AS cwiczeniaTF: Różnice pomiędzy wersjami
Linia 10: | Linia 10: | ||
Zapoznaj się z artykułem | Zapoznaj się z artykułem | ||
− | + | [1] https://www.dropbox.com/s/rjfympzrkb1vwx7/T-f.microstructure.of.ERDS.pdf | |
+ | |||
+ | Wczytaj do Svaroga sygnał używany w tym artykule do demonstracji własności metod czas-częstość | ||
+ | |||
+ | https://www.dropbox.com/s/igfh3vmm44mc15d/simchirp.raw | ||
+ | |||
+ | i spróbuj odtworzyć Fig. 2 z tego artykułu. | ||
+ | |||
+ | Dla ambitnych: napisz w Pythonie skrypt generujący taki sam sygnał, lub przynajmniej częśc z jego składowych, i porównaj mapy gęstości energii w przestrzeni czas-częstość. | ||
+ | |||
+ | Następnie przy pomocy programu Svarog wczytaj sygnał | ||
+ | |||
+ | https://www.dropbox.com/s/ymdq50padi5rlmq/finger.bin?dl=0 | ||
+ | |||
+ | korzystając z opisu | ||
+ | |||
+ | https://www.dropbox.com/s/t2jpcewyppwues1/finger.xml | ||
+ | |||
+ | oraz pliku z oznaczeniami (tag) | ||
+ | |||
+ | https://www.dropbox.com/s/tcpqusu9isxi47n/finger.tag | ||
+ | |||
+ | W ostatnim pliku (.tag) oznaczone są momenty ruchu palcem, sygnał składa się z 10-sekundowych odcinków EEG wybranych po 5 s przed i 5 s po ruchu. W pliku .xml znajdują się metadane rejestracji, takie jak częstość próbkowania, nazwy kanałów itp. | ||
*Wyznacz średni potencjał wywołany: Tools -> Average evoked potentials (w zakresie [-5 5], gdzie 0 oznacza moment wykonania ruchu) i wyeksportuj wynik do pliku (Save segments to file). | *Wyznacz średni potencjał wywołany: Tools -> Average evoked potentials (w zakresie [-5 5], gdzie 0 oznacza moment wykonania ruchu) i wyeksportuj wynik do pliku (Save segments to file). | ||
− | *Przeprowadź dekompozycję uśrednionego potencjału przy pomocy | + | *Przeprowadź dekompozycję uśrednionego potencjału przy pomocy dostępnych w programie Svarog estymat gęstości energii w przestrzeni czas-częstość: STFT, WT i MP, i zapisz mapy czas-częstość. |
+ | * Wykonaj uśrednienie estymat gęstości energii w przestrzeni czas-częstość otrzymanych za pomocą analizy falkowej i spektrogramu (zwróć ueagę na dobór paramterów -- długości okna i falki) | ||
*Następnie dla każdego fragmentu przeprowadź dekompozycję ''matching pursuit'' i uśrednij otrzymane mapy gęstości energii sygnału. Porównaj otrzymane wyniki. | *Następnie dla każdego fragmentu przeprowadź dekompozycję ''matching pursuit'' i uśrednij otrzymane mapy gęstości energii sygnału. Porównaj otrzymane wyniki. | ||
− | *Porównaj wyniki z mapą czas-częstość zaprezentowaną w orginalnym artykule [1]. | + | *Porównaj wyniki otrzymane dla różnyc estymat, oraz wyniki z MP z mapą czas-częstość zaprezentowaną w orginalnym artykule [1]. |
Wersja z 13:22, 13 gru 2015
Metody czas-częstość
Ćwiczenie 1
- Wygeneruj sygnał o długości 1 sek. będący sumą sinusa, delty Diraca i trzech funkcji Gabora o parami jednakowych położeniach w czasie i częstościach. Przyjmij częstość próbkowania 512 Hz.
- Do wygenerowanego sygnału dodaj szum o energii dwukrotnie większej niż sam sygnał.
- W programie Svarog utwórz mapę gęstości energii sygnału w przestrzeni czas-częstość przy pomocy spektrogramu, transformacji falkowej oraz algorytmu matching pursuit.
Ćwiczenie 2
Zapoznaj się z artykułem
[1] https://www.dropbox.com/s/rjfympzrkb1vwx7/T-f.microstructure.of.ERDS.pdf
Wczytaj do Svaroga sygnał używany w tym artykule do demonstracji własności metod czas-częstość
https://www.dropbox.com/s/igfh3vmm44mc15d/simchirp.raw
i spróbuj odtworzyć Fig. 2 z tego artykułu.
Dla ambitnych: napisz w Pythonie skrypt generujący taki sam sygnał, lub przynajmniej częśc z jego składowych, i porównaj mapy gęstości energii w przestrzeni czas-częstość.
Następnie przy pomocy programu Svarog wczytaj sygnał
https://www.dropbox.com/s/ymdq50padi5rlmq/finger.bin?dl=0
korzystając z opisu
https://www.dropbox.com/s/t2jpcewyppwues1/finger.xml
oraz pliku z oznaczeniami (tag)
https://www.dropbox.com/s/tcpqusu9isxi47n/finger.tag
W ostatnim pliku (.tag) oznaczone są momenty ruchu palcem, sygnał składa się z 10-sekundowych odcinków EEG wybranych po 5 s przed i 5 s po ruchu. W pliku .xml znajdują się metadane rejestracji, takie jak częstość próbkowania, nazwy kanałów itp.
- Wyznacz średni potencjał wywołany: Tools -> Average evoked potentials (w zakresie [-5 5], gdzie 0 oznacza moment wykonania ruchu) i wyeksportuj wynik do pliku (Save segments to file).
- Przeprowadź dekompozycję uśrednionego potencjału przy pomocy dostępnych w programie Svarog estymat gęstości energii w przestrzeni czas-częstość: STFT, WT i MP, i zapisz mapy czas-częstość.
- Wykonaj uśrednienie estymat gęstości energii w przestrzeni czas-częstość otrzymanych za pomocą analizy falkowej i spektrogramu (zwróć ueagę na dobór paramterów -- długości okna i falki)
- Następnie dla każdego fragmentu przeprowadź dekompozycję matching pursuit i uśrednij otrzymane mapy gęstości energii sygnału. Porównaj otrzymane wyniki.
- Porównaj wyniki otrzymane dla różnyc estymat, oraz wyniki z MP z mapą czas-częstość zaprezentowaną w orginalnym artykule [1].