### Simulación De la señal de distancia, la señal de radar y los dos muestreos
### 1.1. Simulación De la señal de distancia, la señal de radar y los dos muestreos
Discutiendo con Cecilia, ella me dio una idea de por donde empezar a realizar las simulaciones del problema. A diferencia de como se hacían las simulaciones en probabilidad u otras materias, acá no conviene, o es imposible simular el problema es su totalidad a la vez. No se puede modelar todo y uno no puede ponerse a resolver el problema de una. Hay que empezar de apoco y por las partes que se puede. Lo que Cecilia recomendó es comenzar por comenzar a simular las señales que se esperarían medir, que según la tesis de [[Notas de paper Sensors-14-02595]]. La ecuación para la distancia que tiene en la tesis es de la forma:
@ -23,7 +23,7 @@ Para la generación de la señal de radar se utiliza la señal descrita en [[Not
Estas simulaciones fueron un éxito ya que se logro observar la señal de distancia como el desfasaje de la señal de radar. Esto se puede ver en [[Screenshot_2.png]].
### Demodulación de la señal radar recibida
### 1.2. Demodulación de la señal radar recibida
Para poder enviar la señal de radar por el aire hay que modularla. Lo que hace el radar para poder transmitir por este medio es modular el pulso enviado mediante DBL-PS (Doble Banda Lateral - Portadora Suprimida). Lo que se modelo hasta este momento es la señal electromagnética que se vería en la antena receptora. Ahora hay que pasar a aplicarle el procesamiento que le hace el radar para obtener información de la señal recibida.
@ -36,7 +36,36 @@ Que es lo que esta haciendo el receptor para obtener la información? El recepto
Y finalmente, luego de sumar las dos señales se le aplica un filtro pasa bajos para elimina las dos bandas de frecuencia formadas en los laterales y quedarse con un espectro de frecuencia similar al inicial. Esta señal que obtenemos no es la señal inicial reflejada por el ambiente porque tiene multiplicando un termino extra que depende del tiempo de vuelo de la onda y contiene la información deseada. Este termino es el resultado de la suma de las dos multiplicaciones. Para ver el desarrollo ver la tesis de Edgardo. [[Notas de tesis de doctorado de Ing. Edgardo Jose Marchi]]
(Podría copiarme el desarrollo a las notas que tengo.)
###
## 2. Capítulo 2: Simulaciones del análisis de espectro de la señal distancia.
### 2.1. Análisis MUSIC de nuestra señal $d(t)$
Lo primero que descubrí al comenzar ha hacer los primeros análisis espectrales de la señal es que estaba mal simulada la señal distancia. Estaban mal establecidos los limites de la frecuencia cardiaca. Corregí esto y ya esta bien simulada.
Para hacerle un análisis con el método MUSIC a nuestra señal le pregunte a Chat GPT que librerías podía utilizar y me menciono la librería "spectrum", así que me la descargue y comencé a trabajar con ella. Ante una primera interacción con estas funciones se puede ver que el análisis espectral MUSIC tiene algunos parámetros que modifican el resultado, los cuales son: el largo de la ventana, la frecuencia de muestreo, la cantidad de componentes de la matriz de MUSIC, la cantidad de componentes asignadas al ruido, la cercanía de las dos componentes de frecuencia. Además de estos, hay uno que quiero comprender el impacto que es el NFFT.
Durante mis pruebas iniciales con esta función descubrimos con Cecilia que tenia las dos frecuencias de nuestra señal muy juntas y las separé para facilitar el análisis inicial. Luego tengo que juntarlas un poco para ver los limites del método.
#### 2.1.1. Descripción de la función "pmusic"
La función "spectrum.pmusic" realiza el análisis espectral la función que le pases y te devuelve el análisis espectral de la función. Si se quiere acceder a la documentación de esta función se puede utilizar el vinculo siguiente: https://pyspectrum.readthedocs.io/en/latest/ref_psd_other.html#spectrum.eigenfre.pmusic .
DUDA: En la documentación establece que la función pmusic utiliza métodos ARMA para obtener la PSD. Pero esto no es así en la teoría. En la teoría el método MUSIC parte de asumir a tus funciones como composiciones de senoidales y esto no desenlaza en un método ARMA.
Descripción de los parámetros de importancia y/o que entiendo:
- IP: Es la cantidad máxima de autovalores que computa la función. Es decir, que es la suma máxima de cantidad de componentes de señal y de componentes de ruido.
- NSIG: Es la cantidad autovalores que se le asignan al ruido dentro de entre todos los autovalores. Este valor tiene que ser menor a IP.
- NFFT: Este parámetro se utiliza cuando se quiere hacer un padeo con ceros por si se tiene pocas muestras. Es para completar con ceros y mejorar el ventaneo.
Yo lo veo como indicar que "Componentes de señal" $= IP - NSIG$.
#### 2.1.2. Variación de la frecuencia de muestreo
Durante mis pruebas iniciales del método MUSIC, más específicamente durante la recreación del ejemplo de la documentación, note que yo estaba utilizando una frecuencia de muestreo muy alta en comparación con el ejemplo y al bajar la frecuencia de muestreo me lograba identificar las dos frecuencias que componen la señal cuando antes no lo hacía.
Por esto, el primer experimento va a ser explorar para que frecuencias de muestreo de la señal detecta o no detecta las dos frecuencias. Esto lo vamos a hacer inicialmente para un valor de IP y NSIG. Creo que voy a empezar con un valor de $IP = 5 y $NSIG = 1$, ya que para estos parámetros se hayo alguna frecuencia de muestreo que se detectan los dos picos.
Luego se va a probar de bajar y subir la cantidad de componentes para ver como reacciona el resultado.
En este capitulo hace un resumen de todos los temas que se tratan. Los temas que se tratan son:
- El procesamiento para la estimación de la apnea del sueño.
@ -10,7 +10,7 @@ En este capitulo hace un resumen de todos los temas que se tratan. Los temas que
- La forma de detectar el ritmo respiratorio.
- (Habla algo de la dependencia de la amplitud de la señal recibida con la orientación del individuo con respecto a las antenas por lo que se colocan varias antenas)
## Capítulo 1: Introducción
## 2 Capítulo 1: Introducción
En los primeros párrafos habla de los que es la apnea obstructiva del sueño (OSA) y sus consecuencias. Además, habla de que lo que generalmente se utiliza es para detectarla es un Polisomnografía (PSG) que mide una variedad de parámetros biológicos pero es muy costoso. En definitiva esta explicando las motivaciones de la investigación.
Luego habla de otros métodos de medición como el Pletismografía Inductiva Respiratoria (RIP) en el que se le ajustan unas bandas elásticas al paciente para medir el volumen de aire que respira el paciente.
@ -28,12 +28,12 @@ Indica que la principal contribución del paper es que se utiliza una promedio m
(FALTA TERMINAR ESTA SECCION)
## Capítulo 2: UWB Radar Setup
## 3 Capítulo 2: UWB Radar Setup
En el comienzo del capítulo describe el setup físico utilizado para realizar las experiencias. Lo mas llamativo de esto es la utilización de una antena emisora y 2 antenas receptoras posicionadas a 90 grados una de la otra. Para tomar datos de las dos antenas se lo hace de forma alternada. Una medición es de una y la siguiente es de la otra. Además de la configuración física describe la configuración de las frecuencias seleccionadas para el radar.
## Capítulo 3: Teoría del problema
### Detección de la señal de respiración
## 4 Capítulo 3: Teoría del problema
### 4.1 Detección de la señal de respiración
Cuando el pulso electromagnético impacta en el paciente, parte de este rebota debido a la alta reflectividad del paciente. Algo que hay que tener en cuenta es que el coeficiente de reflexión del paciente tiene que ver con la orientación de este.
