ELABORAZIONE DI SEGNALI BIOLOGICI

5 febbraio 2013

Esercizio 1. (punti 6) 512 campioni di un segnale elettroencefalografico sono contenuti nel vettore
eeg(n). Su tali campioni vengono stimati i parametri di un modello AR di ordine 7, risolvendo le equazioni
di Yule Walker. Indicati con ai i valori stimati per i parametri del modello, e con sigma la stima della
varianza del rumore di ingresso, si consideri il segnale r(n) cos definito
7
r (n ) = eeg(n ) + a i eeg(n i)
i =1
a) si spieghi qual il significato del segnale r
b) si illustri il suo impiego per la validazione del modello AR di ordine 7
c) se sigma pari a 100 e il rumore di ingresso al modello supposto gaussiano, corretto affermare
che gran parte dei valori del rumore di ingresso sono inferiori a 10? Giustificare la risposta.

Esercizio 2. (punti 6) Un sistema lineare invariante alla traslazione ha la seguente funzione di

trasferimento:
(1 + bz 1 )
H(z) =
(1 + az 1 )
a. Scrivere lequazione alle differenze che realizza il sistema
b. dire per quali valori dei parametri a e b il sistema stabile, giustificando la risposta
c. dire per quali valori dei parametri a e b il sistema FIR, giustificando la risposta
d. dire per quali valori dei parametri a e b il sistema IIR, giustificando la risposta
e. fissati a=0.9, b=1, disegnare qualitativamente la risposta in frequenza del filtro e commentare su un
possibile uso di questo filtro, nellambito dellelaborazione di un segnale EEG campionato a 100Hz.

Esercizio 3. (punti 4) In figura sono riportate le serie temporali relative a 100 potenziali pi(t), i=1100
evocati da stimoli cognitivi successivi. Si pensa di interpretare tali segnali come realizzazioni di un processo
aleatorio.

.
a. Si pu considerare tale processo come stazionario ed ergodico?
b. Scrivere le formule per la stima della media, della deviazione standard e della autocorrelazione del
processo

Esercizio 4. (punti 4) Si consideri un problema di classificazione, con tre classi w1, w2 e w3 e un vettore di
parametri di dimensione 2.
a. descrivere le conoscenze a priori necessarie per definire le funzioni discriminanti e la regola di
classificazione, per il classificatore a errore minimo
b. Qual il ruolo del training set?
c. Di quali informazioni aggiuntive necessario disporre per definire le funzioni discriminanti di un
classificatore a rischio minimo?
 SOLUZIONI

Esercizio 1.
a) r(n) rappresenta la sequenza dellerrore di predizione, pari alla differenza tra i dati (EEG) e le predizioni
ad un passo, definite sulla base del modello AR(7)

b) Trasformata lequazione data alle trasformate zeta si ottiene

7 1
R ( z ) = 1 + a i z i EEG ( z ) = EEG ( z )
i =1 H (z)
dove H(z) la funzione di trasferimento del modello AR(7). Pertanto EEG(z)=H(z)R(z) Confrontando
tale equazione con quella del modello: Y(z)=H(z)U(z) dove U(z) la ZT del rumore bianco in ingresso al
modello AR, si deduce che, se il modello y una rappresentazione adeguata del segnale EEG, allora
lerrore di predizione r(n) approssima una realizzazione di rumore bianco u(n). Pertanto si valuta la
bonta del modello verificando la bianchezza dellerrore di predizione. Un test spesso usato e il test di
Anderson
c) Essendo il rumore gaussiano con SD(stimata)=10, il 68% dei suoi valori sar compreso tra -10 e +10,
quindi (100-68)/2=16% sar superiore a 10 e (100-16)=84% inferiore a 10.

Esercizio 2.
a) y(n)=-ay(n-1)+x(n)+bx(n-1)
b) Stabile se |a|<1 oppure a=b, con b qualsiasi
c) FIR se a=0 oppure a=b, con b qualsiasi
d) IIR se a0 e ab

e) questo filtro di tipo notch. Avendo uno zero a , che corrisponde a met della frequenza di
campionamento, potrebbe essere utilizzato per eliminare selettivamente linterferenza a 50 Hz. Avendo
un guadagno superiore a 1 e una fase non lineare, modifica per anche il segnale ECG

Esercizio 3.
a) Il processo non sembra essere stazionario ( e quindi nemmeno ergodico) in quanto le varie realizzazioni
oscillano attorno ad un profilo medio che varia nel tempo
1 100
(t ) =
b) m pi ( t )
100 i =1
1 100
SD( t ) = (pi ( t) m( t ))2
99 i =1
1 100
R ( t1 , t 2 ) = p i ( t1 )p i ( t 2 )
99 i =1

Esercizio 4. Vd teoria