+ All Categories
Home > Documents > Biosegnali Corso Intelligenza Artificiale 09 – Novembre– 2006 Ing. A. Travaglianti Università...

Biosegnali Corso Intelligenza Artificiale 09 – Novembre– 2006 Ing. A. Travaglianti Università...

Date post: 02-May-2015
Category:
Upload: nestore-poletti
View: 216 times
Download: 0 times
Share this document with a friend
45
Biosegnali Corso Intelligenza Artificiale 09 – Novembre– 2006 Ing. A. Travaglianti Università degli studi di Catania Dip. Ingegneria Informatica e delle Telecomunicazioni
Transcript
Page 1: Biosegnali Corso Intelligenza Artificiale 09 – Novembre– 2006 Ing. A. Travaglianti Università degli studi di Catania Dip. Ingegneria Informatica e delle.

Biosegnali

Corso Intelligenza Artificiale

09 – Novembre– 2006

Ing. A. Travaglianti

Università degli studi di CataniaDip. Ingegneria Informatica e delle Telecomunicazioni

Page 2: Biosegnali Corso Intelligenza Artificiale 09 – Novembre– 2006 Ing. A. Travaglianti Università degli studi di Catania Dip. Ingegneria Informatica e delle.

I biosegnali sono segnali elettrici prodotti dal corpo umano e servono a veicolareInformazioni lungo il corpo umano stesso.

Questi segnali sono generalmente trasmessi dai nervi mediante un potenzialed’azione, tale potenziale è dovuto alla variazione della concentrazione di ioni.L’ampiezza del potenziale d’azione può sfiorare i 100 mV.

Biosegnali

Il tratto con pendenza positiva corrisponde ad una depolarizzazione molto elevata,mentre il tratto successivo rappresenta una iperpolarizzazione della membrana nervosa.

Page 3: Biosegnali Corso Intelligenza Artificiale 09 – Novembre– 2006 Ing. A. Travaglianti Università degli studi di Catania Dip. Ingegneria Informatica e delle.

EEG Elettroencefalogramma

MEG Magnetoencefalogramma

ECG Elettrocardiagramma

EMG Elettromiografia

EOG Elettrooculografia

TMS Stimolazione Magnaticatranscranica

Studio dei biosegnali

Page 4: Biosegnali Corso Intelligenza Artificiale 09 – Novembre– 2006 Ing. A. Travaglianti Università degli studi di Catania Dip. Ingegneria Informatica e delle.

Fisiologia umana: provenienza dei segnali EEG

Il neurone : Il neurone è una cellula eccitabile in grado di ricevere, elaborare e trasmettere informazioni alle cellule adiacenti per mezzo di impulsi (potenziali d’azione o spike).

Strutturalmente il neurone presenta un corpo cellulare o soma contenente il nucleo della cellula separato dal resto della cellula, da esso partono i dendriti e l’assone (figura 1).

Page 5: Biosegnali Corso Intelligenza Artificiale 09 – Novembre– 2006 Ing. A. Travaglianti Università degli studi di Catania Dip. Ingegneria Informatica e delle.

Fisiologia umana: provenienza dei segnali EEG

A livello della corteccia cerebrale i due tipi di cellule più importanti sono le cellule:

• Piramidali :hanno corpi cellulari grandi di forma piramidale e possiedono lunghi Dendriti. I campi generati dalle cellule piramidali sono campi “aperti” e le correnti extracellulare possono essere registrati mediante elettrodi posti sullo scalpo (EEG).

• Non piramidali : sono piccole, di forma stellata e hanno assoni corti che si proiettano su neuroni locali. I campi da esse generati sono campi “chiusi” e non si sommano, quindi le correnti intra ed extracellulari non producono campi elettrici e magnetici.

Page 6: Biosegnali Corso Intelligenza Artificiale 09 – Novembre– 2006 Ing. A. Travaglianti Università degli studi di Catania Dip. Ingegneria Informatica e delle.

I potenziali rilevabili tramite EEG sono quelli associati a correnti all'interno dell'encefalo che fluiscono perpendicolarmente rispetto allo scalpo.

Una tecnica complementare all'EEG è la magnetoencefalografia (MEG), che permette di misurare le correnti che fluiscono parallelamente allo scalpo.

EEG

Variazioni durante l'età

L'EEG varia durante l'età, in particolar modo dalla nascita fino all'adolescenza. Durante l'età adulta il tracciato rimane costante, per tornare a modificarsi durante la vecchiaia.Il tracciato del bambino è molto differenziato da quello dell'adulto.

Page 7: Biosegnali Corso Intelligenza Artificiale 09 – Novembre– 2006 Ing. A. Travaglianti Università degli studi di Catania Dip. Ingegneria Informatica e delle.

Metodo diagnostico

Essendo di esecuzione facile e non invasivo, l'EEG rappresenta un esame di base in neurologia. Ha il suo valore diagnostico maggiore nella diagnosi delle epilessie, nel caso di malattie infiammatorie come meningiti ed encefaliti oppure nelle encefalopatie.

Altre volte l'EEG può indicare un processo focale come un tumore o un'ischemia cerebrale, nella maggior parte dei casi senza però essere in grado di determinare il tipo di lesione.

EEG

Page 8: Biosegnali Corso Intelligenza Artificiale 09 – Novembre– 2006 Ing. A. Travaglianti Università degli studi di Catania Dip. Ingegneria Informatica e delle.

EEG: Sistema Internazionale 10-20

Gli elettrodi vengono applicati in base a coordinate standard, il cosiddetto Sistema Internazionale 10-20 introdotto dalla International Federation of Electroencephalography nel 1958.

Page 9: Biosegnali Corso Intelligenza Artificiale 09 – Novembre– 2006 Ing. A. Travaglianti Università degli studi di Catania Dip. Ingegneria Informatica e delle.

I parametri fondamentali dell’EEG sono:

• La frequenza (misurata in Hz, numero di onde al sec) • L’ampiezza (misurata in μV) delle oscillazioni dipotenziale, o onde EEG.In base a tali parametri si distinguono onde a diversa frequenza: alfa,beta, delta e teta. La variazione in ampiezza di tali onde si correla specificamente adeventi fisiologici (sonno, stimolazioni sensoriali etc.) e patologici (tumori,ematomi, epilessia etc.)

Periodo dell’onda

Ampiezza dell’onda

Parametri EEG

Page 10: Biosegnali Corso Intelligenza Artificiale 09 – Novembre– 2006 Ing. A. Travaglianti Università degli studi di Catania Dip. Ingegneria Informatica e delle.

Studio dell’ EEG

L'elettroencefalogramma (EEG) registra l'attività elettrica cerebrale tramite elettrodi di superficie posizionati sulla testa secondo uno schema fisso (standard 10-20).

L'EEG e la MEG hanno una natura oscillatoria.Ampiezze : EEG da 20 a 100 mV MEG da 50 a 900 fT.Frequenze : da 1 a 70 Hz.

Gran parte dei tracciati EEG e MEG sembrano altamente casuali e, non essendo spesso riconducibili a particolari stati mentali, vengono semplicemente considerati come attività spontanea o di fondo.

Page 11: Biosegnali Corso Intelligenza Artificiale 09 – Novembre– 2006 Ing. A. Travaglianti Università degli studi di Catania Dip. Ingegneria Informatica e delle.

RitmoFrequenza

HzAmpiezza

(mV)Stati mentali, livelli di coscienza

delta 0,5-3 20-200 Condizioni patologiche

teta 3-7 5-100 Sonno profondo

alfa 8-13 10-200 Rilassamento mentale

beta 14-30 1-20 Attenzione, concentrazione

gamma >30 1-20 Attenzione, concentrazione

Onde EEG

Page 12: Biosegnali Corso Intelligenza Artificiale 09 – Novembre– 2006 Ing. A. Travaglianti Università degli studi di Catania Dip. Ingegneria Informatica e delle.

Veglia• bassa ampiezza alta frequenzaStadio 1• per la maggior parte onde tetaStadio 2• complessi K• fusi del sonnoStadio 3• compaiono le onde deltaStadio 4• maggioranza di onde deltaSonno REM• simile allo stadio 1, ma con rapidi movimenti oculari

Onde EEG

Page 13: Biosegnali Corso Intelligenza Artificiale 09 – Novembre– 2006 Ing. A. Travaglianti Università degli studi di Catania Dip. Ingegneria Informatica e delle.

Elaborazione dei segnali EEG

    é il segnale  cerebrale e occupa una banda 0.1 – 40 Hz.         è dovuto essenzialmente alle contrazioni muscolari ed ha uno spettro centrato sui 70Hz        è dovuto all’interferenza di rete cioè  ha uno spettro centrato sui 50Hz          ha una rappresentazione spettrale ottenuta dalla somma degli spettri precedenti

Page 14: Biosegnali Corso Intelligenza Artificiale 09 – Novembre– 2006 Ing. A. Travaglianti Università degli studi di Catania Dip. Ingegneria Informatica e delle.

Amplificazione dei segnali EEG

Il parametro che specifica la capacità di un amplificatore di essere insensibile alle sorgenti comuni di rumore  prende il nome Common Mode Rejection Ratio (CMRR).

Page 15: Biosegnali Corso Intelligenza Artificiale 09 – Novembre– 2006 Ing. A. Travaglianti Università degli studi di Catania Dip. Ingegneria Informatica e delle.

Magnatoencefalografia MEG

E’ un tecnica complementare all’EEG, consente di studiare la funzionalità cerebrale tramite la misura del campo magnetico generato dalle correnti cerebrali. Uno dei vantaggi di questa tecnica risiede nella possibilità di identificare le aree cerebrali attivate durante specifici processi cerebrali con grande risoluzione temporale e buona risoluzione spaziale, in quanto i campi magnetici non sono distorti come quelli elettrici nell’attraversare il cervello, il cranio e il cuoio capelluto.

Page 16: Biosegnali Corso Intelligenza Artificiale 09 – Novembre– 2006 Ing. A. Travaglianti Università degli studi di Catania Dip. Ingegneria Informatica e delle.

Sensori magnatici: SQUID

Visto che i campi magnetici prodotti dal cervello sono estremamente piccoli (circa 1 miliardesimo del campo magnetico della terra, da 50 a 900 fT), la MEG si basa su sensori ultrasensibili chiamati SQUID (Superconducting QUantum Interference Device),

Page 17: Biosegnali Corso Intelligenza Artificiale 09 – Novembre– 2006 Ing. A. Travaglianti Università degli studi di Catania Dip. Ingegneria Informatica e delle.

L’attivazione elettrica delle cellule del muscolo cardiaco (miociti) ha luogo mediante gli stessi meccanismi di attivazione elettrica delle cellule nervose. L’ampiezza del potenziale d’azione delle cellule cardiache e nervose è tra l’altro simile (100 mV), tuttavia la durata degli impulsi elettrici nel muscolo cardiaco è di due ordini di grandezza superiore rispetto a quella dei potenziali d’azione che si hanno nel muscolo scheletrico e nelle cellule nervose.

Attivazione elettrica del cuore, ECG

Page 18: Biosegnali Corso Intelligenza Artificiale 09 – Novembre– 2006 Ing. A. Travaglianti Università degli studi di Catania Dip. Ingegneria Informatica e delle.

Segnali ECG

Page 19: Biosegnali Corso Intelligenza Artificiale 09 – Novembre– 2006 Ing. A. Travaglianti Università degli studi di Catania Dip. Ingegneria Informatica e delle.

Segnali ECG

Onda P: è la prima onda che si genera nel ciclo, corrisponde alla depolarizzazione degli atri. É di piccole dimensioni, poiché la contrazione degli atri non è cosi potente. La sua durata varia tra i 60 e i 100 ms.Complesso QRS: si tratta di un insieme di tre onde che si susseguono l'una all'altra e corrisponde alla depolarizzazione dei ventricoli. L'onda Q è negativa e di piccole dimensioni; la R è un picco molto alto positivo; la S è una onda negativa anch'essa di piccole dimensioni. La durata dell'intero complesso è compresa tra i 60 e 90 ms.Onda T: è l'ultima onda ad apparire e rappresenta la ripolarizzazione dei ventricoli. Non sempre è identificabile, perché può anche essere di valore molto piccolo.Onda U: è un'onda che non sempre è possibile apprezzare in un tracciato.

Page 20: Biosegnali Corso Intelligenza Artificiale 09 – Novembre– 2006 Ing. A. Travaglianti Università degli studi di Catania Dip. Ingegneria Informatica e delle.

Heart rate variability HRV

La Heart Rate Variability (HRV) e' una tecnica per misurare ed analizzare la variabilita' della frequenza cardiaca, l’HRV viene valutato in risposta a fattori quali il ritmo del respiro, gli stati emozionali, lo stato di ansia, stress, rabbia, rilasssamento, pensieri, etc. La HRV e' correlata alla interazione fra il Sistema Nervoso Simpatico e Parasimpatico.

Page 21: Biosegnali Corso Intelligenza Artificiale 09 – Novembre– 2006 Ing. A. Travaglianti Università degli studi di Catania Dip. Ingegneria Informatica e delle.

tacogramma RR

La distanza temporale fra un battito cardiaco ed il successivo viene chiamato tempo R-R e viene espresso in millisecondi (ms). Il tacogramma viene raccolto normalmente nell'arco di 4-5 minuti (cioe' vengono conteggiati circa 300 battiti cardiaci in tutto).

Page 22: Biosegnali Corso Intelligenza Artificiale 09 – Novembre– 2006 Ing. A. Travaglianti Università degli studi di Catania Dip. Ingegneria Informatica e delle.

Bande di frequenza del segnale RR

1) VLF ( 0.01 e 0.04 Hz )  La banda VLF e' dovuta in parte all'attivita' del Sistema Nervoso Simpatico, inoltre dai cambiamenti nella termoregolazione, ed in ambito psicologico, e' influenzata dalle preoccupazioni e dai pensieri ossessivi (worry and rumination) 2) LF ( 0.04 e 0.15 Hz ) La banda delle LF viene considerata principalmente dovuta all'attivita' del Sistema Nervoso Simpatico, e all'attivita' di regolazione dei barocettori. 3) HF ( 0.15 e 0.4 Hz ).   La banda delle HF viene considerata espressione dell'attivita' del Sistema Nervoso Parasimpatico e del Vagale. Questa zona di frequenze subisce una elevata influenza da parte del ritmo e profondita' della respirazione. Entrambi questi parametri esprimono il grado complessivo della variabilita' della frequenza cardiaca, quindi la attivita' complessiva del Simpatico + Parasimpatico. Il rapporto invece fra Simpatico e Parasimpatico viene invece misurato dal rapporto fra LF/HF

Page 23: Biosegnali Corso Intelligenza Artificiale 09 – Novembre– 2006 Ing. A. Travaglianti Università degli studi di Catania Dip. Ingegneria Informatica e delle.

Analisi non lineare dell’HRV: “Poincarè plot”

I segnali HRV possono anche essere visti come segnali con proprietà non lineari in quanto essi sono generati da meccanismi di regolazione complessi.

Nella seguente figura, vengono mostrate, la serie temporale di un segnale HRV (a), il relativo spettro di potenza (b) ed il tracciato di Poincarè, per un soggetto in salute e per un soggetto con insufficienza renale.

Il Pincarè plot è un metodo geometrico per per analizzare la dinamica dell’HRV. E’ una correlazione grafica tra intervalli R-R consecutivi

Page 24: Biosegnali Corso Intelligenza Artificiale 09 – Novembre– 2006 Ing. A. Travaglianti Università degli studi di Catania Dip. Ingegneria Informatica e delle.

Anomalie cardiache

• Tachicardia: La frequenza del battito cardiaco supera i 100 b/m

• Aritmia sinusale: La frequenza cardiaca in condizioni di riposo non è regolare.

• Blocco seno-atriale: L'impulso che si origina nel nodo seno-atriale non possa diffondersi completamente nel resto del miocardio.

• Ischemia e infarto miocardico: Quando si verifica una insufficiente irrorazione sanguigna del miocardio, questo deprime i suoi processi metabolici in quanto c'è mancanza di ossigeno, si produce un eccesso ristagnante di anidride carbonica e il materiale nutritizio viene a mancare. In questi casi la ripolarizzazione delle membrane si verifica solo parzialmente o non si verifica più. Sul tracciato ECG l'infarto e l'ischemia sono caratterizzati da anomalie riguardanti le onde Q, i segmenti ST e le onde T.

Page 25: Biosegnali Corso Intelligenza Artificiale 09 – Novembre– 2006 Ing. A. Travaglianti Università degli studi di Catania Dip. Ingegneria Informatica e delle.

EOG

Cornea: è la porzione anteriore della tonaca fibrosa dell'occhio.

Cristallino: rappresenta la "lente" dell'occhio.

Iride: è una formazione circolare, pigmentata, localizzata dietro la cornea e davanti al cristallino.

Retina: è la membrana più interna dell'occhio.

Page 26: Biosegnali Corso Intelligenza Artificiale 09 – Novembre– 2006 Ing. A. Travaglianti Università degli studi di Catania Dip. Ingegneria Informatica e delle.

Sistemi eye tracking

• sistemi ottici: i quali tipicamente utilizzano la riflessione infrarossa • sistemi elettrici: che sfruttano la registrazione elettrooculografica EOG

Page 27: Biosegnali Corso Intelligenza Artificiale 09 – Novembre– 2006 Ing. A. Travaglianti Università degli studi di Catania Dip. Ingegneria Informatica e delle.

I muscoli: EMG

Le fibre muscolari sono organizzate in gruppi, ciascuno raggiunto dalle ramificazioni terminali di un singolo motoneurone. le fibre da esso innervate costituiscono l’unità motoria

Page 28: Biosegnali Corso Intelligenza Artificiale 09 – Novembre– 2006 Ing. A. Travaglianti Università degli studi di Catania Dip. Ingegneria Informatica e delle.

L’attività elettrica dei muscoli può essere misurata tramite l’elettromiografia (EMG). I segnali EMG si originano dall’attività elettrica delle singole unità motorie.• EMG interferenziale: vengono utilizzati elettrodi applicati alla superficie cutanea.• EMG unitaria: vengono utilizzati elettrodi ad aghi inseriti nel muscolo.

Nel primo caso si registra l’attività complessiva del muscolo, mentre risulta limitata la discriminazione delle singole unità; nel caso degli elettrodi ad aghi, invece, è possibile indagare in maniera precisa l’attività delle singole unità motorie, con l’inconveniente, però di essere una tecnica invasiva.

Tecniche elettromiografiche

Page 29: Biosegnali Corso Intelligenza Artificiale 09 – Novembre– 2006 Ing. A. Travaglianti Università degli studi di Catania Dip. Ingegneria Informatica e delle.

Spettro di potenza

Esiste una certa corrispondenza, in condizioni isometriche, tra andamenti di valori elettromiografici ed elettromeccanici in esercizi affaticanti: quanto più aumenta la fatica muscolare, tanto più diminuiscono il contenuto in frequenza e la forza espressa dal muscolo.

Page 30: Biosegnali Corso Intelligenza Artificiale 09 – Novembre– 2006 Ing. A. Travaglianti Università degli studi di Catania Dip. Ingegneria Informatica e delle.

Stimolazione magnetica transcranica: TMS

La stimolazione magnetica transcranica (TMS) è una metodica di stimolazione non invasiva del cervello.

L’apparecchiatura è costituita da un generatore di corrente di elevata intensità e da una sonda mobile la quale viene posta a diretto contatto dello scalpo del paziente. Quando attivato, il generatore di corrente produce un campo elettrico che viene veicolato lungo la sonda. Il campo elettrico a sua volta produce un campo magnetico che ha la proprietà di poter passare attraverso le strutture dello scalpo senza alcuna dispersione.

Il sistema è capace di produrre campi magnetici fino a 2,5 Tesla, in un tempo inferiore ai 200 μsec.

Page 31: Biosegnali Corso Intelligenza Artificiale 09 – Novembre– 2006 Ing. A. Travaglianti Università degli studi di Catania Dip. Ingegneria Informatica e delle.

Ambito di utilizzo della TMS

Permette di individuare patologie che comportano un’alterazione della funzionalità di diverse strutture nervose. In particolar modo consente di stabilire se esistano delle lesioni di diversa natura (infiammatoria, ischemica, compressiva, tumorale) lungo la via motoria.

Page 32: Biosegnali Corso Intelligenza Artificiale 09 – Novembre– 2006 Ing. A. Travaglianti Università degli studi di Catania Dip. Ingegneria Informatica e delle.

Esempi di stimolazione TMS

Intervallo interstimolo Latenza

Ampiezza picco-piccoRisposta all’interstimolo

Page 33: Biosegnali Corso Intelligenza Artificiale 09 – Novembre– 2006 Ing. A. Travaglianti Università degli studi di Catania Dip. Ingegneria Informatica e delle.

Campionamento di un segnale

Page 34: Biosegnali Corso Intelligenza Artificiale 09 – Novembre– 2006 Ing. A. Travaglianti Università degli studi di Catania Dip. Ingegneria Informatica e delle.

Campionamento di un segnale

Page 35: Biosegnali Corso Intelligenza Artificiale 09 – Novembre– 2006 Ing. A. Travaglianti Università degli studi di Catania Dip. Ingegneria Informatica e delle.

Teorema del campionamento uniforme (Shannon): un segnale analogico e rappresentato dai suoi campioni presi con passo costante T ,ovvero con cadenza fc = 1/T , se:

• 1. il segnale e a banda rigorosamente limitata, cio`e il suo spettro soddisfa la condizione:

• 2. la cadenza di campionamento è maggiore o uguale a quella di Nyquist, cioè: fc > 2B, dove B è la banda del segnale.

Teorema del campionamento

Page 36: Biosegnali Corso Intelligenza Artificiale 09 – Novembre– 2006 Ing. A. Travaglianti Università degli studi di Catania Dip. Ingegneria Informatica e delle.

Filtri

Infinite Impulse Response (IIR): n = 0, b è uno scalare. Filtri AR o autoregressivi

Finite Impulse Response (FIR): m = 0, a è uno scalare. Filtri MA o moving avarage

Se entrambi n, m sono diversi da zero si parla di filtri ARMA.

Page 37: Biosegnali Corso Intelligenza Artificiale 09 – Novembre– 2006 Ing. A. Travaglianti Università degli studi di Catania Dip. Ingegneria Informatica e delle.

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1-1.5

-1

-0.5

0

0.5

1

1.5

Esempi di Filtraggio

Page 38: Biosegnali Corso Intelligenza Artificiale 09 – Novembre– 2006 Ing. A. Travaglianti Università degli studi di Catania Dip. Ingegneria Informatica e delle.

Discrete Fourier Transform

t = (0:1/100:10-1/100); x = sin(2*pi*15*t) + sin(2*pi*40*t); plot(t(1:100),x(1:100)) y = fft(x); % Compute DFT of xm = abs(y); p = unwrap(angle(y)); f = (0:length(y)-1)*99/length(y); plot(f,m); title('Magnitude');set(gca,'XTick',[15 40 60 85]);

15 40 60 850

100

200

300

400

500

600Magnitude

Page 39: Biosegnali Corso Intelligenza Artificiale 09 – Novembre– 2006 Ing. A. Travaglianti Università degli studi di Catania Dip. Ingegneria Informatica e delle.

Principali filtri digitali IIR (MATLAB)

Bessel (analog only) [b,a] = besself(n,Wn,options)

Butterworth [b,a] = butter(n,Wn,options)

Chebyshev Type I [b,a] = cheby1(n,Rp,Wn,options)

Chebyshev Type II [b,a] = cheby2(n,Rs,Wn,options)

Elliptic [b,a] = ellip(n,Rp,Rs,Wn,options)

Wn è la frequenza di cutoff normalizzata alla frequenza di nyquist . Per esempio se la frequenza di campionamento fs è 1000 Hz, se si vuole filtrare a 300 Hz si ha Wn = 300/500 = 0.6.

Page 40: Biosegnali Corso Intelligenza Artificiale 09 – Novembre– 2006 Ing. A. Travaglianti Università degli studi di Catania Dip. Ingegneria Informatica e delle.

Principali filtri digitali IIR (MATLAB)

Butter filter Chebyshev filter 1Chebyshev filter 2

Elliptic filter Bessel filter

Page 41: Biosegnali Corso Intelligenza Artificiale 09 – Novembre– 2006 Ing. A. Travaglianti Università degli studi di Catania Dip. Ingegneria Informatica e delle.

Filtri FIR

Principali vantaggi dei filtri FIR:

• Hanno una fase lineare• Sono sempre stabili• Sono filtri lineari• Allo startup hanno un transiente finito.

Un principale svantaggio dei filtri FIR è che essi richiedono un ordine elevato rispetto ai filtri IIR

In matlab I principali filtri FIR sono: fir1, fir2, firls, remez, fircls, fircls1, and firrcos

Page 42: Biosegnali Corso Intelligenza Artificiale 09 – Novembre– 2006 Ing. A. Travaglianti Università degli studi di Catania Dip. Ingegneria Informatica e delle.

Analisi spettrale

La densità spettrale di potenza indica come la potenza del segnale si distribuisceAlle varie frequenze che compongono il segnale stesso.

w = 2pf/fs, where fs is the sampling frequency.

La quantità Pxx è definita come densità spettrale di potenza e l’unità di misura èWatts/rad/sample (Watt/rad) o watts/hertz.

Page 43: Biosegnali Corso Intelligenza Artificiale 09 – Novembre– 2006 Ing. A. Travaglianti Università degli studi di Catania Dip. Ingegneria Informatica e delle.

Esempio di analisi spettrale

Periodogram method

randn('state',0)fs = 1000; % Sampling frequencyt = (0:fs/10)./fs; % One-tenth of a second worth of samplesA = [1 2]; % Sinusoid amplitudesf = [150;140]; % Sinusoid frequenciesxn = A*sin(2*pi*f*t) + 0.1*randn(size(t));periodogram(xn,rectwin(length(xn)),1024,fs);periodogram(xn,hamming(length(xn)),1024,fs);

Page 44: Biosegnali Corso Intelligenza Artificiale 09 – Novembre– 2006 Ing. A. Travaglianti Università degli studi di Catania Dip. Ingegneria Informatica e delle.
Page 45: Biosegnali Corso Intelligenza Artificiale 09 – Novembre– 2006 Ing. A. Travaglianti Università degli studi di Catania Dip. Ingegneria Informatica e delle.

Recommended