Laboratorium EEG/AR 1 - Historia wersji

Maciek: /* Wielokanałowe modele AR */

2022-05-25T08:51:42Z

Wielokanałowe modele AR

2022-05-18T09:30:57Z

Ćwiczenie 1

2022-05-18T09:30:18Z

Ćwiczenie 1

2022-05-10T10:52:03Z

Ćwiczenie 2

2019-04-23T21:09:10Z

Wielokanałowe modele AR

2019-04-23T14:14:34Z

Ćwiczenie 6

2019-04-23T13:51:49Z

2016-05-24T08:12:50Z

Wstęp do ćwiczeń

2016-05-24T07:27:09Z

Wstęp do ćwiczeń

2016-05-24T07:25:35Z

Wstęp do ćwiczeń

@@ Linia 12: / Linia 12: @@
 Wzór powyższy może posłużyć do jednoczesnego opisu wielu sygnałów tworzących układ wielokanałowy. Mamy wtedy (dla ''k'' kanałów):
-<math>X(t)=\left( \begin{array}{c} X_1(t)\\X_2(t)\\ \vdots\\X_k(t) \end{array}\right),\ E(t)=\left( \begin{array}{c} E_1(t)\\E_2(t)\\ \vdots\\E_k(t) \end{array}\right),\ A(j)=
+<math>
 \left( \begin{array}{cccc} A_{11}(j) & A_{12}(j) & \hdots & A_{1k}(j)\\
 A_{21}(j) & A_{22}(j) & \hdots & A_{2k}(j)\\ \vdots & \vdots & \ddots & \vdots \\A_{k1}(j) & A_{k2}(j) & \hdots & A_{kk}(j)

@@ Linia 125: / Linia 125: @@
 <br><br>
 Przytnij wybrany odcinek do długości 2000 próbek. Podziel wybrany odcinek danych przez ich odchylenie standardowe.
-UWAGA:
+<br><br>UWAGA:
 * Sygnał po wycięciu z oryginalnego nagrania musimy jeszcze przefiltrować filtrem górnoprzepustowym (o granicy odcięcia np. 1 Hz) aby z sygnału usunąć składową stałą i inne efekty „płynięcia” o niskich częstościach. Możemy zastosować np. filtr Butterwortha, przyzwyczajajmy się również do filtrowania funkcją <tt>filtfilt</tt>.
 * „szum” w opisie konstrukcji drugiego kanału wytwarzamy funkcją <tt>randn</tt>.

@@ Linia 125: / Linia 125: @@
 <br><br>
 Przytnij wybrany odcinek do długości 2000 próbek. Podziel wybrany odcinek danych przez ich odchylenie standardowe.
 Wygeneruj dwa zestawy danych:
 * Zestaw 1
      Kanał 1 to nasz wybrany kanał EEG
-     Kanał 2 = (kanał 1 opóźniony o 1 próbkę)*0,6 + szum
+     Kanał 2 = (kanał 1 opóźniony o 1 próbkę)*0,6 + szum*0.15
 * Zestaw 2

@@ Linia 139: / Linia 139: @@
 ==Ćwiczenie 2==
-Dla obu zestawów danych z ćwiczenia 1 dopasuj dwukanałowe modele AR dla rzędów od 1 do 10. Sprawdź, ile wynoszą współczynniki ''a''<sub>12</sub> i ''a''<sub>21</sub> dopasowanych modeli AR w dziedzinie czasu dla ''j'' = 1...''p''.
+Dla obu zestawów danych z ćwiczenia 1 dopasuj dwukanałowe modele AR dla rzędów od 1 do 10. Sprawdź, ile wynoszą współczynniki ''a''<sub>12</sub> i ''a''<sub>21</sub> dopasowanych modeli AR w dziedzinie czasu dla ''m'' = 1...''p''.
 Dla każdego rzędu ''p'' oblicz dla kanałów 1 i 2 oraz 2 i 1 miarę DC [3]:

@@ Linia 26: / Linia 26: @@
 </math>
-gdzie, podobnie jak poprzednio, odpowiednie wielkości stają się wektorami ''k''-wierszowymi i macierzami rozmiaru ''k&times;''k'':
+gdzie, podobnie jak poprzednio, odpowiednie wielkości stają się wektorami ''k''-wierszowymi i macierzami rozmiaru ''k''&times;''k'':
 <math>

← poprzednia wersja		Wersja z 14:14, 23 kwi 2019
Linia 182:		Linia 182:
	==Ćwiczenie 6==		==Ćwiczenie 6==

		+	Oblicz funkcje DTF dla sygnałów zebranych podczas eksperymentu z ruchu palcem (Pracownia EEG: https://brain.fuw.edu.pl/edu/index.php/Pracownia_EEG/ERDS#Cwiczenia). Do analizy wybierz kanały położone nad korą ruchową rąk lewej i prawej: C3, Cz, C4, F3, F4. Oblicz wyniki dla poszczególnych realizacji eksperymentu, a następnie je uśrednij po realizacjach. Porównaj przepływy dla okresu referencyjnego (−4..−2 s) oraz dla okresu po ruchu (+0,5..+2,5 s).
		+	Porównaj również wyniki dla normalizowanej i nienormalizowanej wersji funkcji DTF.
		+
		+	Podziel cały wybrany odcinek danych eksperymentalnych (−5..+5 s) na okna o długości 1 sekundy nakładające się na siebie z zakładką 0,5 s. Policz dla każdego okna nienormalizowane funkcje DTF (uśredniając po realizacjach). Narysuj otrzymane wyniki w postaci macierzy map czas-częstość obrazujących zmiany intensywności przepływów w czasie.

	=Literatura=		=Literatura=

← poprzednia wersja		Wersja z 13:51, 23 kwi 2019
Linia 179:		Linia 179:

	Oblicz funkcje DTF dla wszystkich kanałów EEG z przygotowanego zestawu danych do ICA (dla pełnej długości w czasie każdego kanału). Zaobserwuj przepływy w paśmie częstości alfa.		Oblicz funkcje DTF dla wszystkich kanałów EEG z przygotowanego zestawu danych do ICA (dla pełnej długości w czasie każdego kanału). Zaobserwuj przepływy w paśmie częstości alfa.
		+
		+	==Ćwiczenie 6==
		+

	=Literatura=		=Literatura=

@@ Linia 116: / Linia 116: @@
 * przefiltrujemy sygnał (po zmianie) górnoprzepustowo z granicą odcięcia 1 Hz (stosując funkcję filtfilt).
-Aby dopasować współczynniki modelu MVAR do posiadanych danych użyjemy funkcji <tt>mvar.m</tt> zawartej w pakiecie: [http://www.fuw.edu.pl/~moira/prezentacja/MVAR_Matlab.zip MVAR_Matlab.zip] &mdash; należy go ściągnąć i wypakować do katalogu roboczego. Funkcja ta zwraca współczynniki ''A'' modelu MVAR oraz macierz wariancji szumu ''V''. Aby uzyskać macierz przejścia modelu ''H'' należy zaimplementować samemu procedurę transformacji współczynników do dziedziny częstości (patrz: [http://brain.fuw.edu.pl/edu/index.php/Pracownia_EEG/AR_1#Kilka_s.C5.82.C3.B3w_o_transformacji_Z tu]).
+Aby dopasować współczynniki modelu MVAR do posiadanych danych użyjemy funkcji <tt>licz_wsp_AR.m</tt> zawartej w pakiecie: [http://www.fuw.edu.pl/~moira/prezentacja/MVAR_Matlab.zip MVAR_Matlab.zip] &mdash; należy go ściągnąć i wypakować do katalogu roboczego. Funkcja ta zwraca współczynniki ''A'' modelu MVAR oraz macierz wariancji szumu ''V''. Aby uzyskać macierz przejścia modelu ''H'' należy zaimplementować samemu procedurę transformacji współczynników do dziedziny częstości (patrz: [http://brain.fuw.edu.pl/edu/index.php/Pracownia_EEG/AR_1#Kilka_s.C5.82.C3.B3w_o_transformacji_Z tu]).
 Przez &bdquo;szum&rdquo; rozumieć będziemy wektor wartości losowych zwracanych przez funkcję <tt>randn</tt>.

@@ Linia 111: / Linia 111: @@
 Do ćwiczeń w tym rozdziale używać będziemy zestawu danych, które służyły w poprzednim rozdziale do wyznaczania komponentów ICA (http://www.fuw.edu.pl/~jarekz/LabEEG/Dane_do_ICA_alfa.tar.gz). Aby dostosować je do naszych celów dokonamy na nich następujących operacji:
 * zastosujemy montaż do połączonych uszu (kanały A1 i A2);
 * zmniejszymy częstość próbkowania z 512 do 128 Hz (stosując antyaliasingowy filtr dolnoprzepustowy funkcją filtfilt i biorąc co czwartą próbkę filtrowanego sygnału);