analiza-sygnalu-2017's People
analiza-sygnalu-2017's Issues
Oczy zamknięte i otwarte - praca domowa
Jakie wartości mamy przyjąć do pracy domowej z notebook'a zajecia_04 dla oczu zamkniętych i otwartych?
Czy:
Zamknięte = 11.24- 41.42
Otwarte=76,33 + 30
Projekty
❗️ ostatni update: 09.02.2018 15:24 ❗️
W ramach projektu do wykonania jest analiza wielu plików z użyciem widma (psd_welch
) albo też czasu-częstości (tfr_morlet
). Możecie zrobić też porównanie erpów (przykład w folderze z danymi decyzyjnymi) - jeżeli jednak robicie porównanie erpów, zróbcie również chociaż najprostsze porównanie częestotliwości. Analizę oddajecie w formie notebook'a. Macie czas do 20 lutego.
Musicie zdecydować się na to jaka analiza Was interesuje:
- zadanie / dane, których chcecie użyć
- łatwo dostępne będą pliki z zadania
Sternberg
'a, które znacie z zajęć (group analysis\sternberg
) zadanie decyzyjne
(prezentowane kolejne wskazówki dotyczące jakości diamentów, osoba badana wybiera lewy vs prawy diament gdy zdecyduje się, że któryś jest lepszy. Zwykle następuje to po pewnej ilości wskazówek - maksymalnie sześciu, bo tyle jest maksymalnie wskazówek na jeden trial) (group analysis\decyzyjne
)dane spoczynkowe
(oczy otwarte oraz oczy zamknięte)porządki liniowe
(prezentowane kolejne wskazówki npB > A
,C > B
itp. na podstawie których osoba badana układa sobie w głowie porządek npD > C > B > A
, przetrzymuje go w pamięci a następnie odpowiada na kilka pytań dotyczących bezpośrednich oraz przechodnich relacji z tego porządku)
- łatwo dostępne będą pliki z zadania
- porównywane warunki:
- dla danych z zadania Sternberga może to być porównanie dwóch wybranych loadów podczas przetrzymywania informacji w pamięci, albo dwóch prezentacji cyfr np. pierwszej i czwartej
- możecie również zdecydować się na porównywanie więcej niż dwóch warunków korzystając z ANOVy (przykład dla erpów w
group analysis\decyzyjne\demo.ipynb
) albo regresji liniowej (np. zastanawiacie się czy wzrost alfy w obszarach potylicznych albo wzrost thety w obszarach czołowych jest liniowo zależny od obciążenia pamięci) - wtedy napiszcie tutaj i udostępnię Wam dodatkowe wskazówki - dla danych z zadania decyzyjnego możecie np. porównywać ostatnią i przedostatnią wskazówkę przed podjęciem decyzji aby zobaczyć jakiego rodzaju aktywność elektrofizjologiczna charakteryzuje podjęcie decyzji
- wielokrotne porównania i korekty
- najprostsza opcja: redukcja całej przeszukiwanej przestrzeni tzn wybranie elektrod, czasu i częstotliwości zainteresowania i uśrednienie całej tej przestrzeni a następnie test statystyczny
- częściowa redukcja np. uśredniamy częstotliwości zainteresowania, ale zostawiamy cały czas + wielokrotne porównania
- przy wielokrotnych porównaniach możecie skorzystać z korekty Bonferroniego, FDR albo cluster-based
Najwyżej punktowane będą projekty korzystające z cluster-based korekty, co nie znaczy, że nie można zrobić projektu na 100% stosując prostsze metody - wielokrotne porównania a szczególnie cluster-based korekta będą dodatkowo punktowane, ale dodatkowo punktowane będą też wizualizacje czy bardziej zaawansowane podejścia statystyczne (ANOVA, regresja itp.).
Jeżeli chcecie uzyskać dostęp do datasetów, których nie ma jeszcze w group analysis
- piszcie.
ANOVA
W wielu pracach dotyczących eeg ludzie stosują ANOVę mająz za czynniki np. przód - tył (głowy) oraz lewo-prawo, co moim zdaniem jest najczęściej niepotrzebne. Ale faktycznie, ANOVA jest stosowana bardzo często. W group analysis\decyzyjne\demo.ipynb
jest przykład zastosowania anovy z powtarzanym pomiarem dla ERPów, polecam też poniższe linki:
- repeated measures anova - funkcja mne pythona
- przykład użycia anovy w mne
Regresja
W przypadku regresji będziecie musieli dopasować model. Dla sytuacji gdy macie niewiele porównań możecie wykorzystać bibliotekę statsmodels. Dla regresji wewnątrz osób najlepiej jak dopasujecie dla każdej osoby oddzielnie model regresji i następnie na poziomie grupy zrobicie test t (względem zera) parametrów modelu. Wiem że to brzmi tajemniczo, ale to dosyć często stosowana analiza dwukrokowa - jeżeli ktoś chce się z tym zmierzyć - napiszcie, postaram się wrzucić przykład w postaci notebook'a.
Parametry TFR
Na początek możecie stosować te same parametry co na zajęciach. Postaram się przy ładowaniu plików podrzucić do każdego datasetu plik z podstawowymi informacjami albo te informacje wrzucić do notebook'a. Tam wspomnę o polecanych parametrach. Generalnie - jeżeli chcecie badać wysokie częstotliwości, możecie freq
ustawić odpowiednio wysoko (np. 35 - 59, z odstępem co 2 Hz), a wtedy możecie sobie pozwolić na wyższe n_cycles
np. dla wszystkich częstotliwości 10 cykli. Wtedy dla 35 Hz macie długość falki 10/35 s czyli trochę ponad 280 ms a dla 59 Hz: 10/59 czyli ok. 170 ms. Możecie się ogólnie starać aby Wasze falki nie były dłuższe niż 2/3 zakresu baseline'u a najlepiej nie dłuższe niż 50% tego czasu.
Deadline'y
Możemy się umówić tak, że prace wysłane do 17 lutego mają szansę na feedback (w ciągu kilku dni). W przypadku oddaniu projektu do 17, po dostaniu feedbacku będziecie mieli kilka dni (max 6-7) na poprawienie pracy, jeżeli taka będzie Wasza wola.
Które pliki analizować
Każdy z datasetów zawiera tylko niektóre pliki z oryginalnego badania abyście nie czekali zbyt długo na wczytywanie/przetwarzanie kolejnych plików. Nawet mimo to i tak najlepiej będzie jeżeli nie będziecie korzystać ze wszystkich plików w danym folderze, a wybierzecie tylko np. 80% udostępnionych dla danego datasetu plików. Wtedy każdy student analizujący dany dataset powinien mieć nieco inny zestaw plików.
Odrabiane zajęcia
Proponowany termin: 31 stycznia. Dajcie znać czy komuś to nie pasuje.
Tymczasowo godziny takie jak normalnie w środy, chyba że wolicie np. przesunąć na nieco późniejszą godzinę abyśmy nie musieli na 8:30 wstawać.
Recommend Projects
-
React
A declarative, efficient, and flexible JavaScript library for building user interfaces.
-
Vue.js
🖖 Vue.js is a progressive, incrementally-adoptable JavaScript framework for building UI on the web.
-
Typescript
TypeScript is a superset of JavaScript that compiles to clean JavaScript output.
-
TensorFlow
An Open Source Machine Learning Framework for Everyone
-
Django
The Web framework for perfectionists with deadlines.
-
Laravel
A PHP framework for web artisans
-
D3
Bring data to life with SVG, Canvas and HTML. 📊📈🎉
-
Recommend Topics
-
javascript
JavaScript (JS) is a lightweight interpreted programming language with first-class functions.
-
web
Some thing interesting about web. New door for the world.
-
server
A server is a program made to process requests and deliver data to clients.
-
Machine learning
Machine learning is a way of modeling and interpreting data that allows a piece of software to respond intelligently.
-
Visualization
Some thing interesting about visualization, use data art
-
Game
Some thing interesting about game, make everyone happy.
Recommend Org
-
Facebook
We are working to build community through open source technology. NB: members must have two-factor auth.
-
Microsoft
Open source projects and samples from Microsoft.
-
Google
Google ❤️ Open Source for everyone.
-
Alibaba
Alibaba Open Source for everyone
-
D3
Data-Driven Documents codes.
-
Tencent
China tencent open source team.