Laboratorium EEG/Wprowadzenie do syg online

Z Brain-wiki

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]


  • Zrób z powyższego kodu detektor przekroczenia pewnej ustalonej wartości RMS

Filtrowanie online

Filtrowanie krótkich fragmentów sygnału jest kłopotliwe ze względu na efekty brzegowe. Dla sygnałów ciągłych dostarczanych w krótkich fragmentach ( w skrajnym przypadku próbka po próbce) problem ten można rozwiązać przekazując do funkcji filtrującej informacje dotyczące stanu filtra na poprzednim odcinku danych. Wywołanie

 y, zi = ss.lfilter(b, a, [s], zi=zi)

powoduje przekazanie do funkcji lfilter pewnego stanu początkowego zi i odebranie zaktualizowanego stanu po przejści sygnału s przez filtr.

  • Proszę porównać filtrowanie funkcją lfilter całego sygnału testowego naraz i podawanego po jednej próbce. Dla ustalenia uwagi niech będzie to filtr dolnoprzepustowy z częstością odcięcia 12Hz. Przygotować odpowiednie wizualizacje.

GRA

Proszę ściągnąć i zapoznać się z kodem prostej gry w pythonie. Uruchamia się ją poleceniem:

python breakout_mouse.py

po czym trzeba kliknąć w okienku z grą i położeniem myszy sterować paletką.

https://github.com/j-zygierewicz/Breakout_mouse/tree/main

Położenie myszy jest pobierane w 159 lini i aplikowane do położenia paletki w 160.

Na kolejnych zajęciach naszym celem będzie podpięcie sygnału przychodzącego ze wzmacniacza (po odpowiedniej analizie) do sterowania położeniem zamiast myszy.

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.