-
Notifications
You must be signed in to change notification settings - Fork 0
/
BATCH_SPFT_7T_mMPI_loadData_d0_localiser_allForceVals_v2.m
895 lines (771 loc) · 59.9 KB
/
BATCH_SPFT_7T_mMPI_loadData_d0_localiser_allForceVals_v2.m
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
44
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
101
102
103
104
105
106
107
108
109
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
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
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
284
285
286
287
288
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
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
%% Read data directly from the Presentation log file
% more comprehensive data, allows for all of the same computations after
% downsampling (or upsampling the target curves :)
% This is the version that works properly, as of May, 2015
% modified so that multiple days of data can be read into the same
% structure,
% XXX EACH presentation of the stimulus takes 12.5ms, for a total duration
% of 18000ms - this can be used to double-check the lag times to make sure
% that they are correct
%
% Must convert the sensor_val to the equivalent bar position with a
% combination of factors that differ depending on the maximum force that
% the participant used on each day:
% (((log_val*16)-2)*850/240/20)/factorVar (where log_val = sensor_var)
% factorVar=maximum_value*.3/190 (XXX though 170 is the number that Bettina
% used, this does not appear to be correct for our purposes here XXX)
%
%
% ========================================================================
% ***===***===***===***===***===***===***===***===***===***===***===***===
% !!IMPORTANT!!
% NOTE: YOU MUST REPLACE THE "NA" in the .log file for this to work :(
% do this on the command line, run this and then copy and paste output
% it creates a .bak file that has the original
%
% for file in *localize*log ; do cmd="sed -i.bak 's/NA//' $file" ; echo $cmd ; done
%
% ***===***===***===***===***===***===***===***===***===***===***===***===
% ========================================================================
% ========================================================================
% This data was collected with the new program (March 2015) which reports 3 differt
% values for force:
% Maxwert_* - max force in old sensor value (meaningless unless mapped)
% Maxwert_8bit_* - max force in 8bit
% Maxwert_Kg_* - max force of this individual in kg
%
% These values are now all searched for and added to the PPs data structure
% for each individual
%
% ========================================================================
%addpath('/home/raid1/steele/Documents/Projects/Working/7T/SPFT/scripts');
addpath('/afs/cbs.mpg.de/projects/neu009_sequencing-plasticity/scripts/bx/');
dataDir_root='/afs/cbs.mpg.de/projects/neu009_sequencing-plasticity/probands/' %specify the root location for bx data, actual subdir will differ depending on the ID
SHOWPLOTS=false;
% XXX WRITE A LOOP OVER DAYS TO SPECIFY THIS
SPFT_d0.seqLength=1440; %number of samples for the sequence length
SPFT_d0.seqDur=18; %duration of sequences (s) (NOTE: the two sequences generated from SPFT_create_sequences.m {16s,18s} are exactly the same because you calculated everything based on frequency, there is nothing to worry about)
SPFT_d0.numDays=1; %number of days of performance data that is available
SPFT_d0.numTrials=3; %trials per block
SPFT_d0.numBlocks=2; %num blocks
SPFT_d0.numConditions=2; %SMP, RST, LRN
%SPFT_d0.numConditions=1; %SMP, RST (no LRN) XXX THIS IS SUPERSEDED by the SPFT_d0.trialTypes entry
SPFT_d0.dataDir=dataDir_root;
SPFT_d0.TR=3.5; %TR, in seconds
SPFT_d0.blockDuration=67.6; %duration of LRN and SMP blocks (RST is slightly different, as there are no breaks between sequences) - ONLY used in the creation of GLM design
SPFT_d0.totalTrials=SPFT_d0.numTrials*SPFT_d0.numBlocks*SPFT_d0.numConditions;
SPFT_d0.trialOnsetMarkerIdx=[1:SPFT_d0.seqLength+1:SPFT_d0.seqLength*SPFT_d0.totalTrials]; %locations within input files of trial indicators (not data, just indicate the beginning of trial n)
%SPFT_d0.trialTypes=[1 1 1 2 2 2 1 1 1 1 1 1 2 2 2 1 1 1 1 1 1 2 2 2 1 1 1 1 1 1 2 2 2 1 1 1]; %1=SMP, 2=RST, 3=LRN
%SPFT_d0.trialTypes=repmat([1 1 1 2 2 2 3 3 3],1,SPFT_d0.numBlocks); %1=SMP, 2=RST, 3=LRN
SPFT_d0.trialTypes=repmat([1 1 1 2 2 2],1,SPFT_d0.numBlocks); %1=SMP, 2=RST, 3=LRN
SPFT_d0.numSMPtrials=3; %NUM TRIALS PER BLOCK
SPFT_d0.trialTypes_txt={'1=SMP', '2=RST'};
SPFT_d0.LRN=[90;90;91;91;92;92;93;94;95;97;99;101;103;105;107;109;111;113;115;117;120;123;126;129;132;135;138;140;142;144;146;148;150;152;154;156;158;160;162;163;164;165;166;167;167;168;168;169;169;170;170;169;169;168;168;167;166;165;164;163;162;161;160;159;158;157;155;153;151;149;147;145;143;141;139;137;135;133;131;129;127;125;123;121;119;117;115;113;111;109;107;105;103;101;100;99;98;97;96;95;94;93;92;92;91;91;90;90;90;91;91;92;92;93;95;97;99;102;105;108;111;114;117;120;123;126;129;132;134;136;137;138;139;139;140;140;139;139;138;137;136;135;134;132;130;128;126;124;122;120;118;116;115;114;113;112;111;110;109;108;107;106;105;104;103;102;102;101;101;100;100;100;101;101;102;103;104;105;106;107;108;109;110;111;112;113;115;117;119;121;123;125;127;129;131;133;135;137;139;141;143;144;145;146;147;148;149;150;151;152;153;154;155;156;157;158;159;159;160;160;160;159;159;158;158;157;157;156;155;154;153;151;149;147;145;143;141;139;137;135;133;131;129;127;124;121;118;115;112;109;106;103;100;97;94;91;88;85;82;79;76;73;70;67;64;61;59;57;55;53;51;49;47;45;43;41;39;38;37;36;35;34;33;32;31;30;29;28;27;26;25;24;24;23;23;22;22;21;21;20;20;20;21;21;22;22;23;23;24;24;25;26;27;28;29;30;31;32;34;36;38;40;42;44;46;48;50;52;54;56;58;60;62;64;66;69;72;75;78;81;84;87;90;93;96;99;102;105;108;111;114;117;120;123;126;129;132;135;138;141;144;147;150;152;154;156;158;160;162;163;164;165;166;167;168;168;169;169;170;170;169;169;168;167;166;164;162;159;156;153;150;148;146;144;143;142;141;141;140;140;140;141;141;142;143;144;146;148;151;152;153;154;155;156;157;158;158;159;159;160;160;159;159;158;157;156;154;151;148;145;141;137;133;129;125;121;118;115;112;109;106;103;101;99;97;95;93;92;91;90;89;88;87;86;85;84;83;82;81;80;79;78;78;77;77;77;78;78;79;80;81;82;83;84;85;86;87;88;89;90;91;92;93;94;95;96;97;98;99;100;101;102;103;105;107;109;111;113;115;117;120;123;126;129;132;135;138;140;142;144;146;148;150;152;154;156;158;160;162;163;164;165;166;167;167;168;168;169;169;170;170;169;169;168;168;167;166;165;164;163;162;161;160;159;158;157;155;153;151;149;147;145;143;141;139;137;135;133;131;129;127;125;123;121;119;117;115;113;111;109;107;105;103;101;100;99;98;97;96;95;94;93;92;92;91;91;90;90;90;91;91;92;92;93;95;97;99;102;105;108;111;114;117;120;123;126;129;132;134;136;137;138;139;139;140;140;139;139;138;137;136;135;134;132;130;128;126;124;122;120;118;116;115;114;113;112;111;110;109;108;107;106;105;104;103;102;102;101;101;100;100;100;101;101;102;103;104;105;106;107;108;109;110;111;112;113;115;117;119;121;123;125;127;129;131;133;135;137;139;141;143;144;145;146;147;148;149;150;151;152;153;154;155;156;157;158;159;159;160;160;160;159;159;158;158;157;157;156;155;154;153;151;149;147;145;143;141;139;137;135;133;131;129;127;124;121;118;115;112;109;106;103;100;97;94;91;88;85;82;79;76;73;70;67;64;61;59;57;55;53;51;49;47;45;43;41;39;38;37;36;35;34;33;32;31;30;29;28;27;26;25;24;24;23;23;22;22;21;21;20;20;20;21;21;22;22;23;23;24;24;25;26;27;28;29;30;31;32;34;36;38;40;42;44;46;48;50;52;54;56;58;60;62;64;66;69;72;75;78;81;84;87;90;93;96;99;102;105;108;111;114;117;120;123;126;129;132;135;138;141;144;147;150;152;154;156;158;160;162;163;164;165;166;167;168;168;169;169;170;170;169;169;168;167;166;164;162;159;156;153;150;148;146;144;143;142;141;141;140;140;140;141;141;142;143;144;146;148;151;152;153;154;155;156;157;158;158;159;159;160;160;159;159;158;157;156;154;151;148;145;141;137;133;129;125;121;118;115;112;109;106;103;101;99;97;95;93;92;91;90;89;88;87;86;85;84;83;82;81;80;79;78;78;77;77;77;78;78;79;80;81;82;83;84;85;86;87;88;89;90;91;92;93;94;95;96;97;98;99;100;101;102;103;105;107;109;111;113;115;117;120;123;126;129;132;135;138;140;142;144;146;148;150;152;154;156;158;160;162;163;164;165;166;167;167;168;168;169;169;170;170;169;169;168;168;167;166;165;164;163;162;161;160;159;158;157;155;153;151;149;147;145;143;141;139;137;135;133;131;129;127;125;123;121;119;117;115;113;111;109;107;105;103;101;100;99;98;97;96;95;94;93;92;92;91;91;90;90;90;91;91;92;92;93;95;97;99;102;105;108;111;114;117;120;123;126;129;132;134;136;137;138;139;139;140;140;139;139;138;137;136;135;134;132;130;128;126;124;122;120;118;116;115;114;113;112;111;110;109;108;107;106;105;104;103;102;102;101;101;100;100;100;101;101;102;103;104;105;106;107;108;109;110;111;112;113;115;117;119;121;123;125;127;129;131;133;135;137;139;141;143;144;145;146;147;148;149;150;151;152;153;154;155;156;157;158;159;159;160;160;160;159;159;158;158;157;157;156;155;154;153;151;149;147;145;143;141;139;137;135;133;131;129;127;124;121;118;115;112;109;106;103;100;97;94;91;88;85;82;79;76;73;70;67;64;61;59;57;55;53;51;49;47;45;43;41;39;38;37;36;35;34;33;32;31;30;29;28;27;26;25;24;24;23;23;22;22;21;21;20;20;20;21;21;22;22;23;23;24;24;25;26;27;28;29;30;31;32;34;36;38;40;42;44;46;48;50;52;54;56;58;60;62;64;66;69;72;75;78;81;84;87;90;93;96;99;102;105;108;111;114;117;120;123;126;129;132;135;138;141;144;147;150;152;154;156;158;160;162;163;164;165;166;167;168;168;169;169;170;170;169;169;168;167;166;164;162;159;156;153;150;148;146;144;143;142;141;141;140;140;140;141;141;142;143;144;146;148;151;152;153;154;155;156;157;158;158;159;159;160;160;159;159;158;157;156;154;151;148;145;141;137;133;129;125;121;118;115;112;109;106;103;101;99;97;95;93;92;91;90;89;88;87;86;85;84;83;82;81;80;79;78;78;77;77;77;78;78;79;80;81;82;83;84;85;86;87;88;89;90];
SPFT_d0.SMP=[113;116;118;121;124;127;130;133;136;139;141;144;147;149;152;154;157;159;161;164;166;168;170;171;173;175;177;178;179;181;182;183;184;185;186;186;187;187;187;188;188;188;187;187;187;186;186;185;184;183;182;181;179;178;177;175;173;171;170;168;166;164;161;159;157;154;152;149;147;144;141;139;136;133;130;127;124;121;118;116;113;110;107;104;101;98;95;92;89;87;84;81;79;76;73;71;69;66;64;62;60;58;56;54;52;50;49;47;46;44;43;42;41;40;40;39;39;38;38;38;38;38;38;38;39;39;40;40;41;42;43;44;46;47;49;50;52;54;56;58;60;62;64;66;69;71;73;76;79;81;84;87;89;92;95;98;101;104;107;110;113;116;118;121;124;127;130;133;136;139;141;144;147;149;152;154;157;159;161;164;166;168;170;171;173;175;177;178;179;181;182;183;184;185;186;186;187;187;187;188;188;188;187;187;187;186;186;185;184;183;182;181;179;178;177;175;173;171;170;168;166;164;161;159;157;154;152;149;147;144;141;139;136;133;130;127;124;121;118;116;113;110;107;104;101;98;95;92;89;87;84;81;79;76;73;71;69;66;64;62;60;58;56;54;52;50;49;47;46;44;43;42;41;40;40;39;39;38;38;38;38;38;38;38;39;39;40;40;41;42;43;44;46;47;49;50;52;54;56;58;60;62;64;66;69;71;73;76;79;81;84;87;89;92;95;98;101;104;107;110;113;116;118;121;124;127;130;133;136;139;141;144;147;149;152;154;157;159;161;164;166;168;170;171;173;175;177;178;179;181;182;183;184;185;186;186;187;187;187;188;188;188;187;187;187;186;186;185;184;183;182;181;179;178;177;175;173;171;170;168;166;164;161;159;157;154;152;149;147;144;141;139;136;133;130;127;124;121;118;116;113;110;107;104;101;98;95;92;89;87;84;81;79;76;73;71;69;66;64;62;60;58;56;54;52;50;49;47;46;44;43;42;41;40;40;39;39;38;38;38;38;38;38;38;39;39;40;40;41;42;43;44;46;47;49;50;52;54;56;58;60;62;64;66;69;71;73;76;79;81;84;87;89;92;95;98;101;104;107;110;113;116;118;121;124;127;130;133;136;139;141;144;147;149;152;154;157;159;161;164;166;168;170;171;173;175;177;178;179;181;182;183;184;185;186;186;187;187;187;188;188;188;187;187;187;186;186;185;184;183;182;181;179;178;177;175;173;171;170;168;166;164;161;159;157;154;152;149;147;144;141;139;136;133;130;127;124;121;118;116;113;110;107;104;101;98;95;92;89;87;84;81;79;76;73;71;69;66;64;62;60;58;56;54;52;50;49;47;46;44;43;42;41;40;40;39;39;38;38;38;38;38;38;38;39;39;40;40;41;42;43;44;46;47;49;50;52;54;56;58;60;62;64;66;69;71;73;76;79;81;84;87;89;92;95;98;101;104;107;110;113;116;118;121;124;127;130;133;136;139;141;144;147;149;152;154;157;159;161;164;166;168;170;171;173;175;177;178;179;181;182;183;184;185;186;186;187;187;187;188;188;188;187;187;187;186;186;185;184;183;182;181;179;178;177;175;173;171;170;168;166;164;161;159;157;154;152;149;147;144;141;139;136;133;130;127;124;121;118;116;113;110;107;104;101;98;95;92;89;87;84;81;79;76;73;71;69;66;64;62;60;58;56;54;52;50;49;47;46;44;43;42;41;40;40;39;39;38;38;38;38;38;38;38;39;39;40;40;41;42;43;44;46;47;49;50;52;54;56;58;60;62;64;66;69;71;73;76;79;81;84;87;89;92;95;98;101;104;107;110;113;116;118;121;124;127;130;133;136;139;141;144;147;149;152;154;157;159;161;164;166;168;170;171;173;175;177;178;179;181;182;183;184;185;186;186;187;187;187;188;188;188;187;187;187;186;186;185;184;183;182;181;179;178;177;175;173;171;170;168;166;164;161;159;157;154;152;149;147;144;141;139;136;133;130;127;124;121;118;116;113;110;107;104;101;98;95;92;89;87;84;81;79;76;73;71;69;66;64;62;60;58;56;54;52;50;49;47;46;44;43;42;41;40;40;39;39;38;38;38;38;38;38;38;39;39;40;40;41;42;43;44;46;47;49;50;52;54;56;58;60;62;64;66;69;71;73;76;79;81;84;87;89;92;95;98;101;104;107;110;113;116;118;121;124;127;130;133;136;139;141;144;147;149;152;154;157;159;161;164;166;168;170;171;173;175;177;178;179;181;182;183;184;185;186;186;187;187;187;188;188;188;187;187;187;186;186;185;184;183;182;181;179;178;177;175;173;171;170;168;166;164;161;159;157;154;152;149;147;144;141;139;136;133;130;127;124;121;118;116;113;110;107;104;101;98;95;92;89;87;84;81;79;76;73;71;69;66;64;62;60;58;56;54;52;50;49;47;46;44;43;42;41;40;40;39;39;38;38;38;38;38;38;38;39;39;40;40;41;42;43;44;46;47;49;50;52;54;56;58;60;62;64;66;69;71;73;76;79;81;84;87;89;92;95;98;101;104;107;110;113;116;118;121;124;127;130;133;136;139;141;144;147;149;152;154;157;159;161;164;166;168;170;171;173;175;177;178;179;181;182;183;184;185;186;186;187;187;187;188;188;188;187;187;187;186;186;185;184;183;182;181;179;178;177;175;173;171;170;168;166;164;161;159;157;154;152;149;147;144;141;139;136;133;130;127;124;121;118;116;113;110;107;104;101;98;95;92;89;87;84;81;79;76;73;71;69;66;64;62;60;58;56;54;52;50;49;47;46;44;43;42;41;40;40;39;39;38;38;38;38;38;38;38;39;39;40;40;41;42;43;44;46;47;49;50;52;54;56;58;60;62;64;66;69;71;73;76;79;81;84;87;89;92;95;98;101;104;107;110;113;116;118;121;124;127;130;133;136;139;141;144;147;149;152;154;157;159;161;164;166;168;170;171;173;175;177;178;179;181;182;183;184;185;186;186;187;187;187;188;188;188;187;187;187;186;186;185;184;183;182;181;179;178;177;175;173;171;170;168;166;164;161;159;157;154;152;149;147;144;141;139;136;133;130;127;124;121;118;116;113;110;107;104;101;98;95;92;89;87;84;81;79;76;73;71;69;66;64;62;60;58;56;54;52;50;49;47;46;44;43;42;41;40;40;39;39;38;38;38;38;38;38;38;39;39;40;40;41;42;43;44;46;47;49;50;52;54;56;58;60;62;64;66;69;71;73;76;79;81;84;87;89;92;95;98;101;104;107;110];
SPFT_d0.resampleFactor = 10; % "= 1/10th the number of samples" factor for resampling data for vel acc and jrk calculations (required because the signal is smoothly varying)
SPFT_d0.fileNameTail='-SPFT_7T_localize_newForce.log';
clear temp;
% all_files=dir(strcat(dataDir,'/*','d*','-SPFT_7T_Daily*log'));
% all_files
% %construct the IDs variable (1st 7 chars of the filename to include the d? designation)
% for count=1:length(all_files)
% IDs{count}=all_files(count).name(1:7);
% % remove the NA values from the files so that you can process them
% end
% SPFT_d0.IDs=IDs;
subjectDirs={'KP8T','OL1T','GAIT','LM8T','BI3T','WSFT','KSYT','MART','HCBT','JMCT','KPFT','HR8T','NMFT','FA2T','SCZT','PMIT','SJ6X','BP4T'}; %XXX THIS WILL CHANGE TO PID ONLY, will be able to get rid of it then! :-)
IDs={'P02','P03','P04','P05','P06','P07','P08','P09','P10','P11','P12','P13','P14','P15','P16','P17','P18','P20'};
SPFT_d0.IDs=IDs;
SPFT_d0.subjectDirs=subjectDirs;
SPFT_d0.numDays=1
%loop over subjects
for ID=1:length(IDs)
fprintf('--- Processing %s ---\n',IDs{ID});
temp.headerFormat=repmat('%s',1,16);
temp.logFormat='%s\t%f %s %s %f\t%f\t%f %f %f %f %s %s %f'; %last 4 are to make sure it doesn't crash on non-std lines
%loop over days
for day=1:SPFT_d0.numDays
% localiser is d0, so refer to it as day-1
temp.fname=strcat(SPFT_d0.dataDir,subjectDirs{ID},'/bx/',IDs{ID},'_d',num2str(day-1),SPFT_d0.fileNameTail); %figure out what the trial name should be
fprintf('%s\n',temp.fname);
temp.day=day;
if exist(temp.fname,'file')==2
temp.fid=fopen(temp.fname);
temp.val=textscan(temp.fid,'%s%s%s',3); %get the crap in the top of the file out of the way
temp.myLogHeader=textscan(temp.fid,temp.headerFormat,1);
%temp.val=textscan(temp.fid,'%s',1); %skip one more line
temp.myLog=textscan(temp.fid,temp.logFormat); %the position data is in 6 with the global time in 7 and reset-time in 8
% XXX IMPORTANT - not all data in 6 is position data (or time in 7 or 8)
% because of the way that the data was stored
fclose(temp.fid);
%get locations for each block of trials and each trial
temp.dataType=temp.myLog{4}; %holds a cell array with all of the data types for the corresponding data (Input=force device input, Trial_*= for trial starts...)
temp.data=cell2mat(temp.myLog(6:9));
%%%collect and remove the fMRI triggers
temp.idx=strfind(temp.dataType,'99'); %collect the fMRI triggers first, they need to be scrubbed from the rest of the data because the values are IN THE WRONG FUCKING COLUMNS!
temp.fMRItrig=not(cellfun(@isempty,temp.idx));
temp.tt=cell2mat(temp.myLog(5)); %need another var because we need one extra column of data...
temp.fMRIonset=temp.tt(temp.fMRItrig); %collect the trigger onset time
clear temp.tt;
temp.data(temp.fMRItrig,:)=[]; %scrub it from the real data, it screws things up
temp.dataType(temp.fMRItrig,:)=[]; %scrub it from the index too!
%%%
%%%determine the force/weight setting of the device
temp.idx=strfind(temp.dataType,'set_range_');
temp.setWeight=not(cellfun(@isempty,temp.idx));
temp.setWeight=temp.dataType(temp.setWeight==1); %recode so that we have the text that tells us which weights were set
%%%determine the max force of this individual (kg, 8bit, old value)
temp.idx=strfind(temp.dataType,'Maxwert_Kg');
temp.setMaxVal_Kg=not(cellfun(@isempty,temp.idx));
temp.scrubMe=temp.setMaxVal_Kg;
temp.setMaxVal_Kg=temp.dataType(temp.setMaxVal_Kg==1); %recode
temp.maxVal_Kg = str2num(cell2mat(strtok(temp.setMaxVal_Kg,'Maxwert_Kg_'))); % convert this text to a number that we can use in calcs
temp.data(temp.scrubMe,:)=[]; %scrub it from the real data, it screws things up
temp.dataType(temp.scrubMe,:)=[]; %scrub it from the index too!
temp.idx=strfind(temp.dataType,'Maxwert_8bit');
temp.setMaxVal_8bit=not(cellfun(@isempty,temp.idx));
temp.scrubMe=temp.setMaxVal_8bit;
temp.setMaxVal_8bit=temp.dataType(temp.setMaxVal_8bit==1); %recode
temp.maxVal_8bit = str2num(cell2mat(strtok(temp.setMaxVal_8bit,'Maxwert_8bit'))); % convert this text to a number that we can use in calcs
temp.data(temp.scrubMe,:)=[]; %scrub it from the real data, it screws things up
temp.dataType(temp.scrubMe,:)=[]; %scrub it from the index too!
temp.idx=strfind(temp.dataType,'Maxwert_');
temp.setMaxVal=not(cellfun(@isempty,temp.idx));
temp.setMaxVal=temp.dataType(temp.setMaxVal==1); %recode
temp.maxVal = str2num(cell2mat(strtok(temp.setMaxVal,'Maxwert_'))); % convert this text to a number that we can use in calcs
temp.shiftFactor = 16; %shift_faktor from Sven's code
temp.remappedMaxVal = (temp.maxVal*240*20/850+2)/16; %remaps the max val reported in the log file to 0-255 output from device -> this is the use to calculate actual weight/force exerted
if length(temp.setWeight) == 2 %there should be TWO setting because we have not yet SPECIFIED the range -only use the 2nd one because the first just sets the max on the device at the start (previously, 2 were recorded because we set to default (15kg) and then reset when Maximalkraft was done)
if strcmp(temp.setWeight{2},'set_range_938g')
temp.sensorMaxWeight=.9375;
temp.rangeFactor=1;
elseif (strcmp(temp.setWeight{2},'set_range_1p875kg') || strcmp(temp.setWeight{2},'set_range_1875g'))
temp.sensorMaxWeight=1.875;
temp.rangeFactor=2;
elseif strcmp(temp.setWeight{2},'set_range_3p75kg')
temp.sensorMaxWeight=3.75;
temp.rangeFactor=4;
elseif strcmp(temp.setWeight{2},'set_range_7p5kg')
temp.sensorMaxWeight=7.5;
temp.rangeFactor=8;
elseif strcmp(temp.setWeight{2},'set_range_15kg')
temp.sensorMaxWeight=15;
temp.rangeFactor=16;
else
temp.sensorMaxWeight=NaN;
warning('The set_range command is not what was expected. Something is wrong.');
break;
end
%%%conversion factor to transform sensor-reported values to values
%%%of the bar on the screen and then what to multiply that by to
%%%calculate the actual kg exerted
%%% maximalkraft is always based on the 15kg sensor, so we need to
%%% create the conversion factor based on this.
temp.maxWeight=15*(((850*((255*temp.shiftFactor)-2))/(240*20))/temp.maxVal)^-1; % 15*(((850*((255*16)-2))/(240*20))/temp.maxVal)^-1 = actual force produced during maximalkraft
temp.bar2weight=(temp.maxWeight*.3)/190;
fprintf('Weight produced during maximalkraft: %.3f\nDevice pinch force sensor maximum weight (set): %.3f kg\nEach unit of bar height corresponds to %.3f kg\n',temp.maxWeight,temp.sensorMaxWeight,temp.bar2weight);
%%%
%%% YOU ARE HERE XXX
temp.factorVar = temp.maxVal*.3/170*temp.shiftFactor/temp.rangeFactor;
fprintf('maxwert = %i \t factor_val = %.2f\n',temp.maxVal,temp.factorVar);
fprintf('max_old = %i \t max_8bit = %i \t max_Kg = %.2f\n',temp.maxVal,temp.maxVal_8bit,temp.maxVal_Kg);
%this is the necessary calculation for the conversion factor, it mostly
%follows Bettina's code and appears to work (the 190 is actually 170 in
%her code and is not directly related to the range of the display, but
%is just a factor that was used to calculate range earlier)
% then, we multiply it by 16/rangeFactor to scale it according to
% Sven's code
%%%
else
warning('There are too many set_range commands in this file. Something is wrong.');
break;
end
%%%
temp.idx=strfind(temp.dataType,'Trial_Start');
temp.trialOn=not(cellfun(@isempty,temp.idx));
temp.trialOn=find(temp.trialOn==1)+1; %now numerical index of first row after row with "Trial" in it
temp.idx=strfind(temp.dataType,'SMP_instructions');
temp.SMPidx=not(cellfun(@isempty,temp.idx));
temp.SMPidx=find(temp.SMPidx==1)+1;
temp.idx=strfind(temp.dataType,'LRN_instructions');
temp.LRNidx=not(cellfun(@isempty,temp.idx));
temp.LRNidx=find(temp.LRNidx==1)+1;
temp.idx=strfind(temp.dataType,'RST_instructions');
temp.RSTidx=not(cellfun(@isempty,temp.idx));
temp.RSTidx=find(temp.RSTidx==1)+1;
fprintf('Trial and Instruction start times retrieved\n');
%retrieve the times to reconstruct the fMRI design
%block onsets, in seconds XXX
temp.GLM.SMPblocks=(temp.data(temp.SMPidx,2)-temp.fMRIonset(1))/10000;
temp.GLM.LRNblocks=(temp.data(temp.LRNidx,2)-temp.fMRIonset(1))/10000;
temp.GLM.RSTblocks=(temp.data(temp.RSTidx,2)-temp.fMRIonset(1))/10000;
%add block duration and code
temp.GLM.SMPblocks=[temp.GLM.SMPblocks ones(length(temp.GLM.SMPblocks),1)*SPFT_d0.blockDuration ones(length(temp.GLM.SMPblocks),1)];
temp.GLM.LRNblocks=[temp.GLM.LRNblocks ones(length(temp.GLM.LRNblocks),1)*SPFT_d0.blockDuration ones(length(temp.GLM.LRNblocks),1)];
%trial onsets
temp.GLM.trialOn=(temp.data(temp.trialOn,2)-temp.fMRIonset(1))/10000;
temp.xxtimings=[temp.GLM.SMPblocks(:,1) ones(size(temp.GLM.SMPblocks,1),1);temp.GLM.LRNblocks(:,1) ones(size(temp.GLM.LRNblocks,1),1)*2;temp.GLM.RSTblocks(:,1) ones(size(temp.GLM.RSTblocks,1),1)*3];
%temp.xxtimings=sort(temp.xxtimings,1)
fprintf('Created GLM design for this participant and day.\n');
if SHOWPLOTS
figure('name','GLM design');
plot(temp.GLM.SMPblocks, zeros(length(temp.GLM.SMPblocks),1)+.1,'g+','markersize',8);
hold on;
plot(temp.GLM.LRNblocks, zeros(length(temp.GLM.LRNblocks),1)+.1,'b+','markersize',8);
plot(temp.GLM.RSTblocks, zeros(length(temp.GLM.RSTblocks),1)+.1,'k+','markersize',8);
plot(temp.GLM.trialOn, zeros(length(temp.GLM.trialOn),1),'r.','markersize',8);
ylim([-.25,.25]);
legend({'SMP' 'RST' 'TrialOn'});
end
%cut the data into trials
temp.out.trial.rawForce=cell(SPFT_d0.totalTrials,1);
temp.out.trial.rawTime=temp.out.trial.rawForce;
temp.out.trial.remappedSensorVal=temp.out.trial.rawForce;
temp.out.trial.remappedForce=temp.out.trial.rawForce;
% f1=figure;
for trial=1:length(temp.trialOn)
temp.trialOnTime=temp.data(temp.trialOn(trial),2); %time for first response AFTER the Trial_Start was logged
temp.trialOffTime=temp.trialOnTime+SPFT_d0.seqDur*10000; %
temp.trialOffIdx=find(temp.data(temp.trialOn(trial):end,2) >= temp.trialOffTime,1,'first')+temp.trialOn(trial)-1; %this is the index within temp.data of the trialOff for this trial
temp.out.trial.rawForce{trial,1}=temp.data(temp.trialOn(trial):temp.trialOffIdx,1);
temp.out.trial.rawTime{trial,1}=temp.data(temp.trialOn(trial):temp.trialOffIdx,2); %time in microseconds (needs to be zero'd)
temp.out.trial.remappedSensorVal{trial,1}=((temp.out.trial.rawForce{trial,1}.*temp.shiftFactor)-2)*850/240/20/temp.factorVar; %%% this is where the magical transform changes the sensor_var to the bar-related value
temp.out.trial.remappedForce{trial,1}=temp.out.trial.remappedSensorVal{trial,1}*temp.bar2weight; % this appears to be correct, but should probably check with some kind of weight...
% plot(temp.out.trial.rawTime{trial},temp.out.trial.rawForce{trial},'bo-');hold on;
% plot(temp.out.trial.rawTime{trial},temp.out.trial.remappedSensorVal{trial},'ro-');
%
% % plot(SPFT_d0.SMP,'go-');
% set(f1,'name',num2str(trial));
%pause;
end
% XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX
% START create a summary force measure per volume
% temp.out.rawForce_per_TR
% XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX
temp.fMRI_vol_start=temp.fMRIonset(1:1:end);%XXX don't DIVIDE BY 2 BECAUSE not using VASO here!
temp.fMRI_vol_stop =temp.fMRI_vol_start+(SPFT_d0.TR*10000);
temp.out.rawForce_per_TR=zeros(length(temp.fMRI_vol_start),1)*NaN;
for vol=1:length(temp.fMRI_vol_start)
temp.firstSample=find(temp.data(:,2)>temp.fMRI_vol_start(vol),1,'first'); %look for first occurence of data after the fMRI trigger
temp.lastSample=find(temp.data(:,2)>temp.fMRI_vol_stop(vol),1,'first')-1-1; %look for first occurence of data when the time elapsed, remove one sample to make sure there is no overlap
if vol == length(temp.fMRI_vol_start)
temp.lastSample=length(temp.data(:,2)); %use the last sample that was collected
end
temp.argh=temp.data(temp.firstSample:temp.lastSample,1);
temp.argh(temp.argh>256)=[]; %remove any values that are not actually due to the sensor, which only reports values up to 128 or so.
temp.out.rawForce_per_TR(vol)=nanmean(temp.argh); %put one lower, we filled the first vol manually
%temp.out.rawForce_per_TR(vol)=mean(temp.data(temp.firstSample:temp.lastSample,1));
end
% XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX
% END create a summary force measure per volume
% XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX
%partition out the data for the different trial types
temp.out.measures={'RemappedSensorValue', 'RawTime', 'ForceValue', 'RawSensorValue'}; % where RemappedSensorValue contains the sensor_var converted into the bar level that was displayed
%temp.out.measures={'RemappedSensorValue', 'RawTime', 'RawSensorValue'}; % where RemappedSensorValue contains the sensor_var converted into the bar level that was displayed
temp.out.SMP=[temp.out.trial.remappedSensorVal(SPFT_d0.trialTypes==1) temp.out.trial.rawTime(SPFT_d0.trialTypes==1) temp.out.trial.remappedForce(SPFT_d0.trialTypes==1) temp.out.trial.rawForce(SPFT_d0.trialTypes==1)]; %FORCE and then Time
temp.out.RST=[temp.out.trial.remappedSensorVal(SPFT_d0.trialTypes==2) temp.out.trial.rawTime(SPFT_d0.trialTypes==2) temp.out.trial.remappedForce(SPFT_d0.trialTypes==2) temp.out.trial.rawForce(SPFT_d0.trialTypes==2)];
temp.out.LRN=[temp.out.trial.remappedSensorVal(SPFT_d0.trialTypes==3) temp.out.trial.rawTime(SPFT_d0.trialTypes==3) temp.out.trial.remappedForce(SPFT_d0.trialTypes==3) temp.out.trial.rawForce(SPFT_d0.trialTypes==3)];
%remove some temp fields to clean it up
temp=rmfield(temp,'val');
temp=rmfield(temp,'idx');
temp=rmfield(temp,'trialOnTime');
temp=rmfield(temp,'trialOffTime');
temp=rmfield(temp,'trialOffIdx');
temp=rmfield(temp,'fid');
SPFT_d0.fullData{ID,day}=temp; %create a new data structure to hold the full data for each individual from their log files
fprintf('----------------------------------------------------\n\n');
%clear temp;
else
warning('I could not find the files to load and process this day. Fix me. Now.')
warning('No seriously, you are pissing me off.');
end
%assign this day of data to the data structure
cmd=['SPFT_d0.' IDs{ID} '.d' num2str(day-1) '=temp;'];
eval(cmd)
end %close the loop on days
end
fprintf('--- Loading and parsing into trials is DONE DONE DONE DONE DONE DONE! - Be happy. ---\n');
%clear temp;
%file is over 800mb!
%% write out the stimulus design files for fMRI processing
% only d1 to start
outDir='/tmp/XXX_BOLD_d0_loc/';
for ID=1:length(IDs)
for day=0:0%6
IDtxt=IDs{ID};
cmd=['theVar=SPFT_d0.',SPFT_d0.IDs{ID},'.d0.out.rawForce_per_TR;'];
eval(cmd);
dlmwrite(strcat(outDir,IDtxt,'_d',num2str(day),'_rawForce_per_TR.txt'),theVar);
cmd=['theVar=SPFT_d0.',SPFT_d0.IDs{ID},'.d0.GLM.LRNblocks;'];
eval(cmd);
dlmwrite(strcat(outDir,IDtxt,'_d',num2str(day),'_LRNblocks.txt'),theVar);
cmd=['theVar=SPFT_d0.',SPFT_d0.IDs{ID},'.d0.GLM.SMPblocks;'];
eval(cmd);
dlmwrite(strcat(outDir,IDtxt,'_d',num2str(day),'_SMPblocks.txt'),theVar);
end
end
%%
% XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX
% PROCESS / SCORE the data for all IDs/Days
% creates SPFT_d0.all structure with all scored
% trial average data arranged by ID,day
% XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX
% now calculate some useful values from the collected raw data
% XXX CHANGE THIS TO CALCULATE BASED ON EACH DAY OF DATA XXX
clear temp;
temp.temp=[];
temp.out.all.rmseLRN=cell(length(SPFT_d0.IDs),SPFT_d0.numDays);
temp.out.all.rmseSMP=temp.out.all.rmseLRN;
temp.out.all.alignedrmseLRN=temp.out.all.rmseLRN;
temp.out.all.alignedrmseSMP=temp.out.all.rmseLRN;
temp.out.all.rtLRN=temp.out.all.rmseLRN;
temp.out.all.rtSMP=temp.out.all.rmseLRN;
temp.out.all.normrLRN=temp.out.all.rmseLRN;
temp.out.all.normrSMP=temp.out.all.rmseLRN;
% temp.out.all.varLRN=temp.out.all.rmseLRN;
% temp.out.all.varSMP=temp.out.all.rmseLRN;
temp.out.all.respLRN=temp.out.all.rmseLRN;
temp.out.all.respSMP=temp.out.all.rmseLRN;
temp.out.all.errorlagcorrLRN=temp.out.all.rmseLRN; %lag between error and force
temp.out.all.errorlagcorrSMP=temp.out.all.rmseLRN;
temp.out.all.lagLRN=temp.out.all.rmseLRN;
temp.out.all.lagSMP=temp.out.all.rmseLRN;
temp.out.all.velLRN=temp.out.all.rmseLRN;
temp.out.all.accLRN=temp.out.all.rmseLRN;
temp.out.all.jrkLRN=temp.out.all.rmseLRN;
temp.out.all.velSMP=temp.out.all.rmseLRN;
temp.out.all.accSMP=temp.out.all.rmseLRN;
temp.out.all.jrkSMP=temp.out.all.rmseLRN;
for ID=1:length(IDs)
fprintf('--- Processing/Scoring %s ---\n',IDs{ID});
temp.out.rmseLRN=repmat(NaN,1,SPFT_d0.numBlocks*SPFT_d0.numTrials);
temp.out.rmseSMP=repmat(NaN,1,SPFT_d0.numBlocks*SPFT_d0.numTrials);
temp.out.alignedrmseLRN=temp.out.rmseLRN;
temp.out.alignedrmseSMP=temp.out.rmseLRN;
temp.out.respLRN=temp.out.rmseSMP;
temp.out.respSMP=temp.out.rmseSMP;
temp.out.errorlagcorrLRN=temp.out.rmseSMP;
temp.out.errorlagcorrSMP=temp.out.rmseSMP;
temp.out.lagLRN=temp.out.rmseSMP;
temp.out.lagSMP=temp.out.rmseSMP;
temp.out.normrLRN=temp.out.rmseSMP;
temp.out.normrSMP=temp.out.rmseSMP;
temp.out.velaccjrkLRN=repmat(NaN,3,SPFT_d0.numBlocks*SPFT_d0.numTrials);
temp.out.velaccjrkSMP=repmat(NaN,3,SPFT_d0.numBlocks*SPFT_d0.numTrials);
%loop over days
for day=1:SPFT_d0.numDays
fprintf('Day %i\t Trial ',day);
for trial=1:SPFT_d0.numBlocks*SPFT_d0.numTrials
fprintf('%i ',trial);
try
%downsample the data to the same temporal resolution as the
%data that we are trying to match, then calculate our measures
%of interest
temp.LRNresp=resample(SPFT_d0.fullData{ID,day}.out.LRN{trial,1},SPFT_d0.seqLength,length(SPFT_d0.fullData{ID,day}.out.LRN{trial,1}));
temp.SMPresp=resample(SPFT_d0.fullData{ID,day}.out.SMP{trial,1},SPFT_d0.seqLength,length(SPFT_d0.fullData{ID,day}.out.SMP{trial,1}));
%[temp.temp temp.out.errorlagLRN(trial)]=SPFT_calcTemporalOffset(abs(temp.LRNresp-SPFT_d0.LRN),temp.LRNresp); %xcorr relating the absolute error to the force that is used
%[temp.temp temp.out.errorlagSMP(trial)]=SPFT_calcTemporalOffset(abs(temp.SMPresp-SPFT_d0.SMP),temp.SMPresp);
[r p]=corrcoef(abs(temp.LRNresp-SPFT_d0.LRN),temp.LRNresp); %xcorr relating the absolute error to the force that is used
if p(1,2)>.05
r(1,2)=NaN;
end
temp.out.errorlagcorrLRN(trial)=r(1,2);
[r p]=corrcoef(abs(temp.SMPresp-SPFT_d0.SMP),temp.SMPresp);
if p(1,2)>.05
r(1,2)=NaN;
end
temp.out.errorlagcorrSMP(trial)=r(1,2);
temp.out.respLRN(trial)=mean(temp.LRNresp);
temp.out.respSMP(trial)=mean(temp.SMPresp);
temp.out.rmseLRN(trial)=sqrt(sum((temp.LRNresp-SPFT_d0.LRN).^2)./SPFT_d0.seqLength);%/mean(temp.LRNresp);%/range(temp.LRNresp); %different ways of normalising RMSE
temp.out.rmseSMP(trial)=sqrt(sum((temp.SMPresp-SPFT_d0.SMP).^2)./SPFT_d0.seqLength);%/mean(temp.SMPresp);
[temp.out.normrLRN(trial) temp.out.lagLRN(trial)]=SPFT_calcTemporalOffset(SPFT_d0.LRN,temp.LRNresp);
[temp.out.normrSMP(trial) temp.out.lagSMP(trial)]=SPFT_calcTemporalOffset(SPFT_d0.SMP,temp.SMPresp);
temp.shiftedLRNdiff=circshift(temp.LRNresp,temp.out.lagLRN(trial))-SPFT_d0.LRN;
temp.shiftedSMPdiff=circshift(temp.SMPresp,temp.out.lagSMP(trial))-SPFT_d0.SMP;
if temp.out.lagLRN(trial)>0
temp.shiftedLRNdiff=temp.shiftedLRNdiff(temp.out.lagLRN(trial)+1:end);
else
temp.shiftedLRNdiff=temp.shiftedLRNdiff(1:length(temp.shiftedLRNdiff)+temp.out.lagLRN(trial));
end
if temp.out.lagSMP(trial)>0
temp.shiftedSMPdiff=temp.shiftedSMPdiff(temp.out.lagSMP(trial)+1:end);
else
temp.shiftedSMPdiff=temp.shiftedSMPdiff(1:length(temp.shiftedSMPdiff)+temp.out.lagSMP(trial));
end
temp.out.alignedrmseLRN(trial)=sqrt(sum((temp.shiftedLRNdiff).^2)./length(temp.shiftedLRNdiff));
temp.out.alignedrmseSMP(trial)=sqrt(sum((temp.shiftedSMPdiff).^2)./length(temp.shiftedSMPdiff));
[temp.out.velaccjrkLRN(1,trial) temp.out.velaccjrkLRN(2,trial) temp.out.velaccjrkLRN(3,trial)]=SPFT_calcVelAccJrk(temp.LRNresp,SPFT_d0.resampleFactor);
[temp.out.velaccjrkSMP(1,trial) temp.out.velaccjrkSMP(2,trial) temp.out.velaccjrkSMP(3,trial)]=SPFT_calcVelAccJrk(temp.SMPresp,SPFT_d0.resampleFactor);
% [Dist,D,k,w]=dtw(SPFT_d0.LRN(:)',temp.LRNresp(:)'); %dynamic time warping calculation
% temp.out.kLRN(trial)=k;
% [Dist,D,k,w]=dtw(SPFT_d0.SMP(:)',temp.SMPresp(:)');
% temp.out.kSMP(trial)=k;
catch
warning('%s trial %i was not scored properly\n',SPFT_d0.IDs{ID},trial);
end
end %end trial loop
fprintf('\n');
% figure('name',IDs{ID});
% plot(temp.out.rmseLRN,'bo-')
% hold on;
% plot(temp.out.rmseSMP,'go-')
temp.out.all.rmseLRN{ID,day}=[temp.out.all.rmseLRN{ID,day}; temp.out.rmseLRN];
temp.out.all.rmseSMP{ID,day}=[temp.out.all.rmseSMP{ID,day}; temp.out.rmseSMP];
temp.out.all.alignedrmseLRN{ID,day}=[temp.out.all.alignedrmseLRN{ID,day}; temp.out.alignedrmseLRN];
temp.out.all.alignedrmseSMP{ID,day}=[temp.out.all.alignedrmseSMP{ID,day}; temp.out.alignedrmseSMP];
temp.out.all.respLRN{ID,day}=[temp.out.all.respLRN{ID,day}; temp.out.respLRN];
temp.out.all.respSMP{ID,day}=[temp.out.all.respSMP{ID,day}; temp.out.respSMP];
%temp.out.all.rtLRN=[temp.out.all.rtLRN; temp.out.rtLRN];
%temp.out.all.rtSMP=[temp.out.all.rtSMP; temp.out.rtSMP];
temp.out.all.normrLRN{ID,day}=[temp.out.all.normrLRN{ID,day}; temp.out.normrLRN];
temp.out.all.normrSMP{ID,day}=[temp.out.all.normrSMP{ID,day}; temp.out.normrSMP];
% temp.out.all.varLRN=[temp.out.all.varLRN; temp.out.varLRN];
% temp.out.all.varSMP=[temp.out.all.varSMP; temp.out.varSMP];
%temp.out.all.errorlagLRN=[temp.out.all.errorlagLRN; 90/80*temp.out.errorlagLRN/SPFT_d0.seqLength*SPFT_d0.seqDur*1000*-1];%*1/60*-1000];%/SPFT_d0.seqLength*SPFT_d0.seqDur*1000*-1]; %lag (ms) from reference onset
%temp.out.all.errorlagSMP=[temp.out.all.errorlagSMP; 90/80*temp.out.errorlagSMP/SPFT_d0.seqLength*SPFT_d0.seqDur*1000*-1];%*1/60*-1000];%/SPFT_d0.seqLength*SPFT_d0.seqDur*1000*-1];
temp.out.all.errorlagcorrLRN{ID,day}=[temp.out.all.errorlagcorrLRN{ID,day}; temp.out.errorlagcorrLRN];%*1/60*-1000];%/SPFT_d0.seqLength*SPFT_d0.seqDur*1000*-1]; %lag (ms) from reference onset
temp.out.all.errorlagcorrSMP{ID,day}=[temp.out.all.errorlagcorrSMP{ID,day}; temp.out.errorlagcorrSMP];%*1/60*-1000];%/SPFT_d0.seqLength*SPFT_d0.seqDur*1000*-1];
temp.out.all.lagLRN{ID,day}=[temp.out.all.lagLRN{ID,day}; 90/80*temp.out.lagLRN/SPFT_d0.seqLength*SPFT_d0.seqDur*1000*-1];%*1/60*-1000];%/SPFT_d0.seqLength*SPFT_d0.seqDur*1000*-1]; %lag (ms) from reference onset
temp.out.all.lagSMP{ID,day}=[temp.out.all.lagSMP{ID,day}; 90/80*temp.out.lagSMP/SPFT_d0.seqLength*SPFT_d0.seqDur*1000*-1];%*1/60*-1000];%/SPFT_d0.seqLength*SPFT_d0.seqDur*1000*-1];
temp.out.all.velLRN{ID,day}=[temp.out.all.velLRN{ID,day}; temp.out.velaccjrkLRN(1,:)];
temp.out.all.accLRN{ID,day}=[temp.out.all.accLRN{ID,day}; temp.out.velaccjrkLRN(2,:)];
temp.out.all.jrkLRN{ID,day}=[temp.out.all.jrkLRN{ID,day}; temp.out.velaccjrkLRN(3,:)];
temp.out.all.velSMP{ID,day}=[temp.out.all.velSMP{ID,day}; temp.out.velaccjrkSMP(1,:)];
temp.out.all.accSMP{ID,day}=[temp.out.all.accSMP{ID,day}; temp.out.velaccjrkSMP(2,:)];
temp.out.all.jrkSMP{ID,day}=[temp.out.all.jrkSMP{ID,day}; temp.out.velaccjrkSMP(3,:)];
end %end day loop
end %end Ss loop
temp.out.all.measures={'ID','day'};
SPFT_d0.scoredData=temp.out.all;
clearvars -except SPFT
%save([SPFT_d0.dataDir filesep '2015_04_SPFT_7T_M1_forceCalibration_preProcessedData'],'SPFT','-v7.3')
%% plot individual subject data for specific measures
% specify the individual (by ID) and day(s) (by vector)
ID=1;
days=1:5; %vector of days that I want to plot data for
SCALEX=true; %scale xlimits according to input data
theDataLRN=cell2mat(SPFT_d0.scoredData.alignedrmseLRN(ID,days)); %row=ID, column=trials across all days (i.e., 54)
theDataSMP=cell2mat(SPFT_d0.scoredData.alignedrmseSMP(ID,days));
plotName='RMSE';
yAxisName='Error (scaled absolute deviation)';
SPFT_plotIndividualData(theDataLRN,theDataSMP,plotName,yAxisName,SCALEX);
theDataLRN=cell2mat(SPFT_d0.scoredData.lagLRN(ID,days)); %row=ID, column=trials across all days (i.e., 54)
theDataSMP=cell2mat(SPFT_d0.scoredData.lagSMP(ID,days));
plotName='Max Lag Autocorrelation';
yAxisName='Lag (ms)';
SPFT_plotIndividualData(theDataLRN,theDataSMP,plotName,yAxisName,SCALEX);
%% now plot some group summary measures across days (number of trials per day has been hardcoded here because I am lazy)
% requires more than one subject, but it works :)
f=figure('name','RMSE');
theDataLRN=cell2mat(SPFT_d0.scoredData.rmseLRN); %row=ID, column=trials across all days (i.e., 54)
theDataSMP=cell2mat(SPFT_d0.scoredData.rmseSMP);
errorbar(nanmean(theDataLRN),nanstd(theDataLRN)./sqrt(length(IDs)),'bo-','linewidth',2);
hold on;
errorbar(nanmean(theDataSMP),nanstd(theDataSMP)./sqrt(length(IDs)),'go-','linewidth',2);
plot([9.5 9.5], [min([nanmean(theDataLRN), nanmean(theDataSMP)]),max([nanmean(theDataLRN), nanmean(theDataSMP)])],'k:');
plot([18.5 18.5], [min([nanmean(theDataLRN), nanmean(theDataSMP)]),max([nanmean(theDataLRN), nanmean(theDataSMP)])],'k:');
plot([27.5 27.5], [min([nanmean(theDataLRN), nanmean(theDataSMP)]),max([nanmean(theDataLRN), nanmean(theDataSMP)])],'k:');
plot([36.5 36.5], [min([nanmean(theDataLRN), nanmean(theDataSMP)]),max([nanmean(theDataLRN), nanmean(theDataSMP)])],'k:');
plot([45.5 45.5], [min([nanmean(theDataLRN), nanmean(theDataSMP)]),max([nanmean(theDataLRN), nanmean(theDataSMP)])],'k:');
plot([54.5 54.5], [min([nanmean(theDataLRN), nanmean(theDataSMP)]),max([nanmean(theDataLRN), nanmean(theDataSMP)])],'k:');
xlabel('Trial');
ylabel('Error (scaled absolute deviation)');
figure('name','Lag-aligned RMSE');
theDataLRN=cell2mat(SPFT_d0.scoredData.alignedrmseLRN); %row=ID, column=trials across all days (i.e., 54)
theDataSMP=cell2mat(SPFT_d0.scoredData.alignedrmseSMP);
errorbar(nanmean(theDataLRN),nanstd(theDataLRN)./sqrt(length(IDs)),'bo-','linewidth',2);
hold on;
errorbar(nanmean(theDataSMP),nanstd(theDataSMP)./sqrt(length(IDs)),'go-','linewidth',2);
plot([9.5 9.5], [min([nanmean(theDataLRN), nanmean(theDataSMP)]),max([nanmean(theDataLRN), nanmean(theDataSMP)])],'k:');
plot([18.5 18.5], [min([nanmean(theDataLRN), nanmean(theDataSMP)]),max([nanmean(theDataLRN), nanmean(theDataSMP)])],'k:');
plot([27.5 27.5], [min([nanmean(theDataLRN), nanmean(theDataSMP)]),max([nanmean(theDataLRN), nanmean(theDataSMP)])],'k:');
plot([36.5 36.5], [min([nanmean(theDataLRN), nanmean(theDataSMP)]),max([nanmean(theDataLRN), nanmean(theDataSMP)])],'k:');
plot([45.5 45.5], [min([nanmean(theDataLRN), nanmean(theDataSMP)]),max([nanmean(theDataLRN), nanmean(theDataSMP)])],'k:');
plot([54.5 54.5], [min([nanmean(theDataLRN), nanmean(theDataSMP)]),max([nanmean(theDataLRN), nanmean(theDataSMP)])],'k:');
xlabel('Trial');
ylabel('Error (scaled absolute deviation)');
figure('name','Force Response');
theDataLRN=cell2mat(SPFT_d0.scoredData.respLRN); %row=ID, column=trials across all days (i.e., 54)
theDataSMP=cell2mat(SPFT_d0.scoredData.respSMP);
errorbar(nanmean(theDataLRN),nanstd(theDataLRN)./sqrt(length(IDs)),'bo-','linewidth',2);
hold on;
errorbar(nanmean(theDataSMP),nanstd(theDataSMP)./sqrt(length(IDs)),'go-','linewidth',2);
plot([9.5 9.5], [min([nanmean(theDataLRN), nanmean(theDataSMP)]),max([nanmean(theDataLRN), nanmean(theDataSMP)])],'k:');
plot([18.5 18.5], [min([nanmean(theDataLRN), nanmean(theDataSMP)]),max([nanmean(theDataLRN), nanmean(theDataSMP)])],'k:');
plot([27.5 27.5], [min([nanmean(theDataLRN), nanmean(theDataSMP)]),max([nanmean(theDataLRN), nanmean(theDataSMP)])],'k:');
plot([36.5 36.5], [min([nanmean(theDataLRN), nanmean(theDataSMP)]),max([nanmean(theDataLRN), nanmean(theDataSMP)])],'k:');
plot([45.5 45.5], [min([nanmean(theDataLRN), nanmean(theDataSMP)]),max([nanmean(theDataLRN), nanmean(theDataSMP)])],'k:');
plot([54.5 54.5], [min([nanmean(theDataLRN), nanmean(theDataSMP)]),max([nanmean(theDataLRN), nanmean(theDataSMP)])],'k:');
xlabel('Trial');
ylabel('Sensor Force Response (bar height)');
figure('name','Max lag autocorr');
theDataLRN=cell2mat(SPFT_d0.scoredData.lagLRN); %row=ID, column=trials across all days (i.e., 54)
theDataSMP=cell2mat(SPFT_d0.scoredData.lagSMP);
errorbar(nanmean(theDataLRN),nanstd(theDataLRN)./sqrt(length(IDs)),'bo-','linewidth',2);
hold on;
errorbar(nanmean(theDataSMP),nanstd(theDataSMP)./sqrt(length(IDs)),'go-','linewidth',2);
plot([9.5 9.5], [min([nanmean(theDataLRN), nanmean(theDataSMP)]),max([nanmean(theDataLRN), nanmean(theDataSMP)])],'k:');
plot([18.5 18.5], [min([nanmean(theDataLRN), nanmean(theDataSMP)]),max([nanmean(theDataLRN), nanmean(theDataSMP)])],'k:');
plot([27.5 27.5], [min([nanmean(theDataLRN), nanmean(theDataSMP)]),max([nanmean(theDataLRN), nanmean(theDataSMP)])],'k:');
plot([36.5 36.5], [min([nanmean(theDataLRN), nanmean(theDataSMP)]),max([nanmean(theDataLRN), nanmean(theDataSMP)])],'k:');
plot([45.5 45.5], [min([nanmean(theDataLRN), nanmean(theDataSMP)]),max([nanmean(theDataLRN), nanmean(theDataSMP)])],'k:');
plot([54.5 54.5], [min([nanmean(theDataLRN), nanmean(theDataSMP)]),max([nanmean(theDataLRN), nanmean(theDataSMP)])],'k:');
xlabel('Trial');
ylabel('Lag (ms)');
figure('name','Corr coef between current error and current force');
theDataLRN=cell2mat(SPFT_d0.scoredData.errorlagcorrLRN); %row=ID, column=trials across all days (i.e., 54)
theDataSMP=cell2mat(SPFT_d0.scoredData.errorlagcorrSMP);
errorbar(nanmean(theDataLRN),nanstd(theDataLRN)./sqrt(length(IDs)),'bo-','linewidth',2);
hold on;
errorbar(nanmean(theDataSMP),nanstd(theDataSMP)./sqrt(length(IDs)),'go-','linewidth',2);
plot([9.5 9.5], [min([nanmean(theDataLRN), nanmean(theDataSMP)]),max([nanmean(theDataLRN), nanmean(theDataSMP)])],'k:');
plot([18.5 18.5], [min([nanmean(theDataLRN), nanmean(theDataSMP)]),max([nanmean(theDataLRN), nanmean(theDataSMP)])],'k:');
plot([27.5 27.5], [min([nanmean(theDataLRN), nanmean(theDataSMP)]),max([nanmean(theDataLRN), nanmean(theDataSMP)])],'k:');
plot([36.5 36.5], [min([nanmean(theDataLRN), nanmean(theDataSMP)]),max([nanmean(theDataLRN), nanmean(theDataSMP)])],'k:');
plot([45.5 45.5], [min([nanmean(theDataLRN), nanmean(theDataSMP)]),max([nanmean(theDataLRN), nanmean(theDataSMP)])],'k:');
plot([54.5 54.5], [min([nanmean(theDataLRN), nanmean(theDataSMP)]),max([nanmean(theDataLRN), nanmean(theDataSMP)])],'k:');
xlabel('Trial');
ylabel('r');
figure('name','Norm ratio (amplitude diff)');
theDataLRN=cell2mat(SPFT_d0.scoredData.normrLRN); %row=ID, column=trials across all days (i.e., 54)
theDataSMP=cell2mat(SPFT_d0.scoredData.normrSMP);
errorbar(nanmean(theDataLRN),nanstd(theDataLRN)./sqrt(length(IDs)),'bo-','linewidth',2);
hold on;
errorbar(nanmean(theDataSMP),nanstd(theDataSMP)./sqrt(length(IDs)),'go-','linewidth',2);
plot([9.5 9.5], [min([nanmean(theDataLRN), nanmean(theDataSMP)]),max([nanmean(theDataLRN), nanmean(theDataSMP)])],'k:');
plot([18.5 18.5], [min([nanmean(theDataLRN), nanmean(theDataSMP)]),max([nanmean(theDataLRN), nanmean(theDataSMP)])],'k:');
plot([27.5 27.5], [min([nanmean(theDataLRN), nanmean(theDataSMP)]),max([nanmean(theDataLRN), nanmean(theDataSMP)])],'k:');
plot([36.5 36.5], [min([nanmean(theDataLRN), nanmean(theDataSMP)]),max([nanmean(theDataLRN), nanmean(theDataSMP)])],'k:');
plot([45.5 45.5], [min([nanmean(theDataLRN), nanmean(theDataSMP)]),max([nanmean(theDataLRN), nanmean(theDataSMP)])],'k:');
plot([54.5 54.5], [min([nanmean(theDataLRN), nanmean(theDataSMP)]),max([nanmean(theDataLRN), nanmean(theDataSMP)])],'k:');
xlabel('Trial');
figure('name','Speed accuracy tradeoff');
theDataLRN=cell2mat(SPFT_d0.scoredData.lagLRN)./cell2mat(SPFT_d0.scoredData.alignedrmseLRN); %row=ID, column=trials across all days (i.e., 54)
theDataSMP=cell2mat(SPFT_d0.scoredData.lagSMP)./cell2mat(SPFT_d0.scoredData.alignedrmseSMP);
errorbar(nanmean(theDataLRN),nanstd(theDataLRN)./sqrt(length(IDs)),'bo-','linewidth',2);
hold on;
errorbar(nanmean(theDataSMP),nanstd(theDataSMP)./sqrt(length(IDs)),'go-','linewidth',2);
plot([9.5 9.5], [min([nanmean(theDataLRN), nanmean(theDataSMP)]),max([nanmean(theDataLRN), nanmean(theDataSMP)])],'k:');
plot([18.5 18.5], [min([nanmean(theDataLRN), nanmean(theDataSMP)]),max([nanmean(theDataLRN), nanmean(theDataSMP)])],'k:');
plot([27.5 27.5], [min([nanmean(theDataLRN), nanmean(theDataSMP)]),max([nanmean(theDataLRN), nanmean(theDataSMP)])],'k:');
plot([36.5 36.5], [min([nanmean(theDataLRN), nanmean(theDataSMP)]),max([nanmean(theDataLRN), nanmean(theDataSMP)])],'k:');
plot([45.5 45.5], [min([nanmean(theDataLRN), nanmean(theDataSMP)]),max([nanmean(theDataLRN), nanmean(theDataSMP)])],'k:');
plot([54.5 54.5], [min([nanmean(theDataLRN), nanmean(theDataSMP)]),max([nanmean(theDataLRN), nanmean(theDataSMP)])],'k:');
xlabel('Trial');
ylabel('Lag/RMSE');
%% Take a look at the overlap of all of the data for each individual (only currently showing the first day)
linewidths=(SPFT_d0.numTrials*SPFT_d0.numBlocks:-1:1)/SPFT_d0.numTrials*SPFT_d0.numBlocks*.3;
for ID=1:length(SPFT_d0.IDs)
cmd=['rawForce=SPFT_d0.',SPFT_d0.IDs{ID},'.d1.out.SMP(:,4);']; %raw force
eval(cmd);
figure('name',[SPFT_d0.IDs{ID} ' (SMP rawForce)']);
for trial=1:SPFT_d0.numTrials*SPFT_d0.numBlocks
plot(rawForce{trial},'color', rand(1,3),'linewidth',linewidths(trial))
if trial==1
hold on;
end
end
end
for ID=1:length(SPFT_d0.IDs)
cmd=['rawForce=SPFT_d0.',SPFT_d0.IDs{ID},'.d1 .out.LRN(:,4);'];
eval(cmd);
figure('name',[SPFT_d0.IDs{ID} ' (LRN rawForce)']);
for trial=1:SPFT_d0.numTrials*SPFT_d0.numBlocks
plot(rawForce{trial},'color', rand(1,3),'linewidth',linewidths(trial))
if trial==1
hold on;
end
end
end
%% BELOW HERE IS OLD CODE FOR SINGLE DAY OF DATA
%% DID NOT YET IMPLEMENT VEL ACC JRK
% XXX OLD, does not work for new data structure with multiple days
figure('name','Velocity');
plotVal1=temp.out.all.velLRN;
plotVal2=temp.out.all.velSMP;
errorbar(nanmean(plotVal1),nanstd(plotVal1)./sqrt(length(IDs)),'bo-','linewidth',2);
hold on
plot(1:SPFT_d0.numTrials*SPFT_d0.numBlocks,ones(1,SPFT_d0.numTrials*SPFT_d0.numBlocks)*mean(abs(diff(resample(SPFT_d0.LRN,1,SPFT_d0.resampleFactor)))),'b--');
errorbar(nanmean(plotVal2),nanstd(plotVal2)./sqrt(length(IDs)),'go-','linewidth',2);
plot(1:SPFT_d0.numTrials*SPFT_d0.numBlocks,ones(1,SPFT_d0.numTrials*SPFT_d0.numBlocks)*mean(abs(diff(resample(SPFT_d0.SMP,1,SPFT_d0.resampleFactor)))),'g--');
plotVal1=temp.out.all.accLRN;
plotVal2=temp.out.all.accSMP;
figure('name','Acceleration');
errorbar(nanmean(plotVal1),nanstd(plotVal1)./sqrt(length(IDs)),'bo-','linewidth',2);
hold on
plot(1:SPFT_d0.numTrials*SPFT_d0.numBlocks,ones(1,SPFT_d0.numTrials*SPFT_d0.numBlocks)*mean(abs(diff(diff(resample(SPFT_d0.LRN,1,SPFT_d0.resampleFactor))))),'b--');
errorbar(nanmean(plotVal2),nanstd(plotVal2)./sqrt(length(IDs)),'go-','linewidth',2);
plot(1:SPFT_d0.numTrials*SPFT_d0.numBlocks,ones(1,SPFT_d0.numTrials*SPFT_d0.numBlocks)*mean(abs(diff(diff(resample(SPFT_d0.SMP,1,SPFT_d0.resampleFactor))))),'g--');
plotVal1=temp.out.all.jrkLRN;
plotVal2=temp.out.all.jrkSMP;
figure('name','Jerk');
errorbar(nanmean(plotVal1),nanstd(plotVal1)./sqrt(length(IDs)),'bo-','linewidth',2);
hold on
plot(1:SPFT_d0.numTrials*SPFT_d0.numBlocks,ones(1,SPFT_d0.numTrials*SPFT_d0.numBlocks)*mean(abs(diff(diff(diff(resample(SPFT_d0.LRN,1,SPFT_d0.resampleFactor)))))),'b--');
errorbar(nanmean(plotVal2),nanstd(plotVal2)./sqrt(length(IDs)),'go-','linewidth',2);
plot(1:SPFT_d0.numTrials*SPFT_d0.numBlocks,ones(1,SPFT_d0.numTrials*SPFT_d0.numBlocks)*mean(abs(diff(diff(diff(resample(SPFT_d0.SMP,1,SPFT_d0.resampleFactor)))))),'g--');
%% Take a look at the relationship between the force that the subject provided and the error signal that was present at the time
% XXX Sep 22, 2014, changed this to look at the positive and negative lag
% negative = prediction
% positive = actual lag
fprintf('--- Extracting Error vs. Force data ---\n',IDs{ID});
var1=zeros(21,24);
var2=var1;
maxLRN=var1;
maxSMP=var1;
fdbkCorrLRN=var1;
fdbkCorrSMP=var1;
corrLRN=zeros(21,24); %single lag point correlation
corrSMP=var1;
meancorrLRN=corrLRN;
meancorrSMP=corrLRN;
errorLRN=zeros(length(SPFT_d0.IDs),SPFT_d0.numTrials,SPFT_d0.seqLength);
errorSMP=errorLRN;
%xcorr of error with itself
xcorrerrorLRN=zeros(length(SPFT_d0.IDs),SPFT_d0.numTrials,2879);
xcorrerrorSMP=xcorrerrorLRN;
cut=80;%25; %cut off the first number of samples 1 = all, 2 = cut the 1st one... etc
look_ahead_samples=80; %num samples to look forward in time for the maximum correlation, set to 0 for all (12.5ms per sample)
num_samples=(SPFT_d0.seqLength-cut)*2-1; %number of samples that will be in the output of the xcorr (only looking at -ve lag, i.e., prediction)
if look_ahead_samples==0
xcLRN=zeros(length(SPFT_d0.IDs),length(SPFT_d0.numTrials),(num_samples+1)/2);
else
xcLRN=zeros(length(SPFT_d0.IDs),length(SPFT_d0.numTrials),look_ahead_samples+1);
end
xcSMP=xcLRN;
for ID=1:length(IDs)
fprintf('--- Processing %s ---\n',IDs{ID});
temp.out.errorLRN=[];
temp.out.errorSMP=[];
temp.out.forceLRN=[];
for trial=1:SPFT_d0.numBlocks*SPFT_d0.numTrials
%fprintf('Trial %i\n',trial);
try
%downsample the data to the same temporal resolution as the
%data that we are trying to match, then calculate our measures
%of interest
temp.LRNresp=resample(SPFT_d0.fullData(ID).out.LRN{trial,1},SPFT_d0.seqLength,length(SPFT_d0.fullData(ID).out.LRN{trial,1}));
temp.SMPresp=resample(SPFT_d0.fullData(ID).out.SMP{trial,1},SPFT_d0.seqLength,length(SPFT_d0.fullData(ID).out.SMP{trial,1}));
temp.out.errorLRN=[abs((temp.LRNresp-SPFT_d0.LRN))'];
temp.out.forceLRN=[abs(diff(diff(temp.LRNresp)))'];
temp.out.errorSMP=[abs((temp.SMPresp-SPFT_d0.SMP))'];
temp.out.forceSMP=[abs(diff(diff(temp.SMPresp)))'];
[xc lags]=xcorr(temp.out.errorLRN(cut:end-2),temp.out.forceLRN(cut:end),'coeff');
xc_midpoint=(length(xc)+1)/2; %now we know what 1/2 way point is, this is the lag0 correlation point
if look_ahead_samples==0
[m lag_idx]=max(xc(xc_midpoint:end)); %only look within the # samples for max corr
else
[m lag_idx]=max(xc(xc_midpoint:xc_midpoint+look_ahead_samples)); %only look within the # samples for max corr
end
lag=90/80*lags(xc_midpoint+lag_idx)/SPFT_d0.seqLength*SPFT_d0.seqDur*1000*-1;
fprintf('Max correlation at lag of LRN: %.2f ms \n',lag);
var1(ID,trial)=lag;
maxLRN(ID,trial)=m;
xcLRN(ID,trial,:)=xc(xc_midpoint:xc_midpoint+look_ahead_samples);
corrLRN(ID,trial)=xc(xc_midpoint+lag_idx);
meancorrLRN(ID,trial)=mean(abs(xc(xc_midpoint:end)));
errorLRN(ID,trial,:)=temp.out.errorLRN;
xcorrerrorLRN(ID,trial,:)=xcorr(temp.out.errorLRN,temp.out.errorLRN,'coeff');
tt=xc;
[xc lags]=xcorr(temp.out.errorSMP(cut:end-2),temp.out.forceSMP(cut:end),'coeff');
xc_midpoint=(length(xc)+1)/2; %now we know what 1/2 way point is, this is the lag0 correlation point
if look_ahead_samples==0
[m lag_idx]=max(xc(xc_midpoint:end)); %only look within the # samples for max corr
else
[m lag_idx]=max(xc(xc_midpoint:xc_midpoint+look_ahead_samples)); %only look within the # samples for max corr
end
lag=90/80*lags(xc_midpoint+lag_idx)/SPFT_d0.seqLength*SPFT_d0.seqDur*1000*-1; %in ms
fprintf('Max correlation at lag of SMP: %.2f ms \n',lag);
var2(ID,trial)=lag;
maxSMP(ID,trial)=m;
xcSMP(ID,trial,:)=xc(xc_midpoint:xc_midpoint+look_ahead_samples);
corrSMP(ID,trial)=xc(xc_midpoint+lag_idx);
meancorrSMP(ID,trial)=mean(abs(xc(xc_midpoint:end)));
errorSMP(ID,trial,:)=temp.out.errorSMP;
xcorrerrorSMP(ID,trial,:)=xcorr(temp.out.errorSMP,temp.out.errorSMP,'coeff');
%corrLRN(ID,trial)=tt(xc_midpoint+lag_idx);
catch
warning('%s trial %i was not scored properly\n',SPFT_d0.IDs{ID},trial);
end
end
end
% figure;plot(var1','xb');
% hold on; plot(var2','og');
% ylabel('Lag (ms)');
% xlabel('Trial');
% title(['Lag with maximum correlation between error and response change (vel)\nWindow of ' num2str(samples) ,'considered']);
% averageRT=mean(median([var1;var2]));
% averageRTSamples=averageRT/1000/SPFT_d0.seqDur*SPFT_d0.seqLength*80/90*-1;
% fprintf('Average of median RT to respond to error on SMP and LRN (given the window) in ms: %.2f \n Num samples offset (lag): %.2f\n',averageRT,averageRTSamples);
figure('name','Mean lag correlations across subjects');
subplot(2,2,1);
imagesc(squeeze(mean(xcLRN,1)));
c1=caxis; %get colour scale values
title('LRN xcorr')
ylabel('Trial (mean)');
subplot(2,2,2);
imagesc(squeeze(mean(xcSMP,1)));
caxis(c1);
title('SMP xcorr')
subplot(2,2,3);
imagesc(squeeze(std(xcLRN,1)));
caxis(c1);
ylabel('Trial (std)');
subplot(2,2,4);
imagesc(squeeze(std(xcSMP,1)));
caxis(c1);
xlabel('Sample number (relative to lag of 0)');
colorbar;
figure('name','Mean abs(error) across sequence');
subplot(2,2,1);
imagesc(squeeze(mean(abs(errorLRN),1)),[0,50]);
hold on;
plot(SPFT_d0.LRN/10,'k--','linewidth',2);
title('LRN')
c1=caxis;
subplot(2,2,2);
imagesc(squeeze(mean(abs(errorSMP),1)));
hold on;
%plot(SPFT_d0.SMP/10,'g--','linewidth',2);
title('SMP')
caxis(c1);
subplot(2,2,3);
plot(SPFT_d0.LRN,'b','linewidth',2);
subplot(2,2,4);
plot(SPFT_d0.SMP,'g','linewidth',2);
caxis(c1);
colorbar;
figure('name','Xcorr of error with itself')
subplot(2,2,1);
imagesc(squeeze(mean(xcorrerrorLRN(:,:,1441:end),1)));
hold on;
plot(SPFT_d0.LRN/10,'k--','linewidth',2);
title('LRN')
c1=caxis;
subplot(2,2,2);
imagesc(squeeze(mean(xcorrerrorSMP(:,:,1441:end),1)));
hold on;
plot(SPFT_d0.SMP/10,'k--','linewidth',2);
title('SMP')
caxis(c1);
subplot(2,2,3);
caxis(c1);
colorbar;
% figure;
% plot(xcLRN','b:'); hold on; plot(mean(xcLRN),'b-','linewidth',2);
% plot((length(mean(xcLRN))-1)/2,0,'ro'); plot([(length(mean(xcLRN))-1)/2,(length(mean(xcLRN))-1)/2],[-.4,.4],'r','Linewidth',2);
% xlabel('Sample')
% ylabel('xcorr')
% figure;
%
% plot(xcSMP','g:'); hold on; plot(mean(xcSMP),'g-','linewidth',2);
% plot((length(mean(xcSMP))-1)/2,0,'ro');plot([(length(mean(xcSMP))-1)/2,(length(mean(xcSMP))-1)/2],[-.4,.4],'r','Linewidth',2);
% xlabel('Sample')
% ylabel('xcorr')
figure('name','LRN - correlation change at max xcorr -lag');plot(corrLRN'); hold on; plot(mean(corrLRN),'ko-','Linewidth',3)
figure('name','SMP - correlation change at max xcorr -lag');plot(corrSMP'); hold on; plot(mean(corrSMP),'ko-','Linewidth',3)
xlabel('Trial');ylabel('Corr');
%detrended
%figure('name','detrended LRN - correlation change at max xcorr -lag');plot(detrend(corrLRN','constant')); hold on;plot(mean(detrend(corrLRN','constant'),2),'k','linewidth',3)
%figure('name','detrended SMP - correlation change at max xcorr -lag');plot(detrend(corrSMP','constant')); hold on;plot(mean(detrend(corrSMP','constant'),2),'k','linewidth',3)