Metodiche classiche di acquisizione e quan3ficazione della variabilità della frequenza cardiaca

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Metodiche classiche di acquisizione e quan3ficazione della variabilità della frequenza cardiaca"

Transcript

1 Metodiche classiche di acquisizione e quan3ficazione della variabilità della frequenza cardiaca (Ivan Corazza)

2 INDICE Misura intervalli RR battito-a-battito (Giorgio Barletta) Misura della variabilità della frequenza cardiaca nel dominio del TEMPO Metodi geometrici per la valutazione della HRV Misura della variabilità della frequenza cardiaca nel dominio della FREQUENZA

3 INDICE Misura intervalli RR battito-a-battito (Giorgio Barletta) Misura della variabilità della frequenza cardiaca nel dominio del TEMPO Metodi geometrici per la valutazione della HRV Misura della variabilità della frequenza cardiaca nel dominio della FREQUENZA RR i RR i+1 RR i+2 RR i+3 RR i+4 Tacogramma

4 Tilt Test ecg sbp taco Valsalva ecg sbp taco

5 Respiro profondo ecg sbp taco

6 Respiro profondo ecg sbp taco Una corretta valutazione della variabilità della frequenza cardiaca presuppone una corretta valutazione delle onde R. Bisogna individuare ed eliminare gli artefatti.

7 Misura della variabilità della frequenza cardiaca nel dominio del TEMPO

8 Misura della variabilità della frequenza cardiaca nel dominio del TEMPO (ricavata direttamente dalla sequenza degli RR). Ipotesi: gli RR sono distribuiti normalmente (segnale stazionario). Sono necessari periodi > 5 minuti per avere un numero sufficiente di dati. Valore medio e deviazione standard (SDNN) NN = numero totale di intervalli RR Media ± SDNN fornisce una quantificazione della variabilità su un periodo. Posso fare confronti fra periodi diversi (con medesima durata) corrispondenti a diverse attività (es. sonno, veglia ).

9 SDNN Index Consideriamo un periodo di registrazione lungo (tipicamente 24h); Suddividiamolo in intervalli di 5 minuti; Calcoliamo la deviazione standard per ogni intervallo; SDNN Index: media delle singole deviazioni standard (ricavate ciascuna su 5 minuti). M = numero RR contenuti in 5 min S = numero periodi di 5 min contenuti nella serie totale E una stima della variabilità su cicli più brevi di 5 minuti.

10 SDANN Consideriamo un periodo di registrazione lungo (tipicamente 24h); Suddividiamolo in intervalli di 5 minuti; Calcoliamo la media per ogni intervallo (RRM5 k ); SDANN: deviazione standard della distribuzione delle medie (fatte ciascuna su 5 minuti) M = numero RR contenuti in 5 min S = numero periodi di 5 min contenuti nella serie totale E una stima delle modificazioni della frequenza cardiaca dovute a cicli più lunghi di 5 minuti.

11 Misura della variabilità della frequenza cardiaca nel dominio del TEMPO (ricavata dalla sequenza delle differenze tra gli RR). La differenza fra due RR successivi è indice della variabilità su breve periodo. RMSSD: Radice quadrata della differenza quadratica media degli RR successivi (RMSSD) E una stima della variabilità battito a battito.

12 NN50 = numero delle differenze successive che hanno durata > 50ms pnn50 = NN50 / NN I parametri legati alle differenze tra un RR e il successivo (RRMSSD, NN50 e pnn50) sono strettamente correlati tra loro. Figure 1. Relazione RMSSD-pNN50 (a) e pnn50- NN50 (b) calcolate su 857 registrazioni holter di 24h in pazienti con pregresso infarto del miocardio. Gli NN50 riportati nel grafico (b) sono stati normalizzati rispetto alla lunghezza totale della registrazione (24h). Heart Rate Variability - Standards of Measurement, Physiological Interpretation, and Clinical Use. Task Force of the European Society of Cardiology the North American Society of Pacing Electrophysiology. Circulation. 1996;93:

13 Misura della variabilità della frequenza cardiaca: metodi geometrici

14 Misura della variabilità della frequenza cardiaca con metodi GEOMETRICI Metodi basati sull istogramma degli RR Sono metodi che tengono conto della forma della distribuzione degli intervalli RR. 1) Si deve costruire l istogramma della distribuzione degli RR e lo si interpola congiungendo i valori corrispondenti a ciascun intervallo. Numero RR RR (s)

15 Indice triangolare (HRV triangular index) 2) Ipotizzando che la distribuzione abbia una forma triangolare, si calcola l ampiezza della base del triangolo come il rapporto tra l area sottesa dalla curva e l altezza (valore più frequente della distribuzione moda). Numero RR A h RR (s)

16 Interpolazione triangolare dell istogramma degli intervalli RR (TINN o TIRR) Rispetto al precedente parametro, viene effettuata una interpolazione lineare per calcolare il miglior triangolo che interpola (es. con il metodo dei minimi quadrati) la distribuzione e poi se ne utilizza la base come indice di variabilità della frequenza cardiaca. Numero RR RR (s) Entrambi gli indici forniscono le stesse informazioni fornite dalla deviazione standard calcolata sull intero periodo.

17 Vantaggi/1 Utilizzando questi due indici è possibile eliminare dall analisi eventuali artefatti Probabile riconoscimento di onde T come R Probabile mancato riconoscimento di onde R Numero RR A h RR (s) Considero solamente il picco più alto e quindi la distribuzione centrale. In caso di sequenze di RR con molti errori, riesco a discriminarli e quindi non considerarli nell analisi.

18 Vantaggi/2 Sovrapposizione di due fasi diverse (es veglia e sonno) segnale NON STAZIONARIO Numero RR A h h1 RR (s) Nel caso in cui nell istogramma siano presenti due picchi, ad esempio corrispondenti a fasi diverse (sonno e veglia, ad esempio), i metodi statistici che si basano sulla normalità della distribuzione degli RR, compiono errori. Con i metodi geometrici è possibile discriminare tra i due picchi e considerarne solo 1.

19 Misura della variabilità della frequenza cardiaca con metodi GEOMETRICI Metodi basati sull istogramma delle differenze fra RR successivi Sono metodi che tengono conto della forma della distribuzione delle differenze fra intervalli RR contigui. 1) Si deve costruire l istogramma della distribuzione delle differenze e lo si interpola congiungendo i valori corrispondenti a ciascun intervallo. Numero differenze RR 0 Differenze RR (s)

20 Si possono calcolare degli indici differenziali, definiti come la larghezza della distribuzione a diversi valori di NN (es. 1000, 10000). Questi indici dipendono dalla durata totale del periodo considerato e si possono utilizzare solo se eseguite su sequenze di durata standard e sufficientemente lunga (tipicamente 24h). Numero differenze RR 0 Differenze RR (s)

21 Svantaggi: - Sono necessari molti dati per avere una distribuzione adeguata (periodi di almeno 20 minuti). In genere si applicano a registrazioni di almeno 24h. - Sono meno precisi dei parametri statistici e dell analisi spettrale. In conclusione: Si applicano solo nei casi in cui non sia possibile applicare i tradizionali metodi nel dominio del tempo a causa della presenza di molti artefatti e sempre con durate molto lunghe.

22 Misura della variabilità della frequenza cardiaca con metodi GEOMETRICI Lorenz Plot (Poincarè Plot) Si rappresenti su un piano cartesiano ciascun RR in funzione del precedente. RR l+1 RR l

23 Misura della variabilità della frequenza cardiaca con metodi GEOMETRICI Lorenz Plot (Poincarè Plot) Si rappresenti su un piano cartesiano ciascun RR in funzione del precedente. RR l+1 RR i+1 =RR i RR l

24 Misura della variabilità della frequenza cardiaca con metodi GEOMETRICI Lorenz Plot (Poincarè Plot) Si rappresenti su un piano cartesiano ciascun RR in funzione del precedente. RR i+2 >>RR i+1 RR l+1 RR i+1 =RR i RR l

25 Misura della variabilità della frequenza cardiaca con metodi GEOMETRICI Lorenz Plot (Poincarè Plot) Si rappresenti su un piano cartesiano ciascun RR in funzione del precedente. RR i+2 >>RR i+1 RRi+3 RRi+2 RR l+1 RR i+1 =RR i RR l

26 Misura della variabilità della frequenza cardiaca con metodi GEOMETRICI Lorenz Plot (Poincarè Plot) Si rappresenti su un piano cartesiano ciascun RR in funzione del precedente. RR i+2 >>RR i+1 RRi+3 RRi+2 RR l+1 RR i+1 =RR i RR l

27 Misura della variabilità della frequenza cardiaca con metodi GEOMETRICI Lorenz Plot (Poincarè Plot) Si rappresenti su un piano cartesiano ciascun RR in funzione del precedente. La variabiltà battito-a-battito fa sì che i punti si sparpaglino lungo l asse trasverso T RR i+2 >>RR i+1 RRi+3 RRi+2 RR l+1 RR i+1 =RR i RR l

28 Misura della variabilità della frequenza cardiaca con metodi GEOMETRICI Lorenz Plot (Poincarè Plot) Si rappresenti su un piano cartesiano ciascun RR in funzione del precedente. La variabiltà battito-a-battito fa sì che i punti si sparpaglino lungo l asse trasverso T RR i+2 >>RR i+1 RRi+3 RRi+2 RR l+1 RR i+1 =RR i La variabiltà su più lungo periodo fa sì che i punti si sparpaglino lungo la bisettrice. RR l

29 Misura della variabilità della frequenza cardiaca con metodi GEOMETRICI Lorenz Plot (Poincarè Plot) Avendo molti battiti. Quantifichiamo la variabilità a breve e lungo periodo mediante una interpolazione ellittica e calcolando i due raggi SD1 e SD2. Se proietto i punti lungo l asse trasverso e la bisettrice ottengo SD1 e SD2 come le deviazioni standard delle due distribuzioni così ottenute. RR i+1 RR i SD1 SD2 Brennan M, Palaniswami M and Kamen P 2001 Do existing measures of Poincare plot geometry reflect nonlinear features of heart rate variability? IEEE Trans. Biomed. Eng

30 Misura della variabilità della frequenza cardiaca con metodi GEOMETRICI Lorenz Plot (Poincarè Plot) Avendo molti battiti. Quantifichiamo la variabilità a breve e lungo periodo mediante una interpolazione ellittica e calcolando i due raggi SD1 e SD2. Se proietto i punti lungo l asse trasverso e la bisettrice ottengo SD1 e SD2 come le deviazioni standard delle due distribuzioni così ottenute. RR i+1 RR i SD1 SD2 Istogramma delle differenze fra RR successivi Brennan M, Palaniswami M and Kamen P 2001 Do existing measures of Poincare plot geometry reflect nonlinear features of heart rate variability? IEEE Trans. Biomed. Eng

31 Misura della variabilità della frequenza cardiaca con metodi GEOMETRICI Lorenz Plot (Poincarè Plot) Avendo molti battiti. Quantifichiamo la variabilità a breve e lungo periodo mediante una interpolazione ellittica e calcolando i due raggi SD1 e SD2. Se proietto i punti lungo l asse trasverso e la bisettrice ottengo SD1 e SD2 come le deviazioni standard delle due distribuzioni così ottenute. RR i+1 RR i SD1 SD2 Istogramma delle differenze fra RR successivi Istogramma delle lunghezze Brennan M, Palaniswami M and Kamen P 2001 Do existing measures of Poincare plot geometry reflect nonlinear features of heart rate variability? IEEE Trans. Biomed. Eng

32 Misura della variabilità della frequenza cardiaca con metodi GEOMETRICI Lorenz Plot (Poincarè Plot) Avendo molti battiti. Quantifichiamo la variabilità a breve e lungo periodo mediante una interpolazione ellittica e calcolando i due raggi SD1 e SD2. Se proietto i punti lungo l asse trasverso e la bisettrice ottengo SD1 e SD2 come le deviazioni standard delle due distribuzioni così ottenute. RR i+1 RR i SD1 SD2 Istogramma delle differenze fra RR successivi Istogramma degli RR Istogramma delle lunghezze Brennan M, Palaniswami M and Kamen P 2001 Do existing measures of Poincare plot geometry reflect nonlinear features of heart rate variability? IEEE Trans. Biomed. Eng

33

34 Analisi di Fourier

35 Analisi HRV nel dominio delle frequenza: metodi non parametrici Teorema di Fourier Qualsiasi funzione s(t) limitata in ampiezza e periodica può essere espressa come: con T T T/2 f 0 2f 0 3f 0 4f 0 T T T T 5f 0

36 Se abbiamo una funzione discreta (N punti) e periodica, con frequenza di campionamento pari a fc e armonica di frequenza superiore limitata dal sistema A/D (per il teorema di Shannon): Sapendo che: Poiché m=1,2,.n/2 allora: mf 1 = frequenza dell armonica La frequenza è multiplo intero della frequenza fondamentale e può assumere i valori interi tra f 1 e fc/2. Risoluzione in frequenza =

37 Componendo le equazioni risulta: Ciascun coefficiente R m dice quanto vale l ampiezza dell armonica di frequenza mf 1. È possibile riportare in un grafico i valori di R m in funzione della frequenza: quello che viene fuori è il cosiddetto spettro di ampiezza della funzione s(k): dice essenzialmente qual è l ampiezza della sinusoide di frequenza mf 1. Analogamente il grafico di Φ m si dice spettro di fase di s(t). Il grafico di R m 2 si chiama invece spettro di potenza, o semplicemente spettro, del segnale, e dice come è stata ripartita tra le varie armoniche la potenza, o l energia, trasportata dal segnale s(k). (Applet)

38 N.B. Lo spettro che si ricava dalla analisi di Fourier di un segnale discreto è discreto. A f

39 N.B. Lo spettro che si ricava dalla analisi di Fourier di un segnale discreto è discreto. A Per motivi di leggibilità ed estetica, lo si trova visualizzato come se fosse continuo A f f

40 Πίνδαρος N.B. La successione dei coefficien- R m definisce una funzione discreta che possiamo chiamare TRASFORMATA DISCRETA DI FOURIER. Calcolare gli R m, quindi significa eseguire la trasformata di Fourier.

41 Πίνδαρος N.B. La successione dei coefficien- R m definisce una funzione discreta che possiamo chiamare TRASFORMATA DISCRETA DI FOURIER. Calcolare gli R m, quindi significa eseguire la trasformata di Fourier. Fast Fourier Transform (FFT) I tempi di elaborazione per calcolare la trasformata di Fourier discreta di un numero elevato di punti sono lunghi. Avendo una funzione discreta composta da N punti, il calcolo degli Rm presuppone l esecuzione di circa N 2 operazioni. È stata quindi introdotta la FFT che consente di velocizzare i calcoli riducendo il numero globale di operazioni a Nlog 2 N con il vincolo che N=2 m.

42 Questa è la teoria, ora la pratica La successione degli RR è un segnale discreto campionato a frequenza variabile (RR originali)

43 Questa è la teoria, ora la pratica La successione degli RR è un segnale discreto campionato a frequenza variabile (RR originali) Interpoliamo gli RR. Possiamo usare diversi algoritmi, tipicamente polinomiali di grado >=2.

44 Questa è la teoria, ora la pratica La successione degli RR è un segnale discreto campionato a frequenza variabile (RR originali) Interpoliamo gli RR. Possiamo usare diversi algoritmi, tipicamente polinomiali di grado >=2. Ricampioniamo il segnale a frequenza fissa (tipicamente 2-8Hz). In questo caso aumento il range di frequenze rappresentabile nello spettro.

45 Questa è la teoria, ora la pratica La successione degli RR è un segnale discreto campionato a frequenza variabile (RR originali) Interpoliamo gli RR. Possiamo usare diversi algoritmi, tipicamente polinomiali di grado >=2. Ricampioniamo il segnale a frequenza fissa (tipicamente 2-8Hz). In questo caso aumento il range di frequenze rappresentabile nello spettro. Ricampionando il segnale: - aumentiamo la massima frequenza rappresentabile sullo spettro, - rimane inalterata la risoluzione in frequenza, - aggiungiamo dei punti non fisiologici che non esistono...

46 Si può anche non ricampionare: consideriamo la sequenza degli RR originali e approssimiamo la frequenza di campionamento con l inverso dell intervallo RR medio. RR 1 RR 2 RR 3 RR 4 RR 5 RR medio RR medio RR medio RR medio RR medio

47 Esempio: Consideriamo una successione di RR formata da 200 intervalli. RR medio: 850ms Frequenza di campionamento Durata totale: 200/1.18 = 169.5s (è la durata reale) Risoluzione in frequenza: 1.18/200 = Hz In questo modo i singoli RR vengono tutti posti alla stessa distanza temporale: alcuni si avvicineranno fra loro, altri si allontanano. Se ho un numero sufficientemente alto e il segnale è stazionario mi aspetto che per ogni RR compresso ce ne sia un altro dilatato. La scomposizione in frequenza finale non viene compromessa. Si modifica naturalmente l estremo superiore dello spettro estraibile dal segnale che è uguale a circa 0.6Hz.

48 Continuiamo La sequenza degli RR non è un segnale periodico.

49 Continuiamo La sequenza degli RR non è un segnale periodico. Consideriamo una sequenza sufficientemente lunga da poter essere considerata periodica. Maggiore è la lunghezza, maggiore anche la risoluzione in frequenza dello spettro.

50 Continuiamo La sequenza degli RR non è un segnale periodico. Consideriamo una sequenza sufficientemente lunga da poter essere considerata periodica. Maggiore è la lunghezza, maggiore anche la risoluzione in frequenza dello spettro. Attenzione!!!! Scopo della analisi in frequenza è quello di evidenziare l attivazione dei sistemi simpatico e parasimatico e il loro rapporto.

51 Continuiamo La sequenza degli RR non è un segnale periodico. Consideriamo una sequenza sufficientemente lunga da poter essere considerata periodica. Maggiore è la lunghezza, maggiore anche la risoluzione in frequenza dello spettro. Attenzione!!!! Scopo della analisi in frequenza è quello di evidenziare l attivazione dei sistemi simpatico e parasimatico e il loro rapporto. Durante il periodi di analisi la modulazione dei due sistemi deve essere costante.

52 Continuiamo La sequenza degli RR non è un segnale periodico. Consideriamo una sequenza sufficientemente lunga da poter essere considerata periodica. Maggiore è la lunghezza, maggiore anche la risoluzione in frequenza dello spettro. Attenzione!!!! Scopo della analisi in frequenza è quello di evidenziare l attivazione dei sistemi simpatico e parasimatico e il loro rapporto. Durante il periodi di analisi la modulazione dei due sistemi deve essere costante. Il segnale deve essere stazionario.

53 Continuiamo La sequenza degli RR non è un segnale periodico. Consideriamo una sequenza sufficientemente lunga da poter essere considerata periodica. Maggiore è la lunghezza, maggiore anche la risoluzione in frequenza dello spettro. Attenzione!!!! Scopo della analisi in frequenza è quello di evidenziare l attivazione dei sistemi simpatico e parasimatico e il loro rapporto. Maggiore è la lunghezza del segnale maggiore è la probabilità che l attivazione del simpatico e del vagale si modifichino (segnale non stazionario) Durante il periodi di analisi la modulazione dei due sistemi deve essere costante. Il segnale deve essere stazionario.

54 Continuiamo La sequenza degli RR non è un segnale periodico. Consideriamo una sequenza sufficientemente lunga da poter essere considerata periodica. Maggiore è la lunghezza, maggiore anche la risoluzione in frequenza dello spettro. Attenzione!!!! Scopo della analisi in frequenza è quello di evidenziare l attivazione dei sistemi simpatico e parasimatico e il loro rapporto. Maggiore è la lunghezza del segnale maggiore è la probabilità che l attivazione del simpatico e del vagale si modifichino (segnale non stazionario) Durante il periodi di analisi la modulazione dei due sistemi deve essere costante. Il segnale deve essere stazionario.

55 È fondamentale il ruolo del tecnico/clinico che deve scegliere i periodi da analizzare in funzione del segnale (e quindi dello stato del paziente). Ad esempio:

56 È fondamentale il ruolo del tecnico/clinico che deve scegliere i periodi da analizzare in funzione del segnale (e quindi dello stato del paziente). Ad esempio: ecg sbp taco

57 È fondamentale il ruolo del tecnico/clinico che deve scegliere i periodi da analizzare in funzione del segnale (e quindi dello stato del paziente). Ad esempio: ecg sbp taco OK OK OK

58 È fondamentale il ruolo del tecnico/clinico che deve scegliere i periodi da analizzare in funzione del segnale (e quindi dello stato del paziente). Ad esempio: ecg sbp taco OK OK OK ecg sbp taco

59 È fondamentale il ruolo del tecnico/clinico che deve scegliere i periodi da analizzare in funzione del segnale (e quindi dello stato del paziente). Ad esempio: ecg sbp taco OK OK OK ecg sbp taco NO!!!!

60 È fondamentale il ruolo del tecnico/clinico che deve scegliere i periodi da analizzare in funzione del segnale (e quindi dello stato del paziente). Ad esempio: ecg sbp taco OK OK OK ecg sbp taco NO!!!! Devo eliminare dall analisi le fasi transitorie, quelle in cui l attivazione simpatovagale si modifica. Altrimenti non ha senso l analisi. Quali sono le fasi in cui cambia? È il clinico che deve rispondere facendo ipotesi

61 Quindi, quanto deve essere lunga la sequenza da analizzare? Dobbiamo soddisfare 2 condizioni essenziali: - NECESSITA CLINICA: stazionarietà del segnale (assenza quindi di fasi transitorie) - NECCESSITA TECNICA/CLINICA: opportuna risoluzione in frequenza che consenta di evidenziare correttamente le bande di interesse. Facciamo un esempio: 1 minuto di segnale campionato a 4Hz Numero punti=4*60=240 Risoluzione in frequenza: 4/240 = Hz Se volessi evidenziare correttamente le armoniche a 0.01Hz devo aumentare il periodo che sto analizzando raddopiandolo (ris=4/480=0.008hz).

62 1 minuto Esempio (risoluzione in frequenza) f: 8Hz 2 minuti 4 minuti

63 Esempio (Stazionarietà del segnale) TILT TEST f: 8Hz 5 minuti 5 minuti

64 5 minuti 15 minuti Posso fare l analisi ma ha un senso clinico?

65 ANALISI IN TEMPO REALE Molti sistemi forniscono lo spettro in tempo reale durante l acquisizione. Naturalmente l analisi non può essere eseguita su tutti i dati ma su finestre definite dall utente e poi gli spettri sommati e presentati in output. Spostando la finestra su spezzoni diversi di segnale, possono verificarsi dei problemi legati al fatto che gli estremi di ciascuna finestra non sono uguali.

66 Facciamo un esempio. Immaginiamo che il segnale acquisito sia una sinusoide di frequenza f1. Se la finestra definita a priori taglia esattamente un numero intero di lunghezze d onda, nessun problema: PSD f1 f

67 Se la finestra non taglia un numero itero di lunghezze d onda: PSD Lo spettro presenta dei valori non nulli per frequenze che non ci sono (leaking). f1 f

68 Devo quindi fare in modo che la funzione assuma agli estremi lo stesso valore. PSD Restringo il picco e minimizzo la presenza di frequenze spurie. f1 f

69 Esempio di funzioni finestra:

70 Successione di 1023 RR ricampionati a 4Hz (255s) e a media zero (per eliminare la componente continua) Spettri della sequenza degli RR senza finestra e con finestra di Blackman

71 La finestra taglia armoniche presenti nelle fasi iniziali e finali. Facciamo un esempio. Lo spettro della funzione a cui è stata applicata la finestra di Blackman presenta sicuramente delle frequenze spurie ma non ha un picco importante

72 L applicazione di una finestra alla serie di dati, di fatto, agisce come filtro sul segnale iniziale. Riduce il fenomeno del leaking dovuto alla diversità di valori della serie nei punti estremi ma taglia delle frequenze.

73 Metodi Autoregressivi

74 Analisi HRV nel dominio delle frequenza: metodi autoregressivi (parametrici)

75 Analisi HRV nel dominio delle frequenza: metodi autoregressivi (parametrici) Fare l autoregressione di una serie di dati significa esprimere ciascun punto della serie come combinazione lineare dei punti precedenti (a meno di un errore che è tanto più piccolo tanto migliore la ricostruzione).

76 Analisi HRV nel dominio delle frequenza: metodi autoregressivi (parametrici) Fare l autoregressione di una serie di dati significa esprimere ciascun punto della serie come combinazione lineare dei punti precedenti (a meno di un errore che è tanto più piccolo tanto migliore la ricostruzione). Il numero di punti p considerati nella ricostruzione della serie è l ordine del modello.

77 Analisi HRV nel dominio delle frequenza: metodi autoregressivi (parametrici) Fare l autoregressione di una serie di dati significa esprimere ciascun punto della serie come combinazione lineare dei punti precedenti (a meno di un errore che è tanto più piccolo tanto migliore la ricostruzione). Il numero di punti p considerati nella ricostruzione della serie è l ordine del modello. La densità spettrale della serie si ricava facendo la trasformata di Fourier della funzione di autocorrelazione.

78

79 Cerchiamo di dare un senso a tutto questo. Ogni punto della serie viene espresso in funzione dei precedenti. Per ciascun punto esistono quindi p coefficienti a i che lo legano ai dati precedenti a meno di un errore (ε) *. Non lavoro quindi più sulla serie di dati iniziali ma su una sua interpolazione. In questo modo, è come se rendessi continuo il segnale discreto compreso in ogni intervallino di p punti riuscendo ad ottenere risoluzioni in frequenza molto piccole anche per durate molto brevi del segnale iniziale. Viene poi fatta l autocorrelazione della serie così ricostruita per estrarre le periodicità presenti.? *(Gli algoritmi usati per calcolare i coefficienti a sono basati sulla minimizzazione di ε).

80 Correlazione fra due serie di dati (x e y): y y x x Buona correlazione (R ±1) Cattiva correlazione (R 0) Le due serie di dati sono correlate tra loro: (y=ax+b) Non c è relazione fra le due serie di dati ma sono distribuite casualmente l una rispetto all altra.

81 Autocorrelazione Facciamo una correlazione tra una serie di N dati e se stessa introducendo un ritardo variabile tra 0 e N. Stimiamo il valore di correlazione corrispondente ad ogni ritardo in modo che ci indichi quanto è buona la sovrapposizione.

82 Autocorrelazione di una serie di dati contenenti solo rumore (casuale) Se la serie di dati contiene del rumore casuale, allora il grafico dell autocorrelazione è praticamente piatto Se ho un segnale contenente delle onde con propria periodicità sovrapposte a rumore casuale, l autocorrelazione elimina il rumore casuale e mette in evidenza il segnale periodico presente nella serie iniziale.

83 In questo modo verifico se nella serie sono presenti delle strutture che si ripetono, con quale ampiezza e con quale ritardo l una rispetto all altra (periodicità). Estraendo le periodicità (frequenze) e la loro ampiezza dal segnale mediante analisi di Fourier riesco quindi a ricavare lo spettro delle frequenze presenti nella serie. Ciascuna banda viene rappresentata come una curva a campana la cui area rappresenta la potenza associata a quella data frequenza. La somma delle curve relative a tutte le periodicità trovate rappresenta lo spettro del segnale. La risoluzione in frequenza è molto maggiore di quella che si ottiene mediante analisi di Fourier. Posso quindi analizzare pezzi piccoli di segnale discriminando correttamente fra le diverse bande di interesse.

84

85 Ipotesi per poter applicare l analisi AR Il segnale iniziale deve essere stazionario (media e varianza costante). L analisi funziona correttamente se l autoregressione ricostruisce il segnale senza commettere errori. Maggiore è il modello, migliore la ricostruzione del segnale. Il numero di periodicità che riesco ad estrarre dipende dall ordine del modello autoregressivo che utilizzo per ricostruire il segnale. Se il modello ha ordine p, riesco ad estrarre circa p/2 picchi. Se l ordine del modello è insufficiente a ricostruire correttamente il segnale, perdo delle periodicità. Se l ordine del modello è troppo elevato, vengono identificate delle periodicità non presenti nel segnale.

86 E importante scegliere correttamente l ordine del modello. Esistono diversi metodi per scegliere quello ottimale. I più usati sono: AIC (Akaike Information Criterion) FPE (Final Prediction Error) MDL (Minimum Description Length)

87 Esempio (AIC)

88 Attenzione!!!!!!!!!!!!!!!!!!!!!!!!!!!!!! L ordine del modello ottimale dipende dal numero di punti usati per l autoregressione e quindi dalla frequenza di campionamento. Esempio (AIC) Tacogramma campionato a 4Hz Tacogramma campionato a 2Hz Maggiore è la frequenza di ricampionamento, maggiore è l ordine del modello richiesto.

89 Esempio (fase di ortostatismo tilt test) f=1hz OM: 6 OM: 10 OM: 16 OM: 30 f=2hz OM: 6 OM: 10 OM: 16 OM: 30 f=8hz OM: 6 OM: 10 OM: 16 OM: 30

90 f=1hz Se avessimo usato Fourier f=2hz f=8hz

91 Segnale con discontinuità: la presenza di una discontinuità altera la stazionarietà del segnale Elimino la discontinuità

92 Se usassi l analisi di Fourier Elimino la discontinuità

93 Esempio (Stazionarietà del segnale) TILT TEST f: 8Hz 5 minuti 5 minuti

94 5 minuti NON POSSO FARE L ANALISI AUTOREGRESSIVA!!!!!!!! 15 minuti

95 Posso filtrare il segnale in modo da renderlo stazionario. 1) Estraggo le variazione lente e le sottraggo alla sequenza degli RR Modifico in maniera importante le frequenze basse ed eseguo l analisi su una serie di RR che non sono più quelli originari

96 Riassumiamo.

97 Analisi Fourier Riassumiamo.

98 Analisi Fourier Riassumiamo. Indipendente dall operatore (metodo non parametrico)

99 Analisi Fourier Riassumiamo. Indipendente dall operatore (metodo non parametrico) Necessità clinica di segnali stazionari

100 Analisi Fourier Riassumiamo. Indipendente dall operatore (metodo non parametrico) Necessità clinica di segnali stazionari Buona risoluzione in frequenza per periodi lunghi (>5minuti) Scarsa risoluzione su finestre più brevi e quindi impossibilità di analisi di fasi transitorie rapide.

101 Analisi Fourier Riassumiamo. Indipendente dall operatore (metodo non parametrico) Necessità clinica di segnali stazionari Buona risoluzione in frequenza per periodi lunghi (>5minuti) Scarsa risoluzione su finestre più brevi e quindi impossibilità di analisi di fasi transitorie rapide. Incapacità di localizzare temporalmente le armoniche. Se riduco il periodo di analisi non ho sufficiente risoluzione in frequenza.

102 Analisi Fourier Indipendente dall operatore (metodo non parametrico) Riassumiamo. Analisi Autoregressiva Necessità clinica di segnali stazionari Buona risoluzione in frequenza per periodi lunghi (>5minuti) Scarsa risoluzione su finestre più brevi e quindi impossibilità di analisi di fasi transitorie rapide. Incapacità di localizzare temporalmente le armoniche. Se riduco il periodo di analisi non ho sufficiente risoluzione in frequenza.

103 Analisi Fourier Indipendente dall operatore (metodo non parametrico) Riassumiamo. Analisi Autoregressiva Dipendente dall operatore (metodo parametrico) Necessità clinica di segnali stazionari Buona risoluzione in frequenza per periodi lunghi (>5minuti) Scarsa risoluzione su finestre più brevi e quindi impossibilità di analisi di fasi transitorie rapide. Incapacità di localizzare temporalmente le armoniche. Se riduco il periodo di analisi non ho sufficiente risoluzione in frequenza.

104 Analisi Fourier Indipendente dall operatore (metodo non parametrico) Riassumiamo. Analisi Autoregressiva Dipendente dall operatore (metodo parametrico) Necessità clinica di segnali stazionari Buona risoluzione in frequenza per periodi lunghi (>5minuti) Scarsa risoluzione su finestre più brevi e quindi impossibilità di analisi di fasi transitorie rapide. Necessità tecnica e clinica di segnali stazionari (impossibilità di analisi di fasi transitorie rapide) Incapacità di localizzare temporalmente le armoniche. Se riduco il periodo di analisi non ho sufficiente risoluzione in frequenza.

Introduzione al Campionamento e

Introduzione al Campionamento e Introduzione al Campionamento e all analisi analisi in frequenza Presentazione basata sul Cap.V di Introduction of Engineering Experimentation, A.J.Wheeler, A.R.Ganj, Prentice Hall Campionamento L'utilizzo

Dettagli

Capitolo 4 Tecnica di analisi on-line

Capitolo 4 Tecnica di analisi on-line Capitolo 4:Tecniche di analisi in on-line 70 Capitolo 4 Tecnica di analisi on-line 4.1 Introduzione L analisi in tempo reale di un sistema complesso comporta la scelta di tecniche di analisi di tipo statistico

Dettagli

Capitolo 5 RESTAURO E RICOSTRUZIONE DI IMMAGINI

Capitolo 5 RESTAURO E RICOSTRUZIONE DI IMMAGINI Capitolo 5 RESTAURO E RICOSTRUZIONE DI IMMAGINI La differenza tra il restauro e il miglioramento (enhancement) delle immagini è che il miglioramento è un processo soggettivo, mentre il restauro è un processo

Dettagli

Il Campionameto dei segnali e la loro rappresentazione. 1 e prende il nome frequenza di

Il Campionameto dei segnali e la loro rappresentazione. 1 e prende il nome frequenza di Il Campionameto dei segnali e la loro rappresentazione Il campionamento consente, partendo da un segnale a tempo continuo ovvero che fluisce con continuità nel tempo, di ottenere un segnale a tempo discreto,

Dettagli

Carichiamo il segnale contenuto nel file ecg_es_20121128.mat

Carichiamo il segnale contenuto nel file ecg_es_20121128.mat Esercitazione su analisi segnale ECG Carichiamo il segnale contenuto nel file ecg_es_20121128.mat Il file contiene due variabili - dt, che vale 0.004 - ecg, che è vettore lungo 6500 campioni La frequenza

Dettagli

Abbiamo costruito il grafico delle sst in funzione del tempo (dal 1880 al 1995).

Abbiamo costruito il grafico delle sst in funzione del tempo (dal 1880 al 1995). ANALISI DI UNA SERIE TEMPORALE Analisi statistica elementare Abbiamo costruito il grafico delle sst in funzione del tempo (dal 1880 al 1995). Si puo' osservare una media di circa 26 C e una deviazione

Dettagli

Stima spettrale CAPITOLO 8

Stima spettrale CAPITOLO 8 CAPITOLO 8 Stima spettrale 8.1. Introduzione In molte applicazioni è fondamentale poter stimare la densità spettrale di potenza di un processo. Si tratta di realizzare un analizzatore di spettro numerico.

Dettagli

Accuratezza di uno strumento

Accuratezza di uno strumento Accuratezza di uno strumento Come abbiamo già accennato la volta scora, il risultato della misurazione di una grandezza fisica, qualsiasi sia lo strumento utilizzato, non è mai un valore numerico X univocamente

Dettagli

Benvenuti a tutti i Partecipanti, alle Autorità e ai Relatori

Benvenuti a tutti i Partecipanti, alle Autorità e ai Relatori Benvenuti a tutti i Partecipanti, alle Autorità e ai Relatori che hanno accolto l invito. Un Grazie a loro, a quanti hanno collaborato e all ISTITUTO ALBERGHIERO che ci ospita: tutti consapevoli dell importanza

Dettagli

CardioScan 12 Holter ECG avanzato

CardioScan 12 Holter ECG avanzato SEDA S.p.A. CardioScan 12 Holter ECG avanzato SEDA S.p.A. Via Tolstoi 7 20090 Trezzano S/N (Milano) Tel 02/48424.1; Fax 02/48424290 sito internet: www.sedaitaly.it certificazione UNI EN ISO 9001:2000 Il

Dettagli

Elementi di Psicometria con Laboratorio di SPSS 1

Elementi di Psicometria con Laboratorio di SPSS 1 Elementi di Psicometria con Laboratorio di SPSS 1 10-Il test t per un campione e la stima intervallare (vers. 1.1, 25 ottobre 2015) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia,

Dettagli

Misure di mobilità - Definizioni

Misure di mobilità - Definizioni Misure di mobilità - Definizioni La base di una specifica classe di analisi modale sperimentale è la misura di un insieme di Funzioni di Risposta in Frequenza (FRF). Il movimento può essere descritto in

Dettagli

ESERCIZI DI STATISTICA DESCRITTIVA

ESERCIZI DI STATISTICA DESCRITTIVA ESERCIZI DI STATISTICA DESCRITTIVA ES1 Data la seguente serie di dati su Sesso e Altezza di 8 pazienti, riempire opportunamente due tabelle per rappresentare le distribuzioni di frequenze dei due caratteri,

Dettagli

Università degli Studi di Cassino e del Lazio Meridionale. Area Didattica di Ingegneria. Corso di Laurea in Ingegneria Industriale

Università degli Studi di Cassino e del Lazio Meridionale. Area Didattica di Ingegneria. Corso di Laurea in Ingegneria Industriale Università degli Studi di Cassino e del Lazio Meridionale Area Didattica di Ingegneria Corso di Laurea in Ingegneria Industriale Lezioni del Corso di Misure Industriali 1 Università degli Studi di Cassino

Dettagli

lezione 18 AA 2015-2016 Paolo Brunori

lezione 18 AA 2015-2016 Paolo Brunori AA 2015-2016 Paolo Brunori Previsioni - spesso come economisti siamo interessati a prevedere quale sarà il valore di una certa variabile nel futuro - quando osserviamo una variabile nel tempo possiamo

Dettagli

ANALISI DI SEGNALI BIOLOGICI

ANALISI DI SEGNALI BIOLOGICI ANALISI DI SEGNALI BIOLOGICI A.Accardo accardo@units.it LM Neuroscienze A.A. 2010-11 Parte II 1 Analisi in frequenza di un segnale l analisi in frequenza di un segnale o analisi di Fourier descrive il

Dettagli

Analisi di un segnale sonoro

Analisi di un segnale sonoro Analisi di un segnale sonoro 1. Introduzione Lo scopo di questa esperienza è quello di scoprire com è fatto un suono, riconoscere le differenze fra i timbri, imparare a fare un analisi in frequenza e vedere

Dettagli

Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Processi casuali A.A. 2007-08. Alberto Perotti, Roberto Garello

Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Processi casuali A.A. 2007-08. Alberto Perotti, Roberto Garello Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Processi casuali A.A. 2007-08 Alberto Perotti, Roberto Garello DELEN-DAUIN Processi casuali Sono modelli probabilistici

Dettagli

MODULAZIONE SINUSOIDALE

MODULAZIONE SINUSOIDALE Capitolo 4 MODULAZIONE SINUSOIDALE 4.1 Descrizione del sistema Si è descritta nel capitolo precedente la realizzazione di un sistema basato sulla modulazione ad onda quadra dell uscita laser e se ne sono

Dettagli

DISCRETIZZAZIONE DI UN SEGNALE ANALOGICO:

DISCRETIZZAZIONE DI UN SEGNALE ANALOGICO: DISCRETIZZAZIONE DI UN SEGNALE ANALOGICO: nel processo di digitalizzazione che permette di convertire un segnale analogico in modo da poterlo elaborare con dispositivi numerici di calcolo, si operano due

Dettagli

CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 6

CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 6 CORSO DI STATISTICA (parte 2) - ESERCITAZIONE 6 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Stima puntuale per la proporzione Da un lotto di arance se ne estraggono 400, e di queste 180

Dettagli

La variabilità della frequenza cardiaca

La variabilità della frequenza cardiaca Corso di Laurea in Medicina e Chirurgia C Corso integrato di metodologia medico-scientifica e scienze umane II Fisica ed epistemologia La variabilità della frequenza cardiaca Prof. C. Cammarota Dipartimento

Dettagli

SEGNALI BIOMEDICI Segnale Informazione dinamica

SEGNALI BIOMEDICI Segnale Informazione dinamica SEGNALI BIOMEDICI Segnale: Rappresentazione (monodimensionale) di informazione, in funzione di una variabile indipendente (es.: tempo). Informazione: Valori reali o complessi. E spesso una misura di una

Dettagli

A.1 Rappresentazione geometrica dei segnali

A.1 Rappresentazione geometrica dei segnali Appendice A Rappresentazione dei segnali A.1 Rappresentazione geometrica dei segnali Scomporre una generica forma d onda s(t) in somma di opportune funzioni base è operazione assai comune, particolarmente

Dettagli

Elementi di teoria dei segnali /b

Elementi di teoria dei segnali /b Elementi di teoria dei segnali /b VERSIONE 29.4.01 Filtri e larghezza di banda dei canali Digitalizzazione e teorema del campionamento Capacità di canale e larghezza di banda Multiplexing e modulazioni

Dettagli

CURRICOLO MATEMATICA

CURRICOLO MATEMATICA 1 CURRICOLO MATEMATICA Competenza 1 al termine della scuola dell Infanzia 2 NUMERI Raggruppare, ordinare, contare, misurare oggetti, grandezze ed eventi direttamente esperibili. Utilizzare calendari settimanali

Dettagli

Elaborazione delle Immagini Digitali

Elaborazione delle Immagini Digitali Elaborazione delle Immagini Digitali Parte I Prof. Edoardo Ardizzone A.A. 2-22 La trasformata di Hotelling o di Karhunen-Loeve KLT discreta Questa trasformata detta anche analisi delle componenti principali

Dettagli

La distribuzione Normale. La distribuzione Normale

La distribuzione Normale. La distribuzione Normale La Distribuzione Normale o Gaussiana è la distribuzione più importante ed utilizzata in tutta la statistica La curva delle frequenze della distribuzione Normale ha una forma caratteristica, simile ad una

Dettagli

Analizzatori di spettro in Tempo Reale: sono tutti uguali? (G. Amadasi - S.C.S. Controlli e Sistemi)

Analizzatori di spettro in Tempo Reale: sono tutti uguali? (G. Amadasi - S.C.S. Controlli e Sistemi) Analizzatori di spettro in Tempo Reale: sono tutti uguali? (G. Amadasi - S.C.S. Controlli e Sistemi) Introduzione L introduzione delle tecniche DSP (Digital Signal Processing) per l analisi di suoni e

Dettagli

TECNICHE DI COMPRESSIONE DATI

TECNICHE DI COMPRESSIONE DATI TECNICHE DI COMPRESSIONE DATI COMPRESSIONE DATI La compressione produce una rappresentazione più compatta delle informazioni è come se si usassero meno parole per dire la stessa cosa in modo diverso. Esistono

Dettagli

Funzioni in due variabili Raccolta di FAQ by Andrea Prevete

Funzioni in due variabili Raccolta di FAQ by Andrea Prevete Funzioni in due variabili Raccolta di FAQ by Andrea Prevete 1) Cosa intendiamo, esattamente, quando parliamo di funzione reale di due variabili reali? Quando esiste una relazione fra tre variabili reali

Dettagli

STRUMENTAZIONE E MISURE ELETTRICHE. Condizionamento ed acquisizione del segnale

STRUMENTAZIONE E MISURE ELETTRICHE. Condizionamento ed acquisizione del segnale STRUMENTAZIONE E MISURE ELETTRICHE Condizionamento ed acquisizione del segnale Prof. Salvatore Nuccio salvatore.nuccio@unipa.it, tel.: 0916615270 1 Circuito di condizionamento Un sensore/trasduttore (S/T)

Dettagli

Descrizione del funzionamento di un Lock-in Amplifier

Descrizione del funzionamento di un Lock-in Amplifier Descrizione del funzionamento di un Lock-in Amplifier S.C. 0 luglio 004 1 Propositi di un amplificatore Lock-in Il Lock-in Amplifier é uno strumento che permette di misurare l ampiezza V 0 di una tensione

Dettagli

Autenticazione Vocale

Autenticazione Vocale Autenticazione Vocale (A. Gorziglia) INTRODUZIONE: perché usare i sistemi biometrici per l autenticazione. Il motivo principale è quello di impedire all utente di perdere (o dimenticare) la chiave di autenticazione

Dettagli

TEST NON INVASIVI NELLA STRATIFICAZIONE DEL RISCHIO ARITMICO Novara, 14 gennaio 2011 C.P.S. Laura Valzi PATOLOGIE - IMA in fase sub-acuta (dopo stabilizzazione i della cicatrice, a 2-4 settimane dall evento

Dettagli

Introduzione all elaborazione di immagini Part II

Introduzione all elaborazione di immagini Part II Introduzione all elaborazione di immagini Part II Obiettivi delle tecniche di elaborazione di immagini: miglioramento di qualità (image enhancement) ripristino di qualità o restauro (image restoration)

Dettagli

Rumore Elettronico. Sorgenti di rumore in Diodi, BJTs, MOSFETs Rumore equivalente all ingresso di amplificatori Rumore nel dominio del tempo

Rumore Elettronico. Sorgenti di rumore in Diodi, BJTs, MOSFETs Rumore equivalente all ingresso di amplificatori Rumore nel dominio del tempo umore Elettronico Sorgenti di rumore in Diodi, Js, MOSFEs umore equivalente all ingresso di amplificatori umore nel dominio del tempo 1 umore della Giunzione PN: Shot Noise La corrente che fluisce attraverso

Dettagli

= E(X t+k X t+k t ) 2 + 2E [( X t+k X t+k t + E

= E(X t+k X t+k t ) 2 + 2E [( X t+k X t+k t + E 1. Previsione per modelli ARM A Questo capitolo è dedicato alla teoria della previsione lineare per processi stocastici puramente non deterministici, cioè per processi che ammettono una rappresentazione

Dettagli

Preprocessamento dei Dati

Preprocessamento dei Dati Preprocessamento dei Dati Raramente i dati sperimentali sono pronti per essere utilizzati immediatamente per le fasi successive del processo di identificazione, a causa di: Offset e disturbi a bassa frequenza

Dettagli

Nota di Copyright. Leonardo Fanelli Urbino - Ottobre 05

Nota di Copyright. Leonardo Fanelli Urbino - Ottobre 05 Nota di Copyright Questo insieme di trasparenze (detto nel seguito slide) è protetto dalle leggi sul copyright e dalle disposizioni dei trattati internazionali. Il titolo e i copyright relativi alle slides

Dettagli

Elementi Finiti: stime d errore e adattività della griglia

Elementi Finiti: stime d errore e adattività della griglia Elementi Finiti: stime d errore e adattività della griglia Elena Gaburro Università degli studi di Verona Master s Degree in Mathematics and Applications 05 giugno 2013 Elena Gaburro (Università di Verona)

Dettagli

Polarizzazione, dispersione dei modi di polarizzazione e sua compensazione

Polarizzazione, dispersione dei modi di polarizzazione e sua compensazione UNIVERSITA DEGLI STUDI DI TRIESTE Corso di Laurea Triennale in Ingegneria Elettronica Polarizzazione, dispersione dei modi di polarizzazione e sua compensazione Laureando: Danijel Miletic 28/11/2008 1

Dettagli

ELEMENTI DI ACUSTICA 03

ELEMENTI DI ACUSTICA 03 I.U.A.V. Scienze dell architettura a.a. 01/013 Fisica Tecnica e Controllo Ambientale Prof. Piercarlo Romagnoni EEMENTI DI ACUSTICA 03 PROPAGAZIONE DE SUONO 0 DIRETTIVITA DEA SORGENTE FREQUENZA SONORA PROPAGAZIONE

Dettagli

DEFINIZIONE Una grandezza fisica è una classe di equivalenza di proprietà fisiche che possono essere misurate mediante un rapporto.

DEFINIZIONE Una grandezza fisica è una classe di equivalenza di proprietà fisiche che possono essere misurate mediante un rapporto. «Possiamo conoscere qualcosa dell'oggetto di cui stiamo parlando solo se possiamo eseguirvi misurazioni, per descriverlo mediante numeri; altrimenti la nostra conoscenza è scarsa e insoddisfacente.» (Lord

Dettagli

Lezione2 Ricerca di zeri. http://idefix.mi.infn.it/~palombo/didattica/lab-tnds/corsolab/lezionifrontali. Fernando Palombo

Lezione2 Ricerca di zeri. http://idefix.mi.infn.it/~palombo/didattica/lab-tnds/corsolab/lezionifrontali. Fernando Palombo Lezione2 Ricerca di zeri http://idefix.mi.infn.it/~palombo/didattica/lab-tnds/corsolab/lezionifrontali Fernando Palombo Aritmetica Finita nel Computer Nel computer l aritmetica è a precisione finita cioè

Dettagli

Tesina di Identificazione dei Modelli e Analisi dei Dati

Tesina di Identificazione dei Modelli e Analisi dei Dati Tesina di Identificazione dei Modelli e Analisi dei Dati Ceccarelli Egidio e Papi Alessio 19 Luglio 2000 1 Indice 1 Introduzione 3 2 Valutazioni relative all identificazione 3 3 Prove 4 4 Conclusioni 5

Dettagli

Introduzione al Pattern Recognition Statistico

Introduzione al Pattern Recognition Statistico Introduzione al Pattern Recognition Statistico Roberto Tagliaferri Dipartimento di Informatica Università di Salerno ( Sa ) 84084 Fisciano e-mail robtag@unisa.it Statistical Pattern Recognition Introduzione

Dettagli

ELEMENTI DI STATISTICA PER IDROLOGIA

ELEMENTI DI STATISTICA PER IDROLOGIA Carlo Gregoretti Corso di Idraulica ed Idrologia Elementi di statist. per Idrolog.-7//4 ELEMETI DI STATISTICA PER IDROLOGIA Introduzione Una variabile si dice casuale quando assume valori che dipendono

Dettagli

(accuratezza) ovvero (esattezza)

(accuratezza) ovvero (esattezza) Capitolo n 2 2.1 - Misure ed errori In un analisi chimica si misurano dei valori chimico-fisici di svariate grandezze; tuttavia ogni misura comporta sempre una incertezza, dovuta alla presenza non eliminabile

Dettagli

Modulazioni. Vittorio Maniezzo Università di Bologna. Comunicazione a lunga distanza

Modulazioni. Vittorio Maniezzo Università di Bologna. Comunicazione a lunga distanza Modulazioni Vittorio Maniezzo Università di Bologna Vittorio Maniezzo Università di Bologna 06 Modulazioni 1/29 Comunicazione a lunga distanza I segnali elettrici si indeboliscono quando viaggiano su un

Dettagli

EMBA PART TIME 2012 ROMA I ANNO

EMBA PART TIME 2012 ROMA I ANNO BUSINESS STATISTICS: ASSIGNMENT II: EMBA PART TIME 2012 ROMA I ANNO PROF. MOSCONI ESERCIZIO 1: USO DEL MODELLO DI REGRESSIONE PER DETERMINARE IL VALORE DEGLI IMMOBILI. ESERCIZIO 2: PREVISIONE DI VARIABILI

Dettagli

Capitolo 6: Algoritmi per la rilevazione del QRS ed il riconoscimento di aritmie

Capitolo 6: Algoritmi per la rilevazione del QRS ed il riconoscimento di aritmie Capitolo 6: Algoritmi per la rilevazione del QRS ed il riconoscimento di aritmie 6.1 Algoritmi per la rilevazione del complesso QRS Esistono varie classi di algoritmi di riconoscimento del QRS presenti

Dettagli

Analisi dei segnali nel dominio della frequenza

Analisi dei segnali nel dominio della frequenza Laboratorio di Telecomunicazioni - a.a. 2010/2011 Lezione n. 7 Analisi dei segnali nel dominio della frequenza docente L.Verdoliva In questa lezione affrontiamo il problema dell analisi dei segnali tempo

Dettagli

VERIFICA DELLE IPOTESI

VERIFICA DELLE IPOTESI VERIFICA DELLE IPOTESI Introduzione Livelli di significatività Verifica di ipotesi sulla media di una popolazione normale Verifica di ipotesi sulla varianza di una popolazione normale Verifica di ipotesi

Dettagli

Sistemi Web per il turismo - lezione 2 -

Sistemi Web per il turismo - lezione 2 - Sistemi Web per il turismo - lezione 2 - 8 Considerare il computer coma una calcolatrice sembra un po limitativo rispetto a quello che solitamente vediamo succedere sui computer intorno a noi come ad esempio

Dettagli

Metodi di previsione

Metodi di previsione Metodi di previsione Giovanni Righini Università degli Studi di Milano Corso di Logistica I metodi di previsione I metodi di previsione sono usati per ricavare informazioni a sostegno dei processi decisionali

Dettagli

Università di Napoli Parthenope Facoltà di Ingegneria

Università di Napoli Parthenope Facoltà di Ingegneria Università di Napoli Parthenope Facoltà di Ingegneria Corso di rasmissione Numerica docente: Prof. Vito Pascazio 18 a Lezione: 13/1/4 19 a Lezione: 14/1/4 Sommario rasmissione di segnali PM numerici su

Dettagli

Elaborazione nel dominio della frequenza

Elaborazione nel dominio della frequenza Elaborazione dei Segnali Multimediali a.a. 2009/2010 Elaborazione nel dominio della frequenza L.Verdoliva In questa esercitazione esamineremo la trasformata di Fourier discreta monodimensionale e bidimensionale.

Dettagli

Disease management mediante controllo remoto dopo impianto di CRT

Disease management mediante controllo remoto dopo impianto di CRT Disease management mediante controllo remoto dopo impianto di CRT Antonello Vado Laboratorio di elettrofisiologia Ospedale S.Croce e Carle. Cuneo Dal device management al disease management L effetto cumulativo

Dettagli

STATISTICA DESCRITTIVA UNIVARIATA

STATISTICA DESCRITTIVA UNIVARIATA Capitolo zero: STATISTICA DESCRITTIVA UNIVARIATA La STATISTICA è la scienza che si occupa di fenomeni collettivi che richiedono lo studio di un grande numero di dati. Il termine STATISTICA deriva dalla

Dettagli

CORSO DI MISURE ANALISI DEI SEGNALI NEL DOMINIO DEL TEMPO

CORSO DI MISURE ANALISI DEI SEGNALI NEL DOMINIO DEL TEMPO CORSO DI MISURE ANALISI DEI SEGNALI NEL DOMINIO DEL EMPO ing Emanuele Zappa SEGNALI: grandezze di base nel dominio del tempo: Ampiezza picco-picco (pk.pk) Ampiezza massima positiva empo Ampiezza massima

Dettagli

Capitolo 7: Variabilità del ritmo Cardiaco - HRV

Capitolo 7: Variabilità del ritmo Cardiaco - HRV Capitolo 7: Variabilità del ritmo Cardiaco - HRV 7.1 Introduzione La variabilità del ritmo cardiaco (HRV) rappresenta la quantità di fluttuazioni intorno al valore medio del ritmo stesso. Essa può essere

Dettagli

Statistica inferenziale

Statistica inferenziale Statistica inferenziale Popolazione e campione Molto spesso siamo interessati a trarre delle conclusioni su persone che hanno determinate caratteristiche (pazienti, atleti, bambini, gestanti, ) Osserveremo

Dettagli

L A B O R A T O R I O D I I N F O R M A T I C A M U S I C A L E

L A B O R A T O R I O D I I N F O R M A T I C A M U S I C A L E L A B O R A T O R I O D I I N F O R M A T I C A M U S I C A L E MODULO 1: MANIPOLAZI ONE DEL SEGNALE AUDI O G.PRESTI - 12/03/2015 - LE ZI ON E 2 1. CONVERSIONE DA ANALOGICO A DIGITALE Convertire un segnale

Dettagli

Introduzione all Analisi dei Segnali

Introduzione all Analisi dei Segnali Tecniche innovative per l identificazione delle caratteristiche dinamiche delle strutture e del danno Introduzione all Analisi dei Segnali Prof. Ing. Felice Carlo PONZO - Ing. Rocco DITOMMASO Scuola di

Dettagli

ESTRAZIONE DI DATI 3D DA IMMAGINI DIGITALI. (Visione 3D)

ESTRAZIONE DI DATI 3D DA IMMAGINI DIGITALI. (Visione 3D) ESTRAZIONE DI DATI 3D DA IMMAGINI DIGITALI () Calcolo delle corrispondenze Affrontiamo il problema centrale della visione stereo, cioè la ricerca automatica di punti corrispondenti tra immagini Chiamiamo

Dettagli

GUIDA PER LA VALUTAZIONE E LA ESPRESSIONE DELL INCERTEZZA NELLE MISURAZIONI

GUIDA PER LA VALUTAZIONE E LA ESPRESSIONE DELL INCERTEZZA NELLE MISURAZIONI SISTEMA NAZIONALE PER L'ACCREDITAMENTO DI LABORATORI DT-000 GUIDA PER LA VALUTAZIONE E LA ESPRESSIONE DELL INCERTEZZA NELLE MISURAZIONI INDICE parte sezione pagina 1. INTRODUZIONE. FONDAMENTI.1. Misurando,

Dettagli

Elementi di Psicometria con Laboratorio di SPSS 1

Elementi di Psicometria con Laboratorio di SPSS 1 Elementi di Psicometria con Laboratorio di SPSS 1 5-Indici di variabilità (vers. 1.0c, 20 ottobre 2015) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca

Dettagli

4. Matrici e Minimi Quadrati

4. Matrici e Minimi Quadrati & C. Di Natale: Matrici e sistemi di equazioni di lineari Formulazione matriciale del metodo dei minimi quadrati Regressione polinomiale Regressione non lineare Cross-validazione e overfitting Regressione

Dettagli

CLASSI PRIME tecnico 4 ORE

CLASSI PRIME tecnico 4 ORE PIANO ANNUALE a.s. 2012/2013 CLASSI PRIME tecnico 4 ORE Settembre Ottobre Novembre dicembre dicembre gennaio- 15 aprile 15 aprile 15 maggio Somministrazione di test di ingresso. Insiemi numerici Operazioni

Dettagli

Iniziativa Comunitaria Equal II Fase IT G2 CAM - 017 Futuro Remoto. Strumenti di Valutazione di un Prodotto Finanziario

Iniziativa Comunitaria Equal II Fase IT G2 CAM - 017 Futuro Remoto. Strumenti di Valutazione di un Prodotto Finanziario AREA FINANZA DISPENSA FINANZA Iniziativa Comunitaria Equal II Fase IT G2 CAM - 017 Futuro Remoto Strumenti di Valutazione di un Prodotto Finanziario ORGANISMO BILATERALE PER LA FORMAZIONE IN CAMPANIA Strumenti

Dettagli

Metodi statistici per le ricerche di mercato

Metodi statistici per le ricerche di mercato Metodi statistici per le ricerche di mercato Prof.ssa Isabella Mingo A.A. 2013-2014 Facoltà di Scienze Politiche, Sociologia, Comunicazione Corso di laurea Magistrale in «Organizzazione e marketing per

Dettagli

Amministrazione, finanza e marketing - Turismo Ministero dell Istruzione, dell Università e della Ricerca PROGRAMMAZIONE DISCIPLINARE PER U. di A.

Amministrazione, finanza e marketing - Turismo Ministero dell Istruzione, dell Università e della Ricerca PROGRAMMAZIONE DISCIPLINARE PER U. di A. CLASSE quinta INDIRIZZO AFM-SIA-RIM-TUR UdA n. 1 Titolo: LE FUNZIONI DI DUE VARIABILI E L ECONOMIA Utilizzare le strategie del pensiero razionale negli aspetti dialettici e algoritmici per affrontare situazioni

Dettagli

Introduzione alla Teoria degli Errori

Introduzione alla Teoria degli Errori Introduzione alla Teoria degli Errori 1 Gli errori di misura sono inevitabili Una misura non ha significato se non viene accompagnata da una ragionevole stima dell errore ( Una scienza si dice esatta non

Dettagli

CONFRONTO TRA TECNICHE DI PREVISIONE: Processi regressivi e reti neurali artificiali

CONFRONTO TRA TECNICHE DI PREVISIONE: Processi regressivi e reti neurali artificiali Paolo Mezzera Ottobre 2003 CONFRONTO TRA TECNICHE DI PREVISIONE: Processi regressivi e reti neurali artificiali Questo lavoro ha lo scopo di confrontare previsioni ottenute mediante processi regressivi

Dettagli

Istituto Comprensivo Caposele (Av) Curricolo verticale d istituto a.sc. 2013-2014

Istituto Comprensivo Caposele (Av) Curricolo verticale d istituto a.sc. 2013-2014 CURRICOLO DI MATEMATICA SCUOLA PRIMARIA CLASSE PRIMA 1. Contare oggetti o eventi, a voce e mentalmente, in senso progressivo e regressivo e per salti di due, tre, 2. Leggere e scrivere i numeri naturali

Dettagli

Revisione dei concetti fondamentali

Revisione dei concetti fondamentali Revisione dei concetti fondamentali dell analisi in frequenza Argomenti: trasformazione in frequenza: significato e funzionamento; schemi di rappresentazione; trasformata discreta. 1 Rappresentazione dei

Dettagli

Università degli studi di Salerno. Project Work svolto da Federico Fabbricatore matr. 0612200629. Traccia

Università degli studi di Salerno. Project Work svolto da Federico Fabbricatore matr. 0612200629. Traccia Università degli studi di Salerno Project Work svolto da Federico Fabbricatore matr. 0612200629 Traccia SINGLE LOOP CUSTOM PROCESS con Process Model = Disturbance Model 1. adotta un controllore PID ideale

Dettagli

Scheda n.5: variabili aleatorie e valori medi

Scheda n.5: variabili aleatorie e valori medi Scheda n.5: variabili aleatorie e valori medi October 26, 2008 1 Variabili aleatorie Per la definizione rigorosa di variabile aleatoria rimandiamo ai testi di probabilità; essa è non del tutto immediata

Dettagli

Revisione dei concetti fondamentali dell analisi in frequenza

Revisione dei concetti fondamentali dell analisi in frequenza Revisione dei concetti fondamentali dell analisi in frequenza rgomenti: trasformazione in frequenza: significato e funzionamento; schemi di rappresentazione; trasformata discreta. 1 Rappresentazione dei

Dettagli

Sistemi di analisi ECG MARS Ambulatory Valutare e prevedere: ora è possibile

Sistemi di analisi ECG MARS Ambulatory Valutare e prevedere: ora è possibile GE Healthcare Sistemi di analisi ECG MARS Ambulatory Valutare e prevedere: ora è possibile La prevenzione inizia con la conoscenza In tutto il mondo, i casi di malattie cardiache sono in costante e rapido

Dettagli

CURRICOLO MATEMATICA ABILITA COMPETENZE

CURRICOLO MATEMATICA ABILITA COMPETENZE CURRICOLO MATEMATICA 1) Operare con i numeri nel calcolo aritmetico e algebrico, scritto e mentale, anche con riferimento a contesti reali. Per riconoscere e risolvere problemi di vario genere, individuando

Dettagli

ESAME DI STATO DI LICEO SCIENTIFICO CORSO DI ORDINAMENTO 2004

ESAME DI STATO DI LICEO SCIENTIFICO CORSO DI ORDINAMENTO 2004 ESAME DI STATO DI LICEO SCIENTIFICO CORSO DI ORDINAMENTO 004 Il candidato risolva uno dei due problemi e 5 dei 10 quesiti in cui si articola il questionario. PROBLEMA 1 Sia f la funzione definita da: f

Dettagli

Sistemi Elettronici e informatici in ambito Radiologico // Informatica Medica parte c A.A. 2014-15

Sistemi Elettronici e informatici in ambito Radiologico // Informatica Medica parte c A.A. 2014-15 Sistemi Elettronici e informatici in ambito Radiologico // Informatica Medica parte c A.A. 2014-15 Agostino ACCARDO Dipartimento di Ingegneria e Architettura 040-5587148 accardo@units.it Testi di riferimento:

Dettagli

ESPERIENZE DI LABORATORIO

ESPERIENZE DI LABORATORIO MISURE ELETTRICHE INDUSTRIALI (01GKDFD) ESPERIENZE DI LABORATORIO A.A. 010 011 GRUPPO 09 Faustino elettrix01 Ezio Maxwell LABORATORIO 01 Acquisizione dati attraverso una DAQ Board Obiettivi Comprendere

Dettagli

SCUOLA PRIMARIA I.C. di CRESPELLANO PROGRAMMAZIONE ANNUALE MATEMATICA

SCUOLA PRIMARIA I.C. di CRESPELLANO PROGRAMMAZIONE ANNUALE MATEMATICA SCUOLA PRIMARIA I.C. di CRESPELLANO PROGRAMMAZIONE ANNUALE MATEMATICA ANNO SCOLASTICO 2013/2014 INSEGNANTI Gabellone, Silvagni,Damiano TRAGUARDI DELLE COMPETENZE AL TERMINE della CLASSE QUARTA Sviluppa

Dettagli

CORSO DI LAUREA IN OTTICA E OPTOMETRIA CORSO DI INFORMATICA E STATISTICA DANIELE.MONTANINO@UNISALENTO.IT

CORSO DI LAUREA IN OTTICA E OPTOMETRIA CORSO DI INFORMATICA E STATISTICA DANIELE.MONTANINO@UNISALENTO.IT CORSO DI LAUREA IN OTTICA E OPTOMETRIA CORSO DI INFORMATICA E STATISTICA DANIELE.MONTANINO@UNISALENTO.IT CONVENZIONE SULLE CIFRE SIGNIFICATIVE La convenzione usata sul troncamento delle cifre è troncare

Dettagli

Caratterizzazione dei segnali aleatori nel dominio della frequenza

Caratterizzazione dei segnali aleatori nel dominio della frequenza Capitolo 5 Caratterizzazione dei segnali aleatori nel dominio della frequenza 5. Introduzione In questo capitolo affrontiamo lo studio dei segnali aleatori nel dominio della frequenza. Prendiamo come esempio

Dettagli

Elaborazione nel dominio della frequenza Soluzioni

Elaborazione nel dominio della frequenza Soluzioni Elaborazione dei Segnali Multimediali a.a. 2009/2010 Elaborazione nel dominio della frequenza Soluzioni 1 La trasformata discreta 1D Calcoliamo lo spettro di x(n) = R L (n) al variare di L = 2, 10, 20,

Dettagli

MATEMATICA OBIETTIVI DI APPRENDIMENTO TRAGUARDI PER LO SVILUPPO DELLE COMPETENZE

MATEMATICA OBIETTIVI DI APPRENDIMENTO TRAGUARDI PER LO SVILUPPO DELLE COMPETENZE Il bambino raggruppa e ordina oggetti e materiali secondo criteri diversi. Identifica alcune proprietà dei materiali. Confronta e valuta quantità. Utilizza simboli per registrare materiali e quantità.

Dettagli

Lezioni del Corso di Fondamenti di Metrologia Meccanica

Lezioni del Corso di Fondamenti di Metrologia Meccanica Facoltà di Ingegneria Lezioni del Corso di Fondamenti di Metrologia Meccanica A.A. 2005-2006 Prof. Paolo Vigo Indice 1. Errori ed Incertezze 2. Errori Sistematici ed Accidentali 3. Proprietà degli Strumenti

Dettagli

METODI ITERATIVI PER SISTEMI LINEARI

METODI ITERATIVI PER SISTEMI LINEARI METODI ITERATIVI PER SISTEMI LINEARI LUCIA GASTALDI 1. Metodi iterativi classici Sia A R n n una matrice non singolare e sia b R n. Consideriamo il sistema (1) Ax = b. Un metodo iterativo per la soluzione

Dettagli

RICCARDO SANTOBONI ANNA RITA TICARI. Fondamenti di Acustica e Psicoacustica

RICCARDO SANTOBONI ANNA RITA TICARI. Fondamenti di Acustica e Psicoacustica RICCARDO SANTOBONI ANNA RITA TICARI Fondamenti di Acustica e Psicoacustica 1 2 Riccardo Santoboni Anna Rita Ticari Fondamenti di Acustica e Psicoacustica 3 Terza edizione (2008) 4 Sommario 5 6 Sommario

Dettagli

Al Cuore dell Allenamento Firstbeat - Un Software nato dalla ricerca universitaria

Al Cuore dell Allenamento Firstbeat - Un Software nato dalla ricerca universitaria Al Cuore dell Allenamento Firstbeat - Un Software nato dalla ricerca universitaria di Enzo Piccinni Variabilità cardiaca, Training Effect (TE), EPOC. Sono alcuni dei termini destinati a diventare (in breve)

Dettagli

del processo/prodotto. permettere la valutazione delle performance

del processo/prodotto. permettere la valutazione delle performance 2 Il Controllo Statistico di Processo Il Controllo Statistico dei Processi è un insieme di strumenti statistici utili per impostare e risolvere problemi concreti afferenti a diverse aree funzionali dell

Dettagli

Trasformazioni geometriche nel piano cartesiano

Trasformazioni geometriche nel piano cartesiano Trasformazioni geometriche nel piano cartesiano Francesco Biccari 18 marzo 2013 Una trasformazione geometrica del piano è una legge (corrispondenza biunivoca) che consente di associare a un determinato

Dettagli

bipolari, quando essi, al variare del tempo, assumono valori sia positivi che negativi unipolari, quando essi non cambiano mai segno

bipolari, quando essi, al variare del tempo, assumono valori sia positivi che negativi unipolari, quando essi non cambiano mai segno Parametri dei segnali periodici I segnali, periodici e non periodici, si suddividono in: bipolari, quando essi, al variare del tempo, assumono valori sia positivi che negativi unipolari, quando essi non

Dettagli

MATEMATICA OBIETTIVI DI APPRENDIMENTO TRAGUARDI PER LO SVILUPPO DELLE COMPETENZE

MATEMATICA OBIETTIVI DI APPRENDIMENTO TRAGUARDI PER LO SVILUPPO DELLE COMPETENZE TRAGUARDI PER LO SVILUPPO DELLE Il bambino raggruppa e ordina oggetti e materiali secondo criteri diversi. Identifica alcune proprietà dei materiali. Confronta e valuta quantità. Utilizza simboli per registrare

Dettagli

Introduzione alle reti di telecomunicazioni

Introduzione alle reti di telecomunicazioni Introduzione alle reti di telecomunicazioni La comunicazione Nello studio dei sistemi di telecomunicazione si è soliti fare riferimento a tre entità fondamentali: il messaggio, che rappresenta l oggetto

Dettagli