Bandpass filtersand

Hilbert Transform

Summary of Chapter 14 In

Analyzing Neural Time Series Data:Theory and PracticeLauritz W. Dieckman

A quick message from Mike X

I've created a googlegroups for the book. If you have other questions about the book, analyses, or code, feel free to post them there.

https://groups.google.com/forum/#!forum/analyzingneuraltimeseriesdata

Filters ‐Everywhere

• Music‐analog recordings~44,100 Hz sampling‐typically bandpassfiltered to rangeof human hearing‐Or, purposefully Used in artistic creation‐One persons distortion is another persons art

Why? Filter‐Hilbert Method vs

Complex Wavelet ConvolutionSimilarities• Used to create a complex (real and imaginary) time series (analytic signal) from real signal data

• Analytic signal used to determine phase and power 

‐Methods described in Chapter 13• The signal must be bandpass filtered before 

Why? Filter‐Hilbert Method vs

Complex Wavelet ConvolutionDifferences• Signal must first be bandpass filtered• Analytic signal acquired by creating the “phase quadrature 

component” (one quarter‐cycle) by rotating sections of a Fourier spectrum.

• PRO: Filter‐Hilbert provides superior control over frequency filtering ‐not limited in shape whereas bandpass filters can take many shapes

• CON: However, Filter‐Hilbert requires signal processing toolbox for kernel creation (unlike Morlet wavelets).

• CON: Bandpass filtering is slower than wavelets

Bandpass Filtering

• First step is Bandpass filtering ‐Don’t worry Hilbert fans, we’ll get back to Hilbert transform soon

• Highly recommended to separate frequencies before the transform ‐e.g. lower frequencies may dominate combined signal

Filters: To Infinity and… much shorter

• Finite Impulse Response (FIR) –The response to an impulse ends at some point.

‐Stability‐Computation time

‐ Risk of phase distortions

Infinite Impulse Response (IIR) –The response to an impulsedoes not end.‐Butterworth IIR filter 

You will never triumph Butterworth.It may take more than just my analytic skill to protect the signal. Matlab help me!

SOON I will reign supreme and infinite over your analytic signal

Filters: Types• High‐pass filter – Allows frequencies higher than cutoff to remain in the signal (lower frequency signals are attenuated)‐Simple illustration  – Cutoff 5

1 2 3 4 5 6 7 8

FL studio example

• Low‐pass filter – Allows frequencies lower than cutoff to remain in the signal (higher frequency signals are attenuated)‐Simple illustration  – Cutoff 5

1 2 3 4 5 6 7 8

Filters: Types

• Band‐Stop filter – Attenuates or removes frequencies within a specific range. ‐e.g. Notch filters at 60 Hz

‐Simple illustration  – Low Cutoff 5 & High Cutoff 2

1 2 3 4 5 6 7 8

Filters: Types

• Bandpass filter – Allows frequencies lower than lower bound cutoff to remain in the signal and frequencies higher than higher bound cut off to remain in the signal 

‐Simple illustration  – Low Cutoff 5 & High Cutoff 21 2 3 4 5 6 7 8‐Basically a high and low‐pass combo

Filters: Types

LFO

Many Music FX use filters Filter• Phaser‐Separates signal 1. Unfiltered2. Alters phase‐When recombined the signals out of phase nullify‐Frequently combined with low frequency ossiclator

How to: Filter Kernel Construction

• Like complex wavelet convolution – The analytic signal produced from filtering *weighted combination of kernel and signal

How to: Filter Kernel Construction

• Note difference shape Gaussian vs Plateau• Plateau shapes allow for greater frequency specificity

Filter Functions

• Firls – 3 inputsA. Order : Length of filter kernel (+1)

*Important for frequency precisionLarger Frequency precision + processing time

– For a particular frequency of interest: MUST be long enough for one cycle*Recommended 2 – 5 time longer than frequency of interest*Use sample points, not time (i.e. must know sample rate)

filter_order =round(3*(EEG.srate/lower_filter_bound));

Filter Functions• Firls – 3 inputs

B. 6 numbers define shape of response1. Zero frequency 

Filter Functions• Firls – 3 inputs to define shape of response

B. 6 numbers define shape of response 1. Zero frequency• ffrequencies = [ 0 (1‐transition_width) *lower_filter_bound lower_filter_boundupper_filter_bound (1+transition_width)*upper_filter_bound nyquist ]/nyquist;

Filter Functions• Firls – 3 inputs

B. 6 numbers define shape of response2. Frequency of start –lower transition zone

Filter Functions• Firls – 3 inputs

B. 6 numbers define shape of response 2. Frequency of start –lower transition zonetransition_width = 0.2;lower_filter_bound = 4; % Hz

ffrequencies = [ 0 (1‐transition_width) *lower_filter_bound lower_filter_boundupper_filter_bound (1+transition_width)*upper_filter_bound nyquist ]/nyquist;

Filter Functions• Firls – 3 inputs

B. 6 numbers define shape of response3. Lower bound of bandpass

Filter Functions• Firls – 3 inputs

B. 6 numbers define shape of response 3. Lower bound of bandpassffrequencies = [ 0 (1‐transition_width) *lower_filter_bound lower_filter_boundupper_filter_bound (1+transition_width)*upper_filter_bound nyquist ]/nyquist;

Filter Functions

• Firls – 3 inputsB. 6 numbers define shape of response

Side note: Transition zones

Transition zones

Filter Functions

• Firls – 3 inputsB. 6 numbers define shape of response

4. Upper bound  of bandpass

Filter Functions• Firls – 3 inputs

B. 6 numbers define shape of response 4. Upper bound  of bandpass

upper_filter_bound = 10; % Hz

ffrequencies = [ 0 (1‐transition_width) *lower_filter_bound lower_filter_boundupper_filter_bound (1+transition_width)*upper_filter_bound nyquist ]/nyquist;

Filter Functions• Firls – 3 inputs

B. 6 numbers define shape of response5. Frequency of the end of the upper transitionzone 

Filter Functions• Firls – 3 inputs

B. 6 numbers define shape of response 5. Frequency of the end of the upper transitionzone ffrequencies = [ 0 (1‐transition_width) *lower_filter_bound lower_filter_boundupper_filter_bound (1+transition_width)*upper_filter_bound nyquist ]/nyquist;

Filter Functions• Firls – 3 inputs

B. 6 numbers define shape of response6. Nyquist frequency 

Filter Functions• Firls – 3 inputs

B. 6 numbers define shape of response 6. Nyquist frequency 

nyquist = EEG.srate/2;

ffrequencies = [ 0 (1‐transition_width) *lower_filter_bound lower_filter_boundupper_filter_bound (1+transition_width)*upper_filter_bound nyquist ]/nyquist;

Filter Functions

• Firls – 3 inputsB. 6 numbers define shape of response‐ These numbers are scaled so that Nyquistfrequency is 1.‐Once frequencies are set in Hz we divide by the nyquist frequency

ffrequencies = [ 0 (1‐transition_width) *lower_filter_bound lower_filter_boundupper_filter_bound (1+transition_width)*upper_filter_bound nyquist ]/nyquist;

Filter Functions• Firls – 3 inputs

C. Ideal response amplitudeLength of ideal response should = 6 numbers define shape of response0s = attenuate .  1s = keep. Can use range 0‐1

[0 0 1 1 0 0]  

Lower UpperFrequency bounds

Filter Functions

• Firls – 3 inputsC. Ideal response amplitude

Length of ideal response should = 6 numbers define shape of response

[0 0 1 1 0 0]  DC  Nyquist

Lower UpperFrequency bounds of transition zones

Frequency Width

• Controls Time Frequency trade offNarrow Width

Frequency PrecisionTemporal Precision 

Wide WidthTemporal Precision Frequency Precision Time

Freq

Precision in Width–Time Frequency Wrestling:Fun with mixed metaphors  

• Unlike combat axiom‐ smaller does not mean quicker

• Narrow filter kernels are longand thus influenced by more numbers. Like holding up sumo meat? 

• Wider width filters have smallerkernels and are thus createdmore quickly. Like sumo quicklycrushing a kid?

Precision in Width–Time Frequency

Sharp Edges make Ripples in Time

Sharp filter edges in frequency increase response, but also increase risk of artifacts in time

Shoot for 10‐25% of upper and lower bond 

<‐ Artifact with a sharp edge

firls vs fir1

• Fir 1 has automatic transition zones then smooths

• Firls can produce a similar effect if kernel is smoothed with Hamming (or Hann) window

See the same… minus the ham

Prof. X’s recommendations

Patrick_Stewart = disp(‘To make a narrow band filter, use fir1. If you are worried about ripple artifacts,  firls can allow for gentle transition zones… gentle.’)

To make a narrow band filter, use fir1

If you are worried about ripple artifacts firls can allow for gentle transition zones

Gentle sloping plateaus… gentle filters… gentle

Check.Your.Filters:So Whatcha Want?

Goodness quantified!

Ideal forms:Similarity between actual filter and the ideal filter

Sum of squared errors

Sum of squared errors (SSE)center_freq = 60; % in Hzfilter_frequency_spread_wide = 10; % Hz +/‐ the center frequency

ffrequencies = [ 0 (1‐transition_width)*(center_freq‐filter_frequency_spread_wide) (center_freq‐filter_frequency_spread_wide) (center_freq+filter_frequency_spread_wide) (1+transition_width)*(center_freq+filter_frequency_spread_wide) nyquist]/nyquist;idealresponse = [ 0 0 1 1 0 0 ];filterweightsW = zscore(firls(200,ffrequencies,idealresponse));

num2str(sum( (idealresponse‐fft_filtkern(freqsidx)).^2 ))

SSE = num2str(sum( (idealresponse‐fft_filtkern(freqsidx)).^2 ))

Good Filter/Bad Filter: Filter Width

SSE shouldbe closeto 0Do not use afilter withSSE > 1‐Good at10hz‐Bad at15hz

Application: filtfilt

• After creating the perfect kernel and testing it• Filtfilt used to applydata2filter = squeeze(double(EEG.data(47,:,1)));filterweights = firls(200,ffrequencies,idealresponse); % recomputewithout z‐scoringfilter_result = filtfilt(filterweights,1,data2filter);

Filter Kernel ‐‐Weight coefficient ‐‐ Data

Filtfilt compared to convolution

Phase Delay and Time Travel

• Causal filter : Filter is based on information from the past (back in time)

• Filter function: Causes a phase delay

Phase Delay and Time Travel

• Luckily we can filter back in time to correct the errors of the past!

• Forward_to_the‐past = 1‐(Back_to_the_Future)• Refiltering corrects the phase delay

I need a nuclear reaction to generate 1.21 JIGAwatts of electricity. 

Damn it DOC, my mat‐telepathy demands GIGA! GIGAWATTS

You thought your puny mat‐telepathy powers could defeat me? With my Infinity Impulse Response Filtering death ray I will sow (relative) chaos, instability and non linear phase distortions across your signal! Bwahahaha

NOOOOO!5th order Butterworth

Hope for analytic signal… fading…must use Hilbert powers to… transform 

Revenge of the Hilbert Transform

• Remember way back‐ before time traveling filters, sumo quick narrow filters, and (poor) comic book‐ish fight scenes?

• Analytic signal produced by adding phase quadrature (1/4)

• Created by rotating aspects of complexfrequency spectrum (from Fourier)

Concatenation powers activate!Hilbert transform!

How to filter‐Hilbert

1. Fourier transform from bandpass filtered signal and create an imaginarycopy (i.e. Fourier * i)

2. Find the positive (> 0 to Nyquist) and negative (> Nyquist frequencies). *Note: 0 & Nyquist are not used

3. Convert from complex cosine to complex sine by rotating positive 90 degree (‐pi/2) counter clockwise & negative frequencies 90 degrees clockwise

Hilbert Transformer: With Autobot Matrix 

Original

Positive 2 x posfreq coeff

NegativeSubtract from self = 0

How to Hilbert

• Final: Inverse Fourier• These ingredients produce the analytic signal • Does not influencereal signal

Warning: Hilbert command will run FFT on the firstdimension in a datamatrix. Must be time in the first dimension 

Double check your signal

• Plot phase angles!

Come my allies, we have earned  goodnight’s sleep