Spektralanalyse physiologischer Signale
|
|
- Adam Gerhardt
- vor 5 Jahren
- Abrufe
Transkript
1 Spektralanalyse physiologischer Signale Dr. rer. nat. Axel Hutt Vorlesung 11
2 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))
3 Potential spike train, der an Synapse ankommt: Zeit
4 Strom, der an Synapse evoziert wird: h(t) =e t/ =1ms = 100ms synaptischer Strom I(t) = X i Z t 1 h(t t 0 )A(t 0 t i ) dt 0 lineare Antwort mit Transferfunktion h Zeit [s]
5 h(t) =e t/ (t) h( ) 2 = Frequenz ν
6 PSD des induzierten Stroms an Zelle PSD [db] Tiefpassfilter Frequenz [Hz] Synapsen wirken als Tiefpassfilter
7 Signal [na] gemessenes Signal direkt neben Neuron hat zwei Komponenten: Aktionspotentiale und synaptische Antworten Beispiel Zeit [s]
8 PSD [na 2/ s] spike hat Breite Δt=1.3ms spike ist in erster Näherung ein Rechteckimpuls: PSD ist sinc-funktion mit Minima bei n/δt=n 770Hz Frequenz [Hz]
9 Elektrodynamik neuronalen Gewebes (1) Gauss-Gesetz (2) Ladungserhaltung ρ: Ladungsdichte der Ionen, die sich durch die Neuronenmembran bewegen. ε: Dieelektrizitätskonstante/Permitivität des Gewebes.
10 Elektrodynamik neuronalen Gewebes (3) (4) Ohmsches Gesetz Definition des Potentials (Local Field Potential) σ: Leitfähigkeit des Gewebes daraus lässt sich bestimmen,! wie Spannung V von ε und σ abhängt.
11 ρ V E j
12 das Potential folgt aus (1) und (4): r( E) =(r )E + re (r )rv + V = = (r )rv V für homogene Medien: V = (Poisson-Gleichung)
13 das Potential folgt auch aus (2), (3) und (4): rj = r( E) =(r )E + re = (r )rv (r )rv +
14 V = V (x, t), = (x, t) x 2 R 3 zeitliche Fouriertransformation : F[V (x, t)](!) = Z 1 1 V (x, t)e i!t dt = V! (x) (r )rv! + V! =! (r )rv! + V! = i!! (rv! ) r( + i! )+( + i! ) V! =0
15 unter Annahme einer radialen Abhängigkeit von ε und σ folgt nach zweimaliger räumlicher Integration: Impedanz des Gewebes (Bedard und Destexhe, Biophys. J. (2005))
16 numerische Ergebnisse Tiefpassfilter Hochpassfilter
17 weitere numerische Ergebnisse Tiefpassfilter
18 Zusammenfassung: je weiter der Messpunkt räumlich vom Neuron entfernt ist, desto schwächer ist das Signal je höher die Frequenz, desto schwächer ist das Signal entfernte spikes werden geblockt neuronales Gewebe wirkt wie ein räumlicher und zeitlicher Tiefpassfilter.
19 zwei verschiedene Maβe von elektrischer Aktivität: Aktionspotentiale / spikes auf sehr kurzer Zeitskala (ms) Lokale Feldpotentiale auf längerer Zeitskala jedes Maβ hat eigene Eigenschaften und Synchronisationsverhalten Trennung von beiden Signaltypen durch Frequenzfilter
20 Implementierung eines Tiefpassfilter I(t) = Z t 1 e (t t0 )/ {z } =h(t t 0 ) A(t 0 )dt 0 di(t) dt = Z (t t0 )/ {z } =h(t t 0 ) 1 A(t 0 ) A dt 0 + Z t 1 (t t0 )/ {z } =h(t t 0 ) 1 A(t 0 = 1 Z t 1 e (t t0 )/ A(t 0 )dt 0 + e (t t0 )/ A(t t 0 =t e (t t 0 )/ A(t 1) ) 0! 1 = 1 I(t)+A(t)
21 .Implementierung eines Tiefpassfilter di(t) dt = 1 I(t)+A(t) Einen Tiefpassfilter kann man somit leicht als Lösung einer Differentialgleichung betrachten und diese ist einfach implementierbar.
22 Signal [na] Zeit [s] LFP = tiefpass-gefilterte Aktivität
23 PSD [na 2/ s] PSD von LFP Frequenz [Hz]
24 Signal [na] nochmal genauer: Zeit [s]
25 PSD [na 2/ s] Frequenz [Hz]
26 Wechselwirkung zwischen Neuronen? elektrischer Dipol Axonale und elektromagnetische WW! führen zur Synchronisation (Nunez and Srinivasan, Electric Fields of the Brain: The Neurophysics of EEG (2006))
27 b) einige Neuronen
28 um die Frequenz zu bestimmen, mit der Neuronen spikes emmitieren, also feuern, muss man diese spikes aus aus den Daten isolieren.
29 1. Aufgabe: Trennung von spike trains und LFP Frequenzfilter: spikes mit Hochpass-Filter, LFP mit Tiefpassfilter Detektion von spikes durch setzen von Schwellwert
30 Was ist ein spike, was ist Hintergrund?
31 Problem: Elektrode
32 Problem: Elektrode Wieviele Neuronen werden mit einer Elektrode gemessen? Kann man einzelne Neuronen identifizieren und trennen?
33 2. Aufgabe: Identifizierung von Neuronen
34 2. Aufgabe: Identifikation von Neuronen spike sorting
35 spike sorting Wichtige Eigenschaft der Neuronen: jeder spike hat eine charakteristische Form diese Form macht die Neuronen unterscheidbar
36 spike sorting
37 Beispiel für gemessenes Signal: Detektion mittels Schwellwert
38 Schwelle überlagerte Signalstücke
39 ~ dasselbe Neuron? Schwelle überlagerte Signalstücke
40 ~ dasselbe Neuron? verschiedene Neuronen?
41 3. Aufgabe: Trennung von Neuronen Principal Component Analysis Clusteranalyse
42 3. Aufgabe: Trennung von Neuronen Principal Component Analysis Clusteranalyse
43 Principal Component Analysis:, q 2 R S Z, q(t)dt =0 Annahme: v k q(t) = NX i=1 x i (t)v k v i Nun : Näherung durch M<N Moden
44 Principal Component Analysis (1) Fehler durch Näherung: 0 apple E apple 1, h i = Z dt = h P N i=1 x i(t)v i P M i=1 x i(t)v i 2 i hq 2 (t)i = h P N i=m+1 x i(t)v i 2 i hq 2 (t)i
45 Principal Component Analysis (2) = NX i,j=m+1 hx i (t)x j (t)v i v j i hq 2 (t)i
46 .Principal Component Analysis (3) (q t v) t (q t v)= X i q i v i X j q j v j = X i,j v i (q i q j )v j = X i,j v i Q ij v j = v t Qv
47 .Principal Component Analysis (4) E E ist der Fehler, den man bei der Näherung durch M<N Moden macht. Kovarianzmatrix Wie muss man vi wählen, damit der Fehler minimal? Dabei ist die Basis {vi} normiert.
48 .Principal Component Analysis (5) Lagrange-Parameter Eigenwert
49 .Principal Component Analysis (6) eingesetzt : Fehler: Ranking der Eigenwerte: Erste Mode hat gröβten Beitrag zum Signal, die zweite Mode den zweitgröβten etc. Hierarchie der Eigenvektoren
50 dimension 2 Anwendung auf 2-dimensionale Daten: dimension 1
51 Ergebnisse: PCA 2 PCA 1 λ1=0.61, λ2= 0.39
52 Projektion x2 Projektion x1
53 Anwendung auf simulierte spike-daten: s(n) = TX i=1 c i s i (n), n =1,...,S, s 2 R T time vector of spike trains spikes 1-5 spikes 6-10 T: # time points = # modes S: #samples, # trials time
54 Untermenge der simulierten Daten spike 6 spike 1 spike 2
55 Eigenwerte (nicht normiert) PCA-Mode 1 PCA-Mode 2 PCA-Mode 3 time
56 Anwendung auf reale spike-daten: s(n) = TX i=1 c i s i (n), n =1,...,S, s 2 R T time vector of spike trains T: # time points = # modes S: #samples, # trials
57
58 } Spektrallücke
59 3. Aufgabe: Trennung von Neuronen Principal Component Analysis Clusteranalyse
60 Wie kann man die spike-formen vergleichen?
61 Wie kann man die spike-formen vergleichen? Maximum und Minimum der spikes Cluster 1 Cluster 2
62 oder Höhe und Breite der spikes
63 einfachste Methode: k-means / nearest-neigbour finde K cluster so, dass Abstand von Cluster-Zentren zu Datenpunkten minimal ist Beispiel von eben Cluster 3 + Cluster 1 + K=3 + Cluster 2
64 .k-means / nearest-neigbour Vorteil: einfache Implementierung, numerisch schnell Nachteil: Anzahl von Clustern K muss gewählt werden Cluster sind Sphären hard membership: Datenpunkt gehört zu Cluster oder nicht
Spektralanalyse 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 1 III. Zeit-Frequenz Analyse Short-time Fourier Transform Gabor Transformation Lineare Filter Wavelet Transformation Konzept des
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
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 )]
MehrBMI. Der P300-Speller. Alexander Schulz Der P300-Speller. Übersicht. Einleitung. Verarbeitung & Klassifikation. Experiment 1.
16.12.09 1 2 3 4 5 P300 Grundlagen Versuchsaufbau Wiederholung Evoziertes Potential (Event-related potential oder ERP) P300 Grundlagen Versuchsaufbau Wiederholung Evoziertes Potential (Event-related potential
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
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
Mehr= n + + Thermodynamik von Elektrolytlösungen. Wdhlg: Chemisches Potential einer Teilchenart: Für Elektrolytlösungen gilt: wobei : und
Elektrolyte Teil III Solvatation, elektrische Leitfähigkeit, starke und schwache Elektrolyte, Ionenstärke, Debye Hückeltheorie, Migration, Diffusion, Festelektrolyte Thermodynamik von Elektrolytlösungen
MehrLineare Algebra und Datenwissenschaften in Ingenieur- und Informatikstudiengängen
Lineare Algebra und Datenwissenschaften in Ingenieur- und Informatikstudiengängen Heiko Knospe Technische Hochschule Köln heiko.knospe@th-koeln.de 6. September 26 / 2 Einleitung Das Management und die
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
Mehr2. Elektrostatik und Ströme
2. Elektrostatik und Ströme 2.1. elektrische Ladung, ionische Lösungen Wir haben letztes Semester angeschnitten, dass die meisten Wechselwirkungen elektrischer Natur sind. Jetzt wollen wir elektrische
MehrGrundlagen neuronaler Aktivität
Grundlagen neuronaler Aktivität Physikalische Grundlagen der medizinischen Bildgebung Thorsten Rings Universität Bonn 23.6.2014 Thorsten Rings (Universität Bonn) Grundlagen neuronaler Aktivität 23.6.2014
MehrLösungsskizzen zur Klausur Mathematik II
sskizzen zur Klausur Mathematik II vom..7 Aufgabe Es sei die Ebene im R 3 gegeben. E = +λ 3 + µ λ,µ R (a) Geben Sie die Hesse-Normalform der Ebene E an. (b) Berechnen Sie die orthogonale Projektion Π E
MehrVom Reiz zum Aktionspotential. Wie kann ein Reiz in ein elektrisches Signal in einem Neuron umgewandelt werden?
Vom Reiz zum Aktionspotential Wie kann ein Reiz in ein elektrisches Signal in einem Neuron umgewandelt werden? Vom Reiz zum Aktionspotential Primäre Sinneszellen (u.a. in den Sinnesorganen) wandeln den
MehrStatistik, Datenanalyse und Simulation
Dr. Michael O. Distler distler@kph.uni-mainz.de Mainz, 5. Juli 2011 Zunächst: PCA (Hauptkomponentenanalyse) ist eine mathematische Prozedur, die eine Anzahl von (möglicherweise korrelierten) Variablen
MehrWiederholungsserie II
Lineare Algebra II D-MATH, FS 205 Prof. Richard Pink Wiederholungsserie II. Zeige durch Kopfrechnen, dass die folgende reelle Matrix invertierbar ist: 205 2344 234 990 A := 224 423 990 3026 230 204 9095
MehrElektromagnetische Felder und Wellen
Elektromagnetische Felder und Wellen Name: Vorname: Matrikelnummer: Aufgabe 1: Aufgabe 2: Aufgabe 3: Aufgabe 4: Aufgabe 5: Aufgabe 6: Aufgabe 7: Aufgabe 8: Aufgabe 9: Aufgabe 10: Aufgabe 11: Aufgabe 12:
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
Mehr11 Untermannigfaltigkeiten des R n und lokale Extrema mit Nebenbedingungen
11 Untermannigfaltigkeiten des R n und lokale Extrema mit Nebenbedingungen Ziel: Wir wollen lokale Extrema von Funktionen f : M R untersuchen, wobei M R n eine k-dimensionale Untermannigfaltigkeit des
Mehr2. Dezember Lineare Algebra II. Christian Ebert & Fritz Hamm. Skalarprodukt, Norm, Metrik. Matrizen. Lineare Abbildungen
Algebra und Algebra 2. Dezember 2011 Übersicht Algebra und Algebra I Gruppen & Körper Vektorräume, Basis & Dimension Algebra Norm & Metrik Abbildung & Algebra I Eigenwerte, Eigenwertzerlegung Singulärwertzerlegung
MehrJ. Breckow R. Greinert. Biophysik. Eine Einführung
J. Breckow R. Greinert Biophysik Eine Einführung Walter de Gruyter 1994 1 Differenzierungsprozesse und Bildung geordneter Strukturen... 1 1. Abgeschlossene Systeme. offene Systeme... 2 1.1. Allgemeines
MehrGeistes-, Sozial-, Technik- und Naturwissenschaften gemeinsam unter einem Dach. Seminar Brain-Machine Interfaces. BMI more practical
Seminar Brain-Machine Interfaces BMI more practical 1 25.11.2009 EEG Geräte 16 256 Kanäle Abschirmung interne Filter Hauptkriterien für die BMI Entwicklung: Können die Daten in Echtzeit aus dem Gerät gewonnen
MehrAnalysis II. Aufgaben zum Stoff der Analysis I und II Lösungsvorschlag
Prof Dr H Garcke, D Depner SS 9 NWF I - Mathematik 1979 Universität Regensburg Aufgabe 1 Analysis II Aufgaben zum Stoff der Analysis I und II Lösungsvorschlag i Erinnern Sie sich an die Konvergenzkriterien
MehrLineare Algebra: Determinanten und Eigenwerte
: und Eigenwerte 16. Dezember 2011 der Ordnung 2 I Im Folgenden: quadratische Matrizen Sei ( a b A = c d eine 2 2-Matrix. Die Determinante D(A (bzw. det(a oder Det(A von A ist gleich ad bc. Det(A = a b
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
MehrTopologische Objektrepräsentationen und zeitliche Korrelation
Topologische Objektrepräsentationen und zeitliche Korrelation Frank Michler Fachbereich Physik, AG NeuroPhysik Outline 1 2 Stimuli -Neuron und Architektur Lernregel 3 Selektivitäts-Karten Invariante Repräsentation
MehrInduktion, Polarisierung und Magnetisierung
Übung 2 Abgabe: 08.03. bzw. 12.03.2019 Elektromagnetische Felder & Wellen Frühjahrssemester 2019 Photonics Laboratory, ETH Zürich www.photonics.ethz.ch Induktion, Polarisierung und Magnetisierung In dieser
MehrFormelsammlung. Experimentalphysik II. Zur Vorlesung bei Prof. Dr. M. Wuttig, Sommersemester Pascal Del Haye 27.
Formelsammlung Experimentalphysik II Zur Vorlesung bei Prof. Dr. M. Wuttig, Sommersemester 2003 Pascal Del Haye www.delhaye.de 27. Juli 2003 Inhaltsverzeichnis Thermodynamik 3. Ideale Gasgleichung........................
Mehr4. Transiente Analyse
4. Transiente Analyse Bei der transienten Analyse wird der zeitliche Verlauf der Antwort auf eine zeitlich veränderliche Last bestimmt. Die zu lösende Bewegungsgleichung lautet: [ M ] [ü ]+[ D ] [ u ]+
Mehr2 k k 1 k(k + 1) = 2n+1. n = 0 = k(k + 1) = 2n+1 n n. = 2 n+1 n + 2 (n + 1)(n + 2) + n. (n + 1)(n + 2)
Prof. Hesse Höhere Mathematik I und II Musterlösung 7. 0. 0, 80min Aufgabe (3 Punkte) Zeigen Sie mit vollständiger Induktion: Für alle n N gilt n k= k k k(k + ) = n+ n +. Induktionsanfang: k= Induktionsschluss
MehrInduktion, Polarisierung und Magnetisierung
Übung 2 Abgabe: 11.03. bzw. 15.03.2016 Elektromagnetische Felder & Wellen Frühjahrssemester 2016 Photonics Laboratory, ETH Zürich www.photonics.ethz.ch Induktion, Polarisierung und Magnetisierung In dieser
MehrElektrodynamik (T3p)
Zusatzaufgaben zur Vorlesung Elektrodynamik (T3p) SoSe 5 Beachten Sie, dass die nachfolgenden Aufgaben nur als zusätzliche Übung und nicht als potenzielle Klausuraufgaben angesehen werden sollten! Aufgabe
Mehrd. h. die Summe der positiven und negativen Ladungsträger, welche in einer Zeit t durch eine senkrecht stehende Fläche A treten: I = I +
Elektrolyte Teil II Solvatation, elektrische Leitfähigkeit, starke und schwache Elektrolyte, Ionenstärke, Debye Hückeltheorie, Migration, Diffusion, Festelektrolyte Wie hängt der Strom von der Geschwindigkeit
MehrÜBUNGEN UR THEORETISCHEN PHYSIK C Bewertungsschema für Bachelor Punkte Note < 6 5. 6-7.5 4.7 8-9.5 4. -.5 3.7-3.5 3.3 4-5.5 3. 6-7.5.7 8-9.5.3 3-3.5. 3-33.5.7 34-35.5.3 36-4. nicht bestanden bestanden
MehrKommentierte Musterlösung zur Klausur HM II für Naturwissenschaftler
Kommentierte Musterlösung zur Klausur HM II für Naturwissenschaftler Sommersemester 23 (5.8.23). Gegeben seien die Matrizen A = 2 3 3 und B = 5 2 5 (a) Bestimmen Sie die Eigenwerte von A und B sowie die
Mehr47 Singulärwertzerlegung
47 Singulärwertzerlegung 47.1 Motivation Wir haben gesehen, dass symmetrische Matrizen vollständig mithilfe ihrer Eigenwerte und Eigenvektoren beschrieben werden können. Diese Darstellung kann unmittelbar
MehrStatistik - Fehlerrechnung - Auswertung von Messungen
Statistik - Fehlerrechnung - Auswertung von Messungen TEIL II Vorbereitungskurs F-Praktikum B (Physik), RWTH Aachen Thomas Hebbeker Eindimensionaler Fall: Parameterbestimmung - Beispiele [Übung] Mehrdimensionaler
MehrFerienkurs Elektrodynamik - Drehmomente, Maxwellgleichungen, Stetigkeiten, Ohm, Induktion, Lenz
Ferienkurs Elektrodynamik - Drehmomente, Maxwellgleichungen, Stetigkeiten, Ohm, Induktion, Lenz Stephan Huber 19. August 2009 1 Nachtrag zum Drehmoment 1.1 Magnetischer Dipol Ein magnetischer Dipol erfährt
MehrModellbildung und Simulation
Modellbildung und Simulation 6. Vorlesung Wintersemester 2007/2008 Klaus Kasper Value at Risk (VaR) Gaußdichte Gaußdichte der Normalverteilung: f ( x) = 1 2π σ x e 2 2 x ( x µ ) / 2σ x Gaußdichte der Standardnormalverteilung:
Mehr2. Vorlesung Partielle Differentialgleichungen
2. Vorlesung Partielle Differentialgleichungen Wolfgang Reichel Karlsruhe, 22. Oktober 204 Institut für Analysis KIT University of the State of Baden-Wuerttemberg and National Research Center of the Helmholtz
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
MehrDiplom Vorprüfung bzw. Bachelor Modulprüfung Höhere Mathematik II für die Fachrichtung Physik. Lösungsvorschläge. det
UNIVERSITÄT KARLSRUHE Institut für Analysis HDoz. Dr. P. C. Kunstmann Herbst 9.9.9 Diplom Vorprüfung bzw. Bachelor Modulprüfung Höhere Mathematik II für die Fachrichtung Physik Lösungsvorschläge Aufgabe
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:
MehrKommentierte Musterlösung zur Klausur HM II für Naturwissenschaftler
Kommentierte Musterlösung zur Klausur HM II für Naturwissenschaftler Sommersemester 7 (7.8.7). Gegeben ist die Matrix A 3 3 3 (a) Bestimmen Sie sämtliche Eigenwerte sowie die zugehörigen Eigenvektoren.
Mehr2. Vorlesung Partielle Differentialgleichungen
2. Vorlesung Partielle Differentialgleichungen Wolfgang Reichel 2.Transatlantische Vorlesung aus Oaxaca, Mexiko, 20. Oktober 2010 Institut für Analysis KIT University of the State of Baden-Wuerttemberg
MehrElektromagnetische Feldtheorie 2
Diplom-Vorprüfung Elektrotechnik und Informationstechnik Termin Sommersemester 08 Elektromagnetische Feldtheorie 2 Montag, 28. 07. 2008, 9:00 10:00 Uhr Zur Beachtung: Zugelassene Hilfsmittel: Originalskript
MehrUnterschied zwischen aktiver und passiver Signalleitung:
Unterschied zwischen aktiver und passiver Signalleitung: Passiv: Ein kurzer Stromimpuls wird ohne Zutun der Zellmembran weitergeleitet Nachteil: Signalstärke nimmt schnell ab Aktiv: Die Zellmembran leitet
MehrMathematische Werkzeuge R. Neubecker, WS 2016 / 2017
Mustererkennung Mathematische Werkzeuge R. Neubecker, WS 2016 / 2017 Optimierung: Lagrange-Funktionen, Karush-Kuhn-Tucker-Bedingungen Optimierungsprobleme Optimierung Suche nach dem Maximum oder Minimum
Mehr7 Anwendungen der Linearen Algebra
7 Anwenungen er Linearen Algebra 7.1 Extremwertaufgaben mit Nebenbeingungen Bemerkung 7.1. Wir behaneln as Problem: Gegeben ist eine zweimal stetig ifferenzierbare Funktion f : R n R un ein stetig ifferenzierbares
MehrBlatt 12.3: Fourier-Integrale, Differentialgleichungen
Fakultät für Physik R: Rechenmethoden für Physiker, WiSe 205/6 Dozent: Jan von Delft Übungen: Benedikt Bruognolo, Dennis Schimmel, Frauke Schwarz, Lukas Weidinger http://homepages.physik.uni-muenchen.de/~vondelft/lehre/5r/
MehrKapitel 5. Eigenwerte. Josef Leydold Mathematik für VW WS 2017/18 5 Eigenwerte 1 / 42
Kapitel 5 Eigenwerte Josef Leydold Mathematik für VW WS 2017/18 5 Eigenwerte 1 / 42 Geschlossenes Leontief-Modell Ein Leontief-Modell für eine Volkswirtschaft heißt geschlossen, wenn der Konsum gleich
MehrProbleme? Höhere Mathematik!
Hans LTrinkaus Probleme? Höhere Mathematik! Eine Aufgabensammlung zur Analysis, Vektor- und Matrizenrechnung Zweite, unveränderte Auflage Mit 307 Abbildungen Springer-Verlag Berlin Heidelberg New York
MehrNanostrukturphysik II Michael Penth
16.07.13 Nanostrukturphysik II Michael Penth Ladungstransport essentiell für Funktionalität jeder Zelle [b] [a] [j] de.academic.ru esys.org giantshoulders.wordpress.com [f] 2 Mechanismen des Ionentransports
MehrErreichte Punktzahlen: Die Bearbeitungszeit beträgt 3 Stunden.
Fakultät für Physik der LMU München Prof. Ilka Brunner Michael Kay Vorlesung T4, WS11/12 Klausur am 18. Februar 2012 Name: Matrikelnummer: Erreichte Punktzahlen: 1 2 3 4 5 6 Hinweise Die Bearbeitungszeit
MehrVorlesung 17. Quantisierung des elektromagnetischen Feldes
Vorlesung 17 Quantisierung des elektromagnetischen Feldes Wir wissen, dass man das elektromagnetische Feld als Wellen oder auch als Teilchen die Photonen beschreiben kann. Die Verbindung zwischen Wellen
MehrÜbungen zur Ingenieur-Mathematik III WS 2011/12 Blatt Aufgabe 25: Berechnen Sie den kritischen Punkt der Funktion
Übungen zur Ingenieur-Mathematik III WS 11/1 Blatt 8 3.11.11 Aufgabe 5: Berechnen Sie den kritischen Punkt der Funktion fx, y 3x 5xy y + 3 und entscheiden Sie, ob ein Maximum, Minimum oder Sattelpunkt
MehrLineare Differentialgleichungen
Technische Universität München Thomas Reifenberger Vorlesung, Kapitel 4 Repetitorium Analysis I für Physiker Analysis I Lineare Differentialgleichungen 1 Das Matrixexponential Definition 1.1 Sei A C n
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 von Lattice-Boltzmann Methoden in der Strömungsakustik. Andreas Wilde
Anwendung von Lattice-Boltzmann Methoden in der Strömungsakustik Andreas Wilde Einführung/Überblick Frage: Kann man mit Lattice-Boltzmann Strömungsakustik machen? 2 Einführung/Überblick Frage: Kann man
Mehrn 2 2 n n 2 1 cos 2 {θ} = n 1 cos{θ} 1 r 1 + r
Elektromagnetische Felder und Wellen: zur Klausur Frühjahr 22 Aufgabe 3 Punkte) Das elektrische Feld liegt parallel zur Grenzfläche, also ist die Welle TE- polarisiert Der Reflektionsfaktor ist laut Skript
MehrMathematik-Tutorium für Maschinenbauer II: Differentialgleichungen und Vektorfelder
DGL Schwingung Physikalische Felder Mathematik-Tutorium für Maschinenbauer II: Differentialgleichungen und Vektorfelder Johannes Wiedersich 23. April 2008 http://www.e13.physik.tu-muenchen.de/wiedersich/
MehrProf. Schneider Höhere Mathematik I/II Musterlösung A = x 1 = 6x 1 + x 3 x 2 = 2x 2 x 3 = x 1 + 6x 3
Aufgabe ( Punkte) a) Bestimmen Sie die Eigenwerte und Eigenvektoren der Matrix 6 A = 6 b) Bestimmen Sie die allgemeine Lösung des Differentialgleichungssystems x = 6x + x 3 x = x x 3 = x + 6x 3 c) Bestimmen
MehrAllgemeine Einführung in Filter
Allgemeine Einführung in Filter Konstantin Koslowski TU-Berlin 3. November 2009 Konstantin Koslowski (TU-Berlin) Allgemeine Einführung in Filter 3. November 2009 1 / 22 Inhalt 1 Einführung Was sind Filter
MehrLineare Ausgleichsprobleme. Jetzt: Lösung überbestimmter linearer GS, d.h. mehr Gleichungen als Unbekannte
Lineare Ausgleichsprobleme Bisher: Lösung linearer GS Ax = b, A R n,n, A regulär, b R n Jetzt: Lösung überbestimmter linearer GS, d.h. mehr Gleichungen als Unbekannte Ax = b mit A R m,n, b R m, m n, rg(a)
MehrLösungsskizzen der Klausur zur Linearen Algebra im Herbst 2015
sskizzen der Klausur zur Linearen Algebra im Herbst 5 Aufgabe I. Es sei (G, ) eine Gruppe mit neutralem Element e und M {x G x x e}. Zeigen Sie: (a) Ist G kommutativ, so ist M eine Untergruppe von G. (b)
Mehr11. Elektrodynamik Das Gaußsche Gesetz 11.2 Kraft auf Ladungen Punktladung im elektrischen Feld Dipol im elektrischen Feld
Inhalt 11. Elektrodynamik 11.1 Das Gaußsche Gesetz 11.2 Kraft auf Ladungen 11.2.1 Punktladung im elektrischen Feld 11. Elektromagnetische Kraft 11 Elektrodynamik 11. Elektrodynamik (nur Vakuum = Ladung
MehrBlatt 11.1: Fourier-Integrale, Differentialgleichungen
Fakultät für Physik R: Rechenmethoden für Physiker, WiSe 204/5 Dozent: Jan von Delft Übungen: Benedikt Bruognolo, Katharina Stadler http://homepages.physik.uni-muenchen.de/~vondelft/lehre/4t0/ Blatt.:
Mehr3. Übung zur Vorlesung Steuer- und Regelungstechnik
3. Übung zur Vorlesung Steuer- und Regelungstechnik Linearisierung Felix Goßmann M.Sc. Institut für Steuer- und Regelungstechnik Fakultät für Luft- und Raumfahrttechnik Universität der Bundeswehr München
MehrNeuroinformatik II. Günther Palm und Friedhelm Schwenker Institut für Neuroinformatik
Neuroinformatik II Günther Palm und Friedhelm Schwenker Institut für Neuroinformatik Vorlesung (3h) Übungen (1h): Di, Fr 10-12 Uhr H21 (1.Übung: 08.05.09) Schein: 50% der Punkte (6 übungsblätter) + aktive
MehrMultivariate Verfahren
Multivariate Verfahren Oliver Muthmann 31. Mai 2007 Gliederung 1 Einführung 2 Varianzanalyse (MANOVA) 3 Regressionsanalyse 4 Faktorenanalyse Hauptkomponentenanalyse 5 Clusteranalyse 6 Zusammenfassung Komplexe
MehrUli Monzel Universität des Saarlandes FR 5.3 Psychologie Seminar: Elektrophysiologie kognitiver Prozesse Dozentin: Nicola Ferdinand
Uli Monzel Universität des Saarlandes FR 5.3 Psychologie Seminar: Elektrophysiologie kognitiver Prozesse Dozentin: Nicola Ferdinand Definition EKP Extraktion von Komponenten aus dem EEG Identifikation
MehrKapitel 2.1: Die stochastische Sicht auf Signale Georg Dorffner 67
Kapitel 2.1: Die stochastische Sicht auf Signale 215 Georg Dorffner 67 Stochastische Prozesse Stochastische Prozesse sind von Zufall geprägte Zeitreihen x n f x, n 1 xn2,... n vorhersagbarer Teil, Signal
MehrLineare Algebra I Vorlesung - Prof. Dr. Daniel Roggenkamp & Falko Gauß
Lineare Algebra I - 26. Vorlesung - Prof. Dr. Daniel Roggenkamp & Falko Gauß Donnerstag 8.12.: 8:30 Uhr - Vorlesung 10:15 Uhr - große Übung / Fragestunde Klausur: Mittwoch, 14.12. 14:15 Uhr, A3 001 Cauchy-Schwarz
MehrMusterlösung Serie 21
D-MATH Lineare Algebra II FS 09 Prof. Richard Pink Musterlösung Serie Positiv-Definitheit und Singulärwertzerlegung. Welche der folgenden drei reellen symmetrischen Matrizen sind positiv definit? A : 6
Mehr1 Elektrostatik TUM EM-Tutorübung SS 10. Formelsammlung EM SS Fabian Steiner, Paskal Kiefer
TUM EM-Tutorübung SS 1 1.5.21 Formelsammlung EM SS 21 Diese Formelsammlung dient nur zur Orientierung und stellt keinen nspruch auf ollständigkeit. Zudem darf sie während der Prüfung nicht benutzt werden,
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:
Mehra) Die Abbildung µ h ist injektiv, da für alle g 1, g 2 G gilt: Daher ist µ h bijektiv. Zudem folgt aus µ h (g) = g auch
Aufgabe. (8 Punkte) Es sei (G, ) eine Gruppe und e G ihr neutrales Element. Für h G sei µ h : G G die Abbildung, die durch g G : µ h (g) := h g gegeben ist. a) Zeigen Sie, dass für jedes h G die Abbildung
MehrTP2: Elektrodynamik WS Arbeitsblatt 10 21/ Dipole und Multipole in stationären Feldern
TP2: Elektrodynamik WS 2017-2018 Arbeitsblatt 10 21/22.12. 2017 Dipole und Multipole in stationären Feldern Die Multipolentwicklung ist eine hilfreiche Näherung zur Lösung der Poisson Gleichung, wenn eine
MehrAusgewählte Lösungen zu den Übungsblättern 9-10
Fakultät für Luft- und Raumfahrttechnik Institut für Mathematik und Rechneranwendung Vorlesung: Lineare Algebra (ME), Prof. Dr. J. Gwinner Dezember Ausgewählte Lösungen zu den Übungsblättern 9- Übungsblatt
MehrÜbungsblatt 12 Elektrizitätslehre und Magnetismus Bachelor Physik Bachelor Wirtschaftsphysik Lehramt Physik
Übungsblatt 2 Elektrizitätslehre und Magnetismus Bachelor Physik Bachelor Wirtschaftsphysik Lehramt Physik.7.28 Aufgaben. Ein Transformator mit Primärwindungen und 3 Sekundärwindungen wird mit einem Wechselstrom
MehrLösungen zu Prüfung Lineare Algebra I/II für D-MAVT
Prof. N. Hungerbühler ETH Zürich, Sommer 4 Lösungen zu Prüfung Lineare Algebra I/II für D-MAVT. [ Punkte] Hinweise zur Bewertung: Jede Aussage ist entweder wahr oder falsch; machen Sie ein Kreuzchen in
MehrKapitel 7: Maxwell-Gleichungen
Kapitel 7: Maxwell-Gleichungen 1831-1879 Physik-II - Christian Schwanenberger - Vorlesung 50 7.1 Der Verschiebungsstrom 7 Maxwell - Gleichungen 7.1 Der Verschiebungsstrom Das Faraday sche Gesetz B beschreibt,
Mehr10. Elektrodynamik Physik für E-Techniker. 10. Elektrodynamik Kraft auf Ladungen Dipol im elektrischen Feld. Doris Samm FH Aachen
10. Elektrodynamik 10.11 Das Gaußsche Gesetz 10.2 Kraft auf Ladungen 1021P 10.2.1 Punktladung im elektrischen kti Feld 10.2.2 Dipol im elektrischen Feld Einleitung (wir hatten) Es gibt (genau) zwei Arten
MehrAngewandte Multivariate Statistik Prof. Dr. Ostap Okhrin
Angewandte Multivariate Statistik Angewandte Multivariate Statistik Prof. Dr. Ostap Okhrin Ostap Okhrin 1 of 46 Angewandte Multivariate Statistik A Short Excursion into Matrix Algebra Elementare Operationen
MehrHöhere Mathematik III für die Fachrichtung Elektrotechnik und Informationstechnik. Bachelor-Modulprüfung. Lösungsvorschläge
Institut für Analysis SS 5 PD Dr. Peer Christian Kunstmann 7.9.5 Silvana Avramska-Lukarska Höhere Mathematik III für die Fachrichtung Elektrotechnik und Informationstechnik Bachelor-Modulprüfung Lösungsvorschläge
MehrAnwendungen der Differentialrechnung
KAPITEL 3 Anwendungen der Differentialrechnung 3.1 Lokale Maxima und Minima Definition 16: Sei f : D R eine Funktion von n Veränderlichen. Ein Punkt x heißt lokale oder relative Maximalstelle bzw. Minimalstelle
MehrTutorium Mathematik II M WM
Tutorium Mathematik II M WM 9.6.7 Lösungen Lösen Sie folgende Systeme von Differentialgleichungen der Form x = A x + b mit. A = 6 und b = et. e t Hinweis: Die Eigenwerte und -vektoren der Matrix A lauten:
MehrElektromagnetische Felder und Wellen: Klausur
Elektromagnetische Felder und Wellen: Klausur 2012-2 Aufgabe 1: Aufgabe 2: Aufgabe 3: Aufgabe 4: Aufgabe 5: Aufgabe 6: Aufgabe 7: Aufgabe 8: Aufgabe 9: Aufgabe 10: Aufgabe 11: Aufgabe 12: Aufgabe 13: Aufgabe
Mehr, r [0, 2], ϕ [0,π/2], ϑ [0,π/6]. x 3. x 2 2 x 2 1. F(x) = x 2 3
Prof. Dr. Eck Höhere Mathematik 3 9.3.9 Aufgabe ( Punkte) Gegeben ist der Körper K mit der Parametrisierung x r cos ϕ cos ϑ K : x = Φ(r,ϕ,ϑ) = r sin ϕ cos ϑ, r [, ], ϕ [,π/], ϑ [,π/6]. x 3 r sin ϑ a) Berechnen
MehrE2: Wärmelehre und Elektromagnetismus 22. Vorlesung
E2: Wärmelehre und Elektromagnetismus 22. Vorlesung 05.07.2018 Heute: - Verschiebestrom - Maxwellgleichungen - Wellengleichungen - Elektromagnetische Wellen Barlow-Rad Prof. Dr. Jan Lipfert https://xkcd.com/273/
Mehra ij i - te Gleichung (Zeile), i = 1,2,3,..., m
I) MATRIZEN Der Start: Lineare Gleichungen y ax+ a2x2 + a3x3 y2 a2x+ a22x2 + a23x3... Koeffizienten a ij i - te Gleichung (Zeile), i,2,3,..., m j - te Variable (Spalte), j,2,3,..., n Definition m x n Matrix
MehrEinführung in die Hauptkomponentenanalyse
Einführung in die Hauptkomponentenanalyse Florian Steinke 6. Juni 009 Vorbereitung: Einige Aspekte der multivariaten Gaußverteilung Definition.. Die -D Gaußverteilung für x R ist ( p(x exp (x µ σ. ( Notation:
Mehr11. Elektrodynamik Das Gaußsche Gesetz 11.2 Kraft auf Ladungen Punktladung im elektrischen Feld Dipol im elektrischen Feld
11. Elektrodynamik Physik für ETechniker 11. Elektrodynamik 11.1 Das Gaußsche Gesetz 11.2 Kraft auf Ladungen 11.2.1 Punktladung im elektrischen Feld 11.2.2 Dipol im elektrischen Feld 11. Elektrodynamik
MehrBildgebende Verfahren in der Medizin Impedanz-Tomographie Olaf Dössel
Bildgebende Verfahren in der Medizin Impedanz-Tomographie INSTITUT FÜR BIOMEDIZINISCHE TECHNIK 2008 Google - Imagery 2008 Digital Globe, GeoContent, AeroWest, Stadt Karlsruhe VLW, Cnes/Spot Image, GeoEye
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
MehrMusterlösung Höhere Mathematik I/II Di. Aufgabe 1 (11 Punkte) Geben Sie die Matrixbeschreibung der Quadrik
Aufgabe Punkte Geben Sie die Matrixbeschreibung der Quadrik {x R 3x 3x 8x x +x +4x +7 = 0} an Berechnen Sie die euklidische Normalform der Quadrik und ermitteln Sie die zugehörige Koordinatentransformation
MehrLabor Grundlagen Elektrotechnik
Fakultät für Technik Bereich Informationstechnik ersuch 5 Elektrische Filter und Schwgkreise SS 2008 Name: Gruppe: Datum: ersion: 1 2 3 Alte ersionen sd mit abzugeben! Bei ersion 2 ist ersion 1 mit abzugeben.
Mehr3.2 Maximum-Likelihood-Schätzung
291 Die Maximum-Likelihood-Schätzung ist die populärste Methode zur Konstruktion von Punktschätzern bei rein parametrischen Problemstellungen. 292 3.2.1 Schätzkonzept Maximum-Likelihood-Prinzip: Finde
Mehr