© Institut biostatistiky a analýz ZPRACOVÁNÍ A ANALÝZA BIOSIGNÁL Ů prof. Ing. Jiří Holčík, CSc.

Slides:



Advertisements
Podobné prezentace
Analýza signálů - cvičení
Advertisements

Fourierova transformace Filtrování obrazu ve frekvenční doméně
Ústav technologie, mechanizace a řízení staveb
Fůze rozmazaných snímků ( Li, Manjunath, Mitra) kombinace „nejlepších“ dat volba „nejlepších“ - pomocí DWT, levý Mallat strom absolutní hodnota koeficientů.
36SI GUI specifikace. 1. Úvod PowerPlant - Modul pro vizualizaci biologických dat SI Team no.5 Pavel Dejmekvedoucí projektu Jan Suváktester Filip Trávnickýanalytik.
Speciální funkce a transformace ve zpracování obrazu
Difrakce na difrakční mřížce
Ing. Jiří Šilhán.  volba typu ŽCS  rozčlenění na dílčí úkoly  časování.
- snaha o rekonstrukci lokálních struktur - rozložení spekter x amplitudy spekter - hlavní - amplituda Odstraňování šumu - obrázky - hladké oblasti s pár.
Harmonická analýza Součet periodických funkcí s periodami T, T/2, T/3,... je periodická funkce s periodu T má periodu T perioda základní frekvence vyšší.
Digitální zpracování obrazu
Orbis pictus 21. století Tato prezentace byla vytvořena v rámci projektu.
QT intervaly – metody detekce konce T vlny Jitka Jirčíková.
Technické aspekty a metody počítačového zpracování signálu EKG
Diskrétní Fourierova transformace
ZPRACOVÁNÍ A ANALÝZA BIOSIGNÁLŮ
SPEKTRÁLNÍ ANALÝZA ČASOVÝCH ŘAD
MODULAČNÍ RYCHLOST – ŠÍŘKA PÁSMA
Obrazová analýza povrchu potiskovaných materiálů a potištěných ploch
Detekce hran.
Tato prezentace byla vytvořena
Okénková Fourierova transformace střední široké úzké.
Tato prezentace byla vytvořena
Orbis pictus 21. století Tato prezentace byla vytvořena v rámci projektu.
ZPRACOVÁNÍ A ANALÝZA BIOSIGNÁLŮ V.
SIGNÁLY A SOUSTAVY V MATEMATICKÉ BIOLOGII
© Institut biostatistiky a analýz INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ ANALÝZA A KLASIFIKACE DAT prof. Ing. Jiří Holčík, CSc.
ZPRACOVÁNÍ A ANALÝZA BIOSIGNÁLŮ III.
Určení parametrů elektrického obvodu Vypracoval: Ing.Přemysl Šolc Školitel: Doc.Ing. Jaromír Kijonka CSc.
SIGNÁLY A LINEÁRNÍ SYSTÉMY
© Institut biostatistiky a analýz SIGNÁLY A LINEÁRNÍ SYSTÉMY prof. Ing. Jiří Holčík, CSc.
CW01 - Teorie měření a regulace © Ing. Václav Rada, CSc. cv ZS – 2010/2011 Ústav technologie, mechanizace a řízení staveb.
© Institut biostatistiky a analýz INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ ANALÝZA A KLASIFIKACE DAT prof. Ing. Jiří Holčík, CSc.
SIGNÁLY A LINEÁRNÍ SYSTÉMY
Lineární integrální transformace
© Institut biostatistiky a analýz INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ SIGNÁLY A LINEÁRNÍ SYSTÉMY prof. Ing. Jiří Holčík, CSc.
© Institut biostatistiky a analýz ZPRACOVÁNÍ A ANALÝZA BIOSIGNÁL Ů FREKVENČNÍ SPEKTRUM SPOJITÝCH SIGNÁLŮ.
SIGNÁLY A LINEÁRNÍ SYSTÉMY
SIGNÁLY A LINEÁRNÍ SYSTÉMY
Signály v měřici technice
SIGNÁLY A LINEÁRNÍ SYSTÉMY
ZPRACOVÁNÍ A ANALÝZA BIOSIGNÁLŮ II.
© Institut biostatistiky a analýz ANALÝZA A KLASIFIKACE DAT prof. Ing. Jiří Holčík, CSc.
© Institut biostatistiky a analýz INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ SIGNÁLY A LINEÁRNÍ SYSTÉMY prof. Ing. Jiří Holčík, CSc.
SIGNÁLY A LINEÁRNÍ SYSTÉMY
Okénková Fourierova transformace waveletová transformace translace, dilatace a > 0,  R   R.
© Institut biostatistiky a analýz SPEKTRÁLNÍ ANALÝZA Č ASOVÝCH Ř AD prof. Ing. Jiří Holčík, CSc.
Tato prezentace byla vytvořena
© Institut biostatistiky a analýz INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ ANALÝZA A KLASIFIKACE DAT prof. Ing. Jiří Holčík, CSc.
© Institut biostatistiky a analýz ZPRACOVÁNÍ A ANALÝZA BIOSIGNÁL Ů V. ELEKTROENCEFALOGRAM ZPRACOVÁNÍ V ČASOVÉ OBLASTI.
SIGNÁLY A LINEÁRNÍ SYSTÉMY
Elektromyografie Definice
SIGNÁLY A SOUSTAVY V MATEMATICKÉ BIOLOGII
SPEKTRÁLNÍ ANALÝZA ČASOVÝCH ŘAD
VŠB - TU Ostrava1 Wavelet transformace v metodách zvýraznění řeči Petr OPRŠAL.
Orbis pictus 21. století Tato prezentace byla vytvořena v rámci projektu.
Memoriae mundi series Bohemica digitalizace rukopisů a starých tisků Národní knihovna ČR AiP Beroun s.r.o. dceřinná společnost Albertina icome Praha s.r.o.
© Institut biostatistiky a analýz SPEKTRÁLNÍ ANALÝZA Č ASOVÝCH Ř AD prof. Ing. Jiří Holčík, CSc.
Harmonická analýza Součet periodických funkcí s periodami T, T/2, T/3,... je periodická funkce s periodu T má periodu T perioda základní frekvence vyšší.
Vlastnosti regulačních členů.
MM2 – úvodní cvičení.
ELEKTRONIKA Zesilovače – princip, druhy
ČASOVÉ ŘADY (SIGNÁLY A LINEÁRNÍ SYSTÉMY )
Zvuky a Fourierova transformace
SIGNÁLY A LINEÁRNÍ SYSTÉMY (ČASOVÉ ŘADY)
BIOLOGICKÉ A LÉKAŘSKÉ SIGNÁLY
ANALÝZA A KLASIFIKACE DAT
SPEKTRÁLNÍ ANALÝZA ČASOVÝCH ŘAD
Česká asociace provozovatelů lokálních distribučních soustav
SIGNÁLY A LINEÁRNÍ SYSTÉMY
Transkript prezentace:

© Institut biostatistiky a analýz ZPRACOVÁNÍ A ANALÝZA BIOSIGNÁL Ů prof. Ing. Jiří Holčík, CSc.

© Institut biostatistiky a analýz VLNKOVÁ TRANSFORMACE MOTIVACE ANEB O CO JDE?

© Institut biostatistiky a analýz LITERATURA  Polikar R.: The Wavelet Tutorial, Part I, 2, III, IV  Selesnick. I.W.: Wavelet Transforms – A Quick Study ded.pdf ded.pdf  wavelet.org  Valens,C.: A Really Friendly Guide to Wavelets.

© Institut biostatistiky a analýz FOURIEROVA TRANSFORMACE X X VLNKOVÁ TRANSFORMACE

© Institut biostatistiky a analýz FOURIEROVA TRANSFORMACE X X VLNKOVÁ TRANSFORMACE x(t) = cos(210t) + cos(225t) +cos(250t) +cos(2100t)

© Institut biostatistiky a analýz FOURIEROVA TRANSFORMACE X X VLNKOVÁ TRANSFORMACE

© Institut biostatistiky a analýz FOURIEROVA TRANSFORMACE X X VLNKOVÁ TRANSFORMACE

© Institut biostatistiky a analýz FOURIEROVA TRANSFORMACE X X VLNKOVÁ TRANSFORMACE

© Institut biostatistiky a analýz KRÁTKODOBÁ FOURIEROVA TRANSFORMACE (SHORT TIME FOURIER TRANSFORM – STFT)  Fourierova transformace  krátkodobá Fourierova transformace

© Institut biostatistiky a analýz KRÁTKODOBÁ FOURIEROVA TRANSFORMACE (SHORT TIME FOURIER TRANSFORM – STFT) 0 – 300 ms: f = 300 Hz 300 – 600 ms: f = 200 Hz 600 – 800 ms: f = 100 Hz 800 – 1000 ms: f = 50 Hz

© Institut biostatistiky a analýz KRÁTKODOBÁ FOURIEROVA TRANSFORMACE (SHORT TIME FOURIER TRANSFORM – STFT) Gaussovo okno: w(t) = exp(-a.t 2 /2)

© Institut biostatistiky a analýz KRÁTKODOBÁ FOURIEROVA TRANSFORMACE (SHORT TIME FOURIER TRANSFORM – STFT) a = 0,001

© Institut biostatistiky a analýz KRÁTKODOBÁ FOURIEROVA TRANSFORMACE (SHORT TIME FOURIER TRANSFORM – STFT) a = 0,01

© Institut biostatistiky a analýz KRÁTKODOBÁ FOURIEROVA TRANSFORMACE (SHORT TIME FOURIER TRANSFORM – STFT) a = 0,0001

© Institut biostatistiky a analýz KRÁTKODOBÁ FOURIEROVA TRANSFORMACE (SHORT TIME FOURIER TRANSFORM – STFT) a = 0,00001

© Institut biostatistiky a analýz MULTIREZOLU Č NÍ ANALÝZA  signál je analyzován s různým rozlišením (přesností vyjádření) pro různé frekvence  je to tak, že je dobré rozlišení v čase a horší frekvenční rozlišení na vysokých frekvencích – to je šikovné především tehdy, pokud zpracovávaný signál obsahuje vysoké frekvence po krátkou dobu trvání a nízkofrekvenční složky delší dobu

© Institut biostatistiky a analýz VLNKOVÁ TRANSFORMACE  parametry   - časový posun  s – měřítko (jako na mapě, čím menší číslo, tím větší detaily), inverzní vazba na frekvence (nízká frekvence – velké měřítko a vice versa, ale u vlnek je to naopak, protože s je ve jmenovateli)  () – mateřská vlnka (jsou používány různé typy vlnek)

© Institut biostatistiky a analýz  změna časového měřítka x(t) ~ x(mt), kde m je kladné reálné číslo m > 1 – časová komprese; m < 1 – časová expanze m = 1 – nic se neděje u vlnek ~ x(t/m), takže m < 1 – časová komprese; m > 1 – časová expanze, dilatace časové osy ZÁKLADNÍ OPERACE SE SIGNÁLY OPERACE S JEDNOU FUNKCÍ

© Institut biostatistiky a analýz M ĚŘ ÍTKO

© Institut biostatistiky a analýz VÝPO Č ET korelační funkce: EJHLE !

© Institut biostatistiky a analýz R Ů ZNÉ TYPY MATE Ř SKÝCH VLNEK Morletova vlnka vlnka tvaru mexický klobouk

© Institut biostatistiky a analýz R Ů ZNÉ TYPY MATE Ř SKÝCH VLNEK Meyerova vlnka (reálná část) kde nebo třeba měřítková funkce:

© Institut biostatistiky a analýz VÝPO Č ET

© Institut biostatistiky a analýz VÝPO Č ET

© Institut biostatistiky a analýz VÝPO Č ET

© Institut biostatistiky a analýz VÝPO Č ET

© Institut biostatistiky a analýz DISKRÉTNÍ WT c(n) = 0,5.x(2n) + 0,5.x(2n+1) d(n) = 0,5.x(2n) - 0,5.x(2n+1) y(2n) = c(n) + d(n) y(2n+1) = c(n) - d(n)

© Institut biostatistiky a analýz DISKRÉTNÍ WT c 3 = [4,5] d 3 = [-0,25] d 2 = [-0,75 1,75] d = [-0,5 0 0,5 1]

© Institut biostatistiky a analýz DISKRETIZACE

DISKRÉTNÍ WT 3 úrovňová Haarova transformace

© Institut biostatistiky a analýz DISKRÉTNÍ WT c(n) = h 0 x(2n) + h 1 x(2n+1) + h 2 x(2n+2) + h 3 x(2n+3) d(n) = h 3 x(2n) – h 2 x(2n+1) + h 1 x(2n+2) - h 0 x(2n+3) y(2n) =h 0 c(n) + h 2 c(n-1) + h 3 d(n) + h 1 d(n-1) y(2n+1) =h 1 c(n) + h 3 c(n-1) – h 2 d(n) - h 0 d(n-1) -

© Institut biostatistiky a analýz DISKRÉTNÍ WT

© Institut biostatistiky a analýz DISKRÉTNÍ WT

© Institut biostatistiky a analýz DISKRÉTNÍ WT

© Institut biostatistiky a analýz DISKRÉTNÍ WT

© Institut biostatistiky a analýz DISKRÉTNÍ WT

© Institut biostatistiky a analýz DISKRÉTNÍ WT

© Institut biostatistiky a analýz DISKRÉTNÍ WT - EKG