Documente Academic
Documente Profesional
Documente Cultură
Titular curs: Prof. Dr. ing. Inge Gavat Titular aplicatii: Asistent cercetare Drd. ing. Marius Cotescu
1
Fisa disciplinei
Tipul: pregatire de specialitate Numar ore curs: 28 ore Numar ore aplicatii: 14 ore Numarul de puncte de credit: 5 Semestrul: VII Pachetul: aria curriculara de specialitate
Obiectivele disciplinei
pentru curs: familiarizarea studentilor cu canalele umane de intrare: vedere, auz, simturi somatice familiarizarea studentilor cu modalitatile de intrare in calculator: tastatura, mouse, camere de luat vederi, microfoane, dispozitive de intrare 3D, Brain-Computer Interface familiarizarea studentilor cu modalitatile de iesire din calculator: vizual, acustic, haptic familiarizarea studentilor cu modalitatile de dialog om-calculator pentru aplicatii : realizarea de scenarii de aplicatii ca: intelegerea vorbirii, intelegerea audio-vizuala a vorbirii, intelegerea imaginilor
Competente specifice
Aplicarea in practica a scenariilor multimodale de comunicatie om-masina pe baza prelucrarii digitale a semnalelor audio si de imagine
Evaluarea
a) Activitatile evaluate si ponderea fiecareia: Evaluarea studentilor se face tinand cont de activitatea depusa in timpul anului (60%) si de rezultatul examenului final (40%). Activitatea depusa in timpul anului consta in activitatea in laborator (20%), sustinerea unor teste scrise neanuntate (10%) si sustinerea unui examen partial (30%). Atat examenul partial cat si cel final se sustin in scris. Se acorda un bonus de 10 puncte pentru activitati personale deosebite (program, referat, etc). Cerintele minimale pentru promovare:
prezenta la laborator; obinerea a 50 % din punctajul total; obinerea a 50 % din punctajul verificrii finale
c)
e)
Repere Metodologice
Cursul in aceasta forma este nou introdus. Se va realiza:
Un format electronic pentru notele de curs Un format electronic pentru aplicatii
Materialul se va pune la dispozitia studentilor pe site-ul titularului de curs. studentilor vor avea de asemenea acces la celelalte materiale indicate in bibliografie.
8
Bibliografia
[1] Inge Gavat: Note de curs si aplicatii [2] G. Rigoll: Mensch-Maschine-Kommunikation 1, 2, TUM, 2006-2007 [3] L. Schomaker and al: http://hwr.nici.ru.nl/~miami/taxonomy/ taxonomy.html: A Taxonomy of Multimodal Interaction in the Human Information Processing System [4]
9
Interactiunea om-calculator
Modalitati de intrare in calculator CALCULATOR Cunoastere Modalitati de iesire din calculator
Fig. 1a
10
scena
realitate calculator
captare
mediu
interactiune
imagine
prelucrare imagine
segmentare
descriere mediu
interpretare de nivel ridicat
11
Fig. 1c
12
Captarea informatiei lexical semantice si de atribuire a rolului Captarea informatiei despre categoria sintactica de cuvinte si despre structura sintactica
ti m p
13
Optica
14
Actuatori umani Tastatura Touchscreen Maus Manusa Microfon Vorbire, sunete, muzica Miscarea corpului Miscarea capului Gesturi cu mana Mimica Miscarea ochilor
Masina
Senzori umani
Modificarea pozitiei
Camera video
Video
Display Pipait
Forta de reactie
Miros
Activitatea creierului
EEG
Neural
Nervi
15
Sisteme de afisare
16
s e m n e
recunoastere
formare caracteristici
intrari senzori
semnale
actiuni
Fig.5
Cele trei nivele de performanta ale operatorilor umani dupa Rasmussen [2 ] (nivelele interactioneaza)
17
Fluxuri informationale la om
18
19
Performante I/O la om
Organul uman Ureche Ochi: citire text Ochi: intelegerea de forme Mana: Tastare Voce Pentru comparatie: ISDN Rata de date I/O (kByte/s) 8000 60000 0.030 0.370 125.000 0.010 0.025 0.003 0.015 8000 Intarzierea I/O 10 10 10 100 100
20
Smnificatia informatiei trebuie cunoscuta Utilizatorul are experienta sau trebuie antrenat Informatia trebuie sa solicite absoluta atentie
Se clarifica singura
Semnificatia nu trebuie neaparat cunocuta, rezultand singura Utilizatorul nu are experienta Cunoasterea limbii tarii nu este urgenta, rectia spontana fiind posibila
Se clarifica singura
Se clarifica singura
Utilizatorul nu are experienta Continutul trebuie inteles sigur in situatii de stres Reactia este sigura dar lenta, ritmul de lucru trebuie puternic asigurat Mai multe informatii, manualul de utilizare
Utilizatorul nu are experienta Informatia trebuie sa determine o atentie persistenta fara interferente
Utilizatorul are nevoie de experienta Oferta mare de informatie, vie, complet capabila de dialog
Utilizatorul trebuie sa reactioneze spontan si imediat Cele mai simple dar importante indicatii de utilizare
Manual de utilizare
hard copy
21
INTERFETE OM-MASINA_2
Poducerea si perceptia vorbirii Analiza de timp scurt a vorbirii Tonul fundamental Proprietatile statistice ale vorbirii Vorbirea ca sursa de informatie
1
vocalizate
s(n)
AN
t 5
presiunea pe timpan
Urechea medie
deplasarea membranei
Ferestre de analiza
Gruparea esantioanelor cuantizate ale semnalului cu ajutorul unor functii fereastra. Parametrii ferestrei: x (k) N Nf = 2k durata ferestrei Np pasul prelucrarii
q f
lot 1
lot 2
lot 3
Np
Introducerea ferestrelor
semnalul de prelucrat
Orice tip de fereastra are un spectru trece jos cu un lob principal la frecvente joase si mai multi lobi secundari atenuati diferit.
Fereastra dreptunghiulara
w(n) 1
10
11
x(n)
[x(n)]2 h(n) En
x(n)
| x(n)| h(n)
|M|n
pentru En, |M(n)| > prag fonema sonora (semnal periodic) pentru En, |M(n)|< prag fonema nesonora (impuls,zgomot)
12
pentru zn < prag fonema sonora (vocale) pentru zn > prag fonema nesonora (siflante
13
Functia de autocorelatie pentru un fragment sonor pentru Tes = 125 s si o fereastra de 50 ms.
14
x (n)) )
p n
y(n) n
Rn (k) p
15
y(x)
Rn (k) p k
16
Laplace Gauss
f(x)
Gauss
Gamma Laplace x
- 4
-2 4
17
18
Daca D = 32 si p(xi)= 1/D atunci H(x) = log D = 5 bit / litera Daca probabilitatile corespund limbii romne si sunt date in tabelele de mai jos H(x) = 4,1795 bit / litera
19
Astfel calculata valoarea entropiei limbii romne scade la 3.8 bit / litera. Daca se introduc si alte restrictii (lexicale, gramaticale), entropia scade in continuare si se poate aproxima mai bine entropia limbii romne reale catre valoarea de 3.14 bit / litera.
22
INTERFETE OM-MASINA_3
Transformarea Fourier 1
Transformarea Fourier 2
Intrare
Amplificator de intrare Filtru acordat Detector
Amplificator de iesire
Iesire la inregistrare
Semnal de acordare
Analizor cu heterodinare
6
Sonagraf
10
11
12
13
14
Calculul cepstrului real de timp scurt utiliznd transformata Fourier discret TFD.
15
T0
P = T0 /Tes
16
17
18
Histogramele frecvenelor formantice pentru vocalele /a/,/e/,/ i/, /o/, /u/ determinate prin analiza homomorfic.
Histograma frecvenelor formantice pentru vocala /a/ determinat prin analiza homomorfic.
19
20
21
Folosirea transformatei Fourier discrete de timp scurt pentru obinerea componentelor de frecven corespunztoare pentru calculul coeficienilor mel cepstrali.
Nr. benzilor critice
1148 1318 1514 1737 1995 2291 2630 3020 3467 4000
Frecvena central (Hz)
1152 1318 1514 1738 1992 2294 2627 3018 3467 4004
Lrgimea benzii critice (Hz)
118 135 155 178 204 235 269 309 355 410 9 10 11 12 13 14 15 16 17 1000 1170 1370 1600 1850 2150 2500 2900 3400 160 190 210 240 280 320 380 22 450 550
1 2 3 4 5 6 7 8
Forma de unda a cuvntului / iapa/. Evolutia coeficientilor mel-cepstrali pentru cuvntul /iapa/. 23
Traiectoria unui coeficient mel-cepstral aproximat cu un polinom de ordinul 2. Folosirea coefienilor polinomiali conduce la estimri mai netezite ( linia plina) ale derivatelor dect operaia de difereniere direct (conturul dintre puncte).
24
INTERFETE OM-MASINA_4
Modelul LPC
u(n) A(z) s(n)
daca se noteaza
Preaccentuare
M N
Segmentarea n blocuri
Analiza LPC
w(n)
Ferestruire
N N
M
M N
n acest pas semnalul preamplificat este mprit n cadre de N eantioane, cadrele adiacente fiind separate de M eantioane. Se observ c dac , atunci cadrele alturate se suprapun, iar estimaii spectrali LPC rezultai vor fi corelai din cadru n cadru dac Estimaii spectrali LPC din cadru n cadru vor varia foarte puin. Pe de alt parte, dac nu va mai aprea suprapunerea ntre cadre; de fapt o parte din semnal va fi pierdut, i corelaia ntre estimaii spectrali LPC rezultai din cadre alturate va conine o component de zgomot care va crete o dat cu M.
Schema bloc a analizei PLP Etapele analizei PLP sunt prezentate n figura alaturata. Semnalul vocal este iniial supus unei analize spectrale, folosind segmente vocale de 20ms lungime i fereastra de tip Hamming: Spectrul de putere pe termen scurt este (cu DFT):
Ferestruire
s(n).w(n) DFT P() Aliniere Burk P() Convolutie cu () () E() E() Coeficienti PLP IDFT Functia de autocorelatie Regresie
()
Efectul preaccenturii. 10
12
13
14
Se bazeaz pe codare instantanee: secvena vorbit s(n) care trebuie sintetizat este digitizat utiliznd de exemplu modulaia impulsurilor n cod (MIC), este memorat fr prelucrri suplimentare i reprodus prin citirea memoriei. Eantioanele fiecrui rspuns vocal, cuantizate cu 8 bii, ca ntr-un sistem MIC standard sunt introduse ntr-o memorie, de tip ROM de exemplu, la o anumit adres. Cu o comand de citire de la adresa respectiv de memorie, se scot pe rnd eantioanele necuantizate, iar dup trecerea lor prin filtrul de reconstrucie se obine semnalul analogic s(t), care poate fi ascultat ntrun difuzor. 15
Vocodere
Sunt sisteme de analiz-sintez, bazat pe codarea parametric a vorbirii: analizorul analizeaz secvena de vorbire s(n) din care extrage parametrii p(n) ai unui model de producere a vorbirii. Parametrii codificai p(n) pe fiecare cadru sunt utilizai pentru comanda sintetizorului n forma modelului, care astfel reconstituie secvena analizat, rezultnd o sintez dup text vorbit. Vorbirea care se obine este plcut i inteligibil, analiza i reproducerea secvenei de sintetizat fcndu-se cadru cu cadru, memoria necesar nu este mare i bineneles, este independent de lungimea textului . Memoria trebuie s fie o memorie tampon, n care s fie reinute pe cteva (23) cadre valorile parametrilor.
16
Vocoder Spectral
FTB 1 x(n) ...................................................................... dete ctor FTJ 1 Deci mare
Codor
FTB 1 ^ x(n)
FTB n
dete ctor
FTJ n
Deci mare
Codor
FTB
V/N analizor T0
Codor
com sintetizor
GT0
GZg
17
Vocoder Formantic
F1 B1
FTB 1 x(n)
Codor
decodor
FTB 1 ^ x(n)
...................................................................... Fn Bn
FTB n
Codor decodor
FTB
V/N
Codo r
com
T0
GT0
GZg
analizor
sintetizor
18
Vocoder LPC
x(n) Segmen tare d(n) T0 V/N G
Param. excitatie
Predictor
analizor
sintetizor
19
Vocoder Cepstral
x(n) TFD
log|X(k)|
c(n) TFDI
fereastra de timp
c(n)w(n)
analizor
V/N T0
^ x(n)
sintetizor
20
Performante Vocodere
Rata de bit intre 1 si 6 kBit/s Factor de compresie intre 64 si 10.6 (factorul
de compresie este raportul intre rata de Bit a MIC-audio standard si rata de Bit a vocoderului)
Vorbirea este inteligibila Calitatea vorbirii exprimata prin MOS (Mean Opinion Score) este 2, pe o scara 0..5 (La vorbirea codata MIC, MOS = 4.5)
21
22
Sintetizator formantic
Semnal vocalizat
Semnal nevocalizat
23
Sintetizator formantic
(testare)
Spectrele semnalului original i sintetic pentru un cadru al vocalei /a/ din cuvntul /ase/.
24
25
Voce brbtesc
98% 72%
Voce feminin
92% 62%
Voce de copil
88% 54%
26
INTERFETE OM-MASINA_5
Modelul Bakis
2. Inductie
3. Final
q1
1j qj
qN t
N j
t+1
7
1j qj
qN t
N j
t+1
1. Initializare
2. Inducie
t+1
10
Aceasta abordare nu duce intotdeauna la secvente optimale valide. Solutia pentru evidarea acestei situatii este data mai jos:
11
2. Recursie
3. Final
4. Backtracking
12
Folosind variabilele forward i backward, se poate scrie relatia de mai sus sub forma urmtoare:
qi
qj
t-1
t+1
t+2 13
Procesul de reestimare se opreste in momentul in care variatia parametrilor scade sub o anumita limita impusa
14
16
Arbori de decizie
17
Concluzii MMA
Avantajele MMA suport matematic foarte bun, existnd algoritmi eficieni de antrenare i de calcul al probabilitii a posteriori; bun capacitate de nvare, se pot adapta cu uurin dinamicii temporale a semnalului i nu necesit proceduri de aliniere; posibilitatea de utilizare n sistemele expert. Dezavantajele MMA necesitatea n practic a unor presupuneri asupra distribuiei probabilitilor bj(k) de emisie a simbolurilor n starea j; Ignorarea corelaiei ntre vectorii acustici succesivi; lipsa de discriminare ntre modele; modele antrenate pentru maxima potrivire cu secventa de antrenare.
18
Modele neurale
Primul strat, de intrare, acioneaz ca un buffer; Stratul 3 Stratul 2 Al doilea strat, ascuns, se comport ca un detector de caracteristici; Al treilea strat, de ieire, conine neuroni clasificatori care combin caracteristicile furnizate din stratul ascuns pentru a lua decizii de recunoatere a formelor.
Stratul 1
- este ponderea conexiunilor de la i la j; - este pragul neuronului j din stratul ascuns; - este ponderea conexiunilor de la j la k; - este pragul neuronului k din stratul de ieire. f este o funcie neliniar ( ) care poate fi de tip sigmoid sau tangent hiperbolic: 19
pasul 6: se calculeaz termenii de eroare pentru stratul de ieire; pasul 7: se calculeaz termenii de eroare pentru stratul ascuns; pasul 8: se rafineaz ponderile aferente stratului de ieire; pasul 9: se rafineaz ponderile aferente stratului ascuns; pasul 10: se calculeaz eroarea
20
21
w2,j
x1
. . . N . . . . 1
wN+1,j
F
wk,j wk+1,j
xk
. . . N
wk+N,j
22
. . .
. . .
Modele hibride
Funcionarea sistemului de recunoatere prezint dou etape: etapa de antrenare, n care sistemul i optimizeaz parametrii n vederea potrivirii ct mai bune cu cuvintele din dicionar; etapa de recunoatere, n care sistemul calculeaz probabilitile de potrivire cu modelele i determin maximul dintre acestea; probabilitatea maxim corespunde modelului, respectiv cuvntului ctigtor.
24
INTERFETE OM-MASINA - 6
Recunoasterea cuvintelor rostite izolat Sistemul de recunoasterea vorbirii continue ASRS_RL (Automatic Speech Recognition for Romanian Language)
1
2.
Antrenarea modelelor Markov Problemele de baz ale modelelor ascunse (MMA)- 2 Markov ascunse (MMA)
3. Reestimarea parametrilor matricilor , A, B pentru cuvantul TREI
x n-c
xn-1
xn
xn+1
xn+c
10
11
12
aa
13
14
15
16
Programul ASRS_RL
Are aplicatiile construite pe toolkit-urile: HTK bazat pe MMA pentru recunoasterea vorbirii continue NICO bazat pe retele neurale pentru recunoasterea fonemelor VOICEBOX bazat pe modele hibride pentru recunoasterea cuvintelor izolate Aplicatiile sunt accesate printr-o interfata prietenoasa cu utilizatorul, care nu trebuie s cunoasc sintaxa acestor tool-uri. Pentru buna functionare a interfetei mai sunt necesare: Microsoft Word, Acrobat Reader orice program de navigare pe Internet implementat pentru Windows.
17
Optiunile programului
HMM > Hidden Markov Models
Vowel Recognition Digit Recognition Utterance Recognition
Speech Analysis >methods Markov Models > theory Artificial Neural Networks > theory Manuals
HTK NICO VOICEBOX SAMPA
Future in ASR 18
19
20
21
22
23
24
formeaz
nou
. . .
Bizonov a
sun
Zuzana
Dumitru
telefoneaz
. . . .
Eliza
Dumitru
Octavian
25
unde:
coeficieni mel-cepstrali, coeficieni LPC, coeficienii de reflexie, coeficienii delta, coeficienii delta delta.
26
Rata de recunoatere MFCC_D_A 60,19% 31,25% 85,69% 55% LPC 25,42% 6,25% 52,28% 11,25% PLP 48,44% 20% 79,86% 46,25%
Rata de recunoastere MFCC_D_A 67,39% 30% 89,45% 57,50% LPC 33,09% 12,5% 63,55% 33,75% PLP 40,29% 22,50% 62,35% 30%
parametrizare fr energie, 12 coeficieni, scala MEL; antrenare: tipul ecuaiei - tangent hiperbolic, numrul de neuroni din stratul intermediar 100. numrul de epoci - 100, rata de nvare - 0,9, eroarea - 10 -5
28
29
Notiuni de baza despre vedere Notiuni de baza privind reprezentarea imaginilor in vederea prelucrarii lor Teoria informatiei in prelucrarea imaginilor
1
Tipuri de imagini
Dupa natura radiatiei incidente: Optice, obtinute, in lumina vizibila, de obicei cu camere de luat vederi: - fixe pentru fotografiat - mobile pentru tv, cinema, sateliti. Radar, obtinute din unda radio reflectata de obstacole Radiologice, pentru medicina, defectoscopie: - Raze X - Rezonanta magnetica nucleara - Ultrasunete (Ecografie) Dupa numarul de dimensiuni al spatiului de reprezentare: Imagini 2D, plane, cazul uzual Imagini 3D, Spatiale, in dezvoltare Dupa culoare: Imagini alb-negru - binare - cu nivele de gri Imagini color
Modelarea imaginilor
Modelare perceptiva care tine cont de marimi percepute vizual ca: luminozitatea, contrastul, repartizarea spatio-temporala a a culorilor si obiectelor Modelare locala realizata prin prelucrari standard ca: esantionarea si reconstructia semnalului, cuantizarea sa, analiza (modelarea) spectrala prin transformarea Fourier si alte transformari ortogonale unitare Modelare ierarhica inteligenta, cu metode ale inteligentei computationale bazate pe invatare si adaptare la nivel de pixel, clasa, scena.
3
Prelucrarea imaginilor
Prelucrarea la nivel de pixel presupune determinarea pentru fiecare pixel a caracteristicilor spectrale, de textura si geometrice, formand un vector de trasaturi. Prin algoritmi de clasificare (clustering),pixelii cu caracteristici asemanatoare pot fi grupati in clase (clustere), carora adesea li se poate atribui o semnificatie, o semantica. Numarul de clase dintr-o imagine determina complexitatea ei. Prin algoritmi de segmentare se determina contururile obiectelor dintr-o scena Interpretarea scenei consta in delimitarea obiectelor din scena, stabilirea relatiilor spatiale si ierarhice dintre ele si valorizarea lor (exemplu)
4
Histograme
Image change
tsunami
Sourse (emission)
[X]
channel
[Y]
User (reception)
Masuri informationale
Divergenta Kullback-Leibler de ordin1 Divergenta Jeffries de ordin 1 Divergenta Kullback-Leibler de ordin2 Divergenta Jeffries de ordin 2
10x10 pixel
20x20 pixel
30x30 pixel
xy = 5x5 pixel
10x10 pixel
20x20 pixel
10
K este numarul de clase Ni este numarul de pixeli din clasa I m este numarul de dimensiuni al vectorului de caracteristici
11
Teoria rata-distorsiune
Eroarea de clasificare reprezinta distorsiunea cu care poate fi reconstruita imaginea Numarul de clase reprezinta rata de bit a codarii; curbe distorsiune/rata sunt date mai jos pentru figura alturata:
12
Exemplu de calcul D si H
D KL ( I
k
p ( i / I k ) log
i
p ( i / I k ) q ( i ) q ( 3 ) = 1 12 1 3 ; D KL ( I
k
caz 1 : caz 2 : D KL ( I
)
i = 3;
p ( 3 / I k ) = 1;
) max
= 1 log 2 ;
1
2
1 / 12
= log 1 ;
5 = 3 ,5 q ( 4 ) = 1
H min = 0
caz 3 :
3 12 12 1 1/3 2 2/3 = log 2 + log 2 = 0 ,66 + 2 = 2 ,66 - log 2 = 0 .9 H = - log 2 3 1 / 12 3 1 / 12 3 1/1 3 1 /1 i == 1 , 2 , 3 , 4 , 5 p ( 1 / I k ) = 1 / 6 ; p ( 2 / I k ) = 1 / 6; p ( 3 / I k ) = 1 / 6 ; 1 1/3 2 2 /3 p ( 5 / I k ) = 1 / 6; 1/ 6
2
i = 1, 2 , 3 , 4 , 5
p ( 2 / I k ) =
p( 4 / I k ) =
q( 2 ) =
p i = 1;
1/3
q (1 ) =
1 12
q ( 2 ) =
1 12
q( 3 ) =
1 12
q ( 4 ) =
1 12
q ( 5 ) =
1 12
.....
qi = 1
= 4
1 6
log
1 / 12 1 / 12
1 3
log
1 / 12
= 0 , 66 + 0 , 66 = 1,32
H = 1 . 7 + 0 . 52 = 2 . 2
1 / 12
= 0
H max = 12
1 12
log
1
2
12
= 3 .5
Log2N
H D C=HD
13
Dependenta rata-distorsiune
1 cluster: media pixeli: (1+2+3+4)/4 = 10/4 = 2.5 MSE1 = 2 clustere: (1, 2) si (3, 4) cu mediile 1.5 si 3.5 MSE21 = MSE22 = 3 clustere: (1), (2, 3) si (4) cu mediile 1, 2.5, 4 MSE31 = 0 MSE32 = MSE31 = 0 4 clustere: (1), (2), (3), (4) MSE4 = 0
MSE
1 cluster: media pixeli: (2+3)/2 = 2.5 MSE1 = 2 clustere: (2) si (3) cu mediile 2 si 3
14
a) Lobii creierului uman: frontal, parietal, occipital si temporal. Adancitura centrala (sulcus centralis) separa lobii frontal si parietal. b) Corespondenta intre partile corpului si cortexul motoric/somatosenzoric
2
Electroencefalografia (EEG)
Anihilarea radiatiei
Reconstructia imaginii
Algoritm de translatie
Comenzi dispozitive
Reactii la utilizator
Subiect
Aplicarea reactiei
Reactia vizuala
C. Potentiale evocate, produse de stimuli (EP sau ERP) E. Semnale perturbatoare in EEG
EOG (Electrooculograma) EMG (Electromiograma)
Preprocesarea semnalelor pentru EEG 10
a) Exemplu de detectie: se dau EEG si iesirea filtrului invers pentru artefacte EMG minore (sus) si majore (jos) eliminare a EOG: se dau semnalul EEG (sus), semnalul EOG (mijloc) si semnalul EEG corectat (jos)
b) Exemple de
11
Densitati spectrale de putere pentru trei subiecti s1, s2, s3 pentru 4 tipuri de miscari (mana dreapta, mana stanga, picior, limba)
12
13
16
17
Unde: S(k) este un vector de dimensiune N, reprezentand esantionul k e(k) este vectorul eroare N-dimensional, la momentul k M(l) pentru l = 1p sunt matrici de dimensiune NXN ai caror coeficienti sunt numiti coeficienti de predictie multivariabili (MVAR). Ei se determina printr-o metoda de minimizare a erorii medii patratice
18
AS (,) este functia de ambiguitate a semnalului S(t). Cu ajutorul componenetelor Amn (,) si cu functiile Kernel arbitrare mn se pot determina functiile caracteristice MS
19
20
Protezarea neurala
Se face cu dispozitive implantabile cu scopul de a inlocui sau imbunatati functia unui anumit aspect al sistemului nervos central: proteze senzorice
proteze vizuale proteze auditive proteze pentru inhibarea durerii
proteze motorice
implant pentru controlul constient al miscarii implant pentru controlul vezicii urinare
proteze senzo-motorice (cu implant de electrozi direct in fibrele nervului median) proteze cognitive (permite restaurarea functiei cognitive prin inlocuirea printr-un chip a portiunilor din creier afectate de paralizie, traume sa boli prin protezarea partii din creier (hippocampus) responsabila cu formarea amintirilor.
3
Proteze auditive
Partea externa are un microfon, un procesor de vorbire si un emitator Partea interna are un receptor si un stimulator plasate in osul aflat imediat sub piele (care converteste semnalele in impulsuri electrice si le transmite printr-un conductor intern la electrozi) si un camp de 22 electrozi situat langa cochlee care trimite impulsurile la nervii din scala tympani si apoi la creier prin nervul auditiv.
Proteze motorice
Proteza completa de brat cu posibilitate de miscare din cot si incheietura mainii. Proteza este comandate de semnalele cerebrale ale unei maimute
Proteze motorice
10
11
13