Laboratorium EEG/Wprowadzenie do syg online: Różnice pomiędzy wersjami
Linia 31: | Linia 31: | ||
=== Prosty detektor przekroczenia progu === | === Prosty detektor przekroczenia progu === | ||
− | Z naszego sygnału testowego zróbmy sygnał o zmiennej mocy | + | Z naszego sygnału testowego zróbmy sygnał o zmiennej mocy. Np. tak: |
+ | <source lang =py> | ||
+ | s = xn*(1-0.5*np.sin(2*np.pi*1*t)) | ||
+ | plt.plot(s**2) | ||
+ | </source> | ||
+ | |||
+ | Zaimplementuj przepuszczanie tego sygnału przez bufor FIFO. Dla każdego stanu bufora wylicz średnią kwadratową (ang. RMS root mean square): | ||
+ | czyli pierwiastek ze średniej arytmetycznej kwadratów liczb w buforze: | ||
+ | : <math>x_{SK} =\sqrt\frac{x_1^2 + x_2^2 + \cdots + x_n^2}{n}.</math> | ||
=== Filtrowanie online=== | === Filtrowanie online=== |
Wersja z 17:46, 27 lut 2021
Spis treści
Sygnał testowy
Do zabawy w dalszych częściach zajęć przyda nam się jakiś sygnał testowy. Dla ustalenia uwagi niech będzie to suma trzech sinusoid, nieco zaszumiona generowana przez poniższy kod:
import scipy.signal as ss
import numpy as np
import matplotlib.pyplot as plt
Fs = 256
T = 5
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
plt.plot(xn)
plt.show()
Buforowanie: kolejka FIFO
W niektórych analizach wygodnie mieć fragment sygnału, który zawiera aktualnie otrzymane ze sterownika próbki sygnału wraz z pewnąliczbą poprzednich próbek. Do tego celu przydatna jest kolejka typu first-in-first-out (FIFO).
- Poroszę zaimplementować i zilustrować działanie kolejki FIFO, o długości
N_probek
.
Program powinien pokazywać cały sygnał testowy, a poniżej jego dotychczas otrzymany fragment i zaznaczony fragment znajdujący się w buforze kolejki.
- Proszę dopisać obliczanie i wykreślanie periodogramu dla aktualnego stanu kolejki.
Prosty detektor przekroczenia progu
Z naszego sygnału testowego zróbmy sygnał o zmiennej mocy. Np. tak:
s = xn*(1-0.5*np.sin(2*np.pi*1*t))
plt.plot(s**2)
Zaimplementuj przepuszczanie tego sygnału przez bufor FIFO. Dla każdego stanu bufora wylicz średnią kwadratową (ang. RMS root mean square): czyli pierwiastek ze średniej arytmetycznej kwadratów liczb w buforze:
- [math]x_{SK} =\sqrt\frac{x_1^2 + x_2^2 + \cdots + x_n^2}{n}.[/math]
Filtrowanie online
Ćwiczenie: Wykorzystanie pomiaru EMG do sterowania on-line
Przykładowy fragment kodu example.py umożliwiający odbieranie sygnału on line w pythonie przedstawiony jest poniżej.
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)
Aby wykonać go w terminalu należy uruchomić polecenie,
/opt/braintech/bin/python3 example.py
- Uwaga
- aby zadziałało trzeba wyłączyć SVAROGa.
Proszę przetestować czy po podłączeniu wzmacniacza i uruchomieniu tego skryptu pojawiają się w terminalu wartości próbek.