Spektralanalyse physiologischer Signale
|
|
- Susanne Fuchs
- vor 5 Jahren
- Abrufe
Transkript
1 Spektralanalyse physiologischer Signale Dr. rer. nat. Axel Hutt Vorlesung 1
2 III. Zeit-Frequenz Analyse Short-time Fourier Transform Gabor Transformation Lineare Filter Wavelet Transformation Konzept des Analytischen Signals Weitere nichtlineare Methoden
3 Kurze Diskussion von weiteren Zeit-Frequenz Analysemethoden 1. reassignment spectrogram (taken from
4 . weiteren Zeit-Frequenz Analysemethoden 2. Wigner-Ville Verteilung Betrachte nicht-stationäre Korrelationsfunktion eines Signals x(t) C(t 1,t 2 )=h(x(t 1 ) µ(t 1 )) (x(t 2 ) µ(t 2 ))i t =(t 1 + t 2 )/2, = t 1 t 2 C(t 1,t 2 )=C t + 2,t 2 Ansatz für zeit-aufgelöstes Leistungsspektrum: W x (t, f) = Z 1 1 C t + 2,t 2 e i2 f d
5 . weiteren Zeit-Frequenz Analysemethoden 3. Empirical Mode Decomposition (EMD) Ziel:! zerlege iterativ Zeitserie s(t) so in Einzelzeitserien (Intrinsic Mode Functions IMF), dass IMFs gleich viele lokale Extrema wie Nulldurchgänge hat. Dann s(t) = NX n=1 IMF n (t)+r(t) EMD ist ein numerisches Verfahren, um instantane Frequenzen zu bestimmen. Referenz: Huang et al. (1998)., Proc. Royal Soc. London A 454 (1971): doi:1.198/rspa
6 EMD - Schritt für Schritt von Patrick Flandrin, ENS Lyon
7 tone chirp tone + chirp
8 2 IMF 1; iteration 1-2
9 2 IMF 1; iteration 1-2
10 2 IMF 1; iteration 1-2
11 2 IMF 1; iteration 1-2
12 2 IMF 1; iteration 1-2
13 2 IMF 1; iteration 1-2
14 IMF 1; iteration residue
15 IMF 1; iteration residue
16 IMF 1; iteration residue
17 IMF 1; iteration residue
18 IMF 1; iteration residue
19 1.5 IMF 1; iteration residue
20 1.5 IMF 1; iteration residue
21 1.5 IMF 1; iteration residue
22 1.5 IMF 1; iteration residue
23 1.5 IMF 1; iteration residue
24 1.5 IMF 1; iteration residue
25 1.5 IMF 1; iteration residue
26 IMF 1; iteration residue
27 IMF 1; iteration residue
28 IMF 1; iteration residue
29 IMF 1; iteration residue
30 IMF 1; iteration residue
31 IMF 1; iteration residue
32 IMF 2; iteration residue
33 IMF 2; iteration residue.5 -.5
34 1 IMF 2; iteration residue.5 -.5
35 1 IMF 2; iteration residue.5 -.5
36 1 IMF 2; iteration residue.5 -.5
37 1 IMF 2; iteration residue.5 -.5
38 IMF 3; iteration residue
39 .2 IMF 3; iteration residue
40 .5 IMF 4; iteration -.5 residue
41 IMF 4; iteration residue
42 IMF 5; iteration residue
43 IMF1 IMF2 IMF3 IMF4 IMF5
44 Beispiel: Transiente Oszillationen IMF1 IMF2 IMF3 IMF4 IMF5 IMF6 IMF7 IMF8 (11 IMF ingesamt)
45 instantane Frequenzen IMF1 IMF2 IMF3 IMF4 IMF5 IMF6 IMF7 IMF8 (11 IMF ingesamt)
46 Beispiel: Spracheaufnahme Originalsignal
47 Instantane Frequenzen basierend auf Hilbert-Transformation:
48 I. Einleitung II. Fourier Analyse III. Zeit-Frequenz Analyse IV. Synchronisation
49 IV. Synchronisation 1. Historie und Definition 2. Statistische Analyse von verschiedenen Datentypen 3. Vollständige und partielle Synchronisation 4. Amplituden- und Phasensynchronisation
50 IV. Synchronisation 1. Historie und Definition 2. Statistische Analyse von verschiedenen Datentypen 3. Vollständige und partielle Synchronisation 4. Amplituden- und Phasensynchronisation
51 1. Historie und Definition Beispiele von Synchronisation Glühwürmchen
52 1. Historie und Definition Beispiele von Synchronisation Vogelschwarm
53 Was steckt dahinter?
54 Was steckt dahinter? Gut zu sehen an Metronomen:
55 Ursache der Synchronisation: leichte Wechselwirkung der Einzelelemente
56 erster Fund des Synchronisationseffekts in Pendeln durch Christian Huygens um das Jahr 1656.
57 erster Fund des Synchronisationseffekts in Pendeln durch Christian Huygens um das Jahr Erklärung: schwache Wechselwirkung zwischen Pendel aus Pikovsky, Rosenblum und Kurths, Synchronization, Cambridge University Press (21)
58 erster Fund des Synchronisationseffekts in Pendeln durch Christian Huygens um das Jahr Erklärung: schwache Wechselwirkung zwischen Pendel aus Pikovsky, Rosenblum und Kurths, Synchronization, Cambridge University Press (21) mutual synchronization
59 heute: Unterscheidung zwischen vollständiger und partieller Synchronisation
60 heute: Unterscheidung zwischen vollständiger und partieller Synchronisation S. nicht nur in Systemen mit einer Frequenz, auch zwischen chaotischen Systemen möglich
61 heute: Unterscheidung zwischen vollständiger und partieller Synchronisation S. nicht nur in Systemen mit einer Frequenz, auch zwischen chaotischen Systemen möglich Im allgemeinen: Für aktive selbst-bestimmte Oszillatoren kann eine schon schwache Wechselwirkung eine Anpassung der Frequenz, Phase und Amplitude verursachen
62 Wichtig:! falls wechselwirkende Elemente im System keine Oszillatoren sind oder nicht selbst-bestimmt oszillieren, so liegt einem gemeinsamen Verhalten keine Synchronisation zugrunde.
63 Wichtig:! falls wechselwirkende Elemente im System keine Oszillatoren sind oder nicht selbst-bestimmt oszillieren, so liegt einem gemeinsamen Verhalten keine Synchronisation zugrunde. Beispiel: getriebener gedämpfter Oszillator zeigt Resonanz
64 Wichtig:! falls wechselwirkende Elemente im System keine Oszillatoren sind oder nicht selbst-bestimmt oszillieren, so liegt einem gemeinsamen Verhalten keine Synchronisation zugrunde. Beispiel: getriebener gedämpfter Oszillator zeigt Resonanz wechselwirkende Systeme, die selbst nicht oszillieren, wie Jäger und Beute im Lotka-Volterra Modell
65 Messdaten der Population von Luchs und Hase aus Pikovsky, Rosenblum und Kurths, Synchronization, Cambridge University Press (21)
66 Frage: Wie kann man feststellen, ob es wechselwirkende selbst-oszillierende Untersysteme gibt, "! wenn man gemeinsames Verhalten beobachtet?
67 Frage: Wie kann man feststellen, ob es wechselwirkende selbst-oszillierende Untersysteme gibt, "! wenn man gemeinsames Verhalten beobachtet????????
68 Beispiel für Synchronisation im Gehirn Experiment: Informationsverarbeitung im visuellen Cortex typischer Versuchstyp: Orientation tuning:
69 Vergleich der spike trains mehrerer Neuronen: Skizze:
70 Korrelationsfunktion für spike trains xa(t) und xb(t):
71 Korrelationsfunktion für spike trains xa(t) und xb(t): C(τ)=lim Wahrscheinlichkeit{ spike in xa im Intervall [t+τ;t+τ+δτ] spike in xb im Interval [t+δτ] }
72 Korrelationsfunktion für spike trains xa(t) und xb(t): C(τ)=lim Wahrscheinlichkeit{ spike in xa im Intervall [t+τ;t+τ+δτ] spike in xb im Interval [t+δτ] } ähnlich der Korrelationsfunktion von kontinuierlichen Variablen: C(τ)=E[xA(t)xB(t+τ)]
73 Experiment: Synchronisation im visuellen Cortex der Katze
74 Experiment: Synchronisation im visuellen Cortex der Katze an jedem Messpunkt misst man Aktionspotentiale (AP)
75 Experiment: Synchronisation im visuellen Cortex der Katze an jedem Messpunkt misst man Aktionspotentiale (AP) AP haben die Form eines spikes
76 Experiment: Synchronisation im visuellen Cortex der Katze an jedem Messpunkt misst man Aktionspotentiale (AP) AP haben die Form eines spikes Frage: sind räumlich getrennte Neuronen synchronisiert?
77 Experimentelle Daten in Neuronen im visuellen Cortex der Katze: Autokorrelogram (aus Grey et al., Nature (1986))
78 einfaches Modell: x A (t) = cos(2 t), x B (t) = cos(2 t + )
79 einfaches Modell: x A (t) = cos(2 t), x B (t) = cos(2 t + ) C( ) = 1 T Z T/2 T/2 x A (t)x B (t + )dt
80 einfaches Modell: x A (t) = cos(2 t), x B (t) = cos(2 t + ) C( ) = 1 T = 1 2 Z T/2 T/2 + sin!t 2!T x A (t)x B (t + )dt cos( +! )
81 einfaches Modell: x A (t) = cos(2 t), x B (t) = cos(2 t + ) C( ) = 1 T = 1 2 C() cos( ) Z T/2 T/2 + sin!t 2!T x A (t)x B (t + )dt cos( +! )
82 einfaches Modell: x A (t) = cos(2 t), x B (t) = cos(2 t + ) C( ) = 1 T = 1 2 C() cos( ) Z T/2 T/2 + sin!t 2!T x A (t)x B (t + )dt cos( +! ) beide Oszillatoren haben Phase Φ=, falls C(τ) ein Maximum bei τ= hat
83 Hodgkin-Huxley Modell: Vm: Membranpotential n: Wahrscheinlichkeit, dass K + -Ionenkanal offen ist m: Wahrscheinlichkeit, dass Na + -Ionenkanal aktiv ist h: Wahrscheinlichkeit, dass Na + -Ionenkanal inaktiv ist
84 Hodgkin-Huxley Modell: Vm: Membranpotential n: Wahrscheinlichkeit, dass K + -Ionenkanal offen ist m: Wahrscheinlichkeit, dass Na + -Ionenkanal aktiv ist h: Wahrscheinlichkeit, dass Na + -Ionenkanal inaktiv ist
85 das Membranpotential eines Neurons folgt der Dynamik von dv dt = f(v,p) p: Modellparameter
86 das Membranpotential eines Neurons folgt der Dynamik von dv dt = f(v,p) p: Modellparameter die Membranpotentiale vieler Neuronen kann der Dynamik von dv i dt = f(v i,p i )+D NX (V i V j,,, ) t j=1 folgen.
87 Aktivität eines Neurons: I= I=-8.5 I=.5
88 schwache Kopplung zweier Neuronen: dv 1 dt dv 2 dt = f(v 1,p 1 )+D(V 1 V 2,,, ) t = f(v 2,p 2 )+D(V 2 V 1,,, ) t V j =(V j,n j,m j,h j ) D=. D=.2 D=.4
89 D=. D=.2 D=.4 I1=., I2=-8.
90 D=. D=.2 close to synchronisation D=.4
91 Reduktion auf spikes
92 spike-korrelationsfunktionen D=. D=.2 D=.4 τ
93 zum Vergleich: mit starkem Messrauschen
94 zum Vergleich: mit starkem Messrauschen
95 Korrelationsfunktion erster Indikator für Synchronisation, doch nicht eindeutig
96 anderes Maβ:
97 anderes Maβ: spike coherence zwischen zweier spike trains x und y: X(l)=1 falls mindestens 1 spike in spike train x K=T/τbin
98 anderes Maβ: spike coherence zwischen zweier spike trains x und y: X(l)=1 falls mindestens 1 spike in spike train x K=T/τbin globale spike coherence
99 Beispiel: Netzwerk-Modells
100 Beispiel: Netzwerk-Modells Konzentration von Anästhetikum Propofol wird erhöht
101 numerische Simulation des Netzwerks
102 numerische Simulation des Netzwerks
103 spike coherence basiert nur auf spike train (Aktionspotentiale), ist gutes Mass für Synchronisation
104 Aktionspotential zeigt Membranpotential in der Zellmembran, doch was sieht man ausserhalb?
105 Aktionspotential zeigt Membranpotential in der Zellmembran, doch was sieht man ausserhalb? einzelne Synapse Summe von synaptischen Strömen AP synaptic bouton induced current I(t) membrane current source j induzierter Strom (aus Freeman, Int. J. Bif. Chaos (1992))
Spektralanalyse physiologischer Signale
Spektralanalyse physiologischer Signale Dr. rer. nat. Axel Hutt Vorlesung 11 Aktionspotential zeigt Membranpotential in der Zellmembran, doch was sieht man ausserhalb? einzelne Synapse Summe von synaptischen
MehrSpektralanalyse physiologischer Signale
Spektralanalyse physiologischer Signale Dr. rer. nat. Axel Hutt Vorlesung 1 - WS 2016/17 über mich Studium der Physik an U Stuttgart Promotion: Nichtlineare Dynamik in Gehirnsignalen Forschung in Neurowissenschaften
MehrSpektralanalyse physiologischer Signale
Spektralanalyse physiologischer Signale Dr. rer. nat. Axel Hutt Vorlesung 7 Beispiel: Tiefpass-Filter einzelne Synapse AP Eingang: Folge von spikes synaptic bouton I(t) = X i I 0 (t t i ), t i+1 >t i membrane
MehrSYNCHRONISATION VON PENDELUHREN UND METRONOMEN. Vortrag von Fabian Hannig
SYNCHRONISATION VON PENDELUHREN UND METRONOMEN Vortrag von Fabian Hannig Gliederung 1. Was versteht man unter Synchronisation? 2. Was ist Synchronisation? 1. Arten der Synchronisation 3. Christiaan Huygens
MehrAuswertung dynamischer Druckdaten von Experimenten an der HF- Brennkammer mit der Hilbert-Huangund der Fourier-Transformation
Auswertung dynamischer Druckdaten von Experimenten an der HF- Brennkammer mit der Hilbert-Huangund der Fourier-Transformation C. Pegg, M. Oschwald DLR C. Pegg, M. Oschwald > DIV3 > 11. Oktober 27 > 1 HF-Brennkammer
Mehr400 Schwingungen. 410 Pendel 420 Untersuchung von oszillierenden Systemen
4 Schwingungen 41 Pendel 4 Untersuchung von oszillierenden Systemen um was geht es? Schwingungen = Oszillationen Beschreibung von schwingenden Systemen Methoden zur Analyse, Modellierung und Simulation
MehrSynchronisation: ein universelles Ordnungsprinzip für Rhythmen Michael Rosenblum
Synchronisation: ein universelles Ordnungsprinzip für Rhythmen Michael Rosenblum Statistische Physik / Chaos Theorie Institut für Physik und Astronomie Universität Potsdam Schwingungen: wichtig in Wissenschaft
MehrEinfache Modelle der Neurodynamik.
Vorlesung Einfache Modelle der Neurodynamik. Anregbarkeit und canards. Wintersemester 2015/16 12.01.2016 M. Zaks Aufbau eines Neurons: Gesamtbild 2 / 16 neuron Aufbau eines Neurons: Axon und Dendriten
MehrDynamische Systeme in der Biologie: Beispiel Neurobiologie
Dynamische Systeme in der Biologie: Beispiel Neurobiologie Caroline Geisler geisler@lmu.de April 18, 2018 Elektrische Ersatzschaltkreise und Messmethoden Wiederholung: Membranpotential Exkursion in die
MehrSpektralanalyse physiologischer Signale
Spektralanalyse physiologischer Signale Dr. rer. nat. Axel Hutt Vorlesung 6 zum Übungsblatt Aufgabe 2: S ( ) = X j,k G,j ( ) G,k( )apple 2 jk E[I 2 (t)i 2 (t 0 )] = apple 2 (t t 0 ) E[I i (t)i j (t 0 )]
MehrNeuronale Kodierung. Jutta Kretzberg. Lehrprobe Oldenburg,
Neuronale Kodierung Jutta Kretzberg Lehrprobe Oldenburg, 2.10.2008 http://www.uni-oldenburg.de/sinnesphysiologie/download/lehrprobe.pdf Vorlesung zum Master-Modul Neurobiologie Neuroanatomie Neurophysiologie
MehrSeminar: Physik in der Biologie Physik des Innenohrs
Seminar: Physik in der Biologie Stefan Waselikowski Johannes Asal 18. Juli 2006 Übersicht Der Weg des Schalls 1 Der Weg des Schalls Aufbau des Ohrs Bis zum Innenohr Im Innenohr 2 Wellenausbreitung Mathematische
MehrElektroenzephalografie - Frequenzanalyse und Synchronisation
Elektroenzephalografie - Frequenzanalyse und Synchronisation Michael Thiele Martin Heinzerling 17. Juni 2008 Inhaltsverzeichnis Einleitung Experimente Auswertung Synchronisation Appendix Arbeitsweise des
MehrC1/4 - Modellierung und Simulation von Neuronen
C 1 /4 - Modellierung und Simulation von Neuronen April 25, 2013 Motivation Worum geht es? Motivation Worum geht es? Um Neuronen. Motivation Worum geht es? Um Neuronen. Da ist u.a. euer Gehirn draus Motivation
MehrVerfahren zur Datenanalyse gemessener Signale
Verfahren zur Datenanalyse gemessener Signale Dr. rer. nat. Axel Hutt Vorlesung 4 zum Übungsblatt Aufgabe 1: sin( (f 3Hz)5s) sin( (f +3Hz)5s) X T (f) 1 i f 3Hz f +3Hz Nullstellen: T=5s: T=1s: f=3hz+2/5s,
MehrModelle zur Beschreibung von Schwellwertphänomenen in Nervenmembranen Fitzhugh-Nagumo-Gleichungen
Modelle zur Beschreibung von Schwellwertphänomenen in Nervenmembranen Fitzhugh-Nagumo-Gleichungen Katrin Schmietendorf Vortrag im Rahmen der Veranstaltung Numerische Methoden für Dynamische Systeme SoSe
MehrGrundlagen der Physik 2 Schwingungen und Wärmelehre
(c) Ulm University p. 1/ Grundlagen der Physik Schwingungen und Wärmelehre 3. 04. 006 Othmar Marti othmar.marti@uni-ulm.de Experimentelle Physik Universität Ulm (c) Ulm University p. / Physikalisches Pendel
MehrComputational Neuroscience 2. Neuronenmodelle
Computational Neuroscience 2. Neuronenmodelle Jutta Kretzberg Master-Grundmodul 2009 Download der pdf Version: http://www.uni-oldenburg.de/sinnesphysiologie/ 40426.html Nachtrag: Literatur pdf-version
MehrSynchronisation in Natur und Technik
Am Beispiel des Kuramoto-Modells Jan Baumbach Christoph Schöler Christian Barthel 2 Inhalt 1. Einleitung 2. Kuramoto-Modell 3. Simulation und Ergebnisse 3 Die Motivation Das Phänomen Synchronisation tritt
Mehr( ) Diskretes dynamisches Chaos. 1. Einleitung: Diskrete dynamische Systeme
Diskretes dynamisches Chaos. Einleitung: Diskrete dynamische Systeme Verschiedene Problemstellungen können zu zeitlich diskreten Systemen (Differenzengleichungen) führen: Zinseszinsrechnung: x(n+) = x(n)
MehrExperimentalphysik E1
Experimentalphysik E1 Erzwungene & gekoppelte Schwingungen Alle Informationen zur Vorlesung unter : http://www.physik.lmu.de/lehre/vorlesungen/index.html 10. Jan. 016 Gedämpfte Schwingungen m d x dt +
MehrSpektralanalyse. Spektralanalyse ist derart wichtig in allen Naturwissenschaften, dass man deren Bedeutung nicht überbewerten kann!
Spektralanalyse Spektralanalyse ist derart wichtig in allen Naturwissenschaften, dass man deren Bedeutung nicht überbewerten kann! Mit der Spektralanalyse können wir Antworten auf folgende Fragen bekommen:
MehrHochschule Düsseldorf University of Applied Sciences. 05. Januar 2017 HSD. Physik. Schwingungen II
Physik Schwingungen II Ort, Geschwindigkeit, Beschleunigung x(t) = cos! 0 t v(t) =ẋ(t) =! 0 sin! 0 t t a(t) =ẍ(t) =! 2 0 cos! 0 t Energie In einem mechanischen System ist die Gesamtenergie immer gleich
MehrSeminar: Quantenoptik und nichtlineare Optik Quantisierung des elektromagnetischen Strahlungsfeldes und die Dipolnäherung
Seminar: Quantenoptik und nichtlineare Optik Quantisierung des elektromagnetischen Strahlungsfeldes und die Dipolnäherung 10. November 2010 Physik Institut für Angewandte Physik Jörg Hoppe 1 Inhalt Motivation
MehrHochschule Düsseldorf University of Applied Sciences. 12. Januar 2017 HSD. Physik. Schwingungen III
Physik Schwingungen III Wiederholung Komplexe Zahlen Harmonischer Oszillator DGL Getrieben Gedämpft Komplexe Zahlen Eulersche Formel e i' = cos ' + i sin ' Komplexe Schwingung e i!t = cos!t + i sin!t Schwingung
MehrAktionspotentiale im Herzgewebe
Vortrag im Seminar Hydrodynamik des Blutes Aktionspotentiale im Herzgewebe Justin Grewe 6. Juli 2014 justin.grewe@tu-dortmund.de 1 Einführung Das Gewebe im Herzen kombiniert die Eigenschaften von Nerven
MehrSeminarvortrag: Visual Cortex
Seminarvortrag: Visual Cortex Sören Schwenker 13. Januar 2013 Visual Cortex Inhaltsverzeichnis 13. Januar 2013 Inhaltsverzeichnis 1 Einleitung 2 2 Conductance based models 2 3 Rate-based neural network
MehrExkurs: Method of multiple scales (Mehrskalen Methode)
Exkurs: Method of multiple scales (Mehrskalen Methode) dr. karin mora* Im folgenden betrachten wir nichtlineare dynamische Systeme (NDS) mit sogenannten kleinen nichtlinearen Termen. Viele mathematische
MehrNumerische Methoden und Algorithmen in der Physik
Numerische Methoden und Algorithmen in der Physik Hartmut Stadie, Christian Autermann 15.01.2009 Numerische Methoden und Algorithmen in der Physik Christian Autermann 1/ 47 Methode der kleinsten Quadrate
MehrAllgemein. Zeitdehnung Tonhöhenänderung Kurzzeit-Fourier-Transformation
1 Allgemein Zeitdehnung Tonhöhenänderung Kurzzeit-Fourier-Transformation Phasenvocoder Filterbanksummation Blockfiltertechnik Zeit-Frequenz-Skalierung Effekte Nov 13, 2015 2 Veränderung der Abspielgeschwindigkeit
MehrNeuronale Netzwerke: Feed-forward versus recurrent (d.h. feed-back )
Neuronale Netzwerke: Feed-forward versus recurrent (d.h. feed-back ) A: Schrittweise vorwärts-gerichtete Abbildung: Eingangssignal (Input) r in Ausgansgsignal (Output) r out Überwachtes Lernen (wie z.b.
MehrDynamik des lokalen Strom/Spannungsverhaltens von Nafion-Membranen
Dynamik des lokalen Strom/Spannungsverhaltens von Nafion-Membranen Präsentation der Ergebnisse der Aversumsprojekte 2009 Steffen ink a Wolfgang G. Bessler, b A. Masroor, b Emil Roduner a a Universität
MehrZeitreihenanalyse. H.P. Nachtnebel. Institut für Wasserwirtschaft, Hydrologie und konstruktiver Wasserbau. Definitionen und Anwendung
.. Zeitreihenanalyse H.P. Nachtnebel Institut für Wasserwirtschaft, Hydrologie und konstruktiver Wasserbau Definitionen und Anwendung Definition Zeitreihe zeitliche Abfolge von Messwerten, deren Auftreten
Mehr1 Differentialgleichungen mit Matlab lösen
1 Differentialgleichungen mit Matlab lösen Eine Differentialgleichung (DGL) ist eine Gleichung für eine gesuchte Funktion mit einer oder mehreren Variablen, in der auch Ableitungen dieser Funktion vorkommen.
MehrF R. = Dx. M a = Dx. Ungedämpfte freie Schwingungen Beispiel Federpendel (a) in Ruhe (b) gespannt: Auslenkung x Rückstellkraft der Feder
6. Schwingungen Schwingungen Schwingung: räumlich und zeitlich wiederkehrender (=periodischer) Vorgang Zu besprechen: ungedämpfte freie Schwingung gedämpfte freie Schwingung erzwungene gedämpfte Schwingung
MehrBiosignalverarbeitung
Peter Husar Biosignalverarbeitung Springer Inhaltsverzeichnis 1 Entstehung bioelektrischer Signale 9 1.1 Das Neuron 9 1.2 Elektrische Erregungsleitung und Projektion 15 2 Verstärkung und analoge Filterung
MehrEarth Magnetic Field. Climate. Sediments. endogene processes (e.g. bio-activity) magnetization. exogene processes (e.g.
Independent Component Analysis (ICA) und ihre Möglichkeiten in den Geowissenschaften Norbert Marwan Arbeitsgruppe Nichtlineare Dynamik Universität Potsdam Inhalt 1. Motivation 2. Independent Component
MehrDynamische Systeme in der Biologie: Beispiel Neurobiologie
Dynamische Systeme in der Biologie: Beispiel Neurobiologie Dr. Caroline Geisler geisler@lmu.de 13. Juni 2018 Hans Berger (1873-1941) und das EEG Hans Berger zeichnete 1924 das erste EEG (Elektroenzephalogramm)
Mehr3. Neuronale-Massen-Modelle
3. Neuronale-Massen-Modelle EEG- und MEG-Signale entstehen durch die massiv synchrone Aktivität einer Vielzahl von Pyramidenzellen in der Großhirnrinde. Eine Modellierung von EEG-/MEG-Aktivität auf neuronaler
Mehr5. Fourier-Transformation
5. Fourier-Transformation 5.1 Definition 5.2 Eigenschaften 5.3 Transformation reeller Funktionen 5.4 Frequenzbereich und Zeitbereich 2.5-1 5.1 Definition Definition: Die Fourier-Transformation einer Funktion
MehrDeterministisches Chaos
Heinz Georg Schuster Deterministisches Chaos Eine Einführung Weinheim New York Basel Cambridge Tokyo Einleitung 1 1 Experimente und einfache Modelle 7 1.1 Experimente zum Deterministischen Chaos 7 Das
MehrEmpirical Mode Composition
Seminar Algorithmen in Akustik und Computermusik 02 Seminarleiter: Univ.-Prof. Dr. Robert Höldrich WS 2005/06 Seminararbeit Empirical Mode Composition von Daniel Hofer Institut für Elektronische Musik
MehrBMT301. Grundlagen der Medizinischen Messtechnik. Ergänzende Folien EF2. Prof. Dr. rer. nat. Dr. rer. med. Daniel J. Strauss
BMT301 Grundlagen der Medizinischen Messtechnik Prof. Dr. rer. nat. Dr. rer. med. Daniel J. Strauss Ergänzende Folien EF2 die Hauptbestandteile einer Nervenzelle Aufbau einer Zellmembran Dicke einer Zellmembran:
MehrBK07_Vorlesung Physiologie. 05. November 2012
BK07_Vorlesung Physiologie 05. November 2012 Stichpunkte zur Vorlesung 1 Aktionspotenziale = Spikes Im erregbaren Gewebe werden Informationen in Form von Aktions-potenzialen (Spikes) übertragen Aktionspotenziale
MehrNeuronale Kodierung sensorischer Reize. Computational Neuroscience Jutta Kretzberg
Neuronale Kodierung sensorischer Reize Computational Neuroscience 30.10.2006 Jutta Kretzberg (Vorläufiges) Vorlesungsprogramm 23.10.06!! Motivation 30.10.06!! Neuronale Kodierung sensorischer Reize 06.11.06!!
MehrAnwendung: gedämpfter harmonischer Oszillator (ohne Antrieb) Exponentialansatz: Eigenwertproblem: Charakteristisches Polynom: Zwischenbemerkung:
Anwendung: gedämpfter harmonischer Oszillator (ohne Antrieb) Exponentialansatz: Eigenwertproblem: Charakteristisches Polynom: Zwischenbemerkung: (3q.6) folgt auch direkt, wenn ein exp-ansatz für x(t),
MehrDynamische Systeme in der Biologie: Beispiel Neurobiologie
Dynamische Systeme in der Biologie: Beispiel Neurobiologie Caroline Geisler geisler@lmu.de May 30, 2018 Stabilitätsanalyse in 2D Das Modell: Nullkline: dv dt dw dt = f(v) w+i F(V,w) = bv cw G(V,w) F(V,w)
MehrInhalt der Vorlesung A1
PHYSIK Physik A/B1 A WS SS 17 13/14 Inhalt der Vorlesung A1 1. Einführung Methode der Physik Physikalische Größen Übersicht über die vorgesehenen Themenbereiche. Teilchen A. Einzelne Teilchen Beschreibung
MehrBeispiele zu Teil 3: Differentialgleichungen
Beispiele zu Teil 3: Differentialgleichungen 1. Geben Sie die Ordnung der nachstehenden DGL an und geben Sie an ob die DGL in ihrer impliziten oder in ihrer expliziten Form vorliegt. x 2 tx 2 0 xx t 0
MehrPhysik mit dem PC. Von Dr. rer. nat. Ingo Bull Christian-Albrechts-Universität zu Kiel
Physik mit dem PC Von Dr. rer. nat. Ingo Bull Christian-Albrechts-Universität zu Kiel B.G.Teubner Stuttgart Leipzig 1998 Inhalt 1 Einleitung 11 2 PC-Interfacetechnik 13 2.1 ADT-Interface am Enhanced Parallel
MehrZwei Modelle retinaler Verarbeitung
Zwei Modelle retinaler Verarbeitung 8.1.2006 http://www.uni-oldenburg.de/sinnesphysiologie/15247.html Vorlesungsprogramm 17.10.05 Motivation 24.10.05 Passive Eigenschaften von Neuronen 31.10.05 Räumliche
MehrKopplung von Neuronen
Katharina Ritter, Friedrich Bach, Felix Tabbert, Walter Tewes, Matthias Walther 12.06.2012 Inhalt Einführung Lighthouse-Modell Numerische Ergebnisse Schlussbemerkungen Unterschiede zum 1 Neuronenmodell
Mehr5. Fourier-Transformation
Fragestellungen: 5. Fourier-Transformation Bei Anregung mit einer harmonischen Last kann quasistatitisch gerechnet werden, wenn die Erregerfrequenz kleiner als etwa 30% der Resonanzfrequenz ist. Wann darf
MehrPhysik für Mediziner und Zahnmediziner
Physik für Mediziner und Zahnmediziner Vorlesung 07 Prof. F. Wörgötter (nach M. Seibt) -- Physik für Mediziner und Zahnmediziner 1 Kontrollfragen Zeichnen Sie den typischen Verlauf einer Verformungskurve
MehrExperimentalphysik E1
Experimentalphysik E1 Gedämpfte & erzwungene Schwingungen Alle Informationen zur Vorlesung unter : http://www.physik.lmu.de/lehre/vorlesungen/index.html 16. Dez. 16 Harmonische Schwingungen Auslenkung
MehrPhysik 1 für Ingenieure
Physik 1 für Ingenieure Othmar Marti Experimentelle Physik Universität Ulm Othmar.Marti@Physik.Uni-Ulm.de Skript: http://wwwex.physik.uni-ulm.de/lehre/physing1 Übungsblätter und Lösungen: http://wwwex.physik.uni-ulm.de/lehre/physing1/ueb/ue#
MehrKlausur Höhere Mathematik I für die Fachrichtung Physik
Karlsruher Institut für Technologie (KIT Institut für Analysis Prof. Dr. Tobias Lamm Dr. Patrick Breuning WS /3 4.3.3 Klausur Höhere Mathematik I für die Fachrichtung Physik Aufgabe ((4+3+3 Punkte a Welche
MehrVorlesung Einführung in die Biopsychologie. Kapitel 4: Nervenleitung und synaptische Übertragung
Vorlesung Einführung in die Biopsychologie Kapitel 4: Nervenleitung und synaptische Übertragung Prof. Dr. Udo Rudolph SoSe 2018 Technische Universität Chemnitz Grundlage bisher: Dieser Teil nun: Struktur
MehrEinführung Grundlagen Die Theorie der Ratengleichungen Verfeinerte Theorien. Der Laser. Florentin Reiter. 23. Mai 2007
Der Laser Florentin Reiter 23. Mai 2007 Die Idee des Lasers A. Einstein (1916): Formulierung der stimulierten Emission von Licht als Umkehrprozess der Absorption Vorschlag zur Nutzung dieses Effektes zur
MehrBildverarbeitung: Fourier-Transformation. D. Schlesinger () BV: Fourier-Transformation 1 / 16
Bildverarbeitung: Fourier-Transformation D. Schlesinger () BV: Fourier-Transformation 1 / 16 Allgemeines Bilder sind keine Vektoren. Bilder sind Funktionen x : D C (Menge der Pixel in die Menge der Farbwerte).
MehrOptimierung des dynamischen Verhaltens netzstützender Anlagen am Beispiel der Virtuellen Synchronmaschine
1 / 12 Optimierung des dynamischen Verhaltens netzstützender Anlagen am Beispiel der Virtuellen Synchronmaschine EnInnov 2014, Session E2 Timo Dewenter 1, Benjamin Werther 2, Alexander K. Hartmann 1 und
Mehr2. Fourier-Transformation
2. Fourier-Transformation Die Fourier-Transformation ist ein wichtiges Hilfsmittel für die dynamische Analyse linearer Systeme: Die Fourier-Transformierte der Antwort ist gleich dem Produkt der Fourier-Transformierten
Mehr3 Modellierung von Neuronen I
3 Modellierung von Neuronen I Im ersten Kapitel über die Modellierung von Neuronen bewegen wir uns von der einfachsten Modelldarstellung von Neuronen, in denen das Neuron als eine Einheit modelliert wird
Mehr3 Lineare DGlen mit konstanten Koeffizienten
3 Lineare DGlen mit konstanten Koeffizienten In diesem wichtigen Fall linearer DGlen, dem wir ein eigenes Kapitel widmen wollen, sind die Koeffizientenfunktionen a k (t) a k Konstanten, n 1 x (n) (t)+
MehrNichtlinearität in der klassischen Physik
Nichtlinearität in der klassischen Physik Dr. Peter Schlagheck Vorlesung an der Uni Regensburg im Wintersemester 25/26 Inhaltsverzeichnis Klassische Mechanik 2. Lagrange-Formalismus........................................
MehrVorlesung Grundlagen Videotechnik. - Wie kriegen wir unser Signal übertragen über die Senderwelle?
Vorlesung Grundlagen Videotechnik Modulationsarten - Wie kriegen wir unser Signal übertragen über die Senderwelle? - Wir können unser Signal (Ton, Video) nicht direkt auf eine Antenne geben. - Wellenlängen
MehrStochastische Resonanz
Stochastische Resonanz Hauptseminar: Ausgewählte Kapitel der klassischen Peter Stinner, Fiona Pregizer 20.7.2010 Statistik, SS 2010 Seite 2 Inhalt Einleitung Eiszeit Stochastische Resonanz Was ist das?
MehrGrundlagen der Physik 2 Schwingungen und Wärmelehre
(c) Ulm University p 1/2 Grundlagen der Physik 2 Schwingungen und Wärmelehre 30 04 2007 Othmar Marti othmarmarti@uni-ulmde Experimentelle Physik Universität Ulm (c) Ulm University p 2/2 Gedämpfter Oszillator
MehrKonzepte der AI Neuronale Netze
Konzepte der AI Neuronale Netze Franz Wotawa Institut für Informationssysteme, Database and Artificial Intelligence Group, Technische Universität Wien Email: wotawa@dbai.tuwien.ac.at Was sind Neuronale
MehrMetabolismus Modelle. Überblick über Stoffwechselwege aus KEGG Datenbank (Kyoto Encyclopedia of Genes and Genomes)
Metabolismus Modelle Überblick über Stoffwechselwege aus KEGG Datenbank (Kyoto Encyclopedia of Genes and Genomes) www.genome.p/kegg Edda Klipp, Humboldt- zu Berlin Reproduktion experimenteller Befunde
MehrCP-Verletzung im K-System
Kapitel 3. CP-Verletzung im K-System B. Cahn 3. CP-Verletzung im K-System Gliederung: Teil 3..: Hist.: Experimentelle Beobachtung CPV Teil 3..: CP-Phänomenologie Teil 3..3: Erklärung CPV im Standardmodell
Mehr4.1 Grundlagen 4.2 Viskose Dämpfung 4.3 Modale Dämpfung 4.4 Rayleigh-Dämpfung 4.5 Strukturdämpfung. 4. Dämpfungsmodelle. Elastodynamik 1 3.
4.1 Grundlagen 4.2 Viskose Dämpfung 4.3 Modale Dämpfung 4.4 Rayleigh-Dämpfung 4.5 Strukturdämpfung 4. Dämpfungsmodelle 3.4-1 4.1 Grundlagen Dämpfung ist ein Prozess, bei dem Energie dissipiert wird. Mechanische
Mehr1. Kraft- und Weganregung 2. Deterministische Lasten. 3. Stochastische Lasten
Dynamische Lasten 1. Kraft- und Weganregung 2. Deterministische Lasten 2.1 Periodische Lasten 2.2 Allgemeine zeitabhängige Lasten 2.3 Harmonische Lasten 3. Stochastische Lasten 3.1 Instationäre stochastische
MehrSpezialisierte adaptive Algorithmen für die Modellprädiktive Regelung von PDEs
Spezialisierte adaptive Algorithmen für die Modellprädiktive Regelung von PDEs Lehrstuhl für Angewandte Mathematik Mathematisches Institut Universität Bayreuth 28.02.2018 12. Elgersburg Workshop (26.02.
MehrProbestudium der Physik 2011/12
Probestudium der Physik 2011/12 Karsten Kruse 2. Mechanische Schwingungen und Wellen - Theoretische Betrachtungen 2.1 Der harmonische Oszillator Wir betrachten eine lineare Feder mit der Ruhelänge l 0.
MehrEinleitung: Der Versuchstag befasst sich mit der Simulation von Aktionspotentialen mittels des Hodgkin-Huxley- Modells.
Einleitung: Der Versuchstag befasst sich mit der Simulation von Aktionspotentialen mittels des Hodgkin-Huxley- Modells. Viele Einzelheiten über die elektrische Aktivität von Nerven resultierten aus Experimenten
MehrNeuronale Signalverarbeitung
neuronale Signalverarbeitung Institut für Angewandte Mathematik WWU Münster Abschlusspräsentation am 08.07.2008 Übersicht Aufbau einer Nervenzelle Funktionsprinzip einer Nervenzelle Empfang einer Erregung
MehrDigitale Verarbeitung analoger Signale
Digitale Verarbeitung analoger Signale Digital Signal Analysis von Samuel D. Stearns und Don R. Hush 7., durchgesehene Auflage mit 317 Bildern, 16 Tabellen, 373 Übungen mit ausgewählten Lösungen sowie
MehrR. Oldenbourg Verlag München Wien 1997
Systemtheorie 1 Allgemeine Grundlagen, Signale und lineare Systeme im Zeit- und Frequenzbereich von Professor Dr.-Ing. Rolf Unbehauen 7., überarbeitete und erweiterte Auflage Mit 260 Abbildungen und 148
MehrEinführung in die Physik
Einführung in die Physik für Pharmazeuten und Biologen (PPh) Mechanik, Elektrizitätslehre, Optik Übung : Vorlesung: Tutorials: Montags 13:15 bis 14 Uhr, Liebig-HS Montags 14:15 bis 15:45, Liebig HS Montags
MehrAllgemeine Hirntheorie
Allgemeine Hirntheorie Aktuelle Probleme und Grenzen der Neurowissenschaft Marc Schönwiesner AG Neurobiologie, Universität Leipzig Gesichter finden und binden Allgemeine Hirntheorie Teil 2 - Eigenschaften
Mehr3. Übertragungsfunktionen
Definitionen: Die Fourier-Transformierte der Impulsantwortfunktion heißt Übertragungsfunktion: H ( f )= h(t )e 2 π i f t dt Mithilfe der Übertragungsfunktion kann die Fourier-Transformierte der Antwort
MehrKlangsynthese und Audiobearbeitung
Klangsynthese und Audiobearbeitung Thomas Hermann & Peter Meinicke AG Neuroinformatik Universität Bielefeld Termin 3, Akustik & Signalverarbeitung, 29. April 2002 http://www.techfak.uni-bielefeld.de/ags/ni/
MehrSysteme gewöhnlicher Di erentialgleichungen. Ordnung
Systeme gewöhnlicher Di erentialgleichungen. Ordnung Systeme. Ordnung De nition Für eine gegebene n n-matrix A(x) =(a ij (x)) n i,j=, deren Elemente Funktionen von x sind und einer gegebenen rechten Seite
Mehr5 Schwingungen und Wellen
5 Schwingungen und Wellen Schwingung: Regelmäßige Bewegung, die zwischen zwei Grenzen hin- & zurückführt Zeitlich periodische Zustandsänderung mit Periode T ψ ψ(t) [ ψ(t-τ)] Wellen: Periodische Zustandsänderung
Mehr4. Dämpfungsmodelle. 4.1 Grundlagen 4.2 Viskose Dämpfung 4.3 Modale Dämpfung 4.4 Rayleigh-Dämpfung 4.5 Strukturdämpfung. Elastodynamik 3.
4. Dämpfungsmodelle 4.1 Grundlagen 4.2 Viskose Dämpfung 4.3 Modale Dämpfung 4.4 Rayleigh-Dämpfung 4.5 Strukturdämpfung 3.4-1 4.1 Grundlagen Dämpfung ist ein Prozess, bei dem Energie dissipiert wird. Dabei
Mehrunivariate/multivariate Zeitreihenanalyse
univariate/multivariate Zeitreihenanalyse lineare Verfahren - statistische Momente - Fourier Transformation - Hilbert Transformation - Wavelet Transformation - Auto- / Kreuzkorrelationsfunktion - ARMA-Modelle
MehrStatistische Methoden der Datenanalyse
Statistische Methoden der Datenanalyse Vorlesung im Sommersemester 2008 H. Kolanoski Humboldt-Universität zu Berlin Inhaltsverzeichnis Literaturverzeichnis iii 1 Grundlagen der Statistik 3 1.1 Wahrscheinlichkeit............................
MehrPhysik 1 für Ingenieure
Physik 1 für Ingenieure Othmar Marti Experimentelle Physik Universität Ulm Othmar.Marti@Physik.Uni-Ulm.de Skript: http://wwwex.physik.uni-ulm.de/lehre/physing1 Übungsblätter und Lösungen: http://wwwex.physik.uni-ulm.de/lehre/physing1/ueb/ue#
MehrA1: Diplomvorprüfung HM II/III WS 2007/
A: Diplomvorprüfung HM II/III WS 7/8 6..8 Aufgabe. (+68 Punkte) a) Ist die Reihe k+ k k 5k konvergent oder divergent? Begründen Sie ihre Aussage! b) Führen Sie eine Partialbruchzerlegung für n+ durch und
MehrSystemanalyse und Modellbildung
Systemanalyse und Modellbildung Universität Koblenz-Landau Fachbereich 7: Natur- und Umweltwissenschaften Institut für Umweltwissenschaften Dr. Horst Niemes(Lehrbeauftragter) 10.1 Systemdefinition Eine
Mehr4. Wellenausbreitung
Motivation: Beim Stab konnten Lösungen der Form gefunden werden. u x,t = f 1 x ct f 2 x ct Diese Lösungen beschreiben die Ausbreitung von Wellen im Stab. Die Funktionen f 1 x und f 2 x werden durch die
Mehr18.4 Das Newton-Verfahren
18.4 Das Newton-Verfahren Ziel: Wir suchen die Nullstellen einer Funktion f : D R n, D R n : f(x) = 0 Wir kennen bereits die Fixpunktiteration x k+1 := Φ(x k ) mit Startwert x 0 und Iterationsvorschrift
MehrNichtlineare Dynamik in biologischen Systemen
Universität Leipzig Fakultät für Physik und Geowissenschaften Bereich Didaktik der Physik 29. August 2006 11 Nichtlineare Dynamik in biologischen Systemen Erster Gutachter: Prof. Dr. Wolfgang Oehme, Universität
MehrGitterfeldtheoretische Behandlung des harmonischen Oszillators in der Pfadintegralformulierung in Euklidischer Raum-Zeit
Gitterfeldtheoretische Behandlung des harmonischen Oszillators in der Pfadintegralformulierung in Euklidischer Raum-Zeit Präsentation zur Bachelorarbeit September 2014 Einleitung Modelle in der Physik
MehrUltrakurze Lichtimpulse und THz Physik
Ultrakurze Lichtimpulse und THz Physik 1. Einleitung. Darstellung ultrakurzer Lichtimpulse.1 Prinzip der Modenkopplung. Komplexe Darstellung ultrakurzer Lichtimpulse..1 Fourier Transformation.. Zeitliche
MehrEmpirical Mode Decomposition via adaptiver Wavelet-Approximation
Diplomarbeit Empirical Mode Decomposition via adaptiver Wavelet-Approximation Johann Rudi Matrikelnummer: 6310546 16. April 2010 Universität Paderborn Fakultät für Elektrotechnik, Informatik und Mathematik
MehrOptimierung. Optimierung. Vorlesung 2 Optimierung ohne Nebenbedingungen Gradientenverfahren. 2013 Thomas Brox, Fabian Kuhn
Optimierung Vorlesung 2 Optimierung ohne Nebenbedingungen Gradientenverfahren 1 Minimierung ohne Nebenbedingung Ein Optimierungsproblem besteht aus einer zulässigen Menge und einer Zielfunktion Minimum
MehrTheory Swiss German (Liechtenstein) Lies die Anweisungen in dem separaten Umschlag, bevor Du mit dieser Aufgabe beginnst.
Q2-1 Nichtlineare Dynamik in Stromkreisen (10 Punkte) Lies die Anweisungen in dem separaten Umschlag, bevor Du mit dieser Aufgabe beginnst. Einleitung Bistabile nichtlineare halbleitende Komponenten (z.b.
Mehr