mmagnuski / analiza-sygnalu-2017 Goto Github PK

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

❗️ 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 np B > A, C > B itp. na podstawie których osoba badana układa sobie w głowie porządek np D > C > B > A, przetrzymuje go w pamięci a następnie odpowiada na kilka pytań dotyczących bezpośrednich oraz przechodnich relacji z tego porządku)
• 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.

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.