Autor:
- lenna_noises.ipynb
- load_one_experiment.ipynb
- calcs_all_participants.ipynb
- data_calcs.ipynb
- ugr_upv_average.ipynb
- tests.ipynb
- outliers.ipynb
- stats_calcs.ipynb
- plots_regression.ipynb
- plots_no_intercept.ipynb
- split_by_group.ipynb
- plots_by_user_type.ipynb
En este script lenna_noises.ipynb se realizan los tratamientos de la imagen de Lenna, añadiendo los ruidos Gaussianos, Sal y pimienta e uniforme que posteriormente se han utilizado en la sección de Lenna de la memoria.
En el script load_one_experiment.ipynb se cargan los datos de un experimento determinado para posteriormente calcular su JND y las curvas psicométricas (normales acumuladas) para las combinaciones de ruido base y luminancia de ese único experimento.
En el script calcs_all_participants.ipynb se realizan los cáculos para todos los participantes del experimento, promediando los datos de sus sesiones experiementales individualmente, al igual que en el script anterior se calcula el JND y las curvas psicométricas (normales acumuladas) para las combinaciones de ruido base y luminancia para cada participante.
En el script data_calcs.ipynb se exportan las variables de mean_result y mean_std para las universidades de Granada, Politécnica de Valencia y en total.
- mean_result_{universidad}.npy contiene los promedios de la tasa de acierto para cada combinación de ruido base y luminancia en las 10 repeticiones por cada nivel.
- mean_std_{universidad}.npy almacena los datos del (ruido base, media del JND, deviación típica del JND) para cada combinación de ruido base y luminancia.
Estas variables se utilizarán posteriormente en otros scripts como el de plots_regression.ipynb para realizar gráficos.
En el script ugr_upv_average.ipynb se realizan los gráficos del JND y las curvas psicométricas (normales acumuladas) para las combinaciones de ruido base y luminancia en el promedio de Granada y Valencia individualmente y posteriormente en conjunto.
En el script tests.ipynb se realizan los tests que contrastan si hay diferencias significativas entre los grupos de UPV y UGR y determinar si estadísticamente hablando tendría sentido juntarlos en un único dataset.
En el script outliers.ipynb se comprueba si existen outliers en los datos de UGR y UPV comparando con el resto de voluntarios de la misma universidad
En el script stats_calcs.ipynb se calculan las estadísiticas de los participantes por edad, género y nivel de experiencia.
En el script plots_regression.ipynb se realizan las gráficas de regresión para el umbral de detección y el JND
En el script plots_no_intercept.ipynb se realizan las gráficas de regresión para el umbral de detección y el JND pero forzando que el intercept de las mismas sea igual a 0.
En el script split_by_group.ipynb se dividen a los participantes según su edad, género y nivel de experiencia. Crea un diccionario "mean_result_agrupado.pkl" en el que se almacenan los promedios de las tasas de acierto filtrando por las estadísitcas previamente calculadas.
Este diccionario se utilizará posteriormente en otros scripts como el de plots_by_user_type.ipynb para realizar gráficos.
En el script plots_by_user_type.ipynb se utiliza el diccionario "mean_result_agrupado.pkl" en el que se almacenan los promedios de las tasas de acierto filtrando por las estadísitcas previamente calculadas para realizar los gráficos de regresión pero esta vez por grupos.