Resume BAB 14 Aplikasi dan Pembelajaran Desain

Apa itu DSP?

Jaman sekarang sangat dibutuhkan alat dimana bisa digunakan untuk mengukur atau mengetahui kondisi sesuatu yang tidak bisa dilihat, maka dibuat lah alat bernama DSP (Digital Signal Processor) yaitu yang berfungsi menerima signal dari luar seperti signal suara, video, suhu, tekanan maupun posisi yang telah dirubah menjadi signal digital dan melakukan perhitungan / proses matematik terhadap signal tersebut.

Aplikasi Dan Pembelajaran Desain

Tujuan dari bab ini adalah empat hal. Yang pertama adalah untuk menggambarkan beberapa board dengan biaya murah yang dapat digunakan untuk mengimplementasikan algoritma DSP yang dijelaskan dalam bab sebelumnya.

Tujuan kedua adalah untuk menggambarkan sejumlah aplikasi OSP ke dunia nyata. Aplikasi yang dijelaskan di sini termasuk pemrosesan sinyal audio real-time, penyaringan adaptif artefak dari elektroensefalogram manusia (aktivitas listrik otak), dan deteksi detak jantung janin dari elektrokardiogram (aktivitas listrik jantung).

Tujuan ketiga adalah menyajikan sejumlah masalah praktis yang menantang yang dapat dilakukan dalam bentuk kelompok sebagai studi desain.

Tujuan keempat adalah untuk mempersiapkan serangkaian pertanyaan pilihan ganda untuk membantu pembaca dalam memperoleh wawasan yang lebih mendalam tentang berbagai aspek DSP.

14.1 Evaluation boards for real-time signal processing

1 4.1 .1 Latar Belakang

Sama seperti di bidang teknik pada umum nya. Pengalaman praktikum dan mengimplementasikan algoritma DSP diperlukan untuk mendapatkan apresiasi yang tepat terhadap masalah yang terlibat dalam DSP. Mahasiswa teknik hanya dengan pengetahuan pemrosesan sinyal analog memiliki akan kesulitan untuk mengatasi teknik yang terlibat dalam DSP.

Fitur utama dari papan adalah:

• standalone yang mampu mengeksekusi algoritma DSP sederhana secara real time;

• Input / output analog tunggal didigitalkan menjadi 8 bit;

• Memungkinkan kode untuk algoritma DSP untuk dimodifikasi dengan mudah;

• Mampu beroperasi dengan dua tingkat sampling berbeda;

• Memungkinkan studi tentang aliasing dan pencitraan.

Diagram blok sistem. ditunjukkan pada Gambar 14.1, terdiri dari empat unit utama. Prosesor sinyal digital TMS320C 10 generasi pertama yang merupakan inti dari sistem. unit ADC / DAC 8-bit, rangkaian waktu, dan unit memori. Untuk sistem high fidelity, resolusi 8-bit tidak memadai, tetapi untuk mendemonstrasikan prinsip-prinsip DSP yang ditemukan

Figure 14.1 A Block sederhana dari TMS320C10

Table 14.1 Program memory selection.

Block	Address	DSP Programs
0	0000-03FF	Input-output loop
1	0400-07FF	Noise Generator
2	0800-0BFF	Square wave generator
3	0C00-0FFF	41-point bandpass FIR filter
4	1000-13FF	61-point FIR notch filter
5	1400-17FF	Fourth-order IIR lowpass filter in cascade
6	1800-1BFF	Fourth-order IIR lowpass filter in parallel
7	1C00-1FFF	Fourth-order IIR handpass filter in cascade

Unit memori terdiri dari tombol pilihan program dan sepasang EPROM terpasang pada soket ZIF (zero insertion force) untuk penggunaan yang mudah. EPROM dipartisi menjadi delapan blok setiap kata I k. dapat dipilih melalui tombol pilihan program. Dapat dimasukkan hingga delapan program berbeda di dalam EPROM. Untuk operasi, penggunaan EPROM tidak biasa digunakan namun penggunaan eprom kadang digunakan. Dua frekuensi sampling dapat dipilih user diantara nya, satu pada 7,5 kHz dan yang lainnya di I 3 kHz. Ini termasuk filter FIR dan HR, generator gelombang suara dan persegi. Contohnya tercantum dalam Tabel 14.1.

14.1 3 DSP56002

Modul evaluasi untuk DSP real-time TMS320C10 berguna untuk didemonstrasikan fungsi DSP sederhana dalam mode standalone. tetapi terbatas dalam tugas desain yang serius. Motorola DSP56002EVM adalah modul evaluasi biaya rendah (EVM) yang berguna untuk desain cepat dan demonstrasi sistem DSP real-time. Fitur EVM termasuk:

· a 24-bit fixed-point DSP56002 processor;

· 32 k words of SRAM and optional 32 k bytes of flash EEPROM for standalone operation;

· CD quality audio CODEC (16-bit stereo A/D and D/A);

· Sampling rates of 48, 32. 16. 9.6 or 8 kHz;

· Assembler and debugger.

Prosesor DSP memiliki dua 48-bit X dan Y register yang juga dapat digunakan sebagai empat register 24-bit (X0. XI, Y0 dan YI). dua akumulator 56-bit dan pengganda perangkat keras yang tidak ternilai dalam pemrosesan sinyal.

14.1.4 TMS320C54 and DSP56300

Modul TMS320C54x (Texas Instruments, 1995) adalah kartu plug-in berbasis PC yang dapat digunakan untuk menerapkan algoritma DSP secara real time. Fitur utama dari EVM adalah:

• TMS320C541 16-bit, prosesor DSP fixed-point. dengan 5 k byte program/data on-chip RAM dan 28 k byte ROM on-chip;

• Grafis. Berbasis Windows, debugger:

• Dukungan emulasi tertanam untuk C source debugger:

• Interface I / O analog.

Interface I / O analog mendukung anti-aliasing dan anti-image filtering, kontrol dan laju sampling amplitudo (hingga 43,2 kHz) yang dapat diprogram. Fitur utama dari EVM DSP56302 meliputi:

• prosesor DSP56302 24-bit fixed-point DSP;

• onboard 32 k kata pemrograman / cache dan data RAM;

• dua saluran codec audio berkualitas CD (16-bit ADC / DAC);

• cross-assembler dan debugger berbasis Windows.

14.2 Aplikasi DSP

14.2.1 Deteksi denyut jantung janin selama persalinan

Metode standar pemantauan di dunia: janin selama persalinan adalah tampilan denyut jantung janin (DJJ) secara terus menerus dan aktivitas uterus yang ikut membentuk kardiotokogram (CTG (Gambar 14.2))..

Figure 14.2 Sebuah contoh dari cardiotocogram (CTG). CTG menampilkan aktivitas detak jantung dan aktivitas uterine

Figure 14.3 The electrocardiogram

14.2.1.1 Elektrokardiogram inti

Denyut jantung janin diperoleh selama persalinan dari elektrokardiogram (ECG) secara rutin. Aktivitas listrik jantung (lihat Gambar 14.3) atau ultrasound. Seperti ECG dewasa. ECG janin normal ditandai oleh lima puncak dan lembah berlabel huruf berurutan dari huruf P, Q, R. S. dan T (Greene, 1987). Dengan demikian, ECG dikatakan terdiri dari gelombang P, kompleks QRS dan gelombang T (Greene. 1987).

Seperti yang ditunjukkan pada Gambar 14.3, kebalikan dari periode jantung adalah interval waktu antara puncak R-ke-R (dalam milidetik). dikalikan dengan 60 000 memberikan denyun jantung instan. Pola DJJ pada setengah bagian atas Gambar 14.2 adalah plot dari denyut jantung instan yang berturut-turut.

Figure 14.4 Pengukuran fetal electrocardiagram

Data ECG janin yang digunakan dalam studi kasus diambil dari database penelitian janin. Sinyal ECG diperoleh dengan mengukur secara diferensial antara elektroda pada kulit kepala janin dan elektroda kulit standar yang ditempatkan pada paha ibu, dan elektroda ibu kedua digunakan sebagai tanah (Gambar 14.4).

14.2.1.2 Prekursor sinyal ECG janin

Untuk data kelas 2 dan 3, tingkat kebisingan dan pergeseran baseline membuat deteksi kompleks QRS dari ECG mentah lebih sulit. Untuk deteksi QRS yang andal, penting untuk melakukan pra-proses ECG mentah untuk meminimalkan pengaruh sumber-sumber degradasi sinyal sebelum mencoba mendeteksi kompleks QRS. Diketahui bahwa komponen frekuensi yang signifikan dari kompleks QRS terletak antara 4 dan 45 Hz. Pergeseran awal pada ECG biasanya dari frekuensi rendah. biasanya kurang dari sekitar 3 Hz, meskipun. untuk frekuensi baseline data kelas 3 dapat diperpanjang hingga 15 Hz lebih.

Figure 14.5 Contoh nilai dari data ECG : (a) grade 1 (good); (b) grade 2 (average); (c) grade 3 (poor)

RR bandpass digital filter atau FIR dapat digunakan untuk pm-memproses ECG mentah sebelum deteksi QRS. Kami lebih memilih penggunaan FIR sebagai filter RR dari order tinggi, misalnya urutan kedelapan, terkadang berdering ketika terlalu keatas oleh kompleks QRS yang sempit yang dapat mempersulit penentuan letak tepat dari gelombang R. Spesifikasi filter yang digunakan dalam penelitian ini adalah sebagai berikut:

• Panjang filter 75

• Frekuensi sampling 500 Hz

• Stopbands 0-1 Hz. 47-250 Hz

• Passband 9-39 Hz

• Riak penumpang 0,5 dB

• Stopband atenuasi 30 dB

Koefisien filter diperoleh menggunakan metode optimal yang dijelaskan dalam Bab 7. Angka I4.6 (a) hingga 14,6 (c) menunjukkan data ECG yang difilter. Dibandingkan dengan data mentah tanpa filter, Gambar 14.6 (a) hingga 14.6 (c). pergeseran dasar serta kebisingan frekuensi tinggi telah berkurang dalam data yang difilter (mengabaikan transien awal dalam data yang difilter). Dalam data kelas 3, kesalahan ADC muncul sebagai semburan yang tidak diragukan lagi akan mengacaukan sebagian besar algoritme deteksi QRS: lihat Gambar 14.6 (c).

Figure 14.6 Filtered ECG data: (a) grade 1 (good); (b) grade 2 (average); (c) grade 3 (poor)

14.2.1.3 QRS template

Kebanyakan metode pendeteksi QRS bergantung pada ketersediaan templat QRS representatif yang dibandingkan dengan sinyal ECG yang masuk dibandingkan. Template dapat dihasilkan dari data ECG mentah dengan mendeteksi dan meratakan beberapa kompleks QRS yang baik. Ini dapat dilakukan secara otomatis atau semi-tahunan dengan secara visual memeriksa catatan ECG kelas I dan mengidentifikasi kompleks ECG yang baik dan tidak ambigu. Gelombang R kemudian disinkronkan dan kompleks QRS dirata-ratakan. Template QRS tetap dapat digunakan untuk mendeteksi kompleks QRS atau yang baru dapat dihasilkan pada awal setiap catatan ECG. Contoh dari template QRS diperoleh dengan rata-rata 69 kompleks QRS dalam data kelas I dan kemudian mengambil 31 sampel (15 sampel di kedua sisi gelombang R) dari kompleks QRS rata-rata ditunjukkan pada Gambar 14.7.

14.2.1.4 Metode pendeteksi QRS

Sebuah blok diagnosa umum dari proses pendeteksian QRS diberikan pada Gambar 14.8. Data ECG mentah pertama diproses untuk mengurangi efek noise. Sampel data yang diproses sebelumnya dimasukkan ke buffer satu titik data pada suatu waktu. Untuk setiap titik data baru yang dimasukkan ke buffer, titik data tertua dihapus dan konten buffer dibandingkan dengan template QRS di detektor QRS. Output dari detektor QRS kemudian di-threshold. Banyak metode pendeteksi QRS lainnya ada.

Figure 14.7 Contoh dari sebuah QRS complex template. Kurva ini bias didapatkan dari rata-rata 69 QRS complexes in a grade 1 ECG, dengan gelombang R-waves synchronized.

Figure 14.8 Konsep dari QRS complec detection from raw ECG

Metode-metodenya

1. Rata-rata magnitude cross-difference (AMCD) (Lindecrantz et al. 1988). saat ini digunakan dalam monitor janin baru yang dijelaskan dalam Lindecrantz et al. (1988). dan

2. Penyaringan yang sesuai, yang merupakan metode deteksi QRS umum dan telah diteliti oleh sejumlah pekerja (Azevedo dan Longini, 1980; Fano. 1968): ini terkait erat dengan metode korelasi.

Rata-rata perbedaan magnitudo

Dalam metode ini, blok data ECG janin pra-pemrosesan dibandingkan dengan kompleks QRS template seperti yang dijelaskan di atas. Perbedaan antara sampel yang sesuai dalam ECG dan templat busur dihitung oleh pengurangan bentuk gelombang. Jumlah, y (i), dari nilai absolut dari perbedaan kemudian dihitung:

di mana x, (k) adalah contoh dari kompleks QRS template. x (k + i) adalah contoh dari sinyal ECG, N adalah panjang dari template. dan saya adalah parameter time shift. x, adalah nilai rata-rata dari template QRS, dan .v, nilai rata-rata dari blok datanya untuk sinyal ECG yang diberikan oleh

Ketika sinyal ECG dan template QRS sangat mirip, yaitu di lingkungan kompleks QRS, nilai AMCD. y (i), menjadi minimum (secara teoritis nol).

Pemfilteran matching digital

Pemfilteran yang cocok umumnya digunakan untuk mendeteksi sinyal berulang waktu yang terkubur dalam noise. Asumsi utama yang mendasari dalam metode ini adalah bahwa sinyalnya terbatas waktu dan memiliki bentuk gelombang yang diketahui. Masalahnya kemudian adalah menentukan waktu kejadiannya. Respons impuls dari filter yang cocok digital. li (k), adalah replika waktu-terbalik dari sinyal untuk dia dideteksi. Jadi dalam kasus kami, jika x, (k) adalah template QRS maka koefisien dari filter yang cocok diberikan oleh

Filter digital yang cocok dapat direpresentasikan sebagai filter FIR dengan struktur melintang biasa, dengan output dan masukan dari filter yang terkait sebagai

di mana x (i) adalah sampel dari sinyal input ECG. x, (k) adalah contoh dari template QRS, N adalah penggarap panjangnya. h (k) dicocokkan dengan koefisien filter, dan saya adalah indeks time shift. Jelas bahwa ketika template dan kompleks QRS bertepatan, output dari filter yang sesuai akan menjadi maksimum. Jadi dengan mencari output dari filter yang sesuai untuk nilai di atas ambang, kemunculan QRS dapat diuji.

14.2.1.5 Ukuran kinerja untuk deteksi QRS

Untuk mengevaluasi dan membandingkan algoritma membutuhkan ukuran kinerja. Mengikuti Azevedo dan Longini (1980) kami mendefinisikan ukuran kinerja sebagai

Untuk catatan ECG yang diberikan, ukuran kinerja mencapai nilai 100% hanya jika semua gelombang R dalam rekaman dideteksi dengan benar, yaitu tidak ada kesalahan (gelombang R tidak terdeteksi) dan tidak ada deteksi false (false alarm).

1 4.2.1 .6 Hasil

Gambar 14.9 dan 14.10 menunjukkan kinerja AMCD dan metode penyaringan yang cocok, masing-masing, diplot terhadap tingkat ambang batas untuk data kelas 1 dan 2.

Kinerja kedua metode bergantung pada tingkat ambang batas yang digunakan (masing-masing ambang dinyatakan sebagai bagian dari nilai sinyal input maksimum) dan panjang dari template QRS. Kinerja terbaik dicapai dengan tingkat ambang sekitar 50% untuk kedua metode. Template yang lebih luas cenderung berkinerja lebih baik daripada template yang sempit ketika kualitas data bagus, tetapi perbedaan utama di antara mereka tampaknya berada dalam kepekaan mereka terhadap level ambang.

Secara keseluruhan. ada sedikit untuk memilih antara AMCD dan metode penyaringan yang cocok dalam hal kinerja mereka. Dengan level ambang yang sesuai, kedua metode mencapai kinerja berikut:

• Deteksi 100% untuk semua tingkat 1 ECG;

•> 90% deteksi untuk data kelas 2;

•> deteksi 60% untuk data kelas 3.

Gambar 14.9 Kinerja metode rata-rata perbedaan luas untuk data dan data kelas 1 dan 2 dari panjang 11 dan 31:

, grade 1, T-11;

, grade 1, T-31;

, grade 2, T-11;

, grade 2, T-31.

Gambar 14.9 Kinerja metode pemfilteran yang cocok untuk data kelas 1 dan 2 dan untuk template dengan panjang 11 dan 31:

, grade 1, T-11;

, grade 1, T-31;

, grade 2, T-11;

, grade 2, T-31.

14.2.2 Pengangkatan adaptif artefak okular dari EEG manusia

14.2.2.1 Pendahuluan

Metode yang dijelaskan dalam bagian ini berkaitan dengan penghapusan on-line artefak okular dari elektroensefalogram manusia (EEG). EEC banyak digunakan dalam situasi klinis dan psikologis. tetapi sering terkontaminasi secara serius oleh artefak okular 10As) yang dihasilkan dari pergerakan dalam sistem okular (bola mata, kelopak mata, dan sebagainya. Sangat rentan terhadap artefak okular. Oleh karena itu perlu untuk menghapus OA dari EEG sehingga catatan EEG yang benar dapat dianalisis.

Metode untuk menghilangkan dan mengontrol artefak okular

Masalah mengeluarkan OA dari EEG dipersulit oleh kesamaan antara mereka dan beberapa gelombang otak yang menarik, dan oleh spektral yang tumpang tindih di antara keduanya. Istilah EOG mengacu pada potensi listrik karena gerakan okular diukur antara dua elektroda kulit yang ditempatkan dekat dengan mata. Semua didasarkan pada prinsip bahwa OA adalah tambahan pada latar belakang EEG. dalam bentuk diskrit.

Dimana

y (i) dan x (i) adalah contoh dari EEG dan EOG yang diukur, e (i) adalah EEG 'benar' yang dapat dianggap sebagai istilah kesalahan, dan saya adalah nomor sampel θ

adalah konstanta proporsionalitas yang akan disebut parameter artefak okular, dan n itu adalah jumlah parameter dalam model. Angka 9, juga disebut koefisien transmisi. XO (i) dan θ adalah vektor EOG dan parameter artefak okular. masing-masing, dan T menunjukkan transposisi. Jika 9, dapat diperkirakan, maka perkiraan e (i) dapat diperoleh sebagai

e (i) = y (i) -E0 ix, (i), i = 1, 2, m (14.5)

di mana θ adalah perkiraan θ dan e (i) adalah perkiraan e (i), dan m adalah jumlah sampel yang digunakan dalam estimasi. Masalahnya kemudian adalah salah satu perkiraan atau Masalah ini diilustrasikan pada Gambar 14.11. Untuk jenis gerakan okuler yang diberikan, 8, cukup konstan tetapi berbeda secara signifikan antara berbagai jenis 0As, meskipun ada bukti yang menunjukkan bahwa θ bervariasi perlahan, setidaknya, bahkan untuk tipe OA tertentu.

Kecenderungan dalam pemrosesan sinyal EEG jelas menuju pemrosesan real-time. dan kemudian perlu untuk menghapus artefak secara online. Dalam metode offline, perkiraan 0 diperoleh dengan meminimalkan J, jumlah kuadrat dari istilah kesalahan, yaitu J = ∑_ (i = 1) ^ mi ^ 2. Minimum ini mengarah ke

Figure 14.2 Contoh sebelumnya reported online metode dari perubahaan artefacts (Girton and Kamiya 1973)

Persamaan ini memberikan perkiraan kuadrat terkecil-biasa (OLS) dari θ yang dapat diperoleh dengan menggunakan teknik inversi matriks yang sesuai dan membentuk basis metode penghilangan OA offline. Setelah memperoleh θ, perkiraan OA dan karenanya latar belakang EEG. e (i), dapat diperoleh dari Persamaan 14.5.

14.2.2.2 Algoritme penghapusan online yang digunakan dalam sistem OAR

Perhitungan θ, dalam Persamaan 14.6 memerlukan perhitungan waktu dari matriks inverse. Jelas, pendekatan OLS tidak cocok untuk estimasi real-time atau online di mana algoritma online melibatkan sejumlah operasi aritmatika yang tetap dan terbatas dan tidak ada inversi matriks langsung yang lebih disukai.

Bentuk algoritma LMS yang umum digunakan adalah

di mana θ(m) dan θ(m + 1) adalah perkiraan titik sampel θ_ di mth dan θ_n + 1). masing-masing, dan p adalah konstanta yang mengontrol jalan konvergensi dan stabilitas algoritma. Untuk konvergensi p tidak boleh diatas batas.

di mana nilai eigen maksimum matriks (X, X) Persamaan 14.6, Namun, waktu konvergensi dari algoritma ini berbanding lurus dengan rasio nilai eigen maksimum hingga minimum (X;X,„), yang dapat sangat besar ketika ada collincarity kuat di antara variabel input, seperti halnya dengan EOG. Maka

Meminimalkan J dengan memperhatikan nilai θ mengarah ke algoritma kuadrat terkecil rekursif berikut:

Dimana

dan argumen In digunakan untuk menekankan fakta bahwa kuantitas diperoleh pada setiap titik sampel. y disebut sebagai faktor yang melupakan dan mencegah matriks P (m + 1) dari cenderung nol (dan θ (m + 1) menjadi konstan) dengan peningkatan sehingga memungkinkan pelacakan parameter yang bervariasi secara perlahan. Biasanya, y adalah antara 0,98 dan 1. Nilai yang lebih kecil memberikan terlalu banyak bobot pada data yang lebih baru yang mengarah ke perkiraan yang berfluktuasi liar.

Namun, karena gerakan mata kecil (yang selalu ada), dan kegiatan lain yang biasanya diambil di saluran EOG, masalah ini tidak begitu serius dalam penghapusan OA.

Masalah ketidakstabilan numerik dapat diselesaikan dengan faktorisasi yang sesuai dengan matriks P sehingga perbedaan persyaratan dalam Persamaan 14.9b dihindari. Dua algoritma tersebut adalah akar kuadrat dan algotithms faktorisasi UD; Namun, dalam hal penyimpanan dan komputasi, algoritme UD adalah pengaturan bebas akar kuadrat dari algoritme akar kuadrat konvensional dan dengan demikian memiliki sifat yang sama dengan yang kedua.

Dalam metode UD, P (m + 1) diperhitungkan sebagai

Dimana U(m+1) adalah matriks segitiga atas unit, U(m+1) adalah transpose dan U(m+1) adalah matriks diagonal. Jadi, alih-alih memperbarui P, faktor-faktornya, U dan D, diperbarui.

Menggunakan Persamaan 14.11, Persamaan 14.9b dapat ditulis sebagai

Jika istilah dalam kurung kotak lebih lanjut diperhitungkan menjadi matriks segitiga dan diagonal atas, seperti

Dimana bar digunakan untuk membedakan faktor U dan D dari D(m)-(1/a)vv^t dari P, kemudian

Membandingkan Persamaan 14.11 dan 14.14 dan tidak ada yang produk dari matriks segitiga atas itu sendiri segitiga atas dan simetri dalam Persamaan 14.14, maka

Beberapa properti dari algoritma UD

Untuk mendapatkan beberapa wawasan ke dalam algoritma UD, itu berguna untuk menulis algoritma secara eksplisit. Jadi, untuk model dua parameter algoritma dari apendiks menjadi

Hal ini terlihat dari langkah 3 bahwa, asalkan nilai awal untuk elemen diagonal (yaitu d1(0) dan d2(0)) positif, A2 dan karenanya d1(m+1) akan selalu positif. Hal yang sama berlaku untuk

(yang merupakan Persamaan 14.9) dan d2(m+1).

Hardware untuk sistem penghilangan artefak okular online

Pertama, spesifikasi target untuk sistem ditetapkan. Selanjutnya, sistem yang sesuai dijelaskan pada sistem dan tingkat diagram blok.

Sistem OAR dirancang dengan memperhatikan beberapa hal berikut ini:

(1) Kompatibilitas dengan standar mesin EEG;

(2) Kemampuan untuk memberikan penghapusan OA secara real-time secara terus-menerus dalam sinyal EEG multichannel (penghapusan OA sekarang harus didasarkan pada kriteria subjektif dan harus adaptif);

(3) Kemampuan untuk menghasilkan EEG yang telah dikoreksi dan / atau EEG dan EOG yang tidak terkoreksi ke mesin EEG, untuk memungkinkan perbandingan instan EEG yang dikoreksi dan yang tidak dikoreksi;

(4) Kemampuan untuk menghindari kejenuhan, yang akan mengurangi keefektifan korektor, dan sistem harus memiliki fasilitas auto-range;

(5) Instrumen harus sesuai untuk digunakan oleh orang yang dalam kategori pemula.

Penggunaan instrumen berbasis mikroprosesor juga menawarkan keuntungan sebagai berikut:

(1) Desain yang dikendalikan perangkat lunak menghasilkan sistem yang sangat fleksibel.

(2) Model atau ide baru dapat diselidiki hanya dengan modifikasi perangkat lunak, tanpa harus membangun instrumen baru.

(3) Instrumen yang diprogram memungkinkan penyediaan rutin untuk memeriksa sendiri, kalibrasi otomatis, mengurangi masalah kelebihan beban, dan sebagainya.

Perangkat lunak untuk sistem penghilangan artefak okular on-line

Perangkat lunak sistem OAR terdiri dari akuisisi data dan rutin distribusi, rutinitas penghapusan OA on-line, perangkat lunak aritmatika floating point, dan program utama yang mengawasi. Seluruh perangkat lunak menempati 3 Kbytes memori. Inti dari perangkat lunak sistem OAR, yang ditulis dalam bahasa rakitan mikroprosesor 68000.

Sistem OAR terganggu karena didorong. Sinyal interupsi berasal dari modul pengatur waktu yang dapat diprogram (PTM) di papan pengendali sistem, dan memiliki frekuensi 128 Hz (frekuensi 95 H kadang-kadang digunakan untuk memungkinkan lebih banyak waktu untuk perhitungan, dan perubahan frekuensi mudah dibawa dalam perangkat lunak).

Selama fase inisialisasi, pengguna diundang dengan menggunakan unit tampilan visual (VDU) untuk menentukan berbagai konstanta sistem, yaitu jumlah saluran EEG yang dikoreksi untuk artefak, jumlah parameter model dan karenanya model yang seharusnya digunakan dalam algoritma penghapusan, dan jumlah EEG yang dikoreksi dan / atau awalan EEG untuk di-output ke mesin EEG.

Gambar Perangkat lunak penghasil artefak okular: (a) program utama; (b) layanan interupsi rutin

Pengujian sistem dan hasil eksperimen

Tes praklinis pada sistem OAR dilakukan di Rumah Sakit Freedom Fields. Plymouth. Pada tahap pertama, tes ekstensif dari keandalan sistem OAR dibuat menggunakan enam subyek normal. Ini adalah FP2-F4, F4-C4, C4-P4, FP1-F7, F3-C3, C3-P3, Fz-Cz, Cz mengacu pada cuping telinga kanan atau AZ dan Cz-Pz. Sinyal EGG berasal dari elektroda yang ditempatkan di dekat mata.

Gambar (a) Koneksi ke mesin EEG; (B) penempatan EOG.

Sinyal EEG dan EOG dimasukkan ke dalam mesin EEG delapan saluran melalui head box, dan setelah amplifikasi mereka dimasukkan ke sistem OAR melalui konektor tipe-D 37-arah. Setelah mengeluarkan OA dari sinyal EEG, baik EEG yang dikoreksi dan mentah (dengan sarana yang dihapus) dan / atau EOG dimasukkan ke amplifier akhir mesin EEG, dan kemudian ke bagan kertas untuk pemeriksaan.

Beberapa model digunakan dalam tes, tetapi hanya tiga yang memberi hasil terbaik akan dijelaskan di sini. Dua di antaranya memanfaatkan EOG yang berasal dari penempatan elektroda dan juga ditemukan memberikan penghapusan OA terbaik dalam penelitian sebelumnya. Kedua model ini adalah sebagai berikut:

Model ketiga, yang akan disebut model 2H sesuai dengan tatanama sebelumnya, menggunakan EOG yang berasal dari pasangan penempatan elektroda FP1-F7 dan FP2-F8:

Juga harus disebutkan bahwa pemilihan saklar pada mesin EEG dapat digunakan untuk 'memaksa' sistem OAR untuk mengimplementasikan berbagai model dengan memilih pasangan elektroda EOG yang tepat untuk memberi saluran 1 sampai 4.

Hasil yang baik juga diperoleh dari pasien mental yang tidak kooperatif yang EEG-nya hanya berisi gelombang rendah amplitudo yang rendah.

Gambar (I) dan (ii) mengukur sinyal FOG untuk mata kanan dan kiri: (iii) dan (iv) EEG diukur pada Cz-A2 dan Fz-Cz elektroda, (v) dan (vi) EEG yang sesuai dengan artefak yang dihapus.

Gambar (a) dan (b) mengukur EOG untuk mata kanan dan kiri; (c) mengukur EEG; (d) EEG dengan artefak dihapus; (e) EEG mentah.

Pembahasan

Pada tes ini, menggunakan berbagai jenis gerakan okular (berkedip, VEM, HEM), menunjukkan bahwa adalah mungkin untuk mencapai penghapusan OA yang memuaskan karena penyebab ini, di semua situs EEG, menggunakan algoritma UD yang stabil secara numerik. Ditemukan bahwa, di situs EEG yang lebih posterior, sangat sedikit kontaminasi OA dari EEG diamati dan dalam kasus ini semua model dilakukan dengan baik. Itu juga menemukan bahwa, meskipun penghapusan OA memuaskan diperoleh selama gerakan mata vertikal.

Bentuk model dinamis (untuk satu input atau EOG)

dapat digunakan jika diinginkan untuk mendapatkan hasil yang lebih baik.

Kesimpulan

Hasil awal diperoleh dengan subyek normal dan pasien menunjukkan bahwa sistem OAR memberikan penghapusan OA memuaskan untuk kedipan, gerakan mata vertikal dan horizontal dan montase elektroda EEG bipolar. Penggunaan algoritme faktorisasi UD dan sistem yang dikontrol perangkat lunak memungkinkan kami mengatasi kerugian dari metode penghapusan OA online sebelumnya. Dengan demikian sistem OAR mampu menangani beberapa artefak, tidak memerlukan kerja sama dari subjek dalam kalibrasi awal dan mendasarkan kriteria penghapusan pada metode yang murni obyektif. Sistem ini, yang merupakan yang pertama dari jenisnya, kompatibel dengan EEG standar yang dapat dibuat dan dijual sebagai aksesori. Namun, kegunaan instrumen hanya dapat sepenuhnya dinilai setelah uji klinis yang luas.

Penyetaraan sinyal audio digital

Penyetaraan sinyal audio merupakan persyaratan fungsional penting dari pencampuran konsol yang digunakan dalam banyak aplikasi audio profesional dan semi-profesional, misalnya dalam rekaman studio, penguatan suara dalam sistem alamat publik, dan penyiaran.

Tiga jenis filter dasar digunakan :

· Bell filler Ini memungkinkan pengguna untuk meningkatkan atau mengurangi frekuensi tertentu dalam pita audio.

· Shelf filter Ini memungkinkan penyesuaian gain dan frekuensi cutoff dari equalizer pada rentang frekuensi baik pada low atau high frequency end dari pita audio.

· Pass filters Ini adalah filter low-pass dan high-pass dengan frekuensi cutoff tetap dan digunakan untuk menghilangkan noise frekuensi rendah dan / atau tinggi dari sinyal audio.

Analisis equalizer parametrik analog yang khas menunjukkan bahwa setiap jenis filter yang dijelaskan di atas dapat dilihat sebagai filter Butterworth, dengan fungsi transfer s-plane dari bentuk-bentuk berikut:

3. Desain dan implementasi filter digital dengan prosesor matlab dan DSP56002

Tujuan pembelajaran khusus adalah

1. Untuk menggunakan matlab

- Untuk menghitung dan cofficients dan plot frekuensi filter FIR untuk satu set spesifikasi tertentu

- Untuk menyelidiki efek dari kuantisasi koefisien pada respon frekuensi.

2. Untuk mengimplementasikan filter FIR menggunakan prosesor DSP titik tetap

- Untuk mendapatkan keakraban dengan alat pengembangan DSP.

- Untuk mengembangkan program bahasa perakitan sederhana untuk filter FIR titik tetap.

- Untuk menguji dan mendemonstrasikan pemfilteran waktu nyata.

Masalah

Persyaratan keluar untuk filter FIR fase linier untuk menghapus gangguan 1 kHz dari sinyal audio. Filter harus memenuhi spesifikasi berikut.

Passband Riple 0,5dB

Stopband atenuasi 25dB

Passband 900 - 110 Hz

Frekuensi tepi stopband 990 Hz dan 1010 Hz

Frekuensi sampling 8 kHz

Kita diminta untuk mendesain dan mengimplementasikan filter menggunakan matlab dan prosesor DSP56002 titik tetap Motorola DSP56002. Tugas khusus adalah sebagai berikut.

a. Untuk menerapkan koefisien filter FIR yang sesuai menggunakan matlab dan metode optimal. Catatan. Anda harus menggunakan matlab fungsi remezord untuk memperkirakan panjang filter, N. menghitung koefisien filter menggunakan fungsi remez dan plot respon frekuensi filter menggunakan fungsi freqz. Berikut persamaan lebah saya berguna untuk menentukan parameter ripple :

Gambar 14.23 Sebuah filter tiga titik FIR sederhana

Tabel 14.3 Peta memori awal

b. Untuk menentukan wordlength koefisien yang sesuai untuk filter dengan melakukan analisis dari kuantisasi koefisien ke 4,8,16, dan bit pada respon frekuensi filter. Catatan. Untuk mengkuantifikasi koefisien filter ke B-bit, 2 pelengkap, angka titik tetap, kita cukup mengalikan setiap koefisien dengan 2 ^ (B-1) lalu membulatkan ke bilangan bulat terdekat. Perbedaan antara koefisien aktual dan representasi titik tetap memberikan ukuran kesalahan kuantisasi koefisien.

c. Untuk menerapkan filter pada modul evaluasi DSP56002 dan verifikasi bahwa filter beroperasi dengan benar. Catatan. Sebagai pengantar penyaringan digital FIR menggunakan DSP56002, pertimbangkan filter FIR tiga titik sederhana yang digambarkan pada gambar 14.23. filter FIR dikarakterisasi oleh persamaan berikut:

Y (n) = h ( 0 ) x (n) + h (1) x ( n-1 ) +h (2) x ( n-2 )

Tabel 14.3 memberikan peta memori awal untuk koefisien dan data untuk filter, register rO dan r4 digunakan sebagai pointer ke koefisien dan memori data, masing-masing. Pengalamatan melingkar digunakan. Tabel 14.3 memberikan kode DSP56002 untuk menerapkan filter sederhana. Kolom komentar menjelaskan pengoperasian program, program 14.1.

Program 14.1 DSP56002 kode untuk filter 3 titik FIR sederhana

Move x: (r0) +, y0

;copy h(2) into register x) and increment pointer r0.

Move y: (r4) +, y0

;copy x(n-1)into register y0 and increment pointer r4.

Mpy x0,y0, a X: (r0) +, x0 y:(r4) +,y0

:multiply h(2) and x(n-2) and store in accumulator a.

:copy h(1) into register x0 and increment r0.

:copy x(n-1) into register y0 and increment r4.

Mac x0, y0, a X; (r0)+, x0 y: (r4)+, y0

:multiply h(1)andx(n – 1) and add to the accumulator a.

:copy a0 into register x0 and increment r0.

:copy x(n) into register y0 and increment r4

Mac x0,y0,a y1, y: (r4) +

:multiply h(0) and x(n) and add to thee accumulator a.

:accumulator a contains the output sample y(n).

:x(n-2), x(n-1)and x(n) shall now be referred to as

: x(n-3), x(n-2)and x(n), overwrite x(n-3) with the

:next input sample stored in y(1).

Untuk filter FIR dengan banyak koefisien, lebih efisien untuk menggunakan instruksi pengulangan DSP56002 bersama dengan instruksi mac. Sebuah fragmen kode DSP56002 diberikan di bawah ini:

Pemfilteran FIR menggunakan instruksi ulangi :

Clr a x(r0)+,x0 y(r4)+,y0

Rep #N-1

Mac x0,y0,a x(r0)+,x0 y(r4)+,y0

Macr x0,y0,a (r0)-

Move a,y:output

d. Tulis laporan singkat yang memberikan rincian tentang desain dan penerapan filter Anda, termasuk daftar program matlab dan DSP56002.

14.4 Pertanyaan DSP berbasis pilihan komputer

Semua pertanyaan adalah pilihan ganda dari beberapa respon dan skema penandaan saat ini adalah sebagai berikut (meskipun ini dapat dengan mudah diubah):

Pilihan ganda correct answer +1

Incorrect answer -1

No answer 0

beberapa tanggapan correct answer +1

incorrect answer -1

no answer 0

14.5 Ringkasan

Dalam bab ini, sejumlah desain dan pengembangan papan yang dapat digunakan untuk mengimplementasikan beberapa algoritma DSP yang dijelaskan dalam buku telah disajikan. Sejumlah aplikasi dunia nyata DSP dijelaskan dalam bentuk studi kasus untuk memberikan pembaca beberapa ide tentang masalah desain praktis. Kami juga telah menyajikan di bagian masalah sejumlah studi desain yang menantang dan metode, berdasarkan pertanyaan pilihan ganda, yang kami anggap berguna untuk penilaian cepat dari topik DSP. Keduanya harus berfungsi sebagai sarana untuk mendapatkan wawasan yang lebih dalam tentang DSP.

14.1 Tampilkan, nyatakan setiap asumsi yang dibuat, bahwa fungsi autokorelasi (ACF) dari sinyal yang terkontaminasi oleh suara acak sama dengan ACF dari sinyal saja, Jelaskan bagaimana hasil ini dapat digunakan untuk mendeteksi periodikitas tersembunyi.

14.2 Buktikan, nyatakan asumsi apa pun yang masuk akal, bahwa rasio sinyal terhadap suara maksimum pada keluaran filter pencocokan digital tidak bergantung pada bentuk gelombang sinyal input.

14.3 Sinyal yang berulang, terkubur di noisem adalah untuk dideteksi oleh penyaringan digital yang cocok. Diberikan di bawah ini adalah nilai sampel berturut-turut dari sinyal bebas noise dan sinyal berisik:

Noise bebas signal {-0.51,-0.35,-0.29,-0.25,-0.29,-0.39,-0.47}

Noisy signal {-0.18,-0.06,0.27,0.69,-0.50,-0.44,-0.20,-1.46,-0.93,-1.46,-0.91,-0.39,-1.70}

Menentukan

(a) Koefisien filter yang cocok digital,

(b) Output dari filter yang cocok digital, dan

(c) Peningkatan rasio sinyal terhadap kebisingan, dinyatakan dalam desibel, dapat dicapai dengan pemfilteran yang sesuai.