EEG workshop

برای استخراج توان در باندهای فرکانسی مورد نظر در متلب میتوان از دستور bandpower استفاده کرد(از help نرم افزار کمک بگیرید) برای مثال x سیگنال eeg مورد نظر است و با فرکانس 250 هرتز نمونه برداری شده است و ما میخواهیم قدرت طیف الفا 8-13 هرتز را بدست اوریم مینویسیم P=bandpower(x,250,[8 13])

دستیار هوشمند مدیریت استرس #ایران_ساخت #حمایت_از_کالای_ایرانی #حمايت_از_كالاي_داخلي #حمایت_از_تولید_ملی https://goo.gl/JbR3nJ @iiransakht

مقایسه کنید👆👆👆

اگر داده های x را به یک بعد کاهش دهیم و سپس به دو بعد برگردیم اطلاعات بعد اصلی حفظ و اطلاعات بعد دوم حدف میشود

راستاهای pca برهم عمود هستند یعنی ستونهای ماتریس coeff متعامدند

از متغیر explained دیده میشود که ۹۷.۵ در صد پراکندگی حول راستای اول است که متناظر با ستون اول اول ماتریس coeff است که حدودا راستای ۴۵ درجه است

پراکندگی داده ها حول خط ۴۵ درجه است

در مثال دیگر داده های x دو بعدی است

سطر اخر تبدیل چهار بعد متغیر ingredients به دو بعدی که بیشترین واریانس یا انرژی را دارند است

Latent مقادیر ویژه متناظر با هر راستا یا قدرت پراکندی و یا واریانس هر راستاست و explained در صد انرژی هر راستاست

Ingredients چهار متغیر دارد که ۱۳ مشاهده از انها وجود دارد

یکی از روشهای کاهش بعد ماتریس ویژگی و پیدا کردن راستاهایی که بیشترین پراکندگی درانها هست روش تحلیل مولفه های اساسی PCA است این روش در matlab با دستور pcacov هم می تواند انجام شود. داده ingredients چهار بعدی است که هر مشاهده در یک سطر است و متغیرها ستون هستند. با زدن PCA متوجه میشویم قدرت پراکندگی یا واریانس در بعد چهارم مولفه پی سی ای خیلی کم است(0.2) پس این راستا اطلاعاتی ندارد و قابل حذف است برای حذف مولفه چهارم ماتریس pc را سه ستون اول را که متناظر با سه واریانس بیشتر است میگیریم و سپس در ماتریس ingredients ضرب میکنیم حالا چهاربعد به سه بعد کاهش میابد که بیشترین پراکندگی را دارند براساس واریانسها 99.96% انرژی در این سه بعد حفظ شده است. اگر راستای اول و دوم را بگیریم 97.88% انرژی اطلاعات را حفظ کرده ایم(یعنی ستونهای اول و دوم ماتریس pc)

مطالب filtfilt نگاه شود