Académique Documents
Professionnel Documents
Culture Documents
ACTIVIDADES DESARROLLADAS
(Anotar todas las actividades que siguió para el desarrollo de la práctica. Agregue filas si necesita más espacio)
1. Cargar el archivo .cvs
Para cargar este archivo solo se arrastra el archivo a la ventana de comandos en Matlab, luego se abre una
ventana para importar los datos a analizar.
LISTADO DE MATERIALES:
Software MATLAB
MARCO TEÓRICO:
Electroencefalograma
El electroencefalograma (EEG) es un análisis que se utiliza para detectar anomalías relacionadas con la actividad eléctrica del
cerebro. Este procedimiento realiza un seguimiento de las ondas cerebrales y las registra. Se colocan pequeños discos metálicos
con cables delgados (electrodos) sobre el cuero cabelludo y después se envían señales a una computadora para registrar los
resultados. La actividad eléctrica normal del cerebro forma un patrón reconocible. Por medio de un EEG, los médicos pueden
buscar patrones anormales que indiquen convulsiones u otros problemas.
La causa más común para realizar un EEG es el diagnóstico y control de los trastornos convulsivos. Los EEG también ayudan a
identificar las causas de problemas como los trastornos del sueño y los cambios en el comportamiento. Los EEG se usan, en
algunos casos, para evaluar la actividad cerebral después de una lesión en la cabeza o antes de un transplante de corazón o
hígado.
Cuenta con la siguiente distribución de ondas
Transformada wavelet
El análisis de Fourier de una señal (supongamos temporal) permite determinar sus frecuencias, pero a costa de perder la
información de tipo temporal sobre la señal (no dice cuando aparece cada frecuencia). Lo que se puede hacer es subdividir la
pieza en trozos, y analizar cada trozo. Esto nos da una información rudimentaria sobre el orden temporal en el que se dan las
frecuencias. Este tipo de análisis se conoce como la transformada de Gabor (aplicar una ventana a los datos). Sin embargo, este
tipo de análisis es imperfecto. Recordemos que la resolución temporal y la resolución en frecuencias de una señal están
acopladas [Existe un principio de incertidumbre similar al de Heisenberg: Dt .Dw = p]. Existen métodos de análisis que alcanzan
este máximo. Fourier es uno de ellos pero alcanza la máxima resolución espectral sacrificando la resolución temporal. Los
wavelets sí dan información simultánea de t y w.
El número de wavelets existentes es enorme. En general conviene usar aquel cuya forma se adecúe mejor al tipo de señal con
la que se trabaja. Hay wavelets continuos/discretos, con/sin soporte compacto, suaves/con discontinuidades,
ortogonales/biortogonales. Algunos wavelets tienen expresiones analíticas.
VENTAJAS DE LA TRANSFORMADA DE WAVELETS
La Transformada Discreta de Wavelets presenta además claras ventajas frente a su
contrapartida de Fourier:
Más rápida desde el punto de vista computacional.
En muchos casos proporciona un mejor ajuste a los datos con menos coeficientes, permitiendo una mejor compresión
de los datos que los métodos basados en Fourier)
Las técnicas de filtrado de ruido basadas en wavelets dan mejores resultados.
La correlación indica la fuerza y la dirección de una relación lineal y proporcionalidad entre dos variables estadísticas. Se
considera que dos variables cuantitativas están correlacionadas cuando los valores de una de ellas varían sistemáticamente con
respecto a los valores homónimos de la otra: si tenemos dos variables (A y B) existe correlación entre ellas si al disminuir los
valores de A lo hacen también los de B y viceversa. La correlación entre dos variables no implica, por sí misma, ninguna relación
de causalidad. Es importante tener en cuenta que la existencia de una correlación estadística entre dos eventos no implica que
haya una conexión causal entre ellos. Dicha creencia falaz es resumida con la expresión latina Cum hoc ergo propter hoc, que
suele resumirse como “correlación no implica causalidad”. La supuesta causalidad en la correlación puede deberse a una
coincidencia o a la existencia de algún factor desconocido, por ejemplo.
RESULTADO(S) OBTENIDO(S):
Anexo 1
Codigo en Matlab para T8
% Calculo para T8. Est Jonathan
clc
clear all;
close all;
load('Hd.mat');
load('SMario.mat')
t8=T8/1000; %Señal T8
%t8=F8/1000; %Señal F8
%t8=P8/1000; %Señal P8
figure(1)
%muestreo
Fs=128;
plot(t8,'-b');
grid on;
axis([0 5000 -0.05 0.05])
title('Senal T8 Est. MarioK448 Base')
xlabel('Tiempo');
ylabel('Voltaje');
T8_f=filter(Hd,t8);
for i=1:length(T8_f)
if T8_f(i)>=0.02
T8_f(i)=0.02;
else
T8_f(i)=T8_f(i);
end
if T8_f(i)<=-0.02
T8_f(i)=-0.02;
else
T8_f(i)=T8_f(i);
end
end
figure(2)
plot(T8_f,'-b');
grid on;
axis([0 5000 -0.05 0.05])
title('Senal T8 Est. MarioK448 Tratada')
xlabel('Tiempo');
ylabel('Voltaje');
%senal en tiempo
T=1/Fs;
tiempo=size(t8)/Fs;
tt=0:1/Fs:tiempo;
waveletFuntion='sym6';
[CT8,LT8]=wavedec(t8,5,waveletFuntion); %coeficientes vector
D1t8=wrcoef('d',CT8,LT8,waveletFuntion,1); %ruido
D2t8=wrcoef('d',CT8,LT8,waveletFuntion,2); %beta
D3t8=wrcoef('d',CT8,LT8,waveletFuntion,3); %Alfa
D4t8=wrcoef('d',CT8,LT8,waveletFuntion,4); %teta
A4t8=wrcoef('a',CT8,LT8,waveletFuntion,4); %espectro
figure(3)
subplot(4,1,1),plot(A4t8,'-m');grid on, title('Delta T8')
axis([0 5000 -0.02 0.02])
xlabel('Tiempo');
ylabel('Voltaje');
%banda2
N=length(D3t8);
T8ft3=fft(D3t8);
T8ft3=T8ft3(1:N/2+1);
T8dx3=(1/(Fs*N)).*abs(T8ft3).^2;
T8dx3(2:end-1)=2*T8dx3(2:end-1);
T8freq3=0:Fs/length(D3t8):Fs/2;
%banda3
N=length(D4t8);
T8ft4=fft(D4t8);
T8ft4=T8ft4(1:N/2+1);
T8dx4=(1/(Fs*N)).*abs(T8ft4).^2;
T8dx4(2:end-1)=2*T8dx4(2:end-1);
T8freq4=0:Fs/length(D4t8):Fs/2;
%banda4
N=length(D4t8);
T8ftA4=fft(A4t8);
T8ftA4=T8ftA4(1:N/2+1);
T8dxA4=(1/(Fs*N)).*abs(T8ftA4).^2;
T8dxA4(2:end-1)=2*T8dxA4(2:end-1);
T8freqA4=0:Fs/length(A4t8):Fs/2;
figure(4);
subplot(1,4,1),plot(T8freqA4,T8dxA4,'-m');grid on, title('Delta T8')
xlim([0 10]);
xlabel('Frecuencia');
ylabel('Amplitud');
DeltaT8=A4t8;
TetaT8=D4t8;
AlfaT8=D3t8;
BetaT8=D2t8;
BetaT8=max(max(BetaT8));
AlfaT8=max(max(AlfaT8));
TetaT8=max(max(TetaT8));
DeltaT8=max(max(DeltaT8));
fprintf(1,'Beta,Alfa,Teta,Delta')
data=[BetaT8,AlfaT8,TetaT8,DeltaT8]
%BETA
coBA1=conv(D2t8,wrev(D3t8)); %beta-Alfa
coBA=abs(coBA1);
figure(6)
subplot(1,3,1)
plot(coBA,'-g')
title('C. Beta-Alfa')
coBD1=conv(D2t8,wrev(A4t8)); %BETA,delta
coBD=abs(coBD1);
subplot(1,3,2)
plot(coBD,'-g')
title('C. Beta - Delta')
coBT1=conv(D2t8,wrev(D4t8));%BETA,teta
coBT=abs(coBT1);
subplot(1,3,3)
plot(coBT,'-g')
title('C. Beta - Teta')
%DELTA
coDA1=conv(A4t8,wrev(D3t8)); %Delta-Alfa
coDA=abs(coDA1);
figure(7)
subplot(1,3,1)
plot(coDA,'-m')
title('C. Delta-Alfa')
coDB1=conv(A4t8,wrev(D2t8)); %Delta-Beta
coDB=abs(coDB1);
subplot(1,3,2)
plot(coDB,'-m')
title('C. Delta - Beta')
coDT1=conv(A4t8,wrev(D4t8));%Delta-teta
coDT=abs(coDT1);
subplot(1,3,3)
plot(coDT,'-m')
title('C. Delta - Teta')
%TETA
coTA1=conv(D4t8,wrev(D3t8)); %Teta-Alfa
coTA=abs(coTA1);
figure(8)
subplot(1,3,1)
plot(coTA,'-k')
title('C. Teta-Alfa')
coTB1=conv(D4t8,wrev(D2t8)); %Teta-Beta
coTB=abs(coTB1);
subplot(1,3,2)
plot(coTB,'-k')
title('C. Teta-Beta')
coTD1=conv(D4t8,wrev(A4t8));%Teta-Delta
coTD=abs(coTD1);
subplot(1,3,3)
plot(coTD,'-k')
title('C. Teta-Delta')
Los códigos anteriores se aplican para los 6 archivos, solo se importa los otros archivos. Con lo que se obtienen:
ARCHIVO T8(BETA,ALFA,TETA,DELTA)
SINESTMARIO 0.0186 0.0180 0.0184 0.0201
SINESTJONATHAN 0.0375 0.0228 0.0346 0.0315
E1- 0.0169 0.0193 0.0141 0.0127
ESTJONATHANK448
E2- 0.0216 0.0183 0.0126 0.0115
ESTJONATHANFRK
E1-ESTMARIOK448 0.0202 0.0160 0.0230 0.0339
E2-ESTMARIOFRK 0.0192 0.0469 0.0224 0.0317
Tabla 1 Resultados obtenidos
Estimulo 1
Figura 6 Ondas para el estímulo 1 – EstMario
Estimulo 2
Figura 10 Ondas para el estímulo 2 – EstMario
Estimulo 1
Figura 18 Señal T8 para el estímulo 1. Est Jonathan
Estimulo 2
Figura 22 Señal T8 con el estímulo 2
Estimulo 1
Figura 30 Señal F8 para el estímulo 1. Est Mario
Estimulo 2
Figura 34 Señal F8 para el estímulo 2
Estimulo 1
Figura 42 Señal F8 con el estímulo 1. Est. Jonathan
Estimulo 2
Figura 46 Señal F8 para el estímulo 2
Análisis para el estudiante Mario sin estimulo, estimulo FRK y estimulo K448
Sin estimulo
Figura 50 Señal P8 sin estimulo
Estimulo 1
Figura 54 Señal P8 con el estímulo 1
Estimulo 2
Figura 58 Señal P8 para el estímulo 2
Análisis para el estudiante Jonathan sin estimulo, estimulo FRK y estimulo K448
Sin estimulo
Figura 62 Señal P8 sin estimulo est. Jonathan
Estimulo 1
Figura 66 Señal P8 para estimulo 2
Estimulo 2
Figura 70 Señal P8 para el estímulo 2
Las correlaciones aplicadas anteriormente, toman en cuenta las mismas señales. Si se desea la correlación entre
las ondas de cada estimulo, las ondas deben ser guardadas como tablas e cargarlas en otro archivo y aplicar
correlación o convolución.
Codigo Matlab
load('AlfaS.mat')
load('AlfaE1.mat')
load('AlfaE2.mat')
load('BetaS.mat')
load('BetaE1.mat')
load('BetaE2.mat')
load('DeltaS.mat')
load('DeltaE1.mat')
load('DeltaE2.mat')
load('TetaS.mat')
load('TetaE1.mat')
load('TetaE2.mat')
%correlacion alfa
coAlfa1=conv(D3t8S,wrev(D3t81));
coAlfaSE1=abs(coAlfa1);
figure(1)
subplot(1,2,1)
plot(coAlfaSE1,'-r')
title('Alfa: Sin Estimulo y Estimulo 1')
coAlfa2=conv(D3t8S,wrev(D3t8));
coAlfaSE2=abs(coAlfa2);
subplot(1,2,2)
plot(coAlfaSE2,'-r')
title('Alfa: Sin Estimulo y Estimulo 2')
%correlacion beta
coBeta1=conv(D2t8S,wrev(D2t81));
coBetaSE1=abs(coBeta1);
figure(2)
subplot(1,2,1)
plot(coBetaSE1,'-g')
title('Beta: Sin Estimulo y Estimulo 1')
coBeta2=conv(D2t8S,wrev(D2t8));
coBetaSE2=abs(coBeta2);
subplot(1,2,2)
plot(coBetaSE2,'-g')
title('Beta: Sin Estimulo y Estimulo 2')
%correlacion delta
coDelta1=conv(A4t8S,wrev(A4t81));
coDeltaSE1=abs(coDelta1);
figure(3)
subplot(1,2,1)
plot(coDeltaSE1,'-m')
title('Delta: Sin Estimulo y Estimulo 1')
coDelta2=conv(A4t8S,wrev(A4t8));
coDeltaSE2=abs(coDelta2);
subplot(1,2,2)
plot(coDeltaSE2,'-m')
title('Delta: Sin Estimulo y Estimulo 2')
%correlacion teta
coTeta1=conv(D4t8S,wrev(D4t81));
coTetaSE1=abs(coTeta1);
figure(4)
subplot(1,2,1)
plot(coTetaSE1,'-k')
title('Teta: Sin Estimulo y Estimulo 1')
coTeta2=conv(D4t8S,wrev(D4t8));
coTetaSE2=abs(coTeta2);
subplot(1,2,2)
plot(coTetaSE2,'-k')
title('Teta: Sin Estimulo y Estimulo 2')
Figura 74 Correlación de las diferentes ondas
CONCLUSIONES:
Se observo que la mayoría de señales biológicas que se pueden obtener se necesita hacer todo un proceso de
filtrado, disminución y de transformación en wavelet, esto para quitar el ruido y subdividir la señal en las ondas: Alfa,
Beta, Delta y Teta. Esto nos sirve para hacer diferentes aplicaciones ya que podemos observar como reacciona
nuestro cerebro a diferentes estímulos y como cambia entre dos personas las mismas.