slide1
Download
Skip this Video
Download Presentation
Επεξεργασία εγκεφαλογραφήματος για τη μελέτη της μουσικής προτίμησης

Loading in 2 Seconds...

play fullscreen
1 / 44

Επεξεργασία εγκεφαλογραφήματος για τη μελέτη της μουσικής προτίμησης - PowerPoint PPT Presentation


  • 137 Views
  • Uploaded on

Επεξεργασία εγκεφαλογραφήματος για τη μελέτη της μουσικής προτίμησης. Επεξεργασία Σήματος ΠΡΟΜΕΣΙΠ 2011. Γκόντρα Πολυξένη Τσιλιγκύρη Αλεξάνδρα Χειμαριώτης Άρης. Στόχος.

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about ' Επεξεργασία εγκεφαλογραφήματος για τη μελέτη της μουσικής προτίμησης' - jovan


An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
slide1
Επεξεργασία εγκεφαλογραφήματος για τη μελέτη της μουσικής προτίμησης

Επεξεργασία ΣήματοςΠΡΟΜΕΣΙΠ 2011

Γκόντρα Πολυξένη Τσιλιγκύρη ΑλεξάνδραΧειμαριώτης Άρης

slide2
Στόχος
  • Η μελέτη των μουσικών προτιμήσεων μέσω της στατιστικής ανάλυσης χαρακτηριστικών στοιχείων των εγκεφαλογραφημάτων (EEG) 9 συμμετεχόντων σε πείραματα που διεξήχθηκαν:
    • Εύρεση ομοιοτήτων και διαφορών ανάλογα με διαφορετικές συνθήκες των πειραμάτων: αρεστά, μη αρεστά, θόρυβος δεδομένου του επιπέδου της εξοικείωσης
slide3
Πειραματικό πρωτόκολλο (1)
  • Ακρόαση 75 ηχητικών αποσπασμάτων (επαναλήψεις)
    • 60 από μουσικά κομμάτια από 4 είδη μουσικής
    • 15 λευκός θόρυβος
  • Ερωτηματολόγιο μετά το πέρας του πειράματος σχετικά με
    • πόσο άρεσε στους συμμετέχοντες κάθε απόσπασμα [(5) Πολύ, (4) Αρκετά, (3) Μέτρια, (2) Λίγο, (1) Καθόλου]
    • πόσο εξοικειωμένοι ήταν με το κάθε απόσπασμα [(5) Πολύ, (4) Αρκετά, (3) Μέτρια, (2) Λίγο, (1) Καθόλου]
  • 14 μονοπολικά κανάλια καταγραφής τοποθετημένα συμμετρικά στο αριστερό και δεξί ημισφαίριο του εγκεφάλου
slide4
Πειραματικό πρωτόκολλο (2)
  • Κάθε επανάληψη του πειράματος διήρκησε 25,5 sec και συνίσταται από:
    • 0 – 3 sec: χαλάρωση
    • 3 sec: εμφανίζεται ένας σταυρός στο κέντρο της οθόνης και παραμένει εκεί μέχρι το 19,5 sec.
    • 3,5 – 4 sec: τόνος που δηλώνει την έναρξη του μουσικού κομματιού
    • 4 – 19 sec: ηχητικό απόσπασμα
    • 19 – 19,5 sec: τόνος που δηλώνει το τέλος του ηχητικού αποσπάσματος
    • 19,5 – 25,5 sec : ερωτηματολόγιο
slide5
Δεδομένα
  • Τα διαθέσιμα EEG σήματα προέρχονται
      • από 9 συμμετέχοντες στο πείραμα
      • από 4 από τα 14 διαθέσιμα κανάλια καταγραφής: 1 – AF3, 2 – F3 (αριστερό εγκεφαλικό ημισφαίριο) και 3 – F4, 4 – AF4 (δεξί εγκεφαλικό ημισφαίριο)
      • από 5 διαφορετικές συνθήκες πειραμάτων

και είναι διάρκειας:

      • 15 sec -> 15 sec × 128 δείγματα/sec =
      • 1920 δείγματα
      • όπου 128 είναι η συχνότητα δειγματοληψίας του εγκεφαλογραφήματος
slide6
Συνθήκες πειραμάτων
  • 5 κατηγορίες: Ακρόαση μουσικών κομματιών για τα οποία οι συμμετέχοντες απάντησαν ό,τι
      • Τους άρεσαν [(5) Πολύ, (4) Αρκετά] και τα γνώριζαν [(5) Πολύ, (4) Αρκετά] (dLF)
      • Τους άρεσαν [(5) Πολύ, (4) Αρκετά] και δεν τα γνώριζαν [(3) Μέτρια, (2) Λίγο, (1) Καθόλου] (dLUF )
      • Δεν τους άρεσαν [(3) Μέτρια, (2) Λίγο, (1) Καθόλου] και τα γνώριζαν [(5) Πολύ, (4) Αρκετά] (dDF )
      • Δεν τους άρεσαν [(3) Μέτρια, (2) Λίγο, (1) Καθόλου] και δεν τα γνώριζαν [(3) Μέτρια, (2) Λίγο, (1) Καθόλου] (dDUF )
      • Διαστήματα ακρόασης λευκού θορύβου (dN )
slide7
Επιμέρους βήματα
  • Φιλτράρισμα των σημάτων σε 4 ζώνες με χρήση ζωνοπερατών φίλτρων
  • Υπολογισμός spectrogramανά σήμα και ανά κανάλι
  • Υπολογισμός μέσου όρου spectogramγια τις 5 διαφορετικές κατηγορίες EEG (dLF, dLUF, dDF, dDUF και dN)
  • Έυρεση τιμών της μέγιστης κορυφής, οι αντίστοιχες θέσεις τους στο επίπεδο της συχνότητας και οι τιμές της φάσης για κάθε μέσο spectrogram
  • Οι χρονικές διάρκειες κατά τις οποίες το πλάτος του μέσου spectrogram ξεπερνά το 30% του εκάστοτε μεγίστου
  • Στατιστική ανάλυση

***Η υλοποίηση όλων των βημάτων έγινε με ανάπτυξη

αντίστοιχων συναρτήσεων στο MATLAB

butterworth
Φιλτράρισμα με φίλτρο Butterworth
  • Φιλτράρισμα σε 4 ζώνες:
      • Alpha (8-12.5 Hz)
      • Beta1 (13-18 Hz)
      • Beta2 (18.5-24 Hz)
      • Beta3 (24.5-31.5 Hz)
  • Χρησιμοποιήθηκε Butterworth 3ης τάξης
      • Όσο αυξάνεται η τάξη τόσο η καμπύλη απόκρισης γίνεται επίπεδη και πλησιάζει του ιδανικού κατωδιαβατού/ανωδιανατού
slide9
Αφαίρεση μη ωφέλιμων μετρήσεων
  • Mετρήσεις με παρουσία κρουστικού θορύβου :
    • Ο κρουστικός θόρυβος προκαλεί μεγάλες διαταραχές στο πλάτος του σήματος, σύντομης χρονικής διάρκειας αλλά μεγάλου πλάτους με τη μορφή οξείας αιχμής
    • Στην περίπτωσή μας μετρήσεις με πλάτος >400 mV θεωρήθηκαν ως μη ωφέλιμες και το αντίστοιχο σήμα αφαιρέθηκε από τα δεδομένα προς ανάλυση.
  • Αφαίρεση με χρήση EEGLAB (eegthresh)
spectrogram
Spectrogram
  • Υπολογίστηκε ως εξής:
  • Short- time Fourier transform.
  • Χωρισμός σήματος σε 8 χρονικά διαστήματα.
  • Παράθυρο Hamming
  • 50% επικάλυψη γειτονικών χρονικών διαστημάτων.
  • 257 συχνότητες.
spectograms
Μέσος όρος Spectograms
  • Ο υπολογισμός του φασματογραφήματος έγινε για όλες τις κατηγορίες, όλες τις ζώνες συχνοτήτων και όλα τα διαθέσιμα κανάλια καταγραφής. Στη συνέχεια, για κάθε μία από τις 5 κατηγορίες (DUF, DF, LUF, LF, N) υπολογίστηκε το μέσο φασματογράφημα για δεδομένη ζώνη συχνοτήτων και κανάλι καταγραφής. Έτσι λοιπόν προέκυψαν 5 πίνακες διάστασης 257 x 8 x 4 x 4
30 spectrogram
30% Spectrogram
  • Εκτός από την κορυφή του κάθε spectrogram υπολογίστηκαν και οι χρονικές και συχνοτικές περιοχές όπου το πλάτος του spectrogram ήταν πάνω από το 30% του μέγιστου πλάτους.
slide22
Στατιστική ανάλυση
  • Χρήση μη-παραμετρικών τεστ για εύρεση ανεξαρτησίας (διαφορών) - Wilcoxon και μη ανεξαρτησίας (ομοιότητες) – Spearman.
  • Χρήση ταξινομητώνnaive Bayes, SVM, k-Nearest Neighbor για εκτίμησηομοιοτήτων.
slide23
Μη παραμετρικά τεστ
  • Με τους ελέγχους στατιστικής σημαντικότητας ελέγχεται αν μπορεί να απορριφθεί μια μηδενική υπόθεση (null hypothesis) ή όχι.
  • Η μηδενική υπόθεση απορρίπτεται ανάλογαμε το παρατηρούμενο στατιστικό επίπεδο σημαντικότητας
    • ρ<=0.05 η μηδενική υπόθεση απορρίπτεται
    • ρ>0.05 δεν μπορούμε να εξάγουμε κάποιο στατιστικώς σημαντικό συμπέρασμα
  • Όταν κάνουμε έναν έλεγχο υπόθεσης χωρίς να υποθέτουμε ότι τα δεδομένα ακολουθούν κάποια γνωστή κατανομή (π.χ. κανονική), χρησιμοποιούμε μη παραμετρική στατιστική.
wilcoxon test 1 2
WilcoxonTest (1/2)
  • Mη παραμετρική μέθοδος για την εύρεση διαφορών που εμφανίζονται στις διαφορετικές συνθήκες των πειραμάτων (αρεστά, μη αρεστά, θόρυβος δεδομένου του επιπέδου της εξοικείωσης).
    • Wilcoxon rank sum test
      • Μηδενική υπόθεση υπό έλεγχο: τα δεδομένα υπό σύγκριση (Χ,Υ) είναι ανεξάρτητα δείγματα από όμοιες συνεχείς κατανομές με ίσες διαμέσους, έναντι της εναλλακτικής ότι δεν έχουν ίσες διαμέσους
      • X και Y μπορούν να έχουν διαφορετικά μήκη
    • Signed rank test
      • Τα δεδομένα Χ, Υ προέρχομαι από μια συνεχή, συμμετρική κατανομή με μηδενική διάμεσο, έναντι της εναλλακτικής ότι η κατανομή δεν έχει μηδενική διαμέσο
      • X και Y δεν μπορούν να έχουν διαφορετικά μήκη
wilcoxon test 2 2
Wilcoxon Test (2/2)
  • Ζεύγη συγκρίσεων:
  • LF-LUF LF-DF LF-DUF LF-N DF-DUF DF-LUF DF-NLUF-DUF LUF-N DUF-N
  • Σύγκριση για κάθε ζεύγος
    • Signed Rank test: Τιμών, συχνοτήτων και φάσεων στο μέγιστο του spectogram ανά ζώνη συχνοτήτων & ανεξαρτήτως αυτών (150 συγκρίσεις).
    • Wilcoxon Rank Sum test: Τιμών άνω του 30% της μέγιστης κορυφής και των αντίστοιχων χρονικών διαστημάτων ανά ζώνη συχνοτήτων ανεξαρτήτως καναλιού & ανά ζώνη συχνοτήτων και ανά κανάλι(400 συγκρίσεις).
slide26
Αποτελέσματα (1/2)
  • Η μηδενική υπόθεση απορρίφθηκε (p<=0.05) στην περίπτωση αναμενόμενων διαφορών είτε έδωσε συμπεράσματα που δεν μπορούσαν να ερμηνευτούν.
  • Είτε τα χαρακτηριστικά που επιλέχθηκαν να μελετηθούν δεν ήταν κατάλληλα για τα δεδομένα μας είτε το Wilcoxon test δεν είναι η κατάλληλη στατιστική μέθοδος για το πρόβλημα μας
slide27
Αποτελέσματα (2/2)
  • Περιπτώσεις απόρριψης της μηδενικής υπόθεσης

Όταν δεν λαμβάνουμε υπόψην

Τη ζώνη συχνοτήτων για τις μέγιστες

Τιμές βλέπουμε διαφορές για όλα τα ζεύγη!!!!

spearman 1 2
Spearman (1/2)
  • Μη παραμετρική μέθοδος για την εύρεση ομοιοτήτων που εμφανίζονται στις διαφορετικές συνθήκες των πειραμάτων (αρεστά, μη αρεστά, θόρυβος δεδομένου του επιπέδου της εξοικείωσης)
    • Μηδενική υπόθεση: Τα δεδομένα Χ, Υ δεν παρουσιάζουν συσχέτιση.
    • Ευρέως γνωστός ως δείκτης συνάφειας και χρησιμοποιείται για την μελέτη του είδους και του μεγέθους της γραμμικής σχέσης δεδομένων Χ, Υ.
    • Τιμές από -1 έως +1.
spearman 1 21
Spearman (1/2)
  • Ζεύγη συγκρίσεων:
  • LF-LUF LF-DF LF-DUF LF-N DF-DUF DF-LUF DF-NLUF-DUF LUF-N DUF-N
  • Σύγκριση για κάθε ζεύγος
    • Τιμών της μέγιστης κορυφής στα μέσα spectrogram, των αντίστοιχων συχνοτήτων και φάσεων ανά ζώνη συχνοτήτων (120 περιπτώσεις)
slide30
Αποτελέσματα (1/2)
  • Παντού το επίπεδο σημαντικότητας >0.05
    • Η μέθοδος δεν είναι κατάλληλη για την μελέτη συσχετίσεων στα δεδομένα μας είτε η επιλογή των χαρακτηριστικών δεν ήταν κατάλληλη

Spearman Correlation Coefficients

Ζώνη Alpha (8-12.5 Hz)

Spearman Correlation Coefficients

Ζώνη Beta1 (13-18 Hz)

slide31
Αποτελέσματα (2/2)

Spearman Correlation Coefficients

Ζώνη Beta2 (18.5-24 Hz)

Spearman Correlation Coefficients

Beta3 (24.5 – 31.5 Hz)

slide32
Ταξινομητές (1/2)
  • Με χρήση naiveBayesianclassifiers και nearestneighborclassifiers, μελετήθηκε η δυνατότητα ταξινόμησης μεταξύ
    • των 5 γνωστών κατηγοριών: DUF, DF, LUF, LF, N.
    • των 3 κατηγοριών: Μη αρεστό, Αρεστό, Λευκός Θόρυβος.
      • Στην κατηγορία «Μη αρεστό» συγχωνεύτηκαν οι κατηγορίες DUF και DF ενώ στην κατηγορία «Αρεστό» συγχωνεύτηκαν οι κατηγορίες LUF και LF.
slide33
Ταξινομητές (2/2)
  • Δημιουργήθηκαν 672 διανύσματα χαρακτηριστικών (featurevectors)
  • Με cross validation το σύνολο των 672 διανυσμάτων χαρακτηριστικών χωρίζονται σε 10 κατηγορίες
      • 9 κατηγορίες χρησιμοποιούνται για την εκπαίδευση του ταξινομητή και η 10η κατηγορία για τη δοκιμή του
      • H διαδικασία επαναλαμβάνεται 10x10 φορές ώστε να συμπεριληφθηθούν όλες οι κατηγορίες για training & testing
  • Οι ταξινομητές εκτιμήθηκαν με βάση τους συντελεστές σωστής και λάθος ταξινόμησης (correctRate και errorRate).
naive bayesian
Naive Bayesian Ταξινόμηση
  • Το διάνυσμα χαρακτηριστικών λαμβάνεται ως ανεξάρτητη, των υπολοίπων χαρακτηριστικών, μεταβλητή-> διακρίνουσα ανάλυση (discriminantanalysis)
  • Διακρίνουσας συνάρτηση που χρησιμοποιήθηκε
    • diagquadratic
slide35
Ταξινόμηση σε 5 ομάδες

Συντελεστής λάθους > από τον συντελεστή τυχαιότητας (>50%)

οι 5 κατηγορίες δεν μπορούν να διακριθούν μεταξύ τους με τα διαθέσιμα δεδομένα και με χρήση του naiveBayesian μοντέλου.

Ταξινόμηση σε 3 ομάδες

Καλύτερος συντελεστής λάθους σε σχέση με εκείνον για 5 ομάδες αλλά κα πάλι υψηλός (>50%)

Μη αποτελεσματικός ταξινομητής

Αποτελέσματα
slide36
Ταξινόμηση k-Κοντινότερων Γειτόνων
  • Το αντικείμενο ταξινομείται σε μία από τις υποψήφιες κλάσεις με βάση την πλειοψηφία των γνωστών αντικειμένων που βρίσκονται στην k- γειτονία του
    • Για τα δεδομένα μας k=300 μετά από δοκιμές testanderror
slide37
Αποτελέσματα
  • Ταξινόμηση σε 5 ομάδες
    • Συντελεστής λάθους υψηλή
      • οι 5 κατηγορίες δεν μπορούν να διακριθούν μεταξύ τους με τα διαθέσιμα δεδομένα και με χρήση του k-κοντινότερων γειτόνων
  • Ταξινόμηση σε 3 ομάδες
    • Καλύτερος συντελεστής λάθους σε σχέση με εκείνον για 5 ομάδες αλλά κα πάλι υψηλός
      • Μη αποτελεσματικός ταξινομητής
support vector machine
Ταξινόμηση με Support Vector Machine
  • Χρησιμοποιείται για να διαπιστωθούν διαφορές και ομοιότητες στα εγκεφαλογραφήματα δύο ομάδων πειραμάτων (DUF-DF, DUF-LUF, DUF-LF, DUF-N, DF-LF, DF-LUF, LF-LUF, DF-N, LF-N)
slide39
Αποτελέσματα (1/2)
  • Αρεστό – Γνωστό (LF) :
    • Μέτρια ταξινόμηση (~30% μέσο σφάλμα) με τις ομάδες LUF και DUF
    • Χειρότερη(~40% σφάλμα) με τις ομάδες DF-N.
  • Αρεστό – Άγνωστο (LUF):
    • Kατά σειρά, γίνεται καλύτερη ταξινόμηση με τις ομάδες DUF, DF, N , LF .
    • Μεγαλύτερη διαφορά στα χαρακτηριστικά παρατηρείται με την ομάδα DUF και μικρότερη με την ομάδα LF.
  • Μη αρεστό – Γνωστό (DF):
    • Καλύτερη ταξινόμηση με την ομάδα LUF , μέτρια με την ομάδα LF
    • χειρότερη με τις ομάδες DUF,N
      • Μεγαλύτερες διαφορές με τις ομάδες LUF,LF και μικρότερες με τις DUF,N.
slide40
Αποτελέσματα (2/2)
  • Μη αρεστό – Άγνωστο (DUF):
    • Καλύτερη ταξινόμηση με την ομάδα LUF, μέτρια με την ομάδα LF και χειρότερη με τις ομάδες DF,N
      • Μεγαλύτερες διαφορές με τις ομάδες LUF,LF και μικρότερες με τις DF,N.
  • Λευκός Θόρυβος (Ν):
    • Καλύτερη ταξινόμηση με την ομάδα LUF και έπειτα με την DUF.
    • Πολύ κακή(~45%) με τις LF , DF.
slide41
Συμπεράσματα (1/2)
  • Η χρήση μη παραμετρικών τεστ δεν μπορεί να οδηγήσει σε συμπεράσματα σε σχέση με ομοιότητες και διαφορές μεταξύ διαφορετικών συνθηκών του πειράματος
    • Χαμηλό επίπεδο σημαντικότητας p>0.05
  • Η χρήση naiveBayesianclassifiers και nearestneighborclassifiers για ταξινόμηση δεν είναι αποτελεσματική
    • Υψηλοί συντελεστές σφάλματος
slide42
Συμπεράσματα (2/2)
  • Με χρήση SVM, υπάρχει η δυνατότητα αν δοθεί ένα EEG ατόμου που ακροάστηκε ένα μουσικό κομμάτι να διαπιστωθεί με μεγάλη αξιοπιστία:
    • Ότι ήταν άγνωστο το κομμάτι και είτε του άρεσε είτε δεν του άρεσε.
    • Ότι ήταν άγνωστο το κομμάτι και του άρεσε ή ότι ήταν γνωστό και δεν του άρεσε.
    • Ότι του άρεσε ένα άγνωστο μουσικό κομμάτι ή ότι άκουσε ένα απόσπασμα λευκού θορύβου.
slide43
Μελλοντικές Επεκτάσεις
  • Χρήση διαφορετικών χαρακτηριστικών από τα EEGs.
  • Χρήση στατιστικής ανώτερης τάξης, όπως
    • κυρτότητα ή σωρείτες του φασματογραφήματος
ad