AS cwiczeniaTF: Różnice pomiędzy wersjami

Z Brain-wiki
 
(Nie pokazano 10 wersji utworzonych przez 4 użytkowników)
Linia 1: Linia 1:
==Metody czas-częstość==
+
[[Analiza_sygnałów_-_ćwiczenia]]/TF
 +
 
 +
 
 +
 
 +
==Wprowadzenie do metod czas-częstość ==
 +
===Spektrogram i sklogram ===
 +
W  celu zapoznania się z tymi metodami przeczytaj uważnie i wykonaj ćwiczenia w notebooku: https://drive.google.com/open?id=0BzwQ_Lscn8yDMnRSZWpoSnZqZ2c
 +
Notebook zajęć w formie py: https://drive.google.com/file/d/0B7k6Z_ViZid5OTJsbGJjSVdPQTA/view?usp=sharing
 +
 
 +
===MP===
 +
 
 +
Zapoznajmy się z dekompozycją algorytmem MP przy użyciu tego [https://drive.google.com/open?id=0BzwQ_Lscn8yDdUlLVXp1XzF0elE notebooka].
 +
Zajęcia w formie pliku .py https://drive.google.com/file/d/0B7k6Z_ViZid5UzZnUWNESjJWelE/view?usp=sharing
 +
 
 +
[[Dokumentacja konfiguracji MP w SVAROGU i w pliku konfiguracyjnym]]
 +
 
 +
==Metody czas-częstość w SVAROGU==
  
 
===Ćwiczenie 1===
 
===Ćwiczenie 1===
Linia 8: Linia 24:
  
 
===Ćwiczenie 2===
 
===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 część 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
  
Przy pomocy programu Svarog wczytaj sygnał [[Plik:finger_movement.rar| EEG]] pochodzący z eksperymentu, w którym osoba badana miała za zadanie co dziesięć sekund wykonywać ruch palcem (zaczynając od piątej sekundy). Momenty określające ruch zostały zapisane w pliku .tag. W pliku .xml znajdują się metadane rejestracji, takie jak częstość próbkowania, nazwy kanałów itp.  
+
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 algorytmu 'matching pursuit'' i zapisz mapę czas-częstość.  
+
*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].
 +
 
 +
 
 +
[[Analiza_sygnałów_-_ćwiczenia]]/TF

Aktualna wersja na dzień 14:35, 18 sty 2017

Analiza_sygnałów_-_ćwiczenia/TF


Wprowadzenie do metod czas-częstość

Spektrogram i sklogram

W celu zapoznania się z tymi metodami przeczytaj uważnie i wykonaj ćwiczenia w notebooku: https://drive.google.com/open?id=0BzwQ_Lscn8yDMnRSZWpoSnZqZ2c Notebook zajęć w formie py: https://drive.google.com/file/d/0B7k6Z_ViZid5OTJsbGJjSVdPQTA/view?usp=sharing

MP

Zapoznajmy się z dekompozycją algorytmem MP przy użyciu tego notebooka. Zajęcia w formie pliku .py https://drive.google.com/file/d/0B7k6Z_ViZid5UzZnUWNESjJWelE/view?usp=sharing

Dokumentacja konfiguracji MP w SVAROGU i w pliku konfiguracyjnym

Metody czas-częstość w SVAROGU

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 część 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].


Analiza_sygnałów_-_ćwiczenia/TF