Documente Academic
Documente Profesional
Documente Cultură
LUCRARE DE DIPLOMĂ
Absolvent:
Daniela-Ştefania Burchi
Coordonator:
Prof. Dr. Ing. Valentin Sgârciu
Consultant:
SI. Dr. Ing. Grigore Stamatescu
Bucureşti, 2013
CUPRINS
1. Introducere 2
2. Clasificarea senzorilor 3
2.1. Terminologie 3
2.2. Senzori inteligenţi 4
2.3. Senzori biologici 6
2.4. Senzori chimici, fizici şi biosenzori 6
2.5. Aspecte ale senzorilor 6
2.6. Aplicabilitate 7
2.7. Elemente sensibile ale senzorilor 7
3. Reţele wireless de senzori 10
3.1. Caracteristici 10
3.2. Cercetare şi interes comercial 10
3.3. Aplicabilitate 11
3.4. Provocări tehnice 12
3.5. Surse de alimentare 13
3.6. Elaborarea de protocoale eficiente energetic 14
3.7. Capacitatea de trafic 14
3.8. Rutare 15
3.9. Modelare 15
3.10. Legături wireless 15
3.11. Distribuția nodurilor și mobilitate 16
3.12. Conectivitate 16
3.13. Asigurarea calităţii 17
4. Studiu de caz: Senzor MindWave 18
4.1. Introducere 18
4.2. Abordare tehnică 19
4.3. Algoritmi 20
5. Concluzii 39
6. Bibliografie 47
7. Anexă A: Grafice Matlab 48
8. Anexă B: Cod Matlab 60
1
1. Introducere
Avansarea în ştiinţă este stâns legată de cea în medicină, fiind caracterizată de un salt
episodic imaginativ, care are efecte vizibile asupra umanităţii. Acest salt este reprezentat de
apariţia senzorilor folosiţi la nivelul corpului uman. Senzori şi noduri de senzori formează
reţele care colectează, analizează şi procesează semnale biologice.
Ca şi în cazul senzorilor, există celule nervoase cu rol specificat, care trimit sau
primesc impulsuri electrice catre sau de la creier. Neuronul este alcătuit dintr-un corp celular,
numit somă, dendrite, care pornesc din corpul celular şi se ramifică, şi axon, care reprezintă o
extensie celulară specifică. În sinapse, semnalul este transmis de la axonul unui neuron către
dendrita altui neuron. Modelul de funcţionare neuronală este definit de procesarea sinaptică de
semnal. Permeabilitatea electrică a neuronilor depinde de membrana acestora. Fiecare neuron
este înconjurat de o membrană plasmatică şi de un bistrat lipidic cu structură proteică.
Bistratul lipidic este un puternic izolator electric, dar structura proteică a membranei
neuronale este activă din punt de vedere electric. Datorită permeabilităţii membranei
neuronale, canalele ionice permit pătrunderea ionilor încărcaţi electric prin membrană, iar
pompele ionice transportă activ ioni în exteriorul membranei. Interacţiunea dintre canalele
ionice şi pompe produce o diferenţă de tensiune de-a lungul membranei. Acestă diferenţă are
două funcţii: furnizarea unei surse de putere pentru o varietate de mecanisme proteice
dependente de tensiune în cadrul membranei şi furnizarea unei baze pentru transmisia
semnalului între diferite părţi ale membranei. Comunicararea între neuroni se face cu ajutorul
sinapselor chimice şi electrice în cadrul unui proces numit transmisie. Procesul fundamental
2
care activează transmisia este potentialul de acţiune, reprezentat de propagarea electrică a
semnalului, care este generată prin exploatarea membranei excitabile electric a neuronului.
Acest proces este cunoscut sub numele de depolarizare.
Undele alpha sunt asociate unei stări de calm, în care atenţia poate fi focalizată fie pe
rezolvarea unor situaţii exterioare, fie pe o stare de meditaţie dinamică. Frecvenţa undelor de
tip alpha este cuprinsă între 8-12 Hz.
Undele beta corespund stării de veghe, în care atenţia este concentrată asupra
acţiunilor exterioare, acestea fiind amplificate în condiţii de stres sau anxietate şi avînd o
frecventă cuprinsa între 12-30 Hz.
Undele theta sunt legate de partea imaginativă şi creativă a creierului, fiind asociate cu
activităţile artistice desfăşurate într-o stare de armonie. Ele se manifestă cu preponderenţă în
timpul somnului paradoxal (REM), în care apar visele, dar pot fi observate şi în starea de
veghe, în momente de concentrare profundă. S-a demosntrat că undele theta sunt prezente în
momentele de cunoaştere intuitivă sau cunoaştere a subconştientului, în momentele de fericire
şi împacare interioară sau sclipiri de genialitate, acestea fiind responsabile pentru schimbările
majore de stare ale individului. Frecvenţa undelor theta este cuprinsă între 4-7 Hz.
2. Clasificarea senzorilor
2.1. Terminologie
3
Senzorii se pot încadra în trei categorii:
- Senzori fizici, pentru măsurarea distanţei, masei, temperaturii, presiunii
- Senzori chimici, pentru măsurarea substanţelor chimice prin raspunsuri fizice sau
chimice
- Biosenzori, care măsoara substanţele chimice prin folosirea unui element biologic
senzitiv.
Pentru a se putea obţine un răspuns observabil, toate aceste dispozitive trebuiesc legate
la un traductor. Acesta este un dispozitiv care converteşte o schimbare observabilă (fizică sau
chimică) într-un semnal măsurabil, în esenţă, acesta reprezentând un convertor de energie.
Există şase clase diferite de semnale: mecanice, magnetice, termice, electrice, optice şi
chimice. Orice dispozitiv care converteşte semnale dintr-o clasă în alta poate fi considerat
traductor, dar termenul va fi atribuit doar dispozitivelor care oferă o iesire electrică.
Deşi definiţiile celor doi termeni sunt similare, senzorii au câteva caracteristici
specifice:
- Miniaturizarea, care permite realizarea de măsurători punctuale ale mărimilor
investigate;
- Multiplicarea funcţională, reprezentată de multitudinea de elemente sensibile dispuse
liniar sau matriceal în structura unui senzor;
- Fuziunea senzorială, care presupune alcatuirea unui nod de senzori cu configuratie
unică.
4
Senzorii inteligenţi sunt definiţi de următoarele caracteristici:
- Furnizează un semnal digital;
- Au capacitatea de a comunica semnalul;
- Au capacitatea de a executa funcţii sau instrucţiuni logice, datorită unităţii procesoare.
Amp.
Element Filtru Convertor
Sensibil analogic de date
Exc.
Procesare
Comunicare digitală
5
2.3. Senzori Biologici
6
- Dispozitive piezo-electrice, care implică generarea curentului electric pornind de la un
cristal care vibreaza. Frecvenţa vibraţiilor este afectată de masa de material absorbită
la suprafată;
- Senzori termici, care măsoară căldura produsă sau absorbită în procesele chimice.
Această căldură poate fi măsurată de termistoare sensibile, putând fi corelată cu
cantitatea de substanţă analizată.
2.6. Aplicabilitate
Există diverse moduri în care senzorii pot recunoaşte un analit. Acestă recunoaştere ar
trebui să fie specifică fiecarui analit, dar uneori, senzorii răspund selectiv sau pot apărea
interferenţe. Există mai multe tipuri de sensibilitate: ionică, moleculară sau biologică.
unde:
- n este încarcarea ionului primar de activitate ;
- z este ionul de interferenţă de activitate ;
- este coeficientul de selectivitate.
7
2.7.2. Recunoaşterea moleculară
Dimensiunea moleculară poate fi baza pentru selectivitate. Într-un mod foarte simplu,
site moleculare pot separa moleculele mari și mici. Calixarenele sunt molecule în formă de
cupă, proiectate cu o anumită dimensiune internă, în care au loc molecule specifice. Aceste
materiale au fost folosite în senzori, pentru calciu. Colorantul „Albastru de Nil ” este
încorporat într-o poli-membrană, cu un contra-ion anionic și un ligand calix-arenă
tetraphosphin. Acest lucru este folosit ca un optod, care reprezintă un senzor optic, ce măsoară
o substanţă specifică cu ajutorul unui traductor chimic. Optodul selectează calciu, ignorând
sodiul.
Cele mai utilizate substanţe sunt enzimele. Acestea actionează precum catalizatori
biologici în anumite reacţii şi au capacitatea de a se lega de anumite substanţe.
Anticorpii se vor lega la antigenul specific, pe care il vor îndeparta din sfera lor de
actiune, fara efect catalitic. Anticorpii sunt capabili să dezvolte o sensibilitate ridicată în
biosenzori.
Acizii nucleici sunt foarte puţin utilizaţi. Aceştia operează selectiv, datorită
caracteristicilor pe bază de asociere. Potenţialul acizilor nucleici este de a identifica dereglari
genetice.
9
Receptorii reprezintă proteine cu proprietăţi de recunoaştere moleculară, care
traversează intreaga lăţime a membranei unei celule. Aceştia sunt dificil de izolat, dar au
capacitatea de a se lega de soluţii, având un grad de afinitate şi specificitate similar
anticorpilor.
3.1. Caracteristici
Detecția făcută la un nivel detaliat poate revoluționa modul în care sistemele fizice
complexe sunt înțelese. Adiția de actuatoare deschide o dimensiune complet nouă, permițând
gestionarea și manipularea mediului la o scară care oferă oportunităţi enorme pentru orice
disciplină științifică. Combinația de tehnologie de rețele de senzori cu sisteme
microelectromecanice și nanotehnologie va reduce considerabil dimensiunea nodurilor și va
spori capacitățile rețelelor.
10
3.3. Aplicabilitate
3.3.1. Inginerie:
- Maşini care cuprind o reţea de zeci de senzori şi actuatori, sunt legate într-un
sistem de sisteme pentru a imbunataţi eficienţa şi siguranţa în trafic.
- Tastaturi virtuale cu accelerometru tactil, care pot înlocui dispozitivele de
intrare convenționale pentru PC-uri.
- Detectarea și întreținerea în instalațiile industriale. Roboți industriali complexi
sunt echipați cu senzori care sunt conectați prin cabluri la un calculator
principal. Deoarece cablurile sunt costisitoare și supuse uzurii cauzate de
mișcarea robotului, companiile le înlocuiesc cu conexiuni wireless. Prin
montarea de bobine mici pe nodurile de senzori, principiul de inducție este
exploatat pentru a rezolvă problemă de alimentare.
- Reducerea fenomenului de frecare la aeronave poate fi realizată prin
combinarea senzorilor de debit cu actuatoare de suflare, care sunt instalate pe
aripile unui avion.
- Spații de birouri inteligente. Zonele sunt echipate cu senzori de lumină,
temperatură și mișcare, cu microfoane pentru activare vocală și senzori de
presiune în scaune. Fluxul de aer și temperatura pot fi setate local, pentru o
singură cameră.
- Studii sociale. Dotarea ființelor umane cu noduri de senzori permite studii
interesante ale interacțiunilor și comportamentului social.
11
3.3.3. Inginerie civilă:
Nodurile de rețea sunt dotate cu emițătoare şi receptoare wireless, folosind antene care
pot fi omnidirecționale (radiații izotrope), foarte direcționale (punct-la-punct), eventual
orientabile. În funcție de pozițiile nodului și de aria de acoperire a transmițătorului şi a
receptorului, nivelul de putere de transmisie și nivelul de interferență se modelează din
perspectiva unei conectivitati wireless, sub forma unui grafic multihop, aleator, între noduri.
Această topologie ad-hoc se poate schimba cu timpul, în funcţie de ajustările parametrilor
nodurilor la transmisie şi receptie.
Pentru că problema cea mai dificilă în rețelele de senzori este limitarea energetică,
multe eforturi de cercetare vizează îmbunătățirea eficienței energetice la diferite aspecte. În
rețelele de senzori, energia este consumată, în principal, din trei motive: transmisia datelor,
prelucrarea semnalelor şi operatiile hardware. Este de dorit să se dezvolte tehnici de
prelucrare eficiente energetic, care reduc la minimum necesarul de energie pentru toate
nivelurile şi în același timp reduc transmiterea mesajelor de control şi coordonare de la rețea.
O alternativă este folosirea transmisiei optice free-space. Dacă o cale line-of-path este
disponibilă, un link optic free-space, cu un desing bun, are nevoie de energie semnificativ mai
mică decât omologul său RF, în prezent, aproximativ 1 nJ pe bit. Motivul pentru acest avantaj
energetic este faptul că transceiverele optice necesită numai circuite simple, cu bandă
analogică și circuite digitale, fără modulatoare, filtre active și demodulatoare. În plus,
13
lungimea de undă extrem de scurtă de lumină vizibilă face posibil ca un dispozitiv de scală
milimetrică să emită un fascicul îngust, ce corespunde unui câștig de aproximativ cinci la șase
ordine de mărime în comparatie cu un radiator izotrop. Cu toate acestea, un dezavantaj major
este că fasciculul trebuie fixat foarte precis catre receptor, ceea ce poate fi dificil de realizat.
Exploatarea funcţiei sleep este imperativ necesară pentru a preveni nodurile de senzori
să irosească energie la primirea pachetele care nu le sunt adresate. În combinaţie cu
protocoale eficiente de acces la mediu, abordarea funcţiei sleep ar putea eficientiza consumul
energetic, fără degradarea transferului, dar cu penalităţi de întârziere.
14
Transferul este legat de rata de transmisie a fiecărui transmițător, care, la rândul său,
este delimitată de capacitatea de canal. Din punct de vedere pur teoretic, capacitatea este
calculate pe baza ipotezei canalului ergodic, adică cuvintele cod sunt comparate cu coerența
timpului canalului. Această capacitate de tip Shannon este numita capacitate de transfer. Cu
toate acestea, în rețelele practice, în special cu aplicaţii constranse de întarzieri, această
capacitate nu poate să ofere o indicație utilă a capacității canalului de a transmite cu o
probabilitate mica de eroare. Mai mult decât atât, în sisteme cu acces multiplu, strategiile
corespunzătoare de alocare de energie pentru capacitatea maxim realizabila favorizează
întotdeauna canalele "bune", conducând astfel la inechitate între noduri.
3.8. Rutarea
O atenuare proporțională cu dα, unde d este distanța între două noduri și α este un așa-
numit exponent de pierdere a traiectoriei, este acceptata ca un model pentru pierderea de
traiectorie. Alpha variaza între 2 și 4 sau chiar 5, în funcție de caracteristicile canalului
(mediu, poziția antenei, frecvență). Aceast model de pierderea a traiectorie, împreună cu
faptul că pachetele sunt transmise cu succes dacă raportul semnal-zgomot-și-interferențe
(SNIR) este mai mare decât un anumit prag, are ca rezultat un model determinist adesea
folosite pentru analiza rețelelor de pachete multihop. Astfel, raza de transmisie cu succes are o
valoare determinista, indiferent de starea canalului wireless. Dacă sunt considerate numai
15
interferentele la o anumită distanță de receptor, acest "model fizic" se transformă într-un
"model de disc".
Un model de canal mai precis va avea un impact asupra celor mai multe dintre valorile
importante. În cazul degradării Rayleigh, primele rezultate arată că beneficiile de energie de
rutare peste multe hopuri scurte pot dispărea complet, în special dacă latența este luată în
considerare. Modelul de degradare Rayleigh nu numai că este mai precis decât modelul disc,
dar are, de asemenea, avantajul suplimentar de a permite separarea efectelor zgomotului și
cele de interferență, datorită distribuției exponențiale a puterii primite. În consecință, analiza
performanței poate fi ușor divizată în analiză cu interferenţă zero (analiză a zgomotului) și o
reţea cu zgomot zero (analiză a interferenţei).
3.12. Conectivitatea
Conectarea rețelelor este un aspect important, deoarece este esențial pentru cele mai
multe aplicații ca rețeaua să nu fie împărțită în părți disjuncte. Dacă pozițiile nodurilor sunt
modelate ca un punct Poisson în două dimensiuni (care, din motive practice, corespunde unei
distribuții uniform aleatore), problema de conectivitate a fost studiat folosind instrumente de
teorie de patrundere continuă. Pentru rețele mari, fenomenul de tranziție de fază ascuțită
poate fi observat: probabilitatea ca fenomenul de patrundere al reţelei să sară brusc de la
aproape 0 la aproape 1, imediat ce densitatea rețelei este mai mare decât o anumită valoare
critică. Cele mai multe astfel de rezultate sunt bazate pe abstracție geometrică circulară. Este
presupus, totuși, că și alte funcții de conectivitate duc la o conectivitate mai buna, cum ar fi
faptul ca discul este aparent cea mai grea formă de conectat. O consecință practică a acestei
conjuncturi este că rezultatele de degradare işi imbunatăţesc conectivitatea. O lucrare recentă
discută, de asemenea, impactul asupra interferențelor. Simplificarea ipotezelor necesare
pentru a obține aceste rezultate lăsa însă multe probleme deschise.
16
3.13. Asigurarea calităţii
Calitatea serviciilor se referă la capacitatea unei rețele de a oferi date fiabile și în timp
util. O cantitate mare a serviciilor, cum ar fi, capacitatea de transfer sau de transport, nu este
în general suficientă pentru a satisface cerintele de intarziere. În consecință, viteza de
propagare a informației poate fi la fel de important ca transferul. Astfel, în plus față de
capacitatea rețelei, o problemă importantă în multe reţele wireless de senzori este cea a
garanţiei calității serviciilor. Lucrări anterioare legate de calitatea rețelelor wireless s-au axat,
în mare parte, pe întârzieri. Asigurarea calităţii, într-un sens mai larg, este format din tripletul
(R, Pe, D), unde R reprezintă transferal, Pe denotă fiabilitatea, măsurată prin probabilitatea de
eroare de bit sau probabilitatea de pachete pierdute și D denotă întârziere. Pentru un anumit
R, fiabilitatea unei conexiuni ca o funcție de întârziere va urma curba generală.
17
4. Studiu de caz: Senzorul MindWave
4.1. Introducere
Pentru fiecare parametru eSense, există o scală cuprinsă între 1 şi 100. Pe acestă scală,
o valoare cuprinsă între 40 şi 60 este considerată neutră în sensul stabilit prin tehnicile de
măsurare convenţionale. O valoare cuprinsă între 60 şi 80 este considerată uşor crescută,
putând fi interpretată ca fiind un nivel mai mare decat cel normal. O valoare cuprinsă între 80
şi 100 este considerată ridicată, aceasta reprezentând un nivel superior al parametrilor eSense.
Similar, valori cuprinse între 20 şi 40 indică niveluri reduse ale parametrilor, iar valori
cuprinse între 1 şi 20 indică niveluri foarte scăzute. Aceste niveluri pot indica stări în care
atenţia este distrasă sau stări de agitaţie.
Motivul pentru care există o gamă relativ variată pentru fiecare interpretare este dat de
modul de învăţare dinamică al argoritmilor eSense. În anumite momente sunt folosiţi
algoritmi usor-adaptivi pentru ajustarea unor fluctuaţii naturale pentru diferiţi utilizatori.
Acest lucru compensează pentru faptul că undele cerebrale sunt supuse la limite normale,
variaţii şi fluctuaţii. Acesta este unul din motivele pentru care senzorii ThinkGear sunt atat de
versatili, putând fi utilizaţi pentru a obţine date precise indiferent de condiţii.
19
Atenţia este parametrul eSense care indică gradul de concentrare care apare în
momentul unei activităţi cerebrale. Valoarea acestui parametru variază între 0 şi 100. Nivelul
de atenţie este influenţat de anxietate, gânduri rătacitoare, pierderea concentrării sau orice alt
factor care distrage atenţia.
Meditaţia este parametrul eSense care indică gradul de relaxare sau calm. Valoarea
acestui parametru variază între 0 şi 100, reprezentând starea mentală a unei persoane. Cu toate
acestea, pentru majoritatea indivizilor, o relaxare la nivel fizic ajută atingerea unei stări de
calm la nivel psihic. Starea de meditaţie se referă la reducerea activităţilor cerebrale.
Închiderea ochilor reprezintă o modalitate rapidă de creştere a nivelului de meditaţie.
Distragerea atenţiei, anxietatea sau stimulii senzoriali pot conduce la scăderea nivelului
meditativ.
4.3. Algoritmi
[ ] [ ] ∑ [ ] ̅̅̅̅̅̅̅̅̅̅ (4.1)
[ ] ∑ [ [ ] [ ] ] ∑ [ [ ]
[ ] ] ̅̅̅̅̅̅̅̅̅̅ (4.2)
Caracteristici:
- Durata semnalului discret trebuie să fie o putere a lui 2 ( )
- Semnalul de intrare este identic cu cel original sau obţinut prin rearanjarea
eşantioanelor
- Semnalele intermediare reprezintă versiuni din ce în ce mai rafinate ale semnalului
iniţial
- Semnalul de ieşire este identic cu TFD sau obţinut prin rearanjarea eşantioanelor
- Calculele sunt organizate pe doua nivele ierarhice:
Micro-nivel, în care există N/2 blocuri paralele de calcul
Macro-nivel, în care există L trepte secventiale de calcul
Notaţii şi convenţii:
20
– Armonica elementară, unde: (4.4)
∑ ∑ ̅ [ ] (4.5)
Sinteza ITFD:
[ ] ∑ [ ]̅ ̅̅̅̅̅̅̅̅̅̅ (4.6)
Algoritmul lui Goertzel are forma unui filtru digital, structurat în cascadă. Prima etapă
a filtrului calculează o secvenţă intermediară în funcţie de secvenţa primită la intrare. Acestă
etapă acţionează ca un filtru cu raspuns infinit la impuls (IIR). A doua etapă preia secvenţa
intermediară şi o prelucrează cu ajutorul unui filtru cu răspuns finit la impuls (FIR) pentru a
obţine ieşirea dorită.
Analiza TFD:
[ ] ∑ [ ] ̅̅̅̅̅̅̅̅̅̅ (4.7)
[ ] ∑ [ ]̅ ̅̅̅̅̅̅̅̅̅̅ (4.8)
𝑥 𝑦𝑘 ≡ 𝑥 ∗ 𝑘
* 𝑘
[ ] ̅ [ ] (4.9)
[ ] ∑ [ ] [ ] ∑ [ ]̅ ̅̅̅̅̅̅̅̅̅̅ (4.10)
[ ] [ ] ̅̅̅̅̅̅̅̅̅̅ (4.11)
∑ [ ] ∑ ̅ ̅̅̅̅̅̅̅̅̅̅ (4.12)
̅
21
Ecuaţia recursivă a ieşirii:
[ ] ̅ [ ] [ ] (4.13)
[ ] [ ]
[ ] ̅ [ ] [ ]
(4.14)
[ [ ] ̅ [ ] [ ] ̅ [ ] [ ]
[ ] [ ] [ ] [ ] [ ] ̅̅̅̅̅ ̅̅̅̅̅̅̅̅̅̅
(4.17)
Schema de calcul:
x 𝑦𝑘
𝑞 𝑘𝜋 𝑞
2cos
𝑁
𝑤𝑁𝑘
𝑞
-1
𝑘𝜋 𝑞
2cos
𝑁
𝑤𝑁𝑘
𝑞
-1
22
Figura 4.4: Schema eficientă de calcul a Algoritmului lui Goertzel
[ ] [ ]
[ ] [ ] [ ] [ ] (4.19)
[ [ ] [ ] [ ]
[ ] [ ] [ ] [ ] ̅̅̅̅̅̅̅̅̅̅ (4.20)
În urma rulării Algoritmului lui Goertzel pentru seriile de timp care reprezintă
parametrii eSense, se obţin:
23
Figura 4.6: Seriile de timp FFT pentru parametrii eSense
24
Figura 4.8: Zgomotul alb pentru parametrii eSense
25
Figura 4.10: Densitatea spectrala de putere a parametrilor eSense
26
Figura 4.12: Faza Goertzel pentru parametrii eSense
[ ] ∑ [ ] ̅̅̅̅̅̅̅̅̅̅ (4.21)
[ ] ∑ [ ] ∑ [ ] ̅̅̅̅̅̅̅̅̅̅ (4.22)
Pentru TFD2M se poate utiliza o pereche de TFDM, aplicată segmentelor par şi impar ale
segmentului original.
(4.23)
[ ] ∑ [ ] ∑ [ ] ̅̅̅̅̅̅̅̅̅̅ (4.24)
[ ] ∑ [ ] (4.25)
[ ] ∑ [ ] (4.26)
𝑙 𝑙 𝑙 𝑙
𝑣𝑙 [ 𝑘 𝑚] 𝑣𝑙 [ 𝑘 𝑚]
28
În urma rulării Algoritmului FFT cu segmentare în timp pentru seriile de timp care
reprezintă parametrii eSense, se obţin:
29
Figura 4.17: Zgomotul colorat pentru parametrii eSense
30
Figura 4.19: Spectre zgomot colorat pentru Mediţatie
31
Figura 4.21: Densitatea spectralăa de putere a filtrului pentru parametrilor eSense
32
Figura 4.23: FFT cu segmentare în timp pentru parametrii eSense
33
4.3.3. Algoritmul FFT bazat pe segmentarea în frecvenţă:
[ ] ∑ [ ] ̅̅̅̅̅̅̅̅̅̅ (4.29)
[ ] ∑ [ ] ∑ [ ] ̅̅̅̅̅̅̅̅̅̅ (4.30)
[ ] ∑ [ ] ∑ [ ] ̅̅̅̅̅̅̅̅̅̅ (4.31)
[ ] ∑ [ ] [ ] ̅̅̅̅̅̅̅̅̅̅ (4.33)
[ ] [ ] [ ] ̅̅̅̅̅̅̅̅̅̅̅
[ (4.34)
[ ] [ ] [ ] ̅̅̅̅̅̅̅̅̅̅̅
[ ] ∑ [ ] ̅̅̅̅̅̅̅̅̅̅̅
[ (4.35)
[ ] ∑ [ ] ̅̅̅̅̅̅̅̅̅̅̅
[ ] [ ] [ ]
[
[ ] [ ] [ ]
̅̅̅̅̅̅̅̅̅̅
[ ̅̅̅̅̅̅̅̅̅̅̅ (4.36)
̅̅̅̅̅̅̅̅̅̅
𝐿 𝑙 𝐿 𝑙
𝑣𝑙 [ 𝑘 𝑚] 𝐿 𝑙 𝐿 𝑙
𝑣𝑙 [ 𝑘 𝑚]
34
În urma rulării Algoritmului FFT cu segmentare în frecvenţă pentru seriile de timp
care reprezintă parametrii eSense, se obţin:
35
Figura 4.28: Zgomotul colorat pentru parametrii eSense
36
Figura 4.30: Densitatea spectrala de putere a filtrului pentru parametrilor eSense
37
Figura 4.32: Faza FFT cu segmentare in frecventa pentru parametrii eSense
38
5. Concluzii
39
Figura 5.2: Preluare de semnal cerebral în timp real, cu ajutorul OpenVibe Designer
40
-
41
-
42
Figura 5.3: Evoluţia Atenţiei şi Meditaţiei în timp
Unda Low Alpha este caracterizată de o stare de neatenţie, în timp ce High Alpha
denotă o stare de relaxare, conştienţă. Unda Low Beta este caracterizată printr-o stare de
veghe, concentrare relaxată, în timp ce High Beta este definită printr-o stare alertă, de agitaţie.
Pentru că Atenţia creşte, unda Low Alpha va scădea. Interesant este faptul că, pe acest
interval, şi Meditaţia creşte. Acest lucru duce la o stare de conştienţă şi concentrare relaxată,
astfel fiind puse în evidenţă undele High Alpha şi Low Beta , care cresc. Pentru că nivelul de
Meditaţie creşte, unda High Beta scade.
În ceea ce priveşte undele Gamma, există foarte multe teorii antitetice. În general,
aceste unde sunt considerate a fi implicate în crearea unei unităţi de percepţie conştientă, ele
pornind din talamus, care face legătura cu maduva spinării, emisferele cerebrale şi trunchiul
cerebral. În cazul în care talamusul suferă o leziune, undele Gamma se opresc, iar individul
intră în comă profundă. Astfel, s-a ajuns la concluzia că acest tip de undă ar oferi răspunsul la
problema lagăturii individului cu mediul şi modul în care creierul nostru are capacitatea de a
forma interfaţa între partea cognitivă, neuroştiinţă şi filosofia a minţii.
Pe acest prim interval, în care Atenţia şi Meditaţia cresc, nivelul undelor Low Gamma
şi Mid Gamma creşte, acest lucru putând fi explicat prin creşterea nivelului de conştienţă,
într-o manieră relaxată.
În intervalul T3-T4, nivelul de Atenţie scade, iar Meditaţia creşte. Acest lucr are ca
efect creşterea nivelurilor undelor Delta şi Theta. Pentru că Atenţia scade, nivelul undei Low
Alpha va creşte, iar pentru că Meditaţia creşte şi odată cu aceasta şi relaxarea, nivelul undei
High Alpha va creşte. Deşi nivelul de relaxare creşte, concentrarea scade, ceea ce înseamnă că
undele Beta suferă o evoluţie descendentă.
În acest interval, nivelul de concentrare scade, iar cel de relaxare creşte. Acest lucru
influenţează unda Low Gamma descendent şi Mid Gamma ascendant.
În intervalul T4-T5, nivelul de Atentie continuă să scadă uşor, pe cand cel de Mediţatie
pare să ramană constant. În aceste condiţii, este de aşteptat ca parametrii să îsi continue
evoluţia din segmental de timp anterior. Dar undele Delta si Theta scad. Mai mult, scaderea
44
undei Low Alpha alaturi de creşterea complexului Beta şi a undei High Alpha sugerează o
creştere a parametrului de Atenţie. Acest lucru poate fi motivate prin apariţia unui zgomot
puţin mai acentuat pentru parametrul de Atentie.
Mai mult, scăderea undelor Gamma ar putea sugera creşterea nivelului de anxietate,
ceea ce argumentează presupunerea creşterii reale a nivelului de Atenţie.
În intervalul T6-T7, nivelul de Atenţie scade, iar Meditaţia creşte, fiind firească
creşterea nivelurilor undelor Delta şi Theta. Deşi nivelul de Atenţie scade, acesta ramane în
continuare relativ ridicat, ca urmare nivelul undei Low Alpha fiind în continuare în scădere.
Datorită creşterii nivelului de relaxare, unda High Alpha evoluează ascendant. Deşi nivelul de
relaxare este în creştere, Atenţia este diminuată, ca urmare complexul Beta fiind în scădere iar
complexul Gamma fiind în creştere.
Compromisul facut prin utilizarea metodele neparametrice din cadrul algoritmilor FFT
este legat de rezoluţia de frecvenţă, care poate fi maxim egală cu lăţimea spectrală a ferestrei
rectangulare de lungime N. Densitatea spectrală de putere este obţinută prin netezirea funcţiei
de autocovarianţă, care duce la scăderea rezoluţii de frecvenţă odată cu scaderea dispersiei
estimatorului. Experimental, densitatea spectrală de putere obtinută cu ajutorul Algoritmului
FFT cu segmentare în timp este similară cu cea obţinută cu Algoritmul FFT cu segmentare în
frecvenţă.
În cadrul lucrării experimentale, pe viitor, se pot integra senzori care sa poată capta
semnal din mai multe unghiuri. În aceste condiţii, se poate observa modul în care undele
cerebrale interacţionează între ele şi lobii în care acestea se formează. O astfel de abordare
poate oferi, pe langa semnalul de o calitate superioară, o privire de ansamblu sub forma unei
mapari tridimensionale.
46
6. Bibliografie
47
7. Anexă A: Grafice
7.1.1. Atenţie:
Fig 7.1: Grafic Atenţie în funcţie de timp Fig 7.2: Seria de timp FFT
Fig 7.3: Model ARMA pentru Atenţie Fig 7.4: Zgomot alb pentru Atenţie
Fig 7.5: Zgomot colorat pentru Atenţie Fig 7.6: Metoda Poli-zerouri
48
Fig 7.7: Densitatea spectrala a seriei de timp Fig 7.8: Goertzel pentru Atentie
Fig 7.9: Faza FFT pentru Atentie Fig 7.10: Faza Goertzel pentru Atentie
7.1.2. Meditaţie:
Fig 7.11: Grafic Meditaţie în funcţie de timp Fig 7.12: Seria de tip FFT
49
Fig 7.13: Model ARMA pentru Meditaţie Fig 7.14: Zgomot alb pentru Meditaţie
Fig 7.15: Zgomot colorat pentru Meditaţie Fig 7.16: Metoda Poli-zerouri
Fig 7.17: Densitatea spectrală a seriei de timp Figura 7.18: Goertzel pentru Meditaţie
Fig 7.19: Faza FFT pentru Meditaţie Fig 7.20: Faza Goertzel pentru Meditaţie
50
7.2. Algoritmul FFT cu segmentare în timp:
7.2.1. Atenţie:
Fig. 7.21: Grafice Atenţie in funcţie de timp Fig. 7.22: Zgomote normalizate pentru Atenţie
Fig. 7.25: Densitatea spectrală pentru Atenţie Fig. 7.26: Densitatea spectrală a filtrului
51
Fig. 7.27: Eroare spectrală pentru Atenţie Fig. 7.28: Eroare de fază pentru Atenţie
Fig. 7.29: Eroare spectrală zgomot colorat Fig. 7.30: Eroare de fază zgomot colorat
7.2.2. Meditaţie
Fig. 7.31: Grafice Meditaţie funcţie de timp Fig.7.32: Zgomote normalizate pentru
Meditaţie
52
Fig. 7.33: Metoda Poli-zerouri Fig. 7.34: Metoda Poli-zerouri cu filtrare
Fig. 7.35: Densitatea spectrală pentru Meditaţie Fig. 7.36: Densitatea spectrală a filtrului
Fig. 7.37: Eroare spectrală pentru Meditaţie Fig. 7.38: Eroare de fază pentru Meditaţie
53
Fig. 7.39: Eroare spectrală zgomot colorat Fig. 7.40: Eroare de fază zgomot colorat
54
7.3. Algoritmul FFT cu segmentare în frecvenţă:
7.3.1. Atenţie:
Fig. 7.41: Grafice Atenţie în funcţie de timp Fig. 7.42: Zgomote normalizate pentru Atenţi
55
Fig.7.47:Eroare spectrală pentru Atenţie Fig.7.48:Eroare de fază pentru Atenţie
Fig. 7.49: Eroare spectrală zgomot colorat Fig. 7.50: Eroare de fază zgomot colorat
7.3.2. Meditaţie:
Fig. 7.51: Grafice Meditaţie în funcţie de timp Fig. 7.52: Zgomote normalizate pentru
Meditaţie
56
Fig. 7.53: Metoda Poli-zerouri Fig. 7.54: Metoda Poli-zerouri cu filtrare
57
Fig. 7.59: Eroare spectrală zgomot colorat Fig. 7.60: Eroare de fază zgomot colorat
58
8. Anexă B: Cod Matlab
function y=geortzel(x)
N=length(x);
x=[x 0];
y=[];
Wf=2*pi/N;
Wk=0;
for k=1:N
v1 = 0;
vkn = 0;
for n=1:(N+1)
v2 = vkn;
vkn = 2*cos(Wk)*vkn-v1+x(n);
v1 = v2;
end
y=[y vkn-v1*exp(-j*Wk)];
Wk=Wk+Wf;
end
end
Funcţia de apelare:
function seria
%ARMA
dat=iddata(y,[],Ts);
na=13;
nc=10;
m=armax(dat,[na nc]);
eps=filter(m.a,m.c,y);
eps(1:round(na/2))=0;
yst=y-eps;
figure(3)
plot(ntime,yst); title('Model ARMA al sriei de timp');
end
N=length(y)
figure(1)
plot(ntime, y); title(label); xlabel(unit); ylabel(yunit)
figure(2)
yf=fft(y(1:N));
plot(ntime,20*log10(abs(yf))); title('Seria de timp FFT');
Ts=(ntime(2)-ntime(1));
for i=2:N-1
if (Ts>(ntime(i+1)-ntime(i)))
Ts=(ntime(i+1)-ntime(i));
end
end
%ARMA
dat=iddata(y',[],Ts);
na=13;
nc=10;
m=armax(dat,[na nc]);
eps=filter(m.a,m.c,y);
eps(1:round(na/2))=0;
yst=y-eps;
figure(3)
plot(ntime,yst); title('Model ARMA');
%Zgomotul alb
wn=wgn(N,1,1);
dat_wn=iddata(wn,[],Ts);
m_wn=armax(dat_wn,[na nc]);
eps_wn=filter(m_wn.a,m_wn.c,wn);
lambda=(eps*eps')/N;
figure(4)
plot(ntime,eps); title('Zgomotul alb')
figure(5)
plot(ntime,eps_wn); title('Zgomotul colorat')
figure(6)
zplane(m.a,m.c); title('Poli zerouri')
f=0:1/N:0.5;
h=freqz(m.a,m.c,f);
figure(7)
plot(f,abs(h)); title('Densitate spectrala a seriei de timp');
X=geortzel(y);
X=X(1:N);
figure(8)
plot(ntime,20*log10(abs(X))); title('Goertzel');
ayf=angle(yf);
figure(9)
61
plot(ntime,ayf); title('Faza FFT');
aX=angle(X);
figure(10)
plot(ntime,aX); title('Faza Goertzel');
end
n=length(x);
L=nextpow2(n);
N=2^L;
N1=2^(L-1);
if (abs(N1-n)<abs(N-n))
x=x(1:N1);
L=L-1;
else
if (abs(N1-n)>abs(N-n))
x=[x, zeros(1,(2^L)-n)];
end
end
x=bitrevorder(x);%inversarea bitilor
for l=0:L-1
lim=bitset(0,l+1);
put=bitshift(lim,1);
for m=1:lim
k=0:(bitset(0,L-l)-1);
a=x(put*k+m);
x(put*k+m)=a+exp(-j*2*pi*(m-1)/(put))*x(put*k+lim+m);
x(put*k+lim+m)=a-exp(-j*2*pi*(m-1)/(put))*x(put*k+lim+m);
end
end
end
Funcţia de apelare:
function FFT_TIMP
if nr<10
eval(['Y0' int2str(nr)])
else
eval(['Y' int2str(nr)])
end
yt=y';
%Graficul seriei de timp
hold on
figure(1)
N = length(yt) ;
subplot(3,1,1)
plot(ntime,y) ;
title('Seria de timp');
ylabel('Date masurate');
%model ARMA
Ts=(ntime(2)-ntime(1));
for i=2:ntime-1
if (Ts>(ntime(i+1)-ntime(i)))
Ts=(ntime(i+1)-ntime(i));
end
end
data=iddata(yt,[],Ts);
na=abs(round(10 + (25-10).*rand(1,1)));
nc=abs(round(10 + (25-10).*rand(1,1)));
m=armax(data,[na nc]);
err=filter(m.a,m.c,yt);
err(1:round(na/2))=0;
y1=yt-err;
lambda=err'*err/N;
subplot(3,1,2)
plot(ntime,y1);
title(['Model ARMA[' int2str(na) ',' int2str(nc) ']']);
ylabel('Date simulate');
str1(1)={'Polinomul A'};
str1(2)={''};
str1(3)={m.a};
annotation('textbox','HorizontalAlignment','center','Position', [0.05 0.10 0.3 0.8],'String',str1);
str2(1)={'Polinomul C'};
str2(2)={''};
str2(3)={m.c};
annotation('textbox','HorizontalAlignment','center','Position', [0.65 0.10 0.3 0.8],'String',str2);
str1(1)={'Polinomul A'};
str1(2)={''};
str1(3)={za_arma.a};
annotation('textbox','HorizontalAlignment','center','Position', [0.05 0.10 0.3 0.8],'String',str1);
str2(1)={'Polinomul C'};
str2(2)={''};
str2(3)={za_arma.c};
annotation('textbox','HorizontalAlignment','center','Position', [0.65 0.10 0.3 0.8],'String',str2);
plot(f,db(abs(y_psd)));
title('Densitatea spectrala de putere a seriei de timp');
xlabel('Frecventa normalizata');
ylabel('Putere spectrala [dB]');
65
%Densitatea spectrala de putere a unui zgomot colorat
za_psd=freqz(za_arma.a,za_arma.c,f);
za_psd=db(abs(za_psd));
figure(6)
plot(f,za_psd);
title('Densitatea spectrala de putere a filtrului');
xlabel('Frecventa normalizata');
ylabel('Putere spectrala [dB]');
n=length(y);
L=nextpow2(n);
N=2^L;
N1=2^(L-1);
if (abs(N1-n)<abs(N-n))
y2=y(1:N1);
else
if (abs(N1-n)>abs(N-n))
y2=[y, zeros(1,(2^L)-n)];
end
end
%Spectru FFT
a=abs(fft(y2));
a=db(a);
pause;
figure(7)
subplot(3,1,1)
plot(a);
title('Spectru FFT');
ylabel('Spectru [dB]');
%Spectru FFT_t
b=abs(FFT_t(y));
b=db(b);
subplot(3,1,2)
plot(b);
title('Spectru FFT_t');
ylabel('Spectru [dB]');
%Eroare Spectrala
subplot(3,1,3)
plot(b-a);
title('Eroare spectrala');
ylabel('Eroare [dB]');
%faza - FFT
a=fft(y2);
pause;
figure(8)
subplot(3,1,1)
plot(angle(a));
title('Faza FFT');
ylabel('Faza [rad]');
%faza - FFT_t
b=FFT_t(y);
subplot(3,1,2)
plot(angle(b));
title('Faza FFT_t');
66
ylabel('Faza [rad]');
%Eroare de faza
Y=angle(fft(y2));
subplot(3,1,3)
plot(angle(b)-Y);
title('Eroare de faza');
ylabel('Faza [rad]');
zc_fft=fft(er1);
figure(9)
subplot(3,1,1)
plot(abs(zc_dit));
title('Spectru zgomot colorat - FFT_t');
ylabel('Spectru [dB]');
subplot(3,1,2)
plot(abs(zc_fft));
title('Spectru zgomot colorat - FFT');
ylabel('Spectru [dB]');
subplot(3,1,3)
plot(abs(zc_fft)-abs(zc_dit));
title('Eroarea spectrala - zgomot colorat');
ylabel('Eroare [dB]');
n=length(x);
L=nextpow2(n);
N=2^L;
N1=2^(L-1);
if (abs(N1-n)<abs(N-n))
67
x=x(1:N1);
L=L-1;
else
if (abs(N1-n)>abs(N-n))
x=[x, zeros(1,(2^L)-n)];
end
end
for l=0:L-1
lim=bitset(0,L-l);
put=bitshift(lim,1);
for m=1:lim
k=0:(bitset(0,l+1)-1);
a=x(put*k+m);
x(put*k+m)=a+x(put*k+lim+m);
x(put*k+lim+m)=exp(-j*2*pi*(m-1)/(put))*(a-x(put*k+lim+m));
end
end
x=bitrevorder(x);
end
Funcţia de apelare:
function FFT_frecventa1
nr=input('Introduceti numarul seriei de timp: ');
if nr<10
eval(['Y0' int2str(nr)])
else
eval(['Y' int2str(nr)])
end
yt=y';
69
hold on
%Graficul seriei de timp
figure(1)
N = length(yt) ;
subplot(3,1,1)
plot(ntime,y) ;
title('Seria de timp');
ylabel('Date masurate');
%model ARMA
Ts=(ntime(2)-ntime(1));
for i=2:ntime-1
if (Ts>(ntime(i+1)-ntime(i)))
Ts=(ntime(i+1)-ntime(i));
end
end
data=iddata(yt,[],Ts);
na=abs(round(10 + (25-10).*rand(1,1)));
nc=abs(round(10 + (25-10).*rand(1,1)));
m=armax(data,[na nc]);
err=filter(m.a,m.c,yt);
err(1:round(na/2))=0;
y1=yt-err;
lambda=err'*err/N;
subplot(3,1,2)
plot(ntime,y1);
title(['Model ARMA[' int2str(na) ',' int2str(nc) ']']);
ylabel('Date simulate');
str1(1)={'Polinomul A'};
str1(2)={''};
str1(3)={m.a};
annotation('textbox','HorizontalAlignment','center','Position', [0.05 0.10 0.3 0.8],'String',str1);
str2(1)={'Polinomul C'};
str2(2)={''};
str2(3)={m.c};
annotation('textbox','HorizontalAlignment','center','Position', [0.65 0.10 0.3 0.8],'String',str2);
str1(1)={'Polinomul A'};
str1(2)={''};
str1(3)={za_arma.a};
annotation('textbox','HorizontalAlignment','center','Position', [0.05 0.10 0.3 0.8],'String',str1);
str2(1)={'Polinomul C'};
str2(2)={''};
str2(3)={za_arma.c};
annotation('textbox','HorizontalAlignment','center','Position', [0.65 0.10 0.3 0.8],'String',str2);
plot(f,db(abs(y_psd)));
title('Densitatea spectrala de putere a seriei de timp');
xlabel('Frecventa normalizata');
ylabel('Putere spectrala [dB]');
figure(6)
plot(f,za_psd);
title('Densitatea spectrala de putere a filtrului');
xlabel('Frecventa normalizata');
ylabel('Putere spectrala [dB]');
n=length(y);
L=nextpow2(n);
N=2^L;
N1=2^(L-1);
if (abs(N1-n)<abs(N-n))
y2=y(1:N1);
else
if (abs(N1-n)>abs(N-n))
y2=[y, zeros(1,(2^L)-n)];
end
end
71
%Spectru FFT
a=abs(fft(y2));
a=db(a);
pause;
figure(7)
subplot(3,1,1)
plot(a);
title('Spectru FFT');
ylabel('Spectru [dB]');
%Spectru FFT_frecventa
b=abs(FFT_frecventa(y));
b=db(b);
subplot(3,1,2)
plot(b);
title('Spectru FFT frecventa');
ylabel('Spectru [dB]');
%Eroare Spectrala
subplot(3,1,3)
plot(b-a);
title('Eroare spectrala');
ylabel('Eroare [dB]');
%faza - FFT
a=fft(y2);
pause;
figure(8)
subplot(3,1,1)
plot(angle(a));
title('Faza FFT');
ylabel('Faza [rad]');
%faza - FFT_frecventa
b=FFT_frecventa(y);
subplot(3,1,2)
plot(angle(b));
title('Faza FFT frecventa');
ylabel('Faza [rad]');
%Eroare de faza
Y=angle(fft(y2));
subplot(3,1,3)
plot(angle(b)-Y);
title('Eroare de faza');
ylabel('Faza [rad]');
zc_fft=fft(er1);
figure(9)
subplot(3,1,1)
plot(abs(zc_dit));
title('Spectru zgomot colorat - FFT frecventa');
ylabel('Spectru [dB]');
subplot(3,1,2)
plot(abs(zc_fft));
72
title('Spectru zgomot colorat - FFT');
ylabel('Spectru [dB]');
subplot(3,1,3)
plot(abs(zc_fft)-abs(zc_dit));
title('Eroarea spectrala - zgomot colorat');
ylabel('Eroare [dB]');
73