visualiza_new.py 12.7 KB
Newer Older
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
#!/usr/bin/env python
# -*- coding: utf-8 -*-
'''
 Estação biométrica CTA
 Béuren Bechlin

 Programa para estimar a frequência respiratória

 Centro de Tecnologia Acadêmica - UFRGS
 http://cta.if.ufrgs.br

 Licença: GPL v3
 Ordem de argumentos : [arquivo_entrada], [instante inicial], [instante final],
    [tipo do filtro], [repetições], [freq_inicial], [freq_final]
 Onde:

  -Evidenciando arquivo onde estão os dados a serem anilizado/exibidos:
	[arquivo_entrada]: arquivo que será visualizado/analisado.

  -Determinando em que ponto da amostra quer ser analizado:
    [instante inicial](s): instante para iniciar a visualização/analise.
	[instante final](s): instante para finalizar a visualização/analise.

  -Escolhendo filtro apropriado:
    [tipo do filtro]: escolher o filtro a ser utilizado no processo. (1 ou 2)
	[repetições]: definir a quantidade de vezes que o filtro será utilizado.

  -Definindo o espectro de frequência a se uso:
    [freq_inicial](Hz): definir a frequência inicial positiva que será usada, isso
        influenciará na precisão do resultado para o método.
    [freq_final](Hz): definir a frequência final positiva que será usada, lembrando
        que pela definição de transformada de fourier o domínio do espectro de
        frequência não será maior que a frequência de obtenção desses dados
        divido por 2, ou seja, a as frequências definidas aqui devem estar no
        intervalo [0;freq/2]
'''
# Exemplo: python visualiza_new.py coleta_Nome_Exemplo_1min.log 0 60 2 4 0 7
from array import *
from scipy.fftpack import fft, fftfreq, fftshift
import numpy as np
import Image
import sys
import matplotlib.pyplot as plt
44
import math
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100

# Atribuindo as váriaveis com os valores de entrada
parametro = sys.argv[1:]
log_file = parametro[0]
fisiologfile = open(log_file,'r')
t_inicial = int(parametro[1])
t_final = int(parametro[2])
n_filtro = int(parametro[3])
qtd_filtro = int(parametro[4])
freq_i = float(parametro[5])
freq_f = float(parametro[6])
png_name = 'Resp_'+log_file.split('_')[1]+'_'+str(t_inicial)+'_a_'+str(t_final)+'_'+str(int(freq_i))+'_a_'+str(int(freq_f))+'.png'
user_name = parametro[0].replace('_', ' ').split(' ')[1] + ' ' + parametro[0].replace('_', ' ').split(' ')[2]
# TROCAR!!!
freq = int(fisiologfile.readline().split('\t')[1])


# Inicialização de variáveis
x1 = array('f', [])
y1 = array('f', [])
y2 = array('f', [])
y1_filt = array('f', [])
y2_filt = array('f', [])
x_fft_plot = array('f', [])
y1_fft_plot = array('f', [])
y2_fft_plot = array('f', [])
x_fft = array('f', [])
y1_fft = array('f', [])
y2_fft = array('f', [])


med_y1 = 0
med_y2 = 0
var_y1 = 0
var_y2 = 0

N_i = 0
N_f = 0
sum_int_1 = 0
sum_int_2 = 0
sum_norm_1 = 0
sum_norm_2 = 0

cont_ini = t_inicial*freq
cont_final = t_final*freq

N = cont_final - cont_ini
T = 1.0/freq
dx = float(freq)/N

i = 0
date_time = 0

# Importando dados do arquivo e encontrando média
for linha in fisiologfile:
    if linha[0] != '#':
101
    	if (i >= cont_ini and i < cont_final):
102
103
104
            y1.append(int(linha.split('\t')[0]))
            y2.append(int(linha.split('\t')[1]))
            x1.append(i*T)
105
    	i += 1
106
107
108
    elif linha[0:7] == '#Coleta':
        date_time_d = linha.split(' ')[5]
        date_time_d = date_time_d.split('-')[2]+ '/' + date_time_d.split('-')[1]+ '/' + date_time_d.split('-')[0]
109
        date_time_h = linha.replace('\n','').split(' ')[6]
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174

fisiologfile.close()

# Média e varianca:
med_y1 = sum(y1) / len(y1)
med_y2 = sum(y2) / len(y2)
maior_abs_y1 = med_y1 - (max(y1) if max(y1) + min(y1) > 2*med_y1 else min(y1))
maior_abs_y2 = med_y2 - (max(y2) if max(y2) + min(y2) > 2*med_y2 else min(y2))
for j in xrange(0, len(y1)):
	y1[j] = (y1[j] - med_y1)/maior_abs_y1
	y2[j] = (y2[j] - med_y2)/maior_abs_y2
	# Desvio:
	var_y1 += y1[j] * y1[j]
	var_y2 += y2[j] * y2[j]
	y1_filt.append(y1[j])
	y2_filt.append(y2[j])

var_y1 /= len(y1)
var_y2 /= len(y2)
var_med = (var_y1 + var_y2)/2
des_y1 = var_y1**(0.5)
des_y2 = var_y2**(0.5)
des_med = (var_med)**(0.5)

# Filtro:
if(n_filtro == 1):
	for n in xrange(1,qtd_filtro):
		for k in xrange(1, len(y1) - 2):
			y1_filt[k] = (y1_filt[k-1] + y1_filt[k] + y1_filt[k+1])/3
			y2_filt[k] = (y2_filt[k-1] + y2_filt[k] + y2_filt[k+1])/3
elif(n_filtro == 2):
	for n in xrange(1,qtd_filtro):
        	y1_filt[1] = (y1_filt[0] + y1_filt[1] + y1_filt[2])/3
		y2_filt[1] = (y2_filt[0] + y2_filt[1] + y2_filt[2])/3
		for k in xrange(2, len(y1) - 3):
			y1_filt[k] = (y1_filt[k-2] + y1_filt[k-1] + y1_filt[k] + y1_filt[k+1] + y1_filt[k+2])/5
			y2_filt[k] = (y2_filt[k-2] + y2_filt[k-1] + y2_filt[k] + y2_filt[k+1] + y2_filt[k+2])/5
            	y1_filt[len(y1) - 2] = (y1_filt[len(y1) - 3] + y1_filt[len(y1) - 2] + y1_filt[len(y1)-1])/3
        	y2_filt[len(y2) - 2] = (y2_filt[len(y2) - 3] + y2_filt[len(y2) - 2] + y2_filt[len(y2)-1])/3

# Transformada de fourier:
#   yn_fft x_fft: realizam a trasnformada de fourier no espectro de frequência
#   yn_fft_plot x_fft_plot: inicialmente é usado um 'shift'(deslocamento) para jogar as
#       componentes negativas que estão após as componentes positivas quando usamos
#       numpy.fft.fftshift, para o início do array.
#   yn_fft_plot x_fft_plot: são usados novamente para agora selecionar somente as frequências
#       positivas e suas componentes

y1_fft = fft(y1_filt)
y2_fft = fft(y2_filt)
x_fft = fftfreq(N, T)
x_fft_plot = fftshift(x_fft)
x_fft_plot = x_fft_plot[N/2:N]
y1_fft_plot = fftshift(y1_fft)
y2_fft_plot = fftshift(y2_fft)
y1_fft_plot = np.abs(y1_fft_plot[N/2:N])
y2_fft_plot = np.abs(y2_fft_plot[N/2:N])


# Transformada de fourier na metade de todo período:
N_half = int(N/2)
t_half = (t_final - t_inicial)/2

x_half_fft = fftfreq(N_half, T)
x_half_fft = fftshift(x_half_fft)
175
176
x_half_fft = x_half_fft[math.floor(N_half/2):N_half]

177

178
179
y1_half_1_fft = fft(y1_filt[0:N_half])
y2_half_1_fft = fft(y2_filt[0:N_half])
180
181
182
183

y1_half_1_fft = fftshift(y1_half_1_fft)
y2_half_1_fft = fftshift(y2_half_1_fft)

184
185
y1_half_1_fft = np.abs(y1_half_1_fft[math.floor(N_half/2):N_half])
y2_half_1_fft = np.abs(y2_half_1_fft[math.floor(N_half/2):N_half])
186
187
188
189
190
191
192
193


y1_half_2_fft = fft(y1_filt[N_half:N])
y2_half_2_fft = fft(y2_filt[N_half:N])

y1_half_2_fft = fftshift(y1_half_2_fft)
y2_half_2_fft = fftshift(y2_half_2_fft)

194
195
y1_half_2_fft = np.abs(y1_half_2_fft[math.floor(N_half/2):N_half])
y2_half_2_fft = np.abs(y2_half_2_fft[math.floor(N_half/2):N_half])
196

197
# MATH.FLOOR para conter o 0
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
# Determinando momento das distribuições:
#   N através da frequência já que também depende da frequência, N = tempo da amostra*freq
#       dessa forma as razões entre eles são constantes
#   N/F = F.tempo/F = tempo -> N'/F' = N/F

N_i = freq_i*N/freq
N_f = freq_f*N/freq

for i in xrange(int(N_i),int(N_f)):
	aux_1 = y1_fft_plot[i]*y1_fft_plot[i]*y1_fft_plot[i]*dx
	aux_2 = y2_fft_plot[i]*y2_fft_plot[i]*y2_fft_plot[i]*dx

	sum_int_1 += aux_1*x_fft_plot[i]
	sum_int_2 += aux_2*x_fft_plot[i]

	sum_norm_1 += aux_1
	sum_norm_2 += aux_2

first_moment_1 = sum_int_1 / sum_norm_1
first_moment_2 = sum_int_2 / sum_norm_2
first_moment_med = (first_moment_1 + first_moment_2)/2
t_est_1 = 1.0/first_moment_1
t_est_2 = 1.0/first_moment_2
t_est_med = 1.0/first_moment_med

N_i = freq_i*N_half/freq
N_f = freq_f*N_half/freq

sum_int_1 = 0
sum_int_2 = 0
sum_norm_1 = 0
sum_norm_2 = 0

for i in xrange(int(N_i),int(N_f)):
	aux_1 = y1_half_1_fft[i]*y1_half_1_fft[i]*y1_half_1_fft[i]*dx
	aux_2 = y2_half_1_fft[i]*y2_half_1_fft[i]*y2_half_1_fft[i]*dx

	sum_int_1 += aux_1*x_half_fft[i]
	sum_int_2 += aux_2*x_half_fft[i]

	sum_norm_1 += aux_1
	sum_norm_2 += aux_2

first_moment_1_half_1 = sum_int_1 / sum_norm_1
first_moment_2_half_1 = sum_int_2 / sum_norm_2
first_moment_med_half_1 = (first_moment_1_half_1 + first_moment_2_half_1)/2
t_est_1_half_1 = 1.0/first_moment_1_half_1
t_est_2_half_1 = 1.0/first_moment_2_half_1
t_est_med_half_1 = 1.0/first_moment_med_half_1

sum_int_1 = 0
sum_int_2 = 0
sum_norm_1 = 0
sum_norm_2 = 0

for i in xrange(int(N_i),int(N_f)):
	aux_1 = y1_half_2_fft[i]*y1_half_2_fft[i]*y1_half_2_fft[i]*dx
	aux_2 = y2_half_2_fft[i]*y2_half_2_fft[i]*y2_half_2_fft[i]*dx

	sum_int_1 += aux_1*x_half_fft[i]
	sum_int_2 += aux_2*x_half_fft[i]

	sum_norm_1 += aux_1
	sum_norm_2 += aux_2

first_moment_1_half_2 = sum_int_1 / sum_norm_1
first_moment_2_half_2 = sum_int_2 / sum_norm_2
first_moment_med_half_2 = (first_moment_1_half_2 + first_moment_2_half_2)/2
t_est_1_half_2 = 1.0/first_moment_1_half_2
t_est_2_half_2 = 1.0/first_moment_2_half_2
t_est_med_half_2 = 1.0/first_moment_med_half_2

# Configuração plot
# h1 = fonts[0], h2 ...
fontsize = [20, 18 ,16, 14, 12]
color = ['Blue', 'Green', 'Yellow', 'Red']

# Criando figura do tamanho A4
plt.figure(1, figsize=(8.27, 11.7))
fig = plt.gcf()
fig.canvas.set_window_title(u'Frequência Respiratória[CTA]\tN1:%f, N2:%f'% (first_moment_1, first_moment_2))
fig.suptitle(u'Frequência Respiratória:\n',
        fontsize=fontsize[2],
        fontweight='bold')

sub_plot1 = plt.subplot(3,1,1)
284
285
286
287
288
plt.text(0, 1.1, u'Nome: %s                        Data da coleta: %s' % (user_name, date_time_d),
        horizontalalignment='left',
        fontsize=fontsize[3],
        transform = sub_plot1.transAxes)
plt.text(0, 1.01, u'Horário da Coleta: %s              Tempo analisado %s s à %s s' % (date_time_h, str(t_inicial), str(t_final)),
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
        horizontalalignment='left',
        fontsize=fontsize[3],
        transform = sub_plot1.transAxes)
plt.ylim(-1,1)
plt.plot(x1,y1_filt,
        label = 'Narina Direita',
        color = color[0])
plt.plot(x1,y2_filt,
        label = 'Narina Esquerda',
        color = color[1])
plt.ylabel(u"Tensão Normalizada y(t)",
        fontsize = fontsize[4])
plt.xlabel(u"Tempo t(s)",
        fontsize = fontsize[4])
plt.grid(True)

sub_plot2 = plt.subplot(3,1,2)

plt.xlim(freq_i, freq_f)
plt.plot(x_fft_plot,  (1.0/N)*y1_fft_plot,
        label = 'Narina Direita',
        color = color[0])
plt.plot(x_fft_plot,  (1.0/N)*y2_fft_plot,
        label = 'Narina Esquerda',
        color = color[1])
plt.ylabel(u"|Y(f)|",
        fontsize = fontsize[4])
plt.xlabel(u"Frequência f(Hz)",
        fontsize = fontsize[4])
sub_plot2.legend(loc='upper right',
        fancybox=True,
        framealpha=0.5)
plt.grid(True)

sub_plot3 = plt.subplot(3,1,3)
sub_plot3.patch.set_visible(False)
sub_plot3.axis('off')

im = Image.open('logo.png')
328
plt.figimage(im,2250, 175)
329
330
331
332
333
334
335
336
337
338
339
340
341
342

# Item Resultados:
plt.text(0,0.9,u'Resultados: \n', fontsize=fontsize[0], fontweight='bold')
plt.text(0,0.84,u'   Relativo ao intervalo de %.2f segundos à %.2f segundos: \n' % (t_inicial, t_final), fontsize=fontsize[4], fontweight='bold')
plt.text(0,0.78,u'          Narina direita:', fontsize=fontsize[4], fontweight='bold')
plt.text(0.4,0.70,u'%.4f            %.3f            %.3f          %.3f\n' % (first_moment_1, t_est_1, var_y1, des_y1), fontsize=fontsize[4])
plt.text(0,0.72,u'          Narina esquerda:', fontsize=fontsize[4], fontweight='bold')
plt.text(0.4,0.64,u'%.4f            %.3f            %.3f          %.3f\n' % (first_moment_2, t_est_2, var_y2, des_y2), fontsize=fontsize[4])
plt.text(0,0.66,u'          Média total:', fontsize=fontsize[4], fontweight='bold')
plt.text(0.4,0.58,u'%.4f            %.3f            %.3f          %.3f\n' % (first_moment_med, t_est_med, var_med, des_med), fontsize=fontsize[4])
plt.text(0.38,0.58,u'Frequência       Período        Variância       Desvio', fontsize=fontsize[4], fontstyle = 'italic')
plt.text(0.42,0.52,u'(Hz)                (s)                                  Padrão', fontsize=fontsize[4], fontstyle = 'italic')

plt.text(0,0.38,u'   Relativo ao intervalo: \n', fontsize=fontsize[4], fontweight='bold')
343
plt.text(0.40,0.38,u'%.2f s a %.2f s            %.2f s a %.2f s' % (t_inicial, t_half, t_half, t_final), fontsize=fontsize[4], fontweight='bold')
344
345
346
347
348
349
350
351
352
353
354
355
plt.text(0,0.32,u'          Narina direita:', fontsize=fontsize[4], fontweight='bold')
plt.text(0.4,0.24,u'%.4f            %.3f            %1.3f          %.3f\n' % (first_moment_1_half_1, t_est_1_half_1, first_moment_1_half_2, t_est_1_half_2), fontsize=fontsize[4])
plt.text(0,0.26,u'          Narina esquerda:', fontsize=fontsize[4], fontweight='bold')
plt.text(0.4,0.18,u'%.4f            %.3f            %.3f          %.3f\n' % (first_moment_2_half_1, t_est_2_half_1, first_moment_2_half_2, t_est_2_half_2), fontsize=fontsize[4])
plt.text(0,0.20,u'          Média total:', fontsize=fontsize[4], fontweight='bold')
plt.text(0.4,0.12,u'%.4f            %.3f            %.3f          %.3f\n' % (first_moment_med_half_1, t_est_med_half_1, first_moment_med_half_2, t_est_med_half_2), fontsize=fontsize[4])
plt.text(0.38,0.12,u'Frequência       Período        Frequência       Período', fontsize=fontsize[4], fontstyle = 'italic')
plt.text(0.42,0.06,u'(Hz)                (s)                   (Hz)                (s)', fontsize=fontsize[4], fontstyle = 'italic')

plt.subplots_adjust(left = 0.1 ,right = 0.9 ,bottom=0.1, top = 0.9 ,wspace = 0.3, hspace = 0.3)
fig.savefig(png_name, dpi=400)
#plt.show()