analisi di segnali biomedici -...
TRANSCRIPT
Se x(t) è un segnale (deterministico) limitato su [0, N0-1], nullo fuori da tale intervallo,
l’autocorrelazione (AC) Rxx(m) è definita come:
Rxx(m) rappresenta il grado di similitudine medio fra x(k) e x(k+m) e dà una misura della
memoria del sistema.
Proprietà dell’autocorrelazione:
Rxx(-m) = Rxx(m) | Rxx(m)| | Rxx(0)|
m= ritardo (“lag”)
Quanto detto è relativo al caso di segnali TD. Analogamente per segnali TC.
Rxx(m)
ANALISI DI SEGNALI BIOMEDICI:
STIMA DELLE PERIODICITA’
L’autocorrelazione (AC) Rxx [m] indica le relazione lineare fra due punti del segnale x distanti m. Problema: I segnali reali sono quasi-periodici (di durata finita), perciò i picchi della Rxx [m] non sono molto pronunciati, con difficoltà nella loro individuazione. Es: Segnale vocale: Segnali periodici (vocalici) hanno valori elevati dell’autocorrelazione, mentre i suoni non vocalici (consonanti) o vocalici ma fortemente disfonici sono caratterizzati da bassi valori di Rxx [m].
AUTOCORRELAZIONE - TD
1 2 3 4 5 6 7 8 9 10 11
x 10-3
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
/a/ post-surgical
Time [s]
No
rma
lis
ed
am
pli
tud
e [
arb
.un
its
]
ESEMPIO: SEGNALE VOCALICO
1 2 3 4 5 6 7 8 9 10 11
x 10-3
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
/a/ post-surgical
Time [s]
No
rma
lis
ed
am
pli
tud
e [
arb
.un
its
]
2 4 6 8 10
x 10-3
-0.6
-0.4
-0.2
0
0.2
0.4
0.6/a/ pre-surgical
Time [s]
No
rma
lis
ed
am
pli
tud
e [
arb
. u
nit
s]
PERIODO T PERIODO T ?
PATOLOGICO PRE-INTERVENTO POST-INTERVENTO
T = 1/F0 - F0 = frequenza fondamentale
ESEMPIO vo
cali
co
no
n v
ocali
co
Valore elevato di autocorrelazione Valore basso di autocorrelazione
L’autocorrelazione (AC) può essere usata come primo test di verifica sulla periodicità del segnale
vocale: suoni non vocalici (consonanti) o disfonici (dovuti a patologie o malfunzionamento) hanno
valori bassi di AC. Negli esempi Fs=44.1kHz. A seconda del tipo di segnale si analizzano frame di
dimensione 5mst 20ms 220 N 880 100 lag 400 2.5mst 10ms
Neonato sano Tenore Paralisi cordale
ESEMPI
lag lag
AUTOCORRELAZIONE - AC
Alcune proprietà dell’AC:
(*=trasposto coniugato)
Matrice di AC costruita
con M+1 valori dell’AC:
E’ una matrice che viene utilizzata spesso nell’analisi dei sistemi dinamici. E’
una matrice hermitiana (rxx(k)=rxx(-k)) e Toeplitz (tutti gli elementi lungo ogni
diagonale sono uguali).
AUTOCOVARIANZA AC - TD
2x xx x x (m)C (m)R
Se il segnale è a media non nulla, l’ autocorrelazione può essere mascherata da
tale valore.
L’autocovarianza Cxx(m) è la misura della memoria del sistema, relativamente
ai suoi scostamenti rispetto al valore medio :
AC e autocorrelazione sono legate dalla relazione:
Quanto detto è relativo al caso di segnali discreti (TD). Analogamente per segnali
continui (TC).
ESEMPIO (CONT.)
2
xx x (m)C (m)R AC:
Cx(0)=3.5-(1.5)2=1.25 Cx(1)=2- (1.5)2=0.25 CX(2)=0.75-(1.5)2=-0.5 Cx(m)=-2.25 , m3
ES3 MATLAB confrcorr.m
3 segnali random (scorrelati) a media nulla di 64, 512, 4096 punti risp. La AC dovrebbe
essere uguale a zero. I segnali con pochi dati (blu e rosso) non consentono di ottenere
una media nulla.
v. funzioni Matlab: showcorr.m, showdtcorr.m, showcorr_sine, covstat.m
2x xx x x (m)R (m)C
ESEMPIO La funzione di AC ha grande importanza nell’analisi dei segnali biomedici.
ES.: Valutare l’indipendenza di un atto respiratorio dagli altri. Da punto di vista clinico, è
utile per stabilire le connessioni neuronali nel midollo allungato che generano il ritmo
respiratorio.
L’approccio comunemente utilizzato è quello di costruire un modello matematico di rete
neuronale che simuli il funzionamento dei neuroni reali.
Il modello deve produrre un’oscillazione simile al ritmo respiratorio, ed avere altre
caratteristiche fisiologiche.
Attualmente, i modelli hanno la proprietà che ogni atto respiratorio è indipendente dagli
altri. Ma il segnale reale verifica questa condizione?
Per rispondere a questa domanda, si definisce:
v(n) = volume d’aria inspirato all’n-mo atto respiratorio;
N = numero di atti respiratori (N=120 in questo esempio);
Si calcola la AC e si osserva il risultato ottenuto:
ATTI RESPIRATORI
Max per lag=0
Questo contraddice l’ipotesi di indipendenza i modelli attuali non tengono conto di elementi fisiologici importanti
AC >0 fino a lag=25 AC <0 per lag>25
ES2 MATLAB ranproc2.mat
Flusso respiratorio di 8
ratti.
Ogni registrazione
comprende circa 30-40
atti respiratori.
Fs= 75Hz.
I segnali sono simili, ma
non uguali.
Ci sono differenze
anche all’interno della
singola registrazione
(realizzazione).
0 5 10 15 20 25
0
flusso respiratorio di 2 ratti a riposo (n.1 e n.2) - Fs=75 Hz
tempo [s]
am
pie
zza
0 500 1000 1500 2000-1
0
1
Caso n
.1
0 500 1000 1500 2000-1
0
1
Caso n
.2
0 500 1000 1500 2000-1
0
1
Caso n
.3
0 500 1000 1500 2000-1
0
1
Caso n
.4
0 500 1000 1500 2000-1
0
1
Caso n
.5
0 500 1000 1500 2000-1
0
1
Caso n
.60 500 1000 1500 2000
-1
0
1
Caso n
.7
0 500 1000 1500 2000-1
0
1
Caso n
.8
Grafici ottenuti con
MATLAB
Example2.m
ES2/6 MATLAB - ranproc2.mat
Flusso respiratorio
PS
D (
pe
rio
do
gra
mm
a)
1° registrazione
Picco nella PSD (Power Spectral Density): frequenza respiratoria media del
soggetto. Un confronto fra questi valori su tutti i casi può dare un’indicazione sulla
ipotesi di processo stocastico per questo esempio.
Freq.respiratoria
ES.6 MATLAB – PLOTRP2.M
-0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8-0.4
-0.3
-0.2
-0.1
0
0.1
0.2
0.3Grafico della derivata del segnale vs. il segnale: grafici sovrapposti
plotrp2.m - ranproc2.mat
0 5 10 15 20 250
5
10
15
20PSD del 4° segnale: scala lineare
0 5 10 15 20 2510
-10
10-5
100
105
PSD del 4° segnale: scala logaritmica
Freq. (Hz)
MATLAB ES6 - ranproc3.mat Segnale EMG, Fs= 500Hz: contrazione del muscolo della lingua estrinseco
genio-glosso. Registrazioni di 8 contrazioni diverse (realizzazioni) dello stesso
soggetto, ciascuna contenente 256 dati.
Non ci sono picchi evidenti nella PSD, ma tutti gli spettri sono simili, indicando la
provenienza dallo stesso processo stocastico.
PSD della 5° registrazione
ES.6 MATLAB - PLOTRP3.M
-3 -2 -1 0 1 2 3
x 104
-3
-2
-1
0
1
2
3
4x 10
4Grafico della derivata del segnale vs. il segnale: grafici sovrapposti
ranproc3.mat
0 50 100 150 200 2500
2
4
6x 10
7 PSD del 4° segnale: scala lineare
0 50 100 150 200 25010
4
106
108
PSD del 4° segnale: scala logaritmica
Freq. (Hz)
ES4 MATLAB hrv1.mat
Frequenza
cardiaca
istantanea in
battiti al
minuto (cioè:
60/durata
battito) in
soggetto a
riposo.
“memoria”
del sistema
ES.4 – HRV1COV.M
0 50 100 150 200 250 30070
80
90
100Freq. cardiaca istantanea
time
Heart
rate
0 50 100 150 200 250 300-0.5
0
0.5
1AC normalizzata
lag
ES.4 MATLAB hrv.mat
A sinistra: 10 registrazioni di frequenza cardiaca dallo stesso individuo. A
destra: AC delle 10 registrazioni.
HRVCOV.M - HRV.MAT
0 50 100 150 200 250 300-20
0
20
40AC per le prime due registrazioni
lag
0 50 100 150 200 250 300-20
0
20
40AC per le 10 registrazioni
lag
SEGNALE: ENERGIA E POTENZA Per un segnale deterministico x(t), la potenza
istantanea all’istante t è (*=trasposto coniugato):
La potenza istantanea all’istante t data
dall’interazione di due segnali x(t) e y(t) è:
La potenza media su un intervallo [t0, t0+T]
è:
L’ energia di un segnale x(t) è
l’integrale della potenza nel tempo :
L’energia data dall’interazione di due
segnali x(t) e y(t) è exy():
Due segnali si dicono scorrelati se
exy() =0
DENSITA’ SPETTRALE
La densità spettrale di energia (Energy Spectral
Density, ESD), o spettro di energia, del segnale x(t) è:
La cross-densità spettrale di energia (Energy
Spectral Density, ESD), o spettro di energia, fra due
segnali x(t) e y(t) è:
Il teorema di Parseval afferma che l’energia totale del segnale è indipendente dalla scelta
della sua rappresentazione nel tempo o in frequenza (conservazione dell’energia):
Poiché il prodotto di due trasformate di Fourier è la trasformata di Fourier della convoluzione
delle due funzioni nel tempo, il cross-spettro di energia è (teorema di Wiener-Khintchine):
PROCESSO STOCASTICO I valori futuri di un segnale aleatorio (stocastico) non possono essere predetti esattamente. I segnali aleatori sono tali per loro natura (meccanismo interno) o rappresentano meccanismi che non conosciamo esattamente.
Esiste variabilità fra i risultati di esperimenti diversi ed internamente al singolo risultato.
Es.: un gruppo di individui a cui viene misurata la pressione costituisce l’insieme degli “esperimenti” e il singolo individuo è una “realizzazione”.
Il valore di una singola realizzazione ad uno specifico istante di tempo è una variabile aleatoria, cioè una variabile il cui valore dipende da un evento casuale. Ogni realizzazione è diversa dalle altre.
Scopo: ottenere rappresentazioni (modelli) di realizzazioni di processi stocastici da cui ricavare le proprietà ed i parametri del processo stocastico.
Quasi tutti i segnali biomedici possono essere visti come realizzazioni di processi stocastici, e spesso utilizzare valori medi invece della singola realizzazione non è il principale obbiettivo dell’analisi.
PROCESSO STOCASTICO
Insieme di successioni (TC o TD) ciascuna derivante da un diverso esperimento:
x(n;i)
i = i-ma successione (esperimento, o “realizzazione”)
n = indice temporale
Fissato i, si utilizza la notazione semplificata x(n).
Un processo stocastico è stazionario se il suo valore medio è costante e l’AC dipende solo dalla differenza temporale m=n2-n1.
Due processi stocastici stazionari x(n) e y(n) sono caratterizzati da cross-correlazione rxy(m) e cross-covarianza cxy(m):
ε = valor medio; * = complesso coniugato
ESEMPIO
L’uscita del processo stocastico è influenzata da componenti di rumore
aleatorie in ogni realizzazione, pertanto i vari segnali in uscita pi(t) non
descrivono esattamente il processo reale.
SEGNALI STOCASTICI
Per segnali stocastici, al posto della media si considera il valore atteso o valore medio o momento del 1° ordine, cioè il valore a cui converge la media di un’insieme di osservazioni (realizzazioni). (p=densità di probabilità)
Il valore atteso di x2 è il momento del 2° ordine.
La varianza è la deviazione quadratica della variabile aleatoria dal suo valore medio.
Bias = differenza fra il valore vero dei parametri e il valore atteso della loro stima. Uno stimatore è consistente se bias e varianza tendono a zero all’aumentare del numero delle osservazioni.
POWER SPECTRAL DENSITY
Power Spectral Density (PSD) = estensione statistica della ESD a segnali stocastici.
Il teorema (equazione) di Parseval afferma che l’energia di un segnale x(t) è distribuita fra le sue componenti in frequenza in modo tale che l’energia ad ogni frequenza f è proporzionale al quadrato dell’ampiezza di X(f), |X(f)|2 .
Il teorema di Parseval costituisce uno strumento efficiente per analizzare la distribuzione dell’energia in un segnale.
La Densità Spettrale di Potenza (PSD, Power Spectral Density) di un segnale (di lunghezza N) è rappresentata con il grafico di |X(f)|2 in funzione di f, diviso per il n. N di campioni di segnale:
N
)f(X)f(P
2
xx
PSD
La Power Spectral Density (PSD) è definita come la trasformata di Fourier (discreta) della sequenza di autocorrelazione rxx(m):
rxx(m)=Ex(n+m)x*(n) (T = periodo di campionamento):
Questa equazione mette in relazione le proprietà di “memoria”
(autocorrelazione) con la funzione di densità spettrale di potenza di un
sistema, e afferma che la potenza ad ogni frequenza riflette l’ampiezza
della componente sinusoidale a quella frequenza nella funzione di
autocorrelazione.
PSD PER RUMORE BIANCO
Rumore bianco w(n): processo a media nulla scorrelato per tutti i valori di m,
tranne che per m=0, che corrisponde alla varianza w. L’AC è:
PSD costante f
(m)=successione delta discreta.
w(n) ha componenti a tutte le frequenze: da qui il nome di “rumore bianco”.
EEG: il problema degli artefatti /1
artefatti muscolari
Dipartimento di Elettronica Informatica e Sistemistica - UNIVERSITA’ di BOLOGNA
Realizzazioni dello stesso processo stocastico
EEG di superficie /1
Dipartimento di Elettronica Informatica e Sistemistica - UNIVERSITA’ di BOLOGNA
La corteccia cerebrale contiene diversi tipi di cellule nervose che possono venire raggruppate in due classi principali: Neuroni piramidali Interneuroni
L’EEG registra variazioni del campo elettrico generato da gruppi di neuroni piramidali, mentre la MEG registra variazioni del campo magnetico indotto dal variare del campo elettrico generato dagli stessi neuroni.
EEG di superficie /1
sistemi per l’acquisizione del segnale segnale registrato attraverso elettrodi di superficie. numero elettrodi: 19, 32, 64, 128,... modi per registrarlo: tanti tipi di elettrodo, tra cui le cuffie EEG
Frequenza di campionamento: 200 : 1000 samples/sec
Digitalizzazione a 12 bit
impedenza di contatto elettrodo-cute da mantenere sotto i 5 Kohm
basi fisiologiche della generazione del segnale: Il segnale EEG è il risultato dell’attività elettrica assonale e denditica dei neuroni piramidali corticali – serve un’attività sincrona di un numero elevato di neuroni (105) per generare un segnale apprezzabile sulla superficie dello scalpo Ampiezza segnale: dell’ordine delle decine di μV Bande di frequenza di interesse: δ, θ, α, β, γ (range: 0.5-oltre 30Hz)
Dipartimento di Elettronica Informatica e Sistemistica - UNIVERSITA’ di BOLOGNA
EEG di superficie /2
gli elettrodi vengono posizionati secondo il sistema di riferimento internazionale 10-20. Ciascun elettrodo e’ definito rispetto: - all’ area cerebrale sottostante (F= frontale, P= parietale, C=‘centrale’ per il vertice, T= temporale, O= occipitale); - alla linea mediana (numero pari per gli elett. destri, dispari per gli elett. sinistri, e z per gli elett. mediani). Ad es, F3 indica un elettrodo frontale sinistro, Cz un elettrodo centrale mediano.
Dipartimento di Elettronica Informatica e Sistemistica - UNIVERSITA’ di BOLOGNA
EEG: ritmi di base /1
Passando dallo stato di veglia a quello di sonno e coma, le onde EEG diventano progressivamente piu’ ampie e dalle componenti frequenziali più basse (regola generale, con le dovute eccezioni..)
Dipartimento di Elettronica Informatica e Sistemistica - UNIVERSITA’ di BOLOGNA
EEG: ritmi di base /2
delta 0,5-3 Condizioni patologiche (coma)
teta 3-7 Sonno profondo, memoria episodica
(corteccia del cingolo anteriore ippocampo)
alfa 8-13
Rilassamento mentale / oscillazione “idling”
(occipitale / occhi chiusi, somatosensoriale
(ritmo μ))
beta 14-30 Attenzione, concentrazione, aree corticali
attivate, attivazione aree motorie
gamma >30
Attenzione, concentrazione, aree corticali
attivate, processi di integrazione della
percezione
banda Hz Funzione localizzazione
Dipartimento di Elettronica Informatica e Sistemistica - UNIVERSITA’ di BOLOGNA
EEG: ritmi di base /3
Dipartimento di Elettronica Informatica e Sistemistica - UNIVERSITA’ di BOLOGNA
Onde delta Onde theta
Onde alpha Onde beta
ESEMPIO: EEG Attività elettrica fra le membrane dei neuroni corticali del cervello. Si distinguono 3
principali tipi di attività, che possono variare circa 15 volte durante il sonno notturno
regolare:
Ritmo = stato di veglia: 8-12 Hz, bassa ampiezza
Ritmo = sonno leggero: 4-8 Hz
Ritmo = sonno profondo: <4 Hz, ampiezza elevata (fase del sogno: simile al ritmo
, ma con rapidi movimenti oculari (REM=Rapid Eye Movements))
Problema:
distinguere i
3 ritmi
Si registra l’EEG durante la notte.
Si assegna un “indice” di sonno
all’EEG ogni 30 sec., sulla base
del ritmo dominante in quei 30
sec.
Caso patologico: la transizione
da un ritmo ad un altro avviene in
meno di 30 sec.
ES5 MATLAB – eegsim1.m
v. eegsim1.m, tfar.m, montage.mat
Segnale EEG simulato, campionato a 50
Hz per circa 4 min. Simula i 3 ritmi.
Ogni ritmo dura almeno 15s.
E’ un segnale semplificato: le transizioni
sono più rapide del caso reale, non si
considera lo stato REM, le variazioni in
ampiezza sono minori del caso reale.
Ipotesi di ergodicità: si dispone di
un’unica realizzazione del processo
stocastico.
20s. di segnale simulato– transizione
rapida da ad (dopo 10s. circa)
Spettrogramma: grafico tempo-
frequenza dell’intensità del segnale.
Ritmo (0-50s), seguito da ritmo
(50-80s) e poi (80-120s).
120s-150s: si torna al ritmo , poi si
procede con ritmi a freq. più bassa