Datenreihen unterschiedlicher Länge normieren / interpolieren?
Wenn dein Problem oder deine Frage geklärt worden ist, markiere den Beitrag als "Lösung",
indem du auf den "Lösung" Button rechts unter dem entsprechenden Beitrag klickst. Vielen Dank!
Datenreihen unterschiedlicher Länge normieren / interpolieren?
Hallo Allerseits,
meine Frage ist eher die Frage nach einem grundsätzulichen Verfahren Datenreihen unterschiedlicher Länge miteinander zu vergleichen:
Jeder Schrittzyklus dauert (auch beim selben Menschen) unterschiedliche lange. Daher erhalten wir bei Erfassung der zugehörigen EMG-Daten Datenreihen (1D-Arrays) unterschiedlicher Länge. D.h. die Anzahl der Indize der 1-D Arrays sind verschieden.
Leider habe ich bei meiner Recherche im WEB keinen Algorithmus gefunden, mit dem 1-D Arrays mit unterschiedlicher Anzahl von Daten auf die selbe Anzahl von Daten gebracht werden können.
Anhand der beigefügten Datei Mappe1.txt möchte ich meine Frage erklären und Lösungsgedanken beschreiben.
Die Indize der jeweiligen Value-Werte stehen in der ersten Spalte t[s] von Mappe1.txt. Daraus ergeben sich die 1D-Felder:
Um die obigen 1-D Arrays Value_1 bis Value_4 miteinander vergleichen zu können, müssen Value_2 bis Value_4 auf die gleiche Anzahl Daten-Werte wie das Value_1 (Index 1 bis 11) erwitert werden. Die fehlenden Daten-Werte in Value_2 bis Value_4 möchte ich mittels Spline-Interpolation erzeugen.
Nun suche ich nach einem Algorithmus zur Berechnung der fehlenden Indize für Value_2 bis Value_4. Das heißt beim 1D-Array Value_2 sind – nach setzen der ursprünglichen Value_2-Werte an die Indize des längsten 1d-Array Value_1 - die fehlenden Value_2-Werte an den Stellen X im folgenden Array mittels Interpolation zu ermitteln:
Index: 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 |
------------------------------------------------------
Value_2:1 | X | 2 | X | 3 | X | 4 | X | 5 | X | 6 |
-------------------------------------------------------
Kann mir jemand einen Link nennen, wo ein Algorithmus zur allgemeinen Bestimmung der Indize erklärt ist, um Datenreihen unterschiedlicher Längen auf die gleich Länge (Anzahl unterschiedlicher Messwerte) zu bringen, z.B. für die 1D-Array Value_2 bis Value_4
Vielen Dank für Eure Hilfe. Auch Euch wünsch‘ ich ein erholsames Wochenende.
BeFu
P.S.: Aktuell arbeite ich mit LV2009; auf 8.6.1 kann ich downgraden.
Datenreihen unterschiedlicher Länge normieren / interpolieren?
Schau dir doch dieses VI mal an... Spline ist eine Option für die Interpolationsart.
Gruß SeBa
Dieser Beitrag soll weder nützlich, informativ noch lesbar sein.
Er erhebt lediglich den Anspruch dort wo er ungenau ist, wenigstens eindeutig ungenau zu sein.
In Fällen größerer Abweichungen ist es immer der Leser, der sich geirrt hat.
Rette einen Baum!
Diesen Beitrag nur ausdrucken, wenn unbedingt nötig!
04.06.2010, 09:49 (Dieser Beitrag wurde zuletzt bearbeitet: 04.06.2010 13:54 von dimitri84.)
Datenreihen unterschiedlicher Länge normieren / interpolieren?
Ich nehme an die EMG-Fibel von Peter Konrad ist dir ein Begriff? Dort gibt es ein Kapitel (S.36) "Zeitnormalisierung von Wiederholungszyklen".
Ich selbst habe das mal ganz primitiv mit MatLab gemacht und mich einfach für das kleinste Array entschieden und in den anderen die entsprechende Anzahl an Samples äquidistant rausgeschmissen. Würde ich heute nicht mehr so machen, hat damals aber auch ganz gut funktioniert. Ich nehme an ihr wollt die Reproduzierbarkeit quantifizieren?
Dann hatte ich vor kurzem wieder so ein ähnliches Problem gehabt (auch EMG-Signal), aber bei mir war etwas Ruhetonus zwischen den Kontraktionen. Da habe ich dann einfach (die Kontraktionen mittig) immer in der gleichen Länge ausgeschnitten. Das bisschen Ruhetonus an den Rändern ab und zu hat nicht sonderlich gestört.
Zum interpolieren empfehle ich das VI "Signalverläufe erneut abtasten". Da kannste raufsampeln, runtersampeln, was du willst.
Edit: SeBa war mit dem VI schneller. Ich würde aber ein EMG-Signal immer linear interpolieren, dazu hat mir Dr. Konrad (s.o.) damals auch geraten. Ein Spline manipuliert den Frequnezgehalt des Signal deutlich mehr als die lineare Methode.
Edit2:
' schrieb:Jeder Schrittzyklus dauert (auch beim selben Menschen) unterschiedliche lange. Daher erhalten wir bei Erfassung der zugehörigen EMG-Daten Datenreihen (1D-Arrays) unterschiedlicher Länge. D.h. die Anzahl der Indize der 1-D Arrays sind verschieden.
Ach, ihr schneidet garnicht aus einer Gesamtmessung heraus? Habt ihr dann also die EMG-Messungen mit einem Goniometer oder sowas getriggert? Oder ist gar VICON mit im Spiel?
Gruß dimitri
„Sag nicht alles, was du weißt, aber wisse immer, was du sagst.“ (Matthias Claudius)
Datenreihen unterschiedlicher Länge normieren / interpolieren?
Hallo Dimitri, hallo SeBa,
danke für Eure Antworten.
Die EMG-Daten akquirieren wir mit dem Produkt eines Drittherstellers. - Zur Auswertung / Nachbearbeitung der aufgenommenen EMG-Daten programmiere ich LabVIEW-Tools.
Die "Aufteilung" der EMG-Daten erfolgt durch Synchronisation (Triggerung mittels) zu einem externen Signal, wie Goniometer, Ultraschall-Messung. Die Synchronisation der EMG-Messungen mittels HIGH-Speed Aufnahmen ist ein Ziel. Hier erfolgt dann die Synchronisation des EMG-Messsystems mit dem visuellen Messsystem entweder über LabVIEW (damit erfolgt in einem aktuellen Projekt die EMG-Abtastung und -Aufzeichnung von 32 Kanälen gleichzeitig bei 2 bzw. 4kHz) oder über die Bildverarbeitungssoftware.
Aktuell interpoliere ich die EMG-Daten unterschiedlicher Länge linear, entsprechend dem von Dimitri genannten Hinweis in der EMG-Fibel von Peter Konrad. Die Studierenden sollen durch die Vorteile der Spline-Interpolation nachvollziehen können, in dem sie linear interpolierte EMG-Daten mit Spline interpolierten vergleichen.
Dazu suche ich nach einem Weg, wie ich EMG-Datenreihen unterschiedlicher Länge auf die größte Anzahl Daten-Werte normieren (mittels Interpolation extrapolieren) kann.
Ich halte Euch auf dem Laufenden, welche (Irr-)Wege ich dafür finde ...
Nochmals danke für Eure Antworten,
BeFu
Das Ziel ist der Weg
07.06.2010, 14:37 (Dieser Beitrag wurde zuletzt bearbeitet: 07.06.2010 17:12 von dimitri84.)
Datenreihen unterschiedlicher Länge normieren / interpolieren?
' schrieb:Die EMG-Daten akquirieren wir mit dem Produkt eines Drittherstellers.
Zufällig Noraxon?
Zitat:Die "Aufteilung" der EMG-Daten erfolgt durch Synchronisation (Triggerung mittels) zu einem externen Signal, wie Goniometer, Ultraschall-Messung.
Also setzt das externe Signal Marker in die fortlaufende EMG-Messung? Hab' ich das richtig verstanden?
Zitat:Aktuell interpoliere ich die EMG-Daten unterschiedlicher Länge linear, entsprechend dem von Dimitri genannten Hinweis in der EMG-Fibel von Peter Konrad. Die Studierenden sollen durch die Vorteile der Spline-Interpolation nachvollziehen können, in dem sie linear interpolierte EMG-Daten mit Spline interpolierten vergleichen.
Wer sagt denn, dass die Spline Methode besser ist für ein EMG-Signal? Was genau soll da besser sein? Siehe unten.
Zitat:Dazu suche ich nach einem Weg, wie ich EMG-Datenreihen unterschiedlicher Länge auf die größte Anzahl Daten-Werte normieren (mittels Interpolation extrapolieren) kann.
Du hast geschrieben ihr wollt die Zyklen vergleichen und dazu bräuchten sie die gleiche Länge. Wie vergleicht ihr denn? Korrelation?
Ich hab mir mal die Aufgabe der Studenten zusammengeklickt. Verglichen habe ich (mir ist nix anderes eingefallen) die Medianfrequnez. Ein paar Bildchen:
Und schau' was durch das Interpolieren mit der Frequnez des Ruhetonus/Rauschens passiert:
Ich habe von 1kHz auf 2kHz raufgesampelt. Immer war die lineare Methode näher am Original.
Gruß dimitri
„Sag nicht alles, was du weißt, aber wisse immer, was du sagst.“ (Matthias Claudius)
09.06.2010, 09:50 (Dieser Beitrag wurde zuletzt bearbeitet: 09.06.2010 09:53 von dimitri84.)
Datenreihen unterschiedlicher Länge normieren / interpolieren?
Hallo Dimitri,
meine Fragestellung beruht auf EMG-Daten, die wir in unserem Labor mit Hard- und Software der Fa. Zebris aufzeichnen.
Im aktuellen Projekt erfolgt die EMG-Abtastung und -Aufzeichnung von 32 Kanälen gleichzeitig bei 2 bzw. 4kHz mittel eigens erstelltem LabVIEW-Programm zur Ansteuerung des NI USB 6218.
Meine Überlegung die unterschiedlich langen EMG-Daten (unterschiedliche Anzahl EMG-Werte) von Messzyklen gleicher Bewegungen (z.B. Doppelschritt) miteinander vergleichbar zu machen, indem man diese auf die selbe Anzahl EMG-Werte interpoliert (siehe meine ursprüngliche Fragestellung) kann nicht zu richtigen Ergebnis führen, da ja es keinen allgemeingültigen Algorithmus zur Bestimmung der fehlenden Stützstellen gibt.
Da bleibt uns wohl nur das in der EMG-Fibel von Peter Konrad auf Seite 36f beschriebene Konzept der Zeitnormalisierung, um unterschiedliche Messzyklen gleicher Bewegungsabläufe miteinander vergleichen zu können.
Werden bei der oben genannten Zeitnormalisierung eine unterschiedliche Anzahl EMG-Werte (Zeitstempel) auf jeweils 100 Intervalle (=100%) gelegt? Damit würden sämtliche EMG-Werte ab dem jeweiligne Onset bis zum Ende der Muskelaktivität erfasst. Zum Beispiel:
Messzyklus 1: von Zeitstempel 1123 bis 3213 => 2090 EMG-Werte => 1% = Gleitener Mittelwert von jeweils 21 EMG-Werte oder RMS, etc
Messzyklus 2: von Zeitstempel 3567 bis 5678 => 2111 EMG-Werte => 1% = Gleitener Mittelwert von jeweils 21 EMG-Werte oder RMS, etc
Messzyklus 3: von Zeitstempel 5800 bis 8002 => 2202 EMG-Werte => 1% = Gleitener Mittelwert von jeweils 22 EMG-Werte oder RMS, etc
Messzyklus 4: von Zeitstempel 8323 bis 10325 => 2002 EMG-Werte => 1% = Gleitener Mittelwert von jeweils 20 EMG-Werte oder RMS, etc
Oder werden bei Zeitnormalisierung ausgehend von einem repräsentativen Messzyklus die Anzahl relevanter Zeitstempel bestimmt (z.B. 2300 = 100% => 1% = Gleitener Mittelwert von jeweils 23 EMG-Daten oder RMS, etc)? Von allen anderen zu vergleichenden Messzyklen werden dann 2300 EMG-Werte ab dem Onset genommen. Damit würden jedoch EMG-Werte bei noch aktivem Muskel nicht erfasst bzw. "Null-Werte" bei schon ruhendem Muskel mit in den Vergleich einbezogen, oder?
Zum Vergleich der Korrelation, des integrieren EMG oder Analyse-Parameter des Totalen Leistungsspektrums (siehe EMG-Fibel, Seite 40) sind aus meiner Sicht Zyklen gleicher Länge notwendig, oder?
Wie Du siehst, stellen sich für mich noch einige Fragen.
Schöne Grüße,
BeFu
Das Ziel ist der Weg
11.06.2010, 20:01 (Dieser Beitrag wurde zuletzt bearbeitet: 14.06.2010 09:14 von dimitri84.)
Datenreihen unterschiedlicher Länge normieren / interpolieren?
' schrieb:Meine Überlegung die unterschiedlich langen EMG-Daten (unterschiedliche Anzahl EMG-Werte) von Messzyklen gleicher Bewegungen (z.B. Doppelschritt) miteinander vergleichbar zu machen, indem man diese auf die selbe Anzahl EMG-Werte interpoliert (siehe meine ursprüngliche Fragestellung) kann nicht zu richtigen Ergebnis führen, da ja es keinen allgemeingültigen Algorithmus zur Bestimmung der fehlenden Stützstellen gibt.
Dass es keinen allgemeingültigen Algorithmus gibt, ist (finde ich) erstmal kein KO-Kriterium. Die viel entscheidendere Frage ist nicht "wie interpoliere ich", sondern "gibt es überhaupt eine Indikation dafür"?
Zitat:Da bleibt uns wohl nur das in der EMG-Fibel von Peter Konrad auf Seite 36f beschriebene Konzept der Zeitnormalisierung, um unterschiedliche Messzyklen gleicher Bewegungsabläufe miteinander vergleichen zu können.
Du hast mir immer noch nicht verraten wie/was du vergleichen willst.
Zitat:Werden bei der oben genannten Zeitnormalisierung eine unterschiedliche Anzahl EMG-Werte (Zeitstempel) auf jeweils 100 Intervalle (=100%) gelegt? Damit würden sämtliche EMG-Werte ab dem jeweiligne Onset bis zum Ende der Muskelaktivität erfasst. Zum Beispiel:
Messzyklus 1: von Zeitstempel 1123 bis 3213 => 2090 EMG-Werte => 1% = Gleitener Mittelwert von jeweils 21 EMG-Werte oder RMS, etc
Messzyklus 2: von Zeitstempel 3567 bis 5678 => 2111 EMG-Werte => 1% = Gleitener Mittelwert von jeweils 21 EMG-Werte oder RMS, etc
Messzyklus 3: von Zeitstempel 5800 bis 8002 => 2202 EMG-Werte => 1% = Gleitener Mittelwert von jeweils 22 EMG-Werte oder RMS, etc
Messzyklus 4: von Zeitstempel 8323 bis 10325 => 2002 EMG-Werte => 1% = Gleitener Mittelwert von jeweils 20 EMG-Werte oder RMS, etc
Oder werden bei Zeitnormalisierung ausgehend von einem repräsentativen Messzyklus die Anzahl relevanter Zeitstempel bestimmt (z.B. 2300 = 100% => 1% = Gleitener Mittelwert von jeweils 23 EMG-Daten oder RMS, etc)? Von allen anderen zu vergleichenden Messzyklen werden dann 2300 EMG-Werte ab dem Onset genommen.
Dann noch eher Variante 1. Ich hätte es aber nochmal anders gemacht: Einfach mit dem VI von oben alle Zyklen auf die Anzahl des längsten Arrays raufgesampelt. Da muss man sich halt überlegen wie das neue dt berechnet wird ...
Zitat:Damit würden jedoch EMG-Werte bei noch aktivem Muskel nicht erfasst bzw. "Null-Werte" bei schon ruhendem Muskel mit in den Vergleich einbezogen, oder?
Wenn man bei dem Beispiel von oben bleibt dann hätte man in der Tat immer etwas Ruhetonus mit dabei. Ob das ein Problem ist, kommt drauf an was man vergleicht.
Zitat:Zum Vergleich der Korrelation, des integrieren EMG
Was vergleicht man denn beim integrierten EMG-Signal? Ich behaupte der interessanteste Parameter dabei ist nicht Min/Max/Mean, sondern der Grad der Reproduzierbarkeit. D.h. wie ähnlich sehen sich die Zyklen. Dann aber muss die unterschiedliche Dauer (=Länge) der Muskelativität mit berücksichtigt werden und darf nicht künstlich rausgerechnet werden. Daher habe ich mich dafür entschieden einfach gleich lange Intervalle auszuschneiden. Es stimmt, dass man so ein bisschen Ruhetomus mit aufschnappt bzw. Muskelaktivität abschneidet. Es ist eben ein bioelektrisches Signal mit hohem stochastischen Anteil, da darf man nicht so zimperlich sein. Ich habe mich in Zusammenarbeit mit einem Institut für Bewegungsanalyse dazu entschieden unter anderem den Korrelationskoeffizienten zu benutzen, um die Reproduzierbarkein zu quantifizieren:
Zitat:oder Analyse-Parameter des Totalen Leistungsspektrums (siehe EMG-Fibel, Seite 40) sind aus meiner Sicht Zyklen gleicher Länge notwendig, oder?
Sind wir immer noch bei dem Beispiel von oben? ~2000 Samples = 0,5 oder 1 Sekunde? Und davon willst du die Spektren vergleichen? Was willst du da sehen?
Man kann das machen, und zwar kann man so Muskelermüdung zeigen. Auf Grund vom Umschalten von Fast-Twitch-Fasern auf Slow-Twitch-Fasern und auf Grund von metabolistischen Prozessen (Ansammlungen von Elektrolyten im extrazellulären Raum) sinkt die Muskelfaserleitgeshwindigkeit und damit auch die Mittenfrequenz des Spektrums. Das passiert aber nicht innerhalt von 0,5-1 Sekunde. Da musst du größere Intervalle nehmen und eine wirklich belastende Tätigkeit aufnehmen. Eine stetig sinkende Mittenfrequenz hinzubekommen ist nicht so einfach. Das Messsytsem muss eine hohe Qualität haben (großer Frequnezbereich 5-500Hz ohne Notchfilter), die Muskelbelastung musst sehr hoch sein (2-5 Minuten richtig ans Limit gehen) und die Intervalle müssen groß genug sein (5 bis ~30 Sekunden).
Hier ein paar Bilder. Auswerteprogramm hab ich mit MATLAB damals geschreiben:
(Aufnahme von mir selbst)
(Aufnahme von einem Kumpel, der sich richtig ausgepowert hat)
Das war meine beste Aufnahme. Nicht nur, dass die Mittenfrequenz stetig sinkt, auch die Amplitude des RMS-Signals steigt. In der Literatur wird das damit begründet, dass das zentrale Nervensystem immer mehr motorische Einheiten rekrutiert. Das hab ich nur einmal so hinbekommen.
Hier hab' ich das mal Zusammen mit NIRS (Nahinfrarotspektroskotpie; Sauerstoffsättigung)
Die FFT Funktionen (ob MATLAB oder LabVIEW oder sonstwas) brauchen dabei nicht exakt gleich lange Arrays (auch wenn die bei mir gleich lang sind). Die machen sowieso Zero Padding bis zur nächsten 2er Potenz. (Außer man benutzt Excel für die FFT ... )
Bei Frequenzuntersuchungen darf man auf keinen Fall interpolieren!! Begründung siehst du in meinen vorigen Beiträgen. Durch Interpolieren manipulierst du den Frequenzgehalt in fast schon willkürlicher Art und Weise.
Gruß dimitri
Edit: Mit DAQ hat das Thema aber nicht wirklich zu tun Bernd.
„Sag nicht alles, was du weißt, aber wisse immer, was du sagst.“ (Matthias Claudius)
/
Datenreihen unterschiedlicher Länge normieren / interpolieren?
) 
