Skip to content

Archive

Category: Analiza Sygnałów

Porównanie algorytmów detekcji fali V w badaniu słuchowych potencjałów wywołanych pnia mózgu Bartosz Trzaskowski
Nowa Audiofonologia 2015; 4(2):43-52

W pracy przedstawione i porównane zostały wybrane systemy automatycznej detekcji słuchowych potencjałów wywołanych pnia mózgu, opisane w czasopismach naukowych przez różne zespoły badawcze.

W czasopiśmie Otorynolaryngologia ukazała się praca przedstawiająca wyniki oceny jakości działania systemu automatycznej detekcji słuchowych potencjałów wywołanych pnia mózgu.

System automatycznej detekcji słuchowych potencjałów wywołanych pnia mózgu.II. Ocena działania systemu dla danych klinicznych.
Bartosz Trzaskowski, Krzysztof Kochanek, W. Wiktor Jędrzejczak, Adam Piłka, Henryk Skarżyński
Otorynolaryngologia, 2013; 12(4): 183-189
http://www.mediton.pl/PL/czasopisma/otorynolaryngologia/archiwum_12.4.0.html

W czasopiśmie Otorynolaryngologia opublikowana została praca:

System automatycznej detekcji słuchowych potencjałów wywołanych pnia mózgu. I. Opis i testowanie systemu
Bartosz Trzaskowski, W. Wiktor Jędrzejczak, Edyta Piłka, Krzysztof Kochanek, Henryk Skarżyński
Otorynolaryngologia, 2013; 12(3): 137-147
http://www.mediton.pl/PL/czasopisma/otorynolaryngologia/archiwum_12.3.0.html

W czasopiśmie Computers in Biology and Medicine ukazał się artykuł opisujący system automatycznej detekcji i usuwania fali sonomotorycznej z zapisów słuchowych potencjałów wywołanych pnia mózgu (ABR): Automatic removal of sonomotor waves from auditory brainstem responses

In this paper, a computerized technique for automatic detection and removal of sonomotor waves (SMWs) from auditory brainstem responses (ABRs) was proposed. The method was based on adaptive decomposition using a redundant set of Gaussian and 1-cycle-limited Gabor functions. Its efficiency was tested by means of simulated and clinical data. Obtained results were good and confirmed by an expert.

W tym wpisie chciałbym porównać podstawowe cechy dwóch platform do obliczeń naukowych: środowiska Matlab firmy Mathworks i języka Python z dedykowanymi do tego typu zadań bibliotekami. Prosty program obliczający widmo sygnału powinien być odpowiedni do porównania podstawowych cech obu języków, podobieństw i różnic składni, łatwości implementacji, przejrzystości i zrozumiałości kodu.

Poniższy skrypt w języku Matlaba liczy widmową gęstość mocy (PSD) modelowanego sygnału zawierającego dwie składowe harmoniczne o częstotliwościach 30 i 80 Hz. Widmo liczone jest przy wykorzystaniu szybkiej transformaty Fouriera, okienkowanie oknem Hanninga.

tic
 
fs=400; T=10;
 
nfft=512;
overlap=0.5;
 
A1=1; f1=30; fi1=0;
A2=2; f2=80; fi2=2;
An=1.5;
 
t=0:1/fs:T;
t=t(:); % make 't' a column vector
 
sig=A1*cos(2*pi*f1*t+fi1) + A2*cos(2*pi*f2*t+fi2);
noise=An*rand(length(t),1);
 
x=sig+noise;
 
wind=hanning(nfft);
 
noverlap=fix(nfft*overlap);
nadvance=nfft-noverlap;
nrecs=fix((length(t)-noverlap)/nadvance);
 
Pxx=zeros(nfft,1);
ind=1:nfft;
for k=1:nrecs
    xs=x(ind);
    xs=(xs(:)-mean(xs)).*wind;
    Xf=fft(xs,nfft)/nfft;
    Pxx=Pxx+abs(Xf).^2;
    ind=ind+nadvance;
end
 
Pxx=Pxx(1:nfft/2);
f=(0:nfft/2-1)/(nfft/2-1)*(fs/2);
 
figure
plot(f,10*log10(Pxx)) % in dB
xlabel('f [Hz]')
ylabel('PSD [dB]')
saveas(gcf,'fig_PSD_matlab.png','png')
 
% time
czas=toc;
czas_=['Time: ' int2str(fix(czas/3600)) ' hours, ' ...
    int2str(fix(czas/60)-fix(czas/3600)*60) ' min and ' ...
    num2str(mod(czas,60),'%0.2f') ' s.'];
disp(' ');
disp(czas_)

Ten sam program napisany w Pythonie przy wykorzystaniu bibliotek NumPy i Matplotlib wygląda tak:

import numpy, pylab, time
from math import pi
 
tic=time.clock()
 
fs,T=400,10 
 
nfft=512
overlap=0.5
 
A1,f1,fi1 = 1,30,0 
A2,f2,fi2 = 2,80,2 
An=1.5
 
t=numpy.arange(0,T,1./fs)
t=t.transpose()
 
sig=A1*numpy.cos(2*pi*f1*t+fi1) + A2*numpy.cos(2*pi*f2*t+fi2)
noise=An*numpy.random.rand(len(t))
x=sig+noise
 
wind=numpy.hanning(nfft)
 
noverlap=numpy.fix(nfft * overlap)
nadvance=nfft-noverlap
nrecs=numpy.fix((len(t)-noverlap)/nadvance)
 
Pxx=numpy.zeros((nfft))
ind=numpy.arange(0,nfft,1)
for k in range(nrecs):
    xs=x[ind]
    xs=numpy.multiply((xs-numpy.mean(xs)),wind)
    Xf=numpy.fft.fft(xs,nfft)/nfft
    Pxx=Pxx+numpy.square(numpy.abs(Xf))
    ind=ind+int(nadvance)
 
Pxx=Pxx[0:nfft/2]
f=numpy.arange(0.0,nfft/2,1)/(nfft/2-1)*(fs/2)
 
pylab.figure
pylab.plot(f,10*numpy.log10(Pxx),linewidth=0.5) # in dB
pylab.xlabel('f [Hz]')
pylab.ylabel('PSD [dB]')
pylab.savefig("fig_PSD_python.png")  
pylab.show()
 
# time
toc = time.clock()
czas=toc - tic
czas_='Time: '
czas_=czas_ + "%0.*f" %(0,numpy.fix(czas/3600)) + ' hours, '
czas_=czas_ + "%0.*f" %(0,numpy.fix(czas/60)-numpy.fix(czas/3600)*60) + ' min and '
czas_=czas_ + "%0.*f" %(2,numpy.mod(czas,60)) + ' s.'
print(czas_)

Na pierwszy rzut oka widać duże podobieństwo pomiędzy obydwoma programami i wydaje się, że dla użytkownika Matlaba rozpoczęcie pracy z Pythonem przy wykorzystaniu dedykowanych bibliotek powinno być względnie proste. Oba języki są językami wysokiego poziomu, dającymi dużą swobodę w wyborze metody rozwiązania problemu. Biblioteki do obliczeń numerycznych zawierają funkcje o bardzo podobnych nazwach, wywołaniu i działaniu do funkcji znanych użytkownikom Matlaba. Niemniej jednak, po kilku latach używania Matlaba, jest kilka elementów do których się przyzwyczaiłem i których jest mi brak przy pierwszym kontakcie z Pythonem. Na przykład: brak operatorów z kropką wyraźnie określających działania na pojedynczych elementach tablicy, czy przejrzystego i prostego zapisu macierzy w postaci a=[1,2,3;4,5,6].

Poniższy rysunek pokazuje wynik działania funkcji plot() w Matlabie (po lewej) i jej odpowiednika o takiej samej nazwie z biblioteki Matplotlib (po prawej).

Orientacyjny czas wykonania obydwu programów przy kilkukrotnym uruchomieniu jest bardzo zbliżony do siebie. Na przenośnym komputerze z procesorem Intel Core 2 Duo 2GHz wynosi:
Matlab: 0.25 s [0.24-0.26]
Python: 0.26 s [0.25-0.27]

Ciekawostką jest, że wykonanie skryptu Matlaba w środowisku Octave trwało znacznie krócej:
Octave: 0.08 s [0.07-0.09]

Żeby porównać wydajność obu środowisk, należałoby wykonać dużo większą ilość obliczeń. W następnym wpisie przedstawię wyniki takiego zestawienia wykorzystując programy wymagające znacznie większej mocy obliczeniowej.

Ostatnio coraz więcej osób pracujących naukowo, do wykonywania obliczeń numerycznych zaczyna wykorzystywać język Python . Ja również od pewnego czasu zastanawiam się nad przeniesieniem części swojej pracy z Matlaba do Pythona. Na korzyść Pythona przemawia kilka argumentów.

Przede wszystkim jest darmowy. W zestawieniu z kosztem Matlaba jest to istotny argument ponieważ znacząca jest już cena samego środowiska obliczeniowego, a dokupienie opcjonalnych toolboxów dodatkowo zwiększa koszt zakupu platformy Mathworks. Darmowe biblioteki Pythona jak np. NumPy, SciPy, Matplotlib czy IPython zapewniają dużą część funkcjonalności podstawowej wersji Matlaba i niektórych toolboxów.

Po drugie Python jest językiem programowania o interpreterach dostępnych na prawie wszystkie platformy. W wielu systemach, wraz z podstawowymi bibliotekami, jest domyślnie rozprowadzany razem z dystrybucją. Dzięki temu, po zainstalowaniu wymaganych bibliotek, możliwe jest wykonanie programów napisanych w Pythonie na prawie każdym komputerze. Natomiast środowisko Matlab, głównie ze względu na swój koszt, jest kupowane najczęściej przez instytucje naukowe, uczelnie lub duże firmy. I przeważnie z licencją na ograniczoną, niewielką liczbę stanowisk lub równoczesnych sesji. Dlatego w Matlabie, programy uruchomić będą mogły tylko osoby mające dostęp do tego środowiska, najczęściej w pracy lub na uczelni. W tym miejscu należałoby wspomnieć o darmowej alternatywie dla programów napisanych w języku Matlaba – platformie Octave. Język Octave jest prawie całkowicie zgodny z językiem Matlaba, a wszelkie różnice w składni i działaniu poszczególnych funkcji są uważane za błędy i systematycznie likwidowane. Jednak obie platformy nie są jeszcze w 100% zgodne ze sobą [Porting programs from Matlab to Octave] i o ile prostsze programy Matlaba bez problemu dają się uruchomić w Octave, to z wykonaniem bardziej skomplikowanych skryptów mogą wystąpić trudności. Umieszczone na tej stronie, proste skrypty w języku Matlaba powinny uruchamiać się w środowisku Octave w wersji 3.2.4 lub wyższej. Natomiast programy w języku Python, każdy powinien móc uruchomić na swoim komputerze (ewentualnie, po uprzednim zainstalowaniu Pythona).

Kolejnym argumentem na korzyść Pythona jest to, że jest on pełnym językiem programowania, a nie środowiskiem dedykowanym do przeprowadzania obliczeń. To powoduje, że w razie potrzeby łatwiej jest wykorzystać Pythona do wykonywania operacji nie związanych wprost z obliczeniami. Dodatkowo duża liczba dedykowanych bibliotek, optymalizowanych pod kątem realizacji określonych zadań bardzo upraszcza implementację. Python może być używany jako język skryptowy służący np. automatyzacji powtarzających się zadań, a jednocześnie po zaimportowaniu odpowiednich bibliotek można go w sposób prosty wykorzystać do przeprowadzania naukowych obliczeń. Wiele aplikacji udostępnia swoje API właśnie w Pythonie. Jestem w stanie bez większych problemów wyobrazić sobie sytuację, gdzie w celu wykorzystania części swoich wcześniejszych programów w jednej z takich aplikacji, przekopiowuję bez żadnych zmian funkcje i fragmenty programów napisanych w Pythonie. Skrypty stworzone w Matlabie są w takiej sytuacji bezużyteczne.

Dla równowagi podkreślić należy kilka zalet środowiska Mathworks. Matlab jest jedną z najszerzej wykorzystywanych platform obliczeniowych na świecie. Od wielu lat wykorzystywany jest przez środowiska naukowe w różnych dziedzinach badań i do dziś stanowi standard w środowiskach uniwersyteckich. Przy wykorzystaniu Matlaba, wykonywane są obliczenia do większości publikacji naukowych, a przykładowe fragmenty kodu i algorytmy zapisywane są w języku Matlaba. Chociażby z tego powodu, aby pozostać w zgodzie z tym standardem, warto jest przynajmniej znać zapis Matlabowy.

Inną zaletą platformy Mathworks względem Pythona jest to, że dostarcza jednorodne, kompletne proste w instalacji środowisko zawierające w jednym miejscu wszystkie wymagane do pracy elementy. Bezpośrednio po instalacji, podczas której automatycznie instalowane są również zakupione toolboxy, użytkownik uruchamia jedno zwarte środowisko w którym dostępne są: okno poleceń, zintegrowany edytor, podgląd zmiennych w przestrzeniach pamięci, debugger, profiler, historia poleceń, przeglądarka plików, pomoc on-line, a nawet dostęp do internetowych baz skryptów udostępnianych przez społeczność użytkowników Matlaba. Pracę ułatwiają między innymi kreatory importu i eksportu danych z popularnych formatów plików, obsługa schowka, czy zintegrowane narzędzia do edycji wykresów. Moim zdaniem, to jest bardzo duży atut Matlaba, że zaraz po krótkiej instalacji stanowi kompletne środowisko zawierające zintegrowane liczne narzędzia ułatwiające pracę.

Innym bardzo dużym atutem produktu Mathworks jest Simulink – środowisko do przeprowadzania symulacji i projektowania, zintegrowane z Matlabem. Do Simulinka również można dokupić dedykowane toolboxy. Simulink w połączeniu z Matlabem stanowi potężną platformę mogącą służyć analizie zachowań systemów dynamicznych, wizualizacji symulacji, modelowaniu danych i wielu innym zastosowaniom. Obecnie nie ma na rynku konkurencyjnego do Simulinka oprogramowania o podobnych możliwościach.

W internecie znajduje się wiele stron porównujących Matlaba i Pythona przy różnego rodzaju zastosowaniach. Wymienione powyżej argumenty za każdym z tych dwóch środowisk to moje subiektywne zdanie. Wypunktowałem różnice, które są istotne według mnie i w konkretnych zastosowaniach, z którymi mam do czynienia – obliczeniami w zakresie analizy sygnałów. Inne osoby mogą przywiązywać wagę do innych cech obu języków w zależności od swoich przyzwyczajeń lub oczekiwań. Żeby móc ocenić praktyczne aspekty pracy z tymi językami, chciałbym wykonać kilka obliczeń w obu środowiskach porównując łatwość implementacji, czas wykonania itp. Ponieważ z jednej strony nie mam dużego doświadczenia z programowaniem w Pythonie, a z drugiej strony chciałbym zrobić coś ciekawszego niż wypisanie na ekranie liczb w pętli, to w następnych artykułach przedstawię zastosowanie obu języków do kilku prostych przypadków analizy modelowanych sygnałów, a także dźwięku i obrazu.

Użytkownicy systemów Windows, mogą pobrać skompilowane wersje wielu bibliotek Pythona do obliczeń naukowych ze strony: Unofficial Windows Binaries for Python Extension Packages, utrzymywanej przez Christopha Gohlke. Użytkownikom systemów linuksowych najłatwiej będzie użyć bibliotek z oficjalnych repozytoriów lub skompilować najnowsze wersje ze źródeł.

Na zakończenie odnośniki do dwóch środowisk obliczeniowych o otwartym kodzie źródłowym: Scilab i SAGE.