Proced. Online 2006; 8(1): 11-35. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC1455479/pdf/bpo_v8_p11_m115.pdf

==Źródła błędu==
Rejestracja sygnału EMG, podobnie jak pomiar innych sygnały bioelektrycznych podlega pewnym zakłóceniom. Są to przede wszystkim
*artefakty ruchowe,
*artefakty związane z obecnością zewnętrznych pól elektromagnetycznych.

===Artefakty ruchowe ===
W wyniku aktywacji mięśnia, ulega on skróceniu, co powoduje przemieszczanie się względem siebie mięśnia, skóry i elektrody. Przemieszczenie to powoduje zmianę amplitudy mierzonego sygnału (np. elektroda oddala się od mięśnia), zmianę potencjału DC (potencjału powstającego na granicy skóra-elektrolit) oraz rozciągniecie skóry. Jak pamiętamy z pierwszych zajęć
pomiędzy naskórkiem a skórą właściwą istnieje różnica potencjałów o amplitudzie dochodzącej do 30 mV. W trakcie rozciągania skóry, wartość to spada do 25 mV. Powstająca zmiana potencjału, o wartości około 5 mV jest w porównaniu z sygnałem EMG bardzo znacząca.

===Artefakty sieciowe ===
Artefakty sieciowe stanowią poważny problem w przypadku rejestracji sygnału EMG. Zwykle bowiem nie obserwujemy tylko zakłócenia o jednej częstości, równej częstości zmian napięcia w gniazdku zasilającym (np. w Polsce jest to 50 Hz), lecz również wyższe harmoniczne tej częstości (w Polsce będzie to 100 Hz, 150 Hz, 200 Hz, itd). Jak można zauważyć, częstości 50 Hz, 100 Hz i 150 Hz znajdują się w paśmie, w którym sygnał EMG ma największą energię. Stosowanie filtrów pasmowo zaporowych w takim przypadku nie jest wskazane, bowiem filtry jak wiemy nie tłumią ściśle określonych częstości tylko pasma o pewnej szerokości (np. 45-55 Hz, 95-105 Hz, itd). W efekcie znaczna część interesującego nas pasma sygnału EMG zostałaby odrzucona. Aby zminimalizować przenikanie od rejestrowanego sygnału EMG sygnału sieciowego o częstości 50 Hz należy zadbać o niską impedancję pomiędzy elektrodą a skóra oraz powinno mierzyć się sygnały różnicowe.

===Artefakty sieciowo-ruchowe ===
Podczas ruchu mięśnia ciało może ulec przemieszczeniu, co spowoduje ruch kabla w przestrzeni pomiędzy elektrodą a wzmacniaczem. W przestrzeni tej istnieje pole elektromagnetyczne, wywołane zasilaniem sieci elektrycznej. Ruch kabla w polu elektromagnetycznym może powodować zaburzenia sygnału o częstości 50 Hz. Ponadto układ elektrody-kable-wzmacniacz, tworzy pewne ramki, które w trakcie ruchu zmieniają kształt a także powierzchnię. Zgodnie z Prawem Indukcji Faraday'a zmiana strumienia magnetycznego powoduje powstawanie siły elektromotorycznej, która również może zakłócać pomiar.

Artefakty ruchowe można w większości wyeliminować przez zastosowanie filtru górnoprzepustowego, którego częstość odcięcia ustawia się w granicy od 10 do 20 Hz. Aby wyeliminować artefakty związane z ruchem kabla w polu elektromagnetycznym można zastosować tzw. elektrody aktywne. W elektrodach tych (miniaturowy) wzmacniacz znajduje się na elektrodzie. Wzmacnianie sygnału na elektrodzie zwiększa względną czułość układu na sygnał mierzony na elektrodzie w stosunku do zaburzenia związanego z ruchem kabla. Innym rozwiązaniem tego problemu jest zastosowanie kabli ekranowanych. Kable TMSI, których używamy na Pracowni są kablami ekranowanymi. W kablach tych, pomiędzy dwiema warstwami izolatora, istnieje dodatkowa osłona z przewodnika podłączona do wzmacniacza. Dzięki temu, zewnętrzne pole elektromagnetyczne nie przenika do środka kabla. Dodatkowo, aby wyeliminować indukowanie się ładunków w wyniku tarcia pomiędzy izolatorami a osłoną, jest ona częściowo pokryta warstwą węgla.

Sygnały do naszych zajęć znajdują się w tym katalogu:
https://drive.google.com/drive/folders/18skluB3j2CHMXX8l1UmIvNXR1tZYGU0C?usp=sharing
Proszę je pobrać.

== Ćwiczenia ==

=== Ćwiczenie I: Badanie zależności sygnału EMG od obciążenia ===
====Pomiar====
* Umieść elektrodę GND na obojczyku,
* Umieść dwie elektrody do rejestracji sygnału EMG na mięśniu dwugłowym ramienia (popularnie zwanym bicepsem). Kable tych elektrod połącz z unipolarnymi wejściami wzmacniacza numer 1 i 2.
* Ustaw częstość próbkowania sygnału na 2048
===== Obserwacje wstępne =====
W tej części proszę wykonać wskazane poniżej obserwacje i zarejestrować fragmenty sygnałów, które mogłyby ilustrować ciekawe obserwacje, aby można je było wykorzystać w końcowej prezentacji.

* W SVAROGU:
** badać będziemy mięsień przedramienia
** przetestuj sygnały rejestrowane w kilku różnych lokalizacjach względem mięśnia
** Przyjrzyj się przebiegowi i widmu sygnałów
** dobierz odpowiednio filtry górnoprzepustowe
** zaobserwuj czy i kiedy w sygnale pojawiają się artefakty
** porównaj sygnały rejestrowane przez elektrody bipolarne i przez elektrody monopolarne zmontowane bipolarnie

===== Rejestracja 1: napinanie i rozluźnianie ręki =====
Zarejestruj sygnał, w którym naprzemiennie ściskasz 1 s i rozluźniasz pięść 2 s (dla badania mięśnia przedramienia). Powtórz 30 razy.

===== Rejestracja 2: zwiększanie obciążenia ręki =====
Rejestrujemy dwa stany: spoczynek, narastajace obciążenie:
* zarejestruj około 1 min. sygnału spoczynkowego
* w dalszej części będziemy stopniowo zwiększać obciążenie: co około 20 s kolejne zwiększenie obciążenia - 5 lub 6 poziomów

===== Rejestracja 3: stałe obciążenie ręki =====
Rejestrujemy dwa stany: spoczynek, narastajace obciążenie:
* zarejestruj około 20 s. sygnału spoczynkowego
* w dalszej części dokładamy obciążenie (środkowy poziom z poprzedniego ćwiczenia) i rejestrujemy 1 min. sygnału



====Analiza====
* Dalsze analizy robimy w pythonie (notebook).
** wykreśl sygnał
** sygnały filtrujemy: 30 Hz high-pass, 500 Hz low-pass and 50 Hz notch,
** Przedstaw przebieg średniej mocy sygnałów. Aby to zrobić podnieś próbki do kwadratu i uśrednij za pomocą średniej biegnącej o długości 0.1 s (filtrowanie oknem prostokątnym). Porównaj uzyskane przebiegi z przebiegiem sygnałów wejściowych.
** Zaproponuj algorytm detektora, wykrywającego ruch ręki.

* Zbadaj zależność parametrów sygnału EMG od obciązenia mięśnia:
** Predstaw wykres średnią amplitudę (odchylenie standardowe) od obciążenia
** Przedstaw widma dla kolejnych obciążeń (na wspólnym wykresie). Do estymacji wykorzystaj metodę Welcha, dobierając parametry tak aby rodzielczość częstotliwościowa była 1Hz.
** Przedstaw mapę czas-częstość (rozważ spectrogram i scalogram - czy któraś z technik jest tu lepsza?) dla całego zapisu. Zaobserwuj jakie zmiany następują w widmie wraz ze wzrostem obciążenia.

* Zbadaj zależność parametrów sygnału EMG od zmęczenia mięśnia:
** Przedstaw mapę czas-częstość dla całego czasu rejestracji. Zaobserwuj jakie zmiany następują w widmie wraz z czasem.
** Przedstaw ewolucję czasową środka ciężkości widma częstości





=== Ćwiczenie III: zapoznanie się z sygnałami rejestrowanymi przez inwazyjne EMG===
Proszę wczytać i przyjrzeć się sygnałom
[https://drive.google.com/file/d/1AO7w4m2F3nkSzISYXAeDGCpjMIRDx5NS/view?usp=sharing zdrowy.bin],
[https://drive.google.com/file/d/1APY5xDQJrwFuPY_V7Uza9JrKSgew1Yx1/view?usp=sharing miopatia.bin],
[https://drive.google.com/file/d/1ARzqLlYYLmhyefkBsOkoQBx4ToYpQ3yK/view?usp=sharing neuropatia.bin]. Sygnały są zapisane jako dtype='float64'
Częstość próbkowania 4000Hz, amplitudy zapisane są w mV. Dane pochodzą z bazy Physionet: https://physionet.org/content/emgdb/1.0.0/

Proszę przeczytać informację o tych danych. W raporcie proszę napisać istotne informacje o tych sygnałach i wybrać charakterystyczne fragmenty typowe dla danego stanu klinicznego.




=== Ćwiczenie V: Wykorzystanie pomiaru EMG do sterowania on-line ===

Przykładowy fragment kodu <tt>example.py</tt> umożliwiający odbieranie sygnału on line w pythonie przedstawiony jest poniżej.

Proszę dodać fragment analizujący sygnał on-line i wykrywający moment napięcia mięśnia. Po wykryciu w najprostszej wersji niech w terminalu pojawia się komunikat o wykryciu kliknięcia. W wersji max proszę zrobić wizualizację napięcia mięśnia albo podpiąć ten sygnał do sterowania jakimś prostym interfejsem.
==== Wersja działająca z pythonem z pakietu Svarog-Lab ====
<source lang =python>
#!/opt/braintech-svarog-lab-python/bin/python3

# powinno się odpalać pythonem z pakietu Svarog-Lab
# lub python w którym są zainstalowane sterowniki z
# https://braintech.pl/pliki/svarog/svarog-streamer-src/svarog-streamer-src-latest.zip
# zaletą jest dostęp wprost do sterownika wzmacniacza
# /opt/braintech-svarog-lab-python/bin/python3

# Alternatywne wzmacniacze
# from braintech.drivers.perun32.amplifier import Perun32Amplifier as Amplifier # duży wzmacniacz na 32 kanały na USB
# from braintech.drivers.perun8.amplifiers import PerunCppAmplifier as Amplifier # headset na 8 kanałów
from braintech.drivers.tmsi.amplifiers import TmsiCppAmplifier as Amplifier # wzmacniacze TMSI

import numpy as np

# Szukamy wzmacniaczy
amps = Amplifier.get_available_amplifiers()
if len(amps) < 1:
raise Exception("Amplifier not connected")
amp = Amplifier(amps[0])

amp.sampling_rate = 1024 # dla TMSI
# amp.sampling_rate = 500 # dla Perun8, Perun32

def samples_to_microvolts(samples): # amplifier podaje próbki w integerach, wprost z ADC
return samples * gains + offsets

amp.start_sampling()
gains = np.array(amp.current_description.channel_gains)
offsets = np.array(amp.current_description.channel_offsets)
while True:
# pobieramy 16 próbek
# Proponuje używać IPython dla eksperymentowania
packet = amp.get_samples(16)
print(samples_to_microvolts(packet.samples))
print(packet.ts[0])
print(packet.samples.shape, amp.current_description.channel_names)

</source>

==== Wersja dla protokołu LSL ====

<source lang =python>
# gdy nie ma możliwości używać pythona wbudowanego w svarog-lab możliwe jest używanie streamowania do standardu LSL

# włączenie streamowania do LSL:
# w terminalu:
# svarog_streamer -l
# wypisze listę wzmacniaczy
# szukamy ID odpowiedniego wzmacniacza np:
# * Perun-8 Headset
# id: "Perun8 1"

# odpalamy stream LSL danego wzmacniacza:
# svarog_streamer -a "Perun8 1" -n "nazwa_streamu"
# nazwa streamu jest ważna, ponieważ streamy są widoczne w sieci LAN
# zaleta streamu jest też taka, że można podglądać go w Svarogu jednocześnie z naszym skryptem python
# po odpaleniu streamu można odpalać poniższy skrypt dowolnym pythonem z zainstalowanym numpy oraz pylsl

from pylsl import StreamInlet, resolve_stream
import time

nazwa_streamu = "nazwa_streamu" # należy odpowiednio zmienić na nazwę użytą w svarog_streamer -n

# znajdujemy streamy
print("szukamy streamy LSL")
streams = resolve_stream('type', 'EEG')

selected_stream = None
# wybieramy nasz
for stream in streams:
if stream.name() in nazwa_streamu:
selected_stream = stream
if selected_stream is None:
print("Nie znalesiono streamu", nazwa_streamu, "w liście", [i.name() for i in streams])
exit()

# używamy streama
inlet = StreamInlet(selected_stream)

while True:
# pobieramy próbki (w mikrowoltach)
sample, timestamp = inlet.pull_chunk(timeout=1.0, max_samples=10)
print(sample, timestamp, time.monotonic())

</source>

=== Dodatek ===
Do działania on-line przydatne może być filtrowanie sygnału w sposób biegnący. Najlepiej zastosować do tego funkcję lfilter z ustalonymi warunkami początkowymi. Używa się tego w następujący sposób:
<source lang =python>
import scipy.signal as ss
import numpy as np
import matplotlib.pyplot as plt

Fs = 256
T = 1
t = np.arange(0,T,1/Fs)
f0 = 10
f1 = 17
f2 = 23
x = (np.sin(2*np.pi*f0*t) +
np.sin(2*np.pi*f1*t ) +
np.cos(2*np.pi*f2*t))
xn = x + np.random.randn(len(t)) * 0.08

b, a = ss.butter(3, 11/(Fs/2))

zi = ss.lfilter_zi(b, a)
z, _ = ss.lfilter(b, a, xn, zi=zi*xn[0])
plt.plot(xn)
plt.plot(z)
plt.show()

</source>

==== Filtrowanie online ====

Symulacja zastosowania tego sposobu on-line; filtrujemy za każdą iteracją pętli to co przychodzi ze wzmacniacza [s]:

<source lang =python>
zi = ss.lfilter_zi(b, a)
y = np.zeros(xn.shape)
for ind, s in enumerate(xn):
y_tmp, zi = ss.lfilter(b, a, [s], zi=zi)
y[ind]=y_tmp[-1]

plt.plot(y)
plt.plot(z)
plt.plot(xn)
plt.show()

</source>

==== Dodatek 2====
Dla zabawy detektor napięcia mięśni mógłby generować kliknięcia myszki, aby np. zagrać w:

https://dino-chrome.com/

W tym celu trzeba doinstalować bibliotekę pynput:
pip3 install --user pynput

a potem zastosować kod ze strony:
https://pynput.readthedocs.io/en/latest/keyboard.html

<source lang = python>

from pynput.keyboard import Key, Controller

keyboard = Controller()

def spacja():
# Press and release space
keyboard.press(Key.space)
keyboard.release(Key.space)

from pynput.mouse import Button, Controller
mouse = Controller()

def click():
#lewy klik myszy
mouse.press(Button.left)
time.sleep(500)
mouse.release(Button.left)

</source>

==== wersja dla systemu dostępnego w Labie 4.59 na Ubuntu 18 ====
<source lang = python>
from obci_cpp_amplifiers.amplifiers import TmsiCppAmplifier
import numpy as np
amps = TmsiCppAmplifier.get_available_amplifiers('usb')
amp = TmsiCppAmplifier(amps[0])

amp.sampling_rate = 512

amp.start_sampling()
gains = np.array(amp.current_description.channel_gains)
offsets = np.array(amp.current_description.channel_offsets)

def samples_to_microvolts(samples): # z jednostek wzmacniacza do mikrowoltów
return samples * gains + offsets

while True:
# 16 próbek w pakiecie, nieodebrane próbki się bufurują i można odebrać je później
packet = amp.get_samples(16)
print(samples_to_microvolts(packet.samples))
print(packet.ts[0])
print(packet.samples.shape, amp.current_description.channel_names)

</source>

Aby wykonać go w terminalu należy uruchomić polecenie, Uwaga, aby zadziałał trzeba wyłączyć SVAROGa. Proszę przetestować czy po podłączeniu wzmacniacza i uruchomieniu tego skryptu pojawiają się w terminalu wartości próbek.

/opt/braintech/bin/python3 example.py


{{hidden begin|title=Moduł keystroke:}}
<source lang = python>
# -*- coding: utf-8 -*-
#!/usr/bin/env python
# Author:
# Mateusz Kruszyński <mateusz.kruszynski@gmail.com>
#

from Xlib import X, display, Xutil, XK
import Xlib
special_X_keysyms = {
' ' : "space",
'\t' : "Tab",
'\n' : "Return", # for some reason this needs to be cr, not lf
'\r' : "Return",
'\e' : "Escape",
'!' : "exclam",
'#' : "numbersign",
'%' : "percent",
'$' : "dollar",
'&' : "ampersand",
'"' : "quotedbl",
'\'' : "apostrophe",
'(' : "parenleft",
')' : "parenright",
'*' : "asterisk",
'=' : "equal",
'+' : "plus",
',' : "comma",
'-' : "minus",
'.' : "period",
'/' : "slash",
':' : "colon",
';' : "semicolon",
'<' : "less",
'>' : "greater",
'?' : "question",
'@' : "at",
'[' : "bracketleft",
']' : "bracketright",
'\\' : "backslash",
'^' : "asciicircum",
'_' : "underscore",
'`' : "grave",
'{' : "braceleft",
'|' : "bar",
'}' : "braceright",
'~' : "asciitilde"
}

display = display.Display()
window = display.screen().root

def wait(p_keys_list):
"""Block the whole keyboard!!! And wait until some key from p_keys_list
is pressed. By now p_keys_list is a list of strings, so use single
ascii symbols.
There is a way out of this hell - hit 'Escape'.
The function returns hit button`s string representation
Eg. for p_keys_list == ['1','2','3'] the function will hand untill
1,2 or 3 key is preseed or Escape is pressed."""
ds = display
window.grab_keyboard(1, X.GrabModeAsync, X.GrabModeAsync, X.CurrentTime)
while True:
ev = ds.next_event()
if ev.type == X.KeyPress:
keysym = ds.keycode_to_keysym(ev._data['detail'], 0)
keystr = XK.keysym_to_string(keysym)
print("Got keysym/keystr: "+str(keysym)+ ' / '+str(keystr))
if keystr in p_keys_list:
ds.ungrab_keyboard(X.CurrentTime)
ds.flush()
return keystr
elif str(keysym) in p_keys_list:
ds.ungrab_keyboard(X.CurrentTime)
ds.flush()
return keysym
elif keysym == 65307:
ds.ungrab_keyboard(X.CurrentTime)
ds.flush()
return 'Escape'

def char_to_keysym(ch) :
keysym = Xlib.XK.string_to_keysym(ch)
if keysym == 0 :
# Unfortunately, although this works to get the correct keysym
# i.e. keysym for '#' is returned as "numbersign"
# the subsequent display.keysym_to_keycode("numbersign") is 0.
keysym = Xlib.XK.string_to_keysym(special_X_keysyms[ch])
return keysym

def keysym_to_keycode(keysym):
keycode = display.keysym_to_keycode(keysym)
shift_mask = 0
return keycode, shift_mask

def char_to_keycode(ch) :
keysym = char_to_keysym(ch)
keycode = display.keysym_to_keycode(keysym)
if keycode == 0 :
print "Sorry, can't map", ch

if (is_shifted(ch)) :
shift_mask = Xlib.X.ShiftMask
else :
shift_mask = 0

return keycode, shift_mask

def is_shifted(ch) :
if ch.isupper() :
return True
if "~!@#$%^&*()_+{}|:\"<>?".find(ch) >= 0 :
return True
return False

def send_string(str) :
"""I am not working. I dont know why:("""
for ch in str :
#print "sending", ch, "=",
display.keysym_to_keycode(Xlib.XK.string_to_keysym(ch))
keycode, shift_mask = char_to_keycode(ch)
event = Xlib.protocol.event.KeyPress(
time = int(time.time()),
root = display.screen().root,
window = window,
same_screen = 0, child = Xlib.X.NONE,
root_x = 0, root_y = 0, event_x = 0, event_y = 0,
state = shift_mask,
detail = keycode
)
window.send_event(event, propagate = True)
event = Xlib.protocol.event.KeyRelease(
time = int(time.time()),
root = display.screen().root,
window = window,
same_screen = 0, child = Xlib.X.NONE,
root_x = 0, root_y = 0, event_x = 0, event_y = 0,
state = shift_mask,
detail = keycode
)
window.send_event(event, propagate = True)

if __name__ == "__main__":
import sys,time
print(wait(sys.argv[1:]))
#send_string("aBcd")
#time.sleep(10)

"""Używa się tak:
import keystroke
keystroke.wait(['a','b'])
i to wisi dopóki ktoś nie wciśnie a lub b.

Z innymi klawiszam jest tak, że trzeba ich numery podać, np żeby czakać
na SPACE można zrobić
keystroke.wait(['32'])

w razie czego funkcja się 'odwiesza' jak się wciśnie ESC."""
</source>
{{hidden end}}

Pracownia Sygnałów Biologicznych/Zajecia 5 6

2026-03-20T08:36:25Z

Jarekz: /* Rejestracja 1: napinanie i rozluźnianie ręki */

[[Pracownia Sygnałów Bioelektrycznych]]/EMG

Pomiar EMG

==Wstęp==
[https://www.youtube.com/watch?v=w_R5t2-C5cA Filmik ilustrujący działanie mięśni]

Sygnały elektro-fizjologiczne pochodzące z mięśni nazywa się elektromiogramem (EMG).
Elektromiografia jest jednym z podstawowych badań w rozpoznawaniu chorób mięśni i nerwów obwodowych. Ma ona również wiele zastosowań naukowych. Amplituda sygnału EMG wynosi od około kilkudziesięciu μV do 10 mV, zaś pasmo sygnału obejmuje zakres częstości od 2 do 5000 Hz, przy czym największa energia sygnału znajduje się w przedziale od 50 do 150 Hz.

Istnieją dwa sposoby pomiaru sygnałów EMG — badanie igłowe i powierzchniowe. W badaniu igłowym EMG, elektroda igłowa lub igła z dwoma elektrodami wbijana jest w mięsień lub w nerw ruchowy. Następnie obserwuje się aktywność elektryczną mięśni w spoczynku i podczas wysiłku.

[[Plik:Electromyogram.png|250px|thumb|right|<figure id="fig:Electromyogram"></figure> Przykłady elektromiogramów. Panel górny — pacjent zdrowy. Panel środkowy — pacjent ze zmianami w nerwach obwodowych (neuropatia). Panel dolny — pacjent ze zmianami w mięśniach (miopatia).]]

Badanie powierzchniowe EMG wykonuje się z użyciem elektrod samoprzylepnych, umieszczonych na powierzchni skóry, zwykle elektrody bipolarne są rozmieszczone na linii równoległej do włókien. Ocenie podlegają mięśnie położone powierzchownie lub grupy mięśni.
Obydwie metody mają swoje wady i zalety. Metoda &bdquo;igłowa” umożliwia rejestrację sygnału EMG z wybranego mięśnia, podczas gdy metoda powierzchniowa rejestruje zbiorczą aktywność wielu jednostek ruchowych. Jednakże, w przeciwieństwie do metody powierzchniowej, metoda igłowa jest badaniem inwazyjnym i czasem bolesnym, które wykonywane jest w ośrodku klinicznym.

Na zajęciach przeprowadzimy powierzchniowy pomiar EMG (w literaturze często takie badanie oznacza się skrótem sEMG, ''s'' od ang. ''surface'' — powierzchnia). W tym celu umieścimy elektrody na skórze, nad mięśniami, których aktywność chcemy zbadać.

[https://youtu.be/afHpvABLCTo Filmik o zastosowaniach klinicznych EMG]

Lektura uzupełniająca: Reaz MBI, Hussain MS and Mohd-Yasin F. Techniques of EMG signal analysis: detection, processing, classification and applications. Biol. Proced. Online 2006; 8(1): 11-35. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC1455479/pdf/bpo_v8_p11_m115.pdf

==Źródła błędu==
Rejestracja sygnału EMG, podobnie jak pomiar innych sygnały bioelektrycznych podlega pewnym zakłóceniom. Są to przede wszystkim
*artefakty ruchowe,
*artefakty związane z obecnością zewnętrznych pól elektromagnetycznych.

===Artefakty ruchowe ===
W wyniku aktywacji mięśnia, ulega on skróceniu, co powoduje przemieszczanie się względem siebie mięśnia, skóry i elektrody. Przemieszczenie to powoduje zmianę amplitudy mierzonego sygnału (np. elektroda oddala się od mięśnia), zmianę potencjału DC (potencjału powstającego na granicy skóra-elektrolit) oraz rozciągniecie skóry. Jak pamiętamy z pierwszych zajęć
pomiędzy naskórkiem a skórą właściwą istnieje różnica potencjałów o amplitudzie dochodzącej do 30 mV. W trakcie rozciągania skóry, wartość to spada do 25 mV. Powstająca zmiana potencjału, o wartości około 5 mV jest w porównaniu z sygnałem EMG bardzo znacząca.

===Artefakty sieciowe ===
Artefakty sieciowe stanowią poważny problem w przypadku rejestracji sygnału EMG. Zwykle bowiem nie obserwujemy tylko zakłócenia o jednej częstości, równej częstości zmian napięcia w gniazdku zasilającym (np. w Polsce jest to 50 Hz), lecz również wyższe harmoniczne tej częstości (w Polsce będzie to 100 Hz, 150 Hz, 200 Hz, itd). Jak można zauważyć, częstości 50 Hz, 100 Hz i 150 Hz znajdują się w paśmie, w którym sygnał EMG ma największą energię. Stosowanie filtrów pasmowo zaporowych w takim przypadku nie jest wskazane, bowiem filtry jak wiemy nie tłumią ściśle określonych częstości tylko pasma o pewnej szerokości (np. 45-55 Hz, 95-105 Hz, itd). W efekcie znaczna część interesującego nas pasma sygnału EMG zostałaby odrzucona. Aby zminimalizować przenikanie od rejestrowanego sygnału EMG sygnału sieciowego o częstości 50 Hz należy zadbać o niską impedancję pomiędzy elektrodą a skóra oraz powinno mierzyć się sygnały różnicowe.

===Artefakty sieciowo-ruchowe ===
Podczas ruchu mięśnia ciało może ulec przemieszczeniu, co spowoduje ruch kabla w przestrzeni pomiędzy elektrodą a wzmacniaczem. W przestrzeni tej istnieje pole elektromagnetyczne, wywołane zasilaniem sieci elektrycznej. Ruch kabla w polu elektromagnetycznym może powodować zaburzenia sygnału o częstości 50 Hz. Ponadto układ elektrody-kable-wzmacniacz, tworzy pewne ramki, które w trakcie ruchu zmieniają kształt a także powierzchnię. Zgodnie z Prawem Indukcji Faraday'a zmiana strumienia magnetycznego powoduje powstawanie siły elektromotorycznej, która również może zakłócać pomiar.

Artefakty ruchowe można w większości wyeliminować przez zastosowanie filtru górnoprzepustowego, którego częstość odcięcia ustawia się w granicy od 10 do 20 Hz. Aby wyeliminować artefakty związane z ruchem kabla w polu elektromagnetycznym można zastosować tzw. elektrody aktywne. W elektrodach tych (miniaturowy) wzmacniacz znajduje się na elektrodzie. Wzmacnianie sygnału na elektrodzie zwiększa względną czułość układu na sygnał mierzony na elektrodzie w stosunku do zaburzenia związanego z ruchem kabla. Innym rozwiązaniem tego problemu jest zastosowanie kabli ekranowanych. Kable TMSI, których używamy na Pracowni są kablami ekranowanymi. W kablach tych, pomiędzy dwiema warstwami izolatora, istnieje dodatkowa osłona z przewodnika podłączona do wzmacniacza. Dzięki temu, zewnętrzne pole elektromagnetyczne nie przenika do środka kabla. Dodatkowo, aby wyeliminować indukowanie się ładunków w wyniku tarcia pomiędzy izolatorami a osłoną, jest ona częściowo pokryta warstwą węgla.

Sygnały do naszych zajęć znajdują się w tym katalogu:
https://drive.google.com/drive/folders/18skluB3j2CHMXX8l1UmIvNXR1tZYGU0C?usp=sharing
Proszę je pobrać.

== Ćwiczenia ==

=== Ćwiczenie I: Badanie zależności sygnału EMG od obciążenia ===
====Pomiar====
* umieść elektrodę GND na wewnętrznej części przedramienia, w połowie jego długości,
* umieść dwie elektrody do rejestracji sygnału EMG na mięśniu dwugłowym ramienia (popularnie zwanym bicepsem). Kable tych elektrod połącz z unipolarnymi wejściami wzmacniacza numer 1 i 2.
* ustaw częstość próbkowania sygnału na 2048
===== Obserwacje wstępne =====
W tej części proszę wykonać wskazane poniżej obserwacje i zarejestrować fragmenty sygnałów, które mogłyby ilustrować ciekawe obserwacje, aby można je było wykorzystać w końcowej prezentacji.

* W SVAROGU:
** badać będziemy mięsień przedramienia
** przetestuj sygnały rejestrowane w kilku różnych lokalizacjach względem mięśnia
** Przyjrzyj się przebiegowi i widmu sygnałów
** dobierz odpowiednio filtry górnoprzepustowe
** zaobserwuj czy i kiedy w sygnale pojawiają się artefakty
** porównaj sygnały rejestrowane przez elektrody bipolarne i przez elektrody monopolarne zmontowane bipolarnie

===== Rejestracja 1: napinanie i rozluźnianie ręki =====
Zarejestruj sygnał, w którym naprzemiennie ściskasz 1 s i rozluźniasz pięść 2 s (dla badania mięśnia przedramienia). Powtórz 30 razy.

===== Rejestracja 2: zwiększanie obciążenia ręki =====
Rejestrujemy dwa stany: spoczynek, narastajace obciążenie:
* zarejestruj około 1 min. sygnału spoczynkowego
* w dalszej części będziemy stopniowo zwiększać obciążenie: co około 20 s kolejne zwiększenie obciążenia - 5 lub 6 poziomów

===== Rejestracja 3: stałe obciążenie ręki =====
Rejestrujemy dwa stany: spoczynek, narastajace obciążenie:
* zarejestruj około 20s. sygnału spoczynkowego
* w dalszej części dokładamy obciążenie (środkowy poziom z poprzedniego ćwiczenia) i rejestrujemy 1 min. sygnału



====Analiza====
* Dalsze analizy robimy w pythonie (notebook).
** wykreśl sygnał
** sygnały filtrujemy: 30 Hz high-pass, 500 Hz low-pass and 50 Hz notch,
** Przedstaw przebieg średniej mocy sygnałów. Aby to zrobić podnieś próbki do kwadratu i uśrednij za pomocą średniej biegnącej o długości 0.1 s (filtrowanie oknem prostokątnym). Porównaj uzyskane przebiegi z przebiegiem sygnałów wejściowych.
** Zaproponuj algorytm detektora, wykrywającego ruch ręki.

* Zbadaj zależność parametrów sygnału EMG od obciązenia mięśnia:
** Predstaw wykres średnią amplitudę (odchylenie standardowe) od obciążenia
** Przedstaw widma dla kolejnych obciążeń (na wspólnym wykresie). Do estymacji wykorzystaj metodę Welcha, dobierając parametry tak aby rodzielczość częstotliwościowa była 1Hz.
** Przedstaw mapę czas-częstość (rozważ spectrogram i scalogram - czy któraś z technik jest tu lepsza?) dla całego zapisu. Zaobserwuj jakie zmiany następują w widmie wraz ze wzrostem obciążenia.

* Zbadaj zależność parametrów sygnału EMG od zmęczenia mięśnia:
** Przedstaw mapę czas-częstość dla całego czasu rejestracji. Zaobserwuj jakie zmiany następują w widmie wraz z czasem.
** Przedstaw ewolucję czasową środka ciężkości widma częstości





=== Ćwiczenie III: zapoznanie się z sygnałami rejestrowanymi przez inwazyjne EMG===
Proszę wczytać i przyjrzeć się sygnałom
[https://drive.google.com/file/d/1AO7w4m2F3nkSzISYXAeDGCpjMIRDx5NS/view?usp=sharing zdrowy.bin],
[https://drive.google.com/file/d/1APY5xDQJrwFuPY_V7Uza9JrKSgew1Yx1/view?usp=sharing miopatia.bin],
[https://drive.google.com/file/d/1ARzqLlYYLmhyefkBsOkoQBx4ToYpQ3yK/view?usp=sharing neuropatia.bin]. Sygnały są zapisane jako dtype='float64'
Częstość próbkowania 4000Hz, amplitudy zapisane są w mV. Dane pochodzą z bazy Physionet: https://physionet.org/content/emgdb/1.0.0/

Proszę przeczytać informację o tych danych. W raporcie proszę napisać istotne informacje o tych sygnałach i wybrać charakterystyczne fragmenty typowe dla danego stanu klinicznego.




=== Ćwiczenie V: Wykorzystanie pomiaru EMG do sterowania on-line ===

Przykładowy fragment kodu <tt>example.py</tt> umożliwiający odbieranie sygnału on line w pythonie przedstawiony jest poniżej.

Proszę dodać fragment analizujący sygnał on-line i wykrywający moment napięcia mięśnia. Po wykryciu w najprostszej wersji niech w terminalu pojawia się komunikat o wykryciu kliknięcia. W wersji max proszę zrobić wizualizację napięcia mięśnia albo podpiąć ten sygnał do sterowania jakimś prostym interfejsem.
==== Wersja działająca z pythonem z pakietu Svarog-Lab ====
<source lang =python>
#!/opt/braintech-svarog-lab-python/bin/python3

# powinno się odpalać pythonem z pakietu Svarog-Lab
# lub python w którym są zainstalowane sterowniki z
# https://braintech.pl/pliki/svarog/svarog-streamer-src/svarog-streamer-src-latest.zip
# zaletą jest dostęp wprost do sterownika wzmacniacza
# /opt/braintech-svarog-lab-python/bin/python3

# Alternatywne wzmacniacze
# from braintech.drivers.perun32.amplifier import Perun32Amplifier as Amplifier # duży wzmacniacz na 32 kanały na USB
# from braintech.drivers.perun8.amplifiers import PerunCppAmplifier as Amplifier # headset na 8 kanałów
from braintech.drivers.tmsi.amplifiers import TmsiCppAmplifier as Amplifier # wzmacniacze TMSI

import numpy as np

# Szukamy wzmacniaczy
amps = Amplifier.get_available_amplifiers()
if len(amps) < 1:
raise Exception("Amplifier not connected")
amp = Amplifier(amps[0])

amp.sampling_rate = 1024 # dla TMSI
# amp.sampling_rate = 500 # dla Perun8, Perun32

def samples_to_microvolts(samples): # amplifier podaje próbki w integerach, wprost z ADC
return samples * gains + offsets

amp.start_sampling()
gains = np.array(amp.current_description.channel_gains)
offsets = np.array(amp.current_description.channel_offsets)
while True:
# pobieramy 16 próbek
# Proponuje używać IPython dla eksperymentowania
packet = amp.get_samples(16)
print(samples_to_microvolts(packet.samples))
print(packet.ts[0])
print(packet.samples.shape, amp.current_description.channel_names)

</source>

==== Wersja dla protokołu LSL ====

<source lang =python>
# gdy nie ma możliwości używać pythona wbudowanego w svarog-lab możliwe jest używanie streamowania do standardu LSL

# włączenie streamowania do LSL:
# w terminalu:
# svarog_streamer -l
# wypisze listę wzmacniaczy
# szukamy ID odpowiedniego wzmacniacza np:
# * Perun-8 Headset
# id: "Perun8 1"

# odpalamy stream LSL danego wzmacniacza:
# svarog_streamer -a "Perun8 1" -n "nazwa_streamu"
# nazwa streamu jest ważna, ponieważ streamy są widoczne w sieci LAN
# zaleta streamu jest też taka, że można podglądać go w Svarogu jednocześnie z naszym skryptem python
# po odpaleniu streamu można odpalać poniższy skrypt dowolnym pythonem z zainstalowanym numpy oraz pylsl

from pylsl import StreamInlet, resolve_stream
import time

nazwa_streamu = "nazwa_streamu" # należy odpowiednio zmienić na nazwę użytą w svarog_streamer -n

# znajdujemy streamy
print("szukamy streamy LSL")
streams = resolve_stream('type', 'EEG')

selected_stream = None
# wybieramy nasz
for stream in streams:
if stream.name() in nazwa_streamu:
selected_stream = stream
if selected_stream is None:
print("Nie znalesiono streamu", nazwa_streamu, "w liście", [i.name() for i in streams])
exit()

# używamy streama
inlet = StreamInlet(selected_stream)

while True:
# pobieramy próbki (w mikrowoltach)
sample, timestamp = inlet.pull_chunk(timeout=1.0, max_samples=10)
print(sample, timestamp, time.monotonic())

</source>

=== Dodatek ===
Do działania on-line przydatne może być filtrowanie sygnału w sposób biegnący. Najlepiej zastosować do tego funkcję lfilter z ustalonymi warunkami początkowymi. Używa się tego w następujący sposób:
<source lang =python>
import scipy.signal as ss
import numpy as np
import matplotlib.pyplot as plt

Fs = 256
T = 1
t = np.arange(0,T,1/Fs)
f0 = 10
f1 = 17
f2 = 23
x = (np.sin(2*np.pi*f0*t) +
np.sin(2*np.pi*f1*t ) +
np.cos(2*np.pi*f2*t))
xn = x + np.random.randn(len(t)) * 0.08

b, a = ss.butter(3, 11/(Fs/2))

zi = ss.lfilter_zi(b, a)
z, _ = ss.lfilter(b, a, xn, zi=zi*xn[0])
plt.plot(xn)
plt.plot(z)
plt.show()

</source>

==== Filtrowanie online ====

Symulacja zastosowania tego sposobu on-line; filtrujemy za każdą iteracją pętli to co przychodzi ze wzmacniacza [s]:

<source lang =python>
zi = ss.lfilter_zi(b, a)
y = np.zeros(xn.shape)
for ind, s in enumerate(xn):
y_tmp, zi = ss.lfilter(b, a, [s], zi=zi)
y[ind]=y_tmp[-1]

plt.plot(y)
plt.plot(z)
plt.plot(xn)
plt.show()

</source>

==== Dodatek 2====
Dla zabawy detektor napięcia mięśni mógłby generować kliknięcia myszki, aby np. zagrać w:

https://dino-chrome.com/

W tym celu trzeba doinstalować bibliotekę pynput:
pip3 install --user pynput

a potem zastosować kod ze strony:
https://pynput.readthedocs.io/en/latest/keyboard.html

<source lang = python>

from pynput.keyboard import Key, Controller

keyboard = Controller()

def spacja():
# Press and release space
keyboard.press(Key.space)
keyboard.release(Key.space)

from pynput.mouse import Button, Controller
mouse = Controller()

def click():
#lewy klik myszy
mouse.press(Button.left)
time.sleep(500)
mouse.release(Button.left)

</source>

==== wersja dla systemu dostępnego w Labie 4.59 na Ubuntu 18 ====
<source lang = python>
from obci_cpp_amplifiers.amplifiers import TmsiCppAmplifier
import numpy as np
amps = TmsiCppAmplifier.get_available_amplifiers('usb')
amp = TmsiCppAmplifier(amps[0])

amp.sampling_rate = 512

amp.start_sampling()
gains = np.array(amp.current_description.channel_gains)
offsets = np.array(amp.current_description.channel_offsets)

def samples_to_microvolts(samples): # z jednostek wzmacniacza do mikrowoltów
return samples * gains + offsets

while True:
# 16 próbek w pakiecie, nieodebrane próbki się bufurują i można odebrać je później
packet = amp.get_samples(16)
print(samples_to_microvolts(packet.samples))
print(packet.ts[0])
print(packet.samples.shape, amp.current_description.channel_names)

</source>

Aby wykonać go w terminalu należy uruchomić polecenie, Uwaga, aby zadziałał trzeba wyłączyć SVAROGa. Proszę przetestować czy po podłączeniu wzmacniacza i uruchomieniu tego skryptu pojawiają się w terminalu wartości próbek.

/opt/braintech/bin/python3 example.py


{{hidden begin|title=Moduł keystroke:}}
<source lang = python>
# -*- coding: utf-8 -*-
#!/usr/bin/env python
# Author:
# Mateusz Kruszyński <mateusz.kruszynski@gmail.com>
#

from Xlib import X, display, Xutil, XK
import Xlib
special_X_keysyms = {
' ' : "space",
'\t' : "Tab",
'\n' : "Return", # for some reason this needs to be cr, not lf
'\r' : "Return",
'\e' : "Escape",
'!' : "exclam",
'#' : "numbersign",
'%' : "percent",
'$' : "dollar",
'&' : "ampersand",
'"' : "quotedbl",
'\'' : "apostrophe",
'(' : "parenleft",
')' : "parenright",
'*' : "asterisk",
'=' : "equal",
'+' : "plus",
',' : "comma",
'-' : "minus",
'.' : "period",
'/' : "slash",
':' : "colon",
';' : "semicolon",
'<' : "less",
'>' : "greater",
'?' : "question",
'@' : "at",
'[' : "bracketleft",
']' : "bracketright",
'\\' : "backslash",
'^' : "asciicircum",
'_' : "underscore",
'`' : "grave",
'{' : "braceleft",
'|' : "bar",
'}' : "braceright",
'~' : "asciitilde"
}

display = display.Display()
window = display.screen().root

def wait(p_keys_list):
"""Block the whole keyboard!!! And wait until some key from p_keys_list
is pressed. By now p_keys_list is a list of strings, so use single
ascii symbols.
There is a way out of this hell - hit 'Escape'.
The function returns hit button`s string representation
Eg. for p_keys_list == ['1','2','3'] the function will hand untill
1,2 or 3 key is preseed or Escape is pressed."""
ds = display
window.grab_keyboard(1, X.GrabModeAsync, X.GrabModeAsync, X.CurrentTime)
while True:
ev = ds.next_event()
if ev.type == X.KeyPress:
keysym = ds.keycode_to_keysym(ev._data['detail'], 0)
keystr = XK.keysym_to_string(keysym)
print("Got keysym/keystr: "+str(keysym)+ ' / '+str(keystr))
if keystr in p_keys_list:
ds.ungrab_keyboard(X.CurrentTime)
ds.flush()
return keystr
elif str(keysym) in p_keys_list:
ds.ungrab_keyboard(X.CurrentTime)
ds.flush()
return keysym
elif keysym == 65307:
ds.ungrab_keyboard(X.CurrentTime)
ds.flush()
return 'Escape'

def char_to_keysym(ch) :
keysym = Xlib.XK.string_to_keysym(ch)
if keysym == 0 :
# Unfortunately, although this works to get the correct keysym
# i.e. keysym for '#' is returned as "numbersign"
# the subsequent display.keysym_to_keycode("numbersign") is 0.
keysym = Xlib.XK.string_to_keysym(special_X_keysyms[ch])
return keysym

def keysym_to_keycode(keysym):
keycode = display.keysym_to_keycode(keysym)
shift_mask = 0
return keycode, shift_mask

def char_to_keycode(ch) :
keysym = char_to_keysym(ch)
keycode = display.keysym_to_keycode(keysym)
if keycode == 0 :
print "Sorry, can't map", ch

if (is_shifted(ch)) :
shift_mask = Xlib.X.ShiftMask
else :
shift_mask = 0

return keycode, shift_mask

def is_shifted(ch) :
if ch.isupper() :
return True
if "~!@#$%^&*()_+{}|:\"<>?".find(ch) >= 0 :
return True
return False

def send_string(str) :
"""I am not working. I dont know why:("""
for ch in str :
#print "sending", ch, "=",
display.keysym_to_keycode(Xlib.XK.string_to_keysym(ch))
keycode, shift_mask = char_to_keycode(ch)
event = Xlib.protocol.event.KeyPress(
time = int(time.time()),
root = display.screen().root,
window = window,
same_screen = 0, child = Xlib.X.NONE,
root_x = 0, root_y = 0, event_x = 0, event_y = 0,
state = shift_mask,
detail = keycode
)
window.send_event(event, propagate = True)
event = Xlib.protocol.event.KeyRelease(
time = int(time.time()),
root = display.screen().root,
window = window,
same_screen = 0, child = Xlib.X.NONE,
root_x = 0, root_y = 0, event_x = 0, event_y = 0,
state = shift_mask,
detail = keycode
)
window.send_event(event, propagate = True)

if __name__ == "__main__":
import sys,time
print(wait(sys.argv[1:]))
#send_string("aBcd")
#time.sleep(10)

"""Używa się tak:
import keystroke
keystroke.wait(['a','b'])
i to wisi dopóki ktoś nie wciśnie a lub b.

Z innymi klawiszam jest tak, że trzeba ich numery podać, np żeby czakać
na SPACE można zrobić
keystroke.wait(['32'])

w razie czego funkcja się 'odwiesza' jak się wciśnie ESC."""
</source>
{{hidden end}}

Pracownia Sygnałów Biologicznych/Zajecia 5 6

2026-03-20T08:33:14Z

Jarekz: /* Ćwiczenie II: Analiza napięcia mięśni twarzy pod wpływem bodźców emocjonalnych */

[[Pracownia Sygnałów Bioelektrycznych]]/EMG

Pomiar EMG

==Wstęp==
[https://www.youtube.com/watch?v=w_R5t2-C5cA Filmik ilustrujący działanie mięśni]

Sygnały elektro-fizjologiczne pochodzące z mięśni nazywa się elektromiogramem (EMG).
Elektromiografia jest jednym z podstawowych badań w rozpoznawaniu chorób mięśni i nerwów obwodowych. Ma ona również wiele zastosowań naukowych. Amplituda sygnału EMG wynosi od około kilkudziesięciu μV do 10 mV, zaś pasmo sygnału obejmuje zakres częstości od 2 do 5000 Hz, przy czym największa energia sygnału znajduje się w przedziale od 50 do 150 Hz.

Istnieją dwa sposoby pomiaru sygnałów EMG — badanie igłowe i powierzchniowe. W badaniu igłowym EMG, elektroda igłowa lub igła z dwoma elektrodami wbijana jest w mięsień lub w nerw ruchowy. Następnie obserwuje się aktywność elektryczną mięśni w spoczynku i podczas wysiłku.

[[Plik:Electromyogram.png|250px|thumb|right|<figure id="fig:Electromyogram"></figure> Przykłady elektromiogramów. Panel górny — pacjent zdrowy. Panel środkowy — pacjent ze zmianami w nerwach obwodowych (neuropatia). Panel dolny — pacjent ze zmianami w mięśniach (miopatia).]]

Badanie powierzchniowe EMG wykonuje się z użyciem elektrod samoprzylepnych, umieszczonych na powierzchni skóry, zwykle elektrody bipolarne są rozmieszczone na linii równoległej do włókien. Ocenie podlegają mięśnie położone powierzchownie lub grupy mięśni.
Obydwie metody mają swoje wady i zalety. Metoda &bdquo;igłowa” umożliwia rejestrację sygnału EMG z wybranego mięśnia, podczas gdy metoda powierzchniowa rejestruje zbiorczą aktywność wielu jednostek ruchowych. Jednakże, w przeciwieństwie do metody powierzchniowej, metoda igłowa jest badaniem inwazyjnym i czasem bolesnym, które wykonywane jest w ośrodku klinicznym.

Na zajęciach przeprowadzimy powierzchniowy pomiar EMG (w literaturze często takie badanie oznacza się skrótem sEMG, ''s'' od ang. ''surface'' — powierzchnia). W tym celu umieścimy elektrody na skórze, nad mięśniami, których aktywność chcemy zbadać.

[https://youtu.be/afHpvABLCTo Filmik o zastosowaniach klinicznych EMG]

Lektura uzupełniająca: Reaz MBI, Hussain MS and Mohd-Yasin F. Techniques of EMG signal analysis: detection, processing, classification and applications. Biol. Proced. Online 2006; 8(1): 11-35. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC1455479/pdf/bpo_v8_p11_m115.pdf

==Źródła błędu==
Rejestracja sygnału EMG, podobnie jak pomiar innych sygnały bioelektrycznych podlega pewnym zakłóceniom. Są to przede wszystkim
*artefakty ruchowe,
*artefakty związane z obecnością zewnętrznych pól elektromagnetycznych.

===Artefakty ruchowe ===
W wyniku aktywacji mięśnia, ulega on skróceniu, co powoduje przemieszczanie się względem siebie mięśnia, skóry i elektrody. Przemieszczenie to powoduje zmianę amplitudy mierzonego sygnału (np. elektroda oddala się od mięśnia), zmianę potencjału DC (potencjału powstającego na granicy skóra-elektrolit) oraz rozciągniecie skóry. Jak pamiętamy z pierwszych zajęć
pomiędzy naskórkiem a skórą właściwą istnieje różnica potencjałów o amplitudzie dochodzącej do 30 mV. W trakcie rozciągania skóry, wartość to spada do 25 mV. Powstająca zmiana potencjału, o wartości około 5 mV jest w porównaniu z sygnałem EMG bardzo znacząca.

===Artefakty sieciowe ===
Artefakty sieciowe stanowią poważny problem w przypadku rejestracji sygnału EMG. Zwykle bowiem nie obserwujemy tylko zakłócenia o jednej częstości, równej częstości zmian napięcia w gniazdku zasilającym (np. w Polsce jest to 50 Hz), lecz również wyższe harmoniczne tej częstości (w Polsce będzie to 100 Hz, 150 Hz, 200 Hz, itd). Jak można zauważyć, częstości 50 Hz, 100 Hz i 150 Hz znajdują się w paśmie, w którym sygnał EMG ma największą energię. Stosowanie filtrów pasmowo zaporowych w takim przypadku nie jest wskazane, bowiem filtry jak wiemy nie tłumią ściśle określonych częstości tylko pasma o pewnej szerokości (np. 45-55 Hz, 95-105 Hz, itd). W efekcie znaczna część interesującego nas pasma sygnału EMG zostałaby odrzucona. Aby zminimalizować przenikanie od rejestrowanego sygnału EMG sygnału sieciowego o częstości 50 Hz należy zadbać o niską impedancję pomiędzy elektrodą a skóra oraz powinno mierzyć się sygnały różnicowe.

===Artefakty sieciowo-ruchowe ===
Podczas ruchu mięśnia ciało może ulec przemieszczeniu, co spowoduje ruch kabla w przestrzeni pomiędzy elektrodą a wzmacniaczem. W przestrzeni tej istnieje pole elektromagnetyczne, wywołane zasilaniem sieci elektrycznej. Ruch kabla w polu elektromagnetycznym może powodować zaburzenia sygnału o częstości 50 Hz. Ponadto układ elektrody-kable-wzmacniacz, tworzy pewne ramki, które w trakcie ruchu zmieniają kształt a także powierzchnię. Zgodnie z Prawem Indukcji Faraday'a zmiana strumienia magnetycznego powoduje powstawanie siły elektromotorycznej, która również może zakłócać pomiar.

Artefakty ruchowe można w większości wyeliminować przez zastosowanie filtru górnoprzepustowego, którego częstość odcięcia ustawia się w granicy od 10 do 20 Hz. Aby wyeliminować artefakty związane z ruchem kabla w polu elektromagnetycznym można zastosować tzw. elektrody aktywne. W elektrodach tych (miniaturowy) wzmacniacz znajduje się na elektrodzie. Wzmacnianie sygnału na elektrodzie zwiększa względną czułość układu na sygnał mierzony na elektrodzie w stosunku do zaburzenia związanego z ruchem kabla. Innym rozwiązaniem tego problemu jest zastosowanie kabli ekranowanych. Kable TMSI, których używamy na Pracowni są kablami ekranowanymi. W kablach tych, pomiędzy dwiema warstwami izolatora, istnieje dodatkowa osłona z przewodnika podłączona do wzmacniacza. Dzięki temu, zewnętrzne pole elektromagnetyczne nie przenika do środka kabla. Dodatkowo, aby wyeliminować indukowanie się ładunków w wyniku tarcia pomiędzy izolatorami a osłoną, jest ona częściowo pokryta warstwą węgla.

Sygnały do naszych zajęć znajdują się w tym katalogu:
https://drive.google.com/drive/folders/18skluB3j2CHMXX8l1UmIvNXR1tZYGU0C?usp=sharing
Proszę je pobrać.

== Ćwiczenia ==

=== Ćwiczenie I: Badanie zależności sygnału EMG od obciążenia ===
====Pomiar====
* umieść elektrodę GND na wewnętrznej części przedramienia, w połowie jego długości,
* umieść dwie elektrody do rejestracji sygnału EMG na mięśniu dwugłowym ramienia (popularnie zwanym bicepsem). Kable tych elektrod połącz z unipolarnymi wejściami wzmacniacza numer 1 i 2.
* ustaw częstość próbkowania sygnału na 2048
===== Obserwacje wstępne =====
W tej części proszę wykonać wskazane poniżej obserwacje i zarejestrować fragmenty sygnałów, które mogłyby ilustrować ciekawe obserwacje, aby można je było wykorzystać w końcowej prezentacji.

* W SVAROGU:
** badać będziemy mięsień przedramienia
** przetestuj sygnały rejestrowane w kilku różnych lokalizacjach względem mięśnia
** Przyjrzyj się przebiegowi i widmu sygnałów
** dobierz odpowiednio filtry górnoprzepustowe
** zaobserwuj czy i kiedy w sygnale pojawiają się artefakty
** porównaj sygnały rejestrowane przez elektrody bipolarne i przez elektrody monopolarne zmontowane bipolarnie

===== Rejestracja 1: napinanie i rozluźnianie ręki =====
Zarejestruj sygnał, w którym naprzemiennie po około 5 s napinasz i rozluźniasz biceps lub ściskasz i rozluźniasz pięść (dla badania mięśnia przedramienia).

===== Rejestracja 2: zwiększanie obciążenia ręki =====
Rejestrujemy dwa stany: spoczynek, narastajace obciążenie:
* zarejestruj około 1 min. sygnału spoczynkowego
* w dalszej części będziemy stopniowo zwiększać obciążenie: co około 20 s kolejne zwiększenie obciążenia - 5 lub 6 poziomów

===== Rejestracja 3: stałe obciążenie ręki =====
Rejestrujemy dwa stany: spoczynek, narastajace obciążenie:
* zarejestruj około 20s. sygnału spoczynkowego
* w dalszej części dokładamy obciążenie (środkowy poziom z poprzedniego ćwiczenia) i rejestrujemy 1 min. sygnału



====Analiza====
* Dalsze analizy robimy w pythonie (notebook).
** wykreśl sygnał
** sygnały filtrujemy: 30 Hz high-pass, 500 Hz low-pass and 50 Hz notch,
** Przedstaw przebieg średniej mocy sygnałów. Aby to zrobić podnieś próbki do kwadratu i uśrednij za pomocą średniej biegnącej o długości 0.1 s (filtrowanie oknem prostokątnym). Porównaj uzyskane przebiegi z przebiegiem sygnałów wejściowych.
** Zaproponuj algorytm detektora, wykrywającego ruch ręki.

* Zbadaj zależność parametrów sygnału EMG od obciązenia mięśnia:
** Predstaw wykres średnią amplitudę (odchylenie standardowe) od obciążenia
** Przedstaw widma dla kolejnych obciążeń (na wspólnym wykresie). Do estymacji wykorzystaj metodę Welcha, dobierając parametry tak aby rodzielczość częstotliwościowa była 1Hz.
** Przedstaw mapę czas-częstość (rozważ spectrogram i scalogram - czy któraś z technik jest tu lepsza?) dla całego zapisu. Zaobserwuj jakie zmiany następują w widmie wraz ze wzrostem obciążenia.

* Zbadaj zależność parametrów sygnału EMG od zmęczenia mięśnia:
** Przedstaw mapę czas-częstość dla całego czasu rejestracji. Zaobserwuj jakie zmiany następują w widmie wraz z czasem.
** Przedstaw ewolucję czasową środka ciężkości widma częstości





=== Ćwiczenie III: zapoznanie się z sygnałami rejestrowanymi przez inwazyjne EMG===
Proszę wczytać i przyjrzeć się sygnałom
[https://drive.google.com/file/d/1AO7w4m2F3nkSzISYXAeDGCpjMIRDx5NS/view?usp=sharing zdrowy.bin],
[https://drive.google.com/file/d/1APY5xDQJrwFuPY_V7Uza9JrKSgew1Yx1/view?usp=sharing miopatia.bin],
[https://drive.google.com/file/d/1ARzqLlYYLmhyefkBsOkoQBx4ToYpQ3yK/view?usp=sharing neuropatia.bin]. Sygnały są zapisane jako dtype='float64'
Częstość próbkowania 4000Hz, amplitudy zapisane są w mV. Dane pochodzą z bazy Physionet: https://physionet.org/content/emgdb/1.0.0/

Proszę przeczytać informację o tych danych. W raporcie proszę napisać istotne informacje o tych sygnałach i wybrać charakterystyczne fragmenty typowe dla danego stanu klinicznego.




=== Ćwiczenie V: Wykorzystanie pomiaru EMG do sterowania on-line ===

Przykładowy fragment kodu <tt>example.py</tt> umożliwiający odbieranie sygnału on line w pythonie przedstawiony jest poniżej.

Proszę dodać fragment analizujący sygnał on-line i wykrywający moment napięcia mięśnia. Po wykryciu w najprostszej wersji niech w terminalu pojawia się komunikat o wykryciu kliknięcia. W wersji max proszę zrobić wizualizację napięcia mięśnia albo podpiąć ten sygnał do sterowania jakimś prostym interfejsem.
==== Wersja działająca z pythonem z pakietu Svarog-Lab ====
<source lang =python>
#!/opt/braintech-svarog-lab-python/bin/python3

# powinno się odpalać pythonem z pakietu Svarog-Lab
# lub python w którym są zainstalowane sterowniki z
# https://braintech.pl/pliki/svarog/svarog-streamer-src/svarog-streamer-src-latest.zip
# zaletą jest dostęp wprost do sterownika wzmacniacza
# /opt/braintech-svarog-lab-python/bin/python3

# Alternatywne wzmacniacze
# from braintech.drivers.perun32.amplifier import Perun32Amplifier as Amplifier # duży wzmacniacz na 32 kanały na USB
# from braintech.drivers.perun8.amplifiers import PerunCppAmplifier as Amplifier # headset na 8 kanałów
from braintech.drivers.tmsi.amplifiers import TmsiCppAmplifier as Amplifier # wzmacniacze TMSI

import numpy as np

# Szukamy wzmacniaczy
amps = Amplifier.get_available_amplifiers()
if len(amps) < 1:
raise Exception("Amplifier not connected")
amp = Amplifier(amps[0])

amp.sampling_rate = 1024 # dla TMSI
# amp.sampling_rate = 500 # dla Perun8, Perun32

def samples_to_microvolts(samples): # amplifier podaje próbki w integerach, wprost z ADC
return samples * gains + offsets

amp.start_sampling()
gains = np.array(amp.current_description.channel_gains)
offsets = np.array(amp.current_description.channel_offsets)
while True:
# pobieramy 16 próbek
# Proponuje używać IPython dla eksperymentowania
packet = amp.get_samples(16)
print(samples_to_microvolts(packet.samples))
print(packet.ts[0])
print(packet.samples.shape, amp.current_description.channel_names)

</source>

==== Wersja dla protokołu LSL ====

<source lang =python>
# gdy nie ma możliwości używać pythona wbudowanego w svarog-lab możliwe jest używanie streamowania do standardu LSL

# włączenie streamowania do LSL:
# w terminalu:
# svarog_streamer -l
# wypisze listę wzmacniaczy
# szukamy ID odpowiedniego wzmacniacza np:
# * Perun-8 Headset
# id: "Perun8 1"

# odpalamy stream LSL danego wzmacniacza:
# svarog_streamer -a "Perun8 1" -n "nazwa_streamu"
# nazwa streamu jest ważna, ponieważ streamy są widoczne w sieci LAN
# zaleta streamu jest też taka, że można podglądać go w Svarogu jednocześnie z naszym skryptem python
# po odpaleniu streamu można odpalać poniższy skrypt dowolnym pythonem z zainstalowanym numpy oraz pylsl

from pylsl import StreamInlet, resolve_stream
import time

nazwa_streamu = "nazwa_streamu" # należy odpowiednio zmienić na nazwę użytą w svarog_streamer -n

# znajdujemy streamy
print("szukamy streamy LSL")
streams = resolve_stream('type', 'EEG')

selected_stream = None
# wybieramy nasz
for stream in streams:
if stream.name() in nazwa_streamu:
selected_stream = stream
if selected_stream is None:
print("Nie znalesiono streamu", nazwa_streamu, "w liście", [i.name() for i in streams])
exit()

# używamy streama
inlet = StreamInlet(selected_stream)

while True:
# pobieramy próbki (w mikrowoltach)
sample, timestamp = inlet.pull_chunk(timeout=1.0, max_samples=10)
print(sample, timestamp, time.monotonic())

</source>

=== Dodatek ===
Do działania on-line przydatne może być filtrowanie sygnału w sposób biegnący. Najlepiej zastosować do tego funkcję lfilter z ustalonymi warunkami początkowymi. Używa się tego w następujący sposób:
<source lang =python>
import scipy.signal as ss
import numpy as np
import matplotlib.pyplot as plt

Fs = 256
T = 1
t = np.arange(0,T,1/Fs)
f0 = 10
f1 = 17
f2 = 23
x = (np.sin(2*np.pi*f0*t) +
np.sin(2*np.pi*f1*t ) +
np.cos(2*np.pi*f2*t))
xn = x + np.random.randn(len(t)) * 0.08

b, a = ss.butter(3, 11/(Fs/2))

zi = ss.lfilter_zi(b, a)
z, _ = ss.lfilter(b, a, xn, zi=zi*xn[0])
plt.plot(xn)
plt.plot(z)
plt.show()

</source>

==== Filtrowanie online ====

Symulacja zastosowania tego sposobu on-line; filtrujemy za każdą iteracją pętli to co przychodzi ze wzmacniacza [s]:

<source lang =python>
zi = ss.lfilter_zi(b, a)
y = np.zeros(xn.shape)
for ind, s in enumerate(xn):
y_tmp, zi = ss.lfilter(b, a, [s], zi=zi)
y[ind]=y_tmp[-1]

plt.plot(y)
plt.plot(z)
plt.plot(xn)
plt.show()

</source>

==== Dodatek 2====
Dla zabawy detektor napięcia mięśni mógłby generować kliknięcia myszki, aby np. zagrać w:

https://dino-chrome.com/

W tym celu trzeba doinstalować bibliotekę pynput:
pip3 install --user pynput

a potem zastosować kod ze strony:
https://pynput.readthedocs.io/en/latest/keyboard.html

<source lang = python>

from pynput.keyboard import Key, Controller

keyboard = Controller()

def spacja():
# Press and release space
keyboard.press(Key.space)
keyboard.release(Key.space)

from pynput.mouse import Button, Controller
mouse = Controller()

def click():
#lewy klik myszy
mouse.press(Button.left)
time.sleep(500)
mouse.release(Button.left)

</source>

==== wersja dla systemu dostępnego w Labie 4.59 na Ubuntu 18 ====
<source lang = python>
from obci_cpp_amplifiers.amplifiers import TmsiCppAmplifier
import numpy as np
amps = TmsiCppAmplifier.get_available_amplifiers('usb')
amp = TmsiCppAmplifier(amps[0])

amp.sampling_rate = 512

amp.start_sampling()
gains = np.array(amp.current_description.channel_gains)
offsets = np.array(amp.current_description.channel_offsets)

def samples_to_microvolts(samples): # z jednostek wzmacniacza do mikrowoltów
return samples * gains + offsets

while True:
# 16 próbek w pakiecie, nieodebrane próbki się bufurują i można odebrać je później
packet = amp.get_samples(16)
print(samples_to_microvolts(packet.samples))
print(packet.ts[0])
print(packet.samples.shape, amp.current_description.channel_names)

</source>

Aby wykonać go w terminalu należy uruchomić polecenie, Uwaga, aby zadziałał trzeba wyłączyć SVAROGa. Proszę przetestować czy po podłączeniu wzmacniacza i uruchomieniu tego skryptu pojawiają się w terminalu wartości próbek.

/opt/braintech/bin/python3 example.py


{{hidden begin|title=Moduł keystroke:}}
<source lang = python>
# -*- coding: utf-8 -*-
#!/usr/bin/env python
# Author:
# Mateusz Kruszyński <mateusz.kruszynski@gmail.com>
#

from Xlib import X, display, Xutil, XK
import Xlib
special_X_keysyms = {
' ' : "space",
'\t' : "Tab",
'\n' : "Return", # for some reason this needs to be cr, not lf
'\r' : "Return",
'\e' : "Escape",
'!' : "exclam",
'#' : "numbersign",
'%' : "percent",
'$' : "dollar",
'&' : "ampersand",
'"' : "quotedbl",
'\'' : "apostrophe",
'(' : "parenleft",
')' : "parenright",
'*' : "asterisk",
'=' : "equal",
'+' : "plus",
',' : "comma",
'-' : "minus",
'.' : "period",
'/' : "slash",
':' : "colon",
';' : "semicolon",
'<' : "less",
'>' : "greater",
'?' : "question",
'@' : "at",
'[' : "bracketleft",
']' : "bracketright",
'\\' : "backslash",
'^' : "asciicircum",
'_' : "underscore",
'`' : "grave",
'{' : "braceleft",
'|' : "bar",
'}' : "braceright",
'~' : "asciitilde"
}

display = display.Display()
window = display.screen().root

def wait(p_keys_list):
"""Block the whole keyboard!!! And wait until some key from p_keys_list
is pressed. By now p_keys_list is a list of strings, so use single
ascii symbols.
There is a way out of this hell - hit 'Escape'.
The function returns hit button`s string representation
Eg. for p_keys_list == ['1','2','3'] the function will hand untill
1,2 or 3 key is preseed or Escape is pressed."""
ds = display
window.grab_keyboard(1, X.GrabModeAsync, X.GrabModeAsync, X.CurrentTime)
while True:
ev = ds.next_event()
if ev.type == X.KeyPress:
keysym = ds.keycode_to_keysym(ev._data['detail'], 0)
keystr = XK.keysym_to_string(keysym)
print("Got keysym/keystr: "+str(keysym)+ ' / '+str(keystr))
if keystr in p_keys_list:
ds.ungrab_keyboard(X.CurrentTime)
ds.flush()
return keystr
elif str(keysym) in p_keys_list:
ds.ungrab_keyboard(X.CurrentTime)
ds.flush()
return keysym
elif keysym == 65307:
ds.ungrab_keyboard(X.CurrentTime)
ds.flush()
return 'Escape'

def char_to_keysym(ch) :
keysym = Xlib.XK.string_to_keysym(ch)
if keysym == 0 :
# Unfortunately, although this works to get the correct keysym
# i.e. keysym for '#' is returned as "numbersign"
# the subsequent display.keysym_to_keycode("numbersign") is 0.
keysym = Xlib.XK.string_to_keysym(special_X_keysyms[ch])
return keysym

def keysym_to_keycode(keysym):
keycode = display.keysym_to_keycode(keysym)
shift_mask = 0
return keycode, shift_mask

def char_to_keycode(ch) :
keysym = char_to_keysym(ch)
keycode = display.keysym_to_keycode(keysym)
if keycode == 0 :
print "Sorry, can't map", ch

if (is_shifted(ch)) :
shift_mask = Xlib.X.ShiftMask
else :
shift_mask = 0

return keycode, shift_mask

def is_shifted(ch) :
if ch.isupper() :
return True
if "~!@#$%^&*()_+{}|:\"<>?".find(ch) >= 0 :
return True
return False

def send_string(str) :
"""I am not working. I dont know why:("""
for ch in str :
#print "sending", ch, "=",
display.keysym_to_keycode(Xlib.XK.string_to_keysym(ch))
keycode, shift_mask = char_to_keycode(ch)
event = Xlib.protocol.event.KeyPress(
time = int(time.time()),
root = display.screen().root,
window = window,
same_screen = 0, child = Xlib.X.NONE,
root_x = 0, root_y = 0, event_x = 0, event_y = 0,
state = shift_mask,
detail = keycode
)
window.send_event(event, propagate = True)
event = Xlib.protocol.event.KeyRelease(
time = int(time.time()),
root = display.screen().root,
window = window,
same_screen = 0, child = Xlib.X.NONE,
root_x = 0, root_y = 0, event_x = 0, event_y = 0,
state = shift_mask,
detail = keycode
)
window.send_event(event, propagate = True)

if __name__ == "__main__":
import sys,time
print(wait(sys.argv[1:]))
#send_string("aBcd")
#time.sleep(10)

"""Używa się tak:
import keystroke
keystroke.wait(['a','b'])
i to wisi dopóki ktoś nie wciśnie a lub b.

Z innymi klawiszam jest tak, że trzeba ich numery podać, np żeby czakać
na SPACE można zrobić
keystroke.wait(['32'])

w razie czego funkcja się 'odwiesza' jak się wciśnie ESC."""
</source>
{{hidden end}}

Pracownia Sygnałów Bioelektrycznych

2026-03-20T08:31:22Z

Jarekz: /* Materiały */

[[category:Pracownie specjalistyczne]]

Zajęcia w roku 2025: 8:45-12

'''UWAGA: godzina 8:45 to początek zajęć, a nie schodzenia się na zajęcia'''

Dla NI link do classroom: https://classroom.google.com/c/NjY2MjI3NDU2NDA3?cjc=mvvocie

==Zasady zaliczenia pracowni==

* Obecność na zajęciach jest obowiązkowa, dopuszczalne są 2 nieusprawiedliwione nieobecności.

Materiał zajęć jest podzielony na bloki tematyczne. W każdym bloku studenci mają do wykonania zestaw ćwiczeń. Pod koniec każdego bloku konieczne będzie przesłanie raportu w postaci notebooka na adres jarekz@fuw.edu.pl

# Prezentacja wyników w notebooku powinna uwzględniać:
#* przypomnienie, co było liczone (i jak, jeśli trzeba);
#* na co należy zwrócić uwagę w prezentowanych wynikach;
#* interpretację wykresów. Część z tych informacji można dołożyć do rysunków w postaci krótkich wyjaśnień.
# Należy zadbać o prawidłową postać wykresów, w tym w szczególności:
#* obecność opisów osi (w miarę możliwości jednostek);
#* spójne zakresy osi i skalowanie wykresów;
#* właściwy dobór skali (tak, aby uwidocznić najważniejsze rzeczy);
#* obecność tytułów i innych podpisów ułatwiających zrozumienie prezentowanych treści.
# Ocenie podlegają:
#* kompletność prezentacji;
#* poprawność kodu;
#* czytelność prezentowanych wielkości i zjawisk;
#* merytoryczna poprawność wypowiedzi.



==Materiały==
## [[Pracownia_Sygnałów_Biologicznych/Zajecia_1|Wprowadzenie]]

[[Pracownia_Sygnałów_Biologicznych/Zajecia_2_4|EKG]]
## Wstęp teoretyczny i pomiary
## detekcja pików R i tętno
## analiza HRV
przesyłanie notebooków z EKG/HRV do 1.04

<hr>

#[[Pracownia_Sygnałów_Biologicznych/Zajecia_5_6|EMG]] (Zaczynamy 25 i 27 marca 2026)
## wprowadzenie, pomiary, analiza ćwiczenie I
## analiza ćwiczenie I
## analiza ćwiczenie I
## analiza sygnału online (ćwiczenie V), analiza ćwiczenie III -> przesyłanie notebooków z EMG do 16.05
##
#[[Pracownia_Sygnałów_Biologicznych/Zajecia_7|Spotkanie IX - XI (EOG)]]
## podstawowe własności EOG - rejestracja
## podstawowe własności EOG - analiza i szykowanie raportów: zwrot raportów z EOG 06.06
#[[Pracownia_Sygnałów_Biologicznych/Zajecia_9|Spotkanie XII - XIV (Wprowadzenie EEG)]]
## [[Pracownia_EEG/EEG_spoczynkowe|EEG spoczynkowe, artefakty ]]
## [[Pracownia_Sygnałów_Biologicznych/Zajecia_10|Analiza EEG]]
##

#[[Pracownia_Sygnałów_Biologicznych/Zajecia_8|Spotkanie (GSR)]]

Pracownia Sygnałów Bioelektrycznych

2026-03-20T08:30:28Z

Jarekz: /* Materiały */

[[category:Pracownie specjalistyczne]]

Zajęcia w roku 2025: 8:45-12

'''UWAGA: godzina 8:45 to początek zajęć, a nie schodzenia się na zajęcia'''

Dla NI link do classroom: https://classroom.google.com/c/NjY2MjI3NDU2NDA3?cjc=mvvocie

==Zasady zaliczenia pracowni==

* Obecność na zajęciach jest obowiązkowa, dopuszczalne są 2 nieusprawiedliwione nieobecności.

Materiał zajęć jest podzielony na bloki tematyczne. W każdym bloku studenci mają do wykonania zestaw ćwiczeń. Pod koniec każdego bloku konieczne będzie przesłanie raportu w postaci notebooka na adres jarekz@fuw.edu.pl

# Prezentacja wyników w notebooku powinna uwzględniać:
#* przypomnienie, co było liczone (i jak, jeśli trzeba);
#* na co należy zwrócić uwagę w prezentowanych wynikach;
#* interpretację wykresów. Część z tych informacji można dołożyć do rysunków w postaci krótkich wyjaśnień.
# Należy zadbać o prawidłową postać wykresów, w tym w szczególności:
#* obecność opisów osi (w miarę możliwości jednostek);
#* spójne zakresy osi i skalowanie wykresów;
#* właściwy dobór skali (tak, aby uwidocznić najważniejsze rzeczy);
#* obecność tytułów i innych podpisów ułatwiających zrozumienie prezentowanych treści.
# Ocenie podlegają:
#* kompletność prezentacji;
#* poprawność kodu;
#* czytelność prezentowanych wielkości i zjawisk;
#* merytoryczna poprawność wypowiedzi.



==Materiały==
## [[Pracownia_Sygnałów_Biologicznych/Zajecia_1|Wprowadzenie]]

[[Pracownia_Sygnałów_Biologicznych/Zajecia_2_4|EKG]]
## Wstęp teoretyczny i pomiary
## detekcja pików R i tętno
## analiza HRV
przesyłanie notebooków z EKG/HRV do 4.04

<hr>

#[[Pracownia_Sygnałów_Biologicznych/Zajecia_5_6|EMG]] (Zaczynamy 25 i 27 marca 2026)
## wprowadzenie, pomiary, analiza ćwiczenie I
## analiza ćwiczenie I
## analiza ćwiczenie I
## analiza sygnału online (ćwiczenie V), analiza ćwiczenie III -> przesyłanie notebooków z EMG do 16.05
##
#[[Pracownia_Sygnałów_Biologicznych/Zajecia_7|Spotkanie IX - XI (EOG)]]
## podstawowe własności EOG - rejestracja
## podstawowe własności EOG - analiza i szykowanie raportów: zwrot raportów z EOG 06.06
#[[Pracownia_Sygnałów_Biologicznych/Zajecia_9|Spotkanie XII - XIV (Wprowadzenie EEG)]]
## [[Pracownia_EEG/EEG_spoczynkowe|EEG spoczynkowe, artefakty ]]
## [[Pracownia_Sygnałów_Biologicznych/Zajecia_10|Analiza EEG]]
##

#[[Pracownia_Sygnałów_Biologicznych/Zajecia_8|Spotkanie (GSR)]]

Pracownia Sygnałów Biologicznych/Zajecia 2 4

2026-03-18T08:33:28Z

Jarekz: /* Ćwiczenie 5: HRV */

[[Pracownia Sygnałów Bioelektrycznych]]/EKG

==Rejestracja i analiza sygnału EKG==

Lektura: [http://www.bem.fi/book/15/15.htm Electric and Magnetic Measurement of the Electric Activity of the Heart/12-Lead ECG System]
[[Plik:einthoven_ekg.png|250px|thumb|right|<figure id="fig:einthoven_ekg"></figure> Aparat do rejestracji czynności elektrycznej serca skonstruowany przez W. Einthovena. Proszę zauważyć w jakich miejscach na ciele zbierana jest sygnał.]]
[[Plik:ekg_animacja.gif|250px|thumb|right|<figure id="fig:ekg_animacja"></figure> Rozchodzenie się sygnału stymulujacego pracę serca i związane z tym powstawanie sygnału EKG. Rysunek po brany ze strony Wikipedii.]]
[[Plik:ekg_opis.png|250px|thumb|right|<figure id="fig:ekg_opis"></figure> Oznaczenia kolejnych składowych sygnału EKG.]]
[[Plik:wilson.png|250px|thumb|right|<figure id="fig:wilson"></figure> Umiejscowienie elektrod do pomiaru czynności elektrycznej serca z powierzchni klatki piersiowej, rysunek pobrany ze stron Wikipedii.]]

Mechanizm powstawania czynności elektrycznej serca został omówiony na zajęciach &bdquo;Sygnały Bioelektryczne". W tym miejscu przypomnimy tylko kilka ważnych (i ciekawych) faktów.
<ul><li> Czynność elektryczna serca znana jest od połowy XIX, jednakże za początek narodzin elektrokardiografii uznaje się rok 1903, kiedy to W. Einthoven dokonał pomiaru czynności elektrycznej serca z powierzchni ciała (<xr id="fig:einthoven_ekg">rys. %i</xr>). Jako metoda diagnostyczna, elektrokardiografia zaczęła się szybko rozwijać po roku 1936, kiedy to do rejestracji czynności elektrycznej serca zastosowano wzmacniacz lampowy oraz system zapisu pomiaru na papierze.
<li> Serce posiada specjalny, wzbudzany samoczynnie układ, który generuje i przewodzi bodźce elektryczne. Następstwem działania tego układu jest rytmiczna praca serca o częstości od 70 do 180 cykli na minutę (częstość ta ulega zmianom pod wpływem czynników biochemicznych, powstałych np. w skutek stresu).
<li> Elektroda rejestrująca sygnał EKG zbiera czynność elektryczną wszystkich komórek serca, a zatem zarówno komórek wchodzących w skład układu generującego i przewodzącego impulsy elektryczne oraz kurczących się pod wpływem impulsów sterujących mięśni, które kurcząc się, również wytwarzają sygnał elektryczny. Jednakże, z uwagi na nieporównywalnie dużo większą masę mięśni serca w porównaniu z masą komórek układu stymulującego przyjmuje się, że głównym składnikiem sygnału EKG jest czynność elektryczna mięśnia sercowego.
<li> W przybliżeniu, sygnał stymulujący pracę serca rozchodzi się z jego prawej górnej części w kierunku dolnym i na lewą stronę. Na skutek pobudzania kolejnych partii mięśnia sercowego, powstaje charakterystyczny kształt sygnału EKG (<xr id="fig:ekg_animacja">rys. %i</xr>, <xr id="fig:ekg_opis">rys. %i</xr>).
<li> Oznaczenia kolejnych składowych sygnału EKG:
<ul><li> odchylenia od linii poziomej (izoelektrycznej) nazywamy załamkami,
<li> odległość w czasie pomiędzy końcem załamka P i początkiem załamka Q oraz końcem załamka S i początkiem załamka T nazywamy odcinkami — odpowiednio PQ i ST.
</ul>
<li>Elektrody pomiarowe połączone do aparatury rejestrujących nazywamy odprowadzeniami. Uwaga — przyjęto odprowadzeniami oznaczać także sygnały EKG będące liniowymi kombinacjami sygnałów zebranych przez elektrody.
<li> W konwencjonalnej elektroencefalografii stosuje się 12 tzw. odprowadzeń klasycznych:
<ul><li> Trzy odprowadzenia kończynowe biegunowe, zaproponowane jeszcze przez Einthoven i oznaczane rzymskimi cyframi I, II i III. Elektrody w tym systemie umieszcza się prawej (R) (ang. ''right'') i lewej (L) (ang. ''left'') kończynie górnej (najczęściej w okolicy nadgarstka, czasem ramieniu lub czy barku) oraz lewej nodze w okolicy stopy (F) (ang. ''foot''). Elektrodę umieszczaną na prawym nadgarstku oznacza się kolorem czerwonym, na lewym żółtym, na lewej kostce zielonym. Elektrodę masy umieszcza się zwykle na lewej kostce (choć teoretycznie można ją aplikować gdziekolwiek) i jest ona oznaczona kolorem czarnym. Odprowadzenia kończynowe mierzą różnicę napięć pomiędzy miejscami przyłożenia elektrod w następujący sposób: 
<equation id = "eq_1">
<math>
\begin{array}{ll}
I & = V_{L} - V_{R} \\
II & = V_{F} - V_{R} \\
III & = V_{F} - V_{L}
\end{array}
</math>
</equation>
gdzie: 
<math>V_{R}, V_{L}, V_{F}</math> to potencjały odpowiednio na prawym i lewym nadgarstku oraz stopie mierzone względem elektrody masy. 
Jak łatwo zauważyć, tylko dwa spośród powyższych napięć są liniowo niezależne, co można zapisać w postaci związku:
<equation id = "eq_2">
<math>I + III = II</math>
</equation>
który nazywany jest prawem Einthovena. Proszę zauważyć, iż w tym przypadku wzmacniane jest sygnał będący różnicą napięć dwóch kolejnych elektrod, stąd też te odprowadzenia nazywamy dwubiegunowymi (bipolarnymi).
<li> Trzy odprowadzenia jednobiegunowe Goldberga. W odprowadzeniach tych sygnał w danym odprowadzeniu jest różnicą napięć pomiędzy elektrodą pomiarową a średnim napięciem na dwóch pozostałych elektrodach:
<equation id = "eq_3">
<math>
\begin{array}{ll}
aV_{R} & = V_{R} - \frac{V_{L}+V_{F}}{2} \\
aV_{L} & = V_{L} - \frac{V_{R}+V_{F}}{2} \\
aV_{F} & = V_{F} - \frac{V_{L}+V_{R}}{2}
\end{array}
</math>
</equation>
<li> Sześć odprowadzeń jednobiegunowych Wilsona. W przypadku warto zapoznać się z z historią tych odprowadzeń. Początkowo Wilson zaproponował układ jednobiegunowych doniesień dla kończyn w następujący sposób:
<equation id = "eq_4">
<math>
\begin{array}{ll}
V_{LW} & = V_{L} - \frac{V_{R}+V_{L}+ V_{F}}{3} \\
V_{RW} & = V_{R} - \frac{V_{R}+V_{L}+ V_{F}}{3} \\
V_{FW} & = V_{F} - \frac{V_{R}+V_{L}+ V_{F}}{3}
\end{array}
</math>
</equation>
Jak widzimy, jako elektrodę odniesienia wybrał on średnie napięcie rejestrowane przez elektrody. Niestety, sygnały prezentowane w tym systemie miały małą amplitudę, w związku z czym tego rodzaju odprowadzenia nie stosowano w praktyce. Z systemu zaproponowanego przez Wilsona wywodzi się jednak system odniesień Goldberga, który zauważył, że napięcie na trzeciej kończynie można zwiększyć o 50% jeśli do wyznaczenia napięcia odniesienia zastosuje się dwie, a nie trzy elektrody. Metoda wyznaczania potencjału odniesienia zaproponowana przez Wilsona znalazła jednak zastosowanie przy mierzeniu czynności elektrycznej serca mierzonej z powierzchni klatki piersiowej. W tym celu elektrody umieszcza się w pewnych ustalonych miejscach (<xr id="fig:wilson">rys. %i</xr>, zaś odprowadzenia oznacza się symbolami <math>V_1, V_2, \dots, V_6</math>. Odniesieniem w tym przypadku jest średni sygnał rejestrowany na kończynach górnych i lewej stopie.
</ul></ul>

==Ćwiczenia==

Aby uruchomić zbieranie sygnału należy wykonać następujące operacje:
* przykleić elektrody do badanego;
* włożyć przewody do elektrod, a potem do wzmacniacza;
* podłączyć zasilanie wzmacniacza;
* podłączyć wzmacniacz do komputera (przejściówka optyczna i kabel USB);
* uruchomić program SVAROG
* otworzyć sygnał on-line ze wzmacniacza.
** Po tym poleceniu wzmacniacz powinien wyświetlać napis &bdquo;Fiber”; napis &bdquo;Connect” oznacza, że połączenie wzmacniacza z komputerem nie udało się.



== Realizacja w grupie ==
=== Ćwiczenie 1: rejestracja sygnału ===

Podłącz elektrody:
* lewa ręka,
* prawa ręka,
* lewa noga,
* uziemienie do prawej nogi.

Zbierz 3 fragment sygnału EKG przy pomocy Svaroga.

* Częstotliwość próbkowania 2048 Hz.
* Długość zapisu 300 s.
* Proszę zapisać sygnały w następujących warunkach:
** spoczynkowe
** po wysiłku fizycznym (odpiąć zatrzaskowe elektrody, przejść się po schodach i podłączyć ponownie )
** podczas obciążenia poznawczego, np. odejmując w pamięci kolejno 17 od 1000.
* zebrane sygnały zapisz na dysku classroom

Zapoznaj się z zagadnieniem filtrowania dla sygnałów EKG:
* Proszę przejrzeć pracę: Shen Luo, Paul Johnston. A review of electrocardiogram filtering, ''Journal of Electrocardiology'', 2010, Volume 43, Issue 6, Pages 486-496 (https://www.sciencedirect.com/science/article/pii/S0022073610002852?via%3Dihub)
* popróbować uzyskać opisane tam filtry w SVAROGU i zaaplikować je do zebranych danych

== Realizacja indywidualna w notebooku ==
===Ćwiczenie 2: Wstępna obróbka sygnału EKG ===
Napisz fragment notebooka, który:
* wczytuje sygnał przykład: [https://colab.research.google.com/drive/1QWfjnuf_LkdOnQzaBej0itD9yxWzlA6R?usp=sharing przykład]
* wykonuje stosowne filtracje (stosujemy filtrację z zerowym przesunięciem fazowym: filtfilt):
** Filtr górnoprzepustowy:
*** z częstością odcięcia 0.67 Hz (przy tej częstości wymagamy 3dB tłumienia)
*** poniżej 0.5-dB tętnień w paśmie 1 - 30 Hz.
*** projekt z wykorzystaniem funkcji scipy.signal.iirfilter; trzeba dobrać rząd i sprawdzić charakterystyki funkcji transmitancji - dobrać zakres osi i dodać linie pomocnicze pionowe i poziome (matplotlib.pyplot.axvline i matplotlib.pyplot.axhline) tak aby było widać że zaprojektowany filtr spełnia powyższe kryteria.
** Filtr dolnoprzepustowy z częstością odcięcia 150Hz
*** wymagania te powinien spełnić np. filtr 2 rzędu, Butterwortha, - proszę sprawdzić charakterystyki).
** Filtr pasmowo-zaporowy (notch) dla 50 Hz iirnotch (scipy.signal.iirnotch())
* rysuje sygnał w odprowadzeniach Einthovena i Goldbergera,
* wybierz "czysty" fragment sygnału i zidentyfikuj poszczególne załamki. (można wykorzystać funkcję matplotlib.pyplot.axvspan)

===Ćwiczenie 3: Detekcja pików R ===
* Zaproponuj metodę rozpoznawania pików R w sygnale,
** wybierz do tego optymalny kanał
** rozważ zastosowanie filtra górnoprzepustowego o wyższej częstości odcięcia niż w ćwiczeniu 2
** skorzystaj z funkcji [https://docs.scipy.org/doc/scipy/reference/generated/scipy.signal.find_peaks.html scipy.signal.find_peaks] - zaprezentuj dobór parametrów funkcji na podsdtawie histogramów odpowiednich parametrów, które zwraca ona w słowniku.
* Przedstaw fragment sygnału z zaznaczonymi pikami R dla różnych warunków rejestracji sygnału EKG.

Przydatne pojęcie: (ang.) [https://pl.wikipedia.org/wiki/Minimalna_deniwelacja_wzgl%C4%99dna prominence - wybitność piku]

===Ćwiczenie 4: Tętno ===
Napisz program, który:
* wczyta plik z sygnałem i na jego podstawie
* wyznaczy i wykreśli tętno - liczbę uderzeń serca na minutę (ang. ''heart rate'').
* Oblicz średnie tętno i jego standardowe odchylenie.

===Ćwiczenie 5: HRV ===
Zmienność zatokowego rytmu serca: HRV - heart rate variability.
* zapoznaj się z koncepcją [https://en.wikipedia.org/wiki/Heart_rate_variability#cite_note-29 HRV]
* Literatura [https://link.springer.com/article/10.1007/s11517-006-0119-0 Heart rate variability: a review].
* przedstaw interwały R-R jako szereg czasowy
* przedstaw miarę RMSSD obliczaną dla okien 30s przesuwanych co jedną odległość RR jako szereg czasowy
* wykonaj interpolację sygnału RR do stałej częstości próbkowania 4Hz
** Uwaga: oryginalne próbki RR są pobierane w różnych odstępach!
** można zinterpolować punkty na równomiernie próbkowanej siatce https://docs.scipy.org/doc/scipy/reference/generated/scipy.interpolate.interp1d.html#scipy.interpolate.interp1d i zastosować standardową funkcję do estymacji:
*** periodogramów
*** widma metodą AR
* wyestymuj widmo częstotliwościowe sygnału RR, z sygnału wysiłkowego postaraj się usunąć trend

* porównaj widma HRV w poszczególnych warunkach eksperymentalnych; zwróć uwagę na proporcje mocy w pasmach wysokich częstości (HF: 0.15 do 0.4 Hz), niskich częstości (LF: 0.04 do 0.15 Hz) i bardzo niskich częstości (VLF: 0.0033 do 0.04 Hz).

==Literatura uzupełniająca==

[http://www.bem.fi/book/19/19.htm#00 podstawowa diagnostyka EKG]

Pracownia Sygnałów Biologicznych/Zajecia 2 4

2026-03-18T08:29:45Z

Jarekz: /* Ćwiczenie 5: HRV */

[[Pracownia Sygnałów Bioelektrycznych]]/EKG

==Rejestracja i analiza sygnału EKG==

Lektura: [http://www.bem.fi/book/15/15.htm Electric and Magnetic Measurement of the Electric Activity of the Heart/12-Lead ECG System]
[[Plik:einthoven_ekg.png|250px|thumb|right|<figure id="fig:einthoven_ekg"></figure> Aparat do rejestracji czynności elektrycznej serca skonstruowany przez W. Einthovena. Proszę zauważyć w jakich miejscach na ciele zbierana jest sygnał.]]
[[Plik:ekg_animacja.gif|250px|thumb|right|<figure id="fig:ekg_animacja"></figure> Rozchodzenie się sygnału stymulujacego pracę serca i związane z tym powstawanie sygnału EKG. Rysunek po brany ze strony Wikipedii.]]
[[Plik:ekg_opis.png|250px|thumb|right|<figure id="fig:ekg_opis"></figure> Oznaczenia kolejnych składowych sygnału EKG.]]
[[Plik:wilson.png|250px|thumb|right|<figure id="fig:wilson"></figure> Umiejscowienie elektrod do pomiaru czynności elektrycznej serca z powierzchni klatki piersiowej, rysunek pobrany ze stron Wikipedii.]]

Mechanizm powstawania czynności elektrycznej serca został omówiony na zajęciach &bdquo;Sygnały Bioelektryczne". W tym miejscu przypomnimy tylko kilka ważnych (i ciekawych) faktów.
<ul><li> Czynność elektryczna serca znana jest od połowy XIX, jednakże za początek narodzin elektrokardiografii uznaje się rok 1903, kiedy to W. Einthoven dokonał pomiaru czynności elektrycznej serca z powierzchni ciała (<xr id="fig:einthoven_ekg">rys. %i</xr>). Jako metoda diagnostyczna, elektrokardiografia zaczęła się szybko rozwijać po roku 1936, kiedy to do rejestracji czynności elektrycznej serca zastosowano wzmacniacz lampowy oraz system zapisu pomiaru na papierze.
<li> Serce posiada specjalny, wzbudzany samoczynnie układ, który generuje i przewodzi bodźce elektryczne. Następstwem działania tego układu jest rytmiczna praca serca o częstości od 70 do 180 cykli na minutę (częstość ta ulega zmianom pod wpływem czynników biochemicznych, powstałych np. w skutek stresu).
<li> Elektroda rejestrująca sygnał EKG zbiera czynność elektryczną wszystkich komórek serca, a zatem zarówno komórek wchodzących w skład układu generującego i przewodzącego impulsy elektryczne oraz kurczących się pod wpływem impulsów sterujących mięśni, które kurcząc się, również wytwarzają sygnał elektryczny. Jednakże, z uwagi na nieporównywalnie dużo większą masę mięśni serca w porównaniu z masą komórek układu stymulującego przyjmuje się, że głównym składnikiem sygnału EKG jest czynność elektryczna mięśnia sercowego.
<li> W przybliżeniu, sygnał stymulujący pracę serca rozchodzi się z jego prawej górnej części w kierunku dolnym i na lewą stronę. Na skutek pobudzania kolejnych partii mięśnia sercowego, powstaje charakterystyczny kształt sygnału EKG (<xr id="fig:ekg_animacja">rys. %i</xr>, <xr id="fig:ekg_opis">rys. %i</xr>).
<li> Oznaczenia kolejnych składowych sygnału EKG:
<ul><li> odchylenia od linii poziomej (izoelektrycznej) nazywamy załamkami,
<li> odległość w czasie pomiędzy końcem załamka P i początkiem załamka Q oraz końcem załamka S i początkiem załamka T nazywamy odcinkami — odpowiednio PQ i ST.
</ul>
<li>Elektrody pomiarowe połączone do aparatury rejestrujących nazywamy odprowadzeniami. Uwaga — przyjęto odprowadzeniami oznaczać także sygnały EKG będące liniowymi kombinacjami sygnałów zebranych przez elektrody.
<li> W konwencjonalnej elektroencefalografii stosuje się 12 tzw. odprowadzeń klasycznych:
<ul><li> Trzy odprowadzenia kończynowe biegunowe, zaproponowane jeszcze przez Einthoven i oznaczane rzymskimi cyframi I, II i III. Elektrody w tym systemie umieszcza się prawej (R) (ang. ''right'') i lewej (L) (ang. ''left'') kończynie górnej (najczęściej w okolicy nadgarstka, czasem ramieniu lub czy barku) oraz lewej nodze w okolicy stopy (F) (ang. ''foot''). Elektrodę umieszczaną na prawym nadgarstku oznacza się kolorem czerwonym, na lewym żółtym, na lewej kostce zielonym. Elektrodę masy umieszcza się zwykle na lewej kostce (choć teoretycznie można ją aplikować gdziekolwiek) i jest ona oznaczona kolorem czarnym. Odprowadzenia kończynowe mierzą różnicę napięć pomiędzy miejscami przyłożenia elektrod w następujący sposób: 
<equation id = "eq_1">
<math>
\begin{array}{ll}
I & = V_{L} - V_{R} \\
II & = V_{F} - V_{R} \\
III & = V_{F} - V_{L}
\end{array}
</math>
</equation>
gdzie: 
<math>V_{R}, V_{L}, V_{F}</math> to potencjały odpowiednio na prawym i lewym nadgarstku oraz stopie mierzone względem elektrody masy. 
Jak łatwo zauważyć, tylko dwa spośród powyższych napięć są liniowo niezależne, co można zapisać w postaci związku:
<equation id = "eq_2">
<math>I + III = II</math>
</equation>
który nazywany jest prawem Einthovena. Proszę zauważyć, iż w tym przypadku wzmacniane jest sygnał będący różnicą napięć dwóch kolejnych elektrod, stąd też te odprowadzenia nazywamy dwubiegunowymi (bipolarnymi).
<li> Trzy odprowadzenia jednobiegunowe Goldberga. W odprowadzeniach tych sygnał w danym odprowadzeniu jest różnicą napięć pomiędzy elektrodą pomiarową a średnim napięciem na dwóch pozostałych elektrodach:
<equation id = "eq_3">
<math>
\begin{array}{ll}
aV_{R} & = V_{R} - \frac{V_{L}+V_{F}}{2} \\
aV_{L} & = V_{L} - \frac{V_{R}+V_{F}}{2} \\
aV_{F} & = V_{F} - \frac{V_{L}+V_{R}}{2}
\end{array}
</math>
</equation>
<li> Sześć odprowadzeń jednobiegunowych Wilsona. W przypadku warto zapoznać się z z historią tych odprowadzeń. Początkowo Wilson zaproponował układ jednobiegunowych doniesień dla kończyn w następujący sposób:
<equation id = "eq_4">
<math>
\begin{array}{ll}
V_{LW} & = V_{L} - \frac{V_{R}+V_{L}+ V_{F}}{3} \\
V_{RW} & = V_{R} - \frac{V_{R}+V_{L}+ V_{F}}{3} \\
V_{FW} & = V_{F} - \frac{V_{R}+V_{L}+ V_{F}}{3}
\end{array}
</math>
</equation>
Jak widzimy, jako elektrodę odniesienia wybrał on średnie napięcie rejestrowane przez elektrody. Niestety, sygnały prezentowane w tym systemie miały małą amplitudę, w związku z czym tego rodzaju odprowadzenia nie stosowano w praktyce. Z systemu zaproponowanego przez Wilsona wywodzi się jednak system odniesień Goldberga, który zauważył, że napięcie na trzeciej kończynie można zwiększyć o 50% jeśli do wyznaczenia napięcia odniesienia zastosuje się dwie, a nie trzy elektrody. Metoda wyznaczania potencjału odniesienia zaproponowana przez Wilsona znalazła jednak zastosowanie przy mierzeniu czynności elektrycznej serca mierzonej z powierzchni klatki piersiowej. W tym celu elektrody umieszcza się w pewnych ustalonych miejscach (<xr id="fig:wilson">rys. %i</xr>, zaś odprowadzenia oznacza się symbolami <math>V_1, V_2, \dots, V_6</math>. Odniesieniem w tym przypadku jest średni sygnał rejestrowany na kończynach górnych i lewej stopie.
</ul></ul>

==Ćwiczenia==

Aby uruchomić zbieranie sygnału należy wykonać następujące operacje:
* przykleić elektrody do badanego;
* włożyć przewody do elektrod, a potem do wzmacniacza;
* podłączyć zasilanie wzmacniacza;
* podłączyć wzmacniacz do komputera (przejściówka optyczna i kabel USB);
* uruchomić program SVAROG
* otworzyć sygnał on-line ze wzmacniacza.
** Po tym poleceniu wzmacniacz powinien wyświetlać napis &bdquo;Fiber”; napis &bdquo;Connect” oznacza, że połączenie wzmacniacza z komputerem nie udało się.



== Realizacja w grupie ==
=== Ćwiczenie 1: rejestracja sygnału ===

Podłącz elektrody:
* lewa ręka,
* prawa ręka,
* lewa noga,
* uziemienie do prawej nogi.

Zbierz 3 fragment sygnału EKG przy pomocy Svaroga.

* Częstotliwość próbkowania 2048 Hz.
* Długość zapisu 300 s.
* Proszę zapisać sygnały w następujących warunkach:
** spoczynkowe
** po wysiłku fizycznym (odpiąć zatrzaskowe elektrody, przejść się po schodach i podłączyć ponownie )
** podczas obciążenia poznawczego, np. odejmując w pamięci kolejno 17 od 1000.
* zebrane sygnały zapisz na dysku classroom

Zapoznaj się z zagadnieniem filtrowania dla sygnałów EKG:
* Proszę przejrzeć pracę: Shen Luo, Paul Johnston. A review of electrocardiogram filtering, ''Journal of Electrocardiology'', 2010, Volume 43, Issue 6, Pages 486-496 (https://www.sciencedirect.com/science/article/pii/S0022073610002852?via%3Dihub)
* popróbować uzyskać opisane tam filtry w SVAROGU i zaaplikować je do zebranych danych

== Realizacja indywidualna w notebooku ==
===Ćwiczenie 2: Wstępna obróbka sygnału EKG ===
Napisz fragment notebooka, który:
* wczytuje sygnał przykład: [https://colab.research.google.com/drive/1QWfjnuf_LkdOnQzaBej0itD9yxWzlA6R?usp=sharing przykład]
* wykonuje stosowne filtracje (stosujemy filtrację z zerowym przesunięciem fazowym: filtfilt):
** Filtr górnoprzepustowy:
*** z częstością odcięcia 0.67 Hz (przy tej częstości wymagamy 3dB tłumienia)
*** poniżej 0.5-dB tętnień w paśmie 1 - 30 Hz.
*** projekt z wykorzystaniem funkcji scipy.signal.iirfilter; trzeba dobrać rząd i sprawdzić charakterystyki funkcji transmitancji - dobrać zakres osi i dodać linie pomocnicze pionowe i poziome (matplotlib.pyplot.axvline i matplotlib.pyplot.axhline) tak aby było widać że zaprojektowany filtr spełnia powyższe kryteria.
** Filtr dolnoprzepustowy z częstością odcięcia 150Hz
*** wymagania te powinien spełnić np. filtr 2 rzędu, Butterwortha, - proszę sprawdzić charakterystyki).
** Filtr pasmowo-zaporowy (notch) dla 50 Hz iirnotch (scipy.signal.iirnotch())
* rysuje sygnał w odprowadzeniach Einthovena i Goldbergera,
* wybierz "czysty" fragment sygnału i zidentyfikuj poszczególne załamki. (można wykorzystać funkcję matplotlib.pyplot.axvspan)

===Ćwiczenie 3: Detekcja pików R ===
* Zaproponuj metodę rozpoznawania pików R w sygnale,
** wybierz do tego optymalny kanał
** rozważ zastosowanie filtra górnoprzepustowego o wyższej częstości odcięcia niż w ćwiczeniu 2
** skorzystaj z funkcji [https://docs.scipy.org/doc/scipy/reference/generated/scipy.signal.find_peaks.html scipy.signal.find_peaks] - zaprezentuj dobór parametrów funkcji na podsdtawie histogramów odpowiednich parametrów, które zwraca ona w słowniku.
* Przedstaw fragment sygnału z zaznaczonymi pikami R dla różnych warunków rejestracji sygnału EKG.

Przydatne pojęcie: (ang.) [https://pl.wikipedia.org/wiki/Minimalna_deniwelacja_wzgl%C4%99dna prominence - wybitność piku]

===Ćwiczenie 4: Tętno ===
Napisz program, który:
* wczyta plik z sygnałem i na jego podstawie
* wyznaczy i wykreśli tętno - liczbę uderzeń serca na minutę (ang. ''heart rate'').
* Oblicz średnie tętno i jego standardowe odchylenie.

===Ćwiczenie 5: HRV ===
HRV - heart rate variability.
* zapoznaj się z koncepcją [https://en.wikipedia.org/wiki/Heart_rate_variability#cite_note-29 HRV]
* Literatura [https://link.springer.com/article/10.1007/s11517-006-0119-0 Heart rate variability: a review].
* przedstaw interwały R-R jako szereg czasowy
* przedstaw miarę RMSSD obliczaną dla okien 30s przesuwanych co jedną odległość RR jako szereg czasowy
* wykonaj interpolację sygnału RR do stałej częstości próbkowania 4Hz
** Uwaga: oryginalne próbki RR są pobierane w różnych odstępach!
** można zinterpolować punkty na równomiernie próbkowanej siatce https://docs.scipy.org/doc/scipy/reference/generated/scipy.interpolate.interp1d.html#scipy.interpolate.interp1d i zastosować standardową funkcję do estymacji:
*** periodogramów
*** widma metodą AR
* wyestymuj widmo częstotliwościowe sygnału RR, z sygnału wysiłkowego postaraj się usunąć trend

* porównaj widma HRV w poszczególnych warunkach eksperymentalnych; zwróć uwagę na proporcje mocy w pasmach wysokich częstości (HF: 0.15 do 0.4 Hz), niskich częstości (LF: 0.04 do 0.15 Hz) i bardzo niskich częstości (VLF: 0.0033 do 0.04 Hz).

==Literatura uzupełniająca==

[http://www.bem.fi/book/19/19.htm#00 podstawowa diagnostyka EKG]

Laboratorium EEG

2026-03-12T14:46:53Z

Jarekz: /* Materiały dydaktyczne */

[[Category:Pracownie specjalistyczne]]
__NOTOC__
==Informacje bieżące==


Zajęcia są prowadzone przez Macieja Kamińskiego i Jarosława Żygierewicza 

Zajęcia odbywają się w sali 4.59:
* we wtorki w godzinach 11:15 - 13:45
* w czwartki w godzinach 13:15 - 15:45

== Warunki zaliczenia ==
Ćwiczenia zostaną zaliczone osobom, które spełnią dwa niezwykle proste warunki:
* Posiadanie maksymalnie dwóch nieusprawiedliwionych nieobecności na ćwiczeniach,
* Posiadanie przynajmniej połowy sumy punktów ze wszystkich prezentacji,
* ... ''(do ustalenia).''

=== Elementy oceniane w prezentacji:===
* poprawność zastosowanego algorytmu -> należy przygotować opis ideowy algorytmu w punktach/na schemacie
* prezentacja wykonanych testów pokazujacych, że algorytm działa poprawnie
* jakość kodu (czytelność, komentarze, struktura, czy ktoś komu mielibyśmy przekazać ten kod ma sznsę go zrozumieć)
* wykazanie się zrozumieniem otrzymanych wyników.



==Materiały dydaktyczne==
Zestaw przykładowych materiałów dotyczących analizy danych w Matlabie towarzyszący książce autorstwa Katarzyny J. Blinowskiej i Jarosława Żygierewicza zatytułowanej "Practical Biomedical Signal Analysis Using MATLAB® Second Edition]" ([https://books.google.pl/books?id=hSpHEAAAQBAJ&pg=PA1&hl=pl&source=gbs_toc_r&cad=3#v=onepage&q&f=false spis treści]):

https://static.routledge.com/9781138364417/matlab.zip




===Wprowadzenie do Matlaba===
* [[Laboratorium_EEG/Wprowadzenie_do_Matlaba|Wprowadzenie do Matlaba]] 
* [[Laboratorium_EEG/Konwerter_plików_Svarog–Matlab|Wczytywanie do Matlaba plików binarnych z programu Svarog]]
===EEGLAB===
* [[Laboratorium_EEG/EEGLAB|Pakiet EEGLAB]]

===Metody czas-częstość===

Motywacja - główne paradygmaty BCI:

https://drive.google.com/file/d/1hMbkzn07pVDfeJ4fk9JPHhZaIckz-PVL/view?usp=share_link

Wstęp o analizie ERD/ERS:

https://drive.google.com/file/d/1hP5VglC8jYnoGHJ2j06m1AOMe8ItwCkb/view?usp=share_link

* [[Laboratorium_EEG/Analiza czas-częstość w matlabie|Analiza czas-częstość w matlabie]]
* [[Laboratorium_EEG/Analiza zjawiska ERD/ERS|Analiza zjawiska ERD/ERS]]

===Filtry przestrzenne===
* [[Laboratorium_EEG/CSP|Filtry przestrzenne]]: metody ślepej separacji źródeł

===Zależności przyczynowe===
* [[Laboratorium_EEG/AR_1|Wielokanałowa analiza parametryczna/Zależności przyczynowe]]



=== MP===
* [[Laboratorium_EEG/MMP|MMP]]

Laboratorium EEG

2026-03-12T13:12:00Z

Jarekz: /* Materiały dydaktyczne */

[[Category:Pracownie specjalistyczne]]
__NOTOC__
==Informacje bieżące==


Zajęcia są prowadzone przez Macieja Kamińskiego i Jarosława Żygierewicza 

Zajęcia odbywają się w sali 4.59:
* we wtorki w godzinach 11:15 - 13:45
* w czwartki w godzinach 13:15 - 15:45

== Warunki zaliczenia ==
Ćwiczenia zostaną zaliczone osobom, które spełnią dwa niezwykle proste warunki:
* Posiadanie maksymalnie dwóch nieusprawiedliwionych nieobecności na ćwiczeniach,
* Posiadanie przynajmniej połowy sumy punktów ze wszystkich prezentacji,
* ... ''(do ustalenia).''

=== Elementy oceniane w prezentacji:===
* poprawność zastosowanego algorytmu -> należy przygotować opis ideowy algorytmu w punktach/na schemacie
* prezentacja wykonanych testów pokazujacych, że algorytm działa poprawnie
* jakość kodu (czytelność, komentarze, struktura, czy ktoś komu mielibyśmy przekazać ten kod ma sznsę go zrozumieć)
* wykazanie się zrozumieniem otrzymanych wyników.



==Materiały dydaktyczne==
Zestaw przykładowych materiałów dotyczących analizy danych w Matlabie towarzyszący książce autorstwa Katarzyny J. Blinowskiej i Jarosława Żygierewicza zatytułowanej "Practical Biomedical Signal Analysis Using MATLAB® Second Edition]" ([https://books.google.pl/books?id=hSpHEAAAQBAJ&pg=PA1&hl=pl&source=gbs_toc_r&cad=3#v=onepage&q&f=false spis treści]):

https://static.routledge.com/9781138364417/matlab.zip




===Wprowadzenie do Matlaba===
* [[Laboratorium_EEG/Wprowadzenie_do_Matlaba|Wprowadzenie do Matlaba]] 
* [[Laboratorium_EEG/Konwerter_plików_Svarog–Matlab|Wczytywanie do Matlaba plików binarnych z programu Svarog]]
===EEGLAB===
* [[Laboratorium_EEG/EEGLAB|Pakiet EEGLAB]]

===Filtry przestrzenne===
* [[Laboratorium_EEG/CSP|Filtry przestrzenne]]: metody ślepej separacji źródeł

===Metody czas-częstość===

Motywacja - główne paradygmaty BCI:

https://drive.google.com/file/d/1hMbkzn07pVDfeJ4fk9JPHhZaIckz-PVL/view?usp=share_link

Wstęp o analizie ERD/ERS:

https://drive.google.com/file/d/1hP5VglC8jYnoGHJ2j06m1AOMe8ItwCkb/view?usp=share_link

* [[Laboratorium_EEG/Analiza czas-częstość w matlabie|Analiza czas-częstość w matlabie]]
* [[Laboratorium_EEG/Analiza zjawiska ERD/ERS|Analiza zjawiska ERD/ERS]]

===Zależności przyczynowe===
* [[Laboratorium_EEG/AR_1|Wielokanałowa analiza parametryczna/Zależności przyczynowe]]



=== MP===
* [[Laboratorium_EEG/MMP|MMP]]

Pracownia Sygnałów Biologicznych/Zajecia 2 4

2026-03-11T09:02:55Z

Jarekz: /* Ćwiczenie 3: Detekcja pików R */

[[Pracownia Sygnałów Bioelektrycznych]]/EKG

==Rejestracja i analiza sygnału EKG==

Lektura: [http://www.bem.fi/book/15/15.htm Electric and Magnetic Measurement of the Electric Activity of the Heart/12-Lead ECG System]
[[Plik:einthoven_ekg.png|250px|thumb|right|<figure id="fig:einthoven_ekg"></figure> Aparat do rejestracji czynności elektrycznej serca skonstruowany przez W. Einthovena. Proszę zauważyć w jakich miejscach na ciele zbierana jest sygnał.]]
[[Plik:ekg_animacja.gif|250px|thumb|right|<figure id="fig:ekg_animacja"></figure> Rozchodzenie się sygnału stymulujacego pracę serca i związane z tym powstawanie sygnału EKG. Rysunek po brany ze strony Wikipedii.]]
[[Plik:ekg_opis.png|250px|thumb|right|<figure id="fig:ekg_opis"></figure> Oznaczenia kolejnych składowych sygnału EKG.]]
[[Plik:wilson.png|250px|thumb|right|<figure id="fig:wilson"></figure> Umiejscowienie elektrod do pomiaru czynności elektrycznej serca z powierzchni klatki piersiowej, rysunek pobrany ze stron Wikipedii.]]

Mechanizm powstawania czynności elektrycznej serca został omówiony na zajęciach &bdquo;Sygnały Bioelektryczne". W tym miejscu przypomnimy tylko kilka ważnych (i ciekawych) faktów.
<ul><li> Czynność elektryczna serca znana jest od połowy XIX, jednakże za początek narodzin elektrokardiografii uznaje się rok 1903, kiedy to W. Einthoven dokonał pomiaru czynności elektrycznej serca z powierzchni ciała (<xr id="fig:einthoven_ekg">rys. %i</xr>). Jako metoda diagnostyczna, elektrokardiografia zaczęła się szybko rozwijać po roku 1936, kiedy to do rejestracji czynności elektrycznej serca zastosowano wzmacniacz lampowy oraz system zapisu pomiaru na papierze.
<li> Serce posiada specjalny, wzbudzany samoczynnie układ, który generuje i przewodzi bodźce elektryczne. Następstwem działania tego układu jest rytmiczna praca serca o częstości od 70 do 180 cykli na minutę (częstość ta ulega zmianom pod wpływem czynników biochemicznych, powstałych np. w skutek stresu).
<li> Elektroda rejestrująca sygnał EKG zbiera czynność elektryczną wszystkich komórek serca, a zatem zarówno komórek wchodzących w skład układu generującego i przewodzącego impulsy elektryczne oraz kurczących się pod wpływem impulsów sterujących mięśni, które kurcząc się, również wytwarzają sygnał elektryczny. Jednakże, z uwagi na nieporównywalnie dużo większą masę mięśni serca w porównaniu z masą komórek układu stymulującego przyjmuje się, że głównym składnikiem sygnału EKG jest czynność elektryczna mięśnia sercowego.
<li> W przybliżeniu, sygnał stymulujący pracę serca rozchodzi się z jego prawej górnej części w kierunku dolnym i na lewą stronę. Na skutek pobudzania kolejnych partii mięśnia sercowego, powstaje charakterystyczny kształt sygnału EKG (<xr id="fig:ekg_animacja">rys. %i</xr>, <xr id="fig:ekg_opis">rys. %i</xr>).
<li> Oznaczenia kolejnych składowych sygnału EKG:
<ul><li> odchylenia od linii poziomej (izoelektrycznej) nazywamy załamkami,
<li> odległość w czasie pomiędzy końcem załamka P i początkiem załamka Q oraz końcem załamka S i początkiem załamka T nazywamy odcinkami — odpowiednio PQ i ST.
</ul>
<li>Elektrody pomiarowe połączone do aparatury rejestrujących nazywamy odprowadzeniami. Uwaga — przyjęto odprowadzeniami oznaczać także sygnały EKG będące liniowymi kombinacjami sygnałów zebranych przez elektrody.
<li> W konwencjonalnej elektroencefalografii stosuje się 12 tzw. odprowadzeń klasycznych:
<ul><li> Trzy odprowadzenia kończynowe biegunowe, zaproponowane jeszcze przez Einthoven i oznaczane rzymskimi cyframi I, II i III. Elektrody w tym systemie umieszcza się prawej (R) (ang. ''right'') i lewej (L) (ang. ''left'') kończynie górnej (najczęściej w okolicy nadgarstka, czasem ramieniu lub czy barku) oraz lewej nodze w okolicy stopy (F) (ang. ''foot''). Elektrodę umieszczaną na prawym nadgarstku oznacza się kolorem czerwonym, na lewym żółtym, na lewej kostce zielonym. Elektrodę masy umieszcza się zwykle na lewej kostce (choć teoretycznie można ją aplikować gdziekolwiek) i jest ona oznaczona kolorem czarnym. Odprowadzenia kończynowe mierzą różnicę napięć pomiędzy miejscami przyłożenia elektrod w następujący sposób: 
<equation id = "eq_1">
<math>
\begin{array}{ll}
I & = V_{L} - V_{R} \\
II & = V_{F} - V_{R} \\
III & = V_{F} - V_{L}
\end{array}
</math>
</equation>
gdzie: 
<math>V_{R}, V_{L}, V_{F}</math> to potencjały odpowiednio na prawym i lewym nadgarstku oraz stopie mierzone względem elektrody masy. 
Jak łatwo zauważyć, tylko dwa spośród powyższych napięć są liniowo niezależne, co można zapisać w postaci związku:
<equation id = "eq_2">
<math>I + III = II</math>
</equation>
który nazywany jest prawem Einthovena. Proszę zauważyć, iż w tym przypadku wzmacniane jest sygnał będący różnicą napięć dwóch kolejnych elektrod, stąd też te odprowadzenia nazywamy dwubiegunowymi (bipolarnymi).
<li> Trzy odprowadzenia jednobiegunowe Goldberga. W odprowadzeniach tych sygnał w danym odprowadzeniu jest różnicą napięć pomiędzy elektrodą pomiarową a średnim napięciem na dwóch pozostałych elektrodach:
<equation id = "eq_3">
<math>
\begin{array}{ll}
aV_{R} & = V_{R} - \frac{V_{L}+V_{F}}{2} \\
aV_{L} & = V_{L} - \frac{V_{R}+V_{F}}{2} \\
aV_{F} & = V_{F} - \frac{V_{L}+V_{R}}{2}
\end{array}
</math>
</equation>
<li> Sześć odprowadzeń jednobiegunowych Wilsona. W przypadku warto zapoznać się z z historią tych odprowadzeń. Początkowo Wilson zaproponował układ jednobiegunowych doniesień dla kończyn w następujący sposób:
<equation id = "eq_4">
<math>
\begin{array}{ll}
V_{LW} & = V_{L} - \frac{V_{R}+V_{L}+ V_{F}}{3} \\
V_{RW} & = V_{R} - \frac{V_{R}+V_{L}+ V_{F}}{3} \\
V_{FW} & = V_{F} - \frac{V_{R}+V_{L}+ V_{F}}{3}
\end{array}
</math>
</equation>
Jak widzimy, jako elektrodę odniesienia wybrał on średnie napięcie rejestrowane przez elektrody. Niestety, sygnały prezentowane w tym systemie miały małą amplitudę, w związku z czym tego rodzaju odprowadzenia nie stosowano w praktyce. Z systemu zaproponowanego przez Wilsona wywodzi się jednak system odniesień Goldberga, który zauważył, że napięcie na trzeciej kończynie można zwiększyć o 50% jeśli do wyznaczenia napięcia odniesienia zastosuje się dwie, a nie trzy elektrody. Metoda wyznaczania potencjału odniesienia zaproponowana przez Wilsona znalazła jednak zastosowanie przy mierzeniu czynności elektrycznej serca mierzonej z powierzchni klatki piersiowej. W tym celu elektrody umieszcza się w pewnych ustalonych miejscach (<xr id="fig:wilson">rys. %i</xr>, zaś odprowadzenia oznacza się symbolami <math>V_1, V_2, \dots, V_6</math>. Odniesieniem w tym przypadku jest średni sygnał rejestrowany na kończynach górnych i lewej stopie.
</ul></ul>

==Ćwiczenia==

Aby uruchomić zbieranie sygnału należy wykonać następujące operacje:
* przykleić elektrody do badanego;
* włożyć przewody do elektrod, a potem do wzmacniacza;
* podłączyć zasilanie wzmacniacza;
* podłączyć wzmacniacz do komputera (przejściówka optyczna i kabel USB);
* uruchomić program SVAROG
* otworzyć sygnał on-line ze wzmacniacza.
** Po tym poleceniu wzmacniacz powinien wyświetlać napis &bdquo;Fiber”; napis &bdquo;Connect” oznacza, że połączenie wzmacniacza z komputerem nie udało się.



== Realizacja w grupie ==
=== Ćwiczenie 1: rejestracja sygnału ===

Podłącz elektrody:
* lewa ręka,
* prawa ręka,
* lewa noga,
* uziemienie do prawej nogi.

Zbierz 3 fragment sygnału EKG przy pomocy Svaroga.

* Częstotliwość próbkowania 2048 Hz.
* Długość zapisu 300 s.
* Proszę zapisać sygnały w następujących warunkach:
** spoczynkowe
** po wysiłku fizycznym (odpiąć zatrzaskowe elektrody, przejść się po schodach i podłączyć ponownie )
** podczas obciążenia poznawczego, np. odejmując w pamięci kolejno 17 od 1000.
* zebrane sygnały zapisz na dysku classroom

Zapoznaj się z zagadnieniem filtrowania dla sygnałów EKG:
* Proszę przejrzeć pracę: Shen Luo, Paul Johnston. A review of electrocardiogram filtering, ''Journal of Electrocardiology'', 2010, Volume 43, Issue 6, Pages 486-496 (https://www.sciencedirect.com/science/article/pii/S0022073610002852?via%3Dihub)
* popróbować uzyskać opisane tam filtry w SVAROGU i zaaplikować je do zebranych danych

== Realizacja indywidualna w notebooku ==
===Ćwiczenie 2: Wstępna obróbka sygnału EKG ===
Napisz fragment notebooka, który:
* wczytuje sygnał przykład: [https://colab.research.google.com/drive/1QWfjnuf_LkdOnQzaBej0itD9yxWzlA6R?usp=sharing przykład]
* wykonuje stosowne filtracje (stosujemy filtrację z zerowym przesunięciem fazowym: filtfilt):
** Filtr górnoprzepustowy:
*** z częstością odcięcia 0.67 Hz (przy tej częstości wymagamy 3dB tłumienia)
*** poniżej 0.5-dB tętnień w paśmie 1 - 30 Hz.
*** projekt z wykorzystaniem funkcji scipy.signal.iirfilter; trzeba dobrać rząd i sprawdzić charakterystyki funkcji transmitancji - dobrać zakres osi i dodać linie pomocnicze pionowe i poziome (matplotlib.pyplot.axvline i matplotlib.pyplot.axhline) tak aby było widać że zaprojektowany filtr spełnia powyższe kryteria.
** Filtr dolnoprzepustowy z częstością odcięcia 150Hz
*** wymagania te powinien spełnić np. filtr 2 rzędu, Butterwortha, - proszę sprawdzić charakterystyki).
** Filtr pasmowo-zaporowy (notch) dla 50 Hz iirnotch (scipy.signal.iirnotch())
* rysuje sygnał w odprowadzeniach Einthovena i Goldbergera,
* wybierz "czysty" fragment sygnału i zidentyfikuj poszczególne załamki. (można wykorzystać funkcję matplotlib.pyplot.axvspan)

===Ćwiczenie 3: Detekcja pików R ===
* Zaproponuj metodę rozpoznawania pików R w sygnale,
** wybierz do tego optymalny kanał
** rozważ zastosowanie filtra górnoprzepustowego o wyższej częstości odcięcia niż w ćwiczeniu 2
** skorzystaj z funkcji [https://docs.scipy.org/doc/scipy/reference/generated/scipy.signal.find_peaks.html scipy.signal.find_peaks] - zaprezentuj dobór parametrów funkcji na podsdtawie histogramów odpowiednich parametrów, które zwraca ona w słowniku.
* Przedstaw fragment sygnału z zaznaczonymi pikami R dla różnych warunków rejestracji sygnału EKG.

Przydatne pojęcie: (ang.) [https://pl.wikipedia.org/wiki/Minimalna_deniwelacja_wzgl%C4%99dna prominence - wybitność piku]

===Ćwiczenie 4: Tętno ===
Napisz program, który:
* wczyta plik z sygnałem i na jego podstawie
* wyznaczy i wykreśli tętno - liczbę uderzeń serca na minutę (ang. ''heart rate'').
* Oblicz średnie tętno i jego standardowe odchylenie.

===Ćwiczenie 5: HRV ===
HRV - heart rate variability.
* zapoznaj się z koncepcją [https://en.wikipedia.org/wiki/Heart_rate_variability#cite_note-29 HRV]
* Literatura [https://link.springer.com/article/10.1007/s11517-006-0119-0 Heart rate variability: a review].
* napisz program, który przedstawiwa interwały R-R jako szereg czasowy
* wyestymuj widmo częstotliwościowe tego sygnału
** uwaga: próbki są pobierane w różnych odstępach!

** można zinterpolować punkty na równomiernie próbkowanej siatce https://docs.scipy.org/doc/scipy/reference/generated/scipy.interpolate.interp1d.html#scipy.interpolate.interp1d i zastosować standardową funkcję do estymacji:
*** periodogramów
*** widma metodą AR
* porównaj widma HRV w poszczególnych warunkach eksperymentalnych; zwróć uwagę na proporcje mocy w pasmach wysokich częstości (HF: 0.15 do 0.4 Hz), niskich częśtości (LF: 0.04 do 0.15 Hz) i bardzo niskich częstości (VLF: 0.0033 do 0.04 Hz).

==Literatura uzupełniająca==

[http://www.bem.fi/book/19/19.htm#00 podstawowa diagnostyka EKG]

Pracownia Sygnałów Biologicznych/Zajecia 2 4

2026-03-11T08:55:20Z

Jarekz: /* Ćwiczenie 3: Detekcja pików R */

[[Pracownia Sygnałów Bioelektrycznych]]/EKG

==Rejestracja i analiza sygnału EKG==

Lektura: [http://www.bem.fi/book/15/15.htm Electric and Magnetic Measurement of the Electric Activity of the Heart/12-Lead ECG System]
[[Plik:einthoven_ekg.png|250px|thumb|right|<figure id="fig:einthoven_ekg"></figure> Aparat do rejestracji czynności elektrycznej serca skonstruowany przez W. Einthovena. Proszę zauważyć w jakich miejscach na ciele zbierana jest sygnał.]]
[[Plik:ekg_animacja.gif|250px|thumb|right|<figure id="fig:ekg_animacja"></figure> Rozchodzenie się sygnału stymulujacego pracę serca i związane z tym powstawanie sygnału EKG. Rysunek po brany ze strony Wikipedii.]]
[[Plik:ekg_opis.png|250px|thumb|right|<figure id="fig:ekg_opis"></figure> Oznaczenia kolejnych składowych sygnału EKG.]]
[[Plik:wilson.png|250px|thumb|right|<figure id="fig:wilson"></figure> Umiejscowienie elektrod do pomiaru czynności elektrycznej serca z powierzchni klatki piersiowej, rysunek pobrany ze stron Wikipedii.]]

Mechanizm powstawania czynności elektrycznej serca został omówiony na zajęciach &bdquo;Sygnały Bioelektryczne". W tym miejscu przypomnimy tylko kilka ważnych (i ciekawych) faktów.
<ul><li> Czynność elektryczna serca znana jest od połowy XIX, jednakże za początek narodzin elektrokardiografii uznaje się rok 1903, kiedy to W. Einthoven dokonał pomiaru czynności elektrycznej serca z powierzchni ciała (<xr id="fig:einthoven_ekg">rys. %i</xr>). Jako metoda diagnostyczna, elektrokardiografia zaczęła się szybko rozwijać po roku 1936, kiedy to do rejestracji czynności elektrycznej serca zastosowano wzmacniacz lampowy oraz system zapisu pomiaru na papierze.
<li> Serce posiada specjalny, wzbudzany samoczynnie układ, który generuje i przewodzi bodźce elektryczne. Następstwem działania tego układu jest rytmiczna praca serca o częstości od 70 do 180 cykli na minutę (częstość ta ulega zmianom pod wpływem czynników biochemicznych, powstałych np. w skutek stresu).
<li> Elektroda rejestrująca sygnał EKG zbiera czynność elektryczną wszystkich komórek serca, a zatem zarówno komórek wchodzących w skład układu generującego i przewodzącego impulsy elektryczne oraz kurczących się pod wpływem impulsów sterujących mięśni, które kurcząc się, również wytwarzają sygnał elektryczny. Jednakże, z uwagi na nieporównywalnie dużo większą masę mięśni serca w porównaniu z masą komórek układu stymulującego przyjmuje się, że głównym składnikiem sygnału EKG jest czynność elektryczna mięśnia sercowego.
<li> W przybliżeniu, sygnał stymulujący pracę serca rozchodzi się z jego prawej górnej części w kierunku dolnym i na lewą stronę. Na skutek pobudzania kolejnych partii mięśnia sercowego, powstaje charakterystyczny kształt sygnału EKG (<xr id="fig:ekg_animacja">rys. %i</xr>, <xr id="fig:ekg_opis">rys. %i</xr>).
<li> Oznaczenia kolejnych składowych sygnału EKG:
<ul><li> odchylenia od linii poziomej (izoelektrycznej) nazywamy załamkami,
<li> odległość w czasie pomiędzy końcem załamka P i początkiem załamka Q oraz końcem załamka S i początkiem załamka T nazywamy odcinkami — odpowiednio PQ i ST.
</ul>
<li>Elektrody pomiarowe połączone do aparatury rejestrujących nazywamy odprowadzeniami. Uwaga — przyjęto odprowadzeniami oznaczać także sygnały EKG będące liniowymi kombinacjami sygnałów zebranych przez elektrody.
<li> W konwencjonalnej elektroencefalografii stosuje się 12 tzw. odprowadzeń klasycznych:
<ul><li> Trzy odprowadzenia kończynowe biegunowe, zaproponowane jeszcze przez Einthoven i oznaczane rzymskimi cyframi I, II i III. Elektrody w tym systemie umieszcza się prawej (R) (ang. ''right'') i lewej (L) (ang. ''left'') kończynie górnej (najczęściej w okolicy nadgarstka, czasem ramieniu lub czy barku) oraz lewej nodze w okolicy stopy (F) (ang. ''foot''). Elektrodę umieszczaną na prawym nadgarstku oznacza się kolorem czerwonym, na lewym żółtym, na lewej kostce zielonym. Elektrodę masy umieszcza się zwykle na lewej kostce (choć teoretycznie można ją aplikować gdziekolwiek) i jest ona oznaczona kolorem czarnym. Odprowadzenia kończynowe mierzą różnicę napięć pomiędzy miejscami przyłożenia elektrod w następujący sposób: 
<equation id = "eq_1">
<math>
\begin{array}{ll}
I & = V_{L} - V_{R} \\
II & = V_{F} - V_{R} \\
III & = V_{F} - V_{L}
\end{array}
</math>
</equation>
gdzie: 
<math>V_{R}, V_{L}, V_{F}</math> to potencjały odpowiednio na prawym i lewym nadgarstku oraz stopie mierzone względem elektrody masy. 
Jak łatwo zauważyć, tylko dwa spośród powyższych napięć są liniowo niezależne, co można zapisać w postaci związku:
<equation id = "eq_2">
<math>I + III = II</math>
</equation>
który nazywany jest prawem Einthovena. Proszę zauważyć, iż w tym przypadku wzmacniane jest sygnał będący różnicą napięć dwóch kolejnych elektrod, stąd też te odprowadzenia nazywamy dwubiegunowymi (bipolarnymi).
<li> Trzy odprowadzenia jednobiegunowe Goldberga. W odprowadzeniach tych sygnał w danym odprowadzeniu jest różnicą napięć pomiędzy elektrodą pomiarową a średnim napięciem na dwóch pozostałych elektrodach:
<equation id = "eq_3">
<math>
\begin{array}{ll}
aV_{R} & = V_{R} - \frac{V_{L}+V_{F}}{2} \\
aV_{L} & = V_{L} - \frac{V_{R}+V_{F}}{2} \\
aV_{F} & = V_{F} - \frac{V_{L}+V_{R}}{2}
\end{array}
</math>
</equation>
<li> Sześć odprowadzeń jednobiegunowych Wilsona. W przypadku warto zapoznać się z z historią tych odprowadzeń. Początkowo Wilson zaproponował układ jednobiegunowych doniesień dla kończyn w następujący sposób:
<equation id = "eq_4">
<math>
\begin{array}{ll}
V_{LW} & = V_{L} - \frac{V_{R}+V_{L}+ V_{F}}{3} \\
V_{RW} & = V_{R} - \frac{V_{R}+V_{L}+ V_{F}}{3} \\
V_{FW} & = V_{F} - \frac{V_{R}+V_{L}+ V_{F}}{3}
\end{array}
</math>
</equation>
Jak widzimy, jako elektrodę odniesienia wybrał on średnie napięcie rejestrowane przez elektrody. Niestety, sygnały prezentowane w tym systemie miały małą amplitudę, w związku z czym tego rodzaju odprowadzenia nie stosowano w praktyce. Z systemu zaproponowanego przez Wilsona wywodzi się jednak system odniesień Goldberga, który zauważył, że napięcie na trzeciej kończynie można zwiększyć o 50% jeśli do wyznaczenia napięcia odniesienia zastosuje się dwie, a nie trzy elektrody. Metoda wyznaczania potencjału odniesienia zaproponowana przez Wilsona znalazła jednak zastosowanie przy mierzeniu czynności elektrycznej serca mierzonej z powierzchni klatki piersiowej. W tym celu elektrody umieszcza się w pewnych ustalonych miejscach (<xr id="fig:wilson">rys. %i</xr>, zaś odprowadzenia oznacza się symbolami <math>V_1, V_2, \dots, V_6</math>. Odniesieniem w tym przypadku jest średni sygnał rejestrowany na kończynach górnych i lewej stopie.
</ul></ul>

==Ćwiczenia==

Aby uruchomić zbieranie sygnału należy wykonać następujące operacje:
* przykleić elektrody do badanego;
* włożyć przewody do elektrod, a potem do wzmacniacza;
* podłączyć zasilanie wzmacniacza;
* podłączyć wzmacniacz do komputera (przejściówka optyczna i kabel USB);
* uruchomić program SVAROG
* otworzyć sygnał on-line ze wzmacniacza.
** Po tym poleceniu wzmacniacz powinien wyświetlać napis &bdquo;Fiber”; napis &bdquo;Connect” oznacza, że połączenie wzmacniacza z komputerem nie udało się.



== Realizacja w grupie ==
=== Ćwiczenie 1: rejestracja sygnału ===

Podłącz elektrody:
* lewa ręka,
* prawa ręka,
* lewa noga,
* uziemienie do prawej nogi.

Zbierz 3 fragment sygnału EKG przy pomocy Svaroga.

* Częstotliwość próbkowania 2048 Hz.
* Długość zapisu 300 s.
* Proszę zapisać sygnały w następujących warunkach:
** spoczynkowe
** po wysiłku fizycznym (odpiąć zatrzaskowe elektrody, przejść się po schodach i podłączyć ponownie )
** podczas obciążenia poznawczego, np. odejmując w pamięci kolejno 17 od 1000.
* zebrane sygnały zapisz na dysku classroom

Zapoznaj się z zagadnieniem filtrowania dla sygnałów EKG:
* Proszę przejrzeć pracę: Shen Luo, Paul Johnston. A review of electrocardiogram filtering, ''Journal of Electrocardiology'', 2010, Volume 43, Issue 6, Pages 486-496 (https://www.sciencedirect.com/science/article/pii/S0022073610002852?via%3Dihub)
* popróbować uzyskać opisane tam filtry w SVAROGU i zaaplikować je do zebranych danych

== Realizacja indywidualna w notebooku ==
===Ćwiczenie 2: Wstępna obróbka sygnału EKG ===
Napisz fragment notebooka, który:
* wczytuje sygnał przykład: [https://colab.research.google.com/drive/1QWfjnuf_LkdOnQzaBej0itD9yxWzlA6R?usp=sharing przykład]
* wykonuje stosowne filtracje (stosujemy filtrację z zerowym przesunięciem fazowym: filtfilt):
** Filtr górnoprzepustowy:
*** z częstością odcięcia 0.67 Hz (przy tej częstości wymagamy 3dB tłumienia)
*** poniżej 0.5-dB tętnień w paśmie 1 - 30 Hz.
*** projekt z wykorzystaniem funkcji scipy.signal.iirfilter; trzeba dobrać rząd i sprawdzić charakterystyki funkcji transmitancji - dobrać zakres osi i dodać linie pomocnicze pionowe i poziome (matplotlib.pyplot.axvline i matplotlib.pyplot.axhline) tak aby było widać że zaprojektowany filtr spełnia powyższe kryteria.
** Filtr dolnoprzepustowy z częstością odcięcia 150Hz
*** wymagania te powinien spełnić np. filtr 2 rzędu, Butterwortha, - proszę sprawdzić charakterystyki).
** Filtr pasmowo-zaporowy (notch) dla 50 Hz iirnotch (scipy.signal.iirnotch())
* rysuje sygnał w odprowadzeniach Einthovena i Goldbergera,
* wybierz "czysty" fragment sygnału i zidentyfikuj poszczególne załamki. (można wykorzystać funkcję matplotlib.pyplot.axvspan)

===Ćwiczenie 3: Detekcja pików R ===
* Zaproponuj metodę rozpoznawania pików R w sygnale,
** wybierz do tego optymalny kanał
** rozważ zastosowanie filtra górnoprzepustowego o wyższej częstości odcięcia niż w ćwiczeniu 2
** skorzystaj z funkcji `scipy.signal.find_peaks` - zaprezentuj dobór parametrów funkcji na podsdtawie histogramów odpowiednich parametrów, które zwraca ona w słowniku.
* Przedstaw fragment sygnału z zaznaczonymi pikami R dla różnych warunków rejestracji sygnału EKG.

Przydatne pojęcie: (ang.) [https://pl.wikipedia.org/wiki/Minimalna_deniwelacja_wzgl%C4%99dna prominence - wybitność piku]

===Ćwiczenie 4: Tętno ===
Napisz program, który:
* wczyta plik z sygnałem i na jego podstawie
* wyznaczy i wykreśli tętno - liczbę uderzeń serca na minutę (ang. ''heart rate'').
* Oblicz średnie tętno i jego standardowe odchylenie.

===Ćwiczenie 5: HRV ===
HRV - heart rate variability.
* zapoznaj się z koncepcją [https://en.wikipedia.org/wiki/Heart_rate_variability#cite_note-29 HRV]
* Literatura [https://link.springer.com/article/10.1007/s11517-006-0119-0 Heart rate variability: a review].
* napisz program, który przedstawiwa interwały R-R jako szereg czasowy
* wyestymuj widmo częstotliwościowe tego sygnału
** uwaga: próbki są pobierane w różnych odstępach!

** można zinterpolować punkty na równomiernie próbkowanej siatce https://docs.scipy.org/doc/scipy/reference/generated/scipy.interpolate.interp1d.html#scipy.interpolate.interp1d i zastosować standardową funkcję do estymacji:
*** periodogramów
*** widma metodą AR
* porównaj widma HRV w poszczególnych warunkach eksperymentalnych; zwróć uwagę na proporcje mocy w pasmach wysokich częstości (HF: 0.15 do 0.4 Hz), niskich częśtości (LF: 0.04 do 0.15 Hz) i bardzo niskich częstości (VLF: 0.0033 do 0.04 Hz).

==Literatura uzupełniająca==

[http://www.bem.fi/book/19/19.htm#00 podstawowa diagnostyka EKG]

Pracownia Sygnałów Biologicznych/Zajecia 2 4

2026-03-06T07:39:02Z

Jarekz: /* Ćwiczenie 2: Wstępna obróbka sygnału EKG */

[[Pracownia Sygnałów Bioelektrycznych]]/EKG

==Rejestracja i analiza sygnału EKG==

Lektura: [http://www.bem.fi/book/15/15.htm Electric and Magnetic Measurement of the Electric Activity of the Heart/12-Lead ECG System]
[[Plik:einthoven_ekg.png|250px|thumb|right|<figure id="fig:einthoven_ekg"></figure> Aparat do rejestracji czynności elektrycznej serca skonstruowany przez W. Einthovena. Proszę zauważyć w jakich miejscach na ciele zbierana jest sygnał.]]
[[Plik:ekg_animacja.gif|250px|thumb|right|<figure id="fig:ekg_animacja"></figure> Rozchodzenie się sygnału stymulujacego pracę serca i związane z tym powstawanie sygnału EKG. Rysunek po brany ze strony Wikipedii.]]
[[Plik:ekg_opis.png|250px|thumb|right|<figure id="fig:ekg_opis"></figure> Oznaczenia kolejnych składowych sygnału EKG.]]
[[Plik:wilson.png|250px|thumb|right|<figure id="fig:wilson"></figure> Umiejscowienie elektrod do pomiaru czynności elektrycznej serca z powierzchni klatki piersiowej, rysunek pobrany ze stron Wikipedii.]]

Mechanizm powstawania czynności elektrycznej serca został omówiony na zajęciach &bdquo;Sygnały Bioelektryczne". W tym miejscu przypomnimy tylko kilka ważnych (i ciekawych) faktów.
<ul><li> Czynność elektryczna serca znana jest od połowy XIX, jednakże za początek narodzin elektrokardiografii uznaje się rok 1903, kiedy to W. Einthoven dokonał pomiaru czynności elektrycznej serca z powierzchni ciała (<xr id="fig:einthoven_ekg">rys. %i</xr>). Jako metoda diagnostyczna, elektrokardiografia zaczęła się szybko rozwijać po roku 1936, kiedy to do rejestracji czynności elektrycznej serca zastosowano wzmacniacz lampowy oraz system zapisu pomiaru na papierze.
<li> Serce posiada specjalny, wzbudzany samoczynnie układ, który generuje i przewodzi bodźce elektryczne. Następstwem działania tego układu jest rytmiczna praca serca o częstości od 70 do 180 cykli na minutę (częstość ta ulega zmianom pod wpływem czynników biochemicznych, powstałych np. w skutek stresu).
<li> Elektroda rejestrująca sygnał EKG zbiera czynność elektryczną wszystkich komórek serca, a zatem zarówno komórek wchodzących w skład układu generującego i przewodzącego impulsy elektryczne oraz kurczących się pod wpływem impulsów sterujących mięśni, które kurcząc się, również wytwarzają sygnał elektryczny. Jednakże, z uwagi na nieporównywalnie dużo większą masę mięśni serca w porównaniu z masą komórek układu stymulującego przyjmuje się, że głównym składnikiem sygnału EKG jest czynność elektryczna mięśnia sercowego.
<li> W przybliżeniu, sygnał stymulujący pracę serca rozchodzi się z jego prawej górnej części w kierunku dolnym i na lewą stronę. Na skutek pobudzania kolejnych partii mięśnia sercowego, powstaje charakterystyczny kształt sygnału EKG (<xr id="fig:ekg_animacja">rys. %i</xr>, <xr id="fig:ekg_opis">rys. %i</xr>).
<li> Oznaczenia kolejnych składowych sygnału EKG:
<ul><li> odchylenia od linii poziomej (izoelektrycznej) nazywamy załamkami,
<li> odległość w czasie pomiędzy końcem załamka P i początkiem załamka Q oraz końcem załamka S i początkiem załamka T nazywamy odcinkami — odpowiednio PQ i ST.
</ul>
<li>Elektrody pomiarowe połączone do aparatury rejestrujących nazywamy odprowadzeniami. Uwaga — przyjęto odprowadzeniami oznaczać także sygnały EKG będące liniowymi kombinacjami sygnałów zebranych przez elektrody.
<li> W konwencjonalnej elektroencefalografii stosuje się 12 tzw. odprowadzeń klasycznych:
<ul><li> Trzy odprowadzenia kończynowe biegunowe, zaproponowane jeszcze przez Einthoven i oznaczane rzymskimi cyframi I, II i III. Elektrody w tym systemie umieszcza się prawej (R) (ang. ''right'') i lewej (L) (ang. ''left'') kończynie górnej (najczęściej w okolicy nadgarstka, czasem ramieniu lub czy barku) oraz lewej nodze w okolicy stopy (F) (ang. ''foot''). Elektrodę umieszczaną na prawym nadgarstku oznacza się kolorem czerwonym, na lewym żółtym, na lewej kostce zielonym. Elektrodę masy umieszcza się zwykle na lewej kostce (choć teoretycznie można ją aplikować gdziekolwiek) i jest ona oznaczona kolorem czarnym. Odprowadzenia kończynowe mierzą różnicę napięć pomiędzy miejscami przyłożenia elektrod w następujący sposób: 
<equation id = "eq_1">
<math>
\begin{array}{ll}
I & = V_{L} - V_{R} \\
II & = V_{F} - V_{R} \\
III & = V_{F} - V_{L}
\end{array}
</math>
</equation>
gdzie: 
<math>V_{R}, V_{L}, V_{F}</math> to potencjały odpowiednio na prawym i lewym nadgarstku oraz stopie mierzone względem elektrody masy. 
Jak łatwo zauważyć, tylko dwa spośród powyższych napięć są liniowo niezależne, co można zapisać w postaci związku:
<equation id = "eq_2">
<math>I + III = II</math>
</equation>
który nazywany jest prawem Einthovena. Proszę zauważyć, iż w tym przypadku wzmacniane jest sygnał będący różnicą napięć dwóch kolejnych elektrod, stąd też te odprowadzenia nazywamy dwubiegunowymi (bipolarnymi).
<li> Trzy odprowadzenia jednobiegunowe Goldberga. W odprowadzeniach tych sygnał w danym odprowadzeniu jest różnicą napięć pomiędzy elektrodą pomiarową a średnim napięciem na dwóch pozostałych elektrodach:
<equation id = "eq_3">
<math>
\begin{array}{ll}
aV_{R} & = V_{R} - \frac{V_{L}+V_{F}}{2} \\
aV_{L} & = V_{L} - \frac{V_{R}+V_{F}}{2} \\
aV_{F} & = V_{F} - \frac{V_{L}+V_{R}}{2}
\end{array}
</math>
</equation>
<li> Sześć odprowadzeń jednobiegunowych Wilsona. W przypadku warto zapoznać się z z historią tych odprowadzeń. Początkowo Wilson zaproponował układ jednobiegunowych doniesień dla kończyn w następujący sposób:
<equation id = "eq_4">
<math>
\begin{array}{ll}
V_{LW} & = V_{L} - \frac{V_{R}+V_{L}+ V_{F}}{3} \\
V_{RW} & = V_{R} - \frac{V_{R}+V_{L}+ V_{F}}{3} \\
V_{FW} & = V_{F} - \frac{V_{R}+V_{L}+ V_{F}}{3}
\end{array}
</math>
</equation>
Jak widzimy, jako elektrodę odniesienia wybrał on średnie napięcie rejestrowane przez elektrody. Niestety, sygnały prezentowane w tym systemie miały małą amplitudę, w związku z czym tego rodzaju odprowadzenia nie stosowano w praktyce. Z systemu zaproponowanego przez Wilsona wywodzi się jednak system odniesień Goldberga, który zauważył, że napięcie na trzeciej kończynie można zwiększyć o 50% jeśli do wyznaczenia napięcia odniesienia zastosuje się dwie, a nie trzy elektrody. Metoda wyznaczania potencjału odniesienia zaproponowana przez Wilsona znalazła jednak zastosowanie przy mierzeniu czynności elektrycznej serca mierzonej z powierzchni klatki piersiowej. W tym celu elektrody umieszcza się w pewnych ustalonych miejscach (<xr id="fig:wilson">rys. %i</xr>, zaś odprowadzenia oznacza się symbolami <math>V_1, V_2, \dots, V_6</math>. Odniesieniem w tym przypadku jest średni sygnał rejestrowany na kończynach górnych i lewej stopie.
</ul></ul>

==Ćwiczenia==

Aby uruchomić zbieranie sygnału należy wykonać następujące operacje:
* przykleić elektrody do badanego;
* włożyć przewody do elektrod, a potem do wzmacniacza;
* podłączyć zasilanie wzmacniacza;
* podłączyć wzmacniacz do komputera (przejściówka optyczna i kabel USB);
* uruchomić program SVAROG
* otworzyć sygnał on-line ze wzmacniacza.
** Po tym poleceniu wzmacniacz powinien wyświetlać napis &bdquo;Fiber”; napis &bdquo;Connect” oznacza, że połączenie wzmacniacza z komputerem nie udało się.



== Realizacja w grupie ==
=== Ćwiczenie 1: rejestracja sygnału ===

Podłącz elektrody:
* lewa ręka,
* prawa ręka,
* lewa noga,
* uziemienie do prawej nogi.

Zbierz 3 fragment sygnału EKG przy pomocy Svaroga.

* Częstotliwość próbkowania 2048 Hz.
* Długość zapisu 300 s.
* Proszę zapisać sygnały w następujących warunkach:
** spoczynkowe
** po wysiłku fizycznym (odpiąć zatrzaskowe elektrody, przejść się po schodach i podłączyć ponownie )
** podczas obciążenia poznawczego, np. odejmując w pamięci kolejno 17 od 1000.
* zebrane sygnały zapisz na dysku classroom

Zapoznaj się z zagadnieniem filtrowania dla sygnałów EKG:
* Proszę przejrzeć pracę: Shen Luo, Paul Johnston. A review of electrocardiogram filtering, ''Journal of Electrocardiology'', 2010, Volume 43, Issue 6, Pages 486-496 (https://www.sciencedirect.com/science/article/pii/S0022073610002852?via%3Dihub)
* popróbować uzyskać opisane tam filtry w SVAROGU i zaaplikować je do zebranych danych

== Realizacja indywidualna w notebooku ==
===Ćwiczenie 2: Wstępna obróbka sygnału EKG ===
Napisz fragment notebooka, który:
* wczytuje sygnał przykład: [https://colab.research.google.com/drive/1QWfjnuf_LkdOnQzaBej0itD9yxWzlA6R?usp=sharing przykład]
* wykonuje stosowne filtracje (stosujemy filtrację z zerowym przesunięciem fazowym: filtfilt):
** Filtr górnoprzepustowy:
*** z częstością odcięcia 0.67 Hz (przy tej częstości wymagamy 3dB tłumienia)
*** poniżej 0.5-dB tętnień w paśmie 1 - 30 Hz.
*** projekt z wykorzystaniem funkcji scipy.signal.iirfilter; trzeba dobrać rząd i sprawdzić charakterystyki funkcji transmitancji - dobrać zakres osi i dodać linie pomocnicze pionowe i poziome (matplotlib.pyplot.axvline i matplotlib.pyplot.axhline) tak aby było widać że zaprojektowany filtr spełnia powyższe kryteria.
** Filtr dolnoprzepustowy z częstością odcięcia 150Hz
*** wymagania te powinien spełnić np. filtr 2 rzędu, Butterwortha, - proszę sprawdzić charakterystyki).
** Filtr pasmowo-zaporowy (notch) dla 50 Hz iirnotch (scipy.signal.iirnotch())
* rysuje sygnał w odprowadzeniach Einthovena i Goldbergera,
* wybierz "czysty" fragment sygnału i zidentyfikuj poszczególne załamki. (można wykorzystać funkcję matplotlib.pyplot.axvspan)

===Ćwiczenie 3: Detekcja pików R ===
* Zaproponuj metodę rozpoznawania pików R w sygnale, wybierz do tego optymalny kanał. Przedstaw fragment sygnału z zaznaczonymi pikami R. (można skorzystać z funkcji scipy.signal.find_peaks - dobór parametrów funkcji oprzyj na badaniu histogramów odpowiednich parametrów)

Przydatne pojęcie: (ang.) [https://pl.wikipedia.org/wiki/Minimalna_deniwelacja_wzgl%C4%99dna prominence - wybitność piku]

===Ćwiczenie 4: Tętno ===
Napisz program, który:
* wczyta plik z sygnałem i na jego podstawie
* wyznaczy i wykreśli tętno - liczbę uderzeń serca na minutę (ang. ''heart rate'').
* Oblicz średnie tętno i jego standardowe odchylenie.

===Ćwiczenie 5: HRV ===
HRV - heart rate variability.
* zapoznaj się z koncepcją [https://en.wikipedia.org/wiki/Heart_rate_variability#cite_note-29 HRV]
* Literatura [https://link.springer.com/article/10.1007/s11517-006-0119-0 Heart rate variability: a review].
* napisz program, który przedstawiwa interwały R-R jako szereg czasowy
* wyestymuj widmo częstotliwościowe tego sygnału
** uwaga: próbki są pobierane w różnych odstępach!

** można zinterpolować punkty na równomiernie próbkowanej siatce https://docs.scipy.org/doc/scipy/reference/generated/scipy.interpolate.interp1d.html#scipy.interpolate.interp1d i zastosować standardową funkcję do estymacji:
*** periodogramów
*** widma metodą AR
* porównaj widma HRV w poszczególnych warunkach eksperymentalnych; zwróć uwagę na proporcje mocy w pasmach wysokich częstości (HF: 0.15 do 0.4 Hz), niskich częśtości (LF: 0.04 do 0.15 Hz) i bardzo niskich częstości (VLF: 0.0033 do 0.04 Hz).

==Literatura uzupełniająca==

[http://www.bem.fi/book/19/19.htm#00 podstawowa diagnostyka EKG]

Pracownia Sygnałów Biologicznych/Zajecia 2 4

2026-03-06T07:37:17Z

Jarekz: /* Ćwiczenie 2: Wstępna obróbka sygnału EKG */

[[Pracownia Sygnałów Bioelektrycznych]]/EKG

==Rejestracja i analiza sygnału EKG==

Lektura: [http://www.bem.fi/book/15/15.htm Electric and Magnetic Measurement of the Electric Activity of the Heart/12-Lead ECG System]
[[Plik:einthoven_ekg.png|250px|thumb|right|<figure id="fig:einthoven_ekg"></figure> Aparat do rejestracji czynności elektrycznej serca skonstruowany przez W. Einthovena. Proszę zauważyć w jakich miejscach na ciele zbierana jest sygnał.]]
[[Plik:ekg_animacja.gif|250px|thumb|right|<figure id="fig:ekg_animacja"></figure> Rozchodzenie się sygnału stymulujacego pracę serca i związane z tym powstawanie sygnału EKG. Rysunek po brany ze strony Wikipedii.]]
[[Plik:ekg_opis.png|250px|thumb|right|<figure id="fig:ekg_opis"></figure> Oznaczenia kolejnych składowych sygnału EKG.]]
[[Plik:wilson.png|250px|thumb|right|<figure id="fig:wilson"></figure> Umiejscowienie elektrod do pomiaru czynności elektrycznej serca z powierzchni klatki piersiowej, rysunek pobrany ze stron Wikipedii.]]

Mechanizm powstawania czynności elektrycznej serca został omówiony na zajęciach &bdquo;Sygnały Bioelektryczne". W tym miejscu przypomnimy tylko kilka ważnych (i ciekawych) faktów.
<ul><li> Czynność elektryczna serca znana jest od połowy XIX, jednakże za początek narodzin elektrokardiografii uznaje się rok 1903, kiedy to W. Einthoven dokonał pomiaru czynności elektrycznej serca z powierzchni ciała (<xr id="fig:einthoven_ekg">rys. %i</xr>). Jako metoda diagnostyczna, elektrokardiografia zaczęła się szybko rozwijać po roku 1936, kiedy to do rejestracji czynności elektrycznej serca zastosowano wzmacniacz lampowy oraz system zapisu pomiaru na papierze.
<li> Serce posiada specjalny, wzbudzany samoczynnie układ, który generuje i przewodzi bodźce elektryczne. Następstwem działania tego układu jest rytmiczna praca serca o częstości od 70 do 180 cykli na minutę (częstość ta ulega zmianom pod wpływem czynników biochemicznych, powstałych np. w skutek stresu).
<li> Elektroda rejestrująca sygnał EKG zbiera czynność elektryczną wszystkich komórek serca, a zatem zarówno komórek wchodzących w skład układu generującego i przewodzącego impulsy elektryczne oraz kurczących się pod wpływem impulsów sterujących mięśni, które kurcząc się, również wytwarzają sygnał elektryczny. Jednakże, z uwagi na nieporównywalnie dużo większą masę mięśni serca w porównaniu z masą komórek układu stymulującego przyjmuje się, że głównym składnikiem sygnału EKG jest czynność elektryczna mięśnia sercowego.
<li> W przybliżeniu, sygnał stymulujący pracę serca rozchodzi się z jego prawej górnej części w kierunku dolnym i na lewą stronę. Na skutek pobudzania kolejnych partii mięśnia sercowego, powstaje charakterystyczny kształt sygnału EKG (<xr id="fig:ekg_animacja">rys. %i</xr>, <xr id="fig:ekg_opis">rys. %i</xr>).
<li> Oznaczenia kolejnych składowych sygnału EKG:
<ul><li> odchylenia od linii poziomej (izoelektrycznej) nazywamy załamkami,
<li> odległość w czasie pomiędzy końcem załamka P i początkiem załamka Q oraz końcem załamka S i początkiem załamka T nazywamy odcinkami — odpowiednio PQ i ST.
</ul>
<li>Elektrody pomiarowe połączone do aparatury rejestrujących nazywamy odprowadzeniami. Uwaga — przyjęto odprowadzeniami oznaczać także sygnały EKG będące liniowymi kombinacjami sygnałów zebranych przez elektrody.
<li> W konwencjonalnej elektroencefalografii stosuje się 12 tzw. odprowadzeń klasycznych:
<ul><li> Trzy odprowadzenia kończynowe biegunowe, zaproponowane jeszcze przez Einthoven i oznaczane rzymskimi cyframi I, II i III. Elektrody w tym systemie umieszcza się prawej (R) (ang. ''right'') i lewej (L) (ang. ''left'') kończynie górnej (najczęściej w okolicy nadgarstka, czasem ramieniu lub czy barku) oraz lewej nodze w okolicy stopy (F) (ang. ''foot''). Elektrodę umieszczaną na prawym nadgarstku oznacza się kolorem czerwonym, na lewym żółtym, na lewej kostce zielonym. Elektrodę masy umieszcza się zwykle na lewej kostce (choć teoretycznie można ją aplikować gdziekolwiek) i jest ona oznaczona kolorem czarnym. Odprowadzenia kończynowe mierzą różnicę napięć pomiędzy miejscami przyłożenia elektrod w następujący sposób: 
<equation id = "eq_1">
<math>
\begin{array}{ll}
I & = V_{L} - V_{R} \\
II & = V_{F} - V_{R} \\
III & = V_{F} - V_{L}
\end{array}
</math>
</equation>
gdzie: 
<math>V_{R}, V_{L}, V_{F}</math> to potencjały odpowiednio na prawym i lewym nadgarstku oraz stopie mierzone względem elektrody masy. 
Jak łatwo zauważyć, tylko dwa spośród powyższych napięć są liniowo niezależne, co można zapisać w postaci związku:
<equation id = "eq_2">
<math>I + III = II</math>
</equation>
który nazywany jest prawem Einthovena. Proszę zauważyć, iż w tym przypadku wzmacniane jest sygnał będący różnicą napięć dwóch kolejnych elektrod, stąd też te odprowadzenia nazywamy dwubiegunowymi (bipolarnymi).
<li> Trzy odprowadzenia jednobiegunowe Goldberga. W odprowadzeniach tych sygnał w danym odprowadzeniu jest różnicą napięć pomiędzy elektrodą pomiarową a średnim napięciem na dwóch pozostałych elektrodach:
<equation id = "eq_3">
<math>
\begin{array}{ll}
aV_{R} & = V_{R} - \frac{V_{L}+V_{F}}{2} \\
aV_{L} & = V_{L} - \frac{V_{R}+V_{F}}{2} \\
aV_{F} & = V_{F} - \frac{V_{L}+V_{R}}{2}
\end{array}
</math>
</equation>
<li> Sześć odprowadzeń jednobiegunowych Wilsona. W przypadku warto zapoznać się z z historią tych odprowadzeń. Początkowo Wilson zaproponował układ jednobiegunowych doniesień dla kończyn w następujący sposób:
<equation id = "eq_4">
<math>
\begin{array}{ll}
V_{LW} & = V_{L} - \frac{V_{R}+V_{L}+ V_{F}}{3} \\
V_{RW} & = V_{R} - \frac{V_{R}+V_{L}+ V_{F}}{3} \\
V_{FW} & = V_{F} - \frac{V_{R}+V_{L}+ V_{F}}{3}
\end{array}
</math>
</equation>
Jak widzimy, jako elektrodę odniesienia wybrał on średnie napięcie rejestrowane przez elektrody. Niestety, sygnały prezentowane w tym systemie miały małą amplitudę, w związku z czym tego rodzaju odprowadzenia nie stosowano w praktyce. Z systemu zaproponowanego przez Wilsona wywodzi się jednak system odniesień Goldberga, który zauważył, że napięcie na trzeciej kończynie można zwiększyć o 50% jeśli do wyznaczenia napięcia odniesienia zastosuje się dwie, a nie trzy elektrody. Metoda wyznaczania potencjału odniesienia zaproponowana przez Wilsona znalazła jednak zastosowanie przy mierzeniu czynności elektrycznej serca mierzonej z powierzchni klatki piersiowej. W tym celu elektrody umieszcza się w pewnych ustalonych miejscach (<xr id="fig:wilson">rys. %i</xr>, zaś odprowadzenia oznacza się symbolami <math>V_1, V_2, \dots, V_6</math>. Odniesieniem w tym przypadku jest średni sygnał rejestrowany na kończynach górnych i lewej stopie.
</ul></ul>

==Ćwiczenia==

Aby uruchomić zbieranie sygnału należy wykonać następujące operacje:
* przykleić elektrody do badanego;
* włożyć przewody do elektrod, a potem do wzmacniacza;
* podłączyć zasilanie wzmacniacza;
* podłączyć wzmacniacz do komputera (przejściówka optyczna i kabel USB);
* uruchomić program SVAROG
* otworzyć sygnał on-line ze wzmacniacza.
** Po tym poleceniu wzmacniacz powinien wyświetlać napis &bdquo;Fiber”; napis &bdquo;Connect” oznacza, że połączenie wzmacniacza z komputerem nie udało się.



== Realizacja w grupie ==
=== Ćwiczenie 1: rejestracja sygnału ===

Podłącz elektrody:
* lewa ręka,
* prawa ręka,
* lewa noga,
* uziemienie do prawej nogi.

Zbierz 3 fragment sygnału EKG przy pomocy Svaroga.

* Częstotliwość próbkowania 2048 Hz.
* Długość zapisu 300 s.
* Proszę zapisać sygnały w następujących warunkach:
** spoczynkowe
** po wysiłku fizycznym (odpiąć zatrzaskowe elektrody, przejść się po schodach i podłączyć ponownie )
** podczas obciążenia poznawczego, np. odejmując w pamięci kolejno 17 od 1000.
* zebrane sygnały zapisz na dysku classroom

Zapoznaj się z zagadnieniem filtrowania dla sygnałów EKG:
* Proszę przejrzeć pracę: Shen Luo, Paul Johnston. A review of electrocardiogram filtering, ''Journal of Electrocardiology'', 2010, Volume 43, Issue 6, Pages 486-496 (https://www.sciencedirect.com/science/article/pii/S0022073610002852?via%3Dihub)
* popróbować uzyskać opisane tam filtry w SVAROGU i zaaplikować je do zebranych danych

== Realizacja indywidualna w notebooku ==
===Ćwiczenie 2: Wstępna obróbka sygnału EKG ===
Napisz fragment notebooka, który:
* wczytuje sygnał
* wykonuje stosowne filtracje (stosujemy filtrację z zerowym przesunięciem fazowym: filtfilt):
** Filtr górnoprzepustowy:
*** z częstością odcięcia 0.67 Hz (przy tej częstości wymagamy 3dB tłumienia)
*** poniżej 0.5-dB tętnień w paśmie 1 - 30 Hz.
*** projekt z wykorzystaniem funkcji scipy.signal.iirfilter; trzeba dobrać rząd i sprawdzić charakterystyki funkcji transmitancji - dobrać zakres osi i dodać linie pomocnicze pionowe i poziome (matplotlib.pyplot.axvline i matplotlib.pyplot.axhline) tak aby było widać że zaprojektowany filtr spełnia powyższe kryteria.
** Filtr dolnoprzepustowy z częstością odcięcia 150Hz
*** wymagania te powinien spełnić np. filtr 2 rzędu, Butterwortha, - proszę sprawdzić charakterystyki).
** Filtr pasmowo-zaporowy (notch) dla 50 Hz iirnotch (scipy.signal.iirnotch())
* rysuje sygnał w odprowadzeniach Einthovena i Goldbergera,
* wybierz "czysty" fragment sygnału i zidentyfikuj poszczególne załamki. (można wykorzystać funkcję matplotlib.pyplot.axvspan)

===Ćwiczenie 3: Detekcja pików R ===
* Zaproponuj metodę rozpoznawania pików R w sygnale, wybierz do tego optymalny kanał. Przedstaw fragment sygnału z zaznaczonymi pikami R. (można skorzystać z funkcji scipy.signal.find_peaks - dobór parametrów funkcji oprzyj na badaniu histogramów odpowiednich parametrów)

Przydatne pojęcie: (ang.) [https://pl.wikipedia.org/wiki/Minimalna_deniwelacja_wzgl%C4%99dna prominence - wybitność piku]

===Ćwiczenie 4: Tętno ===
Napisz program, który:
* wczyta plik z sygnałem i na jego podstawie
* wyznaczy i wykreśli tętno - liczbę uderzeń serca na minutę (ang. ''heart rate'').
* Oblicz średnie tętno i jego standardowe odchylenie.

===Ćwiczenie 5: HRV ===
HRV - heart rate variability.
* zapoznaj się z koncepcją [https://en.wikipedia.org/wiki/Heart_rate_variability#cite_note-29 HRV]
* Literatura [https://link.springer.com/article/10.1007/s11517-006-0119-0 Heart rate variability: a review].
* napisz program, który przedstawiwa interwały R-R jako szereg czasowy
* wyestymuj widmo częstotliwościowe tego sygnału
** uwaga: próbki są pobierane w różnych odstępach!

** można zinterpolować punkty na równomiernie próbkowanej siatce https://docs.scipy.org/doc/scipy/reference/generated/scipy.interpolate.interp1d.html#scipy.interpolate.interp1d i zastosować standardową funkcję do estymacji:
*** periodogramów
*** widma metodą AR
* porównaj widma HRV w poszczególnych warunkach eksperymentalnych; zwróć uwagę na proporcje mocy w pasmach wysokich częstości (HF: 0.15 do 0.4 Hz), niskich częśtości (LF: 0.04 do 0.15 Hz) i bardzo niskich częstości (VLF: 0.0033 do 0.04 Hz).

==Literatura uzupełniająca==

[http://www.bem.fi/book/19/19.htm#00 podstawowa diagnostyka EKG]

Pracownia Sygnałów Biologicznych/Zajecia 2 4

2026-03-04T08:31:44Z

Jarekz: /* Ćwiczenie 2: Wstępna obróbka sygnału EKG */

[[Pracownia Sygnałów Bioelektrycznych]]/EKG

==Rejestracja i analiza sygnału EKG==

Lektura: [http://www.bem.fi/book/15/15.htm Electric and Magnetic Measurement of the Electric Activity of the Heart/12-Lead ECG System]
[[Plik:einthoven_ekg.png|250px|thumb|right|<figure id="fig:einthoven_ekg"></figure> Aparat do rejestracji czynności elektrycznej serca skonstruowany przez W. Einthovena. Proszę zauważyć w jakich miejscach na ciele zbierana jest sygnał.]]
[[Plik:ekg_animacja.gif|250px|thumb|right|<figure id="fig:ekg_animacja"></figure> Rozchodzenie się sygnału stymulujacego pracę serca i związane z tym powstawanie sygnału EKG. Rysunek po brany ze strony Wikipedii.]]
[[Plik:ekg_opis.png|250px|thumb|right|<figure id="fig:ekg_opis"></figure> Oznaczenia kolejnych składowych sygnału EKG.]]
[[Plik:wilson.png|250px|thumb|right|<figure id="fig:wilson"></figure> Umiejscowienie elektrod do pomiaru czynności elektrycznej serca z powierzchni klatki piersiowej, rysunek pobrany ze stron Wikipedii.]]

Mechanizm powstawania czynności elektrycznej serca został omówiony na zajęciach &bdquo;Sygnały Bioelektryczne". W tym miejscu przypomnimy tylko kilka ważnych (i ciekawych) faktów.
<ul><li> Czynność elektryczna serca znana jest od połowy XIX, jednakże za początek narodzin elektrokardiografii uznaje się rok 1903, kiedy to W. Einthoven dokonał pomiaru czynności elektrycznej serca z powierzchni ciała (<xr id="fig:einthoven_ekg">rys. %i</xr>). Jako metoda diagnostyczna, elektrokardiografia zaczęła się szybko rozwijać po roku 1936, kiedy to do rejestracji czynności elektrycznej serca zastosowano wzmacniacz lampowy oraz system zapisu pomiaru na papierze.
<li> Serce posiada specjalny, wzbudzany samoczynnie układ, który generuje i przewodzi bodźce elektryczne. Następstwem działania tego układu jest rytmiczna praca serca o częstości od 70 do 180 cykli na minutę (częstość ta ulega zmianom pod wpływem czynników biochemicznych, powstałych np. w skutek stresu).
<li> Elektroda rejestrująca sygnał EKG zbiera czynność elektryczną wszystkich komórek serca, a zatem zarówno komórek wchodzących w skład układu generującego i przewodzącego impulsy elektryczne oraz kurczących się pod wpływem impulsów sterujących mięśni, które kurcząc się, również wytwarzają sygnał elektryczny. Jednakże, z uwagi na nieporównywalnie dużo większą masę mięśni serca w porównaniu z masą komórek układu stymulującego przyjmuje się, że głównym składnikiem sygnału EKG jest czynność elektryczna mięśnia sercowego.
<li> W przybliżeniu, sygnał stymulujący pracę serca rozchodzi się z jego prawej górnej części w kierunku dolnym i na lewą stronę. Na skutek pobudzania kolejnych partii mięśnia sercowego, powstaje charakterystyczny kształt sygnału EKG (<xr id="fig:ekg_animacja">rys. %i</xr>, <xr id="fig:ekg_opis">rys. %i</xr>).
<li> Oznaczenia kolejnych składowych sygnału EKG:
<ul><li> odchylenia od linii poziomej (izoelektrycznej) nazywamy załamkami,
<li> odległość w czasie pomiędzy końcem załamka P i początkiem załamka Q oraz końcem załamka S i początkiem załamka T nazywamy odcinkami — odpowiednio PQ i ST.
</ul>
<li>Elektrody pomiarowe połączone do aparatury rejestrujących nazywamy odprowadzeniami. Uwaga — przyjęto odprowadzeniami oznaczać także sygnały EKG będące liniowymi kombinacjami sygnałów zebranych przez elektrody.
<li> W konwencjonalnej elektroencefalografii stosuje się 12 tzw. odprowadzeń klasycznych:
<ul><li> Trzy odprowadzenia kończynowe biegunowe, zaproponowane jeszcze przez Einthoven i oznaczane rzymskimi cyframi I, II i III. Elektrody w tym systemie umieszcza się prawej (R) (ang. ''right'') i lewej (L) (ang. ''left'') kończynie górnej (najczęściej w okolicy nadgarstka, czasem ramieniu lub czy barku) oraz lewej nodze w okolicy stopy (F) (ang. ''foot''). Elektrodę umieszczaną na prawym nadgarstku oznacza się kolorem czerwonym, na lewym żółtym, na lewej kostce zielonym. Elektrodę masy umieszcza się zwykle na lewej kostce (choć teoretycznie można ją aplikować gdziekolwiek) i jest ona oznaczona kolorem czarnym. Odprowadzenia kończynowe mierzą różnicę napięć pomiędzy miejscami przyłożenia elektrod w następujący sposób: 
<equation id = "eq_1">
<math>
\begin{array}{ll}
I & = V_{L} - V_{R} \\
II & = V_{F} - V_{R} \\
III & = V_{F} - V_{L}
\end{array}
</math>
</equation>
gdzie: 
<math>V_{R}, V_{L}, V_{F}</math> to potencjały odpowiednio na prawym i lewym nadgarstku oraz stopie mierzone względem elektrody masy. 
Jak łatwo zauważyć, tylko dwa spośród powyższych napięć są liniowo niezależne, co można zapisać w postaci związku:
<equation id = "eq_2">
<math>I + III = II</math>
</equation>
który nazywany jest prawem Einthovena. Proszę zauważyć, iż w tym przypadku wzmacniane jest sygnał będący różnicą napięć dwóch kolejnych elektrod, stąd też te odprowadzenia nazywamy dwubiegunowymi (bipolarnymi).
<li> Trzy odprowadzenia jednobiegunowe Goldberga. W odprowadzeniach tych sygnał w danym odprowadzeniu jest różnicą napięć pomiędzy elektrodą pomiarową a średnim napięciem na dwóch pozostałych elektrodach:
<equation id = "eq_3">
<math>
\begin{array}{ll}
aV_{R} & = V_{R} - \frac{V_{L}+V_{F}}{2} \\
aV_{L} & = V_{L} - \frac{V_{R}+V_{F}}{2} \\
aV_{F} & = V_{F} - \frac{V_{L}+V_{R}}{2}
\end{array}
</math>
</equation>
<li> Sześć odprowadzeń jednobiegunowych Wilsona. W przypadku warto zapoznać się z z historią tych odprowadzeń. Początkowo Wilson zaproponował układ jednobiegunowych doniesień dla kończyn w następujący sposób:
<equation id = "eq_4">
<math>
\begin{array}{ll}
V_{LW} & = V_{L} - \frac{V_{R}+V_{L}+ V_{F}}{3} \\
V_{RW} & = V_{R} - \frac{V_{R}+V_{L}+ V_{F}}{3} \\
V_{FW} & = V_{F} - \frac{V_{R}+V_{L}+ V_{F}}{3}
\end{array}
</math>
</equation>
Jak widzimy, jako elektrodę odniesienia wybrał on średnie napięcie rejestrowane przez elektrody. Niestety, sygnały prezentowane w tym systemie miały małą amplitudę, w związku z czym tego rodzaju odprowadzenia nie stosowano w praktyce. Z systemu zaproponowanego przez Wilsona wywodzi się jednak system odniesień Goldberga, który zauważył, że napięcie na trzeciej kończynie można zwiększyć o 50% jeśli do wyznaczenia napięcia odniesienia zastosuje się dwie, a nie trzy elektrody. Metoda wyznaczania potencjału odniesienia zaproponowana przez Wilsona znalazła jednak zastosowanie przy mierzeniu czynności elektrycznej serca mierzonej z powierzchni klatki piersiowej. W tym celu elektrody umieszcza się w pewnych ustalonych miejscach (<xr id="fig:wilson">rys. %i</xr>, zaś odprowadzenia oznacza się symbolami <math>V_1, V_2, \dots, V_6</math>. Odniesieniem w tym przypadku jest średni sygnał rejestrowany na kończynach górnych i lewej stopie.
</ul></ul>

==Ćwiczenia==

Aby uruchomić zbieranie sygnału należy wykonać następujące operacje:
* przykleić elektrody do badanego;
* włożyć przewody do elektrod, a potem do wzmacniacza;
* podłączyć zasilanie wzmacniacza;
* podłączyć wzmacniacz do komputera (przejściówka optyczna i kabel USB);
* uruchomić program SVAROG
* otworzyć sygnał on-line ze wzmacniacza.
** Po tym poleceniu wzmacniacz powinien wyświetlać napis &bdquo;Fiber”; napis &bdquo;Connect” oznacza, że połączenie wzmacniacza z komputerem nie udało się.



== Realizacja w grupie ==
=== Ćwiczenie 1: rejestracja sygnału ===

Podłącz elektrody:
* lewa ręka,
* prawa ręka,
* lewa noga,
* uziemienie do prawej nogi.

Zbierz 3 fragment sygnału EKG przy pomocy Svaroga.

* Częstotliwość próbkowania 2048 Hz.
* Długość zapisu 300 s.
* Proszę zapisać sygnały w następujących warunkach:
** spoczynkowe
** po wysiłku fizycznym (odpiąć zatrzaskowe elektrody, przejść się po schodach i podłączyć ponownie )
** podczas obciążenia poznawczego, np. odejmując w pamięci kolejno 17 od 1000.
* zebrane sygnały zapisz na dysku classroom

Zapoznaj się z zagadnieniem filtrowania dla sygnałów EKG:
* Proszę przejrzeć pracę: Shen Luo, Paul Johnston. A review of electrocardiogram filtering, ''Journal of Electrocardiology'', 2010, Volume 43, Issue 6, Pages 486-496 (https://www.sciencedirect.com/science/article/pii/S0022073610002852?via%3Dihub)
* popróbować uzyskać opisane tam filtry w SVAROGU i zaaplikować je do zebranych danych

== Realizacja indywidualna w notebooku ==
===Ćwiczenie 2: Wstępna obróbka sygnału EKG ===
Napisz program który:
* wczytuje sygnał
* wykonuje stosowne filtracje (stosujemy filtrację z zerowym przesunięciem fazowym: filtfilt):
** Filtr górnoprzepustowy z częstością odcięcia 0.67 Hz (przy tej częstości wymagamy 3dB tłumienia) i poniżej 0.5-dB tętnień w paśmie 1 - 30 Hz. Proszę sprawdzić charakterystyki).


** Filtr dolnoprzepustowy z częstością odcięcia 150Hz (wymagania te powinien spełnić np. filtr 2 rzędu, Butterwortha, - proszę sprawdzić charakterystyki). 
** Filtr pasmowo-zaporowy (notch) dla 50 Hz iirnotch (scipy.signal.iirnotch())

* rysuje sygnał w odprowadzeniach Einthovena i Goldbergera,
* wybierz "czysty" fragment sygnału i zidentyfikuj poszczególne załamki. (można wykorzystać funkcję matplotlib.pyplot.axvspan)

===Ćwiczenie 3: Detekcja pików R ===
* Zaproponuj metodę rozpoznawania pików R w sygnale, wybierz do tego optymalny kanał. Przedstaw fragment sygnału z zaznaczonymi pikami R. (można skorzystać z funkcji scipy.signal.find_peaks - dobór parametrów funkcji oprzyj na badaniu histogramów odpowiednich parametrów)

Przydatne pojęcie: (ang.) [https://pl.wikipedia.org/wiki/Minimalna_deniwelacja_wzgl%C4%99dna prominence - wybitność piku]

===Ćwiczenie 4: Tętno ===
Napisz program, który:
* wczyta plik z sygnałem i na jego podstawie
* wyznaczy i wykreśli tętno - liczbę uderzeń serca na minutę (ang. ''heart rate'').
* Oblicz średnie tętno i jego standardowe odchylenie.

===Ćwiczenie 5: HRV ===
HRV - heart rate variability.
* zapoznaj się z koncepcją [https://en.wikipedia.org/wiki/Heart_rate_variability#cite_note-29 HRV]
* Literatura [https://link.springer.com/article/10.1007/s11517-006-0119-0 Heart rate variability: a review].
* napisz program, który przedstawiwa interwały R-R jako szereg czasowy
* wyestymuj widmo częstotliwościowe tego sygnału
** uwaga: próbki są pobierane w różnych odstępach!

** można zinterpolować punkty na równomiernie próbkowanej siatce https://docs.scipy.org/doc/scipy/reference/generated/scipy.interpolate.interp1d.html#scipy.interpolate.interp1d i zastosować standardową funkcję do estymacji:
*** periodogramów
*** widma metodą AR
* porównaj widma HRV w poszczególnych warunkach eksperymentalnych; zwróć uwagę na proporcje mocy w pasmach wysokich częstości (HF: 0.15 do 0.4 Hz), niskich częśtości (LF: 0.04 do 0.15 Hz) i bardzo niskich częstości (VLF: 0.0033 do 0.04 Hz).

==Literatura uzupełniająca==

[http://www.bem.fi/book/19/19.htm#00 podstawowa diagnostyka EKG]

Pracownia Sygnałów Bioelektrycznych

2026-03-04T08:28:14Z

Jarekz: /* Materiały */

[[category:Pracownie specjalistyczne]]

Zajęcia w roku 2025: 8:45-12

'''UWAGA: godzina 8:45 to początek zajęć, a nie schodzenia się na zajęcia'''

Dla NI link do classroom: https://classroom.google.com/c/NjY2MjI3NDU2NDA3?cjc=mvvocie

==Zasady zaliczenia pracowni==

* Obecność na zajęciach jest obowiązkowa, dopuszczalne są 2 nieusprawiedliwione nieobecności.

Materiał zajęć jest podzielony na bloki tematyczne. W każdym bloku studenci mają do wykonania zestaw ćwiczeń. Pod koniec każdego bloku konieczne będzie przesłanie raportu w postaci notebooka na adres jarekz@fuw.edu.pl

# Prezentacja wyników w notebooku powinna uwzględniać:
#* przypomnienie, co było liczone (i jak, jeśli trzeba);
#* na co należy zwrócić uwagę w prezentowanych wynikach;
#* interpretację wykresów. Część z tych informacji można dołożyć do rysunków w postaci krótkich wyjaśnień.
# Należy zadbać o prawidłową postać wykresów, w tym w szczególności:
#* obecność opisów osi (w miarę możliwości jednostek);
#* spójne zakresy osi i skalowanie wykresów;
#* właściwy dobór skali (tak, aby uwidocznić najważniejsze rzeczy);
#* obecność tytułów i innych podpisów ułatwiających zrozumienie prezentowanych treści.
# Ocenie podlegają:
#* kompletność prezentacji;
#* poprawność kodu;
#* czytelność prezentowanych wielkości i zjawisk;
#* merytoryczna poprawność wypowiedzi.



==Materiały==
## [[Pracownia_Sygnałów_Biologicznych/Zajecia_1|Wprowadzenie]]

[[Pracownia_Sygnałów_Biologicznych/Zajecia_2_4|EKG]]
## Wstęp teoretyczny i pomiary
## detekcja pików R i tętno
## analiza HRV
przesyłanie notebooków z EKG/HRV do 4.04

<hr>

#[[Pracownia_Sygnałów_Biologicznych/Zajecia_5_6|EMG]]
## wprowadzenie, pomiary, analiza ćwiczenie I
## analiza ćwiczenie I
## analiza ćwiczenie I
## analiza sygnału online (ćwiczenie V), analiza ćwiczenie III -> przesyłanie notebooków z EMG do 16.05
##
#[[Pracownia_Sygnałów_Biologicznych/Zajecia_7|Spotkanie IX - XI (EOG)]]
## podstawowe własności EOG - rejestracja
## podstawowe własności EOG - analiza i szykowanie raportów: zwrot raportów z EOG 06.06
#[[Pracownia_Sygnałów_Biologicznych/Zajecia_9|Spotkanie XII - XIV (Wprowadzenie EEG)]]
## [[Pracownia_EEG/EEG_spoczynkowe|EEG spoczynkowe, artefakty ]]
## [[Pracownia_Sygnałów_Biologicznych/Zajecia_10|Analiza EEG]]
##

#[[Pracownia_Sygnałów_Biologicznych/Zajecia_8|Spotkanie (GSR)]]

Pracownia Sygnałów Bioelektrycznych

2026-03-04T08:27:37Z

Jarekz: /* Materiały */

[[category:Pracownie specjalistyczne]]

Zajęcia w roku 2025: 8:45-12

'''UWAGA: godzina 8:45 to początek zajęć, a nie schodzenia się na zajęcia'''

Dla NI link do classroom: https://classroom.google.com/c/NjY2MjI3NDU2NDA3?cjc=mvvocie

==Zasady zaliczenia pracowni==

* Obecność na zajęciach jest obowiązkowa, dopuszczalne są 2 nieusprawiedliwione nieobecności.

Materiał zajęć jest podzielony na bloki tematyczne. W każdym bloku studenci mają do wykonania zestaw ćwiczeń. Pod koniec każdego bloku konieczne będzie przesłanie raportu w postaci notebooka na adres jarekz@fuw.edu.pl

# Prezentacja wyników w notebooku powinna uwzględniać:
#* przypomnienie, co było liczone (i jak, jeśli trzeba);
#* na co należy zwrócić uwagę w prezentowanych wynikach;
#* interpretację wykresów. Część z tych informacji można dołożyć do rysunków w postaci krótkich wyjaśnień.
# Należy zadbać o prawidłową postać wykresów, w tym w szczególności:
#* obecność opisów osi (w miarę możliwości jednostek);
#* spójne zakresy osi i skalowanie wykresów;
#* właściwy dobór skali (tak, aby uwidocznić najważniejsze rzeczy);
#* obecność tytułów i innych podpisów ułatwiających zrozumienie prezentowanych treści.
# Ocenie podlegają:
#* kompletność prezentacji;
#* poprawność kodu;
#* czytelność prezentowanych wielkości i zjawisk;
#* merytoryczna poprawność wypowiedzi.



==Materiały==
[[Pracownia_Sygnałów_Biologicznych/Zajecia_1|Wprowadzenie]]
##
[[Pracownia_Sygnałów_Biologicznych/Zajecia_2_4|EKG]]
## Wstęp teoretyczny i pomiary
## detekcja pików R i tętno
## analiza HRV
przesyłanie notebooków z EKG/HRV do 4.04

<hr>

#[[Pracownia_Sygnałów_Biologicznych/Zajecia_5_6|EMG]]
## wprowadzenie, pomiary, analiza ćwiczenie I
## analiza ćwiczenie I
## analiza ćwiczenie I
## analiza sygnału online (ćwiczenie V), analiza ćwiczenie III -> przesyłanie notebooków z EMG do 16.05
##
#[[Pracownia_Sygnałów_Biologicznych/Zajecia_7|Spotkanie IX - XI (EOG)]]
## podstawowe własności EOG - rejestracja
## podstawowe własności EOG - analiza i szykowanie raportów: zwrot raportów z EOG 06.06
#[[Pracownia_Sygnałów_Biologicznych/Zajecia_9|Spotkanie XII - XIV (Wprowadzenie EEG)]]
## [[Pracownia_EEG/EEG_spoczynkowe|EEG spoczynkowe, artefakty ]]
## [[Pracownia_Sygnałów_Biologicznych/Zajecia_10|Analiza EEG]]
##

#[[Pracownia_Sygnałów_Biologicznych/Zajecia_8|Spotkanie (GSR)]]

Pracownia Sygnałów Biologicznych/Zajecia 2 4

2026-02-27T09:30:27Z

Jarekz: /* Ćwiczenie 1: rejestracja sygnału */

[[Pracownia Sygnałów Bioelektrycznych]]/EKG

==Rejestracja i analiza sygnału EKG==

Lektura: [http://www.bem.fi/book/15/15.htm Electric and Magnetic Measurement of the Electric Activity of the Heart/12-Lead ECG System]
[[Plik:einthoven_ekg.png|250px|thumb|right|<figure id="fig:einthoven_ekg"></figure> Aparat do rejestracji czynności elektrycznej serca skonstruowany przez W. Einthovena. Proszę zauważyć w jakich miejscach na ciele zbierana jest sygnał.]]
[[Plik:ekg_animacja.gif|250px|thumb|right|<figure id="fig:ekg_animacja"></figure> Rozchodzenie się sygnału stymulujacego pracę serca i związane z tym powstawanie sygnału EKG. Rysunek po brany ze strony Wikipedii.]]
[[Plik:ekg_opis.png|250px|thumb|right|<figure id="fig:ekg_opis"></figure> Oznaczenia kolejnych składowych sygnału EKG.]]
[[Plik:wilson.png|250px|thumb|right|<figure id="fig:wilson"></figure> Umiejscowienie elektrod do pomiaru czynności elektrycznej serca z powierzchni klatki piersiowej, rysunek pobrany ze stron Wikipedii.]]

Mechanizm powstawania czynności elektrycznej serca został omówiony na zajęciach &bdquo;Sygnały Bioelektryczne". W tym miejscu przypomnimy tylko kilka ważnych (i ciekawych) faktów.
<ul><li> Czynność elektryczna serca znana jest od połowy XIX, jednakże za początek narodzin elektrokardiografii uznaje się rok 1903, kiedy to W. Einthoven dokonał pomiaru czynności elektrycznej serca z powierzchni ciała (<xr id="fig:einthoven_ekg">rys. %i</xr>). Jako metoda diagnostyczna, elektrokardiografia zaczęła się szybko rozwijać po roku 1936, kiedy to do rejestracji czynności elektrycznej serca zastosowano wzmacniacz lampowy oraz system zapisu pomiaru na papierze.
<li> Serce posiada specjalny, wzbudzany samoczynnie układ, który generuje i przewodzi bodźce elektryczne. Następstwem działania tego układu jest rytmiczna praca serca o częstości od 70 do 180 cykli na minutę (częstość ta ulega zmianom pod wpływem czynników biochemicznych, powstałych np. w skutek stresu).
<li> Elektroda rejestrująca sygnał EKG zbiera czynność elektryczną wszystkich komórek serca, a zatem zarówno komórek wchodzących w skład układu generującego i przewodzącego impulsy elektryczne oraz kurczących się pod wpływem impulsów sterujących mięśni, które kurcząc się, również wytwarzają sygnał elektryczny. Jednakże, z uwagi na nieporównywalnie dużo większą masę mięśni serca w porównaniu z masą komórek układu stymulującego przyjmuje się, że głównym składnikiem sygnału EKG jest czynność elektryczna mięśnia sercowego.
<li> W przybliżeniu, sygnał stymulujący pracę serca rozchodzi się z jego prawej górnej części w kierunku dolnym i na lewą stronę. Na skutek pobudzania kolejnych partii mięśnia sercowego, powstaje charakterystyczny kształt sygnału EKG (<xr id="fig:ekg_animacja">rys. %i</xr>, <xr id="fig:ekg_opis">rys. %i</xr>).
<li> Oznaczenia kolejnych składowych sygnału EKG:
<ul><li> odchylenia od linii poziomej (izoelektrycznej) nazywamy załamkami,
<li> odległość w czasie pomiędzy końcem załamka P i początkiem załamka Q oraz końcem załamka S i początkiem załamka T nazywamy odcinkami — odpowiednio PQ i ST.
</ul>
<li>Elektrody pomiarowe połączone do aparatury rejestrujących nazywamy odprowadzeniami. Uwaga — przyjęto odprowadzeniami oznaczać także sygnały EKG będące liniowymi kombinacjami sygnałów zebranych przez elektrody.
<li> W konwencjonalnej elektroencefalografii stosuje się 12 tzw. odprowadzeń klasycznych:
<ul><li> Trzy odprowadzenia kończynowe biegunowe, zaproponowane jeszcze przez Einthoven i oznaczane rzymskimi cyframi I, II i III. Elektrody w tym systemie umieszcza się prawej (R) (ang. ''right'') i lewej (L) (ang. ''left'') kończynie górnej (najczęściej w okolicy nadgarstka, czasem ramieniu lub czy barku) oraz lewej nodze w okolicy stopy (F) (ang. ''foot''). Elektrodę umieszczaną na prawym nadgarstku oznacza się kolorem czerwonym, na lewym żółtym, na lewej kostce zielonym. Elektrodę masy umieszcza się zwykle na lewej kostce (choć teoretycznie można ją aplikować gdziekolwiek) i jest ona oznaczona kolorem czarnym. Odprowadzenia kończynowe mierzą różnicę napięć pomiędzy miejscami przyłożenia elektrod w następujący sposób: 
<equation id = "eq_1">
<math>
\begin{array}{ll}
I & = V_{L} - V_{R} \\
II & = V_{F} - V_{R} \\
III & = V_{F} - V_{L}
\end{array}
</math>
</equation>
gdzie: 
<math>V_{R}, V_{L}, V_{F}</math> to potencjały odpowiednio na prawym i lewym nadgarstku oraz stopie mierzone względem elektrody masy. 
Jak łatwo zauważyć, tylko dwa spośród powyższych napięć są liniowo niezależne, co można zapisać w postaci związku:
<equation id = "eq_2">
<math>I + III = II</math>
</equation>
który nazywany jest prawem Einthovena. Proszę zauważyć, iż w tym przypadku wzmacniane jest sygnał będący różnicą napięć dwóch kolejnych elektrod, stąd też te odprowadzenia nazywamy dwubiegunowymi (bipolarnymi).
<li> Trzy odprowadzenia jednobiegunowe Goldberga. W odprowadzeniach tych sygnał w danym odprowadzeniu jest różnicą napięć pomiędzy elektrodą pomiarową a średnim napięciem na dwóch pozostałych elektrodach:
<equation id = "eq_3">
<math>
\begin{array}{ll}
aV_{R} & = V_{R} - \frac{V_{L}+V_{F}}{2} \\
aV_{L} & = V_{L} - \frac{V_{R}+V_{F}}{2} \\
aV_{F} & = V_{F} - \frac{V_{L}+V_{R}}{2}
\end{array}
</math>
</equation>
<li> Sześć odprowadzeń jednobiegunowych Wilsona. W przypadku warto zapoznać się z z historią tych odprowadzeń. Początkowo Wilson zaproponował układ jednobiegunowych doniesień dla kończyn w następujący sposób:
<equation id = "eq_4">
<math>
\begin{array}{ll}
V_{LW} & = V_{L} - \frac{V_{R}+V_{L}+ V_{F}}{3} \\
V_{RW} & = V_{R} - \frac{V_{R}+V_{L}+ V_{F}}{3} \\
V_{FW} & = V_{F} - \frac{V_{R}+V_{L}+ V_{F}}{3}
\end{array}
</math>
</equation>
Jak widzimy, jako elektrodę odniesienia wybrał on średnie napięcie rejestrowane przez elektrody. Niestety, sygnały prezentowane w tym systemie miały małą amplitudę, w związku z czym tego rodzaju odprowadzenia nie stosowano w praktyce. Z systemu zaproponowanego przez Wilsona wywodzi się jednak system odniesień Goldberga, który zauważył, że napięcie na trzeciej kończynie można zwiększyć o 50% jeśli do wyznaczenia napięcia odniesienia zastosuje się dwie, a nie trzy elektrody. Metoda wyznaczania potencjału odniesienia zaproponowana przez Wilsona znalazła jednak zastosowanie przy mierzeniu czynności elektrycznej serca mierzonej z powierzchni klatki piersiowej. W tym celu elektrody umieszcza się w pewnych ustalonych miejscach (<xr id="fig:wilson">rys. %i</xr>, zaś odprowadzenia oznacza się symbolami <math>V_1, V_2, \dots, V_6</math>. Odniesieniem w tym przypadku jest średni sygnał rejestrowany na kończynach górnych i lewej stopie.
</ul></ul>

==Ćwiczenia==

Aby uruchomić zbieranie sygnału należy wykonać następujące operacje:
* przykleić elektrody do badanego;
* włożyć przewody do elektrod, a potem do wzmacniacza;
* podłączyć zasilanie wzmacniacza;
* podłączyć wzmacniacz do komputera (przejściówka optyczna i kabel USB);
* uruchomić program SVAROG
* otworzyć sygnał on-line ze wzmacniacza.
** Po tym poleceniu wzmacniacz powinien wyświetlać napis &bdquo;Fiber”; napis &bdquo;Connect” oznacza, że połączenie wzmacniacza z komputerem nie udało się.



== Realizacja w grupie ==
=== Ćwiczenie 1: rejestracja sygnału ===

Podłącz elektrody:
* lewa ręka,
* prawa ręka,
* lewa noga,
* uziemienie do prawej nogi.

Zbierz 3 fragment sygnału EKG przy pomocy Svaroga.

* Częstotliwość próbkowania 2048 Hz.
* Długość zapisu 300 s.
* Proszę zapisać sygnały w następujących warunkach:
** spoczynkowe
** po wysiłku fizycznym (odpiąć zatrzaskowe elektrody, przejść się po schodach i podłączyć ponownie )
** podczas obciążenia poznawczego, np. odejmując w pamięci kolejno 17 od 1000.
* zebrane sygnały zapisz na dysku classroom

Zapoznaj się z zagadnieniem filtrowania dla sygnałów EKG:
* Proszę przejrzeć pracę: Shen Luo, Paul Johnston. A review of electrocardiogram filtering, ''Journal of Electrocardiology'', 2010, Volume 43, Issue 6, Pages 486-496 (https://www.sciencedirect.com/science/article/pii/S0022073610002852?via%3Dihub)
* popróbować uzyskać opisane tam filtry w SVAROGU i zaaplikować je do zebranych danych

== Realizacja indywidualna w notebooku ==
===Ćwiczenie 2: Wstępna obróbka sygnału EKG ===
Napisz program który:
* wczytuje sygnał
* wykonuje stosowne filtracje (stosujemy filtrację z zerowym przesunięciem fazowym: filtfilt):
** Filtr górnoprzepustowy z częstością odcięcia 0.67 Hz (przy tej częstości wymagamy 3dB tłumienia) i poniżej 0.5-dB tętnień w paśmie 1 - 30 Hz. Proszę sprawdzić charakterystyki).


** Filtr dolnoprzepustowy z częstością odcięcia 150Hz (wymagania te powinien spełnić np. filtr 2 rzędu, Butterwortha, - proszę sprawdzić charakterystyki). 
** Filtr pasmowo-zaporowy (notch) dla 50 Hz iirnotch (scipy.signal.iirnotch())

* rysuje sygnał w odprowadzeniach Einthovena i Goldberga,
* wybierz "czysty" fragment sygnału i zidentyfikuj poszczególne załamki. (można wykorzystać funkcję matplotlib.pyplot.axvspan)

===Ćwiczenie 3: Detekcja pików R ===
* Zaproponuj metodę rozpoznawania pików R w sygnale, wybierz do tego optymalny kanał. Przedstaw fragment sygnału z zaznaczonymi pikami R. (można skorzystać z funkcji scipy.signal.find_peaks - dobór parametrów funkcji oprzyj na badaniu histogramów odpowiednich parametrów)

Przydatne pojęcie: (ang.) [https://pl.wikipedia.org/wiki/Minimalna_deniwelacja_wzgl%C4%99dna prominence - wybitność piku]

===Ćwiczenie 4: Tętno ===
Napisz program, który:
* wczyta plik z sygnałem i na jego podstawie
* wyznaczy i wykreśli tętno - liczbę uderzeń serca na minutę (ang. ''heart rate'').
* Oblicz średnie tętno i jego standardowe odchylenie.

===Ćwiczenie 5: HRV ===
HRV - heart rate variability.
* zapoznaj się z koncepcją [https://en.wikipedia.org/wiki/Heart_rate_variability#cite_note-29 HRV]
* Literatura [https://link.springer.com/article/10.1007/s11517-006-0119-0 Heart rate variability: a review].
* napisz program, który przedstawiwa interwały R-R jako szereg czasowy
* wyestymuj widmo częstotliwościowe tego sygnału
** uwaga: próbki są pobierane w różnych odstępach!

** można zinterpolować punkty na równomiernie próbkowanej siatce https://docs.scipy.org/doc/scipy/reference/generated/scipy.interpolate.interp1d.html#scipy.interpolate.interp1d i zastosować standardową funkcję do estymacji:
*** periodogramów
*** widma metodą AR
* porównaj widma HRV w poszczególnych warunkach eksperymentalnych; zwróć uwagę na proporcje mocy w pasmach wysokich częstości (HF: 0.15 do 0.4 Hz), niskich częśtości (LF: 0.04 do 0.15 Hz) i bardzo niskich częstości (VLF: 0.0033 do 0.04 Hz).

==Literatura uzupełniająca==

[http://www.bem.fi/book/19/19.htm#00 podstawowa diagnostyka EKG]

Analiza sygnałów - ćwiczenia

2026-01-26T08:59:54Z

Jarekz:

[[Category:Przedmioty specjalizacyjne]]

[[ZasadyZaliczenia|Zasady zaliczenia ćwiczeń]]

KOLOKWIUM Dodatkowe 2025/26:

https://colab.research.google.com/drive/1tuR6O_Ye-v-8YWAQpYCijzy2SSwEipmH?usp=sharing



Dla grupy o 10:15 link do podłączania się: Analiza Sygnałów
https://meet.google.com/inx-rxqe-fku

# [https://drive.google.com/file/d/1Cr8CCPoh_G-iAq8x2Bm0YxwAcsrNwqir/view?usp=sharing Sygnały AS_1.ipynb]

# [https://colab.research.google.com/drive/1y81wGZHwpUf4J6IIApPdqahgUN9Bad0p?usp=sharing Transformata Fouriera 1 (FFT) AS2_Transformata_fouriera.ipynb]
#[https://colab.research.google.com/drive/18nU5rWKinO697M3Pgnp6luiC-NcBYD-9?usp=sharing Transformata Fouriera 2 AS3_Transformata_fouriera_2.ipynb]
#[https://colab.research.google.com/drive/1b6djG2_uE_yc0-QEyD1Yl-dd8Ezelf2m?usp=sharing Okienkowanie AS4_okienkowanie.ipynb]
#[https://colab.research.google.com/drive/1Lr-fkC4oFl2Tf4Y2w2w27bARpvwWRSmG?usp=sharing Estymacja widma mocy AS5_Widmo_mocy.ipynb ]
# kontynuacja notebook AS5
#[https://colab.research.google.com/drive/1mKjXYKICL1vp5z0MpWrfM8JuXCDlc_HK?usp=sharing Model AR AS6_1_ProcesyAR.ipynb]
#[https://colab.research.google.com/drive/1NRzWBr5j5YzwfaZDwJC5yaPEVgi6rc6U?usp=sharing Estymacja parametryczna widma procesu AS6_2_Widmo_Procesu_AR.ipynb]
#[https://colab.research.google.com/drive/1e8_SIPFqAJA7WGsPiWudplubHtrgkSq0?usp=sharing Filtry notebook7]
# kontynuacja notebook7 -> notebook z grupy porannej: https://colab.research.google.com/drive/1bBzlxf7krP7KI_SYIgZLMPfD0bnleXVo?usp=sharing
#[https://drive.google.com/file/d/1Ey1yYgVMbu3n9djb2LzPZ4dT03gYFcAw/view?usp=sharing Metody czas-częstość STFT i falki: notebook8] [https://drive.google.com/open?id=0BzwQ_Lscn8yDdUlLVXp1XzF0elE notebook 10] lektura uzupełniająca: [https://www.math.ucdavis.edu/~saito/data/sonar/boashash1.pdf Estimating and Interpreting The Instantaneous Frequency of a Signal-Part 1: Fundamentals ]
# [https://drive.google.com/file/d/13Jvt1po_Brk49fRe-dOxOvVfRz1VVieW/view?usp=sharing Notebook o metodzie MP]

== Materiały pomocnicze do samokształcenia: ==

* Zbiór zadań z Analizy sygnałów wraz z rozwiązaniami przygotowany w ramach Projektu zespołowego przez Monikę Tutaj i Marcina Syca pod kierunkiem mgr. Piotra Biegańskiego https://www.fuw.edu.pl/~jarekz/ZadaniaAS/Zadania_Analiza_Sygnałów.zip
* Zbiór zadań z pythona, które mają na celu pomoc w opanowaniu podstaw Pythona, ze szczególnym naciskiem na rozwinięcie kompetencji potrzebnych w analizie sygnałów, takich jak: pogłębiona znajomość biblioteki numpy, praca z plikami multipleksowanymi, wykorzystanie Pythona jako narzędzia do analizy danych. https://gitlab.com/pbieganski/podstawy-pythona
* Notatnik z kolokwium poprawkowym 2025: https://colab.research.google.com/drive/1_DQ7rG7aIMq_XgkPZIM4bGAAf8VlFVGc?usp=sharing


[[File:Okladka.jpeg|thumb|upright=0.25| Dostępna w bibliotece]] W bibliotece Wydziału Fizyki dostępne są książki: Practical biomedical signal analysis using Matlab / K. J. Blinowska J. Żygierewicz. (katalog: https://chamo.buw.uw.edu.pl:8443/lib/item?id=chamo:895791&fromLocationLink=false&theme=system)

== Materiały dodatkowe: ==

[https://www.youtube.com/playlist?list=PLXJDR4jmaWX795PLOwLt5pR59H2BrZAsK playlista na YouTube z filmami nagranymi w czasie zdalnych ćwiczeń w roku 2020/21]

[https://tftb.nongnu.org/tutorial.pdf Tutorial o technikach analizy czas-częstość]

Przed kolokwium 1
# [[kolokwia2014_2015_kol1|Zagadnienia przygotowawcze do 1 kolokwium]]
# [https://drive.google.com/open?id=1RKIHgfuqtBvg65PUpIuQI3rYeyvdIXMi zadania powtórzeniowe do kolokwium 1]

autorzy: Jarosław Żygierewicz, Maciej Kamiński, Magdalena Zieleniewska, wersja z notebookami Jan Mąka i Piotr Biegański

Analiza sygnałów - ćwiczenia

2026-01-26T08:59:38Z

Jarekz:

[[Category:Przedmioty specjalizacyjne]]

[[ZasadyZaliczenia|Zasady zaliczenia ćwiczeń]]
KOLOKWIUM Dodatkowe 2025/26:

https://colab.research.google.com/drive/1tuR6O_Ye-v-8YWAQpYCijzy2SSwEipmH?usp=sharing



Dla grupy o 10:15 link do podłączania się: Analiza Sygnałów
https://meet.google.com/inx-rxqe-fku

# [https://drive.google.com/file/d/1Cr8CCPoh_G-iAq8x2Bm0YxwAcsrNwqir/view?usp=sharing Sygnały AS_1.ipynb]

# [https://colab.research.google.com/drive/1y81wGZHwpUf4J6IIApPdqahgUN9Bad0p?usp=sharing Transformata Fouriera 1 (FFT) AS2_Transformata_fouriera.ipynb]
#[https://colab.research.google.com/drive/18nU5rWKinO697M3Pgnp6luiC-NcBYD-9?usp=sharing Transformata Fouriera 2 AS3_Transformata_fouriera_2.ipynb]
#[https://colab.research.google.com/drive/1b6djG2_uE_yc0-QEyD1Yl-dd8Ezelf2m?usp=sharing Okienkowanie AS4_okienkowanie.ipynb]
#[https://colab.research.google.com/drive/1Lr-fkC4oFl2Tf4Y2w2w27bARpvwWRSmG?usp=sharing Estymacja widma mocy AS5_Widmo_mocy.ipynb ]
# kontynuacja notebook AS5
#[https://colab.research.google.com/drive/1mKjXYKICL1vp5z0MpWrfM8JuXCDlc_HK?usp=sharing Model AR AS6_1_ProcesyAR.ipynb]
#[https://colab.research.google.com/drive/1NRzWBr5j5YzwfaZDwJC5yaPEVgi6rc6U?usp=sharing Estymacja parametryczna widma procesu AS6_2_Widmo_Procesu_AR.ipynb]
#[https://colab.research.google.com/drive/1e8_SIPFqAJA7WGsPiWudplubHtrgkSq0?usp=sharing Filtry notebook7]
# kontynuacja notebook7 -> notebook z grupy porannej: https://colab.research.google.com/drive/1bBzlxf7krP7KI_SYIgZLMPfD0bnleXVo?usp=sharing
#[https://drive.google.com/file/d/1Ey1yYgVMbu3n9djb2LzPZ4dT03gYFcAw/view?usp=sharing Metody czas-częstość STFT i falki: notebook8] [https://drive.google.com/open?id=0BzwQ_Lscn8yDdUlLVXp1XzF0elE notebook 10] lektura uzupełniająca: [https://www.math.ucdavis.edu/~saito/data/sonar/boashash1.pdf Estimating and Interpreting The Instantaneous Frequency of a Signal-Part 1: Fundamentals ]
# [https://drive.google.com/file/d/13Jvt1po_Brk49fRe-dOxOvVfRz1VVieW/view?usp=sharing Notebook o metodzie MP]

== Materiały pomocnicze do samokształcenia: ==

* Zbiór zadań z Analizy sygnałów wraz z rozwiązaniami przygotowany w ramach Projektu zespołowego przez Monikę Tutaj i Marcina Syca pod kierunkiem mgr. Piotra Biegańskiego https://www.fuw.edu.pl/~jarekz/ZadaniaAS/Zadania_Analiza_Sygnałów.zip
* Zbiór zadań z pythona, które mają na celu pomoc w opanowaniu podstaw Pythona, ze szczególnym naciskiem na rozwinięcie kompetencji potrzebnych w analizie sygnałów, takich jak: pogłębiona znajomość biblioteki numpy, praca z plikami multipleksowanymi, wykorzystanie Pythona jako narzędzia do analizy danych. https://gitlab.com/pbieganski/podstawy-pythona
* Notatnik z kolokwium poprawkowym 2025: https://colab.research.google.com/drive/1_DQ7rG7aIMq_XgkPZIM4bGAAf8VlFVGc?usp=sharing


[[File:Okladka.jpeg|thumb|upright=0.25| Dostępna w bibliotece]] W bibliotece Wydziału Fizyki dostępne są książki: Practical biomedical signal analysis using Matlab / K. J. Blinowska J. Żygierewicz. (katalog: https://chamo.buw.uw.edu.pl:8443/lib/item?id=chamo:895791&fromLocationLink=false&theme=system)

== Materiały dodatkowe: ==

[https://www.youtube.com/playlist?list=PLXJDR4jmaWX795PLOwLt5pR59H2BrZAsK playlista na YouTube z filmami nagranymi w czasie zdalnych ćwiczeń w roku 2020/21]

[https://tftb.nongnu.org/tutorial.pdf Tutorial o technikach analizy czas-częstość]

Przed kolokwium 1
# [[kolokwia2014_2015_kol1|Zagadnienia przygotowawcze do 1 kolokwium]]
# [https://drive.google.com/open?id=1RKIHgfuqtBvg65PUpIuQI3rYeyvdIXMi zadania powtórzeniowe do kolokwium 1]

autorzy: Jarosław Żygierewicz, Maciej Kamiński, Magdalena Zieleniewska, wersja z notebookami Jan Mąka i Piotr Biegański

Analiza sygnałów - ćwiczenia

2026-01-12T08:57:33Z

Jarekz:

[[Category:Przedmioty specjalizacyjne]]

[[ZasadyZaliczenia|Zasady zaliczenia ćwiczeń]]

KOLOKWIUM II 2025/26: https://colab.research.google.com/drive/12EWWd0jG0lqOBCiRqH6_pBXPsSJrNeQS?usp=sharing



Dla grupy o 10:15 link do podłączania się: Analiza Sygnałów
https://meet.google.com/inx-rxqe-fku

# [https://drive.google.com/file/d/1Cr8CCPoh_G-iAq8x2Bm0YxwAcsrNwqir/view?usp=sharing Sygnały AS_1.ipynb]

# [https://colab.research.google.com/drive/1y81wGZHwpUf4J6IIApPdqahgUN9Bad0p?usp=sharing Transformata Fouriera 1 (FFT) AS2_Transformata_fouriera.ipynb]
#[https://colab.research.google.com/drive/18nU5rWKinO697M3Pgnp6luiC-NcBYD-9?usp=sharing Transformata Fouriera 2 AS3_Transformata_fouriera_2.ipynb]
#[https://colab.research.google.com/drive/1b6djG2_uE_yc0-QEyD1Yl-dd8Ezelf2m?usp=sharing Okienkowanie AS4_okienkowanie.ipynb]
#[https://colab.research.google.com/drive/1Lr-fkC4oFl2Tf4Y2w2w27bARpvwWRSmG?usp=sharing Estymacja widma mocy AS5_Widmo_mocy.ipynb ]
# kontynuacja notebook AS5
#[https://colab.research.google.com/drive/1mKjXYKICL1vp5z0MpWrfM8JuXCDlc_HK?usp=sharing Model AR AS6_1_ProcesyAR.ipynb]
#[https://colab.research.google.com/drive/1NRzWBr5j5YzwfaZDwJC5yaPEVgi6rc6U?usp=sharing Estymacja parametryczna widma procesu AS6_2_Widmo_Procesu_AR.ipynb]
#[https://colab.research.google.com/drive/1e8_SIPFqAJA7WGsPiWudplubHtrgkSq0?usp=sharing Filtry notebook7]
# kontynuacja notebook7 -> notebook z grupy porannej: https://colab.research.google.com/drive/1bBzlxf7krP7KI_SYIgZLMPfD0bnleXVo?usp=sharing
#[https://drive.google.com/file/d/1Ey1yYgVMbu3n9djb2LzPZ4dT03gYFcAw/view?usp=sharing Metody czas-częstość STFT i falki: notebook8] [https://drive.google.com/open?id=0BzwQ_Lscn8yDdUlLVXp1XzF0elE notebook 10] lektura uzupełniająca: [https://www.math.ucdavis.edu/~saito/data/sonar/boashash1.pdf Estimating and Interpreting The Instantaneous Frequency of a Signal-Part 1: Fundamentals ]
# [https://drive.google.com/file/d/13Jvt1po_Brk49fRe-dOxOvVfRz1VVieW/view?usp=sharing Notebook o metodzie MP]

== Materiały pomocnicze do samokształcenia: ==

* Zbiór zadań z Analizy sygnałów wraz z rozwiązaniami przygotowany w ramach Projektu zespołowego przez Monikę Tutaj i Marcina Syca pod kierunkiem mgr. Piotra Biegańskiego https://www.fuw.edu.pl/~jarekz/ZadaniaAS/Zadania_Analiza_Sygnałów.zip
* Zbiór zadań z pythona, które mają na celu pomoc w opanowaniu podstaw Pythona, ze szczególnym naciskiem na rozwinięcie kompetencji potrzebnych w analizie sygnałów, takich jak: pogłębiona znajomość biblioteki numpy, praca z plikami multipleksowanymi, wykorzystanie Pythona jako narzędzia do analizy danych. https://gitlab.com/pbieganski/podstawy-pythona
* Notatnik z kolokwium poprawkowym 2025: https://colab.research.google.com/drive/1_DQ7rG7aIMq_XgkPZIM4bGAAf8VlFVGc?usp=sharing


[[File:Okladka.jpeg|thumb|upright=0.25| Dostępna w bibliotece]] W bibliotece Wydziału Fizyki dostępne są książki: Practical biomedical signal analysis using Matlab / K. J. Blinowska J. Żygierewicz. (katalog: https://chamo.buw.uw.edu.pl:8443/lib/item?id=chamo:895791&fromLocationLink=false&theme=system)

== Materiały dodatkowe: ==

[https://www.youtube.com/playlist?list=PLXJDR4jmaWX795PLOwLt5pR59H2BrZAsK playlista na YouTube z filmami nagranymi w czasie zdalnych ćwiczeń w roku 2020/21]

[https://tftb.nongnu.org/tutorial.pdf Tutorial o technikach analizy czas-częstość]

Przed kolokwium 1
# [[kolokwia2014_2015_kol1|Zagadnienia przygotowawcze do 1 kolokwium]]
# [https://drive.google.com/open?id=1RKIHgfuqtBvg65PUpIuQI3rYeyvdIXMi zadania powtórzeniowe do kolokwium 1]

autorzy: Jarosław Żygierewicz, Maciej Kamiński, Magdalena Zieleniewska, wersja z notebookami Jan Mąka i Piotr Biegański

Analiza sygnałów - ćwiczenia

2025-11-17T08:59:25Z

Jarekz:

[[Category:Przedmioty specjalizacyjne]]

[[ZasadyZaliczenia|Zasady zaliczenia ćwiczeń]]

KOLOKWIUM I 2025: https://colab.research.google.com/drive/1ZUG5l0Ceb-cR7KNG8akp-hmDxZAiatyl?usp=sharing

Dla grupy o 10:15 link do podłączania się: Analiza Sygnałów
https://meet.google.com/inx-rxqe-fku

# [https://drive.google.com/file/d/1Cr8CCPoh_G-iAq8x2Bm0YxwAcsrNwqir/view?usp=sharing Sygnały AS_1.ipynb]

# [https://colab.research.google.com/drive/1y81wGZHwpUf4J6IIApPdqahgUN9Bad0p?usp=sharing Transformata Fouriera 1 (FFT) AS2_Transformata_fouriera.ipynb]
#[https://colab.research.google.com/drive/18nU5rWKinO697M3Pgnp6luiC-NcBYD-9?usp=sharing Transformata Fouriera 2 AS3_Transformata_fouriera_2.ipynb]
#[https://colab.research.google.com/drive/1b6djG2_uE_yc0-QEyD1Yl-dd8Ezelf2m?usp=sharing Okienkowanie AS4_okienkowanie.ipynb]
#[https://colab.research.google.com/drive/1Lr-fkC4oFl2Tf4Y2w2w27bARpvwWRSmG?usp=sharing Estymacja widma mocy AS5_Widmo_mocy.ipynb ]
# kontynuacja notebook AS5
#[https://colab.research.google.com/drive/1mKjXYKICL1vp5z0MpWrfM8JuXCDlc_HK?usp=sharing Model AR AS6_1_ProcesyAR.ipynb]
#[https://colab.research.google.com/drive/1NRzWBr5j5YzwfaZDwJC5yaPEVgi6rc6U?usp=sharing Estymacja parametryczna widma procesu AS6_2_Widmo_Procesu_AR.ipynb]
#[https://colab.research.google.com/drive/1e8_SIPFqAJA7WGsPiWudplubHtrgkSq0?usp=sharing Filtry notebook7]
# kontynuacja notebook7 -> notebook z grupy porannej: https://colab.research.google.com/drive/1bBzlxf7krP7KI_SYIgZLMPfD0bnleXVo?usp=sharing
#[https://drive.google.com/file/d/1Ey1yYgVMbu3n9djb2LzPZ4dT03gYFcAw/view?usp=sharing Metody czas-częstość STFT i falki: notebook8] [https://drive.google.com/open?id=0BzwQ_Lscn8yDdUlLVXp1XzF0elE notebook 10] lektura uzupełniająca: [https://www.math.ucdavis.edu/~saito/data/sonar/boashash1.pdf Estimating and Interpreting The Instantaneous Frequency of a Signal-Part 1: Fundamentals ]
# [https://drive.google.com/file/d/13Jvt1po_Brk49fRe-dOxOvVfRz1VVieW/view?usp=sharing Notebook o metodzie MP]

== Materiały pomocnicze do samokształcenia: ==

* Zbiór zadań z Analizy sygnałów wraz z rozwiązaniami przygotowany w ramach Projektu zespołowego przez Monikę Tutaj i Marcina Syca pod kierunkiem mgr. Piotra Biegańskiego https://www.fuw.edu.pl/~jarekz/ZadaniaAS/Zadania_Analiza_Sygnałów.zip
* Zbiór zadań z pythona, które mają na celu pomoc w opanowaniu podstaw Pythona, ze szczególnym naciskiem na rozwinięcie kompetencji potrzebnych w analizie sygnałów, takich jak: pogłębiona znajomość biblioteki numpy, praca z plikami multipleksowanymi, wykorzystanie Pythona jako narzędzia do analizy danych. https://gitlab.com/pbieganski/podstawy-pythona
* Notatnik z kolokwium poprawkowym 2025: https://colab.research.google.com/drive/1_DQ7rG7aIMq_XgkPZIM4bGAAf8VlFVGc?usp=sharing


[[File:Okladka.jpeg|thumb|upright=0.25| Dostępna w bibliotece]] W bibliotece Wydziału Fizyki dostępne są książki: Practical biomedical signal analysis using Matlab / K. J. Blinowska J. Żygierewicz. (katalog: https://chamo.buw.uw.edu.pl:8443/lib/item?id=chamo:895791&fromLocationLink=false&theme=system)

== Materiały dodatkowe: ==

[https://www.youtube.com/playlist?list=PLXJDR4jmaWX795PLOwLt5pR59H2BrZAsK playlista na YouTube z filmami nagranymi w czasie zdalnych ćwiczeń w roku 2020/21]

[https://tftb.nongnu.org/tutorial.pdf Tutorial o technikach analizy czas-częstość]

Przed kolokwium 1
# [[kolokwia2014_2015_kol1|Zagadnienia przygotowawcze do 1 kolokwium]]
# [https://drive.google.com/open?id=1RKIHgfuqtBvg65PUpIuQI3rYeyvdIXMi zadania powtórzeniowe do kolokwium 1]

autorzy: Jarosław Żygierewicz, Maciej Kamiński, Magdalena Zieleniewska, wersja z notebookami Jan Mąka i Piotr Biegański

ZasadyZaliczenia

2025-10-30T12:46:48Z

Jarekz: /* Kolokwia */

[[Analiza_sygnałów_-_ćwiczenia]]/Zasady zaliczenia

== Zasady zaliczenia ćwiczeń z [[Analiza_sygnałów - exercises|Analizy Sygnałów]] ==

=== Kolokwia ===
W trakcie semestru odbędą się dwa kolokwia. Z każdego z nich będzie można uzyskać ''1/2 x'' procent, z czego do zaliczenia przedmiotu konieczne będzie zdobycie łącznie 50% z kolokwiów. Kolokwia będą wspólne dla wszystkich grup, będą się odbywać w następujących terminach:
* 2025.11.17 10:00 – 13:00 1.27komp. + 1.28komp. Kolokwium I
* 2026.01.12 10:00 – 13:00 1.29komp. + 1.28komp. Kolokwium II
* 2026.01.26 10:00 – 13:00 1.27komp. + 1.28komp. Kolokwium poprawkowe/dodatkowe dla osób, które nie mogły uczestniczyć w jednym ze standardowych terminów. Wiedza wymagana dotyczy tego samego zakresu materiału, który obowiązywał na I i II kolokwium łącznie.

=== Materiały dostępne w czasie kolokwium ===
Jedynym materiałem dostępnym w trakcie trwania kolokwium jest oficjalna dokumentacja Python oraz własnoręczne notatki.









=== Praca w domu ===
Do większości zajęć są przygotowane skrypty w jupyter-notebook. Zawierają one opisy teoretyczne i fragmenty kodu.

* Zadaniem studentów będzie '''przeczytanie ze zrozumieniem''' skryptu oraz '''uzupełnienie kodów w zadaniach'''.
* To co się liczy to '''próba samodzielnego rozwiązania''' zadania, lub '''sformułowanie konkretnego pytania''' na temat zadania, które jest niezrozumiałe w notebooku.
* Rozwiązania i wątpliwości będą omawiane w trakcie zajęć.


=== Skala ocen ===


W sesji porawkowej przewidujemy kolokwium poprawkowe umożliwiające poprawę obu kolokwiów.


Wynik średni z kolokwiów przelicza się na ocenę z ćwiczeń:
# [50–60) %: 3.0 (dst)
# [60-70) %: 3.5 (dst+)
# [70-80) %: 4.0 (db)
# [80-90) %: 4.5 (db+)
# [100-90] %: 5.0 (bdb)


[[Analiza_sygnałów_-_ćwiczenia]]/Zasady zaliczenia

ZasadyZaliczenia

2025-10-08T08:07:09Z

Jarekz: /* Zasady zaliczenia ćwiczeń z Analizy Sygnałów */

[[Analiza_sygnałów_-_ćwiczenia]]/Zasady zaliczenia

== Zasady zaliczenia ćwiczeń z [[Analiza_sygnałów - exercises|Analizy Sygnałów]] ==

=== Kolokwia ===
W trakcie semestru odbędą się dwa kolokwia. Z każdego z nich będzie można uzyskać ''1/2 x'' procent, z czego do zaliczenia przedmiotu konieczne będzie zdobycie łącznie 50% z kolokwiów. Kolokwia będą wspólne dla wszystkich grup, będą się odbywać w następujących terminach:
* 2025.11.17 10:00 – 13:00 1.27komp. + 1.28komp. Analiza Sygnałów
* 2026.01.12 10:00 – 13:00 1.27komp. + 1.28komp. Analiza Sygnałów

=== Materiały dostępne w czasie kolokwium ===
Jedynym materiałem dostępnym w trakcie trwania kolokwium jest oficjalna dokumentacja Python oraz własnoręczne notatki.









=== Praca w domu ===
Do większości zajęć są przygotowane skrypty w jupyter-notebook. Zawierają one opisy teoretyczne i fragmenty kodu.

* Zadaniem studentów będzie '''przeczytanie ze zrozumieniem''' skryptu oraz '''uzupełnienie kodów w zadaniach'''.
* To co się liczy to '''próba samodzielnego rozwiązania''' zadania, lub '''sformułowanie konkretnego pytania''' na temat zadania, które jest niezrozumiałe w notebooku.
* Rozwiązania i wątpliwości będą omawiane w trakcie zajęć.


=== Skala ocen ===


W sesji porawkowej przewidujemy kolokwium poprawkowe umożliwiające poprawę obu kolokwiów.


Wynik średni z kolokwiów przelicza się na ocenę z ćwiczeń:
# [50–60) %: 3.0 (dst)
# [60-70) %: 3.5 (dst+)
# [70-80) %: 4.0 (db)
# [80-90) %: 4.5 (db+)
# [100-90] %: 5.0 (bdb)


[[Analiza_sygnałów_-_ćwiczenia]]/Zasady zaliczenia

ZasadyZaliczenia

2025-10-08T08:05:10Z

Jarekz: /* Kolokwia */

[[Analiza_sygnałów_-_ćwiczenia]]/Zasady zaliczenia

== Zasady zaliczenia ćwiczeń z [[Analiza_sygnałów - exercises|Analizy Sygnałów]] ==
===Kartkówki===
Na początku większości zajęć będą kartkówki. Z kartkówek można uzyskać ''k'' procent.

=== Kolokwia ===
W trakcie semestru odbędą się dwa kolokwia. Z każdego z nich będzie można uzyskać ''1/2 x'' procent, z czego do zaliczenia przedmiotu konieczne będzie zdobycie łącznie 50% z kolokwiów. Kolokwia będą wspólne dla wszystkich grup, będą się odbywać w następujących terminach:
* 2025.11.17 10:00 – 13:00 1.27komp. + 1.28komp. Analiza Sygnałów
* 2026.01.12 10:00 – 13:00 1.27komp. + 1.28komp. Analiza Sygnałów

=== Materiały dostępne w czasie kolokwium ===
Jedynym materiałem dostępnym w trakcie trwania kolokwium jest oficjalna dokumentacja Python oraz własnoręczne notatki.









=== Praca w domu ===
Do większości zajęć są przygotowane skrypty w jupyter-notebook. Zawierają one opisy teoretyczne i fragmenty kodu.

* Zadaniem studentów będzie '''przeczytanie ze zrozumieniem''' skryptu oraz '''uzupełnienie kodów w zadaniach'''.
* To co się liczy to '''próba samodzielnego rozwiązania''' zadania, lub '''sformułowanie konkretnego pytania''' na temat zadania, które jest niezrozumiałe w notebooku.
* Rozwiązania i wątpliwości będą omawiane w trakcie zajęć.


=== Skala ocen ===


W sesji porawkowej przewidujemy kolokwium poprawkowe umożliwiające poprawę obu kolokwiów.

Wynik procentowy z kolokwiów i kartkówek się sumuje w sposób ważony:

''w = 0.2 k +0.8 x''

Wynik ''w'' przelicza się na ocenę z ćwiczeń:
# [50–60) %: 3.0 (dst)
# [60-70) %: 3.5 (dst+)
# [70-80) %: 4.0 (db)
# [80-90) %: 4.5 (db+)
# [100-90] %: 5.0 (bdb)


[[Analiza_sygnałów_-_ćwiczenia]]/Zasady zaliczenia

Uczenie maszynowe i sztuczne sieci neuronowe

2025-10-01T14:20:19Z

Jarekz:

[[Category:Przedmioty specjalizacyjne]]

'''<big>Uwaga: ta strona ma charakter historyczny. Aktualna wersja wykładu jest na stronie</big>'''

https://kampus-kursy.ckc.uw.edu.pl/course/view.php?id=5184

[[Zasady zaliczenia| Zasady zaliczenia ]]

[[Uczenie_maszynowe_i_sztuczne_sieci_neuronowe/konfiguracja|Konfiguracja środowiska]]


{| class="wikitable"
!
! Wykłady
! Ćwiczenia
|-
| 1
| [[Uczenie_maszynowe_i_sztuczne_sieci_neuronowe/Wykład 1|Wstęp, regresja liniowa i metoda najmniejszych kwadratów]] [https://drive.google.com/file/d/0BzwQ_Lscn8yDUTFmVnJ1QXpuVGs/view?usp=sharing&resourcekey=0-VTr-BMBrfkYGI0sGhTJ8Pg (wersja w notebooku)]
| [https://drive.google.com/file/d/1E4W5j8Z5yxfe0n804I8zJIM1QyQs-oZK/view?usp=sharing Powtórka numpy]
|-
|
|
| [https://drive.google.com/file/d/1P86RKJfMFU54xYT9umP7fwCRF800iC0v/view?usp=sharing Regresja liniowa].
|-
| 2
| [[Uczenie_maszynowe_i_sztuczne_sieci_neuronowe/Wykład 6|Klasyfikacja i regresja logistyczna]] [https://drive.google.com/file/d/11JKqVTSjeQNSUSkzhHZEML5hrggDJx8b/view?usp=sharing (wersja w notebooku)]
|
|-
|
|
| [https://drive.google.com/file/d/11JKqVTSjeQNSUSkzhHZEML5hrggDJx8b/view?usp=sharing Ćwiczenie regresji logistycznej]
|-
| 3
| [[Uczenie_maszynowe_i_sztuczne_sieci_neuronowe/Wykład Ocena jakości klasyfikacji|Ocena jakości klasyfikacji]] [https://drive.google.com/file/d/0BzwQ_Lscn8yDQ3Vpbnd2U2pOd0k/view?usp=sharing&resourcekey=0-lba-gcj-vx584pcxqMzkuw (wersja w notebooku)]
|
|-
|
|
| [https://drive.google.com/file/d/1UYCo2wuC8BHnssZJRBZJfyvdQFsmwS1O/view?usp=sharing Ćwiczenie z miarami jakości]
|-
| 4
| [[Uczenie_maszynowe_i_sztuczne_sieci_neuronowe/Wykład 7|Algorytmy generatywne]] [https://drive.google.com/file/d/0BzwQ_Lscn8yDNUpWYTdycWVLa0E/view?usp=sharing&resourcekey=0-Kd3aqboblVwFrkp5KXn4uQ (wersja w notebooku)]
|
|-
|
|
| [https://drive.google.com/file/d/17T3h2QUwCJA7QqnC-IHuIQeEBOZ8kJqW/view?usp=sharing Ćwiczenie z klasyfikacji bayesowskiej] [https://drive.google.com/file/d/1mO64cJnEWJ98K8NTvGHfI1rA7fEb2DLi/view?usp=sharing Ćwiczenie z klasyfikacji tekstów za pomocą klasyfikacji bayesowskiej (notebook)]
|-
| 5
| [[Uczenie_maszynowe_i_sztuczne_sieci_neuronowe/Wykład 8|Maszyny wektorów wspierających I]] [https://drive.google.com/file/d/0BzwQ_Lscn8yDQ3poLWdZOG90c2M/view?usp=sharing&resourcekey=0-uuk3FrTQiAentJixVjaeZA (wersja w notebooku)]
|
|-
|
|
| [https://drive.google.com/file/d/1QTOK6B8jPrP3J7NW2I93q3WZJ1CAWN_H/view?usp=sharing Klasyfikacja z użyciem SVM]
|-
| 6
| [[Uczenie_maszynowe_i_sztuczne_sieci_neuronowe/Wykład 9|Maszyny wektorów wspierających II]] [https://drive.google.com/file/d/0BzwQ_Lscn8yDQVplcGo3bmllODA/view?usp=sharing&resourcekey=0-TE8SmXSjQHeZvMQX7qbSYA (wersja w notebooku)]
|
|-
|
|
| [[Uczenie_maszynowe_i_sztuczne_sieci_neuronowe/SVM2 | Klasyfikacja z użuciem SVM 2]]
|-
| 7
| [[Uczenie_maszynowe_i_sztuczne_sieci_neuronowe/DrzewaDecyzyjne|Drzewa decyzyjne]][https://drive.google.com/file/d/0BzwQ_Lscn8yDLU1wUFBsRURzWEk/view?usp=sharing&resourcekey=0-1F1twtCbJV6UAfO537IbmA (wersja w notebooku)]
|
|-
|
|
| [[Uczenie_maszynowe_i_sztuczne_sieci_neuronowe/Wybor_cech |Wybor optymalnych cech]]

[[Uczenie_maszynowe_i_sztuczne_sieci_neuronowe/DrzewaDecyzyjne_cw|Drzewa decyzyjne]] [https://drive.google.com/file/d/1hvGjF1fofv0tBNfZj5-eD2gYF94CqFTf/view?usp=sharing Drzewa decyzyjne (notebook)]
|-
| 8
| [[Uczenie_maszynowe_i_sztuczne_sieci_neuronowe/Wykład 10|Uczenie bez nadzoru]] [https://drive.google.com/file/d/0BzwQ_Lscn8yDaC0wZWJuRUdIMk0/view?usp=sharing&resourcekey=0-n9MM42-AMfRRToEyBYpv3w (wersja w notebooku)]
|
|-
|
|
| [[Uczenie_maszynowe_i_sztuczne_sieci_neuronowe/Ćwiczenia 11|Uczenie bez nadzoru i analiza skupień]] [https://drive.google.com/file/d/1hNxYTzh541JhFoaYbo3Pc6LHnzsrsMX6/view?usp=sharing notebook]
|-
| 9
| [[Uczenie_maszynowe_i_sztuczne_sieci_neuronowe/Wykład 2|Wstęp o sieciach neuronowych, sieci neuronowe liniowe.]],/,[[Uczenie_maszynowe_i_sztuczne_sieci_neuronowe/Wykład 3|Perceptron Rosenblatta.]] [https://drive.google.com/file/d/13CG5kuEKV1riA8vhBfMxGfCpECJCh-ql/view?usp=sharing (wersja w notebooku)]
|
|-
|
|
| [[Uczenie_maszynowe_i_sztuczne_sieci_neuronowe/Ćwiczenia 4|Nieliniowe sieci neuronowe: problem XOR]]

[https://drive.google.com/file/d/1B7nS1zs2begRPK6ye2IH4p__sZDccLs_/view?usp=sharing Sieci głębokie (notebook)]
|-
| 10
| [[Uczenie_maszynowe_i_sztuczne_sieci_neuronowe/Wykład 4|Nieliniowości różniczkowalne i metoda wstecznej propagacji błędu]] [https://drive.google.com/file/d/0BzwQ_Lscn8yDdDRJbmhVdFFLQWs/view?usp=sharing&resourcekey=0-LeOlls1dq7lJVs7Cw_h4Xw (wersja w notebooku)]

[[Uczenie_maszynowe_i_sztuczne_sieci_neuronowe/Wykład 5|Wsteczna propagacja błędu: jak poprawić zbieżność?]] [https://drive.google.com/open?id=0BzwQ_Lscn8yDdDRJbmhVdFFLQWs (wersja w notebooku)]
|
|-
|
|
| [https://drive.google.com/open?id=1hU0nVe6l9ubPbHFgRoMGn2PRGAhAnQCu Regresja nielinowa implementacja w keras(notebook)]
|-
| 11
| [https://drive.google.com/file/d/0BzwQ_Lscn8yDNjgxZTkyNFppRGs/view?usp=sharing&resourcekey=0-_KtF79jjjKe4Bw_tGcs-lw Sieci konwolucyjne (wersja w notebooku)]
|
|-
|
|
| [https://drive.google.com/file/d/1MX6CSJH7bQ6dcsulN3kyit4SgKtGUlTj/view?usp=sharing Augmentacja danych] [https://drive.google.com/open?id=13MNs6R9le49DfexN6rnIsgVQlixJMJ0Z Porównanie kalsyfikacji cyfr za pomoca sieci gęstej i głębokiej (notebook)]
|-
| 12
| [[Uczenie_maszynowe_i_sztuczne_sieci_neuronowe/Wykład 11|Uczenie ze wzmocnieniem]] [https://drive.google.com/file/d/15n9lM2OdT9TZVS_pfn7x_xswPeuy_r0Q/view?usp=sharing (wersja w notebooku)]

[[Uczenie_maszynowe_i_sztuczne_sieci_neuronowe/Wykład 12|Uczenie ze wzmocnieniem cz.2]] [https://drive.google.com/file/d/17YVwJ479qn74B_n2v_IlCv9dyCSQt5Wa/view?usp=sharing,(wersja w notebooku)]
|
|-
|
|
| [https://drive.google.com/open?id=18j357je8pSXi3SOYZgK1qp1KWrMsEc2Z Uczenie ze wzmocnieniem (notebook)]
|-
| 13
|
[https://drive.google.com/file/d/1nO8QiHru6CE_txzUrBj4N9qhCLGlLvUE/view?usp=sharing Interpretacja i wyjaśnianie decyzji podejmowanych przez sieci ] 
[https://brain.fuw.edu.pl/edu/images/2/2a/Zastosowania_DNN_do_analizy_EEG.pdf Zastosowanie sieci do analizy danych EEG]
|-
|
|
| [https://drive.google.com/file/d/1mAspITelZmAMZP3JkghETcB7UbIbEt5x/view?usp=sharing Interpretowalne ML]
|}

=Powtórka=
#[[Uczenie_maszynowe_i_sztuczne_sieci_neuronowe/Pytania| Zagadnienia do powtórki]]
=Projekty=
[[Uczenie_maszynowe_i_sztuczne_sieci_neuronowe/Projekty|Projekty]]

Analiza sygnałów - ćwiczenia

2025-07-31T18:07:46Z

Jarekz:

[[Category:Przedmioty specjalizacyjne]]

[[ZasadyZaliczenia|Zasady zaliczenia ćwiczeń]]

Dla grupy o 10:15 link do podłączania się: Analiza Sygnałów
https://meet.google.com/inx-rxqe-fku

# [https://drive.google.com/file/d/1Cr8CCPoh_G-iAq8x2Bm0YxwAcsrNwqir/view?usp=sharing Sygnały AS_1.ipynb] [https://drive.google.com/file/d/1J_7pyTO00r-OyhyrMd1v_dAoiIU0C-3k/view?usp=sharing notebook wypełniony]
# [https://colab.research.google.com/drive/1y81wGZHwpUf4J6IIApPdqahgUN9Bad0p?usp=sharing Transformata Fouriera 1 (FFT) AS2_Transformata_fouriera.ipynb]
#[https://colab.research.google.com/drive/18nU5rWKinO697M3Pgnp6luiC-NcBYD-9?usp=sharing Transformata Fouriera 2 AS3_Transformata_fouriera_2.ipynb]
#[https://colab.research.google.com/drive/1b6djG2_uE_yc0-QEyD1Yl-dd8Ezelf2m?usp=sharing Okienkowanie AS4_okienkowanie.ipynb]
#[https://colab.research.google.com/drive/1Lr-fkC4oFl2Tf4Y2w2w27bARpvwWRSmG?usp=sharing Estymacja widma mocy AS5_Widmo_mocy.ipynb ]
# kontynuacja notebook AS5
#[https://colab.research.google.com/drive/1mKjXYKICL1vp5z0MpWrfM8JuXCDlc_HK?usp=sharing Model AR AS6_1_ProcesyAR.ipynb]
#[https://colab.research.google.com/drive/1NRzWBr5j5YzwfaZDwJC5yaPEVgi6rc6U?usp=sharing Estymacja parametryczna widma procesu AS6_2_Widmo_Procesu_AR.ipynb]
#[https://colab.research.google.com/drive/1e8_SIPFqAJA7WGsPiWudplubHtrgkSq0?usp=sharing Filtry notebook7]
# kontynuacja notebook7 -> notebook z grupy porannej: https://colab.research.google.com/drive/1bBzlxf7krP7KI_SYIgZLMPfD0bnleXVo?usp=sharing
#[https://drive.google.com/file/d/1Ey1yYgVMbu3n9djb2LzPZ4dT03gYFcAw/view?usp=sharing Metody czas-częstość STFT i falki: notebook8] [https://drive.google.com/open?id=0BzwQ_Lscn8yDdUlLVXp1XzF0elE notebook 10] lektura uzupełniająca: [https://www.math.ucdavis.edu/~saito/data/sonar/boashash1.pdf Estimating and Interpreting The Instantaneous Frequency of a Signal-Part 1: Fundamentals ]
# [https://drive.google.com/file/d/13Jvt1po_Brk49fRe-dOxOvVfRz1VVieW/view?usp=sharing Notebook o metodzie MP]

== Materiały pomocnicze do samokształcenia: ==

* Zbiór zadań z Analizy sygnałów wraz z rozwiązaniami przygotowany w ramach Projektu zespołowego przez Monikę Tutaj i Marcina Syca pod kierunkiem mgr. Piotra Biegańskiego https://www.fuw.edu.pl/~jarekz/ZadaniaAS/Zadania_Analiza_Sygnałów.zip
* Zbiór zadań z pythona, które mają na celu pomoc w opanowaniu podstaw Pythona, ze szczególnym naciskiem na rozwinięcie kompetencji potrzebnych w analizie sygnałów, takich jak: pogłębiona znajomość biblioteki numpy, praca z plikami multipleksowanymi, wykorzystanie Pythona jako narzędzia do analizy danych. https://gitlab.com/pbieganski/podstawy-pythona
* Notatnik z kolokwium poprawkowym 2025: https://colab.research.google.com/drive/1_DQ7rG7aIMq_XgkPZIM4bGAAf8VlFVGc?usp=sharing


[[File:Okladka.jpeg|thumb|upright=0.25| Dostępna w bibliotece]] W bibliotece Wydziału Fizyki dostępne są książki: Practical biomedical signal analysis using Matlab / K. J. Blinowska J. Żygierewicz. (katalog: https://chamo.buw.uw.edu.pl:8443/lib/item?id=chamo:895791&fromLocationLink=false&theme=system)

== Materiały dodatkowe: ==

[https://www.youtube.com/playlist?list=PLXJDR4jmaWX795PLOwLt5pR59H2BrZAsK playlista na YouTube z filmami nagranymi w czasie zdalnych ćwiczeń w roku 2020/21]

[https://tftb.nongnu.org/tutorial.pdf Tutorial o technikach analizy czas-częstość]

Przed kolokwium 1
# [[kolokwia2014_2015_kol1|Zagadnienia przygotowawcze do 1 kolokwium]]
# [https://drive.google.com/open?id=1RKIHgfuqtBvg65PUpIuQI3rYeyvdIXMi zadania powtórzeniowe do kolokwium 1]

autorzy: Jarosław Żygierewicz, Maciej Kamiński, Magdalena Zieleniewska, wersja z notebookami Jan Mąka i Piotr Biegański

Pracownia Sygnałów Bioelektrycznych

2025-05-16T09:26:46Z

Jarekz: /* Materiały */

[[category:Pracownie specjalistyczne]]

Zajęcia w roku 2025: 8:45-12

'''UWAGA: godzina 8:45 to początek zajęć, a nie schodzenia się na zajęcia'''

Dla NI link do classroom: https://classroom.google.com/c/NjY2MjI3NDU2NDA3?cjc=mvvocie

==Zasady zaliczenia pracowni==

* Obecność na zajęciach jest obowiązkowa, dopuszczalne są 2 nieusprawiedliwione nieobecności.

Materiał zajęć jest podzielony na bloki tematyczne. W każdym bloku studenci mają do wykonania zestaw ćwiczeń. Pod koniec każdego bloku konieczne będzie przesłanie raportu w postaci notebooka na adres jarekz@fuw.edu.pl

# Prezentacja wyników w notebooku powinna uwzględniać:
#* przypomnienie, co było liczone (i jak, jeśli trzeba);
#* na co należy zwrócić uwagę w prezentowanych wynikach;
#* interpretację wykresów. Część z tych informacji można dołożyć do rysunków w postaci krótkich wyjaśnień.
# Należy zadbać o prawidłową postać wykresów, w tym w szczególności:
#* obecność opisów osi (w miarę możliwości jednostek);
#* spójne zakresy osi i skalowanie wykresów;
#* właściwy dobór skali (tak, aby uwidocznić najważniejsze rzeczy);
#* obecność tytułów i innych podpisów ułatwiających zrozumienie prezentowanych treści.
# Ocenie podlegają:
#* kompletność prezentacji;
#* poprawność kodu;
#* czytelność prezentowanych wielkości i zjawisk;
#* merytoryczna poprawność wypowiedzi.



==Materiały==
[[Pracownia_Sygnałów_Biologicznych/Zajecia_1|Wprowadzenie]]
## 28.02.2025
[[Pracownia_Sygnałów_Biologicznych/Zajecia_2_4|EKG]]
## 07.03.2025 - Wstęp teoretyczny i pomiary
## 14.03.2025 - detekcja pików R i tętno
## 21.03.2025 - analiza HRV
przesyłanie notebooków z EKG/HRV do 4.04

<hr>

#[[Pracownia_Sygnałów_Biologicznych/Zajecia_5_6|EMG]]
## 28.03.2025 - wprowadzenie, pomiary, analiza ćwiczenie I
## 4.04.2025 - analiza ćwiczenie I
## 11.04.2025 - analiza ćwiczenie I
## 25.04.2025 - analiza sygnału online (ćwiczenie V), analiza ćwiczenie III -> przesyłanie notebooków z EMG do 16.05
## 07.05.2025 - seminarium SYNCC IN
#[[Pracownia_Sygnałów_Biologicznych/Zajecia_7|Spotkanie IX - XI (EOG)]]
## 16.05.2025 - podstawowe własności EOG - rejestracja
## 23.05.2025 - podstawowe własności EOG - analiza i szykowanie raportów: zwrot raportów z EOG 06.06
#[[Pracownia_Sygnałów_Biologicznych/Zajecia_9|Spotkanie XII - XIV (Wprowadzenie EEG)]]
## 30.05.2025 - [[Pracownia_EEG/EEG_spoczynkowe|EEG spoczynkowe, artefakty ]]
## 06.06.2025 - [[Pracownia_Sygnałów_Biologicznych/Zajecia_10|Analiza EEG]]
## 13.06.2025

#[[Pracownia_Sygnałów_Biologicznych/Zajecia_8|Spotkanie (GSR)]]

Pracownia Sygnałów Bioelektrycznych

2025-05-15T14:05:57Z

Jarekz: /* Materiały */

[[category:Pracownie specjalistyczne]]

Zajęcia w roku 2025: 8:45-12

'''UWAGA: godzina 8:45 to początek zajęć, a nie schodzenia się na zajęcia'''

Dla NI link do classroom: https://classroom.google.com/c/NjY2MjI3NDU2NDA3?cjc=mvvocie

==Zasady zaliczenia pracowni==

* Obecność na zajęciach jest obowiązkowa, dopuszczalne są 2 nieusprawiedliwione nieobecności.

Materiał zajęć jest podzielony na bloki tematyczne. W każdym bloku studenci mają do wykonania zestaw ćwiczeń. Pod koniec każdego bloku konieczne będzie przesłanie raportu w postaci notebooka na adres jarekz@fuw.edu.pl

# Prezentacja wyników w notebooku powinna uwzględniać:
#* przypomnienie, co było liczone (i jak, jeśli trzeba);
#* na co należy zwrócić uwagę w prezentowanych wynikach;
#* interpretację wykresów. Część z tych informacji można dołożyć do rysunków w postaci krótkich wyjaśnień.
# Należy zadbać o prawidłową postać wykresów, w tym w szczególności:
#* obecność opisów osi (w miarę możliwości jednostek);
#* spójne zakresy osi i skalowanie wykresów;
#* właściwy dobór skali (tak, aby uwidocznić najważniejsze rzeczy);
#* obecność tytułów i innych podpisów ułatwiających zrozumienie prezentowanych treści.
# Ocenie podlegają:
#* kompletność prezentacji;
#* poprawność kodu;
#* czytelność prezentowanych wielkości i zjawisk;
#* merytoryczna poprawność wypowiedzi.



==Materiały==
[[Pracownia_Sygnałów_Biologicznych/Zajecia_1|Wprowadzenie]]
## 28.02.2025
[[Pracownia_Sygnałów_Biologicznych/Zajecia_2_4|EKG]]
## 07.03.2025 - Wstęp teoretyczny i pomiary
## 14.03.2025 - detekcja pików R i tętno
## 21.03.2025 - analiza HRV
przesyłanie notebooków z EKG/HRV do 4.04

<hr>

#[[Pracownia_Sygnałów_Biologicznych/Zajecia_5_6|EMG]]
## 28.03.2025 - wprowadzenie, pomiary, analiza ćwiczenie I
## 4.04.2025 - analiza ćwiczenie I
## 11.04.2025 - analiza ćwiczenie I
## 25.04.2025 - analiza sygnału online (ćwiczenie V), analiza ćwiczenie III -> przesyłanie notebooków z EMG do 16.05
## 07.05.2025 - seminarium SYNCC IN
#[[Pracownia_Sygnałów_Biologicznych/Zajecia_7|Spotkanie IX - XI (EOG)]]
## 16.05.2025 - podstawowe własności EOG - rejestracja
## 23.05.2025 - podstawowe własności EOG - analiza i szykowanie raportów: zwrot raportów z EOG 30.05
#[[Pracownia_Sygnałów_Biologicznych/Zajecia_9|Spotkanie XII - XIV (Wprowadzenie EEG)]]
## 30.05.2025 - [[Pracownia_EEG/EEG_spoczynkowe|EEG spoczynkowe, artefakty ]]
## 06.06.2025 - [[Pracownia_Sygnałów_Biologicznych/Zajecia_10|Analiza EEG]]
## 13.06.2025

#[[Pracownia_Sygnałów_Biologicznych/Zajecia_8|Spotkanie (GSR)]]

Pracownia Sygnałów Biologicznych/Zajecia 5 6

2025-04-25T07:46:23Z

Jarekz: /* Analiza */

[[Pracownia Sygnałów Bioelektrycznych]]/EMG

Pomiar EMG

==Wstęp==
[https://www.youtube.com/watch?v=w_R5t2-C5cA Filmik ilustrujący działanie mięśni]

Sygnały elektro-fizjologiczne pochodzące z mięśni nazywa się elektromiogramem (EMG).
Elektromiografia jest jednym z podstawowych badań w rozpoznawaniu chorób mięśni i nerwów obwodowych. Ma ona również wiele zastosowań naukowych. Amplituda sygnału EMG wynosi od około kilkudziesięciu μV do 10 mV, zaś pasmo sygnału obejmuje zakres częstości od 2 do 5000 Hz, przy czym największa energia sygnału znajduje się w przedziale od 50 do 150 Hz.

Istnieją dwa sposoby pomiaru sygnałów EMG — badanie igłowe i powierzchniowe. W badaniu igłowym EMG, elektroda igłowa lub igła z dwoma elektrodami wbijana jest w mięsień lub w nerw ruchowy. Następnie obserwuje się aktywność elektryczną mięśni w spoczynku i podczas wysiłku.

[[Plik:Electromyogram.png|250px|thumb|right|<figure id="fig:Electromyogram"></figure> Przykłady elektromiogramów. Panel górny — pacjent zdrowy. Panel środkowy — pacjent ze zmianami w nerwach obwodowych (neuropatia). Panel dolny — pacjent ze zmianami w mięśniach (miopatia).]]

Badanie powierzchniowe EMG wykonuje się z użyciem elektrod samoprzylepnych, umieszczonych na powierzchni skóry, zwykle elektrody bipolarne są rozmieszczone na linii równoległej do włókien. Ocenie podlegają mięśnie położone powierzchownie lub grupy mięśni.
Obydwie metody mają swoje wady i zalety. Metoda &bdquo;igłowa” umożliwia rejestrację sygnału EMG z wybranego mięśnia, podczas gdy metoda powierzchniowa rejestruje zbiorczą aktywność wielu jednostek ruchowych. Jednakże, w przeciwieństwie do metody powierzchniowej, metoda igłowa jest badaniem inwazyjnym i czasem bolesnym, które wykonywane jest w ośrodku klinicznym.

Na zajęciach przeprowadzimy powierzchniowy pomiar EMG (w literaturze często takie badanie oznacza się skrótem sEMG, ''s'' od ang. ''surface'' — powierzchnia). W tym celu umieścimy elektrody na skórze, nad mięśniami, których aktywność chcemy zbadać.

[https://youtu.be/afHpvABLCTo Filmik o zastosowaniach klinicznych EMG]

Lektura uzupełniająca: Reaz MBI, Hussain MS and Mohd-Yasin F. Techniques of EMG signal analysis: detection, processing, classification and applications. Biol. Proced. Online 2006; 8(1): 11-35. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC1455479/pdf/bpo_v8_p11_m115.pdf

==Źródła błędu==
Rejestracja sygnału EMG, podobnie jak pomiar innych sygnały bioelektrycznych podlega pewnym zakłóceniom. Są to przede wszystkim
*artefakty ruchowe,
*artefakty związane z obecnością zewnętrznych pól elektromagnetycznych.

===Artefakty ruchowe ===
W wyniku aktywacji mięśnia, ulega on skróceniu, co powoduje przemieszczanie się względem siebie mięśnia, skóry i elektrody. Przemieszczenie to powoduje zmianę amplitudy mierzonego sygnału (np. elektroda oddala się od mięśnia), zmianę potencjału DC (potencjału powstającego na granicy skóra-elektrolit) oraz rozciągniecie skóry. Jak pamiętamy z pierwszych zajęć
pomiędzy naskórkiem a skórą właściwą istnieje różnica potencjałów o amplitudzie dochodzącej do 30 mV. W trakcie rozciągania skóry, wartość to spada do 25 mV. Powstająca zmiana potencjału, o wartości około 5 mV jest w porównaniu z sygnałem EMG bardzo znacząca.

===Artefakty sieciowe ===
Artefakty sieciowe stanowią poważny problem w przypadku rejestracji sygnału EMG. Zwykle bowiem nie obserwujemy tylko zakłócenia o jednej częstości, równej częstości zmian napięcia w gniazdku zasilającym (np. w Polsce jest to 50 Hz), lecz również wyższe harmoniczne tej częstości (w Polsce będzie to 100 Hz, 150 Hz, 200 Hz, itd). Jak można zauważyć, częstości 50 Hz, 100 Hz i 150 Hz znajdują się w paśmie, w którym sygnał EMG ma największą energię. Stosowanie filtrów pasmowo zaporowych w takim przypadku nie jest wskazane, bowiem filtry jak wiemy nie tłumią ściśle określonych częstości tylko pasma o pewnej szerokości (np. 45-55 Hz, 95-105 Hz, itd). W efekcie znaczna część interesującego nas pasma sygnału EMG zostałaby odrzucona. Aby zminimalizować przenikanie od rejestrowanego sygnału EMG sygnału sieciowego o częstości 50 Hz należy zadbać o niską impedancję pomiędzy elektrodą a skóra oraz powinno mierzyć się sygnały różnicowe.

===Artefakty sieciowo-ruchowe ===
Podczas ruchu mięśnia ciało może ulec przemieszczeniu, co spowoduje ruch kabla w przestrzeni pomiędzy elektrodą a wzmacniaczem. W przestrzeni tej istnieje pole elektromagnetyczne, wywołane zasilaniem sieci elektrycznej. Ruch kabla w polu elektromagnetycznym może powodować zaburzenia sygnału o częstości 50 Hz. Ponadto układ elektrody-kable-wzmacniacz, tworzy pewne ramki, które w trakcie ruchu zmieniają kształt a także powierzchnię. Zgodnie z Prawem Indukcji Faraday'a zmiana strumienia magnetycznego powoduje powstawanie siły elektromotorycznej, która również może zakłócać pomiar.

Artefakty ruchowe można w większości wyeliminować przez zastosowanie filtru górnoprzepustowego, którego częstość odcięcia ustawia się w granicy od 10 do 20 Hz. Aby wyeliminować artefakty związane z ruchem kabla w polu elektromagnetycznym można zastosować tzw. elektrody aktywne. W elektrodach tych (miniaturowy) wzmacniacz znajduje się na elektrodzie. Wzmacnianie sygnału na elektrodzie zwiększa względną czułość układu na sygnał mierzony na elektrodzie w stosunku do zaburzenia związanego z ruchem kabla. Innym rozwiązaniem tego problemu jest zastosowanie kabli ekranowanych. Kable TMSI, których używamy na Pracowni są kablami ekranowanymi. W kablach tych, pomiędzy dwiema warstwami izolatora, istnieje dodatkowa osłona z przewodnika podłączona do wzmacniacza. Dzięki temu, zewnętrzne pole elektromagnetyczne nie przenika do środka kabla. Dodatkowo, aby wyeliminować indukowanie się ładunków w wyniku tarcia pomiędzy izolatorami a osłoną, jest ona częściowo pokryta warstwą węgla.

Sygnały do naszych zajęć znajdują się w tym katalogu:
https://drive.google.com/drive/folders/18skluB3j2CHMXX8l1UmIvNXR1tZYGU0C?usp=sharing
Proszę je pobrać.

== Ćwiczenia ==

=== Ćwiczenie I: Badanie zależności sygnału EMG od obciążenia ===
====Pomiar====
* umieść elektrodę GND na wewnętrznej części przedramienia, w połowie jego długości,
* umieść dwie elektrody do rejestracji sygnału EMG na mięśniu dwugłowym ramienia (popularnie zwanym bicepsem). Kable tych elektrod połącz z unipolarnymi wejściami wzmacniacza numer 1 i 2.
* ustaw częstość próbkowania sygnału na 2048
===== Obserwacje wstępne =====
W tej części proszę wykonać wskazane poniżej obserwacje i zarejestrować fragmenty sygnałów, które mogłyby ilustrować ciekawe obserwacje, aby można je było wykorzystać w końcowej prezentacji.

* W SVAROGU:
** badać będziemy mięsień przedramienia
** przetestuj sygnały rejestrowane w kilku różnych lokalizacjach względem mięśnia
** Przyjrzyj się przebiegowi i widmu sygnałów
** dobierz odpowiednio filtry górnoprzepustowe
** zaobserwuj czy i kiedy w sygnale pojawiają się artefakty
** porównaj sygnały rejestrowane przez elektrody bipolarne i przez elektrody monopolarne zmontowane bipolarnie

===== Rejestracja 1: napinanie i rozluźnianie ręki =====
Zarejestruj sygnał, w którym naprzemiennie po około 5 s napinasz i rozluźniasz biceps lub ściskasz i rozluźniasz pięść (dla badania mięśnia przedramienia).

===== Rejestracja 2: zwiększanie obciążenia ręki =====
Rejestrujemy dwa stany: spoczynek, narastajace obciążenie:
* zarejestruj około 1 min. sygnału spoczynkowego
* w dalszej części będziemy stopniowo zwiększać obciążenie: co około 20 s kolejne zwiększenie obciążenia - 5 lub 6 poziomów

===== Rejestracja 3: stałe obciążenie ręki =====
Rejestrujemy dwa stany: spoczynek, narastajace obciążenie:
* zarejestruj około 20s. sygnału spoczynkowego
* w dalszej części dokładamy obciążenie (środkowy poziom z poprzedniego ćwiczenia) i rejestrujemy 1 min. sygnału



====Analiza====
* Dalsze analizy robimy w pythonie (notebook).
** wykreśl sygnał
** sygnały filtrujemy: 30 Hz high-pass, 500 Hz low-pass and 50 Hz notch,
** Przedstaw przebieg średniej mocy sygnałów. Aby to zrobić podnieś próbki do kwadratu i uśrednij za pomocą średniej biegnącej o długości 0.1 s (filtrowanie oknem prostokątnym). Porównaj uzyskane przebiegi z przebiegiem sygnałów wejściowych.
** Zaproponuj algorytm detektora, wykrywającego ruch ręki.

* Zbadaj zależność parametrów sygnału EMG od obciązenia mięśnia:
** Predstaw wykres średnią amplitudę (odchylenie standardowe) od obciążenia
** Przedstaw widma dla kolejnych obciążeń (na wspólnym wykresie). Do estymacji wykorzystaj metodę Welcha, dobierając parametry tak aby rodzielczość częstotliwościowa była 1Hz.
** Przedstaw mapę czas-częstość (rozważ spectrogram i scalogram - czy któraś z technik jest tu lepsza?) dla całego zapisu. Zaobserwuj jakie zmiany następują w widmie wraz ze wzrostem obciążenia.

* Zbadaj zależność parametrów sygnału EMG od zmęczenia mięśnia:
** Przedstaw mapę czas-częstość dla całego czasu rejestracji. Zaobserwuj jakie zmiany następują w widmie wraz z czasem.
** Przedstaw ewolucję czasową środka ciężkości widma częstości



=== Ćwiczenie II: Analiza napięcia mięśni twarzy pod wpływem bodźców emocjonalnych ===
====Pomiar====
* Zamontuj pary elektrod nad wybranymi trzema mięśniami uczestniczącymi w wyrażaniu prezentowanych emocji. Uziemienie umieść na obojczyku.
* Ustaw częstość rejestracji na 2048 Hz
* Uruchom procedurę eksperymentalną w SVAROGU (menu psychopy).

====Analiza====
* Analizę oprzemy na art. https://www.researchgate.net/publication/247901198_Dynamic_facial_expressions-_EMG_study
** sygnały filtrujemy: 30 Hz high-pass, 500 Hz low-pass and 50 Hz notch,
** podnosimy próbki do kwadratu
** wygładzamy średnią biegnącą o długości 50 ms.

* Zaczniemy od analizy sygnałów z procedury czynnej (Blok 2).
** korzystając z tagów wytnij fragmenty sygnału (wygładzonego) od -1s do 1 s po bodźcu wg. typów emocji
** zastosuj "baseline correction" tzn. odejmij od otrzymanych wycinków średnią z sek. poprzedzającej bodziec
** nałóż na siebie wycięte fragmenty z każdej pary elektrod osobno w każdej z kategorii emocji.
** zaobserwuj powtarzalność aktywacji mięśni. Czy występują jakieś wyraźne artefakty? Jeśli tak, to usuń je z zestawu danych i uśrednij pozostałe fragmenty.

* W procedurze biernej powtórz powyższe kroki analizy i porównaj występujące wzorce z procedurą aktywną

=== Ćwiczenie III: zapoznanie się z sygnałami rejestrowanymi przez inwazyjne EMG===
Proszę wczytać i przyjrzeć się sygnałom
[https://drive.google.com/file/d/1AO7w4m2F3nkSzISYXAeDGCpjMIRDx5NS/view?usp=sharing zdrowy.bin],
[https://drive.google.com/file/d/1APY5xDQJrwFuPY_V7Uza9JrKSgew1Yx1/view?usp=sharing miopatia.bin],
[https://drive.google.com/file/d/1ARzqLlYYLmhyefkBsOkoQBx4ToYpQ3yK/view?usp=sharing neuropatia.bin]. Sygnały są zapisane jako dtype='float64'
Częstość próbkowania 4000Hz, amplitudy zapisane są w mV. Dane pochodzą z bazy Physionet: https://physionet.org/content/emgdb/1.0.0/

Proszę przeczytać informację o tych danych. W raporcie proszę napisać istotne informacje o tych sygnałach i wybrać charakterystyczne fragmenty typowe dla danego stanu klinicznego.




=== Ćwiczenie V: Wykorzystanie pomiaru EMG do sterowania on-line ===

Przykładowy fragment kodu <tt>example.py</tt> umożliwiający odbieranie sygnału on line w pythonie przedstawiony jest poniżej.

Proszę dodać fragment analizujący sygnał on-line i wykrywający moment napięcia mięśnia. Po wykryciu w najprostszej wersji niech w terminalu pojawia się komunikat o wykryciu kliknięcia. W wersji max proszę zrobić wizualizację napięcia mięśnia albo podpiąć ten sygnał do sterowania jakimś prostym interfejsem.
==== Wersja działająca z pythonem z pakietu Svarog-Lab ====
<source lang =python>
#!/opt/braintech-svarog-lab-python/bin/python3

# powinno się odpalać pythonem z pakietu Svarog-Lab
# lub python w którym są zainstalowane sterowniki z
# https://braintech.pl/pliki/svarog/svarog-streamer-src/svarog-streamer-src-latest.zip
# zaletą jest dostęp wprost do sterownika wzmacniacza
# /opt/braintech-svarog-lab-python/bin/python3

# Alternatywne wzmacniacze
# from braintech.drivers.perun32.amplifier import Perun32Amplifier as Amplifier # duży wzmacniacz na 32 kanały na USB
# from braintech.drivers.perun8.amplifiers import PerunCppAmplifier as Amplifier # headset na 8 kanałów
from braintech.drivers.tmsi.amplifiers import TmsiCppAmplifier as Amplifier # wzmacniacze TMSI

import numpy as np

# Szukamy wzmacniaczy
amps = Amplifier.get_available_amplifiers()
if len(amps) < 1:
raise Exception("Amplifier not connected")
amp = Amplifier(amps[0])

amp.sampling_rate = 1024 # dla TMSI
# amp.sampling_rate = 500 # dla Perun8, Perun32

def samples_to_microvolts(samples): # amplifier podaje próbki w integerach, wprost z ADC
return samples * gains + offsets

amp.start_sampling()
gains = np.array(amp.current_description.channel_gains)
offsets = np.array(amp.current_description.channel_offsets)
while True:
# pobieramy 16 próbek
# Proponuje używać IPython dla eksperymentowania
packet = amp.get_samples(16)
print(samples_to_microvolts(packet.samples))
print(packet.ts[0])
print(packet.samples.shape, amp.current_description.channel_names)

</source>

==== Wersja dla protokołu LSL ====

<source lang =python>
# gdy nie ma możliwości używać pythona wbudowanego w svarog-lab możliwe jest używanie streamowania do standardu LSL

# włączenie streamowania do LSL:
# w terminalu:
# svarog_streamer -l
# wypisze listę wzmacniaczy
# szukamy ID odpowiedniego wzmacniacza np:
# * Perun-8 Headset
# id: "Perun8 1"

# odpalamy stream LSL danego wzmacniacza:
# svarog_streamer -a "Perun8 1" -n "nazwa_streamu"
# nazwa streamu jest ważna, ponieważ streamy są widoczne w sieci LAN
# zaleta streamu jest też taka, że można podglądać go w Svarogu jednocześnie z naszym skryptem python
# po odpaleniu streamu można odpalać poniższy skrypt dowolnym pythonem z zainstalowanym numpy oraz pylsl

from pylsl import StreamInlet, resolve_stream
import time

nazwa_streamu = "nazwa_streamu" # należy odpowiednio zmienić na nazwę użytą w svarog_streamer -n

# znajdujemy streamy
print("szukamy streamy LSL")
streams = resolve_stream('type', 'EEG')

selected_stream = None
# wybieramy nasz
for stream in streams:
if stream.name() in nazwa_streamu:
selected_stream = stream
if selected_stream is None:
print("Nie znalesiono streamu", nazwa_streamu, "w liście", [i.name() for i in streams])
exit()

# używamy streama
inlet = StreamInlet(selected_stream)

while True:
# pobieramy próbki (w mikrowoltach)
sample, timestamp = inlet.pull_chunk(timeout=1.0, max_samples=10)
print(sample, timestamp, time.monotonic())

</source>

=== Dodatek ===
Do działania on-line przydatne może być filtrowanie sygnału w sposób biegnący. Najlepiej zastosować do tego funkcję lfilter z ustalonymi warunkami początkowymi. Używa się tego w następujący sposób:
<source lang =python>
import scipy.signal as ss
import numpy as np
import matplotlib.pyplot as plt

Fs = 256
T = 1
t = np.arange(0,T,1/Fs)
f0 = 10
f1 = 17
f2 = 23
x = (np.sin(2*np.pi*f0*t) +
np.sin(2*np.pi*f1*t ) +
np.cos(2*np.pi*f2*t))
xn = x + np.random.randn(len(t)) * 0.08

b, a = ss.butter(3, 11/(Fs/2))

zi = ss.lfilter_zi(b, a)
z, _ = ss.lfilter(b, a, xn, zi=zi*xn[0])
plt.plot(xn)
plt.plot(z)
plt.show()

</source>

==== Filtrowanie online ====

Symulacja zastosowania tego sposobu on-line; filtrujemy za każdą iteracją pętli to co przychodzi ze wzmacniacza [s]:

<source lang =python>
zi = ss.lfilter_zi(b, a)
y = np.zeros(xn.shape)
for ind, s in enumerate(xn):
y_tmp, zi = ss.lfilter(b, a, [s], zi=zi)
y[ind]=y_tmp[-1]

plt.plot(y)
plt.plot(z)
plt.plot(xn)
plt.show()

</source>

==== Dodatek 2====
Dla zabawy detektor napięcia mięśni mógłby generować kliknięcia myszki, aby np. zagrać w:

https://dino-chrome.com/

W tym celu trzeba doinstalować bibliotekę pynput:
pip3 install --user pynput

a potem zastosować kod ze strony:
https://pynput.readthedocs.io/en/latest/keyboard.html

<source lang = python>

from pynput.keyboard import Key, Controller

keyboard = Controller()

def spacja():
# Press and release space
keyboard.press(Key.space)
keyboard.release(Key.space)

from pynput.mouse import Button, Controller
mouse = Controller()

def click():
#lewy klik myszy
mouse.press(Button.left)
time.sleep(500)
mouse.release(Button.left)

</source>

==== wersja dla systemu dostępnego w Labie 4.59 na Ubuntu 18 ====
<source lang = python>
from obci_cpp_amplifiers.amplifiers import TmsiCppAmplifier
import numpy as np
amps = TmsiCppAmplifier.get_available_amplifiers('usb')
amp = TmsiCppAmplifier(amps[0])

amp.sampling_rate = 512

amp.start_sampling()
gains = np.array(amp.current_description.channel_gains)
offsets = np.array(amp.current_description.channel_offsets)

def samples_to_microvolts(samples): # z jednostek wzmacniacza do mikrowoltów
return samples * gains + offsets

while True:
# 16 próbek w pakiecie, nieodebrane próbki się bufurują i można odebrać je później
packet = amp.get_samples(16)
print(samples_to_microvolts(packet.samples))
print(packet.ts[0])
print(packet.samples.shape, amp.current_description.channel_names)

</source>

Aby wykonać go w terminalu należy uruchomić polecenie, Uwaga, aby zadziałał trzeba wyłączyć SVAROGa. Proszę przetestować czy po podłączeniu wzmacniacza i uruchomieniu tego skryptu pojawiają się w terminalu wartości próbek.

/opt/braintech/bin/python3 example.py


{{hidden begin|title=Moduł keystroke:}}
<source lang = python>
# -*- coding: utf-8 -*-
#!/usr/bin/env python
# Author:
# Mateusz Kruszyński <mateusz.kruszynski@gmail.com>
#

from Xlib import X, display, Xutil, XK
import Xlib
special_X_keysyms = {
' ' : "space",
'\t' : "Tab",
'\n' : "Return", # for some reason this needs to be cr, not lf
'\r' : "Return",
'\e' : "Escape",
'!' : "exclam",
'#' : "numbersign",
'%' : "percent",
'$' : "dollar",
'&' : "ampersand",
'"' : "quotedbl",
'\'' : "apostrophe",
'(' : "parenleft",
')' : "parenright",
'*' : "asterisk",
'=' : "equal",
'+' : "plus",
',' : "comma",
'-' : "minus",
'.' : "period",
'/' : "slash",
':' : "colon",
';' : "semicolon",
'<' : "less",
'>' : "greater",
'?' : "question",
'@' : "at",
'[' : "bracketleft",
']' : "bracketright",
'\\' : "backslash",
'^' : "asciicircum",
'_' : "underscore",
'`' : "grave",
'{' : "braceleft",
'|' : "bar",
'}' : "braceright",
'~' : "asciitilde"
}

display = display.Display()
window = display.screen().root

def wait(p_keys_list):
"""Block the whole keyboard!!! And wait until some key from p_keys_list
is pressed. By now p_keys_list is a list of strings, so use single
ascii symbols.
There is a way out of this hell - hit 'Escape'.
The function returns hit button`s string representation
Eg. for p_keys_list == ['1','2','3'] the function will hand untill
1,2 or 3 key is preseed or Escape is pressed."""
ds = display
window.grab_keyboard(1, X.GrabModeAsync, X.GrabModeAsync, X.CurrentTime)
while True:
ev = ds.next_event()
if ev.type == X.KeyPress:
keysym = ds.keycode_to_keysym(ev._data['detail'], 0)
keystr = XK.keysym_to_string(keysym)
print("Got keysym/keystr: "+str(keysym)+ ' / '+str(keystr))
if keystr in p_keys_list:
ds.ungrab_keyboard(X.CurrentTime)
ds.flush()
return keystr
elif str(keysym) in p_keys_list:
ds.ungrab_keyboard(X.CurrentTime)
ds.flush()
return keysym
elif keysym == 65307:
ds.ungrab_keyboard(X.CurrentTime)
ds.flush()
return 'Escape'

def char_to_keysym(ch) :
keysym = Xlib.XK.string_to_keysym(ch)
if keysym == 0 :
# Unfortunately, although this works to get the correct keysym
# i.e. keysym for '#' is returned as "numbersign"
# the subsequent display.keysym_to_keycode("numbersign") is 0.
keysym = Xlib.XK.string_to_keysym(special_X_keysyms[ch])
return keysym

def keysym_to_keycode(keysym):
keycode = display.keysym_to_keycode(keysym)
shift_mask = 0
return keycode, shift_mask

def char_to_keycode(ch) :
keysym = char_to_keysym(ch)
keycode = display.keysym_to_keycode(keysym)
if keycode == 0 :
print "Sorry, can't map", ch

if (is_shifted(ch)) :
shift_mask = Xlib.X.ShiftMask
else :
shift_mask = 0

return keycode, shift_mask

def is_shifted(ch) :
if ch.isupper() :
return True
if "~!@#$%^&*()_+{}|:\"<>?".find(ch) >= 0 :
return True
return False

def send_string(str) :
"""I am not working. I dont know why:("""
for ch in str :
#print "sending", ch, "=",
display.keysym_to_keycode(Xlib.XK.string_to_keysym(ch))
keycode, shift_mask = char_to_keycode(ch)
event = Xlib.protocol.event.KeyPress(
time = int(time.time()),
root = display.screen().root,
window = window,
same_screen = 0, child = Xlib.X.NONE,
root_x = 0, root_y = 0, event_x = 0, event_y = 0,
state = shift_mask,
detail = keycode
)
window.send_event(event, propagate = True)
event = Xlib.protocol.event.KeyRelease(
time = int(time.time()),
root = display.screen().root,
window = window,
same_screen = 0, child = Xlib.X.NONE,
root_x = 0, root_y = 0, event_x = 0, event_y = 0,
state = shift_mask,
detail = keycode
)
window.send_event(event, propagate = True)

if __name__ == "__main__":
import sys,time
print(wait(sys.argv[1:]))
#send_string("aBcd")
#time.sleep(10)

"""Używa się tak:
import keystroke
keystroke.wait(['a','b'])
i to wisi dopóki ktoś nie wciśnie a lub b.

Z innymi klawiszam jest tak, że trzeba ich numery podać, np żeby czakać
na SPACE można zrobić
keystroke.wait(['32'])

w razie czego funkcja się 'odwiesza' jak się wciśnie ESC."""
</source>
{{hidden end}}

Pracownia Sygnałów Biologicznych/Zajecia 5 6

2025-04-25T07:26:09Z

Jarekz: /* Analiza */

[[Pracownia Sygnałów Bioelektrycznych]]/EMG

Pomiar EMG

==Wstęp==
[https://www.youtube.com/watch?v=w_R5t2-C5cA Filmik ilustrujący działanie mięśni]

Sygnały elektro-fizjologiczne pochodzące z mięśni nazywa się elektromiogramem (EMG).
Elektromiografia jest jednym z podstawowych badań w rozpoznawaniu chorób mięśni i nerwów obwodowych. Ma ona również wiele zastosowań naukowych. Amplituda sygnału EMG wynosi od około kilkudziesięciu μV do 10 mV, zaś pasmo sygnału obejmuje zakres częstości od 2 do 5000 Hz, przy czym największa energia sygnału znajduje się w przedziale od 50 do 150 Hz.

Istnieją dwa sposoby pomiaru sygnałów EMG — badanie igłowe i powierzchniowe. W badaniu igłowym EMG, elektroda igłowa lub igła z dwoma elektrodami wbijana jest w mięsień lub w nerw ruchowy. Następnie obserwuje się aktywność elektryczną mięśni w spoczynku i podczas wysiłku.

[[Plik:Electromyogram.png|250px|thumb|right|<figure id="fig:Electromyogram"></figure> Przykłady elektromiogramów. Panel górny — pacjent zdrowy. Panel środkowy — pacjent ze zmianami w nerwach obwodowych (neuropatia). Panel dolny — pacjent ze zmianami w mięśniach (miopatia).]]

Badanie powierzchniowe EMG wykonuje się z użyciem elektrod samoprzylepnych, umieszczonych na powierzchni skóry, zwykle elektrody bipolarne są rozmieszczone na linii równoległej do włókien. Ocenie podlegają mięśnie położone powierzchownie lub grupy mięśni.
Obydwie metody mają swoje wady i zalety. Metoda &bdquo;igłowa” umożliwia rejestrację sygnału EMG z wybranego mięśnia, podczas gdy metoda powierzchniowa rejestruje zbiorczą aktywność wielu jednostek ruchowych. Jednakże, w przeciwieństwie do metody powierzchniowej, metoda igłowa jest badaniem inwazyjnym i czasem bolesnym, które wykonywane jest w ośrodku klinicznym.

Na zajęciach przeprowadzimy powierzchniowy pomiar EMG (w literaturze często takie badanie oznacza się skrótem sEMG, ''s'' od ang. ''surface'' — powierzchnia). W tym celu umieścimy elektrody na skórze, nad mięśniami, których aktywność chcemy zbadać.

[https://youtu.be/afHpvABLCTo Filmik o zastosowaniach klinicznych EMG]

Lektura uzupełniająca: Reaz MBI, Hussain MS and Mohd-Yasin F. Techniques of EMG signal analysis: detection, processing, classification and applications. Biol. Proced. Online 2006; 8(1): 11-35. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC1455479/pdf/bpo_v8_p11_m115.pdf

==Źródła błędu==
Rejestracja sygnału EMG, podobnie jak pomiar innych sygnały bioelektrycznych podlega pewnym zakłóceniom. Są to przede wszystkim
*artefakty ruchowe,
*artefakty związane z obecnością zewnętrznych pól elektromagnetycznych.

===Artefakty ruchowe ===
W wyniku aktywacji mięśnia, ulega on skróceniu, co powoduje przemieszczanie się względem siebie mięśnia, skóry i elektrody. Przemieszczenie to powoduje zmianę amplitudy mierzonego sygnału (np. elektroda oddala się od mięśnia), zmianę potencjału DC (potencjału powstającego na granicy skóra-elektrolit) oraz rozciągniecie skóry. Jak pamiętamy z pierwszych zajęć
pomiędzy naskórkiem a skórą właściwą istnieje różnica potencjałów o amplitudzie dochodzącej do 30 mV. W trakcie rozciągania skóry, wartość to spada do 25 mV. Powstająca zmiana potencjału, o wartości około 5 mV jest w porównaniu z sygnałem EMG bardzo znacząca.

===Artefakty sieciowe ===
Artefakty sieciowe stanowią poważny problem w przypadku rejestracji sygnału EMG. Zwykle bowiem nie obserwujemy tylko zakłócenia o jednej częstości, równej częstości zmian napięcia w gniazdku zasilającym (np. w Polsce jest to 50 Hz), lecz również wyższe harmoniczne tej częstości (w Polsce będzie to 100 Hz, 150 Hz, 200 Hz, itd). Jak można zauważyć, częstości 50 Hz, 100 Hz i 150 Hz znajdują się w paśmie, w którym sygnał EMG ma największą energię. Stosowanie filtrów pasmowo zaporowych w takim przypadku nie jest wskazane, bowiem filtry jak wiemy nie tłumią ściśle określonych częstości tylko pasma o pewnej szerokości (np. 45-55 Hz, 95-105 Hz, itd). W efekcie znaczna część interesującego nas pasma sygnału EMG zostałaby odrzucona. Aby zminimalizować przenikanie od rejestrowanego sygnału EMG sygnału sieciowego o częstości 50 Hz należy zadbać o niską impedancję pomiędzy elektrodą a skóra oraz powinno mierzyć się sygnały różnicowe.

===Artefakty sieciowo-ruchowe ===
Podczas ruchu mięśnia ciało może ulec przemieszczeniu, co spowoduje ruch kabla w przestrzeni pomiędzy elektrodą a wzmacniaczem. W przestrzeni tej istnieje pole elektromagnetyczne, wywołane zasilaniem sieci elektrycznej. Ruch kabla w polu elektromagnetycznym może powodować zaburzenia sygnału o częstości 50 Hz. Ponadto układ elektrody-kable-wzmacniacz, tworzy pewne ramki, które w trakcie ruchu zmieniają kształt a także powierzchnię. Zgodnie z Prawem Indukcji Faraday'a zmiana strumienia magnetycznego powoduje powstawanie siły elektromotorycznej, która również może zakłócać pomiar.

Artefakty ruchowe można w większości wyeliminować przez zastosowanie filtru górnoprzepustowego, którego częstość odcięcia ustawia się w granicy od 10 do 20 Hz. Aby wyeliminować artefakty związane z ruchem kabla w polu elektromagnetycznym można zastosować tzw. elektrody aktywne. W elektrodach tych (miniaturowy) wzmacniacz znajduje się na elektrodzie. Wzmacnianie sygnału na elektrodzie zwiększa względną czułość układu na sygnał mierzony na elektrodzie w stosunku do zaburzenia związanego z ruchem kabla. Innym rozwiązaniem tego problemu jest zastosowanie kabli ekranowanych. Kable TMSI, których używamy na Pracowni są kablami ekranowanymi. W kablach tych, pomiędzy dwiema warstwami izolatora, istnieje dodatkowa osłona z przewodnika podłączona do wzmacniacza. Dzięki temu, zewnętrzne pole elektromagnetyczne nie przenika do środka kabla. Dodatkowo, aby wyeliminować indukowanie się ładunków w wyniku tarcia pomiędzy izolatorami a osłoną, jest ona częściowo pokryta warstwą węgla.

Sygnały do naszych zajęć znajdują się w tym katalogu:
https://drive.google.com/drive/folders/18skluB3j2CHMXX8l1UmIvNXR1tZYGU0C?usp=sharing
Proszę je pobrać.

== Ćwiczenia ==

=== Ćwiczenie I: Badanie zależności sygnału EMG od obciążenia ===
====Pomiar====
* umieść elektrodę GND na wewnętrznej części przedramienia, w połowie jego długości,
* umieść dwie elektrody do rejestracji sygnału EMG na mięśniu dwugłowym ramienia (popularnie zwanym bicepsem). Kable tych elektrod połącz z unipolarnymi wejściami wzmacniacza numer 1 i 2.
* ustaw częstość próbkowania sygnału na 2048
===== Obserwacje wstępne =====
W tej części proszę wykonać wskazane poniżej obserwacje i zarejestrować fragmenty sygnałów, które mogłyby ilustrować ciekawe obserwacje, aby można je było wykorzystać w końcowej prezentacji.

* W SVAROGU:
** badać będziemy mięsień przedramienia
** przetestuj sygnały rejestrowane w kilku różnych lokalizacjach względem mięśnia
** Przyjrzyj się przebiegowi i widmu sygnałów
** dobierz odpowiednio filtry górnoprzepustowe
** zaobserwuj czy i kiedy w sygnale pojawiają się artefakty
** porównaj sygnały rejestrowane przez elektrody bipolarne i przez elektrody monopolarne zmontowane bipolarnie

===== Rejestracja 1: napinanie i rozluźnianie ręki =====
Zarejestruj sygnał, w którym naprzemiennie po około 5 s napinasz i rozluźniasz biceps lub ściskasz i rozluźniasz pięść (dla badania mięśnia przedramienia).

===== Rejestracja 2: zwiększanie obciążenia ręki =====
Rejestrujemy dwa stany: spoczynek, narastajace obciążenie:
* zarejestruj około 1 min. sygnału spoczynkowego
* w dalszej części będziemy stopniowo zwiększać obciążenie: co około 20 s kolejne zwiększenie obciążenia - 5 lub 6 poziomów

===== Rejestracja 3: stałe obciążenie ręki =====
Rejestrujemy dwa stany: spoczynek, narastajace obciążenie:
* zarejestruj około 20s. sygnału spoczynkowego
* w dalszej części dokładamy obciążenie (środkowy poziom z poprzedniego ćwiczenia) i rejestrujemy 1 min. sygnału



====Analiza====
* Dalsze analizy robimy w pythonie (notebook).
** wykreśl sygnał
** sygnały filtrujemy: 30 Hz high-pass, 500 Hz low-pass and 50 Hz notch,
** Przedstaw przebieg średniej mocy sygnałów. Aby to zrobić podnieś próbki do kwadratu i uśrednij za pomocą średniej biegnącej o długości 0.1 s (filtrowanie oknem prostokątnym). Porównaj uzyskane przebiegi z przebiegiem sygnałów wejściowych.
** Zaproponuj algorytm detektora, wykrywającego ruch ręki.

* Zbadaj zależność parametrów sygnału EMG od obciązenia mięśnia:
** Predstaw wykres średnią amplitudę (odchylenie standardowe) od obciążenia
** Przedstaw widma dla kolejnych obciążeń (na wspólnym wykresie). Do estymacji wykorzystaj metodę Welcha, dobierając parametry tak aby rodzielczość częstotliwościowa była 1Hz.
** Przedstaw mapę czas-częstość (rozważ spectrogram i scalogram - czy któraś z technik jest tu lepsza?) dla całego zapisu. Zaobserwuj jakie zmiany następują w widmie wraz ze wzrostem obciążenia.

* Zbadaj zależność parametrów sygnału EMG od zmęczenia mięśnia:
** Przedstaw mapę czas-częstość dla całego czasu rejestracji. Zaobserwuj jakie zmiany następują w widmie wraz z czasem.
** Przedstaw ewolucję czasową mediany częstości widma



=== Ćwiczenie II: Analiza napięcia mięśni twarzy pod wpływem bodźców emocjonalnych ===
====Pomiar====
* Zamontuj pary elektrod nad wybranymi trzema mięśniami uczestniczącymi w wyrażaniu prezentowanych emocji. Uziemienie umieść na obojczyku.
* Ustaw częstość rejestracji na 2048 Hz
* Uruchom procedurę eksperymentalną w SVAROGU (menu psychopy).

====Analiza====
* Analizę oprzemy na art. https://www.researchgate.net/publication/247901198_Dynamic_facial_expressions-_EMG_study
** sygnały filtrujemy: 30 Hz high-pass, 500 Hz low-pass and 50 Hz notch,
** podnosimy próbki do kwadratu
** wygładzamy średnią biegnącą o długości 50 ms.

* Zaczniemy od analizy sygnałów z procedury czynnej (Blok 2).
** korzystając z tagów wytnij fragmenty sygnału (wygładzonego) od -1s do 1 s po bodźcu wg. typów emocji
** zastosuj "baseline correction" tzn. odejmij od otrzymanych wycinków średnią z sek. poprzedzającej bodziec
** nałóż na siebie wycięte fragmenty z każdej pary elektrod osobno w każdej z kategorii emocji.
** zaobserwuj powtarzalność aktywacji mięśni. Czy występują jakieś wyraźne artefakty? Jeśli tak, to usuń je z zestawu danych i uśrednij pozostałe fragmenty.

* W procedurze biernej powtórz powyższe kroki analizy i porównaj występujące wzorce z procedurą aktywną

=== Ćwiczenie III: zapoznanie się z sygnałami rejestrowanymi przez inwazyjne EMG===
Proszę wczytać i przyjrzeć się sygnałom
[https://drive.google.com/file/d/1AO7w4m2F3nkSzISYXAeDGCpjMIRDx5NS/view?usp=sharing zdrowy.bin],
[https://drive.google.com/file/d/1APY5xDQJrwFuPY_V7Uza9JrKSgew1Yx1/view?usp=sharing miopatia.bin],
[https://drive.google.com/file/d/1ARzqLlYYLmhyefkBsOkoQBx4ToYpQ3yK/view?usp=sharing neuropatia.bin]. Sygnały są zapisane jako dtype='float64'
Częstość próbkowania 4000Hz, amplitudy zapisane są w mV. Dane pochodzą z bazy Physionet: https://physionet.org/content/emgdb/1.0.0/

Proszę przeczytać informację o tych danych. W raporcie proszę napisać istotne informacje o tych sygnałach i wybrać charakterystyczne fragmenty typowe dla danego stanu klinicznego.




=== Ćwiczenie V: Wykorzystanie pomiaru EMG do sterowania on-line ===

Przykładowy fragment kodu <tt>example.py</tt> umożliwiający odbieranie sygnału on line w pythonie przedstawiony jest poniżej.

Proszę dodać fragment analizujący sygnał on-line i wykrywający moment napięcia mięśnia. Po wykryciu w najprostszej wersji niech w terminalu pojawia się komunikat o wykryciu kliknięcia. W wersji max proszę zrobić wizualizację napięcia mięśnia albo podpiąć ten sygnał do sterowania jakimś prostym interfejsem.
==== Wersja działająca z pythonem z pakietu Svarog-Lab ====
<source lang =python>
#!/opt/braintech-svarog-lab-python/bin/python3

# powinno się odpalać pythonem z pakietu Svarog-Lab
# lub python w którym są zainstalowane sterowniki z
# https://braintech.pl/pliki/svarog/svarog-streamer-src/svarog-streamer-src-latest.zip
# zaletą jest dostęp wprost do sterownika wzmacniacza
# /opt/braintech-svarog-lab-python/bin/python3

# Alternatywne wzmacniacze
# from braintech.drivers.perun32.amplifier import Perun32Amplifier as Amplifier # duży wzmacniacz na 32 kanały na USB
# from braintech.drivers.perun8.amplifiers import PerunCppAmplifier as Amplifier # headset na 8 kanałów
from braintech.drivers.tmsi.amplifiers import TmsiCppAmplifier as Amplifier # wzmacniacze TMSI

import numpy as np

# Szukamy wzmacniaczy
amps = Amplifier.get_available_amplifiers()
if len(amps) < 1:
raise Exception("Amplifier not connected")
amp = Amplifier(amps[0])

amp.sampling_rate = 1024 # dla TMSI
# amp.sampling_rate = 500 # dla Perun8, Perun32

def samples_to_microvolts(samples): # amplifier podaje próbki w integerach, wprost z ADC
return samples * gains + offsets

amp.start_sampling()
gains = np.array(amp.current_description.channel_gains)
offsets = np.array(amp.current_description.channel_offsets)
while True:
# pobieramy 16 próbek
# Proponuje używać IPython dla eksperymentowania
packet = amp.get_samples(16)
print(samples_to_microvolts(packet.samples))
print(packet.ts[0])
print(packet.samples.shape, amp.current_description.channel_names)

</source>

==== Wersja dla protokołu LSL ====

<source lang =python>
# gdy nie ma możliwości używać pythona wbudowanego w svarog-lab możliwe jest używanie streamowania do standardu LSL

# włączenie streamowania do LSL:
# w terminalu:
# svarog_streamer -l
# wypisze listę wzmacniaczy
# szukamy ID odpowiedniego wzmacniacza np:
# * Perun-8 Headset
# id: "Perun8 1"

# odpalamy stream LSL danego wzmacniacza:
# svarog_streamer -a "Perun8 1" -n "nazwa_streamu"
# nazwa streamu jest ważna, ponieważ streamy są widoczne w sieci LAN
# zaleta streamu jest też taka, że można podglądać go w Svarogu jednocześnie z naszym skryptem python
# po odpaleniu streamu można odpalać poniższy skrypt dowolnym pythonem z zainstalowanym numpy oraz pylsl

from pylsl import StreamInlet, resolve_stream
import time

nazwa_streamu = "nazwa_streamu" # należy odpowiednio zmienić na nazwę użytą w svarog_streamer -n

# znajdujemy streamy
print("szukamy streamy LSL")
streams = resolve_stream('type', 'EEG')

selected_stream = None
# wybieramy nasz
for stream in streams:
if stream.name() in nazwa_streamu:
selected_stream = stream
if selected_stream is None:
print("Nie znalesiono streamu", nazwa_streamu, "w liście", [i.name() for i in streams])
exit()

# używamy streama
inlet = StreamInlet(selected_stream)

while True:
# pobieramy próbki (w mikrowoltach)
sample, timestamp = inlet.pull_chunk(timeout=1.0, max_samples=10)
print(sample, timestamp, time.monotonic())

</source>

=== Dodatek ===
Do działania on-line przydatne może być filtrowanie sygnału w sposób biegnący. Najlepiej zastosować do tego funkcję lfilter z ustalonymi warunkami początkowymi. Używa się tego w następujący sposób:
<source lang =python>
import scipy.signal as ss
import numpy as np
import matplotlib.pyplot as plt

Fs = 256
T = 1
t = np.arange(0,T,1/Fs)
f0 = 10
f1 = 17
f2 = 23
x = (np.sin(2*np.pi*f0*t) +
np.sin(2*np.pi*f1*t ) +
np.cos(2*np.pi*f2*t))
xn = x + np.random.randn(len(t)) * 0.08

b, a = ss.butter(3, 11/(Fs/2))

zi = ss.lfilter_zi(b, a)
z, _ = ss.lfilter(b, a, xn, zi=zi*xn[0])
plt.plot(xn)
plt.plot(z)
plt.show()

</source>

==== Filtrowanie online ====

Symulacja zastosowania tego sposobu on-line; filtrujemy za każdą iteracją pętli to co przychodzi ze wzmacniacza [s]:

<source lang =python>
zi = ss.lfilter_zi(b, a)
y = np.zeros(xn.shape)
for ind, s in enumerate(xn):
y_tmp, zi = ss.lfilter(b, a, [s], zi=zi)
y[ind]=y_tmp[-1]

plt.plot(y)
plt.plot(z)
plt.plot(xn)
plt.show()

</source>

==== Dodatek 2====
Dla zabawy detektor napięcia mięśni mógłby generować kliknięcia myszki, aby np. zagrać w:

https://dino-chrome.com/

W tym celu trzeba doinstalować bibliotekę pynput:
pip3 install --user pynput

a potem zastosować kod ze strony:
https://pynput.readthedocs.io/en/latest/keyboard.html

<source lang = python>

from pynput.keyboard import Key, Controller

keyboard = Controller()

def spacja():
# Press and release space
keyboard.press(Key.space)
keyboard.release(Key.space)

from pynput.mouse import Button, Controller
mouse = Controller()

def click():
#lewy klik myszy
mouse.press(Button.left)
time.sleep(500)
mouse.release(Button.left)

</source>

==== wersja dla systemu dostępnego w Labie 4.59 na Ubuntu 18 ====
<source lang = python>
from obci_cpp_amplifiers.amplifiers import TmsiCppAmplifier
import numpy as np
amps = TmsiCppAmplifier.get_available_amplifiers('usb')
amp = TmsiCppAmplifier(amps[0])

amp.sampling_rate = 512

amp.start_sampling()
gains = np.array(amp.current_description.channel_gains)
offsets = np.array(amp.current_description.channel_offsets)

def samples_to_microvolts(samples): # z jednostek wzmacniacza do mikrowoltów
return samples * gains + offsets

while True:
# 16 próbek w pakiecie, nieodebrane próbki się bufurują i można odebrać je później
packet = amp.get_samples(16)
print(samples_to_microvolts(packet.samples))
print(packet.ts[0])
print(packet.samples.shape, amp.current_description.channel_names)

</source>

Aby wykonać go w terminalu należy uruchomić polecenie, Uwaga, aby zadziałał trzeba wyłączyć SVAROGa. Proszę przetestować czy po podłączeniu wzmacniacza i uruchomieniu tego skryptu pojawiają się w terminalu wartości próbek.

/opt/braintech/bin/python3 example.py


{{hidden begin|title=Moduł keystroke:}}
<source lang = python>
# -*- coding: utf-8 -*-
#!/usr/bin/env python
# Author:
# Mateusz Kruszyński <mateusz.kruszynski@gmail.com>
#

from Xlib import X, display, Xutil, XK
import Xlib
special_X_keysyms = {
' ' : "space",
'\t' : "Tab",
'\n' : "Return", # for some reason this needs to be cr, not lf
'\r' : "Return",
'\e' : "Escape",
'!' : "exclam",
'#' : "numbersign",
'%' : "percent",
'$' : "dollar",
'&' : "ampersand",
'"' : "quotedbl",
'\'' : "apostrophe",
'(' : "parenleft",
')' : "parenright",
'*' : "asterisk",
'=' : "equal",
'+' : "plus",
',' : "comma",
'-' : "minus",
'.' : "period",
'/' : "slash",
':' : "colon",
';' : "semicolon",
'<' : "less",
'>' : "greater",
'?' : "question",
'@' : "at",
'[' : "bracketleft",
']' : "bracketright",
'\\' : "backslash",
'^' : "asciicircum",
'_' : "underscore",
'`' : "grave",
'{' : "braceleft",
'|' : "bar",
'}' : "braceright",
'~' : "asciitilde"
}

display = display.Display()
window = display.screen().root

def wait(p_keys_list):
"""Block the whole keyboard!!! And wait until some key from p_keys_list
is pressed. By now p_keys_list is a list of strings, so use single
ascii symbols.
There is a way out of this hell - hit 'Escape'.
The function returns hit button`s string representation
Eg. for p_keys_list == ['1','2','3'] the function will hand untill
1,2 or 3 key is preseed or Escape is pressed."""
ds = display
window.grab_keyboard(1, X.GrabModeAsync, X.GrabModeAsync, X.CurrentTime)
while True:
ev = ds.next_event()
if ev.type == X.KeyPress:
keysym = ds.keycode_to_keysym(ev._data['detail'], 0)
keystr = XK.keysym_to_string(keysym)
print("Got keysym/keystr: "+str(keysym)+ ' / '+str(keystr))
if keystr in p_keys_list:
ds.ungrab_keyboard(X.CurrentTime)
ds.flush()
return keystr
elif str(keysym) in p_keys_list:
ds.ungrab_keyboard(X.CurrentTime)
ds.flush()
return keysym
elif keysym == 65307:
ds.ungrab_keyboard(X.CurrentTime)
ds.flush()
return 'Escape'

def char_to_keysym(ch) :
keysym = Xlib.XK.string_to_keysym(ch)
if keysym == 0 :
# Unfortunately, although this works to get the correct keysym
# i.e. keysym for '#' is returned as "numbersign"
# the subsequent display.keysym_to_keycode("numbersign") is 0.
keysym = Xlib.XK.string_to_keysym(special_X_keysyms[ch])
return keysym

def keysym_to_keycode(keysym):
keycode = display.keysym_to_keycode(keysym)
shift_mask = 0
return keycode, shift_mask

def char_to_keycode(ch) :
keysym = char_to_keysym(ch)
keycode = display.keysym_to_keycode(keysym)
if keycode == 0 :
print "Sorry, can't map", ch

if (is_shifted(ch)) :
shift_mask = Xlib.X.ShiftMask
else :
shift_mask = 0

return keycode, shift_mask

def is_shifted(ch) :
if ch.isupper() :
return True
if "~!@#$%^&*()_+{}|:\"<>?".find(ch) >= 0 :
return True
return False

def send_string(str) :
"""I am not working. I dont know why:("""
for ch in str :
#print "sending", ch, "=",
display.keysym_to_keycode(Xlib.XK.string_to_keysym(ch))
keycode, shift_mask = char_to_keycode(ch)
event = Xlib.protocol.event.KeyPress(
time = int(time.time()),
root = display.screen().root,
window = window,
same_screen = 0, child = Xlib.X.NONE,
root_x = 0, root_y = 0, event_x = 0, event_y = 0,
state = shift_mask,
detail = keycode
)
window.send_event(event, propagate = True)
event = Xlib.protocol.event.KeyRelease(
time = int(time.time()),
root = display.screen().root,
window = window,
same_screen = 0, child = Xlib.X.NONE,
root_x = 0, root_y = 0, event_x = 0, event_y = 0,
state = shift_mask,
detail = keycode
)
window.send_event(event, propagate = True)

if __name__ == "__main__":
import sys,time
print(wait(sys.argv[1:]))
#send_string("aBcd")
#time.sleep(10)

"""Używa się tak:
import keystroke
keystroke.wait(['a','b'])
i to wisi dopóki ktoś nie wciśnie a lub b.

Z innymi klawiszam jest tak, że trzeba ich numery podać, np żeby czakać
na SPACE można zrobić
keystroke.wait(['32'])

w razie czego funkcja się 'odwiesza' jak się wciśnie ESC."""
</source>
{{hidden end}}

Pracownia Sygnałów Bioelektrycznych

2025-04-25T06:40:32Z

Jarekz: /* Materiały */

[[category:Pracownie specjalistyczne]]

Zajęcia w roku 2025: 8:45-12

'''UWAGA: godzina 8:45 to początek zajęć, a nie schodzenia się na zajęcia'''

Dla NI link do classroom: https://classroom.google.com/c/NjY2MjI3NDU2NDA3?cjc=mvvocie

==Zasady zaliczenia pracowni==

* Obecność na zajęciach jest obowiązkowa, dopuszczalne są 2 nieusprawiedliwione nieobecności.

Materiał zajęć jest podzielony na bloki tematyczne. W każdym bloku studenci mają do wykonania zestaw ćwiczeń. Pod koniec każdego bloku konieczne będzie przesłanie raportu w postaci notebooka na adres jarekz@fuw.edu.pl

# Prezentacja wyników w notebooku powinna uwzględniać:
#* przypomnienie, co było liczone (i jak, jeśli trzeba);
#* na co należy zwrócić uwagę w prezentowanych wynikach;
#* interpretację wykresów. Część z tych informacji można dołożyć do rysunków w postaci krótkich wyjaśnień.
# Należy zadbać o prawidłową postać wykresów, w tym w szczególności:
#* obecność opisów osi (w miarę możliwości jednostek);
#* spójne zakresy osi i skalowanie wykresów;
#* właściwy dobór skali (tak, aby uwidocznić najważniejsze rzeczy);
#* obecność tytułów i innych podpisów ułatwiających zrozumienie prezentowanych treści.
# Ocenie podlegają:
#* kompletność prezentacji;
#* poprawność kodu;
#* czytelność prezentowanych wielkości i zjawisk;
#* merytoryczna poprawność wypowiedzi.



==Materiały==
[[Pracownia_Sygnałów_Biologicznych/Zajecia_1|Wprowadzenie]]
## 28.02.2025
[[Pracownia_Sygnałów_Biologicznych/Zajecia_2_4|EKG]]
## 07.03.2025 - Wstęp teoretyczny i pomiary
## 14.03.2025 - detekcja pików R i tętno
## 21.03.2025 - analiza HRV
przesyłanie notebooków z EKG/HRV do 4.04

<hr>

#[[Pracownia_Sygnałów_Biologicznych/Zajecia_5_6|EMG]]
## 28.03.2025 - wprowadzenie, pomiary, analiza ćwiczenie I
## 4.04.2025 - analiza ćwiczenie I
## 11.04.2025 - analiza ćwiczenie I
## 25.04.2025 - analiza sygnału online (ćwiczenie V), analiza ćwiczenie III -> przesyłanie notebooków z EMG do 16.05
## 07.05.2025 - seminarium SYNCC IN
#[[Pracownia_Sygnałów_Biologicznych/Zajecia_7|Spotkanie IX - XI (EOG)]]
## 16.05.2025 - podstawowe własności EOG - rejestracja
## 23.05.2025 - podstawowe własności EOG - analiza i szykowanie raportów: zwrot raportów z EOG 24.05
#[[Pracownia_Sygnałów_Biologicznych/Zajecia_9|Spotkanie XII - XIV (Wprowadzenie EEG)]]
## 30.05.2025 - [[Pracownia_EEG/EEG_spoczynkowe|EEG spoczynkowe, artefakty ]]
## 06.06.2025 - [[Pracownia_Sygnałów_Biologicznych/Zajecia_10|Analiza EEG]]
## 13.06.2025

#[[Pracownia_Sygnałów_Biologicznych/Zajecia_8|Spotkanie (GSR)]]

Pracownia Sygnałów Biologicznych/Zajecia 5 6

2025-04-25T06:39:32Z

Jarekz: /* Ćwiczenie III: zapoznanie się z sygnałami rejestrowanymi przez inwazyjne EMG */

[[Pracownia Sygnałów Bioelektrycznych]]/EMG

Pomiar EMG

==Wstęp==
[https://www.youtube.com/watch?v=w_R5t2-C5cA Filmik ilustrujący działanie mięśni]

Sygnały elektro-fizjologiczne pochodzące z mięśni nazywa się elektromiogramem (EMG).
Elektromiografia jest jednym z podstawowych badań w rozpoznawaniu chorób mięśni i nerwów obwodowych. Ma ona również wiele zastosowań naukowych. Amplituda sygnału EMG wynosi od około kilkudziesięciu μV do 10 mV, zaś pasmo sygnału obejmuje zakres częstości od 2 do 5000 Hz, przy czym największa energia sygnału znajduje się w przedziale od 50 do 150 Hz.

Istnieją dwa sposoby pomiaru sygnałów EMG — badanie igłowe i powierzchniowe. W badaniu igłowym EMG, elektroda igłowa lub igła z dwoma elektrodami wbijana jest w mięsień lub w nerw ruchowy. Następnie obserwuje się aktywność elektryczną mięśni w spoczynku i podczas wysiłku.

[[Plik:Electromyogram.png|250px|thumb|right|<figure id="fig:Electromyogram"></figure> Przykłady elektromiogramów. Panel górny — pacjent zdrowy. Panel środkowy — pacjent ze zmianami w nerwach obwodowych (neuropatia). Panel dolny — pacjent ze zmianami w mięśniach (miopatia).]]

Badanie powierzchniowe EMG wykonuje się z użyciem elektrod samoprzylepnych, umieszczonych na powierzchni skóry, zwykle elektrody bipolarne są rozmieszczone na linii równoległej do włókien. Ocenie podlegają mięśnie położone powierzchownie lub grupy mięśni.
Obydwie metody mają swoje wady i zalety. Metoda &bdquo;igłowa” umożliwia rejestrację sygnału EMG z wybranego mięśnia, podczas gdy metoda powierzchniowa rejestruje zbiorczą aktywność wielu jednostek ruchowych. Jednakże, w przeciwieństwie do metody powierzchniowej, metoda igłowa jest badaniem inwazyjnym i czasem bolesnym, które wykonywane jest w ośrodku klinicznym.

Na zajęciach przeprowadzimy powierzchniowy pomiar EMG (w literaturze często takie badanie oznacza się skrótem sEMG, ''s'' od ang. ''surface'' — powierzchnia). W tym celu umieścimy elektrody na skórze, nad mięśniami, których aktywność chcemy zbadać.

[https://youtu.be/afHpvABLCTo Filmik o zastosowaniach klinicznych EMG]

Lektura uzupełniająca: Reaz MBI, Hussain MS and Mohd-Yasin F. Techniques of EMG signal analysis: detection, processing, classification and applications. Biol. Proced. Online 2006; 8(1): 11-35. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC1455479/pdf/bpo_v8_p11_m115.pdf

==Źródła błędu==
Rejestracja sygnału EMG, podobnie jak pomiar innych sygnały bioelektrycznych podlega pewnym zakłóceniom. Są to przede wszystkim
*artefakty ruchowe,
*artefakty związane z obecnością zewnętrznych pól elektromagnetycznych.

===Artefakty ruchowe ===
W wyniku aktywacji mięśnia, ulega on skróceniu, co powoduje przemieszczanie się względem siebie mięśnia, skóry i elektrody. Przemieszczenie to powoduje zmianę amplitudy mierzonego sygnału (np. elektroda oddala się od mięśnia), zmianę potencjału DC (potencjału powstającego na granicy skóra-elektrolit) oraz rozciągniecie skóry. Jak pamiętamy z pierwszych zajęć
pomiędzy naskórkiem a skórą właściwą istnieje różnica potencjałów o amplitudzie dochodzącej do 30 mV. W trakcie rozciągania skóry, wartość to spada do 25 mV. Powstająca zmiana potencjału, o wartości około 5 mV jest w porównaniu z sygnałem EMG bardzo znacząca.

===Artefakty sieciowe ===
Artefakty sieciowe stanowią poważny problem w przypadku rejestracji sygnału EMG. Zwykle bowiem nie obserwujemy tylko zakłócenia o jednej częstości, równej częstości zmian napięcia w gniazdku zasilającym (np. w Polsce jest to 50 Hz), lecz również wyższe harmoniczne tej częstości (w Polsce będzie to 100 Hz, 150 Hz, 200 Hz, itd). Jak można zauważyć, częstości 50 Hz, 100 Hz i 150 Hz znajdują się w paśmie, w którym sygnał EMG ma największą energię. Stosowanie filtrów pasmowo zaporowych w takim przypadku nie jest wskazane, bowiem filtry jak wiemy nie tłumią ściśle określonych częstości tylko pasma o pewnej szerokości (np. 45-55 Hz, 95-105 Hz, itd). W efekcie znaczna część interesującego nas pasma sygnału EMG zostałaby odrzucona. Aby zminimalizować przenikanie od rejestrowanego sygnału EMG sygnału sieciowego o częstości 50 Hz należy zadbać o niską impedancję pomiędzy elektrodą a skóra oraz powinno mierzyć się sygnały różnicowe.

===Artefakty sieciowo-ruchowe ===
Podczas ruchu mięśnia ciało może ulec przemieszczeniu, co spowoduje ruch kabla w przestrzeni pomiędzy elektrodą a wzmacniaczem. W przestrzeni tej istnieje pole elektromagnetyczne, wywołane zasilaniem sieci elektrycznej. Ruch kabla w polu elektromagnetycznym może powodować zaburzenia sygnału o częstości 50 Hz. Ponadto układ elektrody-kable-wzmacniacz, tworzy pewne ramki, które w trakcie ruchu zmieniają kształt a także powierzchnię. Zgodnie z Prawem Indukcji Faraday'a zmiana strumienia magnetycznego powoduje powstawanie siły elektromotorycznej, która również może zakłócać pomiar.

Artefakty ruchowe można w większości wyeliminować przez zastosowanie filtru górnoprzepustowego, którego częstość odcięcia ustawia się w granicy od 10 do 20 Hz. Aby wyeliminować artefakty związane z ruchem kabla w polu elektromagnetycznym można zastosować tzw. elektrody aktywne. W elektrodach tych (miniaturowy) wzmacniacz znajduje się na elektrodzie. Wzmacnianie sygnału na elektrodzie zwiększa względną czułość układu na sygnał mierzony na elektrodzie w stosunku do zaburzenia związanego z ruchem kabla. Innym rozwiązaniem tego problemu jest zastosowanie kabli ekranowanych. Kable TMSI, których używamy na Pracowni są kablami ekranowanymi. W kablach tych, pomiędzy dwiema warstwami izolatora, istnieje dodatkowa osłona z przewodnika podłączona do wzmacniacza. Dzięki temu, zewnętrzne pole elektromagnetyczne nie przenika do środka kabla. Dodatkowo, aby wyeliminować indukowanie się ładunków w wyniku tarcia pomiędzy izolatorami a osłoną, jest ona częściowo pokryta warstwą węgla.

Sygnały do naszych zajęć znajdują się w tym katalogu:
https://drive.google.com/drive/folders/18skluB3j2CHMXX8l1UmIvNXR1tZYGU0C?usp=sharing
Proszę je pobrać.

== Ćwiczenia ==

=== Ćwiczenie I: Badanie zależności sygnału EMG od obciążenia ===
====Pomiar====
* umieść elektrodę GND na wewnętrznej części przedramienia, w połowie jego długości,
* umieść dwie elektrody do rejestracji sygnału EMG na mięśniu dwugłowym ramienia (popularnie zwanym bicepsem). Kable tych elektrod połącz z unipolarnymi wejściami wzmacniacza numer 1 i 2.
* ustaw częstość próbkowania sygnału na 2048
===== Obserwacje wstępne =====
W tej części proszę wykonać wskazane poniżej obserwacje i zarejestrować fragmenty sygnałów, które mogłyby ilustrować ciekawe obserwacje, aby można je było wykorzystać w końcowej prezentacji.

* W SVAROGU:
** badać będziemy mięsień przedramienia
** przetestuj sygnały rejestrowane w kilku różnych lokalizacjach względem mięśnia
** Przyjrzyj się przebiegowi i widmu sygnałów
** dobierz odpowiednio filtry górnoprzepustowe
** zaobserwuj czy i kiedy w sygnale pojawiają się artefakty
** porównaj sygnały rejestrowane przez elektrody bipolarne i przez elektrody monopolarne zmontowane bipolarnie

===== Rejestracja 1: napinanie i rozluźnianie ręki =====
Zarejestruj sygnał, w którym naprzemiennie po około 5 s napinasz i rozluźniasz biceps lub ściskasz i rozluźniasz pięść (dla badania mięśnia przedramienia).

===== Rejestracja 2: zwiększanie obciążenia ręki =====
Rejestrujemy dwa stany: spoczynek, narastajace obciążenie:
* zarejestruj około 1 min. sygnału spoczynkowego
* w dalszej części będziemy stopniowo zwiększać obciążenie: co około 20 s kolejne zwiększenie obciążenia - 5 lub 6 poziomów

===== Rejestracja 3: stałe obciążenie ręki =====
Rejestrujemy dwa stany: spoczynek, narastajace obciążenie:
* zarejestruj około 20s. sygnału spoczynkowego
* w dalszej części dokładamy obciążenie (środkowy poziom z poprzedniego ćwiczenia) i rejestrujemy 1 min. sygnału



====Analiza====
* Dalsze analizy robimy w pythonie (notebook).
** wykreśl sygnał
** sygnały filtrujemy: 30 Hz high-pass, 500 Hz low-pass and 50 Hz notch,
** Przedstaw przebieg średniej mocy sygnałów. Aby to zrobić podnieś próbki do kwadratu i uśrednij za pomocą średniej biegnącej o długości 0.1 s (filtrowanie oknem prostokątnym). Porównaj uzyskane przebiegi z przebiegiem sygnałów wejściowych.
** Zaproponuj algorytm detektora, wykrywającego ruch ręki.

* Zbadaj zależność parametrów sygnału EMG od obciązenia mięśnia:
** Predstaw wykres średnią amplitudę (odchylenie standardowe) od obciążenia
** Przedstaw widma dla kolejnych obciążeń (na wspólnym wykresie). Do estymacji wykorzystaj metodę Welcha, dobierając parametry tak aby rodzielczość częstotliwościowa była 1Hz.
** Przedstaw mapę czas-częstość (rozważ spectrogram i scalogram - czy któraś z technik jest tu lepsza?) dla całego zapisu. Zaobserwuj jakie zmiany następują w widmie wraz ze wzrostem obciążenia.

* Zbadaj zależność parametrów sygnału EMG od zmęczenia mięśnia:
** Przedstaw mapę czas-częstość dla całego czasu rejestracji. Zaobserwuj jakie zmiany następują w widmie wraz z czasem.
** Przedstaw ewolucję czasową mediany widma



=== Ćwiczenie II: Analiza napięcia mięśni twarzy pod wpływem bodźców emocjonalnych ===
====Pomiar====
* Zamontuj pary elektrod nad wybranymi trzema mięśniami uczestniczącymi w wyrażaniu prezentowanych emocji. Uziemienie umieść na obojczyku.
* Ustaw częstość rejestracji na 2048 Hz
* Uruchom procedurę eksperymentalną w SVAROGU (menu psychopy).

====Analiza====
* Analizę oprzemy na art. https://www.researchgate.net/publication/247901198_Dynamic_facial_expressions-_EMG_study
** sygnały filtrujemy: 30 Hz high-pass, 500 Hz low-pass and 50 Hz notch,
** podnosimy próbki do kwadratu
** wygładzamy średnią biegnącą o długości 50 ms.

* Zaczniemy od analizy sygnałów z procedury czynnej (Blok 2).
** korzystając z tagów wytnij fragmenty sygnału (wygładzonego) od -1s do 1 s po bodźcu wg. typów emocji
** zastosuj "baseline correction" tzn. odejmij od otrzymanych wycinków średnią z sek. poprzedzającej bodziec
** nałóż na siebie wycięte fragmenty z każdej pary elektrod osobno w każdej z kategorii emocji.
** zaobserwuj powtarzalność aktywacji mięśni. Czy występują jakieś wyraźne artefakty? Jeśli tak, to usuń je z zestawu danych i uśrednij pozostałe fragmenty.

* W procedurze biernej powtórz powyższe kroki analizy i porównaj występujące wzorce z procedurą aktywną

=== Ćwiczenie III: zapoznanie się z sygnałami rejestrowanymi przez inwazyjne EMG===
Proszę wczytać i przyjrzeć się sygnałom
[https://drive.google.com/file/d/1AO7w4m2F3nkSzISYXAeDGCpjMIRDx5NS/view?usp=sharing zdrowy.bin],
[https://drive.google.com/file/d/1APY5xDQJrwFuPY_V7Uza9JrKSgew1Yx1/view?usp=sharing miopatia.bin],
[https://drive.google.com/file/d/1ARzqLlYYLmhyefkBsOkoQBx4ToYpQ3yK/view?usp=sharing neuropatia.bin]. Sygnały są zapisane jako dtype='float64'
Częstość próbkowania 4000Hz, amplitudy zapisane są w mV. Dane pochodzą z bazy Physionet: https://physionet.org/content/emgdb/1.0.0/

Proszę przeczytać informację o tych danych. W raporcie proszę napisać istotne informacje o tych sygnałach i wybrać charakterystyczne fragmenty typowe dla danego stanu klinicznego.




=== Ćwiczenie V: Wykorzystanie pomiaru EMG do sterowania on-line ===

Przykładowy fragment kodu <tt>example.py</tt> umożliwiający odbieranie sygnału on line w pythonie przedstawiony jest poniżej.

Proszę dodać fragment analizujący sygnał on-line i wykrywający moment napięcia mięśnia. Po wykryciu w najprostszej wersji niech w terminalu pojawia się komunikat o wykryciu kliknięcia. W wersji max proszę zrobić wizualizację napięcia mięśnia albo podpiąć ten sygnał do sterowania jakimś prostym interfejsem.
==== Wersja działająca z pythonem z pakietu Svarog-Lab ====
<source lang =python>
#!/opt/braintech-svarog-lab-python/bin/python3

# powinno się odpalać pythonem z pakietu Svarog-Lab
# lub python w którym są zainstalowane sterowniki z
# https://braintech.pl/pliki/svarog/svarog-streamer-src/svarog-streamer-src-latest.zip
# zaletą jest dostęp wprost do sterownika wzmacniacza
# /opt/braintech-svarog-lab-python/bin/python3

# Alternatywne wzmacniacze
# from braintech.drivers.perun32.amplifier import Perun32Amplifier as Amplifier # duży wzmacniacz na 32 kanały na USB
# from braintech.drivers.perun8.amplifiers import PerunCppAmplifier as Amplifier # headset na 8 kanałów
from braintech.drivers.tmsi.amplifiers import TmsiCppAmplifier as Amplifier # wzmacniacze TMSI

import numpy as np

# Szukamy wzmacniaczy
amps = Amplifier.get_available_amplifiers()
if len(amps) < 1:
raise Exception("Amplifier not connected")
amp = Amplifier(amps[0])

amp.sampling_rate = 1024 # dla TMSI
# amp.sampling_rate = 500 # dla Perun8, Perun32

def samples_to_microvolts(samples): # amplifier podaje próbki w integerach, wprost z ADC
return samples * gains + offsets

amp.start_sampling()
gains = np.array(amp.current_description.channel_gains)
offsets = np.array(amp.current_description.channel_offsets)
while True:
# pobieramy 16 próbek
# Proponuje używać IPython dla eksperymentowania
packet = amp.get_samples(16)
print(samples_to_microvolts(packet.samples))
print(packet.ts[0])
print(packet.samples.shape, amp.current_description.channel_names)

</source>

==== Wersja dla protokołu LSL ====

<source lang =python>
# gdy nie ma możliwości używać pythona wbudowanego w svarog-lab możliwe jest używanie streamowania do standardu LSL

# włączenie streamowania do LSL:
# w terminalu:
# svarog_streamer -l
# wypisze listę wzmacniaczy
# szukamy ID odpowiedniego wzmacniacza np:
# * Perun-8 Headset
# id: "Perun8 1"

# odpalamy stream LSL danego wzmacniacza:
# svarog_streamer -a "Perun8 1" -n "nazwa_streamu"
# nazwa streamu jest ważna, ponieważ streamy są widoczne w sieci LAN
# zaleta streamu jest też taka, że można podglądać go w Svarogu jednocześnie z naszym skryptem python
# po odpaleniu streamu można odpalać poniższy skrypt dowolnym pythonem z zainstalowanym numpy oraz pylsl

from pylsl import StreamInlet, resolve_stream
import time

nazwa_streamu = "nazwa_streamu" # należy odpowiednio zmienić na nazwę użytą w svarog_streamer -n

# znajdujemy streamy
print("szukamy streamy LSL")
streams = resolve_stream('type', 'EEG')

selected_stream = None
# wybieramy nasz
for stream in streams:
if stream.name() in nazwa_streamu:
selected_stream = stream
if selected_stream is None:
print("Nie znalesiono streamu", nazwa_streamu, "w liście", [i.name() for i in streams])
exit()

# używamy streama
inlet = StreamInlet(selected_stream)

while True:
# pobieramy próbki (w mikrowoltach)
sample, timestamp = inlet.pull_chunk(timeout=1.0, max_samples=10)
print(sample, timestamp, time.monotonic())

</source>

=== Dodatek ===
Do działania on-line przydatne może być filtrowanie sygnału w sposób biegnący. Najlepiej zastosować do tego funkcję lfilter z ustalonymi warunkami początkowymi. Używa się tego w następujący sposób:
<source lang =python>
import scipy.signal as ss
import numpy as np
import matplotlib.pyplot as plt

Fs = 256
T = 1
t = np.arange(0,T,1/Fs)
f0 = 10
f1 = 17
f2 = 23
x = (np.sin(2*np.pi*f0*t) +
np.sin(2*np.pi*f1*t ) +
np.cos(2*np.pi*f2*t))
xn = x + np.random.randn(len(t)) * 0.08

b, a = ss.butter(3, 11/(Fs/2))

zi = ss.lfilter_zi(b, a)
z, _ = ss.lfilter(b, a, xn, zi=zi*xn[0])
plt.plot(xn)
plt.plot(z)
plt.show()

</source>

==== Filtrowanie online ====

Symulacja zastosowania tego sposobu on-line; filtrujemy za każdą iteracją pętli to co przychodzi ze wzmacniacza [s]:

<source lang =python>
zi = ss.lfilter_zi(b, a)
y = np.zeros(xn.shape)
for ind, s in enumerate(xn):
y_tmp, zi = ss.lfilter(b, a, [s], zi=zi)
y[ind]=y_tmp[-1]

plt.plot(y)
plt.plot(z)
plt.plot(xn)
plt.show()

</source>

==== Dodatek 2====
Dla zabawy detektor napięcia mięśni mógłby generować kliknięcia myszki, aby np. zagrać w:

https://dino-chrome.com/

W tym celu trzeba doinstalować bibliotekę pynput:
pip3 install --user pynput

a potem zastosować kod ze strony:
https://pynput.readthedocs.io/en/latest/keyboard.html

<source lang = python>

from pynput.keyboard import Key, Controller

keyboard = Controller()

def spacja():
# Press and release space
keyboard.press(Key.space)
keyboard.release(Key.space)

from pynput.mouse import Button, Controller
mouse = Controller()

def click():
#lewy klik myszy
mouse.press(Button.left)
time.sleep(500)
mouse.release(Button.left)

</source>

==== wersja dla systemu dostępnego w Labie 4.59 na Ubuntu 18 ====
<source lang = python>
from obci_cpp_amplifiers.amplifiers import TmsiCppAmplifier
import numpy as np
amps = TmsiCppAmplifier.get_available_amplifiers('usb')
amp = TmsiCppAmplifier(amps[0])

amp.sampling_rate = 512

amp.start_sampling()
gains = np.array(amp.current_description.channel_gains)
offsets = np.array(amp.current_description.channel_offsets)

def samples_to_microvolts(samples): # z jednostek wzmacniacza do mikrowoltów
return samples * gains + offsets

while True:
# 16 próbek w pakiecie, nieodebrane próbki się bufurują i można odebrać je później
packet = amp.get_samples(16)
print(samples_to_microvolts(packet.samples))
print(packet.ts[0])
print(packet.samples.shape, amp.current_description.channel_names)

</source>

Aby wykonać go w terminalu należy uruchomić polecenie, Uwaga, aby zadziałał trzeba wyłączyć SVAROGa. Proszę przetestować czy po podłączeniu wzmacniacza i uruchomieniu tego skryptu pojawiają się w terminalu wartości próbek.

/opt/braintech/bin/python3 example.py


{{hidden begin|title=Moduł keystroke:}}
<source lang = python>
# -*- coding: utf-8 -*-
#!/usr/bin/env python
# Author:
# Mateusz Kruszyński <mateusz.kruszynski@gmail.com>
#

from Xlib import X, display, Xutil, XK
import Xlib
special_X_keysyms = {
' ' : "space",
'\t' : "Tab",
'\n' : "Return", # for some reason this needs to be cr, not lf
'\r' : "Return",
'\e' : "Escape",
'!' : "exclam",
'#' : "numbersign",
'%' : "percent",
'$' : "dollar",
'&' : "ampersand",
'"' : "quotedbl",
'\'' : "apostrophe",
'(' : "parenleft",
')' : "parenright",
'*' : "asterisk",
'=' : "equal",
'+' : "plus",
',' : "comma",
'-' : "minus",
'.' : "period",
'/' : "slash",
':' : "colon",
';' : "semicolon",
'<' : "less",
'>' : "greater",
'?' : "question",
'@' : "at",
'[' : "bracketleft",
']' : "bracketright",
'\\' : "backslash",
'^' : "asciicircum",
'_' : "underscore",
'`' : "grave",
'{' : "braceleft",
'|' : "bar",
'}' : "braceright",
'~' : "asciitilde"
}

display = display.Display()
window = display.screen().root

def wait(p_keys_list):
"""Block the whole keyboard!!! And wait until some key from p_keys_list
is pressed. By now p_keys_list is a list of strings, so use single
ascii symbols.
There is a way out of this hell - hit 'Escape'.
The function returns hit button`s string representation
Eg. for p_keys_list == ['1','2','3'] the function will hand untill
1,2 or 3 key is preseed or Escape is pressed."""
ds = display
window.grab_keyboard(1, X.GrabModeAsync, X.GrabModeAsync, X.CurrentTime)
while True:
ev = ds.next_event()
if ev.type == X.KeyPress:
keysym = ds.keycode_to_keysym(ev._data['detail'], 0)
keystr = XK.keysym_to_string(keysym)
print("Got keysym/keystr: "+str(keysym)+ ' / '+str(keystr))
if keystr in p_keys_list:
ds.ungrab_keyboard(X.CurrentTime)
ds.flush()
return keystr
elif str(keysym) in p_keys_list:
ds.ungrab_keyboard(X.CurrentTime)
ds.flush()
return keysym
elif keysym == 65307:
ds.ungrab_keyboard(X.CurrentTime)
ds.flush()
return 'Escape'

def char_to_keysym(ch) :
keysym = Xlib.XK.string_to_keysym(ch)
if keysym == 0 :
# Unfortunately, although this works to get the correct keysym
# i.e. keysym for '#' is returned as "numbersign"
# the subsequent display.keysym_to_keycode("numbersign") is 0.
keysym = Xlib.XK.string_to_keysym(special_X_keysyms[ch])
return keysym

def keysym_to_keycode(keysym):
keycode = display.keysym_to_keycode(keysym)
shift_mask = 0
return keycode, shift_mask

def char_to_keycode(ch) :
keysym = char_to_keysym(ch)
keycode = display.keysym_to_keycode(keysym)
if keycode == 0 :
print "Sorry, can't map", ch

if (is_shifted(ch)) :
shift_mask = Xlib.X.ShiftMask
else :
shift_mask = 0

return keycode, shift_mask

def is_shifted(ch) :
if ch.isupper() :
return True
if "~!@#$%^&*()_+{}|:\"<>?".find(ch) >= 0 :
return True
return False

def send_string(str) :
"""I am not working. I dont know why:("""
for ch in str :
#print "sending", ch, "=",
display.keysym_to_keycode(Xlib.XK.string_to_keysym(ch))
keycode, shift_mask = char_to_keycode(ch)
event = Xlib.protocol.event.KeyPress(
time = int(time.time()),
root = display.screen().root,
window = window,
same_screen = 0, child = Xlib.X.NONE,
root_x = 0, root_y = 0, event_x = 0, event_y = 0,
state = shift_mask,
detail = keycode
)
window.send_event(event, propagate = True)
event = Xlib.protocol.event.KeyRelease(
time = int(time.time()),
root = display.screen().root,
window = window,
same_screen = 0, child = Xlib.X.NONE,
root_x = 0, root_y = 0, event_x = 0, event_y = 0,
state = shift_mask,
detail = keycode
)
window.send_event(event, propagate = True)

if __name__ == "__main__":
import sys,time
print(wait(sys.argv[1:]))
#send_string("aBcd")
#time.sleep(10)

"""Używa się tak:
import keystroke
keystroke.wait(['a','b'])
i to wisi dopóki ktoś nie wciśnie a lub b.

Z innymi klawiszam jest tak, że trzeba ich numery podać, np żeby czakać
na SPACE można zrobić
keystroke.wait(['32'])

w razie czego funkcja się 'odwiesza' jak się wciśnie ESC."""
</source>
{{hidden end}}

Pracownia Sygnałów Biologicznych/Zajecia 5 6

2025-04-25T06:38:15Z

Jarekz: /* Ćwiczenie III: zapoznanie się z sygnałami rejestrowanymi przez inwazyjne EMG */

[[Pracownia Sygnałów Bioelektrycznych]]/EMG

Pomiar EMG

==Wstęp==
[https://www.youtube.com/watch?v=w_R5t2-C5cA Filmik ilustrujący działanie mięśni]

Sygnały elektro-fizjologiczne pochodzące z mięśni nazywa się elektromiogramem (EMG).
Elektromiografia jest jednym z podstawowych badań w rozpoznawaniu chorób mięśni i nerwów obwodowych. Ma ona również wiele zastosowań naukowych. Amplituda sygnału EMG wynosi od około kilkudziesięciu μV do 10 mV, zaś pasmo sygnału obejmuje zakres częstości od 2 do 5000 Hz, przy czym największa energia sygnału znajduje się w przedziale od 50 do 150 Hz.

Istnieją dwa sposoby pomiaru sygnałów EMG — badanie igłowe i powierzchniowe. W badaniu igłowym EMG, elektroda igłowa lub igła z dwoma elektrodami wbijana jest w mięsień lub w nerw ruchowy. Następnie obserwuje się aktywność elektryczną mięśni w spoczynku i podczas wysiłku.

[[Plik:Electromyogram.png|250px|thumb|right|<figure id="fig:Electromyogram"></figure> Przykłady elektromiogramów. Panel górny — pacjent zdrowy. Panel środkowy — pacjent ze zmianami w nerwach obwodowych (neuropatia). Panel dolny — pacjent ze zmianami w mięśniach (miopatia).]]

Badanie powierzchniowe EMG wykonuje się z użyciem elektrod samoprzylepnych, umieszczonych na powierzchni skóry, zwykle elektrody bipolarne są rozmieszczone na linii równoległej do włókien. Ocenie podlegają mięśnie położone powierzchownie lub grupy mięśni.
Obydwie metody mają swoje wady i zalety. Metoda &bdquo;igłowa” umożliwia rejestrację sygnału EMG z wybranego mięśnia, podczas gdy metoda powierzchniowa rejestruje zbiorczą aktywność wielu jednostek ruchowych. Jednakże, w przeciwieństwie do metody powierzchniowej, metoda igłowa jest badaniem inwazyjnym i czasem bolesnym, które wykonywane jest w ośrodku klinicznym.

Na zajęciach przeprowadzimy powierzchniowy pomiar EMG (w literaturze często takie badanie oznacza się skrótem sEMG, ''s'' od ang. ''surface'' — powierzchnia). W tym celu umieścimy elektrody na skórze, nad mięśniami, których aktywność chcemy zbadać.

[https://youtu.be/afHpvABLCTo Filmik o zastosowaniach klinicznych EMG]

Lektura uzupełniająca: Reaz MBI, Hussain MS and Mohd-Yasin F. Techniques of EMG signal analysis: detection, processing, classification and applications. Biol. Proced. Online 2006; 8(1): 11-35. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC1455479/pdf/bpo_v8_p11_m115.pdf

==Źródła błędu==
Rejestracja sygnału EMG, podobnie jak pomiar innych sygnały bioelektrycznych podlega pewnym zakłóceniom. Są to przede wszystkim
*artefakty ruchowe,
*artefakty związane z obecnością zewnętrznych pól elektromagnetycznych.

===Artefakty ruchowe ===
W wyniku aktywacji mięśnia, ulega on skróceniu, co powoduje przemieszczanie się względem siebie mięśnia, skóry i elektrody. Przemieszczenie to powoduje zmianę amplitudy mierzonego sygnału (np. elektroda oddala się od mięśnia), zmianę potencjału DC (potencjału powstającego na granicy skóra-elektrolit) oraz rozciągniecie skóry. Jak pamiętamy z pierwszych zajęć
pomiędzy naskórkiem a skórą właściwą istnieje różnica potencjałów o amplitudzie dochodzącej do 30 mV. W trakcie rozciągania skóry, wartość to spada do 25 mV. Powstająca zmiana potencjału, o wartości około 5 mV jest w porównaniu z sygnałem EMG bardzo znacząca.

===Artefakty sieciowe ===
Artefakty sieciowe stanowią poważny problem w przypadku rejestracji sygnału EMG. Zwykle bowiem nie obserwujemy tylko zakłócenia o jednej częstości, równej częstości zmian napięcia w gniazdku zasilającym (np. w Polsce jest to 50 Hz), lecz również wyższe harmoniczne tej częstości (w Polsce będzie to 100 Hz, 150 Hz, 200 Hz, itd). Jak można zauważyć, częstości 50 Hz, 100 Hz i 150 Hz znajdują się w paśmie, w którym sygnał EMG ma największą energię. Stosowanie filtrów pasmowo zaporowych w takim przypadku nie jest wskazane, bowiem filtry jak wiemy nie tłumią ściśle określonych częstości tylko pasma o pewnej szerokości (np. 45-55 Hz, 95-105 Hz, itd). W efekcie znaczna część interesującego nas pasma sygnału EMG zostałaby odrzucona. Aby zminimalizować przenikanie od rejestrowanego sygnału EMG sygnału sieciowego o częstości 50 Hz należy zadbać o niską impedancję pomiędzy elektrodą a skóra oraz powinno mierzyć się sygnały różnicowe.

===Artefakty sieciowo-ruchowe ===
Podczas ruchu mięśnia ciało może ulec przemieszczeniu, co spowoduje ruch kabla w przestrzeni pomiędzy elektrodą a wzmacniaczem. W przestrzeni tej istnieje pole elektromagnetyczne, wywołane zasilaniem sieci elektrycznej. Ruch kabla w polu elektromagnetycznym może powodować zaburzenia sygnału o częstości 50 Hz. Ponadto układ elektrody-kable-wzmacniacz, tworzy pewne ramki, które w trakcie ruchu zmieniają kształt a także powierzchnię. Zgodnie z Prawem Indukcji Faraday'a zmiana strumienia magnetycznego powoduje powstawanie siły elektromotorycznej, która również może zakłócać pomiar.

Artefakty ruchowe można w większości wyeliminować przez zastosowanie filtru górnoprzepustowego, którego częstość odcięcia ustawia się w granicy od 10 do 20 Hz. Aby wyeliminować artefakty związane z ruchem kabla w polu elektromagnetycznym można zastosować tzw. elektrody aktywne. W elektrodach tych (miniaturowy) wzmacniacz znajduje się na elektrodzie. Wzmacnianie sygnału na elektrodzie zwiększa względną czułość układu na sygnał mierzony na elektrodzie w stosunku do zaburzenia związanego z ruchem kabla. Innym rozwiązaniem tego problemu jest zastosowanie kabli ekranowanych. Kable TMSI, których używamy na Pracowni są kablami ekranowanymi. W kablach tych, pomiędzy dwiema warstwami izolatora, istnieje dodatkowa osłona z przewodnika podłączona do wzmacniacza. Dzięki temu, zewnętrzne pole elektromagnetyczne nie przenika do środka kabla. Dodatkowo, aby wyeliminować indukowanie się ładunków w wyniku tarcia pomiędzy izolatorami a osłoną, jest ona częściowo pokryta warstwą węgla.

Sygnały do naszych zajęć znajdują się w tym katalogu:
https://drive.google.com/drive/folders/18skluB3j2CHMXX8l1UmIvNXR1tZYGU0C?usp=sharing
Proszę je pobrać.

== Ćwiczenia ==

=== Ćwiczenie I: Badanie zależności sygnału EMG od obciążenia ===
====Pomiar====
* umieść elektrodę GND na wewnętrznej części przedramienia, w połowie jego długości,
* umieść dwie elektrody do rejestracji sygnału EMG na mięśniu dwugłowym ramienia (popularnie zwanym bicepsem). Kable tych elektrod połącz z unipolarnymi wejściami wzmacniacza numer 1 i 2.
* ustaw częstość próbkowania sygnału na 2048
===== Obserwacje wstępne =====
W tej części proszę wykonać wskazane poniżej obserwacje i zarejestrować fragmenty sygnałów, które mogłyby ilustrować ciekawe obserwacje, aby można je było wykorzystać w końcowej prezentacji.

* W SVAROGU:
** badać będziemy mięsień przedramienia
** przetestuj sygnały rejestrowane w kilku różnych lokalizacjach względem mięśnia
** Przyjrzyj się przebiegowi i widmu sygnałów
** dobierz odpowiednio filtry górnoprzepustowe
** zaobserwuj czy i kiedy w sygnale pojawiają się artefakty
** porównaj sygnały rejestrowane przez elektrody bipolarne i przez elektrody monopolarne zmontowane bipolarnie

===== Rejestracja 1: napinanie i rozluźnianie ręki =====
Zarejestruj sygnał, w którym naprzemiennie po około 5 s napinasz i rozluźniasz biceps lub ściskasz i rozluźniasz pięść (dla badania mięśnia przedramienia).

===== Rejestracja 2: zwiększanie obciążenia ręki =====
Rejestrujemy dwa stany: spoczynek, narastajace obciążenie:
* zarejestruj około 1 min. sygnału spoczynkowego
* w dalszej części będziemy stopniowo zwiększać obciążenie: co około 20 s kolejne zwiększenie obciążenia - 5 lub 6 poziomów

===== Rejestracja 3: stałe obciążenie ręki =====
Rejestrujemy dwa stany: spoczynek, narastajace obciążenie:
* zarejestruj około 20s. sygnału spoczynkowego
* w dalszej części dokładamy obciążenie (środkowy poziom z poprzedniego ćwiczenia) i rejestrujemy 1 min. sygnału



====Analiza====
* Dalsze analizy robimy w pythonie (notebook).
** wykreśl sygnał
** sygnały filtrujemy: 30 Hz high-pass, 500 Hz low-pass and 50 Hz notch,
** Przedstaw przebieg średniej mocy sygnałów. Aby to zrobić podnieś próbki do kwadratu i uśrednij za pomocą średniej biegnącej o długości 0.1 s (filtrowanie oknem prostokątnym). Porównaj uzyskane przebiegi z przebiegiem sygnałów wejściowych.
** Zaproponuj algorytm detektora, wykrywającego ruch ręki.

* Zbadaj zależność parametrów sygnału EMG od obciązenia mięśnia:
** Predstaw wykres średnią amplitudę (odchylenie standardowe) od obciążenia
** Przedstaw widma dla kolejnych obciążeń (na wspólnym wykresie). Do estymacji wykorzystaj metodę Welcha, dobierając parametry tak aby rodzielczość częstotliwościowa była 1Hz.
** Przedstaw mapę czas-częstość (rozważ spectrogram i scalogram - czy któraś z technik jest tu lepsza?) dla całego zapisu. Zaobserwuj jakie zmiany następują w widmie wraz ze wzrostem obciążenia.

* Zbadaj zależność parametrów sygnału EMG od zmęczenia mięśnia:
** Przedstaw mapę czas-częstość dla całego czasu rejestracji. Zaobserwuj jakie zmiany następują w widmie wraz z czasem.
** Przedstaw ewolucję czasową mediany widma



=== Ćwiczenie II: Analiza napięcia mięśni twarzy pod wpływem bodźców emocjonalnych ===
====Pomiar====
* Zamontuj pary elektrod nad wybranymi trzema mięśniami uczestniczącymi w wyrażaniu prezentowanych emocji. Uziemienie umieść na obojczyku.
* Ustaw częstość rejestracji na 2048 Hz
* Uruchom procedurę eksperymentalną w SVAROGU (menu psychopy).

====Analiza====
* Analizę oprzemy na art. https://www.researchgate.net/publication/247901198_Dynamic_facial_expressions-_EMG_study
** sygnały filtrujemy: 30 Hz high-pass, 500 Hz low-pass and 50 Hz notch,
** podnosimy próbki do kwadratu
** wygładzamy średnią biegnącą o długości 50 ms.

* Zaczniemy od analizy sygnałów z procedury czynnej (Blok 2).
** korzystając z tagów wytnij fragmenty sygnału (wygładzonego) od -1s do 1 s po bodźcu wg. typów emocji
** zastosuj "baseline correction" tzn. odejmij od otrzymanych wycinków średnią z sek. poprzedzającej bodziec
** nałóż na siebie wycięte fragmenty z każdej pary elektrod osobno w każdej z kategorii emocji.
** zaobserwuj powtarzalność aktywacji mięśni. Czy występują jakieś wyraźne artefakty? Jeśli tak, to usuń je z zestawu danych i uśrednij pozostałe fragmenty.

* W procedurze biernej powtórz powyższe kroki analizy i porównaj występujące wzorce z procedurą aktywną

=== Ćwiczenie III: zapoznanie się z sygnałami rejestrowanymi przez inwazyjne EMG===
Proszę wczytać i przyjrzeć się sygnałom
[https://drive.google.com/file/d/1AO7w4m2F3nkSzISYXAeDGCpjMIRDx5NS/view?usp=sharing zdrowy.bin],
[https://drive.google.com/file/d/1APY5xDQJrwFuPY_V7Uza9JrKSgew1Yx1/view?usp=sharing miopatia.bin],
[https://drive.google.com/file/d/1ARzqLlYYLmhyefkBsOkoQBx4ToYpQ3yK/view?usp=sharing neuropatia.bin]. Sygnały są zapisane jako dtype='float64'
Częstość próbkowania 4000Hz, amplitudy zapisane są w mV. Dane pochodzą z bazy Physionet: https://physionet.org/content/emgdb/1.0.0/

Proszę przeczytać informację o tych danych. W raporcie proszę napisać istotne informacje o tych sygnałach i wybrać charakterystyczne fragmenty typowe dla danego stanu klinicznego.


-->

=== Ćwiczenie V: Wykorzystanie pomiaru EMG do sterowania on-line ===

Przykładowy fragment kodu <tt>example.py</tt> umożliwiający odbieranie sygnału on line w pythonie przedstawiony jest poniżej.

Proszę dodać fragment analizujący sygnał on-line i wykrywający moment napięcia mięśnia. Po wykryciu w najprostszej wersji niech w terminalu pojawia się komunikat o wykryciu kliknięcia. W wersji max proszę zrobić wizualizację napięcia mięśnia albo podpiąć ten sygnał do sterowania jakimś prostym interfejsem.
==== Wersja działająca z pythonem z pakietu Svarog-Lab ====
<source lang =python>
#!/opt/braintech-svarog-lab-python/bin/python3

# powinno się odpalać pythonem z pakietu Svarog-Lab
# lub python w którym są zainstalowane sterowniki z
# https://braintech.pl/pliki/svarog/svarog-streamer-src/svarog-streamer-src-latest.zip
# zaletą jest dostęp wprost do sterownika wzmacniacza
# /opt/braintech-svarog-lab-python/bin/python3

# Alternatywne wzmacniacze
# from braintech.drivers.perun32.amplifier import Perun32Amplifier as Amplifier # duży wzmacniacz na 32 kanały na USB
# from braintech.drivers.perun8.amplifiers import PerunCppAmplifier as Amplifier # headset na 8 kanałów
from braintech.drivers.tmsi.amplifiers import TmsiCppAmplifier as Amplifier # wzmacniacze TMSI

import numpy as np

# Szukamy wzmacniaczy
amps = Amplifier.get_available_amplifiers()
if len(amps) < 1:
raise Exception("Amplifier not connected")
amp = Amplifier(amps[0])

amp.sampling_rate = 1024 # dla TMSI
# amp.sampling_rate = 500 # dla Perun8, Perun32

def samples_to_microvolts(samples): # amplifier podaje próbki w integerach, wprost z ADC
return samples * gains + offsets

amp.start_sampling()
gains = np.array(amp.current_description.channel_gains)
offsets = np.array(amp.current_description.channel_offsets)
while True:
# pobieramy 16 próbek
# Proponuje używać IPython dla eksperymentowania
packet = amp.get_samples(16)
print(samples_to_microvolts(packet.samples))
print(packet.ts[0])
print(packet.samples.shape, amp.current_description.channel_names)

</source>

==== Wersja dla protokołu LSL ====

<source lang =python>
# gdy nie ma możliwości używać pythona wbudowanego w svarog-lab możliwe jest używanie streamowania do standardu LSL

# włączenie streamowania do LSL:
# w terminalu:
# svarog_streamer -l
# wypisze listę wzmacniaczy
# szukamy ID odpowiedniego wzmacniacza np:
# * Perun-8 Headset
# id: "Perun8 1"

# odpalamy stream LSL danego wzmacniacza:
# svarog_streamer -a "Perun8 1" -n "nazwa_streamu"
# nazwa streamu jest ważna, ponieważ streamy są widoczne w sieci LAN
# zaleta streamu jest też taka, że można podglądać go w Svarogu jednocześnie z naszym skryptem python
# po odpaleniu streamu można odpalać poniższy skrypt dowolnym pythonem z zainstalowanym numpy oraz pylsl

from pylsl import StreamInlet, resolve_stream
import time

nazwa_streamu = "nazwa_streamu" # należy odpowiednio zmienić na nazwę użytą w svarog_streamer -n

# znajdujemy streamy
print("szukamy streamy LSL")
streams = resolve_stream('type', 'EEG')

selected_stream = None
# wybieramy nasz
for stream in streams:
if stream.name() in nazwa_streamu:
selected_stream = stream
if selected_stream is None:
print("Nie znalesiono streamu", nazwa_streamu, "w liście", [i.name() for i in streams])
exit()

# używamy streama
inlet = StreamInlet(selected_stream)

while True:
# pobieramy próbki (w mikrowoltach)
sample, timestamp = inlet.pull_chunk(timeout=1.0, max_samples=10)
print(sample, timestamp, time.monotonic())

</source>

=== Dodatek ===
Do działania on-line przydatne może być filtrowanie sygnału w sposób biegnący. Najlepiej zastosować do tego funkcję lfilter z ustalonymi warunkami początkowymi. Używa się tego w następujący sposób:
<source lang =python>
import scipy.signal as ss
import numpy as np
import matplotlib.pyplot as plt

Fs = 256
T = 1
t = np.arange(0,T,1/Fs)
f0 = 10
f1 = 17
f2 = 23
x = (np.sin(2*np.pi*f0*t) +
np.sin(2*np.pi*f1*t ) +
np.cos(2*np.pi*f2*t))
xn = x + np.random.randn(len(t)) * 0.08

b, a = ss.butter(3, 11/(Fs/2))

zi = ss.lfilter_zi(b, a)
z, _ = ss.lfilter(b, a, xn, zi=zi*xn[0])
plt.plot(xn)
plt.plot(z)
plt.show()

</source>

==== Filtrowanie online ====

Symulacja zastosowania tego sposobu on-line; filtrujemy za każdą iteracją pętli to co przychodzi ze wzmacniacza [s]:

<source lang =python>
zi = ss.lfilter_zi(b, a)
y = np.zeros(xn.shape)
for ind, s in enumerate(xn):
y_tmp, zi = ss.lfilter(b, a, [s], zi=zi)
y[ind]=y_tmp[-1]

plt.plot(y)
plt.plot(z)
plt.plot(xn)
plt.show()

</source>

==== Dodatek 2====
Dla zabawy detektor napięcia mięśni mógłby generować kliknięcia myszki, aby np. zagrać w:

https://dino-chrome.com/

W tym celu trzeba doinstalować bibliotekę pynput:
pip3 install --user pynput

a potem zastosować kod ze strony:
https://pynput.readthedocs.io/en/latest/keyboard.html

<source lang = python>

from pynput.keyboard import Key, Controller

keyboard = Controller()

def spacja():
# Press and release space
keyboard.press(Key.space)
keyboard.release(Key.space)

from pynput.mouse import Button, Controller
mouse = Controller()

def click():
#lewy klik myszy
mouse.press(Button.left)
time.sleep(500)
mouse.release(Button.left)

</source>

==== wersja dla systemu dostępnego w Labie 4.59 na Ubuntu 18 ====
<source lang = python>
from obci_cpp_amplifiers.amplifiers import TmsiCppAmplifier
import numpy as np
amps = TmsiCppAmplifier.get_available_amplifiers('usb')
amp = TmsiCppAmplifier(amps[0])

amp.sampling_rate = 512

amp.start_sampling()
gains = np.array(amp.current_description.channel_gains)
offsets = np.array(amp.current_description.channel_offsets)

def samples_to_microvolts(samples): # z jednostek wzmacniacza do mikrowoltów
return samples * gains + offsets

while True:
# 16 próbek w pakiecie, nieodebrane próbki się bufurują i można odebrać je później
packet = amp.get_samples(16)
print(samples_to_microvolts(packet.samples))
print(packet.ts[0])
print(packet.samples.shape, amp.current_description.channel_names)

</source>

Aby wykonać go w terminalu należy uruchomić polecenie, Uwaga, aby zadziałał trzeba wyłączyć SVAROGa. Proszę przetestować czy po podłączeniu wzmacniacza i uruchomieniu tego skryptu pojawiają się w terminalu wartości próbek.

/opt/braintech/bin/python3 example.py


{{hidden begin|title=Moduł keystroke:}}
<source lang = python>
# -*- coding: utf-8 -*-
#!/usr/bin/env python
# Author:
# Mateusz Kruszyński <mateusz.kruszynski@gmail.com>
#

from Xlib import X, display, Xutil, XK
import Xlib
special_X_keysyms = {
' ' : "space",
'\t' : "Tab",
'\n' : "Return", # for some reason this needs to be cr, not lf
'\r' : "Return",
'\e' : "Escape",
'!' : "exclam",
'#' : "numbersign",
'%' : "percent",
'$' : "dollar",
'&' : "ampersand",
'"' : "quotedbl",
'\'' : "apostrophe",
'(' : "parenleft",
')' : "parenright",
'*' : "asterisk",
'=' : "equal",
'+' : "plus",
',' : "comma",
'-' : "minus",
'.' : "period",
'/' : "slash",
':' : "colon",
';' : "semicolon",
'<' : "less",
'>' : "greater",
'?' : "question",
'@' : "at",
'[' : "bracketleft",
']' : "bracketright",
'\\' : "backslash",
'^' : "asciicircum",
'_' : "underscore",
'`' : "grave",
'{' : "braceleft",
'|' : "bar",
'}' : "braceright",
'~' : "asciitilde"
}

display = display.Display()
window = display.screen().root

def wait(p_keys_list):
"""Block the whole keyboard!!! And wait until some key from p_keys_list
is pressed. By now p_keys_list is a list of strings, so use single
ascii symbols.
There is a way out of this hell - hit 'Escape'.
The function returns hit button`s string representation
Eg. for p_keys_list == ['1','2','3'] the function will hand untill
1,2 or 3 key is preseed or Escape is pressed."""
ds = display
window.grab_keyboard(1, X.GrabModeAsync, X.GrabModeAsync, X.CurrentTime)
while True:
ev = ds.next_event()
if ev.type == X.KeyPress:
keysym = ds.keycode_to_keysym(ev._data['detail'], 0)
keystr = XK.keysym_to_string(keysym)
print("Got keysym/keystr: "+str(keysym)+ ' / '+str(keystr))
if keystr in p_keys_list:
ds.ungrab_keyboard(X.CurrentTime)
ds.flush()
return keystr
elif str(keysym) in p_keys_list:
ds.ungrab_keyboard(X.CurrentTime)
ds.flush()
return keysym
elif keysym == 65307:
ds.ungrab_keyboard(X.CurrentTime)
ds.flush()
return 'Escape'

def char_to_keysym(ch) :
keysym = Xlib.XK.string_to_keysym(ch)
if keysym == 0 :
# Unfortunately, although this works to get the correct keysym
# i.e. keysym for '#' is returned as "numbersign"
# the subsequent display.keysym_to_keycode("numbersign") is 0.
keysym = Xlib.XK.string_to_keysym(special_X_keysyms[ch])
return keysym

def keysym_to_keycode(keysym):
keycode = display.keysym_to_keycode(keysym)
shift_mask = 0
return keycode, shift_mask

def char_to_keycode(ch) :
keysym = char_to_keysym(ch)
keycode = display.keysym_to_keycode(keysym)
if keycode == 0 :
print "Sorry, can't map", ch

if (is_shifted(ch)) :
shift_mask = Xlib.X.ShiftMask
else :
shift_mask = 0

return keycode, shift_mask

def is_shifted(ch) :
if ch.isupper() :
return True
if "~!@#$%^&*()_+{}|:\"<>?".find(ch) >= 0 :
return True
return False

def send_string(str) :
"""I am not working. I dont know why:("""
for ch in str :
#print "sending", ch, "=",
display.keysym_to_keycode(Xlib.XK.string_to_keysym(ch))
keycode, shift_mask = char_to_keycode(ch)
event = Xlib.protocol.event.KeyPress(
time = int(time.time()),
root = display.screen().root,
window = window,
same_screen = 0, child = Xlib.X.NONE,
root_x = 0, root_y = 0, event_x = 0, event_y = 0,
state = shift_mask,
detail = keycode
)
window.send_event(event, propagate = True)
event = Xlib.protocol.event.KeyRelease(
time = int(time.time()),
root = display.screen().root,
window = window,
same_screen = 0, child = Xlib.X.NONE,
root_x = 0, root_y = 0, event_x = 0, event_y = 0,
state = shift_mask,
detail = keycode
)
window.send_event(event, propagate = True)

if __name__ == "__main__":
import sys,time
print(wait(sys.argv[1:]))
#send_string("aBcd")
#time.sleep(10)

"""Używa się tak:
import keystroke
keystroke.wait(['a','b'])
i to wisi dopóki ktoś nie wciśnie a lub b.

Z innymi klawiszam jest tak, że trzeba ich numery podać, np żeby czakać
na SPACE można zrobić
keystroke.wait(['32'])

w razie czego funkcja się 'odwiesza' jak się wciśnie ESC."""
</source>
{{hidden end}}

Pracownia Sygnałów Biologicznych/Zajecia 5 6

2025-04-25T06:37:42Z

Jarekz: /* Ćwiczenie III: zapoznanie się z sygnałami rejestrowanymi przez inwazyjne EMG */

[[Pracownia Sygnałów Bioelektrycznych]]/EMG

Pomiar EMG

==Wstęp==
[https://www.youtube.com/watch?v=w_R5t2-C5cA Filmik ilustrujący działanie mięśni]

Sygnały elektro-fizjologiczne pochodzące z mięśni nazywa się elektromiogramem (EMG).
Elektromiografia jest jednym z podstawowych badań w rozpoznawaniu chorób mięśni i nerwów obwodowych. Ma ona również wiele zastosowań naukowych. Amplituda sygnału EMG wynosi od około kilkudziesięciu μV do 10 mV, zaś pasmo sygnału obejmuje zakres częstości od 2 do 5000 Hz, przy czym największa energia sygnału znajduje się w przedziale od 50 do 150 Hz.

Istnieją dwa sposoby pomiaru sygnałów EMG — badanie igłowe i powierzchniowe. W badaniu igłowym EMG, elektroda igłowa lub igła z dwoma elektrodami wbijana jest w mięsień lub w nerw ruchowy. Następnie obserwuje się aktywność elektryczną mięśni w spoczynku i podczas wysiłku.

[[Plik:Electromyogram.png|250px|thumb|right|<figure id="fig:Electromyogram"></figure> Przykłady elektromiogramów. Panel górny — pacjent zdrowy. Panel środkowy — pacjent ze zmianami w nerwach obwodowych (neuropatia). Panel dolny — pacjent ze zmianami w mięśniach (miopatia).]]

Badanie powierzchniowe EMG wykonuje się z użyciem elektrod samoprzylepnych, umieszczonych na powierzchni skóry, zwykle elektrody bipolarne są rozmieszczone na linii równoległej do włókien. Ocenie podlegają mięśnie położone powierzchownie lub grupy mięśni.
Obydwie metody mają swoje wady i zalety. Metoda &bdquo;igłowa” umożliwia rejestrację sygnału EMG z wybranego mięśnia, podczas gdy metoda powierzchniowa rejestruje zbiorczą aktywność wielu jednostek ruchowych. Jednakże, w przeciwieństwie do metody powierzchniowej, metoda igłowa jest badaniem inwazyjnym i czasem bolesnym, które wykonywane jest w ośrodku klinicznym.

Na zajęciach przeprowadzimy powierzchniowy pomiar EMG (w literaturze często takie badanie oznacza się skrótem sEMG, ''s'' od ang. ''surface'' — powierzchnia). W tym celu umieścimy elektrody na skórze, nad mięśniami, których aktywność chcemy zbadać.

[https://youtu.be/afHpvABLCTo Filmik o zastosowaniach klinicznych EMG]

Lektura uzupełniająca: Reaz MBI, Hussain MS and Mohd-Yasin F. Techniques of EMG signal analysis: detection, processing, classification and applications. Biol. Proced. Online 2006; 8(1): 11-35. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC1455479/pdf/bpo_v8_p11_m115.pdf

==Źródła błędu==
Rejestracja sygnału EMG, podobnie jak pomiar innych sygnały bioelektrycznych podlega pewnym zakłóceniom. Są to przede wszystkim
*artefakty ruchowe,
*artefakty związane z obecnością zewnętrznych pól elektromagnetycznych.

===Artefakty ruchowe ===
W wyniku aktywacji mięśnia, ulega on skróceniu, co powoduje przemieszczanie się względem siebie mięśnia, skóry i elektrody. Przemieszczenie to powoduje zmianę amplitudy mierzonego sygnału (np. elektroda oddala się od mięśnia), zmianę potencjału DC (potencjału powstającego na granicy skóra-elektrolit) oraz rozciągniecie skóry. Jak pamiętamy z pierwszych zajęć
pomiędzy naskórkiem a skórą właściwą istnieje różnica potencjałów o amplitudzie dochodzącej do 30 mV. W trakcie rozciągania skóry, wartość to spada do 25 mV. Powstająca zmiana potencjału, o wartości około 5 mV jest w porównaniu z sygnałem EMG bardzo znacząca.

===Artefakty sieciowe ===
Artefakty sieciowe stanowią poważny problem w przypadku rejestracji sygnału EMG. Zwykle bowiem nie obserwujemy tylko zakłócenia o jednej częstości, równej częstości zmian napięcia w gniazdku zasilającym (np. w Polsce jest to 50 Hz), lecz również wyższe harmoniczne tej częstości (w Polsce będzie to 100 Hz, 150 Hz, 200 Hz, itd). Jak można zauważyć, częstości 50 Hz, 100 Hz i 150 Hz znajdują się w paśmie, w którym sygnał EMG ma największą energię. Stosowanie filtrów pasmowo zaporowych w takim przypadku nie jest wskazane, bowiem filtry jak wiemy nie tłumią ściśle określonych częstości tylko pasma o pewnej szerokości (np. 45-55 Hz, 95-105 Hz, itd). W efekcie znaczna część interesującego nas pasma sygnału EMG zostałaby odrzucona. Aby zminimalizować przenikanie od rejestrowanego sygnału EMG sygnału sieciowego o częstości 50 Hz należy zadbać o niską impedancję pomiędzy elektrodą a skóra oraz powinno mierzyć się sygnały różnicowe.

===Artefakty sieciowo-ruchowe ===
Podczas ruchu mięśnia ciało może ulec przemieszczeniu, co spowoduje ruch kabla w przestrzeni pomiędzy elektrodą a wzmacniaczem. W przestrzeni tej istnieje pole elektromagnetyczne, wywołane zasilaniem sieci elektrycznej. Ruch kabla w polu elektromagnetycznym może powodować zaburzenia sygnału o częstości 50 Hz. Ponadto układ elektrody-kable-wzmacniacz, tworzy pewne ramki, które w trakcie ruchu zmieniają kształt a także powierzchnię. Zgodnie z Prawem Indukcji Faraday'a zmiana strumienia magnetycznego powoduje powstawanie siły elektromotorycznej, która również może zakłócać pomiar.

Artefakty ruchowe można w większości wyeliminować przez zastosowanie filtru górnoprzepustowego, którego częstość odcięcia ustawia się w granicy od 10 do 20 Hz. Aby wyeliminować artefakty związane z ruchem kabla w polu elektromagnetycznym można zastosować tzw. elektrody aktywne. W elektrodach tych (miniaturowy) wzmacniacz znajduje się na elektrodzie. Wzmacnianie sygnału na elektrodzie zwiększa względną czułość układu na sygnał mierzony na elektrodzie w stosunku do zaburzenia związanego z ruchem kabla. Innym rozwiązaniem tego problemu jest zastosowanie kabli ekranowanych. Kable TMSI, których używamy na Pracowni są kablami ekranowanymi. W kablach tych, pomiędzy dwiema warstwami izolatora, istnieje dodatkowa osłona z przewodnika podłączona do wzmacniacza. Dzięki temu, zewnętrzne pole elektromagnetyczne nie przenika do środka kabla. Dodatkowo, aby wyeliminować indukowanie się ładunków w wyniku tarcia pomiędzy izolatorami a osłoną, jest ona częściowo pokryta warstwą węgla.

Sygnały do naszych zajęć znajdują się w tym katalogu:
https://drive.google.com/drive/folders/18skluB3j2CHMXX8l1UmIvNXR1tZYGU0C?usp=sharing
Proszę je pobrać.

== Ćwiczenia ==

=== Ćwiczenie I: Badanie zależności sygnału EMG od obciążenia ===
====Pomiar====
* umieść elektrodę GND na wewnętrznej części przedramienia, w połowie jego długości,
* umieść dwie elektrody do rejestracji sygnału EMG na mięśniu dwugłowym ramienia (popularnie zwanym bicepsem). Kable tych elektrod połącz z unipolarnymi wejściami wzmacniacza numer 1 i 2.
* ustaw częstość próbkowania sygnału na 2048
===== Obserwacje wstępne =====
W tej części proszę wykonać wskazane poniżej obserwacje i zarejestrować fragmenty sygnałów, które mogłyby ilustrować ciekawe obserwacje, aby można je było wykorzystać w końcowej prezentacji.

* W SVAROGU:
** badać będziemy mięsień przedramienia
** przetestuj sygnały rejestrowane w kilku różnych lokalizacjach względem mięśnia
** Przyjrzyj się przebiegowi i widmu sygnałów
** dobierz odpowiednio filtry górnoprzepustowe
** zaobserwuj czy i kiedy w sygnale pojawiają się artefakty
** porównaj sygnały rejestrowane przez elektrody bipolarne i przez elektrody monopolarne zmontowane bipolarnie

===== Rejestracja 1: napinanie i rozluźnianie ręki =====
Zarejestruj sygnał, w którym naprzemiennie po około 5 s napinasz i rozluźniasz biceps lub ściskasz i rozluźniasz pięść (dla badania mięśnia przedramienia).

===== Rejestracja 2: zwiększanie obciążenia ręki =====
Rejestrujemy dwa stany: spoczynek, narastajace obciążenie:
* zarejestruj około 1 min. sygnału spoczynkowego
* w dalszej części będziemy stopniowo zwiększać obciążenie: co około 20 s kolejne zwiększenie obciążenia - 5 lub 6 poziomów

===== Rejestracja 3: stałe obciążenie ręki =====
Rejestrujemy dwa stany: spoczynek, narastajace obciążenie:
* zarejestruj około 20s. sygnału spoczynkowego
* w dalszej części dokładamy obciążenie (środkowy poziom z poprzedniego ćwiczenia) i rejestrujemy 1 min. sygnału



====Analiza====
* Dalsze analizy robimy w pythonie (notebook).
** wykreśl sygnał
** sygnały filtrujemy: 30 Hz high-pass, 500 Hz low-pass and 50 Hz notch,
** Przedstaw przebieg średniej mocy sygnałów. Aby to zrobić podnieś próbki do kwadratu i uśrednij za pomocą średniej biegnącej o długości 0.1 s (filtrowanie oknem prostokątnym). Porównaj uzyskane przebiegi z przebiegiem sygnałów wejściowych.
** Zaproponuj algorytm detektora, wykrywającego ruch ręki.

* Zbadaj zależność parametrów sygnału EMG od obciązenia mięśnia:
** Predstaw wykres średnią amplitudę (odchylenie standardowe) od obciążenia
** Przedstaw widma dla kolejnych obciążeń (na wspólnym wykresie). Do estymacji wykorzystaj metodę Welcha, dobierając parametry tak aby rodzielczość częstotliwościowa była 1Hz.
** Przedstaw mapę czas-częstość (rozważ spectrogram i scalogram - czy któraś z technik jest tu lepsza?) dla całego zapisu. Zaobserwuj jakie zmiany następują w widmie wraz ze wzrostem obciążenia.

* Zbadaj zależność parametrów sygnału EMG od zmęczenia mięśnia:
** Przedstaw mapę czas-częstość dla całego czasu rejestracji. Zaobserwuj jakie zmiany następują w widmie wraz z czasem.
** Przedstaw ewolucję czasową mediany widma



=== Ćwiczenie II: Analiza napięcia mięśni twarzy pod wpływem bodźców emocjonalnych ===
====Pomiar====
* Zamontuj pary elektrod nad wybranymi trzema mięśniami uczestniczącymi w wyrażaniu prezentowanych emocji. Uziemienie umieść na obojczyku.
* Ustaw częstość rejestracji na 2048 Hz
* Uruchom procedurę eksperymentalną w SVAROGU (menu psychopy).

====Analiza====
* Analizę oprzemy na art. https://www.researchgate.net/publication/247901198_Dynamic_facial_expressions-_EMG_study
** sygnały filtrujemy: 30 Hz high-pass, 500 Hz low-pass and 50 Hz notch,
** podnosimy próbki do kwadratu
** wygładzamy średnią biegnącą o długości 50 ms.

* Zaczniemy od analizy sygnałów z procedury czynnej (Blok 2).
** korzystając z tagów wytnij fragmenty sygnału (wygładzonego) od -1s do 1 s po bodźcu wg. typów emocji
** zastosuj "baseline correction" tzn. odejmij od otrzymanych wycinków średnią z sek. poprzedzającej bodziec
** nałóż na siebie wycięte fragmenty z każdej pary elektrod osobno w każdej z kategorii emocji.
** zaobserwuj powtarzalność aktywacji mięśni. Czy występują jakieś wyraźne artefakty? Jeśli tak, to usuń je z zestawu danych i uśrednij pozostałe fragmenty.

* W procedurze biernej powtórz powyższe kroki analizy i porównaj występujące wzorce z procedurą aktywną

=== Ćwiczenie III: zapoznanie się z sygnałami rejestrowanymi przez inwazyjne EMG===
Proszę wczytać i przyjrzeć się sygnałom
[https://drive.google.com/file/d/1AO7w4m2F3nkSzISYXAeDGCpjMIRDx5NS/view?usp=sharing zdrowy.bin],
[https://drive.google.com/file/d/1APY5xDQJrwFuPY_V7Uza9JrKSgew1Yx1/view?usp=sharing miopatia.bin],
[https://drive.google.com/file/d/1ARzqLlYYLmhyefkBsOkoQBx4ToYpQ3yK/view?usp=sharing neuropatia.bin]. Sygnały są zapisane jako dtype='float64'
Częstość próbkowania 4000Hz, amplitudy zapisane są w mV. Dane pochodzą z bazy Physionet: https://physionet.org/content/emgdb/1.0.0/

Proszę przeczytać informację o tych danych. W raporcie proszę napisać istotne informacje o tych sygnałach i wybrać charakterystyczne fragmenty typowe dla danego stanu klinicznego.

<--
=== Ćwiczenie IV: detekcja aktywności wybranej jednostki ruchowej===
Wstępna symulacja:

Proszę wykonać i przmyśleć wynik następującej symulacji:

<source lang = python>
import matplotlib.pylab as plt
import numpy as np
import scipy.signal as ss

x = np.array([0,0, 1, 2, 3, 4, 4, 4, 6, 0], dtype=float)
y = np.array([0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0, 1, 2, 3, 4, 4, 4, 6, 0,0, 0,0, 0,0, 0,0, 0,0], dtype=float)

h = np.flip(x)/np.linalg.norm(x)
z = ss.lfilter(h,[1],y)

wzorzec = x/np.linalg.norm(x)
Nw = len(wzorzec)
zz = np.zeros(y.shape)
for i in range(len(y)-Nw):
zz[i+Nw-1] = np.dot(wzorzec,y[i:i+Nw])

plt.plot(x)
plt.plot(y)
plt.plot(z)
plt.plot(zz,'.')
plt.legend(('x','y','z','zz'))

</source>

Będziemy analizować sygnał: zdrowy.bin
* jako wzorzec poszukiwany przyjmij fragment sygnału pomiędzy: 0.110 do 0.124 s
* za pomocą analogicznej techniki spróbuj określić wystąpienia struktur podobnych do wzorca.
* wykryj wystąpienia poszczególnych jednostek ruchowych w sygnale z neuropatii.


-->

=== Ćwiczenie V: Wykorzystanie pomiaru EMG do sterowania on-line ===

Przykładowy fragment kodu <tt>example.py</tt> umożliwiający odbieranie sygnału on line w pythonie przedstawiony jest poniżej.

Proszę dodać fragment analizujący sygnał on-line i wykrywający moment napięcia mięśnia. Po wykryciu w najprostszej wersji niech w terminalu pojawia się komunikat o wykryciu kliknięcia. W wersji max proszę zrobić wizualizację napięcia mięśnia albo podpiąć ten sygnał do sterowania jakimś prostym interfejsem.
==== Wersja działająca z pythonem z pakietu Svarog-Lab ====
<source lang =python>
#!/opt/braintech-svarog-lab-python/bin/python3

# powinno się odpalać pythonem z pakietu Svarog-Lab
# lub python w którym są zainstalowane sterowniki z
# https://braintech.pl/pliki/svarog/svarog-streamer-src/svarog-streamer-src-latest.zip
# zaletą jest dostęp wprost do sterownika wzmacniacza
# /opt/braintech-svarog-lab-python/bin/python3

# Alternatywne wzmacniacze
# from braintech.drivers.perun32.amplifier import Perun32Amplifier as Amplifier # duży wzmacniacz na 32 kanały na USB
# from braintech.drivers.perun8.amplifiers import PerunCppAmplifier as Amplifier # headset na 8 kanałów
from braintech.drivers.tmsi.amplifiers import TmsiCppAmplifier as Amplifier # wzmacniacze TMSI

import numpy as np

# Szukamy wzmacniaczy
amps = Amplifier.get_available_amplifiers()
if len(amps) < 1:
raise Exception("Amplifier not connected")
amp = Amplifier(amps[0])

amp.sampling_rate = 1024 # dla TMSI
# amp.sampling_rate = 500 # dla Perun8, Perun32

def samples_to_microvolts(samples): # amplifier podaje próbki w integerach, wprost z ADC
return samples * gains + offsets

amp.start_sampling()
gains = np.array(amp.current_description.channel_gains)
offsets = np.array(amp.current_description.channel_offsets)
while True:
# pobieramy 16 próbek
# Proponuje używać IPython dla eksperymentowania
packet = amp.get_samples(16)
print(samples_to_microvolts(packet.samples))
print(packet.ts[0])
print(packet.samples.shape, amp.current_description.channel_names)

</source>

==== Wersja dla protokołu LSL ====

<source lang =python>
# gdy nie ma możliwości używać pythona wbudowanego w svarog-lab możliwe jest używanie streamowania do standardu LSL

# włączenie streamowania do LSL:
# w terminalu:
# svarog_streamer -l
# wypisze listę wzmacniaczy
# szukamy ID odpowiedniego wzmacniacza np:
# * Perun-8 Headset
# id: "Perun8 1"

# odpalamy stream LSL danego wzmacniacza:
# svarog_streamer -a "Perun8 1" -n "nazwa_streamu"
# nazwa streamu jest ważna, ponieważ streamy są widoczne w sieci LAN
# zaleta streamu jest też taka, że można podglądać go w Svarogu jednocześnie z naszym skryptem python
# po odpaleniu streamu można odpalać poniższy skrypt dowolnym pythonem z zainstalowanym numpy oraz pylsl

from pylsl import StreamInlet, resolve_stream
import time

nazwa_streamu = "nazwa_streamu" # należy odpowiednio zmienić na nazwę użytą w svarog_streamer -n

# znajdujemy streamy
print("szukamy streamy LSL")
streams = resolve_stream('type', 'EEG')

selected_stream = None
# wybieramy nasz
for stream in streams:
if stream.name() in nazwa_streamu:
selected_stream = stream
if selected_stream is None:
print("Nie znalesiono streamu", nazwa_streamu, "w liście", [i.name() for i in streams])
exit()

# używamy streama
inlet = StreamInlet(selected_stream)

while True:
# pobieramy próbki (w mikrowoltach)
sample, timestamp = inlet.pull_chunk(timeout=1.0, max_samples=10)
print(sample, timestamp, time.monotonic())

</source>

=== Dodatek ===
Do działania on-line przydatne może być filtrowanie sygnału w sposób biegnący. Najlepiej zastosować do tego funkcję lfilter z ustalonymi warunkami początkowymi. Używa się tego w następujący sposób:
<source lang =python>
import scipy.signal as ss
import numpy as np
import matplotlib.pyplot as plt

Fs = 256
T = 1
t = np.arange(0,T,1/Fs)
f0 = 10
f1 = 17
f2 = 23
x = (np.sin(2*np.pi*f0*t) +
np.sin(2*np.pi*f1*t ) +
np.cos(2*np.pi*f2*t))
xn = x + np.random.randn(len(t)) * 0.08

b, a = ss.butter(3, 11/(Fs/2))

zi = ss.lfilter_zi(b, a)
z, _ = ss.lfilter(b, a, xn, zi=zi*xn[0])
plt.plot(xn)
plt.plot(z)
plt.show()

</source>

==== Filtrowanie online ====

Symulacja zastosowania tego sposobu on-line; filtrujemy za każdą iteracją pętli to co przychodzi ze wzmacniacza [s]:

<source lang =python>
zi = ss.lfilter_zi(b, a)
y = np.zeros(xn.shape)
for ind, s in enumerate(xn):
y_tmp, zi = ss.lfilter(b, a, [s], zi=zi)
y[ind]=y_tmp[-1]

plt.plot(y)
plt.plot(z)
plt.plot(xn)
plt.show()

</source>

==== Dodatek 2====
Dla zabawy detektor napięcia mięśni mógłby generować kliknięcia myszki, aby np. zagrać w:

https://dino-chrome.com/

W tym celu trzeba doinstalować bibliotekę pynput:
pip3 install --user pynput

a potem zastosować kod ze strony:
https://pynput.readthedocs.io/en/latest/keyboard.html

<source lang = python>

from pynput.keyboard import Key, Controller

keyboard = Controller()

def spacja():
# Press and release space
keyboard.press(Key.space)
keyboard.release(Key.space)

from pynput.mouse import Button, Controller
mouse = Controller()

def click():
#lewy klik myszy
mouse.press(Button.left)
time.sleep(500)
mouse.release(Button.left)

</source>

==== wersja dla systemu dostępnego w Labie 4.59 na Ubuntu 18 ====
<source lang = python>
from obci_cpp_amplifiers.amplifiers import TmsiCppAmplifier
import numpy as np
amps = TmsiCppAmplifier.get_available_amplifiers('usb')
amp = TmsiCppAmplifier(amps[0])

amp.sampling_rate = 512

amp.start_sampling()
gains = np.array(amp.current_description.channel_gains)
offsets = np.array(amp.current_description.channel_offsets)

def samples_to_microvolts(samples): # z jednostek wzmacniacza do mikrowoltów
return samples * gains + offsets

while True:
# 16 próbek w pakiecie, nieodebrane próbki się bufurują i można odebrać je później
packet = amp.get_samples(16)
print(samples_to_microvolts(packet.samples))
print(packet.ts[0])
print(packet.samples.shape, amp.current_description.channel_names)

</source>

Aby wykonać go w terminalu należy uruchomić polecenie, Uwaga, aby zadziałał trzeba wyłączyć SVAROGa. Proszę przetestować czy po podłączeniu wzmacniacza i uruchomieniu tego skryptu pojawiają się w terminalu wartości próbek.

/opt/braintech/bin/python3 example.py


{{hidden begin|title=Moduł keystroke:}}
<source lang = python>
# -*- coding: utf-8 -*-
#!/usr/bin/env python
# Author:
# Mateusz Kruszyński <mateusz.kruszynski@gmail.com>
#

from Xlib import X, display, Xutil, XK
import Xlib
special_X_keysyms = {
' ' : "space",
'\t' : "Tab",
'\n' : "Return", # for some reason this needs to be cr, not lf
'\r' : "Return",
'\e' : "Escape",
'!' : "exclam",
'#' : "numbersign",
'%' : "percent",
'$' : "dollar",
'&' : "ampersand",
'"' : "quotedbl",
'\'' : "apostrophe",
'(' : "parenleft",
')' : "parenright",
'*' : "asterisk",
'=' : "equal",
'+' : "plus",
',' : "comma",
'-' : "minus",
'.' : "period",
'/' : "slash",
':' : "colon",
';' : "semicolon",
'<' : "less",
'>' : "greater",
'?' : "question",
'@' : "at",
'[' : "bracketleft",
']' : "bracketright",
'\\' : "backslash",
'^' : "asciicircum",
'_' : "underscore",
'`' : "grave",
'{' : "braceleft",
'|' : "bar",
'}' : "braceright",
'~' : "asciitilde"
}

display = display.Display()
window = display.screen().root

def wait(p_keys_list):
"""Block the whole keyboard!!! And wait until some key from p_keys_list
is pressed. By now p_keys_list is a list of strings, so use single
ascii symbols.
There is a way out of this hell - hit 'Escape'.
The function returns hit button`s string representation
Eg. for p_keys_list == ['1','2','3'] the function will hand untill
1,2 or 3 key is preseed or Escape is pressed."""
ds = display
window.grab_keyboard(1, X.GrabModeAsync, X.GrabModeAsync, X.CurrentTime)
while True:
ev = ds.next_event()
if ev.type == X.KeyPress:
keysym = ds.keycode_to_keysym(ev._data['detail'], 0)
keystr = XK.keysym_to_string(keysym)
print("Got keysym/keystr: "+str(keysym)+ ' / '+str(keystr))
if keystr in p_keys_list:
ds.ungrab_keyboard(X.CurrentTime)
ds.flush()
return keystr
elif str(keysym) in p_keys_list:
ds.ungrab_keyboard(X.CurrentTime)
ds.flush()
return keysym
elif keysym == 65307:
ds.ungrab_keyboard(X.CurrentTime)
ds.flush()
return 'Escape'

def char_to_keysym(ch) :
keysym = Xlib.XK.string_to_keysym(ch)
if keysym == 0 :
# Unfortunately, although this works to get the correct keysym
# i.e. keysym for '#' is returned as "numbersign"
# the subsequent display.keysym_to_keycode("numbersign") is 0.
keysym = Xlib.XK.string_to_keysym(special_X_keysyms[ch])
return keysym

def keysym_to_keycode(keysym):
keycode = display.keysym_to_keycode(keysym)
shift_mask = 0
return keycode, shift_mask

def char_to_keycode(ch) :
keysym = char_to_keysym(ch)
keycode = display.keysym_to_keycode(keysym)
if keycode == 0 :
print "Sorry, can't map", ch

if (is_shifted(ch)) :
shift_mask = Xlib.X.ShiftMask
else :
shift_mask = 0

return keycode, shift_mask

def is_shifted(ch) :
if ch.isupper() :
return True
if "~!@#$%^&*()_+{}|:\"<>?".find(ch) >= 0 :
return True
return False

def send_string(str) :
"""I am not working. I dont know why:("""
for ch in str :
#print "sending", ch, "=",
display.keysym_to_keycode(Xlib.XK.string_to_keysym(ch))
keycode, shift_mask = char_to_keycode(ch)
event = Xlib.protocol.event.KeyPress(
time = int(time.time()),
root = display.screen().root,
window = window,
same_screen = 0, child = Xlib.X.NONE,
root_x = 0, root_y = 0, event_x = 0, event_y = 0,
state = shift_mask,
detail = keycode
)
window.send_event(event, propagate = True)
event = Xlib.protocol.event.KeyRelease(
time = int(time.time()),
root = display.screen().root,
window = window,
same_screen = 0, child = Xlib.X.NONE,
root_x = 0, root_y = 0, event_x = 0, event_y = 0,
state = shift_mask,
detail = keycode
)
window.send_event(event, propagate = True)

if __name__ == "__main__":
import sys,time
print(wait(sys.argv[1:]))
#send_string("aBcd")
#time.sleep(10)

"""Używa się tak:
import keystroke
keystroke.wait(['a','b'])
i to wisi dopóki ktoś nie wciśnie a lub b.

Z innymi klawiszam jest tak, że trzeba ich numery podać, np żeby czakać
na SPACE można zrobić
keystroke.wait(['32'])

w razie czego funkcja się 'odwiesza' jak się wciśnie ESC."""
</source>
{{hidden end}}

Laboratorium EEG/CSP

2025-04-16T09:06:45Z

Jarekz: /* Definicja */

[[Laboratorium_EEG]]/BSS

=Prezentacja=
[https://brain.fuw.edu.pl/edu/images/2/2f/BSS.pdf slajdy z prezentacji]

=Ślepa separacja źródeł (BSS)=
{{hidden begin|title=Wstęp teoretyczny do BSS}}
Rozważmy ''N''-kanałowy sygnał EEG.
Próbkę tego sygnału możemy przedstawić jako punkt w przestrzeni rozpiętej przez osie, z których każda reprezentuje wartość potencjału w jednym kanale. Cały sygnał tworzy w tej przestrzeni chmurę punktów. Rozciągłość tej chmury w danym kierunku mówi nam o wariancji (zmienności) sygnału w tym kierunku.

Taki zbiór punktów wygodniej jest analizować w układzie współrzędnych zgodnym z osiami głównymi macierzy kowariancji.
W dalszej części rozważań założymy, że te przestrzenie, w których rozważamy sygnały są przestrzeniami wektorowymi, a pojedyncze próbki wielokanałowego sygnału są wektorami.
[[Plik:Kowariancja.png|200px|center]]

==Filtry przestrzenne i ślepa separacja źródeł==
Sygnał EEG jest superpozycją aktywności elektrycznej wielu źródeł.
Jak można estymować aktywność samych źródeł?
[[Plik:Mieszanie.png|200px|center]]
Niech:
: <math>s(t)</math> - aktywność niezależnych źródeł,
: <math>x(t)</math> mierzony sygnał
: <math>A</math> macierz przejścia taka, że:
::<math>x(t) = A s(t)</math> (*)
:<math>s(t) = A^{-1}x(t) = P x(t)</math>
Macierz kowariancji dla sygnałów <math>x(t)</math> estymujemy tak:
:<math> C_x = E[x(t)x(t)^T]</math>
Podstawiając (*) mamy:
:<math> C_x = E[x x^T] = E[As(As)^T] = A E[s s^T] A^T = A C_s A^T</math>
Z założenia, że źródła są niezależne wynika, że macierz <math>C_s</math> jest diagonalna.
Przekształcając powyższe równanie możemy zapisać:
:<math>A^{-1} C_x (A^T)^{-1} = P C_x P^T = C_s</math>
Odwzorowanie <math>P = A^{-1}</math> diagonalizuje macierz <math>C_x</math>.

Powyższe rozumowanie jest słuszne w przypadku gdy mamy do czynienia z sygnałem stacjonarnym, tzn. jego macierz kowariancji jest niezależna od czasu, czyli przez cały czas aktywna jest ta sama konfiguracja źródeł niezależnych.
W przypadku gdy tak nie jest to konstrukcję filtra przestrzennego można oprzeć o jednoczesną diagonalizację macierzy kowariancji odpowiadających różnym stanom osoby badanej.

[[Plik:Diagonalizacja.png|200px|center]]

==Common Spatial Pattern ==
===Koncepcja===
Dla ustalenia uwagi możemy myśleć o eksperymencie wywołującym potencjał P300. Mamy w nim dwie sytuacje eksperymentalne. Oznaczmy <math>T</math> (target) próby, w których pojawił się oczekiwany bodziec, zaś <math>NT</math> (non-target) gdy pojawił się bodziec standardowy.
Chcielibyśmy znaleźć taki montaż (czyli taką kombinację liniową kanałów), który maksymalizuje stosunek mocy (wariancji) sygnałów rejestrowanych w dwóch rożnych warunkach eksperymentalnych.

===Formalizm===
Metoda ta polega na znalezieniu takiego kierunku <math>w</math> w przestrzeni sygnałów, że sygnał z warunku <math>T</math> rzutowany na ten kierunek ma dużą wariancje a sygnał z warunku <math>NT</math> ma wariancję małą.

Rzutowanie sygnału <math>x(t)</math> na kierunek <math>w</math> odbywa się przez policzenie iloczynu skalarnego dla każdej chwili czasu <math>t</math>:
:<math> s_w(t) = w^T x(t)</math>
Wariancja tego rzutowanego sygnału to:
:<math> \mathrm{var}(s_w) = E[s_w s_w^T] = E[ w^T x (w^T x)^T] = w^T E[x x^T] w = w^T C_x w </math>
Zatem znalezienie właściwego kierunku rzutowania można wyrazić jako szukanie maksimum wyrażenia <math> J(w) </math> (jest to tzw. iloraz Rayleigha):
: <math>J(w) = \frac{w^T C_T w}{w^T C_{NT} w} </math>
Ekstremum tego ilorazu można znaleźć poprzez policzenie gradientu <math>J(w)</math> i przyrównanie go do zera:
:<math> \nabla J(w) = \frac{ 2 C_{T} w \left(w^T C_{NT} w\right) -2C_{NT} w \left(w^T C_{T} w \right)}{\left(w^T C_{NT} w\right)^2} = \frac{ 2}{w^T C_{NT} w}\left[ C_{T}w -\frac{w^T C_{T} w}{w^T C_{NT} w} C_{NT} w \right]</math>
Przyrównując to wyrażenie do zera dostajemy do rozwiązania tzw. uogólnione zagadnienie własne:
:<math> C_{T}w =\frac{w^T C_{T} w}{w^T C_{NT} w} C_{NT} w </math>
We wzorze tym liczba <math>\lambda=\frac{w^T C_{T} w}{w^T C_{NT} w}</math> spełniająca to równanie jest uogólnioną wartością własną, wtedy <math>w</math> jest uogólnionym wektorem własnym odpowiadającym tej wartości.

Aby znaleźć <math> \lambda</math> i <math>w</math> możemy wykorzystać w Matlabie funkcję <tt>eig</tt>. Funkcja ta rozwiązuje (również) uogólnione zagadnienia własne postaci ''Aw''=λ''Bw'' dostarczając w wyniku macierz wektorów własnych (w kolumnach) oraz macierz zawierającą na przekątnej odpowiadające im wartości własne.
{{hidden end}}



====Ćwiczenie symulacyjne ====
{{hidden begin|title=kod przykładowy}}
<source lang = matlab>
% symulowany eksperyment składa się z sinusoidy udającej alfę spoczynkową i
% funkcji Gaussa udającego potencjał wywołany
% źródła te są symulowane niezależnie a potem mieszane przez macierz A
% symulujemy źródła
% s1 - symuluje alfę
% s2 - symuluje "potencjał wywołany" (ERP)

%ustawiamy parametry do symulacji sygnałów
Fs = 100;
T = 1;
t = 0:1/Fs:T-1/Fs;
N_rep = 100;
N_chan = 2;
s = zeros(N_rep,N_chan, length(t));
X = zeros(N_rep,N_chan, length(t));

% filtr przestrzenny - z takimi wagami trzeba wziąść kanały EEG aby odzyskać sygnały źródłowe
P = [1 2
1.5 1.3];

% topografie - z takimi wagami źródła dokładają się do poszczególnych elektrod
A = P^(-1);

for r =1:N_rep % tworzymy kolejne realizacje "eksperymentu"
s1 = sin(2*pi*11*t +pi/2+ 0*2*pi*rand())+ 0.02*randn(size(t)); % źródło alfa
s2 = exp(-((t-0.8)/0.05).^2)+ 0.01*randn(size(t)); % źródło ERP

s(r,1,:) = s1;
s(r,2,:) = s2;
tmp = squeeze(s(r,:,:));
n = 0*randn(size(tmp));
X(r,:,:) = A*tmp +n; % rzutujemy sygnały źródłowe na elektrody s -> x

end

% wycinamy warunki
% baseline_ind to indeksy pierwszej połowy każdego powtórzenia "baseline"
% ERP_ind to indeksy drugiej połowy każdego powtórzenia zawierająca "ERP"
baseline_ind = find(t<0.5);
ERP_ind = find(t>=0.5);

x_baseline_kan_1 = X(:,1,baseline_ind);
x_baseline_kan_2 = X(:,2,baseline_ind);

x_ERP_kan_1 = X(:,1,ERP_ind);
x_ERP_kan_2 = X(:,2,ERP_ind);

% liczymy średnie macierze kowariancji:
R_E = zeros(N_chan,N_chan);
R_B = zeros(N_chan,N_chan);
for r =1:N_rep
B = squeeze(X(r,:,baseline_ind));
tmp =cov(B');
R_B = R_B + tmp./trace(tmp);%B*B' ;

E = squeeze(X(r,:,ERP_ind));
tmp = cov(E');
R_E = R_E + tmp./trace(tmp);%E*E' ;
end

R_B = R_B/N_rep;
R_E = R_E/N_rep;

% rozwiązujemy uogólnione zagadnienie własne
[W,Lambda]=eig(R_E,R_B); % możliwa jest też optymalizacja wzg. średniej macierzy kowariancji (R_B+R_A)/2);

% odzyskujemy sygnały źródeł
for r =1:N_rep
S(r,:,:) = W'*squeeze(X(r,:,:));
end

% pobieramy wycinki odpowiadające obu częściom eksperymentu z estymowanych
% źródeł
s_baseline_estymowany_kan1 = squeeze( S(:,1,baseline_ind));
s_baseline_estymowany_kan2 = squeeze( S(:,2,baseline_ind));

s_ERP_estymowany_kan1 = squeeze(S(:,1,ERP_ind));
s_ERP_estymowany_kan2 = squeeze(S(:,2,ERP_ind));

%%%%%%%%%%%%%% Ilustracje %%%%%%%%%%%%%%%%%%%%%%%
% ilustracja sygnałów mierzonych
figure(1);clf
subplot(2,2,1);
plot(t(baseline_ind),(squeeze(X(:,1,baseline_ind)))','b'); hold on
plot(t(ERP_ind),(squeeze( X(:,1,ERP_ind)))','r'); hold off
xlabel('elektroda 1')
title('ilustracja sytuacji pomiarowej -\newline znane są potencjały na elektrodach w dwóch warunkach eksperymentalnych')
subplot(2,2,3);
plot(t(baseline_ind),(squeeze(X(:,2,baseline_ind)))','b'); hold on
plot(t(ERP_ind),(squeeze( X(:,2,ERP_ind)))','r'); hold off
xlabel('elektroda 2')
subplot(1,2,2)
plot(x_baseline_kan_1(:),x_baseline_kan_2(:),'b.');
hold on
plot(x_ERP_kan_1(:),x_ERP_kan_2(:),'r.');
xlim([-2,2])
ylim([-2,2])
axis equal

% wektor własny odpowiadający największej wartości własnej jest
% kierunkiem najbardziej różnicującym warunki eksperymentalne
disp('wartości własne znajdują się na przekątnej macierzy Lambda')
disp(Lambda)
% rysujemy wersory jednostkowe w kierunkach wektorów własnych
w1 = W(:,1);
w1 = w1/norm(w1);
w2 = W(:,2);
w2 = w2/norm(w2);
line([0, w1(1) ],[0,w1(2)],'Color',[0,0.3,0])
text(w1(1),w1(2),'wektor własny 1')
line([0, w2(1) ],[0,w2(2)],'Color',[1,0,1])
text(w2(1),w2(2),'wektor własny 2')

xlabel('Amplituda na elektrodzie 1')
ylabel('Amplituda na elektrodzie 2')
legend('baseline','ERP')

% Ilustracja estymowanych źródeł
figure(2);clf
subplot(2,2,1);
plot(t(baseline_ind),(squeeze(S(:,1,baseline_ind)))','b');hold on
plot(t(ERP_ind),(squeeze(S(:,1,ERP_ind)))','r');hold off
xlabel('estymowane zrodlo 1')
title('ilustracja estymacji -\newline estymowane są potencjały źródeł w dwóch warunkach eksperymentalnych')
subplot(2,2,3);
plot(t(baseline_ind),(squeeze(S(:,2,baseline_ind)))','b');hold on
plot(t(ERP_ind),(squeeze(S(:,2,ERP_ind)))','r');hold off
xlabel('estymowane zrodlo 2');
subplot(1,2,2)
plot(s_baseline_estymowany_kan1(:),s_baseline_estymowany_kan2(:),'b.');
hold on
plot(s_ERP_estymowany_kan1(:),s_ERP_estymowany_kan2(:),'r.');

xlabel('Amplituda estym. źródła 1')
ylabel('Amplituda estym. źródła 2')
legend('baseline','ERP')
</source>
{{hidden end}}

==Zastosowanie filtra CSP do detekcji potencjału P300==
{{hidden begin|title=Eksperyment}}
===Eksperyment===
* Proszę zapoznać się z instrukcją: http://laboratorium-eeg.braintech.pl/rozdz10.html
* Proszę wczytać i uruchomić (na sucho) demo Demos->EEG_P300wz
* Wspólne omówienie konstrukcji i potencjalnych modyfikacji tego scenariusza

====Przygotowanie do badania:====
* założyć czepek z elektrodami w systemie 10-20;
* elektrody referencyjne: M1 i M2;
* elektroda GND w pozycji AFz.

{{hidden end}}
===Analiza wstępna===
Poszczególne etapy analizy proszę kodować w osobnych funkcjach. Funkcje te powinny być wywoływane z nadrzędnego skryptu, który powinien umożliwic wykoanie całości analiz.

* Wczytać dane kalibracyjne do Matlaba i pociąć je na realizacje typu T — &bdquo;target” (związane z wystąpieniami litery &bdquo;B”) i NT — &bdquo;non-target” (pozostałe litery) o długości −200 do +800 ms wokół triggerów. Dla każdej realizacji odjąć trend liniowy.
* Sygnał zmontować wzgl. &bdquo;połączonych uszu” i wyświetlić średnie przebiegi dla warunku T i NT w układzie topograficznym — można wykorzystać w tym celu poniższy fragment kodu.
{{hidden begin|title= fragment kodu do rysowania dwóch ERPów -- zamiast funkcji plottopo}}
<source lang = matlab>
%% stworzenie osi
% zakładam, że dane do rysowania są w dwóch strukturach EEG1 i EEG2 (struktury eeglab),
% te dane są podzielone na realizacje i mają kształt (kanały , czas, epoki)
% i że mamy już załadowane położenia elektrod we współrzędnych
% biegunowych
w = 0.125;
h = 0.125;
sc = 0.8;
figure()
for chanNum = 1:length(EEG1.chanlocs)
r =EEG1.chanlocs(chanNum).radius;
theta = EEG1.chanlocs(chanNum).theta;
x = r* sin(theta/180*pi)*sc+0.46;
y = r* cos(theta/180*pi)*sc+0.46;
ax(chanNum) = axes('Position', [x, y, w, h]);
end
%%uśredniam EEG po powtórzeniach aby otrzymać ERP
ERP1 =squeeze( mean( EEG1.data,3)) ;
ERP2 =squeeze( mean( EEG2.data,3)) ;
%% rysowanie uśrednionych potencjałów z dwóch struktur EEG
for chanNum = 1:length(EEG1.chanlocs)
hold(ax(chanNum),'on');
plot(ax(chanNum), EEG1.times, ERP1(chanNum ,:));
plot(ax(chanNum), EEG2.times, ERP2(chanNum ,:));
title(ax(chanNum),EEG1.chanlocs(chanNum).labels );
hold(ax(chanNum),'off');
end
</source>
{{hidden end}}

Poniżej zaprezentowany jest przykładowy skrypt do cięcia danych wokół znaczników. Działa on z plikami zawartymi w archiwum:
: [[Plik:KalibracjaP300.tar.gz]]
Korzysta z funkcji pomocniczych dostępnych w dystrybucji obci w katalogu
: /usr/share/openbci/analysis/matlab_obci_signal_processing
Openbci można pobrać z https://github.com/BrainTech/openbci

{{hidden begin|title=przykładowy skrypt}}
<source lang = matlab>
% ustalamy nzawy plików z danymi
nazwaPliku = 'p_6301423_calibration_p300.obci';
nameOfXMLFile = strcat(nazwaPliku,'.xml');
nameOfTagFile = strcat(nazwaPliku,'.tag'); %tagi = znaczniki zdarzeń
namesOfDataFiles = strcat(nazwaPliku,'.raw');

% inicjujemy obiekt rm
rm = ReadManager(nameOfXMLFile,namesOfDataFiles,nameOfTagFile);

% obieramy przydatne parametry i znaczniki
numberOfChannels = rm.get_param('number_of_channels');
namesOfChannels = rm.get_param('channels_names');
samplingFrequency = rm.get_param('sampling_frequency');
tagsStruct = rm.get_tags();

% tworzenie list znaczników Target i NonTarget
numberOfStruct = length(tagsStruct);
targetTimeStamps = [];
NonTargetTimeStamps = [];
for structNumber = 1:numberOfStruct % iterujemy się przez tagi
if(strcmp(tagsStruct(structNumber).name,'blink')) % szukamy tagów o nazwie 'blink'
index = tagsStruct(structNumber).children.index; % tu jest numer pola stymulacji
target= tagsStruct(structNumber).children.target;% tu jest numer pola na którym wyświetlany jest target
if index == target % warunek na to, że mamy do czynienia z tagiem target
targetTimeStamps = [targetTimeStamps tagsStruct(structNumber).start_timestamp]; %dodajemy timeStamp do listy targetów
else
NonTargetTimeStamps = [NonTargetTimeStamps tagsStruct(structNumber).start_timestamp];%dodajemy timeStamp do listy non-targetów
end

end
end

% pobieramy próbki
samples = double(rm.get_samples()); % konwersja na double jest potrzebna żeby dobrze funkcjonowało filtrowanie
samples=samples(1:8,:); % odrzucamy kanały, które nie mają EEG
numberOfChannels =8;

% filtrujemy dolnoprzepustowo aby odrzucić artefakty sieci i część
% artefaktów mięśniowych
[b,a] = cheby2(6,80,25 /(samplingFrequency/2),'low');
for ch = 1:numberOfChannels
samples(ch,:)=filtfilt(b,a,samples(ch,:));
end

% montujemy dane do wspólnej średniej (common average)
M = -ones(8,8)/8;
M=M+eye(8,8)*9/8;
samples = 0.0715*M*samples;

% wycinamy dane wokół znaczników
PRE = -0.2; % czas przed tagiem w sek.
POST = 0.8; % czas po tagu w sek.
wycinek = floor(PRE*samplingFrequency:POST*samplingFrequency); % tablica ze "standardowymi" indeksami do cięcia

% pobieramy targety
TargetSignal = zeros(length(targetTimeStamps),numberOfChannels, length(wycinek)); % tablica na sygnały target
for trialNumber = 1:length(targetTimeStamps)
trigerOnset = floor(targetTimeStamps(trialNumber)*samplingFrequency);
tenWycinek = wycinek + trigerOnset;
if tenWycinek(1)>0 && tenWycinek(end)<=size(samples,2) % test czy wycinek który chcemy pobrać nie wystaje poza dostępny sygnał
tmpSignal = samples(:,tenWycinek);
tmpSignal = detrend(tmpSignal')'; % usuwanie liniowego trendu - przy krótkich wycinkach działa lepiej niż filtrowanie górnoprzepustowe
TargetSignal(trialNumber, :,:) = tmpSignal;
end
end

% pobieramy non-targety
NonTargetSignal = zeros(length(NonTargetTimeStamps),numberOfChannels, length(wycinek));% tablica na sygnały non-target
for trialNumber = 1:length(NonTargetTimeStamps)
trigerOnset = floor(NonTargetTimeStamps(trialNumber)*samplingFrequency);
tenWycinek = wycinek + trigerOnset;
if tenWycinek(1)>0 && tenWycinek(end)<=size(samples,2)
tmpSignal = samples(:,tenWycinek);
tmpSignal = detrend(tmpSignal')';
NonTargetSignal(trialNumber, :,:) = tmpSignal;
end
end
%
% dla ilustracji podglądamy średnie po powtórzeniach ze wszystkich targetów
% i non-targetów
plot(squeeze(mean(TargetSignal,1))','r');
hold on
plot(squeeze(mean(NonTargetSignal,1))','b')
</source>
{{hidden end}}

===ZADANIE: Analiza CSP===

Przegląd badań o P300: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC2715154/

Link do Read menager [https://drive.google.com/file/d/1OgOduK5Zn7GgNl5XdCyLWXHJ7wTJIWcC/view?usp=share_link]

* Wykonać analizę CSP wzmacniającą potencjał P300.
* Zaprezentować średnią ze wszystkich kanałów źródłowych z warunku target (jeden kolor) i non-target (inny kolor) w subplotach ułożonych w prostokątnej siatce. Zaobserwować dla którego kanału średnie różnią się najbardziej. Czy jest związek tego kanału z wartościami własnymi?

* Dla kanału najbardziej różnicującego wykonać mapki topograficzne (do wykonania tych mapek wykorzystać funkcję <tt>topoplot</tt> z pakietu <tt>eeglab</tt>) wektorów odpowiadających:
** filtrowi przestrzennemu
** rzutu topograficznego źródła na elektrody.


{{hidden begin|title=Wybór i separacja cech}}

===Wybór i separacja cech===
* Przedstaw na rysunkach nałożone na siebie pojedyncze realizacje z warunków target i non-target po rzutowaniu na wektor <math>w</math> odpowiadający największej i kolejnej wartości własnej.
* Przedstaw wykresy punktowe takie, że na jednej osi jest moc sygnału (suma kwadratów wartości próbek w wybranym zakresie czasu) odpowiadającego największej wartości własnej, a na drugiej osi kolejnej (mniejszej) wartości własnej; jeden punkt reprezentuje jedno powtórzenie.
* Wykonaj serię wykresów jak w poprzednim punkcie dla uśrednień sygnałów kolejno po 2, 4, 6, 8 i 10 realizacjach:
** Liczymy potencjał wywołany dla danej liczby powtórzeń.
** Następnie podnosimy wartości próbek do kwadratu
** i sumujemy je w wybranym zakresie czasu.
* Zaobserwuj jak zmienia się separacja w grupach target i non-target.
{{hidden end}}

==Filtry przestrzenne dla SSEP ==
{{hidden begin|title=Filtry przestrzenne dla SSEP}}
=== Teoria===
Ciekawa koncepcja filtra przestrzennego dla SSVEP zaprezentowana jest tu: http://www.eurasip.org/Proceedings/Eusipco/Eusipco2009/contents/papers/1569193209.pdf

Pokrótce można ją rozumieć podobnie do tego co robiliśmy rozważając filtry przestrzenne CSP z tym, że dla SSVEP oraz innych potencjałów wywołanych stanu ustalonego możemy skorzystać z dodatkowych informacji dotyczących poszukiwanych źródeł. Wiemy mianowicie, że powinny one oscylować z częstością bodźca, i być może jej harmonicznych.

Przyda nam się macierz <math>S</math> zbudowana tak, że w kolejnych kolumnach znajdują się sinusy i cosinusy kolejnych częstości harmonicznych. Wektory te unormujemy, żeby miały energię równą 1. Innymi słowy macierz <math>S</math> zbudowana jest z wersorów rozpinających przestrzeń, w której powinien znajdować się sygnał SSVEP.

W matlabie możemy taką macierz zbudować tak:
<source lang = matlab>
% Fs - częstość próbkowania
% numberOfSamples - długość sygnału w próbkach
% numberOfHarmonics - liczba harmonicznych, które chcemy włączyć do analizy
t = (0:1:numberOfSamples - 1)/Fs;
S = zeros(numberOfSamples, 2*numberOfHarmonics);

for harmonicNumber = 1:numberOfHarmonics
c = cos(2*pi*stimulationFrequency*harmonicNumber*t);
s = sin(2*pi*stimulationFrequency*harmonicNumber*t);
S(:,(harmonicNumber - 1)*2 + 1) = c/norm(c);
S(:,(harmonicNumber - 1)*2 + 2) = s/norm(s);
end
</source>

Aby w badanym sygnale znaleźć składowe odpowiadające SSVEP musimy rzutować sygnał <math>X</math> (macierz sygnałów ''kanały × próbki'') na przestrzeń rozpiętą przez <math>S</math>:
:<math>A = X*S</math>
Macierz <math>A</math> zawiera współczynniki będące iloczynami skalarnymi sygnałów i wersorów. Mówią one o tym &bdquo;jak dużo” jest sinusa bądź cosinusa o danej częstości w pierwotnym sygnale. Komponenty SSVEP zawarte w sygnale <math>X</math> odzyskujemy tak:
:<math>\mathrm{SSVEP} = A S^T</math>

Modelujemy rejestrowany sygnał jako:
:<math>X = \mathrm{SSVEP} + Y </math>
gdzie:
:<math>Y = X-\mathrm{SSVEP}</math>
: to wszystkie komponenty sygnału, które nas nie interesują.

Filtr przestrzenny, który chcemy zbudować powinien maksymalizować stosunek wariancji <math>\mathrm{SSVEP} = A S^T</math> do wariancji <math>Y = X-\mathrm{SSVEP}</math>. Macierz kowariancji powinna być uśredniona po powtórzeniach a kowariancja sygnału w każdym powtórzeniu powinna być znormalizowana poprzez podzielenie przez jej ślad (Matlabowa funkcja <tt>cov</tt> już wykonuje tę operację).
Dalej możemy zastosować technikę znaną z konstrukcji filtrów CSP, tzn. maksymalizacji ilorazu Rayleigha za pomocą rozwiązania uogólnionego zagadnienia własnego dla macierzy kowariancji <math>\mathrm{SSVEP} </math> i <math>Y </math>.

===Poniżej prosta demonstracja dla danych zebranych EEG przy stymulacji SSVEP z częstotliwością 38 Hz.===
Spakowane dane: [[Plik:PrzykladoweDaneSSVEP.mat.gz]].
W oparciu o powyższy opis proszę zaimplementować funkcję <tt>cosSinCSP</tt>. Prawidłowo zaimplementowana funkcja wraz z poniższym kodem powinna generować rysunek:
[[Plik:Rys_SSVEP_demo.png|400px|podpis grafiki]]
Przykładowy skrypt i dane prezentujący konstrukcję i działanie tego typu filtrów przestrzennych dla pełnych danych z eksperymentu SSVEP: [[Plik:SSVEP_demo_csp.tar.gz]]

{{hidden begin|title=przykładowy skrypt}}
<source lang = matlab>
% wczytujemy dane
load('PrzykladoweDaneSSVEP.mat');

[numberOfTrials numberOfChannels numberOfSamples] = size(X.data);
namesOfChannels = X.channels;

% numberOfChannels numberOfSamples numberOfTrials
W = zeros(numberOfChannels,numberOfChannels);
numberOfHarmonics = 3;
signal = X.data; % ( powtórzenie, kanał, próbki)

S = zeros(size(signal));
W = cosSinCSP(signal,X.stimulation,numberOfHarmonics,X.sampling);
for powt = 1:size(signal,1)
S(powt,:,:) = W'*squeeze(signal(powt,:,:));
end

figure('Name',['Stymulacja: ',num2str(X.stimulation),' Hz'])
for i =1:numberOfChannels
% rysujemy widma uśrednione po realizacjach dla danych
% z oryginalnych kanałów EEG
subplot(2,8,i)
PP=0;
for rep = 1:numberOfTrials
x = squeeze(signal(rep,i,:));
[Pxx,ff] = pwelch(x, X.sampling, 1, X.sampling, X.sampling);
PP =PP + Pxx;
end
plot(ff(ff<60),PP(ff<60))
title(namesOfChannels{i})

% rysujemy widma uśrednione po realizacjach dla danych
% z estymowanych źródeł CSP
subplot(2,8,8+i)
PP=0;
for rep = 1:numberOfTrials
s = squeeze(S(rep,i,:));
[Pss,ff]=pwelch(s, X.sampling, 1, X.sampling, X.sampling);
PP =PP + Pss;
end
plot(ff(ff<60),PP(ff<60))
title(['źródło CSP: ', num2str(i)])
end
</source>
{{hidden end}}

====ZADANIE: Analiza danych z eksperymentu własnego ====
# Przefiltruj sygnały EEG w paśmie 1-45 Hz za pomocą procedury <tt>filtfilt</tt>.
# Na podstawie sygnału trigger oraz danych zapisanych w pliku wyodrębnij sygnały EEG zarejestrowane w trakcie stymulacji z odpowiednimi częstościami.
# Uśrednij sygnały odpowiadające stymulacji tą samą częstością.
# Obejrzyj uśrednione sygnały. (Zaprezentuj je).

#* Sposób I:
#**Dla każdej realizacji wyestymuj przy pomocy metody Welcha widmo mocy sygnału EEG.
#**Dla każdej częstości stymulacji wyznacz poziom tła na podstawie widm pochodzących ze stymulacji innymi częstościami. Np. dla stymulacji częstością 10 Hz poziom tła można wyznaczyć jako 95 centyl ze zbioru wartości widma w częstości 10 Hz dla stymulacji częstościami {4, 7, 13, 16, 20, 25, 30, 35, 40} Hz.
#**Dla każdej częstości stymulacji wyznacz miarę odpowiedzi SSVEP (amplitudę widma odpowiadającą częstości stymulacji powyżej poziomy tła dla pojedynczej próby).
#**Zaprezentuj widma otrzymane przy stymulacjach różnymi częstościami wraz z korytarzem odpowwiadajacym 95% przedziałowi ufności wyznaczonemu dla widm z pojedynczych realizacji.
#**Sporządź wykres odpowiedzi SSVEP od częstości z zaznaczeniem przedziałów ufności i poziomu tła.
#* Sposób II:
#**Wyestumuj filtr CSP-SSVEP wspólny dla wszystkich częstości stymulacji
#**Powtórz kroki ze sposobu I dla uzyskanych komponentów.
#**Zaprezentuj filtry przestrzenne i topografie dla poszczególnych komponentów
#**Dla przypomnienia:
#***Filtr to zestaw współczynników z jakimi należy zsumować sygnały z poszczególnych kanałów EEG aby dostać komponenty odpowiadające hipotetycznym źródłom nieskorelowanym. Filtr można zilustrować na głowie, przypisując poszczególnym pozycjom elektrod wagi równe współrzędnym wektora w (kolumna macierzy W).
#***Topografia źródła to zestaw współczynników z jakimi docierają one do poszczególnych kanałów EEG. Topografia zawarta jest w wierszach macierzy odwrotnej do W.
#**Można rysunki wykonać jako macierze 5x5 i w pozycji elektrody kolorujemy proporcjonalnie do współczynnika.

===SSVEP-BCI===
W zajęciach tych przydadzą nam się informacje z:
https://brain.fuw.edu.pl/edu/index.php/Laboratorium_EEG/Wprowadzenie_do_syg_online
====Wstęp====
Naszym celem będzie stworzenie prostego interfejsu wykorzystującego zjawisko SSVEP.
Po dwóch stronach monitora zamocujemy diody. Każda będzie migać ze swoją ustaloną częstością (np. 16 i 22 Hz) - warto zadbać aby nie były to częstości powiązane ze sobą harmonicznie, a z drugiej strony aby, biorąc pod uwagę wyniki poprzedniego zadania, dawały dobra odpowiedź SSVEP.

Eksperyment będzie miał dwie cześci: sesję kalibracje i sesję on-line. Pomiędzy tymi sesjami będziemy uczyć kalsyfikator. Na podstawie części kalibracyjnej ustalimy jakie parametry przetwarznego on-line sygnału świadczą o patrzeniu się na diodę z lewej a jakie na tą z prawej strony ekranu.

Potem w sesji online będziemy porównywać (za pomocą predykcji klasyfikatora) rejestrowany sygnał z tymi warościami kalibracyjnymi i na tej podstawie system będzie zwracał informację o wyborze lewej lub prawej diody. To powinno umożliwić prostą komunikację na zasadzie pytanie i odpowiedź TAK/NIE.

==== Sesja kalibracycjna====
* Zakładamy czepek
* Częstość próbkowania ustawiamy na 256Hz
* Na podstawie kodu: https://brain.fuw.edu.pl/edu/index.php/Laboratorium_EEG/Wprowadzenie_do_syg_online#.C4.86wiczenie:_Wykorzystanie_pomiaru_EMG_do_sterowania_on-line
tworzymy programik, który zamiast pętli while tworzy odpowiednie pętle for aby:
* pięciokrotnie zarejestrować sekwencję trzech warunków eksperymentalnych:
** patrz 5s na diodę z lewej (warunek l)
** patrz 5s na środek ekranu (warunek s)
** patrz 5s na diodę z prawej (warunek p)
* w czasie tego patrzenia:
** odbieramy próbki w pakietach o długości 0.5s
** każdy pakiet filtrujem (technika filtrowania on-line) w pasmach dookoła wybranych dwóch częstości (PASMO_LEWE / PASMO_PRAWE)
** przefiltrowany pakiet przeliczamy na RMS
** zbieramy sześć zbiorów wyników - zestawy RMSów związane z każdym z waunków kalibracyjnych (LEWY/SPOCZYNEK/PRAWY) dla PASMO_LEWE i PASMO_PRAWE.
* Normalizujemy RMSy. Dla pasma lewego obliczamy (RMS_(l/p/s) - np.mean(RMS_s)) / np.sdt(RMS_s) i analogicznie dla pasma prawego. Małe indeksy oznaczaają tu warunki. Zapamiętujemy współczynniki normalizacyjne.
** Ogladamy rozkłady uzyskanych wielkości (znormalizowanych RMSów).
** Uczymy klasyfikator np. regresję logistyczną (https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html) do rozpoznawania, z którym warunkiem patrzenia mamy do czynienia.

==== Sesja online====
* wczytujemy wyuczony model i kalibracyjne wartości np.mean(RMS_s)) i np.sdt(RMS_s) dla pasm lewego i prawego
* Odbieramy próbki w pakietach o długości 0.5s
** każdy pakiet filtrujem (technika filtrowania on-line) w pasmach dookoła wybranych dwóch częstości (PASMO_LEWE / PASMO_PRAWE)
** przefiltrowany pakiet przeliczamy na RMS
** Normalizujemy RMSy. Dla pasma lewego obliczamy (RMS_(l/p/s) - np.mean(RMS_s)) / np.sdt(RMS_s) i analogicznie dla pasma prawego. Małe indeksy oznaczaają tu warunki.
** robimy predykcję klasyfikatora, z którym warunkiem patrzenia mamy do czynienia. Wyświetlamy na ekranie komunikat.
* Testujemy czy powyższy schemat analizy pozwala na komunikację.
{{hidden end}}


==ICA jako filtr przestrzenny==
{{hidden begin|title=Wstęp teoretyczny do ICA}}
===Definicja ===
Independent Component Analysis (ICA) jest metodą statystycznej analizy sygnałów, która dokonuje dekompozycji wielokanałowych zapisów na składowe niezależne w sensie statystycznym.
Dwie składowe ''s''1 i ''s''2 są niezależne jeżeli wiedza o wartości ''s''1 nie daje żadnych informacji o możliwych wartościach ''s''2. ICA może być wyrażona przez prosty model generatywny:
: '''x''' = '''Ds'''
: gdzie '''x''' = {''x''1, ''x''2, ..., ''x''''n''} jest zmierzonym ''n'' kanałowym sygnałem, '''D''' jest macierzą mieszającą zaś '''s''' = {''s''1, ''s''2, ..., ''s''''n''} jest aktywnością ''n'' źródeł. Podstawowym założeniem dotyczącym '''s''' jest to, że ''s''''i'' są statystycznie niezależne. Aby wyestymować model musimy też założyć, że składowe mają niegaussowskie rozkłady wartości (Hyvärinen, 2000).

Dodatkowo model ten zakłada następujące fakty:
# Sygnał jest liniową mieszaniną aktywności źródeł
# Sygnały pochodzące z każdego ze źródeł są niezależne od pozostałych
# Źródła oraz proces ich mieszania są stacjonarne, tzn, ich momenty statystyczne nie zależą od czasu
# Energie (wariancje) źródeł nie mogą być wyznaczone jednoznacznie. Dzieje się tak ponieważ pomnożenie amplitudy ''i''-tego źródła może być uzyskane poprzez przemnożenie albo ''s''''i'' albo przez przemnożenie ''i''-tej kolumny macierzy '''D'''. Naturalnym rozwiązaniem tej niejednoznaczności jest wprowadzenie konwencji, że komponenty są normowane tak aby miały wariancję 1: E[(''s''''i'')''2''] = 1.
# Kolejność komponentów jest dowolna. Bo jeśli w ten sam sposób zmienimy kolejność komponentów w '''s''' i kolumn w '''D''' to dostaniemy dokładnie ten sam sygnał '''x'''.

Głównym wyzwaniem w analizie ICA jest estymacja macierzy mieszającej '''D'''. Gdy jest ona znana to komponenty mogą być wyliczone w następujący sposób:
: '''s''' = '''D'''−1'''x'''

=== Estymacja ===
Znalezienie niezależnych komponentów może być rozważane w świetle Centralnego Twierdzenia Granicznego jako poszukiwanie komponentów o możliwie nie gaussowskim rozkładzie.
Aby zrozumieć to podejście prześledźmy heurystykę zaproponowaną przez (Hyvärinen, 2000).
Dla prostoty załóżmy, że poszukiwane źródła niezależne mają identyczne rozkłady.
Zdefiniujmy

''y'' = '''w'''T'''x'''.

Zauważmy, że jeśli

'''w'''

jest jedną z kolumn macierzy

'''D'''−1,

to ''y'' jest jednym z poszukiwanych komponentów.
Zamieniając zmienne

'''z''' = '''D'''T'''w'''

możemy napisać

''y'' = '''w'''T'''x''' = '''w'''T'''Ds''' = '''z'''T'''s'''.

Uwidacznia to fakt, że ''y'' jest liniową kombinacją składowych s''i'' z wagami danymi przez z''i''.

Z centralnego twierdzenia granicznego wynika, że suma niezależnych zmiennych losowych ma bardziej gaussowski charakter niż każda z tych zmiennych osobno.
Liniowa kombinacja staje się najmniej gaussowska gdy '''z''' ma tylko jeden element niezerowy. W tym przypadku ''y'' jest proporcjonalny do s''i''.
Zatem problem estymacji modelu ICA może być sformułowany jako problem znalezienia takiego wektora '''w''', który maksymalizuje niegaussowskość

''y'' = '''w'''T'''x'''.

Maksymalizacja niegaussowskości ''y'' daje jeden niezależny komponent odpowiadający jednemu z 2''n'' maksimów (bo mamy s''i'' i −s''i'') w krajobrazie optymalizacyjnym. Aby znaleźć wszystkie niezależne komponenty musimy znaleźć wszystkie maksima. Ponieważ komponenty są nieskorelowane, to poszukiwania kolejnych komponentów można kontynuować w podprzestrzeni ortogonalnej do już znalezionych komponentów.

===Obliczenia===
Intuicyjna heurystyka poszukiwania najbardziej niegaussowskich składowych może być użyta do wyprowadzenia różnych funkcji kosztu, których optymalizacja daje model ICA, np. kurtoza.

<math>kurt(y) = E\{y^4\} - 3(E{y^2})^2</math>

Inną miarą gassowskości jest neg-entropia, którą można wyprowadzić z entropii:
Entropia jest miarą średniego zdziwienia wynikiem obserwacji zmiennej losowej:
<math>H(Y) = - \sum_i P(Y= a_i) \log(P(Y=a_i)) </math>

Negentropia jest zdefiniowana:

<math> J(y) = H(y_{gauss}) -H(y)</math>
gdzie <math> y_{gauss} </math> jest gassuwską zmienną losową o takiej samej kowaiancji jak <math> y </math>.

Negentropia jest skomplikowana obliczeniow, więc w praktyce używana jest formuła przybliżona:

<math> J(y) \varpropto [E\{G (y)\} - E\{G(\nu)\}]</math>

<math>\nu </math> jest zmienną losową ze standardowego rozkładu normalnego , a G są pewnymi niekwadratowymi funkcjami.

W algorytmie FastICA extremum negentropii jest znajdowane w procedurze bazującej na optymalizacji Netwona.
(szczegóły np.: sekcja 6 w https://www.cs.helsinki.fi/u/ahyvarin/papers/NN00new.pdf)

Procedura wykorzystywana w eeglabie (&bdquo;runica”, Makeig 1996) dąży do minimalizacji informacji wzajemnej. Oba podejścia są w przybliżeniu równoważne (Hyvärinen, 2000), chociaż owo przybliżenie dla sygnałów elektrofizjologicznych nie zostało to jeszcze w pełni wyeksplorowane.
Dla sygnałów o niskiej wymiarowości i spełniających dokładnie założenia ICA wszystkie powszechnie wykorzystywane algorytmy dają niemal identyczne wyniki.

;Bardzo ważna uwaga: ogólną zasadą jest, że jeśli estymujemy ''N'' stabilnych komponentów (z ''N''-kanałowych danych) to musimy dysponować ''kN''2 punktami danych w każdym kanale, gdzie ''N''2 jest liczbą elementów w macierzy '''D''', którą ICA próbuje wyestymować, ''k'' jest liczbą całkowitą. Nie ma dobrych oszacowań teoretycznych na wielkość ''k'', z praktycznych obserwacji wynika, że rośnie ona z liczbą kanałów.

=== Możliwe zastosowania ===
Najczęściej ICA jest stosowana jako narzędzie do:
* usuwania artefaktów z sygnałów EEG (ruchy oczu i mięśnie)
* wydobywania składowych do dalszej analizy (Onton, 2006)
* jako analiza wstępna do lokalizacji źródeł (Grau, 2007).
* ICA jest także stosowana w analize sygnałów EKG i EMG.

===Bibliografia===
Bazowa praca:
* A. Hyvärinen. Fast and Robust Fixed-Point Algorithms for Independent Component Analysis. IEEE Transactions on Neural Networks 10(3):626-634, 1999 http://www.cs.helsinki.fi/u/ahyvarin/papers/TNN99_reprint.pdf

Nieco prościej opisana wersja z przykładami:
* Hyvärinen, A. and Oja, E. (2000). Independent component analysis: Algorithms and applications. Neural Networks, 13(4-5):411–430.
https://www.cs.helsinki.fi/u/ahyvarin/papers/NN00new.pdf

* Grau, C., Fuentemilla, L., Marco-Pallars, J. (2007). Functional neural dynamics underlying auditory event-related n1 and n1 suppression response. Neuroimage, 36(6):522–31.
* Makeig, S., Bell, A., Jung, T.-P., Sejnowski,T. (1996). Independent component analysis of electroencephalographic data. W: Touretzky, D., Mozer, M., and Hasselmo, M., editors, Advances in Neural Information Processing Systems, volume 8, pages 145–151. MIT Press, Cambridge, MA.
* Onton, J., Makeig, S. (2006). Information-based modeling of event-related brain dynamics. Prog Brain Res., 159:99–120.
* Tutorial: http://sccn.ucsd.edu/wiki/Chapter_09:_Decomposing_Data_Using_ICA
* http://sccn.ucsd.edu/~arno/indexica.html
* http://cis.legacy.ics.tkk.fi/aapo/papers/IJCNN99_tutorialweb/
{{hidden end}}
{{hidden begin|title=Wydobywanie interesujących komponentów}}

=== ZADANIE: Wydobywanie interesujących komponentów ===

Dane do tej części ćwiczeń proszę pobrać i rozpakować w swoim katalogu:
http://www.fuw.edu.pl/~jarekz/LabEEG/Dane_do_ICA_alfa.tar.gz

Pochodzą one z eksperymentu, w którym osoba badana siedziała z zamkniętymi oczami słuchając nagrania czytanego spokojnym głosem. Metadane opisujące sygnał znajdują się w pliku Miro.xml, zaś lokalizacje elektrod w pliku Miro-10-20-Cap.locs.

Proszę:
* wczytać dane do eeglaba
* wyedytować lokalizację elektrod
* usunąć kanały nie zawierające EEG
* zmienić referencje na średnią z kanałów A1 i A2
* przefiltrować filtrem FIR górnoprzepustowym z częstością odcięcia 0,5 Hz
* obejrzeć wstępnie przygotowane dane
* policzyć ICA na całym sygnale
* obejrzeć właściwości otrzymanych komponentów
** Czy są wśród nich takie, które zawierają znaczny udział rytmu alfa?
** Jaka jest ich topografia?
* usunąć wszystkie komponenty nie zawierające alfy
* odtworzyć z tych komponentów sygnał na elektrodach
* wykonać dekompozycję ICA kilkukrotnie (co najmniej 3) i porównać wyniki
** Czy uzyskiwane komponenty są powtarzalne?
** Swoje wyniki porównać też z sąsiednimi grupami.
{{hidden end}}

===ZADANIE: Identyfikacja artefaktów ===
Proszę pobrać dane:

*http://www.fuw.edu.pl/~jarekz/LabEEG/Arousal-10-20-Cap.locs
*http://www.fuw.edu.pl/~jarekz/LabEEG/Arousal1.set
*http://www.fuw.edu.pl/~jarekz/LabEEG/Arousal1.fdt

Pochodzą one z eksperymentu w którym osoba badana czytała słowa o różnych właściwościach wzbudzania emocji.

* wczytaj je do eeglaba
* wczytaj lokalizację kanałów z pliku Arousal-10-20-Cap.locs
* obejrzyj przebiegi czasowe
* odrzuć kanał z diodą (21) i z GSR (20)
* zrób dekompozycję ICA
* obejrzyj topografię komponentów
* zidentyfikuj komponenty odpowiadające mruganiu i aktywności mięśniowej.
;UWAGA: Aktualnie do wykrywania komponentów artefaktowych warto posłużyć się wtyczkami do eeglaba dostępnymi przez stronę:

https://sccn.ucsd.edu/eeglab/plugin_uploader/plugin_list_all.php

* ICLabel
* MARA

====W raporcie: ====
* zaprezentuj fragmenty sygnału zawierającego artefakty oczne i mięśniowe przed i po zastosowaniu czyszczenia poprzez usuwanie komponentów zdominowanych przez artefakty.
* zaprezentuj topografię i przebiegi czasowe komponentów zidentyfikowanych jako artefakty oczne i mięśniowe.

Laboratorium EEG/CSP

2025-04-16T09:01:59Z

Jarekz: /* Estymacja */

[[Laboratorium_EEG]]/BSS

=Prezentacja=
[https://brain.fuw.edu.pl/edu/images/2/2f/BSS.pdf slajdy z prezentacji]

=Ślepa separacja źródeł (BSS)=
{{hidden begin|title=Wstęp teoretyczny do BSS}}
Rozważmy ''N''-kanałowy sygnał EEG.
Próbkę tego sygnału możemy przedstawić jako punkt w przestrzeni rozpiętej przez osie, z których każda reprezentuje wartość potencjału w jednym kanale. Cały sygnał tworzy w tej przestrzeni chmurę punktów. Rozciągłość tej chmury w danym kierunku mówi nam o wariancji (zmienności) sygnału w tym kierunku.

Taki zbiór punktów wygodniej jest analizować w układzie współrzędnych zgodnym z osiami głównymi macierzy kowariancji.
W dalszej części rozważań założymy, że te przestrzenie, w których rozważamy sygnały są przestrzeniami wektorowymi, a pojedyncze próbki wielokanałowego sygnału są wektorami.
[[Plik:Kowariancja.png|200px|center]]

==Filtry przestrzenne i ślepa separacja źródeł==
Sygnał EEG jest superpozycją aktywności elektrycznej wielu źródeł.
Jak można estymować aktywność samych źródeł?
[[Plik:Mieszanie.png|200px|center]]
Niech:
: <math>s(t)</math> - aktywność niezależnych źródeł,
: <math>x(t)</math> mierzony sygnał
: <math>A</math> macierz przejścia taka, że:
::<math>x(t) = A s(t)</math> (*)
:<math>s(t) = A^{-1}x(t) = P x(t)</math>
Macierz kowariancji dla sygnałów <math>x(t)</math> estymujemy tak:
:<math> C_x = E[x(t)x(t)^T]</math>
Podstawiając (*) mamy:
:<math> C_x = E[x x^T] = E[As(As)^T] = A E[s s^T] A^T = A C_s A^T</math>
Z założenia, że źródła są niezależne wynika, że macierz <math>C_s</math> jest diagonalna.
Przekształcając powyższe równanie możemy zapisać:
:<math>A^{-1} C_x (A^T)^{-1} = P C_x P^T = C_s</math>
Odwzorowanie <math>P = A^{-1}</math> diagonalizuje macierz <math>C_x</math>.

Powyższe rozumowanie jest słuszne w przypadku gdy mamy do czynienia z sygnałem stacjonarnym, tzn. jego macierz kowariancji jest niezależna od czasu, czyli przez cały czas aktywna jest ta sama konfiguracja źródeł niezależnych.
W przypadku gdy tak nie jest to konstrukcję filtra przestrzennego można oprzeć o jednoczesną diagonalizację macierzy kowariancji odpowiadających różnym stanom osoby badanej.

[[Plik:Diagonalizacja.png|200px|center]]

==Common Spatial Pattern ==
===Koncepcja===
Dla ustalenia uwagi możemy myśleć o eksperymencie wywołującym potencjał P300. Mamy w nim dwie sytuacje eksperymentalne. Oznaczmy <math>T</math> (target) próby, w których pojawił się oczekiwany bodziec, zaś <math>NT</math> (non-target) gdy pojawił się bodziec standardowy.
Chcielibyśmy znaleźć taki montaż (czyli taką kombinację liniową kanałów), który maksymalizuje stosunek mocy (wariancji) sygnałów rejestrowanych w dwóch rożnych warunkach eksperymentalnych.

===Formalizm===
Metoda ta polega na znalezieniu takiego kierunku <math>w</math> w przestrzeni sygnałów, że sygnał z warunku <math>T</math> rzutowany na ten kierunek ma dużą wariancje a sygnał z warunku <math>NT</math> ma wariancję małą.

Rzutowanie sygnału <math>x(t)</math> na kierunek <math>w</math> odbywa się przez policzenie iloczynu skalarnego dla każdej chwili czasu <math>t</math>:
:<math> s_w(t) = w^T x(t)</math>
Wariancja tego rzutowanego sygnału to:
:<math> \mathrm{var}(s_w) = E[s_w s_w^T] = E[ w^T x (w^T x)^T] = w^T E[x x^T] w = w^T C_x w </math>
Zatem znalezienie właściwego kierunku rzutowania można wyrazić jako szukanie maksimum wyrażenia <math> J(w) </math> (jest to tzw. iloraz Rayleigha):
: <math>J(w) = \frac{w^T C_T w}{w^T C_{NT} w} </math>
Ekstremum tego ilorazu można znaleźć poprzez policzenie gradientu <math>J(w)</math> i przyrównanie go do zera:
:<math> \nabla J(w) = \frac{ 2 C_{T} w \left(w^T C_{NT} w\right) -2C_{NT} w \left(w^T C_{T} w \right)}{\left(w^T C_{NT} w\right)^2} = \frac{ 2}{w^T C_{NT} w}\left[ C_{T}w -\frac{w^T C_{T} w}{w^T C_{NT} w} C_{NT} w \right]</math>
Przyrównując to wyrażenie do zera dostajemy do rozwiązania tzw. uogólnione zagadnienie własne:
:<math> C_{T}w =\frac{w^T C_{T} w}{w^T C_{NT} w} C_{NT} w </math>
We wzorze tym liczba <math>\lambda=\frac{w^T C_{T} w}{w^T C_{NT} w}</math> spełniająca to równanie jest uogólnioną wartością własną, wtedy <math>w</math> jest uogólnionym wektorem własnym odpowiadającym tej wartości.

Aby znaleźć <math> \lambda</math> i <math>w</math> możemy wykorzystać w Matlabie funkcję <tt>eig</tt>. Funkcja ta rozwiązuje (również) uogólnione zagadnienia własne postaci ''Aw''=λ''Bw'' dostarczając w wyniku macierz wektorów własnych (w kolumnach) oraz macierz zawierającą na przekątnej odpowiadające im wartości własne.
{{hidden end}}



====Ćwiczenie symulacyjne ====
{{hidden begin|title=kod przykładowy}}
<source lang = matlab>
% symulowany eksperyment składa się z sinusoidy udającej alfę spoczynkową i
% funkcji Gaussa udającego potencjał wywołany
% źródła te są symulowane niezależnie a potem mieszane przez macierz A
% symulujemy źródła
% s1 - symuluje alfę
% s2 - symuluje "potencjał wywołany" (ERP)

%ustawiamy parametry do symulacji sygnałów
Fs = 100;
T = 1;
t = 0:1/Fs:T-1/Fs;
N_rep = 100;
N_chan = 2;
s = zeros(N_rep,N_chan, length(t));
X = zeros(N_rep,N_chan, length(t));

% filtr przestrzenny - z takimi wagami trzeba wziąść kanały EEG aby odzyskać sygnały źródłowe
P = [1 2
1.5 1.3];

% topografie - z takimi wagami źródła dokładają się do poszczególnych elektrod
A = P^(-1);

for r =1:N_rep % tworzymy kolejne realizacje "eksperymentu"
s1 = sin(2*pi*11*t +pi/2+ 0*2*pi*rand())+ 0.02*randn(size(t)); % źródło alfa
s2 = exp(-((t-0.8)/0.05).^2)+ 0.01*randn(size(t)); % źródło ERP

s(r,1,:) = s1;
s(r,2,:) = s2;
tmp = squeeze(s(r,:,:));
n = 0*randn(size(tmp));
X(r,:,:) = A*tmp +n; % rzutujemy sygnały źródłowe na elektrody s -> x

end

% wycinamy warunki
% baseline_ind to indeksy pierwszej połowy każdego powtórzenia "baseline"
% ERP_ind to indeksy drugiej połowy każdego powtórzenia zawierająca "ERP"
baseline_ind = find(t<0.5);
ERP_ind = find(t>=0.5);

x_baseline_kan_1 = X(:,1,baseline_ind);
x_baseline_kan_2 = X(:,2,baseline_ind);

x_ERP_kan_1 = X(:,1,ERP_ind);
x_ERP_kan_2 = X(:,2,ERP_ind);

% liczymy średnie macierze kowariancji:
R_E = zeros(N_chan,N_chan);
R_B = zeros(N_chan,N_chan);
for r =1:N_rep
B = squeeze(X(r,:,baseline_ind));
tmp =cov(B');
R_B = R_B + tmp./trace(tmp);%B*B' ;

E = squeeze(X(r,:,ERP_ind));
tmp = cov(E');
R_E = R_E + tmp./trace(tmp);%E*E' ;
end

R_B = R_B/N_rep;
R_E = R_E/N_rep;

% rozwiązujemy uogólnione zagadnienie własne
[W,Lambda]=eig(R_E,R_B); % możliwa jest też optymalizacja wzg. średniej macierzy kowariancji (R_B+R_A)/2);

% odzyskujemy sygnały źródeł
for r =1:N_rep
S(r,:,:) = W'*squeeze(X(r,:,:));
end

% pobieramy wycinki odpowiadające obu częściom eksperymentu z estymowanych
% źródeł
s_baseline_estymowany_kan1 = squeeze( S(:,1,baseline_ind));
s_baseline_estymowany_kan2 = squeeze( S(:,2,baseline_ind));

s_ERP_estymowany_kan1 = squeeze(S(:,1,ERP_ind));
s_ERP_estymowany_kan2 = squeeze(S(:,2,ERP_ind));

%%%%%%%%%%%%%% Ilustracje %%%%%%%%%%%%%%%%%%%%%%%
% ilustracja sygnałów mierzonych
figure(1);clf
subplot(2,2,1);
plot(t(baseline_ind),(squeeze(X(:,1,baseline_ind)))','b'); hold on
plot(t(ERP_ind),(squeeze( X(:,1,ERP_ind)))','r'); hold off
xlabel('elektroda 1')
title('ilustracja sytuacji pomiarowej -\newline znane są potencjały na elektrodach w dwóch warunkach eksperymentalnych')
subplot(2,2,3);
plot(t(baseline_ind),(squeeze(X(:,2,baseline_ind)))','b'); hold on
plot(t(ERP_ind),(squeeze( X(:,2,ERP_ind)))','r'); hold off
xlabel('elektroda 2')
subplot(1,2,2)
plot(x_baseline_kan_1(:),x_baseline_kan_2(:),'b.');
hold on
plot(x_ERP_kan_1(:),x_ERP_kan_2(:),'r.');
xlim([-2,2])
ylim([-2,2])
axis equal

% wektor własny odpowiadający największej wartości własnej jest
% kierunkiem najbardziej różnicującym warunki eksperymentalne
disp('wartości własne znajdują się na przekątnej macierzy Lambda')
disp(Lambda)
% rysujemy wersory jednostkowe w kierunkach wektorów własnych
w1 = W(:,1);
w1 = w1/norm(w1);
w2 = W(:,2);
w2 = w2/norm(w2);
line([0, w1(1) ],[0,w1(2)],'Color',[0,0.3,0])
text(w1(1),w1(2),'wektor własny 1')
line([0, w2(1) ],[0,w2(2)],'Color',[1,0,1])
text(w2(1),w2(2),'wektor własny 2')

xlabel('Amplituda na elektrodzie 1')
ylabel('Amplituda na elektrodzie 2')
legend('baseline','ERP')

% Ilustracja estymowanych źródeł
figure(2);clf
subplot(2,2,1);
plot(t(baseline_ind),(squeeze(S(:,1,baseline_ind)))','b');hold on
plot(t(ERP_ind),(squeeze(S(:,1,ERP_ind)))','r');hold off
xlabel('estymowane zrodlo 1')
title('ilustracja estymacji -\newline estymowane są potencjały źródeł w dwóch warunkach eksperymentalnych')
subplot(2,2,3);
plot(t(baseline_ind),(squeeze(S(:,2,baseline_ind)))','b');hold on
plot(t(ERP_ind),(squeeze(S(:,2,ERP_ind)))','r');hold off
xlabel('estymowane zrodlo 2');
subplot(1,2,2)
plot(s_baseline_estymowany_kan1(:),s_baseline_estymowany_kan2(:),'b.');
hold on
plot(s_ERP_estymowany_kan1(:),s_ERP_estymowany_kan2(:),'r.');

xlabel('Amplituda estym. źródła 1')
ylabel('Amplituda estym. źródła 2')
legend('baseline','ERP')
</source>
{{hidden end}}

==Zastosowanie filtra CSP do detekcji potencjału P300==
{{hidden begin|title=Eksperyment}}
===Eksperyment===
* Proszę zapoznać się z instrukcją: http://laboratorium-eeg.braintech.pl/rozdz10.html
* Proszę wczytać i uruchomić (na sucho) demo Demos->EEG_P300wz
* Wspólne omówienie konstrukcji i potencjalnych modyfikacji tego scenariusza

====Przygotowanie do badania:====
* założyć czepek z elektrodami w systemie 10-20;
* elektrody referencyjne: M1 i M2;
* elektroda GND w pozycji AFz.

{{hidden end}}
===Analiza wstępna===
Poszczególne etapy analizy proszę kodować w osobnych funkcjach. Funkcje te powinny być wywoływane z nadrzędnego skryptu, który powinien umożliwic wykoanie całości analiz.

* Wczytać dane kalibracyjne do Matlaba i pociąć je na realizacje typu T — &bdquo;target” (związane z wystąpieniami litery &bdquo;B”) i NT — &bdquo;non-target” (pozostałe litery) o długości −200 do +800 ms wokół triggerów. Dla każdej realizacji odjąć trend liniowy.
* Sygnał zmontować wzgl. &bdquo;połączonych uszu” i wyświetlić średnie przebiegi dla warunku T i NT w układzie topograficznym — można wykorzystać w tym celu poniższy fragment kodu.
{{hidden begin|title= fragment kodu do rysowania dwóch ERPów -- zamiast funkcji plottopo}}
<source lang = matlab>
%% stworzenie osi
% zakładam, że dane do rysowania są w dwóch strukturach EEG1 i EEG2 (struktury eeglab),
% te dane są podzielone na realizacje i mają kształt (kanały , czas, epoki)
% i że mamy już załadowane położenia elektrod we współrzędnych
% biegunowych
w = 0.125;
h = 0.125;
sc = 0.8;
figure()
for chanNum = 1:length(EEG1.chanlocs)
r =EEG1.chanlocs(chanNum).radius;
theta = EEG1.chanlocs(chanNum).theta;
x = r* sin(theta/180*pi)*sc+0.46;
y = r* cos(theta/180*pi)*sc+0.46;
ax(chanNum) = axes('Position', [x, y, w, h]);
end
%%uśredniam EEG po powtórzeniach aby otrzymać ERP
ERP1 =squeeze( mean( EEG1.data,3)) ;
ERP2 =squeeze( mean( EEG2.data,3)) ;
%% rysowanie uśrednionych potencjałów z dwóch struktur EEG
for chanNum = 1:length(EEG1.chanlocs)
hold(ax(chanNum),'on');
plot(ax(chanNum), EEG1.times, ERP1(chanNum ,:));
plot(ax(chanNum), EEG2.times, ERP2(chanNum ,:));
title(ax(chanNum),EEG1.chanlocs(chanNum).labels );
hold(ax(chanNum),'off');
end
</source>
{{hidden end}}

Poniżej zaprezentowany jest przykładowy skrypt do cięcia danych wokół znaczników. Działa on z plikami zawartymi w archiwum:
: [[Plik:KalibracjaP300.tar.gz]]
Korzysta z funkcji pomocniczych dostępnych w dystrybucji obci w katalogu
: /usr/share/openbci/analysis/matlab_obci_signal_processing
Openbci można pobrać z https://github.com/BrainTech/openbci

{{hidden begin|title=przykładowy skrypt}}
<source lang = matlab>
% ustalamy nzawy plików z danymi
nazwaPliku = 'p_6301423_calibration_p300.obci';
nameOfXMLFile = strcat(nazwaPliku,'.xml');
nameOfTagFile = strcat(nazwaPliku,'.tag'); %tagi = znaczniki zdarzeń
namesOfDataFiles = strcat(nazwaPliku,'.raw');

% inicjujemy obiekt rm
rm = ReadManager(nameOfXMLFile,namesOfDataFiles,nameOfTagFile);

% obieramy przydatne parametry i znaczniki
numberOfChannels = rm.get_param('number_of_channels');
namesOfChannels = rm.get_param('channels_names');
samplingFrequency = rm.get_param('sampling_frequency');
tagsStruct = rm.get_tags();

% tworzenie list znaczników Target i NonTarget
numberOfStruct = length(tagsStruct);
targetTimeStamps = [];
NonTargetTimeStamps = [];
for structNumber = 1:numberOfStruct % iterujemy się przez tagi
if(strcmp(tagsStruct(structNumber).name,'blink')) % szukamy tagów o nazwie 'blink'
index = tagsStruct(structNumber).children.index; % tu jest numer pola stymulacji
target= tagsStruct(structNumber).children.target;% tu jest numer pola na którym wyświetlany jest target
if index == target % warunek na to, że mamy do czynienia z tagiem target
targetTimeStamps = [targetTimeStamps tagsStruct(structNumber).start_timestamp]; %dodajemy timeStamp do listy targetów
else
NonTargetTimeStamps = [NonTargetTimeStamps tagsStruct(structNumber).start_timestamp];%dodajemy timeStamp do listy non-targetów
end

end
end

% pobieramy próbki
samples = double(rm.get_samples()); % konwersja na double jest potrzebna żeby dobrze funkcjonowało filtrowanie
samples=samples(1:8,:); % odrzucamy kanały, które nie mają EEG
numberOfChannels =8;

% filtrujemy dolnoprzepustowo aby odrzucić artefakty sieci i część
% artefaktów mięśniowych
[b,a] = cheby2(6,80,25 /(samplingFrequency/2),'low');
for ch = 1:numberOfChannels
samples(ch,:)=filtfilt(b,a,samples(ch,:));
end

% montujemy dane do wspólnej średniej (common average)
M = -ones(8,8)/8;
M=M+eye(8,8)*9/8;
samples = 0.0715*M*samples;

% wycinamy dane wokół znaczników
PRE = -0.2; % czas przed tagiem w sek.
POST = 0.8; % czas po tagu w sek.
wycinek = floor(PRE*samplingFrequency:POST*samplingFrequency); % tablica ze "standardowymi" indeksami do cięcia

% pobieramy targety
TargetSignal = zeros(length(targetTimeStamps),numberOfChannels, length(wycinek)); % tablica na sygnały target
for trialNumber = 1:length(targetTimeStamps)
trigerOnset = floor(targetTimeStamps(trialNumber)*samplingFrequency);
tenWycinek = wycinek + trigerOnset;
if tenWycinek(1)>0 && tenWycinek(end)<=size(samples,2) % test czy wycinek który chcemy pobrać nie wystaje poza dostępny sygnał
tmpSignal = samples(:,tenWycinek);
tmpSignal = detrend(tmpSignal')'; % usuwanie liniowego trendu - przy krótkich wycinkach działa lepiej niż filtrowanie górnoprzepustowe
TargetSignal(trialNumber, :,:) = tmpSignal;
end
end

% pobieramy non-targety
NonTargetSignal = zeros(length(NonTargetTimeStamps),numberOfChannels, length(wycinek));% tablica na sygnały non-target
for trialNumber = 1:length(NonTargetTimeStamps)
trigerOnset = floor(NonTargetTimeStamps(trialNumber)*samplingFrequency);
tenWycinek = wycinek + trigerOnset;
if tenWycinek(1)>0 && tenWycinek(end)<=size(samples,2)
tmpSignal = samples(:,tenWycinek);
tmpSignal = detrend(tmpSignal')';
NonTargetSignal(trialNumber, :,:) = tmpSignal;
end
end
%
% dla ilustracji podglądamy średnie po powtórzeniach ze wszystkich targetów
% i non-targetów
plot(squeeze(mean(TargetSignal,1))','r');
hold on
plot(squeeze(mean(NonTargetSignal,1))','b')
</source>
{{hidden end}}

===ZADANIE: Analiza CSP===

Przegląd badań o P300: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC2715154/

Link do Read menager [https://drive.google.com/file/d/1OgOduK5Zn7GgNl5XdCyLWXHJ7wTJIWcC/view?usp=share_link]

* Wykonać analizę CSP wzmacniającą potencjał P300.
* Zaprezentować średnią ze wszystkich kanałów źródłowych z warunku target (jeden kolor) i non-target (inny kolor) w subplotach ułożonych w prostokątnej siatce. Zaobserwować dla którego kanału średnie różnią się najbardziej. Czy jest związek tego kanału z wartościami własnymi?

* Dla kanału najbardziej różnicującego wykonać mapki topograficzne (do wykonania tych mapek wykorzystać funkcję <tt>topoplot</tt> z pakietu <tt>eeglab</tt>) wektorów odpowiadających:
** filtrowi przestrzennemu
** rzutu topograficznego źródła na elektrody.


{{hidden begin|title=Wybór i separacja cech}}

===Wybór i separacja cech===
* Przedstaw na rysunkach nałożone na siebie pojedyncze realizacje z warunków target i non-target po rzutowaniu na wektor <math>w</math> odpowiadający największej i kolejnej wartości własnej.
* Przedstaw wykresy punktowe takie, że na jednej osi jest moc sygnału (suma kwadratów wartości próbek w wybranym zakresie czasu) odpowiadającego największej wartości własnej, a na drugiej osi kolejnej (mniejszej) wartości własnej; jeden punkt reprezentuje jedno powtórzenie.
* Wykonaj serię wykresów jak w poprzednim punkcie dla uśrednień sygnałów kolejno po 2, 4, 6, 8 i 10 realizacjach:
** Liczymy potencjał wywołany dla danej liczby powtórzeń.
** Następnie podnosimy wartości próbek do kwadratu
** i sumujemy je w wybranym zakresie czasu.
* Zaobserwuj jak zmienia się separacja w grupach target i non-target.
{{hidden end}}

==Filtry przestrzenne dla SSEP ==
{{hidden begin|title=Filtry przestrzenne dla SSEP}}
=== Teoria===
Ciekawa koncepcja filtra przestrzennego dla SSVEP zaprezentowana jest tu: http://www.eurasip.org/Proceedings/Eusipco/Eusipco2009/contents/papers/1569193209.pdf

Pokrótce można ją rozumieć podobnie do tego co robiliśmy rozważając filtry przestrzenne CSP z tym, że dla SSVEP oraz innych potencjałów wywołanych stanu ustalonego możemy skorzystać z dodatkowych informacji dotyczących poszukiwanych źródeł. Wiemy mianowicie, że powinny one oscylować z częstością bodźca, i być może jej harmonicznych.

Przyda nam się macierz <math>S</math> zbudowana tak, że w kolejnych kolumnach znajdują się sinusy i cosinusy kolejnych częstości harmonicznych. Wektory te unormujemy, żeby miały energię równą 1. Innymi słowy macierz <math>S</math> zbudowana jest z wersorów rozpinających przestrzeń, w której powinien znajdować się sygnał SSVEP.

W matlabie możemy taką macierz zbudować tak:
<source lang = matlab>
% Fs - częstość próbkowania
% numberOfSamples - długość sygnału w próbkach
% numberOfHarmonics - liczba harmonicznych, które chcemy włączyć do analizy
t = (0:1:numberOfSamples - 1)/Fs;
S = zeros(numberOfSamples, 2*numberOfHarmonics);

for harmonicNumber = 1:numberOfHarmonics
c = cos(2*pi*stimulationFrequency*harmonicNumber*t);
s = sin(2*pi*stimulationFrequency*harmonicNumber*t);
S(:,(harmonicNumber - 1)*2 + 1) = c/norm(c);
S(:,(harmonicNumber - 1)*2 + 2) = s/norm(s);
end
</source>

Aby w badanym sygnale znaleźć składowe odpowiadające SSVEP musimy rzutować sygnał <math>X</math> (macierz sygnałów ''kanały × próbki'') na przestrzeń rozpiętą przez <math>S</math>:
:<math>A = X*S</math>
Macierz <math>A</math> zawiera współczynniki będące iloczynami skalarnymi sygnałów i wersorów. Mówią one o tym &bdquo;jak dużo” jest sinusa bądź cosinusa o danej częstości w pierwotnym sygnale. Komponenty SSVEP zawarte w sygnale <math>X</math> odzyskujemy tak:
:<math>\mathrm{SSVEP} = A S^T</math>

Modelujemy rejestrowany sygnał jako:
:<math>X = \mathrm{SSVEP} + Y </math>
gdzie:
:<math>Y = X-\mathrm{SSVEP}</math>
: to wszystkie komponenty sygnału, które nas nie interesują.

Filtr przestrzenny, który chcemy zbudować powinien maksymalizować stosunek wariancji <math>\mathrm{SSVEP} = A S^T</math> do wariancji <math>Y = X-\mathrm{SSVEP}</math>. Macierz kowariancji powinna być uśredniona po powtórzeniach a kowariancja sygnału w każdym powtórzeniu powinna być znormalizowana poprzez podzielenie przez jej ślad (Matlabowa funkcja <tt>cov</tt> już wykonuje tę operację).
Dalej możemy zastosować technikę znaną z konstrukcji filtrów CSP, tzn. maksymalizacji ilorazu Rayleigha za pomocą rozwiązania uogólnionego zagadnienia własnego dla macierzy kowariancji <math>\mathrm{SSVEP} </math> i <math>Y </math>.

===Poniżej prosta demonstracja dla danych zebranych EEG przy stymulacji SSVEP z częstotliwością 38 Hz.===
Spakowane dane: [[Plik:PrzykladoweDaneSSVEP.mat.gz]].
W oparciu o powyższy opis proszę zaimplementować funkcję <tt>cosSinCSP</tt>. Prawidłowo zaimplementowana funkcja wraz z poniższym kodem powinna generować rysunek:
[[Plik:Rys_SSVEP_demo.png|400px|podpis grafiki]]
Przykładowy skrypt i dane prezentujący konstrukcję i działanie tego typu filtrów przestrzennych dla pełnych danych z eksperymentu SSVEP: [[Plik:SSVEP_demo_csp.tar.gz]]

{{hidden begin|title=przykładowy skrypt}}
<source lang = matlab>
% wczytujemy dane
load('PrzykladoweDaneSSVEP.mat');

[numberOfTrials numberOfChannels numberOfSamples] = size(X.data);
namesOfChannels = X.channels;

% numberOfChannels numberOfSamples numberOfTrials
W = zeros(numberOfChannels,numberOfChannels);
numberOfHarmonics = 3;
signal = X.data; % ( powtórzenie, kanał, próbki)

S = zeros(size(signal));
W = cosSinCSP(signal,X.stimulation,numberOfHarmonics,X.sampling);
for powt = 1:size(signal,1)
S(powt,:,:) = W'*squeeze(signal(powt,:,:));
end

figure('Name',['Stymulacja: ',num2str(X.stimulation),' Hz'])
for i =1:numberOfChannels
% rysujemy widma uśrednione po realizacjach dla danych
% z oryginalnych kanałów EEG
subplot(2,8,i)
PP=0;
for rep = 1:numberOfTrials
x = squeeze(signal(rep,i,:));
[Pxx,ff] = pwelch(x, X.sampling, 1, X.sampling, X.sampling);
PP =PP + Pxx;
end
plot(ff(ff<60),PP(ff<60))
title(namesOfChannels{i})

% rysujemy widma uśrednione po realizacjach dla danych
% z estymowanych źródeł CSP
subplot(2,8,8+i)
PP=0;
for rep = 1:numberOfTrials
s = squeeze(S(rep,i,:));
[Pss,ff]=pwelch(s, X.sampling, 1, X.sampling, X.sampling);
PP =PP + Pss;
end
plot(ff(ff<60),PP(ff<60))
title(['źródło CSP: ', num2str(i)])
end
</source>
{{hidden end}}

====ZADANIE: Analiza danych z eksperymentu własnego ====
# Przefiltruj sygnały EEG w paśmie 1-45 Hz za pomocą procedury <tt>filtfilt</tt>.
# Na podstawie sygnału trigger oraz danych zapisanych w pliku wyodrębnij sygnały EEG zarejestrowane w trakcie stymulacji z odpowiednimi częstościami.
# Uśrednij sygnały odpowiadające stymulacji tą samą częstością.
# Obejrzyj uśrednione sygnały. (Zaprezentuj je).

#* Sposób I:
#**Dla każdej realizacji wyestymuj przy pomocy metody Welcha widmo mocy sygnału EEG.
#**Dla każdej częstości stymulacji wyznacz poziom tła na podstawie widm pochodzących ze stymulacji innymi częstościami. Np. dla stymulacji częstością 10 Hz poziom tła można wyznaczyć jako 95 centyl ze zbioru wartości widma w częstości 10 Hz dla stymulacji częstościami {4, 7, 13, 16, 20, 25, 30, 35, 40} Hz.
#**Dla każdej częstości stymulacji wyznacz miarę odpowiedzi SSVEP (amplitudę widma odpowiadającą częstości stymulacji powyżej poziomy tła dla pojedynczej próby).
#**Zaprezentuj widma otrzymane przy stymulacjach różnymi częstościami wraz z korytarzem odpowwiadajacym 95% przedziałowi ufności wyznaczonemu dla widm z pojedynczych realizacji.
#**Sporządź wykres odpowiedzi SSVEP od częstości z zaznaczeniem przedziałów ufności i poziomu tła.
#* Sposób II:
#**Wyestumuj filtr CSP-SSVEP wspólny dla wszystkich częstości stymulacji
#**Powtórz kroki ze sposobu I dla uzyskanych komponentów.
#**Zaprezentuj filtry przestrzenne i topografie dla poszczególnych komponentów
#**Dla przypomnienia:
#***Filtr to zestaw współczynników z jakimi należy zsumować sygnały z poszczególnych kanałów EEG aby dostać komponenty odpowiadające hipotetycznym źródłom nieskorelowanym. Filtr można zilustrować na głowie, przypisując poszczególnym pozycjom elektrod wagi równe współrzędnym wektora w (kolumna macierzy W).
#***Topografia źródła to zestaw współczynników z jakimi docierają one do poszczególnych kanałów EEG. Topografia zawarta jest w wierszach macierzy odwrotnej do W.
#**Można rysunki wykonać jako macierze 5x5 i w pozycji elektrody kolorujemy proporcjonalnie do współczynnika.

===SSVEP-BCI===
W zajęciach tych przydadzą nam się informacje z:
https://brain.fuw.edu.pl/edu/index.php/Laboratorium_EEG/Wprowadzenie_do_syg_online
====Wstęp====
Naszym celem będzie stworzenie prostego interfejsu wykorzystującego zjawisko SSVEP.
Po dwóch stronach monitora zamocujemy diody. Każda będzie migać ze swoją ustaloną częstością (np. 16 i 22 Hz) - warto zadbać aby nie były to częstości powiązane ze sobą harmonicznie, a z drugiej strony aby, biorąc pod uwagę wyniki poprzedniego zadania, dawały dobra odpowiedź SSVEP.

Eksperyment będzie miał dwie cześci: sesję kalibracje i sesję on-line. Pomiędzy tymi sesjami będziemy uczyć kalsyfikator. Na podstawie części kalibracyjnej ustalimy jakie parametry przetwarznego on-line sygnału świadczą o patrzeniu się na diodę z lewej a jakie na tą z prawej strony ekranu.

Potem w sesji online będziemy porównywać (za pomocą predykcji klasyfikatora) rejestrowany sygnał z tymi warościami kalibracyjnymi i na tej podstawie system będzie zwracał informację o wyborze lewej lub prawej diody. To powinno umożliwić prostą komunikację na zasadzie pytanie i odpowiedź TAK/NIE.

==== Sesja kalibracycjna====
* Zakładamy czepek
* Częstość próbkowania ustawiamy na 256Hz
* Na podstawie kodu: https://brain.fuw.edu.pl/edu/index.php/Laboratorium_EEG/Wprowadzenie_do_syg_online#.C4.86wiczenie:_Wykorzystanie_pomiaru_EMG_do_sterowania_on-line
tworzymy programik, który zamiast pętli while tworzy odpowiednie pętle for aby:
* pięciokrotnie zarejestrować sekwencję trzech warunków eksperymentalnych:
** patrz 5s na diodę z lewej (warunek l)
** patrz 5s na środek ekranu (warunek s)
** patrz 5s na diodę z prawej (warunek p)
* w czasie tego patrzenia:
** odbieramy próbki w pakietach o długości 0.5s
** każdy pakiet filtrujem (technika filtrowania on-line) w pasmach dookoła wybranych dwóch częstości (PASMO_LEWE / PASMO_PRAWE)
** przefiltrowany pakiet przeliczamy na RMS
** zbieramy sześć zbiorów wyników - zestawy RMSów związane z każdym z waunków kalibracyjnych (LEWY/SPOCZYNEK/PRAWY) dla PASMO_LEWE i PASMO_PRAWE.
* Normalizujemy RMSy. Dla pasma lewego obliczamy (RMS_(l/p/s) - np.mean(RMS_s)) / np.sdt(RMS_s) i analogicznie dla pasma prawego. Małe indeksy oznaczaają tu warunki. Zapamiętujemy współczynniki normalizacyjne.
** Ogladamy rozkłady uzyskanych wielkości (znormalizowanych RMSów).
** Uczymy klasyfikator np. regresję logistyczną (https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html) do rozpoznawania, z którym warunkiem patrzenia mamy do czynienia.

==== Sesja online====
* wczytujemy wyuczony model i kalibracyjne wartości np.mean(RMS_s)) i np.sdt(RMS_s) dla pasm lewego i prawego
* Odbieramy próbki w pakietach o długości 0.5s
** każdy pakiet filtrujem (technika filtrowania on-line) w pasmach dookoła wybranych dwóch częstości (PASMO_LEWE / PASMO_PRAWE)
** przefiltrowany pakiet przeliczamy na RMS
** Normalizujemy RMSy. Dla pasma lewego obliczamy (RMS_(l/p/s) - np.mean(RMS_s)) / np.sdt(RMS_s) i analogicznie dla pasma prawego. Małe indeksy oznaczaają tu warunki.
** robimy predykcję klasyfikatora, z którym warunkiem patrzenia mamy do czynienia. Wyświetlamy na ekranie komunikat.
* Testujemy czy powyższy schemat analizy pozwala na komunikację.
{{hidden end}}


==ICA jako filtr przestrzenny==
{{hidden begin|title=Wstęp teoretyczny do ICA}}
===Definicja ===
Independent Component Analysis (ICA) jest metodą statystycznej analizy sygnałów, która dokonuje dekompozycji wielokanałowych zapisów na składowe niezależne w sensie statystycznym.
Dwie składowe ''s''1 i ''s''2 są niezależne jeżeli wiedza o wartości ''s''1 nie daje żadnych informacji o możliwych wartościach ''s''2. ICA może być wyrażona przez prosty model generatywny:
: '''x''' = '''Ds'''
: gdzie '''x''' = {''x''1, ''x''2, ..., ''x''''n''} jest zmierzonym ''n'' kanałowym sygnałem, '''D''' jest macierzą mieszającą zaś '''s''' = {''s''1, ''s''2, ..., ''s''''n''} jest aktywnością ''n'' źródeł. Podstawowym założeniem dotyczącym '''s''' jest to, że ''s''''i'' są statystycznie niezależne. Aby wyestymować model musimy też założyć, że składowe mają niegaussowskie rozkłady wartości (Hyvärinen, 2000).

Dodatkowo model ten zakłada następujące fakty:
# Sygnał jest liniową mieszaniną aktywności źródeł
# Sygnały pochodzące z każdego ze źródeł są niezależne od pozostałych
# Źródła oraz proces ich mieszania są stacjonarne, tzn, ich momenty statystyczne nie zależą od czasu
# Energie (wariancje) źródeł nie mogą być wyznaczone jednoznacznie. Dzieje się tak ponieważ pomnożenie amplitudy ''i''-tego źródła może być uzyskane poprzez przemnożenie albo ''s''''i'' albo przez przemnożenie ''i''-tej kolumny macierzy '''D'''. Naturalnym rozwiązaniem tej niejednoznaczności jest wprowadzenie konwencji, że komponenty są normowane tak aby miały wariancję 1: E[''s''''i''] = 1.
# Kolejność komponentów jest dowolna. Bo jeśli w ten sam sposób zmienimy kolejność komponentów w '''s''' i kolumn w '''D''' to dostaniemy dokładnie ten sam sygnał '''x'''.

Głównym wyzwaniem w analizie ICA jest estymacja macierzy mieszającej '''D'''. Gdy jest ona znana to komponenty mogą być wyliczone w następujący sposób:
: '''s''' = '''D'''−1'''x'''

=== Estymacja ===
Znalezienie niezależnych komponentów może być rozważane w świetle Centralnego Twierdzenia Granicznego jako poszukiwanie komponentów o możliwie nie gaussowskim rozkładzie.
Aby zrozumieć to podejście prześledźmy heurystykę zaproponowaną przez (Hyvärinen, 2000).
Dla prostoty załóżmy, że poszukiwane źródła niezależne mają identyczne rozkłady.
Zdefiniujmy

''y'' = '''w'''T'''x'''.

Zauważmy, że jeśli

'''w'''

jest jedną z kolumn macierzy

'''D'''−1,

to ''y'' jest jednym z poszukiwanych komponentów.
Zamieniając zmienne

'''z''' = '''D'''T'''w'''

możemy napisać

''y'' = '''w'''T'''x''' = '''w'''T'''Ds''' = '''z'''T'''s'''.

Uwidacznia to fakt, że ''y'' jest liniową kombinacją składowych s''i'' z wagami danymi przez z''i''.

Z centralnego twierdzenia granicznego wynika, że suma niezależnych zmiennych losowych ma bardziej gaussowski charakter niż każda z tych zmiennych osobno.
Liniowa kombinacja staje się najmniej gaussowska gdy '''z''' ma tylko jeden element niezerowy. W tym przypadku ''y'' jest proporcjonalny do s''i''.
Zatem problem estymacji modelu ICA może być sformułowany jako problem znalezienia takiego wektora '''w''', który maksymalizuje niegaussowskość

''y'' = '''w'''T'''x'''.

Maksymalizacja niegaussowskości ''y'' daje jeden niezależny komponent odpowiadający jednemu z 2''n'' maksimów (bo mamy s''i'' i −s''i'') w krajobrazie optymalizacyjnym. Aby znaleźć wszystkie niezależne komponenty musimy znaleźć wszystkie maksima. Ponieważ komponenty są nieskorelowane, to poszukiwania kolejnych komponentów można kontynuować w podprzestrzeni ortogonalnej do już znalezionych komponentów.

===Obliczenia===
Intuicyjna heurystyka poszukiwania najbardziej niegaussowskich składowych może być użyta do wyprowadzenia różnych funkcji kosztu, których optymalizacja daje model ICA, np. kurtoza.

<math>kurt(y) = E\{y^4\} - 3(E{y^2})^2</math>

Inną miarą gassowskości jest neg-entropia, którą można wyprowadzić z entropii:
Entropia jest miarą średniego zdziwienia wynikiem obserwacji zmiennej losowej:
<math>H(Y) = - \sum_i P(Y= a_i) \log(P(Y=a_i)) </math>

Negentropia jest zdefiniowana:

<math> J(y) = H(y_{gauss}) -H(y)</math>
gdzie <math> y_{gauss} </math> jest gassuwską zmienną losową o takiej samej kowaiancji jak <math> y </math>.

Negentropia jest skomplikowana obliczeniow, więc w praktyce używana jest formuła przybliżona:

<math> J(y) \varpropto [E\{G (y)\} - E\{G(\nu)\}]</math>

<math>\nu </math> jest zmienną losową ze standardowego rozkładu normalnego , a G są pewnymi niekwadratowymi funkcjami.

W algorytmie FastICA extremum negentropii jest znajdowane w procedurze bazującej na optymalizacji Netwona.
(szczegóły np.: sekcja 6 w https://www.cs.helsinki.fi/u/ahyvarin/papers/NN00new.pdf)

Procedura wykorzystywana w eeglabie (&bdquo;runica”, Makeig 1996) dąży do minimalizacji informacji wzajemnej. Oba podejścia są w przybliżeniu równoważne (Hyvärinen, 2000), chociaż owo przybliżenie dla sygnałów elektrofizjologicznych nie zostało to jeszcze w pełni wyeksplorowane.
Dla sygnałów o niskiej wymiarowości i spełniających dokładnie założenia ICA wszystkie powszechnie wykorzystywane algorytmy dają niemal identyczne wyniki.

;Bardzo ważna uwaga: ogólną zasadą jest, że jeśli estymujemy ''N'' stabilnych komponentów (z ''N''-kanałowych danych) to musimy dysponować ''kN''2 punktami danych w każdym kanale, gdzie ''N''2 jest liczbą elementów w macierzy '''D''', którą ICA próbuje wyestymować, ''k'' jest liczbą całkowitą. Nie ma dobrych oszacowań teoretycznych na wielkość ''k'', z praktycznych obserwacji wynika, że rośnie ona z liczbą kanałów.

=== Możliwe zastosowania ===
Najczęściej ICA jest stosowana jako narzędzie do:
* usuwania artefaktów z sygnałów EEG (ruchy oczu i mięśnie)
* wydobywania składowych do dalszej analizy (Onton, 2006)
* jako analiza wstępna do lokalizacji źródeł (Grau, 2007).
* ICA jest także stosowana w analize sygnałów EKG i EMG.

===Bibliografia===
Bazowa praca:
* A. Hyvärinen. Fast and Robust Fixed-Point Algorithms for Independent Component Analysis. IEEE Transactions on Neural Networks 10(3):626-634, 1999 http://www.cs.helsinki.fi/u/ahyvarin/papers/TNN99_reprint.pdf

Nieco prościej opisana wersja z przykładami:
* Hyvärinen, A. and Oja, E. (2000). Independent component analysis: Algorithms and applications. Neural Networks, 13(4-5):411–430.
https://www.cs.helsinki.fi/u/ahyvarin/papers/NN00new.pdf

* Grau, C., Fuentemilla, L., Marco-Pallars, J. (2007). Functional neural dynamics underlying auditory event-related n1 and n1 suppression response. Neuroimage, 36(6):522–31.
* Makeig, S., Bell, A., Jung, T.-P., Sejnowski,T. (1996). Independent component analysis of electroencephalographic data. W: Touretzky, D., Mozer, M., and Hasselmo, M., editors, Advances in Neural Information Processing Systems, volume 8, pages 145–151. MIT Press, Cambridge, MA.
* Onton, J., Makeig, S. (2006). Information-based modeling of event-related brain dynamics. Prog Brain Res., 159:99–120.
* Tutorial: http://sccn.ucsd.edu/wiki/Chapter_09:_Decomposing_Data_Using_ICA
* http://sccn.ucsd.edu/~arno/indexica.html
* http://cis.legacy.ics.tkk.fi/aapo/papers/IJCNN99_tutorialweb/
{{hidden end}}
{{hidden begin|title=Wydobywanie interesujących komponentów}}

=== ZADANIE: Wydobywanie interesujących komponentów ===

Dane do tej części ćwiczeń proszę pobrać i rozpakować w swoim katalogu:
http://www.fuw.edu.pl/~jarekz/LabEEG/Dane_do_ICA_alfa.tar.gz

Pochodzą one z eksperymentu, w którym osoba badana siedziała z zamkniętymi oczami słuchając nagrania czytanego spokojnym głosem. Metadane opisujące sygnał znajdują się w pliku Miro.xml, zaś lokalizacje elektrod w pliku Miro-10-20-Cap.locs.

Proszę:
* wczytać dane do eeglaba
* wyedytować lokalizację elektrod
* usunąć kanały nie zawierające EEG
* zmienić referencje na średnią z kanałów A1 i A2
* przefiltrować filtrem FIR górnoprzepustowym z częstością odcięcia 0,5 Hz
* obejrzeć wstępnie przygotowane dane
* policzyć ICA na całym sygnale
* obejrzeć właściwości otrzymanych komponentów
** Czy są wśród nich takie, które zawierają znaczny udział rytmu alfa?
** Jaka jest ich topografia?
* usunąć wszystkie komponenty nie zawierające alfy
* odtworzyć z tych komponentów sygnał na elektrodach
* wykonać dekompozycję ICA kilkukrotnie (co najmniej 3) i porównać wyniki
** Czy uzyskiwane komponenty są powtarzalne?
** Swoje wyniki porównać też z sąsiednimi grupami.
{{hidden end}}

===ZADANIE: Identyfikacja artefaktów ===
Proszę pobrać dane:

*http://www.fuw.edu.pl/~jarekz/LabEEG/Arousal-10-20-Cap.locs
*http://www.fuw.edu.pl/~jarekz/LabEEG/Arousal1.set
*http://www.fuw.edu.pl/~jarekz/LabEEG/Arousal1.fdt

Pochodzą one z eksperymentu w którym osoba badana czytała słowa o różnych właściwościach wzbudzania emocji.

* wczytaj je do eeglaba
* wczytaj lokalizację kanałów z pliku Arousal-10-20-Cap.locs
* obejrzyj przebiegi czasowe
* odrzuć kanał z diodą (21) i z GSR (20)
* zrób dekompozycję ICA
* obejrzyj topografię komponentów
* zidentyfikuj komponenty odpowiadające mruganiu i aktywności mięśniowej.
;UWAGA: Aktualnie do wykrywania komponentów artefaktowych warto posłużyć się wtyczkami do eeglaba dostępnymi przez stronę:

https://sccn.ucsd.edu/eeglab/plugin_uploader/plugin_list_all.php

* ICLabel
* MARA

====W raporcie: ====
* zaprezentuj fragmenty sygnału zawierającego artefakty oczne i mięśniowe przed i po zastosowaniu czyszczenia poprzez usuwanie komponentów zdominowanych przez artefakty.
* zaprezentuj topografię i przebiegi czasowe komponentów zidentyfikowanych jako artefakty oczne i mięśniowe.

Pracownia Sygnałów Bioelektrycznych

2025-03-21T12:33:27Z

Jarekz: /* Materiały */

[[category:Pracownie specjalistyczne]]

Zajęcia w roku 2025: 8:45-12

'''UWAGA: godzina 8:45 to początek zajęć, a nie schodzenia się na zajęcia'''

Dla NI link do classroom: https://classroom.google.com/c/NjY2MjI3NDU2NDA3?cjc=mvvocie

==Zasady zaliczenia pracowni==

* Obecność na zajęciach jest obowiązkowa, dopuszczalne są 2 nieusprawiedliwione nieobecności.

Materiał zajęć jest podzielony na bloki tematyczne. W każdym bloku studenci mają do wykonania zestaw ćwiczeń. Pod koniec każdego bloku konieczne będzie przesłanie raportu w postaci notebooka na adres jarekz@fuw.edu.pl

# Prezentacja wyników w notebooku powinna uwzględniać:
#* przypomnienie, co było liczone (i jak, jeśli trzeba);
#* na co należy zwrócić uwagę w prezentowanych wynikach;
#* interpretację wykresów. Część z tych informacji można dołożyć do rysunków w postaci krótkich wyjaśnień.
# Należy zadbać o prawidłową postać wykresów, w tym w szczególności:
#* obecność opisów osi (w miarę możliwości jednostek);
#* spójne zakresy osi i skalowanie wykresów;
#* właściwy dobór skali (tak, aby uwidocznić najważniejsze rzeczy);
#* obecność tytułów i innych podpisów ułatwiających zrozumienie prezentowanych treści.
# Ocenie podlegają:
#* kompletność prezentacji;
#* poprawność kodu;
#* czytelność prezentowanych wielkości i zjawisk;
#* merytoryczna poprawność wypowiedzi.



==Materiały==
[[Pracownia_Sygnałów_Biologicznych/Zajecia_1|Wprowadzenie]]
## 28.02.2025
[[Pracownia_Sygnałów_Biologicznych/Zajecia_2_4|EKG]]
## 07.03.2025 - Wstęp teoretyczny i pomiary
## 14.03.2025 - detekcja pików R i tętno
## 21.03.2025 - analiza HRV
przesyłanie notebooków z EKG/HRV do 4.04

<hr>

#[[Pracownia_Sygnałów_Biologicznych/Zajecia_5_6|EMG]]
## 28.03.2025 - wprowadzenie, pomiary, analiza ćwiczenie I
## 4.04.2025 - analiza ćwiczenie I
## 11.04.2025 - analiza ćwiczenie I
## 25.04.2025 - analiza sygnału online (ćwiczenie V), analiza ćwiczenie III i ćwiczenie IV -> przesyłanie notebooków z EMG do 16.05
## 07.05.2025 - seminarium SYNCC IN
#[[Pracownia_Sygnałów_Biologicznych/Zajecia_7|Spotkanie IX - XI (EOG)]]
## 16.05.2025 - podstawowe własności EOG - rejestracja
## 23.05.2025 - podstawowe własności EOG - analiza i szykowanie raportów: zwrot raportów z EOG 24.05
#[[Pracownia_Sygnałów_Biologicznych/Zajecia_9|Spotkanie XII - XIV (Wprowadzenie EEG)]]
## 30.05.2025 - [[Pracownia_EEG/EEG_spoczynkowe|EEG spoczynkowe, artefakty ]]
## 06.06.2025 - [[Pracownia_Sygnałów_Biologicznych/Zajecia_10|Analiza EEG]]
## 13.06.2025

#[[Pracownia_Sygnałów_Biologicznych/Zajecia_8|Spotkanie (GSR)]]

Laboratorium EEG

2025-03-11T12:58:02Z

Jarekz: /* Metody czas-częstość */

[[Category:Pracownie specjalistyczne]]
__NOTOC__
==Informacje bieżące==


Zajęcia są prowadzone przez Macieja Kamińskiego i Jarosława Żygierewicza 

Zajęcia odbywają się w sali 4.59:
* we wtorki w godzinach 11:15 - 13:30
* w środy w godzinach 10:45 - 13:00

== Warunki zaliczenia ==
Ćwiczenia zostaną zaliczone osobom, które spełnią dwa niezwykle proste warunki:
* Posiadanie maksymalnie dwóch nieusprawiedliwionych nieobecności na ćwiczeniach,
* Posiadanie przynajmniej połowy sumy punktów ze wszystkich prezentacji,
* ... ''(do ustalenia).''

=== Elementy oceniane w prezentacji:===
* poprawność zastosowanego algorytmu -> należy przygotować opis ideowy algorytmu w punktach/na schemacie
* prezentacja wykonanych testów pokazujacych, że algorytm działa poprawnie
* jakość kodu (czytelność, komentarze, struktura, czy ktoś komu mielibyśmy przekazać ten kod ma sznsę go zrozumieć)
* wykazanie się zrozumieniem otrzymanych wyników.



==Materiały dydaktyczne==
Zestaw przykładowych materiałów dotyczących analizy danych w Matlabie towarzyszący książce autorstwa Katarzyny J. Blinowskiej i Jarosława Żygierewicza zatytułowanej "Practical Biomedical Signal Analysis Using MATLAB® Second Edition]" ([https://books.google.pl/books?id=hSpHEAAAQBAJ&pg=PA1&hl=pl&source=gbs_toc_r&cad=3#v=onepage&q&f=false spis treści]):

https://static.routledge.com/9781138364417/matlab.zip




===Wprowadzenie do Matlaba===
* [[Laboratorium_EEG/Wprowadzenie_do_Matlaba|Wprowadzenie do Matlaba]] 
* [[Laboratorium_EEG/Konwerter_plików_Svarog–Matlab|Wczytywanie do Matlaba plików binarnych z programu Svarog]]

===Metody czas-częstość===

Motywacja - główne paradygmaty BCI:

https://drive.google.com/file/d/1hMbkzn07pVDfeJ4fk9JPHhZaIckz-PVL/view?usp=share_link

Wstęp o analizie ERD/ERS:

https://drive.google.com/file/d/1hP5VglC8jYnoGHJ2j06m1AOMe8ItwCkb/view?usp=share_link

* [[Laboratorium_EEG/Analiza czas-częstość w matlabie|Analiza czas-częstość w matlabie]]
* [[Laboratorium_EEG/Analiza zjawiska ERD/ERS|Analiza zjawiska ERD/ERS]]

===Filtry przestrzenne===
* [[Laboratorium_EEG/CSP|Filtry przestrzenne]]: metody ślepej separacji źródeł

===Zależności przyczynowe===
* [[Laboratorium_EEG/AR_1|Wielokanałowa analiza parametryczna/Zależności przyczynowe]]



* [[Laboratorium_EEG/EEGLAB|Pakiet EEGLAB]]
=== MP===
* [[Laboratorium_EEG/MMP|MMP]]

Laboratorium EEG

2025-03-11T12:29:20Z

Jarekz:

[[Category:Pracownie specjalistyczne]]
__NOTOC__
==Informacje bieżące==


Zajęcia są prowadzone przez Macieja Kamińskiego i Jarosława Żygierewicza 

Zajęcia odbywają się w sali 4.59:
* we wtorki w godzinach 11:15 - 13:30
* w środy w godzinach 10:45 - 13:00

== Warunki zaliczenia ==
Ćwiczenia zostaną zaliczone osobom, które spełnią dwa niezwykle proste warunki:
* Posiadanie maksymalnie dwóch nieusprawiedliwionych nieobecności na ćwiczeniach,
* Posiadanie przynajmniej połowy sumy punktów ze wszystkich prezentacji,
* ... ''(do ustalenia).''

=== Elementy oceniane w prezentacji:===
* poprawność zastosowanego algorytmu -> należy przygotować opis ideowy algorytmu w punktach/na schemacie
* prezentacja wykonanych testów pokazujacych, że algorytm działa poprawnie
* jakość kodu (czytelność, komentarze, struktura, czy ktoś komu mielibyśmy przekazać ten kod ma sznsę go zrozumieć)
* wykazanie się zrozumieniem otrzymanych wyników.



==Materiały dydaktyczne==
Zestaw przykładowych materiałów dotyczących analizy danych w Matlabie towarzyszący książce autorstwa Katarzyny J. Blinowskiej i Jarosława Żygierewicza zatytułowanej "Practical Biomedical Signal Analysis Using MATLAB® Second Edition]" ([https://books.google.pl/books?id=hSpHEAAAQBAJ&pg=PA1&hl=pl&source=gbs_toc_r&cad=3#v=onepage&q&f=false spis treści]):

https://static.routledge.com/9781138364417/matlab.zip




===Wprowadzenie do Matlaba===
* [[Laboratorium_EEG/Wprowadzenie_do_Matlaba|Wprowadzenie do Matlaba]] 
* [[Laboratorium_EEG/Konwerter_plików_Svarog–Matlab|Wczytywanie do Matlaba plików binarnych z programu Svarog]]

===Metody czas-częstość===

* [[Laboratorium_EEG/Analiza czas-częstość w matlabie|Analiza czas-częstość w matlabie]]
* [[Laboratorium_EEG/Analiza zjawiska ERD/ERS|Analiza zjawiska ERD/ERS]]
===Filtry przestrzenne===
* [[Laboratorium_EEG/CSP|Filtry przestrzenne]]: metody ślepej separacji źródeł

===Zależności przyczynowe===
* [[Laboratorium_EEG/AR_1|Wielokanałowa analiza parametryczna/Zależności przyczynowe]]



* [[Laboratorium_EEG/EEGLAB|Pakiet EEGLAB]]
=== MP===
* [[Laboratorium_EEG/MMP|MMP]]

Pracownia Sygnałów Bioelektrycznych

2025-02-27T14:01:25Z

Jarekz: /* Materiały */

[[category:Pracownie specjalistyczne]]

Zajęcia w roku 2025: 8:45-12

'''UWAGA: godzina 8:45 to początek zajęć, a nie schodzenia się na zajęcia'''

Dla NI link do classroom: https://classroom.google.com/c/NjY2MjI3NDU2NDA3?cjc=mvvocie

==Zasady zaliczenia pracowni==

* Obecność na zajęciach jest obowiązkowa, dopuszczalne są 2 nieusprawiedliwione nieobecności.

Materiał zajęć jest podzielony na bloki tematyczne. W każdym bloku studenci mają do wykonania zestaw ćwiczeń. Pod koniec każdego bloku konieczne będzie przesłanie raportu w postaci notebooka na adres jarekz@fuw.edu.pl

# Prezentacja wyników w notebooku powinna uwzględniać:
#* przypomnienie, co było liczone (i jak, jeśli trzeba);
#* na co należy zwrócić uwagę w prezentowanych wynikach;
#* interpretację wykresów. Część z tych informacji można dołożyć do rysunków w postaci krótkich wyjaśnień.
# Należy zadbać o prawidłową postać wykresów, w tym w szczególności:
#* obecność opisów osi (w miarę możliwości jednostek);
#* spójne zakresy osi i skalowanie wykresów;
#* właściwy dobór skali (tak, aby uwidocznić najważniejsze rzeczy);
#* obecność tytułów i innych podpisów ułatwiających zrozumienie prezentowanych treści.
# Ocenie podlegają:
#* kompletność prezentacji;
#* poprawność kodu;
#* czytelność prezentowanych wielkości i zjawisk;
#* merytoryczna poprawność wypowiedzi.



==Materiały==
#[[Pracownia_Sygnałów_Biologicznych/Zajecia_1|Spotkanie I (Wprowadzenie)]]
## 28.02.2025
#[[Pracownia_Sygnałów_Biologicznych/Zajecia_2_4|Spotkania II - V (EKG)]]
## 07.03.2025 - Wstęp teoretyczny i pomiary
## 14.03.2025 - detekcja pików R i tętno
## 21.03.2025 - analiza HRV
## 28.03.2025 - analiza HRV -> przesyłanie notebooków z EKG/HRV do 4.04

#[[Pracownia_Sygnałów_Biologicznych/Zajecia_5_6|Spotkanie VI - VIII (EMG)]]
## 4.04.2025 - wprowadzenie, pomiary, analiza ćwiczenie I
## 11.04.2025 - analiza ćwiczenie I
## 25.04.2025 - analiza ćwiczenie I
## 07.05.2025 - analiza sygnału online (ćwiczenie V), analiza ćwiczenie III i ćwiczenie IV -> przesyłanie notebooków z EMG do 16.05
#[[Pracownia_Sygnałów_Biologicznych/Zajecia_7|Spotkanie IX - XI (EOG)]]
## 16.05.2025 - podstawowe własności EOG - rejestracja
## 23.05.2025 - podstawowe własności EOG - analiza i szykowanie raportów: zwrot raportów z EOG 24.05
#[[Pracownia_Sygnałów_Biologicznych/Zajecia_9|Spotkanie XII - XIV (Wprowadzenie EEG)]]
## 30.05.2025 - [[Pracownia_EEG/EEG_spoczynkowe|EEG spoczynkowe, artefakty ]]
## 06.06.2025 - [[Pracownia_Sygnałów_Biologicznych/Zajecia_10|Analiza EEG]]
## 13.06.2025

#[[Pracownia_Sygnałów_Biologicznych/Zajecia_8|Spotkanie (GSR)]]

Pracownia Sygnałów Bioelektrycznych

2025-02-27T13:31:40Z

Jarekz:

[[category:Pracownie specjalistyczne]]

Zajęcia w roku 2025: 8:45-12

'''UWAGA: godzina 8:45 to początek zajęć, a nie schodzenia się na zajęcia'''

Dla NI link do classroom: https://classroom.google.com/c/NjY2MjI3NDU2NDA3?cjc=mvvocie

==Zasady zaliczenia pracowni==

* Obecność na zajęciach jest obowiązkowa, dopuszczalne są 2 nieusprawiedliwione nieobecności.

Materiał zajęć jest podzielony na bloki tematyczne. W każdym bloku studenci mają do wykonania zestaw ćwiczeń. Pod koniec każdego bloku konieczne będzie przesłanie raportu w postaci notebooka na adres jarekz@fuw.edu.pl

# Prezentacja wyników w notebooku powinna uwzględniać:
#* przypomnienie, co było liczone (i jak, jeśli trzeba);
#* na co należy zwrócić uwagę w prezentowanych wynikach;
#* interpretację wykresów. Część z tych informacji można dołożyć do rysunków w postaci krótkich wyjaśnień.
# Należy zadbać o prawidłową postać wykresów, w tym w szczególności:
#* obecność opisów osi (w miarę możliwości jednostek);
#* spójne zakresy osi i skalowanie wykresów;
#* właściwy dobór skali (tak, aby uwidocznić najważniejsze rzeczy);
#* obecność tytułów i innych podpisów ułatwiających zrozumienie prezentowanych treści.
# Ocenie podlegają:
#* kompletność prezentacji;
#* poprawność kodu;
#* czytelność prezentowanych wielkości i zjawisk;
#* merytoryczna poprawność wypowiedzi.



==Materiały==
#[[Pracownia_Sygnałów_Biologicznych/Zajecia_1|Spotkanie I (Wprowadzenie)]]
## 28.02.2025
#[[Pracownia_Sygnałów_Biologicznych/Zajecia_2_4|Spotkania II - V (EKG)]]
## 07.03.2025 - Wstęp teoretyczny i pomiary
## 14.03.2025 - detekcja pików R i tętno
## 21.03.2025 - analiza HRV
## 28.03.2025 - analiza HRV -> przesyłanie notebooków z EKG/HRV do 5.04

#[[Pracownia_Sygnałów_Biologicznych/Zajecia_5_6|Spotkanie VI - VIII (EMG)]]
## 4.04.2025 - wprowadzenie, pomiary, analiza ćwiczenie I
## 11.04.2025 - analiza ćwiczenie I
## 25.04.2025 - analiza ćwiczenie I
## 07.05.2025 - analiza sygnału online (ćwiczenie V), analiza ćwiczenie III i ćwiczenie IV -> przesyłanie notebooków z EMG do 13.05
#[[Pracownia_Sygnałów_Biologicznych/Zajecia_7|Spotkanie IX - XI (EOG)]]
## 16.05.2025 - podstawowe własności EOG - rejestracja
## 23.05.2025 - podstawowe własności EOG - analiza i szykowanie raportów: zwrot raportów z EOG 24.05
#[[Pracownia_Sygnałów_Biologicznych/Zajecia_9|Spotkanie XII - XIV (Wprowadzenie EEG)]]
## 30.05.2025 - [[Pracownia_EEG/EEG_spoczynkowe|EEG spoczynkowe, artefakty ]]
## 06.06.2025 - [[Pracownia_Sygnałów_Biologicznych/Zajecia_10|Analiza EEG]]
## 13.06.2025

#[[Pracownia_Sygnałów_Biologicznych/Zajecia_8|Spotkanie (GSR)]]

Pracownia Sygnałów Bioelektrycznych

2025-02-27T13:31:30Z

Jarekz: /* Materiały */

[[category:Pracownie specjalistyczne]]

Zajęcia w roku 2024: 8:45-12

'''UWAGA: godzina 8:45 to początek zajęć, a nie schodzenia się na zajęcia'''

Dla NI link do classroom: https://classroom.google.com/c/NjY2MjI3NDU2NDA3?cjc=mvvocie

==Zasady zaliczenia pracowni==

* Obecność na zajęciach jest obowiązkowa, dopuszczalne są 2 nieusprawiedliwione nieobecności.

Materiał zajęć jest podzielony na bloki tematyczne. W każdym bloku studenci mają do wykonania zestaw ćwiczeń. Pod koniec każdego bloku konieczne będzie przesłanie raportu w postaci notebooka na adres jarekz@fuw.edu.pl

# Prezentacja wyników w notebooku powinna uwzględniać:
#* przypomnienie, co było liczone (i jak, jeśli trzeba);
#* na co należy zwrócić uwagę w prezentowanych wynikach;
#* interpretację wykresów. Część z tych informacji można dołożyć do rysunków w postaci krótkich wyjaśnień.
# Należy zadbać o prawidłową postać wykresów, w tym w szczególności:
#* obecność opisów osi (w miarę możliwości jednostek);
#* spójne zakresy osi i skalowanie wykresów;
#* właściwy dobór skali (tak, aby uwidocznić najważniejsze rzeczy);
#* obecność tytułów i innych podpisów ułatwiających zrozumienie prezentowanych treści.
# Ocenie podlegają:
#* kompletność prezentacji;
#* poprawność kodu;
#* czytelność prezentowanych wielkości i zjawisk;
#* merytoryczna poprawność wypowiedzi.



==Materiały==
#[[Pracownia_Sygnałów_Biologicznych/Zajecia_1|Spotkanie I (Wprowadzenie)]]
## 28.02.2025
#[[Pracownia_Sygnałów_Biologicznych/Zajecia_2_4|Spotkania II - V (EKG)]]
## 07.03.2025 - Wstęp teoretyczny i pomiary
## 14.03.2025 - detekcja pików R i tętno
## 21.03.2025 - analiza HRV
## 28.03.2025 - analiza HRV -> przesyłanie notebooków z EKG/HRV do 5.04

#[[Pracownia_Sygnałów_Biologicznych/Zajecia_5_6|Spotkanie VI - VIII (EMG)]]
## 4.04.2025 - wprowadzenie, pomiary, analiza ćwiczenie I
## 11.04.2025 - analiza ćwiczenie I
## 25.04.2025 - analiza ćwiczenie I
## 07.05.2025 - analiza sygnału online (ćwiczenie V), analiza ćwiczenie III i ćwiczenie IV -> przesyłanie notebooków z EMG do 13.05
#[[Pracownia_Sygnałów_Biologicznych/Zajecia_7|Spotkanie IX - XI (EOG)]]
## 16.05.2025 - podstawowe własności EOG - rejestracja
## 23.05.2025 - podstawowe własności EOG - analiza i szykowanie raportów: zwrot raportów z EOG 24.05
#[[Pracownia_Sygnałów_Biologicznych/Zajecia_9|Spotkanie XII - XIV (Wprowadzenie EEG)]]
## 30.05.2025 - [[Pracownia_EEG/EEG_spoczynkowe|EEG spoczynkowe, artefakty ]]
## 06.06.2025 - [[Pracownia_Sygnałów_Biologicznych/Zajecia_10|Analiza EEG]]
## 13.06.2025

#[[Pracownia_Sygnałów_Biologicznych/Zajecia_8|Spotkanie (GSR)]]