Образовательный файл

Министерство образования и науки Украины Харьковский национальный университет радиоэлектроники Кафедра БМЕ КУРСОВАЯ РАБОТА ПОЯСНИТЕЛЬНАЯ ЗАПИСКА по дисциплине Автоматизация обработки и анализа биомедицинской информации на тему : Обработка электро энцефалограмм в частотной области Студент гр . Руководитель 2009 Харьковский национальный университет радиоэлектроники Кафедра Биомед ицинских электронных устройств и систем Дисциплина Автоматизация обработки и анализа биомедицинской информации Специальность Биотехнические и медицинские аппараты и системы ЗАДАНИЕ НА КУРСОВОЙ ПРОЕКТ ( РАБОТУ ) студента гр. 1. Тема проекта (работы ) Обр аботка электро э нцефалограмм в частотной области 2. Срок подачи студентом завершенной работы ____ _________ 3. Исходные данные к работе : файлы оцифрованн ой электрэнцефалограммы : eeg _ Fp 1. txt , eeg _ Fp 2. txt , eeg_T4.txt, eeg_C3.txt, eeg_P4.txt . 4. Сод ержание пояснительной записки : Метод электроэнцефалографии , метод анализа ЭЭГ в частотной области , алгоритм анализа электроэнцефалограмм в частотной области , программа анализа ЭЭГ , результаты анализа . 5. Перечень графического материала : алгоритм анализа ЭЭ Г в частотной области , результаты анализа ЭЭ Г . 6. Дата выдачи задания : 19 февраля 2009 г. КАЛЕНДАРНЫЙ ПЛАН Номер Название этапов курсового проектирования Срок выполнения этапов проекта Примечание 1 Анализ задания 19.02.09 – 26.02.09 2 Ознакомление с литературой 26.02.09 – 6.03.09 3 Выбор метода анализа сигнала 6.03.09 – 13.03.09 4 Разработка алгоритма 13.03.09 – 27.03.09 5 Разработка программного обеспечения 27.03.09 – 16.04.09 6 Анализ результатов 16.04.09 – 27.04.09 7 Оформление пояснитель ной записки 27.04.09 – 24.05.09 8 Сдача работы на проверку руководителю 17.06.09 9 Доработка с учетом замечаний 17.06.09 – 20.06.09 10 Защита работы 20.06.09 РЕФЕРАТ Поясните льная записка содержит : 2 8 листов , 12 рисунков , 1 таблица , источников . Цель курсовой работы : научиться выполнять анализ медико-био логических сигналов с помощью ЭВ М и получение диагностического вывода о норме или патологии заданного сигнала [1] . Объектом исследования являются реальные оцифрованные электроэнцефало граммы здоровых людей. Заданием курсовой работы является анализ электро энцефалограмм в частотной области , что включает в себя построение наглядной электро энцефалограммы с оцифрованных образцов , построение б - ритмов, АЧХ электро энцефалограмм , периодограмм и спектрограмм б - ритмов . В ходе выполнения курсовой работы был построен алгоритм обработки данных электро энцефалограмм во временной области , котор ый позволил создать программу в среде М atLab , осуществляющую анализ ЭЭ Г. Данная программа является актуальной с точки зрения автоматизации обработки и анализа биомедицинской информации. Недостатком программы является невозможность осуществления точного 100 % -ного анализа , так как программа жестко привязана к общепринятым нормам спектральной плотности мощности ритмо в , в то время как некоторое варьирование этих данных может быть нормой для конкретного человека , а программой может восприниматься как патология. электроЭНЦЕФАЛограмма , СИГНАЛ , МОЗГ , РИТМЫ , ЧАСТОТНЫЙ анализ СОДЕРЖАНИЕ ВВЕДЕНИЕ 1 Метод электроэ нцефалографии 1.1 Отведения и реги страция ЭЭГ 1.2 Электроэнцефалог рамма . Ритмы 2 Метод анализа ЭЭГ в частотной области 3 Алгоритм анализа электроэнц ефал ограмм в частотной области 4 Программа анализа ЭЭГ ВЫВО ДЫ ПЕРЕЧЕН Ь ССЫЛОК Приложение А Приложение Б При ложение В ПЕРЕЧЕНЬ УСЛОВНЫХ ОБОЗНАЧЕНИЙ АЧХ вЂ“ амплитудно-частотная характеристика ЭВМ вЂ“ электронно-вычислительная машина ЦНС вЂ“ центральная нервная система ЭЭà – электроэнцефалограмма МПА – межпо лушарная асимметрия АКФ вЂ“ автокорреляционная функция МП вЂ“ мембранные потенциалы БПФ вЂ“ быстрое преобразование Фурье ВВЕДЕНИЕ ЭЭГ - метод регистрации электрической активности (биопотенциалов ) головного мозга через неповрежденные покровы головы , позволяющий судить о его физиологической зрелости , функциональном состоянии , наличии очаговых поражений , общемозговых расстройств и их характере. М етод ЭЭГ перспективен и показателен , что позволяет рассматривать его в област и диагностики психических расстройств. Применение математических методов анализа ЭЭГ и внедрение их в практику позволяет автоматизировать и упростить работу врачей . ЭЭГ является составной частью объективных критериев течения исследуемой болезни в общей сис теме оценок , разработанных для персонального компьютера . При обра ботк е и вычислени и параметров ЭЭ Г в компьютерном энцефалографическом комплексе , необходимо разработать модуль анализа основных характеристик электр оэнцефа лограммы человека на ба зе алгоритма . Для этого следует изучить ритмы , ста ндарты описания и обозначения ЭЭ Г. 1 МЕТОД ЭЛЕКТРОЭНЦЕФАЛОГРАФИИ Использование электроэнцефалограммы для изучения функций мозга и целей диагностики основано на знаниях , накопленных при наблюдениях за пациентами с различными поражениями мозга , а также на результатах экспериментальных исследованиях на животных . Весь опыт развития электроэнцефалографии , начиная с первых исследований Ханса Бергера в 1933 г ., свидетельствует о том , что определенным электроэнцефалогр а фическим феноменам или паттернам соответствуют определенные состояния мозга и его отдельных систем . Суммарная биоэлектрическая активность , регистрируемая с поверхности головы , характеризует состояние коры головного мозга как в целом , так и ее отдельных об л астей , а также функциональное состояние глубинных структур разного уровня. Общие представления о происхождении ЭЭГ . В основе колебаний потенциалов , регистрируемых с поверхности головы в виде ЭЭГ , лежат изменения внутриклеточных мембранных потенциалов (МП ) корковых пирамидных нейронов . При изменении внутриклеточного МП нейрона во внеклеточном пространстве , где расположены глиальные клетки , возникает разность потенциалов — фокальный потенциал . Потенциалы , возникающие во внеклеточном пространстве в популяции н ейронов , представляют собой сумму таких отдельных фокальных потенциалов . Суммарные фокальные потенциалы могут быть зарегистрированы с помощью электропроводных датчиков от разных структур мозга , от поверхности коры или с поверхности черепа. Напряжение токов головного мозга составляет порядка 10 – 5 Вольта . ЭЭГ представляет собой запись суммарной электрической активности клеток полушарий мозга. 1.1 Отведения и регистрация ЭЭГ Отведения биопотенциалов производятся двумя способами : монополярным и биполярным . Моноп олярный способ отведения производится измерением разности потенциалов , отводимых от одной активной точки – от электрода на поверхности скальпа в соответствующей зоне мозга и другой точки , условно принятой за «индифферентную» (референтный электрод ). «Индиф ф ерентной» точке чаще принимают мочку уха на которую закрепляется электрод . Реже в качестве индифферентного электрода используют суммарный электрод – обобщенное отведение от всех электродов на скальпе. При биполярном способе оба электрода , разность потенциа лов которых измеряется , локализованы на активной поверхности головы . При исследовании ЭЭГ у больных целесообразно использовать сочетания обоих методов отведения – монополярный и несколько биполярных : отведение от последовательной цепи электродов по параса г иттальной линии (О 1 – Р 3 ; Р 3 – С 3 ; С 3 – F 3 ; F 3 – F p 1 и соответствующая цепочка электродов на правом полушарии ) последовательной цепи электродов , расположенных по латеральной или нижней линии ( O 1 – Т 5 ; T 5 – T 3 ; T 3 – F 7 ; F 7 – F p 1 и соответствующей цепи справа ) в поперечном направлении ( O 1 – T 5 , P 5 – T 5 , C 3 – T 3 , F 3 – F 7 , F p 1 – F 7 и соответствующих электродов правого полушария ), и отведения с саггитальным электродом (каждый из электродов отонсительно сагиттальных ). Эту схему отведений можно упростить , избрав наиб олее необходимые комбинации в каждом отдельном случае . Когда схема наложения электродов упрощена до 8 точек на скальпе , соответственно меньше отведений можно произвести , однако следует также производить комбинацию монополярных и биполярных отведений , что о собенно важно для локализации очага поражения (очага контузии , гематомы ) [2]. 1.2 Электроэнцефалограмма . Ритмы Характер ЭЭГ определяется функциональным состоянием нервной ткани , а также прот екающими в ней обменными процессами . Нарушение кровоснабжения пр иводит к подавлению биоэлектрической активности коры больших полушарий. Важной особенностью ЭЭГ является ее спонтанный характер и автономность . Электрическая активнос ть мозга может быть зафиксирована не только в период бодрствования , но и во время сна . Даж е при глубокой коме и наркозе наблюдается особая характерная картина ритмических процессо в (волн ЭЭГ ). В электроэнцефало г рафии различают четыре основных диапазона : альфа -, бета -, гамма - и тета - волны (рисунок 1.1). - дельта-волны 0.5-3 колебания в сек - тета-волны 4-7 колебания в сек - альфа-волны 8- 13 колебаний в сек - бета-волны 14-30 колебаний в сек Рисунок 1.1 – Волновые процессы ЭЭГ Существование характерны х ритмических процессов определяется спонтанной электричес кой активностью мозга , которая обусловлена суммарной активно стью отдельных нейронов . Ритмы электроэнцефалограммы отличаются друг от друга по длительности , амплитуде и форме . Основные компоненты ЭЭГ здо рового человека прив едены в таблице 1.1. Разбиение на группы является более или менее произвольным , оно не соответствует каким-либо физиологическим категориям. Таблица 1.1 - Основные компоненты электроэнцефалограммы Выравнивание в ячейке Частот , Гц Состояние человека , соотве тствующее данному ритму б 8-13 Покой (глаза закрыты ) в 14-30 Интенсивная умственная или физическая работа д 1-4 Глубокий сон П‘ 4-8 Поверхностный сон Альфа-ритм электроэнцефа лограммы представляет собой ритмические колебания электрического потенциала с частотой в пределах 8-13 Гц и средней а мплитудой 30-70 мкВ . Для времен ной зависимости соответству ющих колебаний характерна ампли тудна я модуляция . Альфа-ритм выражен , преи мущественно, в зад них отделах мозга , при закрытых глазах , в состоянии относительного покоя , при максимально возможном расслаблении мышц . Он блокируется при световом раздражении , усилении внимания и умственных нагрузках . При проведении детального анализа структуры ЭЭГ иногда разли чают быстрые и медленные варианты альфа - ритма . Четко выраж енные колебания на соответствующей частоте проявляются в теменно-затылочной области в воз расте 4-5 лет . В 13-15 лет формируется устойчивый альфа-ритм , выраженный во всех областях. Бета-ритм – ритм ЭЭГ в д иапазоне от 14 до 30 Гц с амплитудой 5-30 мкВ , прису щий состоянию активного бодрствования . Сильнее всего он выражен в лобных о бластях , но при различных видах интенсивной деятельности резко усил ивается и распространяется на другие области мозга . Амплитуда бета-ритма возрастает в ситуации внимания , при умстве нном напряжении или эмоциональном возбуждении. Дельта-активность – компонента ЭЭГ, представляющая со бой колебания электрического потенциала с частотой от 1 до 4 Гц с различными пе риодами , распределенными в случайном порядке . Дельта-ритм у здоровых людей о бычно регистрируется во время глубокого сна . Низкоамплитудные (20 – 30 мкВ ) колебания в этом диапазоне могут быть идентифициро ваны в сигнале ЭЭГ в состоянии покоя при некоторых формах стресса и длительной умственной работе. Тета-ритм – ритм ЭЭГ на частоте 4- 8 Гц с амплитудой 10-100 мкВ . Он проявляется во время неглубокого сна . Наиболее ярко соответствующая динамика выражена у детей . Эмоциональное напряжение и интенсивная умс твенная работа приводят к увеличению спектральной плотности мощности тета-волн и увели че нию пространстве нной синхронизации между ними. Мю- p итм . Частота 8-13 Гц , амплитуда до 50 мкВ . как видно мю-ритм , называемый также wicket (англ .), - аркообразный ритм , имеет параметры , совпадающие с параметрами нормального а-ритма , и отличается от него не которыми физиологическими свойствами и топографией . Визуально регистрируемый мю-ритм наблюдается у относительно небольшого числа индивидуумов (5-15%) и регистрируется в роландической области , т.е . соответственно распределению в-ритма . A ктивируется мю-ритм во время умственной нагрузки и психического напряжения . Аналогично в-ритму , мю-ритм снижается (или в небольшом числе случаев нарастает ) по амплитуде при двигательной активации или соматосенсорной стимуляции , в связи с чем его ещё называют «сензоримоторным ритмом» ( Pfurtscheller G ., 1986). Рисунок 1.1 – П ериодограмма альфа-ритма В программе исследуется альфа-ритм и так должна выглядеть нормальная периодограмма здорового человека 2 МЕТОД АНАЛИЗА ЭЭГ В ЧАСТОТНОЙ ОБЛАСТИ Согласно теории обработки сигналов к спектрально-корреляционным методам относятся разложение сигнала в ряд Фурье , построение спектра мощности , спектральной плотности мощности , автокорреляционной и кросскорреляционной (взаимно корреляционной ) функции и т.д. Электроэнцефалография - метод исследования головного мозга , основанный на регистрации его электрических потенциалов. Электроэнцефалограмма (ЭЭГ ) - сигнал , получаемый при регистрации электрической активности головного мозга. Перед тем , как приступить к о писанию методов , с помощью которых автоматизируется анализ ЭЭГ , необходимо сделать одно допущение . Все нижеперечисленные методы , согласно теории обработки сигналов , могут быть применимы для стационарных случайных процессов . Очевидно , что ЭЭГ таковым процес сом не является . Обычно в таких случаях при анализе выбирают участки , которые условно можно считать стационарными или , иначе , квазистационарными , и длина которых достаточно велика для получения статистически разумных результатов. Другой особенностью , выяв ленной при проведении экспериментов с некоторым достаточно большим количеством ЭЭГ, является то , что в данном случае оценка процесса является скорее качественной , чем количественной . По крайней мере , для электроэнцефалографии нет каких-либо нормативных таб лиц основных параметров сигнала , как это имеет место в электромиографии или кардиографии , и каждая ЭЭГ может характеризоваться своей определенной совокупностью параметров . Эти параметры варьируются для разных ЭЭГ , которые при этом могут относиться к одному из классов патологии или быть в нор ме . Применение алгоритмов обработки стационарных сигналов для анализа ЭЭГ в данном случае можно считать переходом от одной формы отображения информации к другой , более удобной , компактной и информативной . Также стоит отм етить , что широко используемые методы обработки ЭЭГ , в общем-то , не учитывают ее биологический генез , а рассматривают ее как некий колебательный процесс и , как следствие , получаемые таким образом результаты не всегда удовлетворяют пользователя . И тот факт, что ЭЭГ представляет собой интегральную оценку электрофизиологической деятельности миллиардов элементарных источников , к тому же отфильтрованной естественными костно-тканевыми распределенными фильтрами , позволяет сказать , что использование рядов Фурье , к о рреляционного анализа для обработки ЭЭГ можно рассматривать только как более удобное в некоторых случаях изображение той же ЭЭГ и не более. Некоторые специалисты считают , что достаточно визуального просмотра ЭЭГ , тем не менее , большую популярность начинают завоевывать методы математической обработки и представления сигналов . Так как в электроэнцефалографии основными параметрами являются частота и амплитуда , то необходимо иметь методы оценки сигнала с помощью амплитудно-частотных характеристик . Наибольшее ра спространение получили методы вычисления спектра мощности сигнала и построение топокартограмм головного мозга с помощью цветового представления амплитуды . Для этого обычно используют преобразования Фурье или , адаптированное для спектрального анализа ЭЭГ , п реобразование Berg. Рассмотрим основные алгоритмы определения спектра сигнала. Первый и наиболее часто используемый способ – использование алгоритма быстрого преобразования Фурье (БПФ ). В настоящее время существует множество программных пакетов , созданных специально для реализации алгоритмов БПФ . Но , как показывает практика , использование классического БПФ не всегда удовлетворяет пользователя . Во-первых , несмотря на разнообразие способов ускорения этого алгоритма (оптимизация по периоду анализа , перевод не к оторых функций на язык ассемблера ), работает он достаточно медленно . Во-вторых , преобразование Фурье обладает некоторыми особенностями , которые отчасти затрудняют согласование получаемых с его помощью данных с данными визуального анализа . Суть их заключае т ся в том , что на ЭЭГ медленные колебания имеют большую амплитуду и длительность , чем высокочастотные . В связи с этим в спектре , построенном по классическому алгоритму Фурье , наблюдается диспропорциональное преобладание низких частот . Для обхождения этого р азработано преобразование BERG, специально адаптированное к детектированию быстрых изменений в спектре ЭЭГ и выравнивающее его в зависимости от частоты. Процедура вычисления преобразования BERG основывается на тех же принципах , что и преобразование Фурье , однако с тем отличием , что для каждой полосы спектра в исследуемой ЭЭГ эпоха анализа выбирается обратно пропорционально частоте и составляет T=16/f (c). Так , соответственно частота 2 Гц вычисляется за 8 с , 4 Гц - за 4 с , 6 Гц - за 2,6 с и т.д . Это преобра з ование дает результаты более соответствующие субъективным оценкам визуального анализа ЭЭГ при большей точности и надежности информации , и особенно пригодно для детектирования быстро меняющихся колебаний на ЭЭГ , что обеспечивается подчеркиванием более быст р ых частот в спектре . Оба эти алгоритма хороши в том случае , если нет необходимости в высокой скорости обработки процесса . В электроэнцефалографии , когда анализу подвергаются участки записи в несколько десятков секунд , а иногда и минут , они не всегда могут удовлетворять потребностям пользователя или будут требовать мощных и , естественно , дорогих вычислительных ресурсов . Поэтому возникает необходимость разработки более скоростного метода разложения и представления сигнала . Причем следует учитывать , что в да н ном случае не нужна сверхвысокая точность расчетов , поскольку все же математические методы оценки ЭЭГ дают скорее качественную , чем количественную оценку протекающим процессам . Учитывая эти особенности , здесь для анализа электроэнцефалографического сигнал а представлен алгоритм , который можно назвать дискретным преобразованием Фурье с прореживанием по времени . Справедливость использования данного алгоритма объясняется следующим . Так как частоту дискретизации для ЭЭГ не рекомендуется выбирать меньше , чем 200 Гц , а диапазон значимых частот располагается в пределах от 1 до 25 Гц (верхняя частота низкочастотного бета-диапазона ), то можно выполнить прореживание дискретного ЭЭГ-сигнала по времени и использовать для анализа каждую четвертую точку . Это равносильно т о му , что частота дискретизации уменьшится до 50 Гц . Согласно теореме Котельникова– Шеннона при такой частоте дискретизации без искажения будет передана верхняя полоса в 25 Гц . Для некоторых алгоритмов представления ЭЭГ такое значение будет удовлетворять (в ч астности , для реализации картирования ). Известно , что любой гармонический сигнал , при разложении его на комплексной плоскости , имеет две составляющие – синусную и косинусную . Поэтому для применения алгоритма дискретного преобразования Фурье необходимо зада ть массивы значений синусов и косинусов каждой представленной частоты . Точность разложения равна необходимой точности представления частот . Причем длительности этих массивов должны быть равными длине окна анализа алгоритма преобразования Фурье. С помощью с пектра мощности можно легко получить картину распределения ЭЭГ по ритмам , определить доминирующий ритм и доминирующую частоту как всей ЭЭГ , так и каждого отдельного ритма . Построив спектры мощности симметричных отведений левого и правого полушарий , можно о ценить степень асимметрии между этими участками по каждому ритму и по каждой конкретной частоте [4] . 3 АЛГОРИТМ АНАЛИЗА ЭЛЕКТРОЭНЦЕФАЛОГРАММ В ЧАСТОТНОЙ ОБЛАСТИ Схема алгоритма показана в приложении А. В начале построения программы ввод ятся данные сигнала ' eeg _ Fp 1 . txt ' ( 1 ) , которые представлены в виде файла с оцифрованной электро энцефал ограммой. Далее переходим к вводу периода дискретизации и рассчитываем частоту дискретизации ( 2 ). fd=1/Td; Рассчитываем частоту Найквиста ( 2 ). fn = fd /2; После , рассчи тываем параметры АЧХ ( 3 ), АКФ ( 4 ), периодограммы ( 5 ), спектрограммы ( 6 ). Устанавливаем параметры фильтра для выделения альфа-ритма ( 7 , 8 ) и фильтруем сигнал ( 9 ). Рассчитываем параметры АЧХ ( 11 ), АКФ ( 10 ), периодограммы (1 2 ) и спектрограммы (1 3 ) для альфа-р итма сигнала. Результаты выводятся на экран в двух окнах программной среды MatLab . Затем с помощью программы анализируются сигналы eeg _ Fp 2. txt , eeg_T4.txt, eeg_C3.txt, eeg_P4.txt. 4 ПРОГРАММА АНАЛИЗА ЭЭГ Для реализации алгоритма анализа ЭЭ Г исп ользуется программный пакет MATLAB . Для чтения и обработки данны х из файлов ' eeg _ Fp 1. txt ', ' eeg _ Fp 2. txt ', 'eeg_T4.txt', 'eeg_C3.txt', 'eeg_P4.txt' использовались следующие функции : fid = fopen (' EEG \ eeg _ T 4. txt ',' rt '); – функция, позволя ющая от крыть файл исход ного сигнала ЭЭ Г ; f - считывание данных с файла ; fid – идентификатор файла ; [2,512] – размер ; fd - период дискретизации ; t – вектор времени ; y – вектор сигнала ЭЭ Г ; fclose – функция , реализующая закрытие файла идентификатора ; fd – частота дискретизации ; su bplot – разб ивает окно для построения в нем нескольких графиков ; plot – строит график ; length – команда для определения длины массива y ; fx - вектор из двох переменн ых , нижняя и верхняя граничные частоты для фильтра ; figure - выбор окна , в котором реализуе тся текущее построение графиков ; A - получение абсолютного значения ; title - изменяет название графика ; trapz - рассчитывает площадь ; AKF - расчет параметров АКФ ; [ P , f ]= pmtm ( y ,[],[], fd ) - расчет периодограммы по методу Томпсона ; spec gram ( y ,[], fd ,100) - расчет параметров для построения спектрограммы ; hamming - установка параметров окна. Графические результаты приведены в приложении В. ВЫВОДЫ В процессе разработки курсовой работы была создана программа в среде MatLab, на баз е этой программы был проведен автоматизированный анализ оцифрованных энцефалограмм в частотной области . С помощью программы был и получены графики периодограмм альфа-ритма , которые были сравнены с нормой . Все сигналы в пределах нормы , в некоторых наблюдаютс я шумы , возможно это связано с аппаратурой или электродами. Несложность программы дает возможность ее широкого использования в диагностических целях в медицине . Она соответствует всем требованиям , поставленным в задании курсовой работы. ПЕР ЕЧЕНЬ ССЫЛОК 1. Методичні вказівки до лабораторних робіт з дисципліни «Автоматизація обробки і аналізу біомедичної інформації» Упоряд .: Жемчужкіна Т.В ., Козіна О.А . - Харків : ХНУРЕ , 2007. – 92 с. 2. Павлова О.Н ., Павлов А.Н . « Регистрация и предварительная обрабо тка сигналов с помощью измерительного комплекса МР 100 » Саратов : Научная книга , 200 8 . – 80 с . 3. В.Г . Потемкин . MATLAB : Справочное пособие – М .: «Диалог МИФИ», 1997.-350с. 4. С ахаров В.Л . «Методы и средства анализа медико - биологической информации : Учебно-мето дическое пособие» Таганрог : Изд-во ТРТУ, 2001. 70 с. Приложение А АЛГОРИТМ АНАЛИЗА ЭЛЕКТРОЭНЦЕФАЛОГРАММЫ В ЧАСТОТНОЙ ОБЛАСТИ Приложение Б ПРОГРАММА ДЛЯ АНАЛИЗА ЭЭГ В ЧАСТОТНОЙ ОБЛАСТИ clear all; figure(1); fid=fopen('eeg_Fp 2_ 1.txt','rt'); f=fscanf(fid,'%f',[2,512]); t=f(1,:); y=f(2,:); fclose(fid); subplot(5,1,1); plot(t,y); title('eeg_ Fp2_1 .txt'); T=0.001; A=abs(fft(y)); fd=1/T; fn=fd/2; f=-fd/2:fd/(length(y)-1):fd/2; subplot(5,1,2); stem(f,fftshift(A)); title('spectrum'); AKF=xcorr(y); tau=-t(length(t)):2*t(length(t))/(length(AKF)-1):t(length(t)); subplot(5,1,3); plot(tau,AKF); title('AKF'); [P,f]=pmtm(y,[],[],fd); subplot(5,1,4); plot(f,P); title('periodogram'); subplot(5,1,5); specgram(y,[],fd,100); title('specgram'); % filt param n=170; a=1; w=hamming(length(y)+1); fn=fd/2; %alpha Fp1 figure(2); fx=[8 13]; b=fir1(n,fx/fn); [h,wn]=freqz(b,a); subplot(6,1,1); plot(wn*fn/pi,abs(h)); title('filter'); y1=filtfilt(b,a,y); subplot(6,1,2); plot(t,y1); title('alpha eeg_ Fp2_1 .txt'); AKF=xcorr(y1); tau=-t(length(t)):2*t(length(t))/(length(AKF)-1):t(length(t)); subplot(6,1,3); plot(tau,AKF); title('alpha AKF'); A1=abs(fft(y1)); f1=-fd/2:fd/(length(y1)-1):fd/2; subplot(6,1,4); stem(f1,fftshift(A1)); title('alpha spectrum'); [P,f_1]=pmtm(y1,[],[],fd); subplot(6,1,5); plot(f_1,P); title('periodogram'); subplot(6,1,6); specgram(y1,[],fd,100); title('specgram'); Приложение В РЕЗУЛЬТАТЫ АНАЛ ИЗА ЭЭ Г В ПРОГРАММНОЙ СРЕДЕ M AT L AB Рисунок B .1 – Входной ЭЭГ сигнал ( ' eeg _ Fp 1. txt ' ) , его АЧХ , АКФ , периодограмма и спектрограмма Рисунок B .2 – Фильтр альфа-ритма сигнала ' eeg _ Fp 1. txt ' , альфа-ритм , его АКФ , АЧХ , периодограмма и спектрограмма Рисунок B . 3 – Входной ЭЭГ сигнал ( ' eeg _ Fp 2. txt ' ) , его АЧХ , АКФ , периодограмма и спектрограмма Рисунок B . 4 – Фильтр альфа-ритма сигнала ' eeg _ Fp 2. txt ' , альфа-ритм , его АКФ , АЧХ , периодограмма и спектрограмма Рисунок B . 5 – Входной ЭЭГ сигнал ( ' eeg _ T 4 . txt ' ) , его АЧХ , АКФ , периодограмма и спектрограмма Рисунок B . 6 – Фильтр альфа-ритма сигнала ' eeg _ T 4 . txt ' , альфа-ритм , его АКФ , АЧХ , периодограмма и спектрограмма Рисунок B . 7 – Входной ЭЭГ сигнал ( ' eeg _ C 3. txt ' ) , его АЧХ , АКФ , периодограмма и спектрограмма Рисуно к B . 8 – Фильтр альфа-ритма сигнала ' eeg _ C 3. txt ' , альфа-ритм , его АКФ , АЧХ , периодограмма и спектрограмма Рисунок B . 9 – Входной ЭЭГ сигнал ( ' eeg _ P 4. txt ' ) , его АЧХ , АКФ , периодограмма и спектрограмма Рисунок B . 10 – Фильтр альфа-ритма сигнала ' eeg _ P 4. txt ' , альфа-ритм , его АКФ , АЧХ , периодограмма и спектрограмма

Приложенные файлы


Добавить комментарий