العديد من إشارات العالم الحقيقي، مثل المؤشرات المناخية، والتسجيلات الطبية الحيوية، والصور الطبية، لا تبقى ثابتة. إذ تتغير خصائصها بمرور الوقت: فنبضات القلب تتسارع أثناء ممارسة الرياضة ثم تتباطأ؛ وتتذبذب درجات حرارة سطح المحيطات مع الفصول ولكنها تتحول أيضاً على مدى عقود. هذه هي الإشارات غير المستقرة.
إن تحويل المويجة (wavelet transform) هو أداة رياضية صُممت للتعامل مع هذه الإشارات. فهو يحلل الإشارة إلى مكونات محددة محلياً في كل من الوقت والمقياس، مما يكشف بدقة متى يظهر نمط معين وبأي مدة أو امتداد يعمل.
وعلى عكس تحليل فورييه التقليدي الذي يحلل الإشارة إلى موجات جيبية لا نهاية لها، فإن تحويل المويجة المستمر (CWT) يبني تمثيلاً للوقت والمقياس باستخدام نسخ محددة المقياس ومزاحة من موجة نموذجية واحدة. توضح هذه المقالة منطق تحويل المويجة المستمر (CWT)، وكيفية اختيار المويجة الأم، وحساب المخطط الطيفي الناتج وتفسيره، وما أثبتته عقود من التطبيق إلى جانب الحدود الكامنة في هذه الطريقة.
ما هو تحويل المويجة (Wavelet Transform)؟
تحويل المويجة هو طريقة رياضية لفحص الإشارة عند مقاييس متعددة. وبدلاً من تمثيل الإشارة بأكملها فقط من خلال مكونات جيبية عالمية، فإنه يقارن الإشارة بوظائف قصيرة تسمى المويجات. ويتم إزاحة هذه الوظائف على طول الإشارة وتوسيعها أو ضغطها للكشف عن الأنماط المحلية.
والنتيجة هي مجموعة من المعاملات. ويشير كل معامل إلى مدى تشابه الإشارة مع مويجة معينة عند موضع ومقياس معينين. وبوجه عام، تؤكد المقاييس الصغيرة على التغيرات السريعة والتفاصيل الدقيقة، في حين تصف المقاييس الكبيرة التغيرات الأبطأ والبنية الأوسع.
هذا السلوك المحلي هو التمييز الأساسي بين تحليل المويجات والعديد من طرق التردد التقليدية. حيث يمكن لتحويل فورير أن يوضح الترددات الموجودة، ولكن تحويل المويجة يمكنه أيضًا تحديد مكان حدوث تلك الميزات. وهذا يجعله مناسبًا للإشارات العابرة، والانقطاعات، والاندفاعات، والحواف، وغيرها من الأحداث التي يهم توقيتها.
تحويل المويجة المستمر: كيف يعمل
في قلب تحويل المويجة المستمر (CWT) توجد وظيفة تذبذبية واحدة ومحددة تسمى المويجة الأم، ويُرمز إليها بـ ψ(t). لست بحاجة إلى تفكيك الإشارة إلى مجموعة ثابتة من الجيبيات. بدلاً من ذلك، يمكنك إنشاء عائلة من المويجات عن طريق تمديد (تغيير مقياس) وإزاحة (ترجمة) هذا النموذج الأولي الفردي. إن تحويل المويجة المستمر (CWT) عند المقياس a والموضع b هو الناتج الداخلي للإشارة x(t) مع مويجة تم قياسها بواسطة a وإزاحتها بواسطة b:
ψᵃᵇ(t) \= (1/√a) ψ((t‑b)/a)
يعمل العامل 1/√a على تسوية الطاقة عبر المقاييس. عندما يكون a صغيرًا، يتم ضغط المويجة وتلتقط التغييرات الوجيزة والسريعة. وعندما يكون a كبيرًا، تتمدد المويجة وتلتقط التموجات البطيئة والواسعة. تحرك الإزاحة b المويجة عبر محور الزمن، وبذلك ينزلق التحليل من البداية إلى النهاية.
الناتج هو دالة ثنائية الأبعاد للزمن والمقياس يمكن عرضها كمخطط مقياسي (scalogram). وبالعودة إلى عام 1988، قام باحثون مثل إنجريد دوبيشي بصياغة الفكرة الأساسية لتحليل الدقة المتعددة للمويجات المنفصلة، مما أثبت إمكانية بناء قواعد متعامدة للمويجات ذات الدعم المدمج بانتظام عالٍ. ويرث تحويل المويجة المستمر (CWT) هذا المبدأ الأساسي للقياس والإزاحة، ولكن دون اشتراط قاعدة متعامدة: يمكنك استخدام أي مويجة أم تفي بشرط مقبولية بسيط، مما يجعل التحويل قابلاً للعكس.
يمنح هذا الهيكل المويجات قوتها المميزة. ولأن المويجة الأم عبارة عن نبضة قصيرة تشبه الموجة، فإنها تركز بشكل طبيعي على الأحداث العابرة. ويؤدي تغيير القياس والإزاحة وحدهما إلى تقديم رؤية متزامنة للوقت والمقياس، وهو أمر لا يمكن لنهج فورير ذي النافذة الثابتة مجاراته دون فرض مقايضة اصطناعية بين دقة الوقت والتردد.
ما هو تحويل المويجة المنفصل؟
يقوم تحويل المويجة المنفصل، أو DWT، بأخذ عينات من معلمات المقياس والإزاحة على شبكة منظمة بدلاً من تقييم كل قيمة ممكنة. وفي البناء الشائع، تتغير المقاييس والمواضع بشكل ثنائي (dyadically)، غالبًا بقوى الرقم اثنين. وينتج عن هذا مجموعة مدمجة من المعاملات مع الاحتفاظ بالمعلومات عند عدة درجات دقة.
يتم تنفيذ DWT بشكل شائع باستخدام مرشحات تمرير منخفض ومرشحات تمرير مرتفع مقترنة. يحتفظ فرع التمرير المنخفض بتقريب ممهد للإشارة، بينما يلتقط فرع التمرير المرتفع التفاصيل. ثم يقلل تقليل عينات الإشارة (downsampling) من عدد العينات عند كل مستوى، ويمكن تفكيك فرع التقريب مرة أخرى.
يجعل هيكل بنك المرشحات هذا تحويل DWT فعالاً للبيانات الرقمية المحدودة. كما أنه يدعم إعادة البناء عندما يتم تصميم مرشحات التحليل والتركيب بشكل صحيح.
وتشمل التطبيقات إزالة الضوضاء، والضغط، واكتشاف الأحداث، واستخراج الميزات متعددة المقاييس، على الرغم من أن تفسير المعاملات يظل معتمدًا على أخذ العينات، ومعالجة الحدود، واختيار المويجة.
شرح تحويل المويجة المنفصل
يمثل DWT إشارة مأخوذة العينات من خلال معاملات التقريب ومعاملات التفاصيل في مستويات متتالية. في المستوى الأول، يتم فصل الإشارة إلى محتوى واسع وبطيء التغير وتفاصيل سريعة التغير. ويؤدي تكرار العملية على التقريب إلى إنشاء تسلسل هرمي لدرجات الدقة.
وعلى عكس CWT، لا ينتج DWT عادةً معاملات لكل موضع ومقياس مستمر. يقلل أخذ العينات المنظم من التكرار والتكلفة الحسابية. وهذا يجعله عمليًا للمصفوفات الكبيرة، والمعالجة في الوقت الفعلي، وأنظمة الضغط.
يحدد مستوى التفكيك مدى تقدم التحليل. قد تغفل المستويات القليلة جدًا البنية الواسعة، في حين أن المستويات الكثيرة جدًا يمكن أن تنتج معاملات يصعب تفسيرها أو تتأثر بشدة بطول الإشارة وشروط الحدود. وبالتالي، فإن العمق المفيد هو خاصية للبيانات والغرض التحليلي، وليس ثابتًا عالميًا.
خطوات خوارزمية تحويل المويجة المنفصل DWT
يسير تحويل DWT القياسي من خلال التصفية المتكررة وتقليل عينات الإشارة. العملية الأساسية بسيطة، ولكن كل خطوة تؤثر على التمثيل الذي يليها.
حدد عائلة المويجات ومستوى التفكيك المطلوب.
قم بتمرير الإشارة عبر مرشح تمرير منخفض للحصول على عينات تقريبية.
قم بتمرير نفس الإشارة عبر مرشح تمرير مرتفع للحصول على عينات تفصيلية.
قم بتقليل عينات كلا الناتجين وكرر العملية على فرع التقريب.
قم بتخزين المعاملات وإعادة بناء الإشارة عند الحاجة.
تفصل شجرة المعاملات الناتجة البنية الخشنة عن التفاصيل الدقيقة تدريجيًا. ومن الناحية العملية، يمكن استخدام إعادة البناء لاختبار ما إذا كانت المعاملات المحددة تحافظ على ميزات الإشارة ذات الصلة بالتحليل.
تحويل مويجة هار: المويجة الأبسط
مويجة هار (Haar wavelet) هي أبسط المويجات المستخدمة. وهي ثابتة جزئيًا حيث تأخذ قيمة واحدة على جزء من فترة قصيرة والقيمة المعاكسة على جزء آخر، مع متوسط صفري. يجعلها شكلها المفاجئ مستجيبة بشكل طبيعي للقفزات والانتقالات الشبيهة بالخطوات.
بالنسبة لزوج قصير من العينات، يمكن فهم تحويل هار على أنه حساب للمتوسط والفرق. يصبح المتوسط تقريبًا خشنًا، بينما يسجل الفرق التغيير المحلي. ويؤدي تكرار هذه العملية إلى إنشاء تمثيل متعدد المستويات بتفسير واضح للغاية.
تتميز مويجة هار بأنها غير مكلفة حسابيًا وسهلة الشرح، ولكنها ليست ممهدة. قد يتم تمثيل الإشارات التي تهيمن عليها التذبذبات التدريجية بشكل أقل كفاءة مما لو كانت بمويجات أكثر تمهيدًا. وتكون قيمتها أكبر عندما تكون البساطة، أو الحساب السريع، أو الحساسية للانقطاعات أكثر أهمية من انتقائية التردد الممهد.
اختيار المويجة الأم
لا تؤهل كل حركة تذبذبية صغيرة لتكون مويجة أم. يجب أن تفي الدالة بشرط المقبولية، مما يعني أساسًا أن متوسطها صفر وطاقتها محدودة، أي أنها تتذبذب أعلى وأسفل الصفر وتتلاشى إلى لا شيء خارج نطاق فترة قصيرة.
وبعيدًا عن هذا المتطلب، فأنت حر في اختيار الشكل الذي يتطابق مع نوع الميزات التي تتوقعها في بياناتك. الاختيار ليس صياغة جامدة، ولكن التجربة العملية تشير إلى بعض القواعد الإرشادية:
تشابه الشكل. إذا كانت إشارتك تحتوي على اندفاعات تذبذبية، فغالبًا ما تعمل مويجة مورليه (Morlet wavelet) - وهي موجة جيبية معقدة مغلفة بغاوس - بشكل جيد لأنها تشبه تذبذبًا محليًا. بالنسبة للإشارات العابرة الحادة والمدببة، فإن شيئًا مثل مويجة القبعة المكسيكية (المشتقة الثانية لغاوس) أو مويجة ذات دعم مدمج يمكن أن تعزل الحواف والقمم بشكل أكثر وضوحًا.
توازن دقة الوقت والمقياس. تمنح المويجة الأطول تمييزًا أدق بين المقاييس القريبة ولكنها تشوش اللحظة الدقيقة لحدوث الميزة. وتحدد المويجة الأقصر التوقيت بدقة ولكنها تخلط المقاييس معًا. هذه هي المقايضة الحتمية للتحليل المحلي، وليست عيبًا.
المويجات الحقيقية مقابل المويجات المركبة. تقدم المويجة الأم ذات القيمة الحقيقية (مثل القبعة المكسيكية) معلومات السعة فقط. بينما تنتج المويجة المركبة (مثل مورليه) السعة والطور معًا، وهو ما يمكن أن يكون ضروريًا عندما تريد لاحقًا فحص علاقات التوقيت بين إشارتين من خلال ترابط المويجات المتقاطعة (cross‑wavelet coherence).
إن القواعد المتعامدة للمويجات ذات الدعم المدمج المبنية في دراسة دوبيشي مخصصة لمهام إعادة البناء المنفصلة والمثالية. بالنسبة لتحويل CWT، فأنت لست مقيدًا بالتعامد، لذا يمكنك اختيار مويجات غير متعامدة بحرية إذا كانت تطابق شكل إشارتك بشكل أفضل.
ومع ذلك، يظل الدعم المدمج والانتظام مرغوبين لأنهما يمكن أن يقللا من تشويه الحواف ويمنحا تحويلات نظيفة.
حساب تحويل المويجة المستمر
عمليًا، يتم تقريب CWT عن طريق تلافيف الإشارة بنسخ مقاسة ومعكوسة زمنيًا من المويجة الأم. ولأن الإشارات محدودة، فإن المويجة تمتد حتمًا إلى ما بعد حواف البيانات عندما تقترب من بداية السجل أو نهايته. وتنتج تلك المناطق الحدودية قيمًا مشوهة؛ ويحدد مخروط التأثير (COI) منطقة مقياس الوقت حيث تجعل تأثيرات الحافة التحليل غير موثوق به. ويجب التعامل مع أي ميزة تظهر داخل مخروط التأثير (COI) بحذر.
لبناء مخطط مقياسي، عادة ما يتم أخذ عينات من المقاييس كقوى كسرية للرقم اثنين لتغطية نطاق يطابق مدة الإشارة. ويؤدي حساب المقدار التربيعي لمعاملات CWT إلى إنتاج طاقة المويجة، والتي يتم رسمها بعد ذلك كخريطة ألوان مع وضع الوقت على محور والمقياس على المحور الآخر.
تفسير المخططات المقياسية
المخطط المقياسي هو الناتج المرئي الأساسي لتحليل المويجات. تتوافق المناطق الساطعة مع طاقة المويجات العالية، وهي الأماكن التي تحتوي فيها الإشارة على مكون قوي عند مقياس ووقت معينين.
ولكن ليست كل بقعة ساخنة ذات مغزى. وللتمييز بين الميزات الحقيقية والتقلبات العشوائية، غالبًا ما يستنتج الباحثون اختبارات الأهمية الإحصائية مقابل الخلفيات النظرية: الضوضاء البيضاء (التي تنشر الطاقة بالتساوي) والضوضاء الحمراء (التي تركز الطاقة عند الترددات المنخفضة، كما تفعل العديد من العمليات الطبيعية). ومن خلال مقارنة الطاقة المرصودة بالنسبة المئوية 95 لطيف الخلفية، يمكنك تحديد الفترات والمقاييس التي من غير المرجح أن تكون قد نشأت بالصدفة.
يمكن أن يؤدي التمهيد في الوقت، أو المقياس، أو كليهما، إلى زيادة موثوقية هذه الميزات.
القيود والتحذيرات المعروفة لتحويل CWT
لا توجد أداة رياضية تخلو من نقاط الضعف، وتحويل CWT ليس استثناءً. إن اختيار المويجة الأم يمثل مرونة وعائقًا في آن واحد. فلا توجد طريقة تلقائية تضمن المويجة المثلى لإشارة غير معروفة.
إن الاختيار غير المناسب - على سبيل المثال، استخدام مويجة مورليه طويلة لإشارة مليئة بالقمم الحادة - يمكن أن يشوه الميزات أو يخلق تأثيرات مضللة في المخطط المقياسي. وحتى عندما يتوصل المجربون إلى تطابق جيد بالعين المجردة، يظل التحليل ذاتيًا جزئيًا.
تأثيرات الحواف هي حقيقة فيزيائية للبيانات المحدودة. تدفع المقاييس الطويلة المويجة إلى ما وراء الحدود، لذا يمكن لمخروط التأثير (COI) أن يبتلع جزءًا كبيرًا من المخطط المقياسي عند المقاييس الأكثر خشونة. ويجب التعامل مع أي حدث يتم استنتاجه من الهوامش على أنه مؤقت. كما أن اختبارات الأهمية، رغم أنها قائمة على مبادئ، تعتمد على نماذج ضوضاء مفترضة قد لا تنطبق على كل مجموعة بيانات.
عند التعامل مع مجموعة بيانات جديدة، يجمع المسار الأكثر وضوحًا بين التفكير الفيزيائي حول البنية المتوقعة للإشارة والفحوصات الإحصائية المحافظة، والقبول الواضح بأن المخطط المقياسي هو خريطة موحية، وليس مخططًا تشريحيًا نهائيًا.
استخدام تحويل المويجة لتحليل تخطيط كهربية الدماغ (EEG)
يسجل تخطيط كهربية الدماغ تغيرات الجهد بمرور الوقت، وغالبًا ما تحتوي هذه التغيرات على إيقاعات متداخلة، وأحداث عابرة، وسلوك غير مستقر. ويمكن لتحويل المويجة تمثيل هذه المكونات عبر الزمن والمقياس، مما يجعله مفيدًا لفحص وقت ظهور أنماط معينة. وبالتالي فإن هذه الطريقة ذات صلة بـ علم الأعصاب وبتحليل تسجيلات EEG.
في عمل تخطيط كهربية الدماغ (EEG)، يمكن تلخيص المعاملات حسب المقياس، أو الفاصل الزمني، أو القناة، أو حالة الحدث. ويمكن لمثل هذه الملخصات أن تدعم الأبحاث في الإيقاعات، أو الاستجابات المستثارة، أو الحالات العابرة المرتبطة بالنوبات، أو أنماط النوم، أو بنية الشوائب (artifacts). والتحويل نفسه لا يشخص اضطراب الدماغ؛ بل يتطلب التفسير الحصول المناسب، والمعالجة المسبقة، ومجموعات المقارنة، والخبرة في المجال.
تظل المعالجة المسبقة أمرًا محوريًا. حيث يمكن للشوائب الناتجة عن الأقطاب الكهربائية، وحركات العين، ونشاط العضلات، وخيارات المرجع، والتصفية، والبيانات المفقودة، وتأثيرات الحواف أن تغير معاملات المويجة. وتكون النتائج حساسة أيضًا لخرائط التردد إلى المقياس وما إذا كانت المويجة المحددة تشبه الشكل المورفولوجي الزمني الذي تتم دراسته.
أدوات وبرامج لحساب تحويلات المويجة
يمكن حساب تحويلات المويجة باستخدام المكتبات الرقمية، وبيئات البرمجة العلمية، وبرامج معالجة الإشارات المتخصصة. ويعتمد الاختيار المناسب على ما إذا كان الهدف هو التدريس، أو التصور الاستكشافي، أو المعالجة المجمعة، أو الحوسبة المضمنة، أو البحث القابل للتكرار.
يجب أن توضح الأداة المفيدة معلمات التحويل بوضوح بدلاً من إخفائها خلف أمر افتراضي واحد.
يقوم سير العمل النموذجي بتحميل البيانات المأخوذة عينات منها والتحقق من صحتها، واختيار مويجة، وحساب CWT أو DWT، وفحص المعاملات، وتقييم إعادة البناء أو الميزات اللاحقة. ويمكن أن يؤدي تكرار سير العمل مع تغييرات متحكم فيها في المعلمات إلى إظهار ما إذا كانت النتيجة مستقرة. وتكون التوثيقات وسجلات الإصدارات مهمة عندما تؤثر الاختلافات الطفيفة في التنفيذ على قيم المعاملات.
من أجل عمل موثوق، غالبًا ما يتضمن تقييم البرامج الدقة العددية، ودعم البيانات متعددة الأبعاد، وخيارات الحدود، والرسم البياني، والتكلفة الحسابية، وقابلية التشغيل البيني. ويجب أن يحافظ الكود أيضًا على معدل أخذ العينات وتاريخ المعاملة المسبقة، نظرًا لأن المعاملات بدون هذا السياق يصعب إعادة إنتاجها أو تفسيرها.
لماذا يعتبر تحليل المويجات مهمًا لقراءة الإشارات غير المستقرة
إن الرؤية المحددة لتحويل المويجة هي أنه من الأفضل فهم هوية الإشارة ليس كقائمة ثابتة من الترددات ولكن كخريطة حية لوقت حدوث الأنماط ومدة استمرارها. وقد أثبت عرض مقياس الوقت هذا قيمته في إعدادات العالم الحقيقي. ومع ذلك، فإن هذه النجاحات تحمل دائمًا تحذيرًا: فالتحليل لا يكون جديرًا بالثقة إلا بقدر الخيارات التي يتم اتخاذها قبل بدء الرياضيات.
إن اختيار المويجة الأم هو مسألة تقدير علمي، وتضع تأثيرات الحواف بالإضافة إلى افتراضات الضوضاء حدودًا حقيقية لما يمكن لأي مخطط مقياسي أن يدعيه. والخلاصة الصادقة هي أن تحليل المويجات يوفر طريقة لرؤية البنية في الإشارات المتغيرة، ولكنه يتطلب تفسيرًا محافظًا بدلاً من القبول الأعمى لكل بقعة ساطعة.
ويحصل الباحثون الذين يقرنون التفكير الفيزيائي بالفحوصات الإحصائية على أكبر قيمة من هذه الأداة مع إبقاء استنتاجاتهم متواضعة بشكل مناسب.
المراجع
Daubechies, I. (1988). Orthonormal bases of compactly supported wavelets. Communications on pure and applied mathematics, 41(7), 909-996. https://doi.org/10.1002/cpa.3160410705
Torrence, C., & Compo, G. P. (1998). A practical guide to wavelet analysis. Bulletin of the American Meteorological society, 79(1), 61-78. https://doi.org/10.1175/1520-0477(1998)079%3C0061:APGTWA%3E2.0.CO;2
الأسئلة الشائعة
ما هو تحويل المويجة ولماذا يتم استخدامه للإشارات غير المستقرة؟
يقوم تحويل المويجة بتفكيك الإشارة إلى مكونات موطنة في كل من الوقت والمقياس، مما يكشف عن وقت ظهور النمط والمدة التي يعمل بها. وهو مصمم للإشارات غير المستقرة، التي تتغير طبيعتها بمرور الوقت، على عكس الأساليب الثابتة التي تفترض سلوكًا مستقرًا.
كيف يختلف تحويل المويجة المستمر عن تحليل فورير؟
بدلاً من تقسيم الإشارة إلى موجات جيبية لا نهاية لها، يستخدم CWT نسخًا مقاسة ومزاحة من مويجة أم واحدة. يوفر هذا الهيكل عرضًا متزامنًا للوقت والمقياس، مما يتجنب مقايضة النافذة الثابتة بين دقة الوقت والتردد الموجودة في طرق فورير.
ما هي المويجة الأم وما الشرط الذي يجب أن تلبيه؟
المويجة الأم هي وظيفة تذبذبية واحدة ومحددة يتم تمديدها وإزاحتها لتحليل إشارة ما. ولكي تكون صالحة، يجب أن تفي بشرط المقبولية، مما يعني أساسًا أن متوسطها صفر وطاقتها محدودة - فهي تتذبذب أعلى وأسفل الصفر وتتلاشى إلى لا شيء خارج نطاق فترة قصيرة.
كيف تختار مويجة أم لإشارة معينة؟
اختر مويجة يطابق شكلها الميزات التي تتوقعها؛ على سبيل المثال، تناسب مويجة مورليه الاندفاعات التذبذبية، بينما تعزل مويجة القبعة المكسيكية القمم الحادة. كما توازن أيضًا بين دقة الوقت والمقياس وتقرر ما إذا كنت بحاجة إلى معلومات الطور، حيث توفر المويجات المركبة السعة والطور معًا.
ما هو المخطط المكياسي وكيف تفسره؟
المخطط المقياسي هو الناتج المرئي الرئيسي لتحليل المويجات، حيث يرسم طاقة المويجة مع وجود الوقت على محور والمقياس على الآخر. تشير المناطق الساطعة إلى مكونات إشارة قوية في وقت ومقياس معينين، ولكن اختبارات الأهمية الإحصائية ضد خلفيات الضوضاء البيضاء أو الحمراء تساعد في التمييز بين الميزات الحقيقية والتقلبات العشوائية.
ما هو مخروط التأثير ولماذا هو مهم؟
يحدد مخروط التأثير منطقة مقياس الوقت حيث تجعل تأثيرات الحافة تحليل المويجات غير موثوق به لأن المويجة تمتد خارج حدود البيانات المحدودة. ويجب التعامل مع أي ميزة تقع داخل COI بحذر.
ما هي القيود الرئيسية لتحويل المويجة المستمر؟
إن اختيار المويجة الأم هو أمر ذاتي جزئيًا، ويمكن أن يؤدي الاختيار غير المناسب إلى تشويه الميزات أو خلق تأثيرات مضللة. ويمكن أن تلوث تأثيرات الحواف مناطق كبيرة من المخطط المقياسي، وتعتمد اختبارات الأهمية على نماذج ضوضاء مفترضة قد لا تنطبق على كل مجموعة بيانات.
كيف تختلف المويجات الأم الحقيقية والمركبة في الممارسة العملي؟
تقدم المويجات ذات القيمة الحقيقية، مثل القبعة المكسيكية، معلومات السعة فقط. بينما تقدم المويجات المركبة، مثل مورليه، كلاً من السعة والطور، وهو أمر ضروري لفحص علاقات التوقيت بين الإشارات من خلال ترابط المويجات المتقاطعة.
ما الفرق بين CWT و DWT؟
يقوم تحويل المويجة المستمر بتقييم العديد من المقاييس والمواضع المتقاربة، مما ينتج عنه تمثيل مفصل وغالبًا ما يكون متكررًا. بينما يستخدم تحويل المويجة المنفصل مجموعة منظمة من المقاييس والمواضع لإنتاج تمثيل أكثر دمجًا.
ما الذي تستخدم فيه مويجة هار؟
مويجة هار مفيدة للتحليل البسيط والسريع للإشارات ذات التغيرات المفاجئة أو السلوك الشبيه بالخطوات. كما أن شكلها الثابت جزئيًا يجعل من السهل تفسير المتوسطات والفروق الأساسية.
تُعد Emotiv شركة رائدة في تقنيات الأعصاب، تساعد على تطوير أبحاث علم الأعصاب من خلال أدوات EEG وبيانات الدماغ سهلة الوصول.
كريستيان بورغوس
