def peaks_in_block1P(fname="../../Daten/BekJan/HOAF_02.vhdr", dauer=60):
"""
Methode um es für einen Probanden auszurechnen,
dafür relativen Pfad mit Name des Probanden versehen
"""
df = load_blocks()
s0, t0, s1, t1, s2, t2 = df.loc[path.basename(fname)]
freq, point = af_blocks(fname, dauer=dauer, start=s2, endzeit=t2)
point = np.array(point)
# freq, point = af_blocks(fname, start=s0, endzeit=t0)
"""
Plot der nicht die Datenpunkte sondern noch die Zeiten betrachtet,
da kein Vergleich zwischen den Blöcken
"""
point = point - point[0] + 0.5 * dauer
#%matplotlib
plt.plot(point, freq)
plt.xlabel("Zeit(s)")
plt.ylabel("Af 1/120s")
plt.title("Af_Stressblock_x")
plt.gca().axvspan(6, 154, facecolor="0.8", alpha=0.5)
plt.gca().axvspan(182, 330, facecolor="0.8", alpha=0.5)
plt.gca().axvspan(358, 506, facecolor="0.8", alpha=0.5)
plt.gca().axvspan(534, 682, facecolor="0.8", alpha=0.5)
return freq, point
def plot_blocks(fname):
"""
so-t2 sind die Anfangs und Endzeiten von allen 3 Blöcken in chronologischer Reihenfolge
definiert über die REsponseantwort während der Blöcke.
"""
df = load_blocks()
s0, t0, s1, t1, s2, t2 = df.loc[path.basename(fname)]
plt.gca().axvspan(s0, t0, alpha=0.2, color="red")
plt.gca().axvspan(s1, t1, alpha=0.2, color="blue")
plt.gca().axvspan(s2, t2, alpha=0.2, color="red")
plt.legend()
def peaks_in_block(fname, dauer=60, block0=True):
"""
aufrufen der Funktion für 1 Stressblock: freq0, point0 = peaks_in_block(fname)
block0= true, für 2 Stressblock:
freq2, point2 = peaks_in_block(fname, block0=False), block0 auf false
plot: plt.plot(point0, freq0)
plt.plot(point2, freq2)
"""
df = load_blocks()
s0, t0, s1, t1, s2, t2 = df.loc[path.basename(fname)]
s, t = (s0, t0) if block0 else (s2, t2)
freq, point = af_blocks(fname, dauer=dauer, start=s, endzeit=t)
point = np.array(point)
"""
da wir den moving average betrachten, verlieren wir am Anfang und am Ende
Zeit diese Zeit müssen wir wieder hinzurechnen
"""
return freq, point - point[0] + 0.5 * dauer
lf = (ef.reset_index().melt(id_vars=["prob_id"],
value_name="eda",
var_name="time").dropna())
lf["block"] = pd.NA
for i, (pid, breaks) in enumerate(blocks.iterrows()):
breaks[0] = -0.001
intervals = pd.IntervalIndex.from_breaks(breaks)
rows = lf.prob_id == pid
block_codes = pd.cut(lf.loc[rows, "time"], intervals).cat.codes
lf.loc[rows, "block"] = block_codes
lf.block = lf.block.astype("int8")
return lf
if __name__ == "__main__":
bs = load_blocks()
keep = bs.index.str.match(r"HOAF_\d.+vhdr")
bs.drop(bs[~keep].index, inplace=True)
bs[0] = 0.0
bs = bs.reindex(columns=sorted(bs.columns))
bs.index.set_names("file", inplace=True)
duration = pd.DataFrame(index=bs.index)
for i in range(6):
duration[i] = bs[i + 1] - bs[i]
duration.to_csv("duration.tsv", sep="\t", float_format="%.2f")
blocks = index_prob_id(bs)
lf = eda_long(blocks)
lf.eda *= 1e6
lf.to_csv("eda_long.tsv", sep="\t", float_format="%07.4f", index=False)
s, t = (s0, t0) if block0 else (s2, t2)
freq, point = af_blocks(fname, dauer=dauer, start=s, endzeit=t)
point = np.array(point)
"""
da wir den moving average betrachten, verlieren wir am Anfang und am Ende
Zeit diese Zeit müssen wir wieder hinzurechnen
"""
return freq, point - point[0] + 0.5 * dauer
if __name__ == "__main__":
process_all = True
if process_all:
ls = []
point = None
filenames = [path.join("../../Daten/BekJan/", f) for f in load_blocks().index]
for filepath in filenames:
freq, point = peaks_in_block(filepath)
ls.append(freq)
matrix = np.array(ls)
dmatrix = pd.DataFrame(matrix)
df_peak.columns = [
"HOAF_01",
" HOAF_02",
"HOAF_03",
"HOAF_04",
"HOAF_05",
"HOAF_09",
"HOAF_11",
"HOAF_12",
(reduce_mean(times, size=size), reduce_mean(data, size=size))
) # reduced mean(um die Datenpunkte zu minimieren)
with open(backup, "wb") as io:
pickle.dump(ls, io)
return ls
if __name__ == "__main__":
process_all = True
if process_all:
"""
s kann flexibel angepasst werden jenachdem wieviele Datenpunkte wir darstellen wollen
"""
size = 50000
rs = 1
filenames = [path.join(DATEN + "/BekJan/", f) for f in load_blocks().index]
ls = compute_reduced_eda(size, filenames)
for (times, data) in ls:
"""
würde man vor data noch zscore setzten, dann kann man sich die Abweichungen vom Mittelwert, bzw der Std darstellen
rolling (moving average): Glätten der Daten durch Vergleich mit den Nachbardaten
"""
plt.plot(times, pd.Series(data).rolling(rs).mean())
plt.title("alle Probanden EDA" + " s=" + str(size) + " rs=" + str(rs))
plt.xlabel("Zeit(s)")
plt.ylabel("EDA(S)", labelpad=25)
else:
fname = DATEN + "/BekJan/HOAF_16.vhdr"
times, data, _ = load_eda(fname)
"""