Zapisz jako PDF

Spis treści
1 Korelacja i funkcja korelacji
2 Badanie zależności między sygnałami przy pomocy funkcji korelacji
3 Wielokanałowe modele AR
3.1 Ćwiczenia
Korelacja i funkcja korelacji
Dla przypomnienia: zagadnienia te poruszane były na wykładzie
Kowariancja:
Kowariancja dwóch zmiennych losowych jest miarą tego na ile dwie zmienne losowe mają podobne
tendencje do zmian. Przykład: w zmiennej x parami podajemy wartość pierwszej i drugiej zmiennej
x = np.array([[0, 2], [1, 1], [2, 0]]).T
W tej postaci łatwo zauważyć, że gdy pierwsza zmienna rośnie to druga maleje:
>>> x
array([[0, 1, 2],
[2, 1, 0]])
Tę własność naszych zmiennych wyrażają elementy pozadiagonalne macierzy kowariancji:
>>> np.cov(x)
array([[ 1., -1.],
[-1., 1.]])
Współczynnik normalizacyjny:
Implementacja w Pythonie: numpy.cov
Korelacja
Implementacja w Pythonie: numpy.corrcoef
Badanie zależności między sygnałami przy pomocy funkcji korelacji
def gabor(t0=0.5, sigma = 0.1, f = 10, T = 1, Fs = 128, phi = ):
dt = 1.0/Fs
t = np.arange(,T,dt)
s = np.exp( -0.5*((t-t0)/sigma)**2 )*np.cos(2*np.pi*f*t + phi)
return (s,t)
1. wygeneruj dwa sygnały długości
próbkowane z częstością
Hz przy uzyciu
funkcji gabor. Oba gabory mają częstość
Hz i
s. Oba sygnały s1 i s2 są
centrowane na
s
2. oblicz funkcję korelacji wzajemnej z = np.correlate(s1,s2,mode='full')
3. Jaka jest długość sygnału z?
4. Wykreśl w funkcji odpowiednich skal czasu na dwóch subplotach: na górnym sygnały s1 i s2 a
na dolnym z.
5. Zaobserwuj położenie maksimum funkcji korelacji wzajemnej. Jaki jest związek oscylacji w
funkcji korelacji wzajemnej z oscylacjami funkcji s1 i s2
Wskazówka: Związek między czasem t dla sygnałów s1 i s2 a skalą czasu dla korelacji f_corr_t
można zapisać w Pythonie:
f_corr_t = np.zeros(2*len(t)-1)
f_corr_t[:len(t)]= -t[len(t)::-1]
f_corr_t[len(t):]=t[1:]
Powtórz punkty 1-5 zmieniając położenie sygnału s1 od 0.5 do 0.1 z krokiem 0.1, oraz sygnału
s2 od 0.5 do 0.9 z krokiem 0.1. Zaobserwuj związek między położeniem maksimum funkcji
korelacji wzajemnej a odległością między centrami gaborów.
Wykonaj analogiczne iteracje zachowując stałe położenie gaborów (dla obu t0 = 0.5 zmieniaj
natomiast częstość s2 od 10 Hz do 16 Hz co 2 Hz. Wymuś stały zakres osi y na
-100:100(funkcja pylab.ylim((-100,100)))
*
http://localhost:8888/notebooks/Documents/Hoza/WYKLADY/ANALIZA_SYG_WIKI/cwiczenia/AR/Kore
lacja_i_kowariancja_demo.ipynb
Wielokanałowe modele AR
Model autoregresyjny rozpatrywaliśmy do tej pory jako proces generacji pojedynczego sygnału x. Nic
jednak nie stoi na przeszkodzie, aby w chwili czasu t opisywać wartość nie jednego sygnału, ale
jakiejś większej ich liczby, np. k. Możemy wtedy zapisać wzór modelu k-kanałowego jako
gdzie X(t) i E(t) są wektorami odpowiednio — wartości wszystkich opisywanych modelem sygnałów
(x1, x2, ..., xk) w chwili czasu t i wartości k niezależnych procesów czysto losowych (ϵ1, ϵ2, ..., ϵk) w
chwili czasu t:
Proces opisujący jednocześnie więcej niż jeden sygnał nazywamy wielokanałowym lub
wielozmiennym (ang. multichannel, multivariate). Zauważmy, że (jeden) model wielokanałowy nie
jest prostym powieleniem kilku modeli jednokanałowych. Tutaj współczynniki A są macierzami
rozmiaru k×k, zawierającymi oprócz zależności osobno dla każdego z sygnałów (kanałów modelu)
również wyrazy pozadiagonalne, opisujące zależności między sygnałami składowymi.
Wzory opisujące model w dziedzinie częstości, w szczególności wzór na transformację Fouriera
sygnału X oraz na widmo S (czyli funkcję gęstości widmowej mocy) wyglądają identycznie jak w
przypadku jednokanałowym z tym, że odpowiednie wielkości (A, H, S) są teraz macierzami rozmiaru
k×k, natomiast X(f) i E(f) są wektorami o rozmiarze k:
(symbol + oznacza transpozycję połączoną ze sprzężeniem zespolonym elementów macierzy).
Macierz H nazywamy macierzą przejścia modelu (ang. transfer matrix). Widzimy, że transformata
Fouriera sygnału powstaje przez pomnożenie macierzy przejścia H przez transformatę Fouriera
szumu E, która teoretycznie nie zależy od częstości. Oznacza to, że własności widmowe opisane
współczynnikami modelu (z których wylicza się macierz przejścia) zawarte są w H.
Widmo S procesu wielokanałowego jest również macierzą rozmiaru k×k. Na przekątnej zawiera ona
tzw. widma własne (ang. autospectra), a poza przekątną widma wzajemne (ang. cross-spectra)
mówiące o wspólnych dla danej pary kanałów składowych w częstości.
Ponieważ macierz H zawiera w sobie związki między wszystkimi sygnałami wchodzącymi w skład
opisywanego układu oraz jest ona niesymetryczna, może posłużyć do skonstruowania funkcji
opisującej zależności pomiędzy sygnałami. Funkcją taką jest na przykład kierunkowa funkcja
przejścia (ang. directed transfer function, DTF) opisana w wersji znormalizowanej wzorem.
Opisuje ona stosunek wpływu w częstości f sygnału transmitowanego z kanału j do kanału i w danym
zestawie w stosunku do wszystkich wpływów transmitowanych w tej częstości do kanału i. Dzięki
temu jest ona znormalizowana: jej wartości zawierają się w przedziale [0, 1]; wartość 0 oznacza brak
transmisji z kanału j do kanału i, wartość bliska 1 oznacza silny przepływ sygnału w tym kierunku.
Ćwiczenia
Aby zapoznać się z działaniem funkcji DTF możemy użyć wtyczki DTF do programu Svarog. Oblicza
ona znormalizowaną funkcję DTF dla wybranego zestawu kanałów wczytanych z pliku i wybranego
rzędu modelu.
Sygnał testowy 1 (dane_dtf_1.bin, dane_dtf_1.xml) jest to układ 3-kanałowy, w którym kanały 1 i 3
pochodzą z zapisu EEG ludzkiego z czaszki, pierwszy z przodu głowy, drugi z tyłu głowy, kanał 2 jest
zaś szumem o rozkładzie normalnym. Sygnał zbierany był w trakcie czuwania z zamkniętymi oczami,
oczekujemy więc silnej składowej w paśmie alfa (8-12 Hz), która, jak jest to wiadomo, jest
generowana z tyłu głowy. Jak zinterpretujesz otrzymany wynik?
*
Sygnał testowy 2 (dane_dtf_2.bin, dane_dtf_2.xml) jest to również układ 3-kanałowy, demonstrujący
tzw. problem wspólnego źródła. Sygnał 1 pochodzi z rejestracji ludzkiego EEG podczas czuwania z
zamkniętymi oczami, sygnał 2 to częściowo ten sam sygnał opóźniony o jedną próbkę z dodanym
szumem, a sygnał 3 to sygnał 1 opóźniony o dwie próbki i z dodanym (innym) szumem. Ponieważ
sygnały 2 i 3 są opóźnionymi wersjami sygnału 1 oczekujemy wykrycia transmisji 1→2 i 1→3. Pytanie
jest czy powinniśmy oczekiwać transmisji 2→3? W końcu w kanale 3 jest sygnał podobny do sygnału
z kanału 2 i na dodatek opóźniony w stosunku do niego o 1 próbkę.
Zaobserwuj wielkość wykrytej transmisji między sygnałami 2 a 3 w dwóch sytuacjach: gdy do analizy
bierzesz tylko te dwa sygnały (2 i 3) oraz gdy do analizy brane są wszystkie trzy sygnały na raz. Czy
możemy zaobserwować różnicę między sytuacją użycia pary sygnałów i informacji z pełnego układu
3-kanałowego?
[1]
Analiza_sygnałów_-_ćwiczenia/AR_2